CN113297506A - 一种基于社交位置细胞/网格细胞的类脑相对导航方法 - Google Patents

一种基于社交位置细胞/网格细胞的类脑相对导航方法 Download PDF

Info

Publication number
CN113297506A
CN113297506A CN202110636073.XA CN202110636073A CN113297506A CN 113297506 A CN113297506 A CN 113297506A CN 202110636073 A CN202110636073 A CN 202110636073A CN 113297506 A CN113297506 A CN 113297506A
Authority
CN
China
Prior art keywords
dimensional
cell network
grid cell
relative
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110636073.XA
Other languages
English (en)
Inventor
杨闯
熊智
刘建业
华冰
晁丽君
陈雨荻
王雅婷
戴嘉伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110636073.XA priority Critical patent/CN113297506A/zh
Publication of CN113297506A publication Critical patent/CN113297506A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9536Search customisation based on social or collaborative filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/95Retrieval from the web
    • G06F16/953Querying, e.g. by the use of web search engines
    • G06F16/9537Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01Social networking

Abstract

本发明涉及一种基于社交位置细胞/网格细胞的类脑相对导航方法,属于集群无人机智能导航领域。该方法借鉴蝙蝠大脑海马区社交位置细胞网络感知同伴相对位置和网格细胞网络敏感同伴相对运动神经机理。首先基于吸引子网络构建了网格细胞网络模型用以计算无人机之间的内源性相对位置信息,然后利用各向同性高斯函数构建了社交位置细胞网络模型用以计算无人机之间的外源性相对位置信息,最后通过突触关联学习算法融合内源性与外源性相对位置信息得到无人机之间的相对位置信息。本发明提供了一种无需线性化原始信号保真度高、架构具有可学习性、普适性强的类脑相对导航方法,可用于卫星拒止复杂环境下集群无人机的智能自主相对导航。

Description

一种基于社交位置细胞/网格细胞的类脑相对导航方法
技术领域
本发明涉及一种基于社交位置细胞/网格细胞的类脑相对导航方法,属于集群无人机智能导航领域。
背景技术
集群无人机是由一定数量无人机个体通过特定集群机制所形成的一类可重构、按需设计、分布式的网络化系统,在充分发挥数量优势的情况下,相比单个大型无人机,具有显著增强的任务执行能力、灵活性和鲁棒性,在侦察、搜救、集群灯光秀表演、测绘测量等军民用领域具有广阔的应用前景。
准确可靠的相对导航信息,是确保无人机集群顺利飞行并进行作业活动的前提和基础。当前,集群无人机在卫星拒止复杂环境下飞行主要采用基于惯性/视觉测角/无线电测距信息的扩展卡尔曼滤波(EKF)算法进行相对导航,存在因线性化而损失有效感知信息、因需根据传感器类别预先构建固定导航方程而不具有普适性、因采用基于方差最小原则的参数估计架构而缺乏学习能力,无法满足卫星拒止复杂环境下的集群智能自主相对导航需求。
蝙蝠具有优秀的群体相对导航能力,即使处于黑暗、强磁干扰等复杂环境,仍保持可靠准确的感知同伴空间位置能力。近年来,随着蝙蝠海马区中与相对导航相关的社交位置细胞、网格细胞的发现,神经科学家逐渐揭示了蝙蝠群体相对导航神经机理,为解决集群无人机相对导航难题提供了新思路。
因此,研究基于社交位置细胞、网格细胞的类脑相对导航方法,提高卫星拒止复杂环境下集群无人机相对导航的鲁棒性、自主性、智能性具有重要的科学和应用价值。
发明内容
为了解决现有集群无人机相对导航方法在卫星拒止复杂环境下存在的鲁棒性差、计算不准确难题,本发明提出了一种基于社交位置细胞/网格细胞的类脑相对导航方法。
本发明为解决其技术问题采用如下技术方案:
一种基于社交位置细胞/网格细胞的类脑相对导航方法,包括如下步骤:
步骤1,两架无人机均搭载惯性导航模块、视觉模块、机载数据链模块,周期性输出两架无人机之间的三维相对运动速度、相对俯仰角、相对偏航角、相对距离;
步骤2,采用吸引子网络构建三维网格细胞网络模型;
步骤3,将两架无人机之间的三维相对运动速度输入三维网格细胞网络进行相对运动路径积分计算;
步骤4,采用三维各向同性高斯函数构建三维社交位置细胞网络模型并输入两架无人机之间的相对俯仰角、相对偏航角、相对距离;
步骤5,通过赫布学习算法获取三维社交位置细胞网络与三维网格细胞网络连接权值矩阵;
步骤6,利用连接权值矩阵将三维社交位置细胞网络与三维网格细胞网络进行关联融合得到两架无人机之间三维相对位置的神经表征;
步骤7,采用神经元群体矢量平均算法对神经表征进行解码得到两架无人机之间的三维相对位置。
步骤2所述三维网格细胞网络模型:
(1)兴奋性更新:
其中,为三维网格细胞网络活性兴奋性增量矩阵;x、y、z分别为三维网格细胞网络的东向、北向、天向轴;l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号;nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;Sx,y,z为兴奋性刺激前的nx×ny×nz个网格细胞放电率构成的三维网格细胞网络活性矩阵,初值由随机数产生;wx,y,z为任意两个网格细胞之间的连接权值,wx,y,z计算公式如下:
其中,δx、δy、δz分别为东向、北向、天向相对位置方差常数,gx、gy、gz分别为任意两个网格细胞在x、y、z三个轴向上的网格距离,其计算公式如下:
其中,l′为其中一个网格细胞在x轴向上的细胞索引序号,l″为另一个网格细胞在x轴向上的细胞索引序号,m′为其中一个网格细胞在y轴向上的细胞索引序号,m″为另一个网格细胞在y轴向上的细胞索引序号,n′为其中一个网格细胞在z轴向上的细胞索引序号,n″为另一个网格细胞在z轴向上的细胞索引序号,nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;
其中,Sx′,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵;Sx,y,z为兴奋性刺激前的三维网格细胞网络活性矩阵;为三维网格细胞网络活性兴奋性增量矩阵。
(2)抑制性更新
其中,为三维网格细胞网络活性抑制性增量矩阵;l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号;nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;Sx′,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵;wx,y,z为任意两个网格细胞之间的连接权值;γ为全局抑制因子常量。
其中,S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵;S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵;为三维网格细胞网络活性抑制性增量矩阵。
(3)规范化处理
其中,为非负、归一化处理后的三维网格细胞网络活性矩阵;max[]代表取最大值符号;S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵;| |为矩阵求模符号。
步骤3所述两架无人机之间的三维相对运动速度的相对路径积分计算方法如下:
其中,为相对路径积分后的三维网格细胞网络活性矩阵;a、b、c分别为沿三维网格细胞网络x、y、z轴向的网格细胞活性矩阵更新自变量;β为余数矩阵;为三维网格细胞网络活性矩阵分别沿三维网格细胞网络x、y、z轴向偏移a、b、c后的三维网格细胞网络活性矩阵;Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量,其计算公式如下:
其中,kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数;vx、vy、vz分别为两无人机之间的三维相对速度;代表向下取整运算符号。
余数矩阵β的数学表达式为:
β=f(Δx′,x-Δx)f(Δy′,y-Δy)f(Δz′,z-Δz)
其中,Δx′、Δy′、Δz′分别是沿三维网格细胞网络x、y、z轴向的小数偏移量;p为余数矩阵因子函数的偏移自变量,q为余数矩阵因子函数的判别自变量;kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数;vx、vy、vz分别为两无人机之间的三维相对速度;Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量。
步骤4中所述三维社交位置细胞网络模型为:
(1)基于三维高斯函数的放电率表征
其中,为I×J×K的社交位置细胞网络活性矩阵;i、j、k分别为某一社交位置细胞在θ、r三个轴向上的细胞索引序号;si,j,k为序号为(i,j,k)的社交位置细胞的放电率;θ0、r0分别为当前两架无人机相对偏航角、相对俯仰角、相对距离;θj、rk分别为序号为(i,j,k)的社交位置细胞的优先相对偏航角、优先相对俯仰角、优先相对距离,其值由预先分配设置;σ为社交位置细胞网络的方差常数。
(2)放电率归一化
其中,为归一化后的社交位置细胞网络活性矩阵;为I×J×K的社交位置细胞网络活性矩阵;||为矩阵求模符号。
步骤5中所述三维社交位置细胞网络与三维网格细胞网络连接权值矩阵计算方法如下:
C={c(i,j,k)(l,m,n)}
C为三维社交位置细胞网络与三维网格细胞网络连接权值矩阵;c(i,j,k)(l,m,n)为序号为(i,j,k)的社交位置细胞与序号为(l,m,n)的网格细胞之间的连接权值;为t+1时刻序号为(i,j,k)的社交位置细胞与t+1时刻序号为(l,m,n)的网格细胞之间的连接权值;为t时刻序号为(i,j,k)的社交位置细胞与t时刻序号为(l,m,n)的网格细胞之间的连接权值;η为赫布学习学习速率;为归一化后的社交位置细胞网络活性矩阵中序号为(i,j,k)的社交位置细胞放电率;为为归一化后的网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞放电率。
步骤6所述三维社交位置细胞网络与三维网格细胞网络的关联融合方法如下:
其中,为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵;中序号为(l,m,n)的网格细胞活性增量;I为三维社交位置细胞网络沿轴向的社交位置细胞维数;J为三维社交位置细胞网络沿θ轴向的社交位置细胞维数;K为三维社交位置细胞网络沿r轴向的社交位置细胞维数;μ为活性注入限制常量。
其中,为关联融合后的三维网格细胞网络活性矩阵;为相对路径积分后的三维网格细胞网络活性矩阵;为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵。
步骤7所述解码神经表征求解两架无人机之间的三维相对位置方法如下:
其中,r为解码获得的两架无人机之间的三维相对位置,分别为关联融合后的三维网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞活性;xl、ym、zn分别为序号为(l,m,n)的网格细胞所对应的三维优先相对位置,该值通过预先设置确定。
本发明的有益效果如下:
本发明的方法借鉴蝙蝠大脑海马区社交位置细胞网络感知同伴相对位置和网格细胞网络敏感同伴相对运动神经机理,采用神经动力学模型进行实施:基于吸引子网络构建了网格细胞网络模型用以计算无人机之间的内源性相对位置信息;利用各向同性高斯函数构建了社交位置细胞网络模型用以计算无人机之间的外源性相对位置信息;通过突触关联学习算法融合内源性与外源性相对位置信息得到无人机之间的相对位置信息。该方法无需线性化原始信号保真度高、架构具有可学习性、普适性强,提高集群无人机相对导航的鲁棒性、自主性、智能性,可用于卫星拒止和未知复杂环境下集群无人机智能自主相对导航。
附图说明
图1是本发明一种基于社交位置细胞/网格细胞的类脑相对导航方法的架构图。
图2是两架无人机平台和坐标系示意图。
图3是两架无人机之间的真实三维相对位置图。
图4是关联融合三维社交位置细胞网络外源性、三维网格细胞网络内源性相对位置信息后得到两架无人机之间三维相对位置的神经表征图。
图5是采用神经元群体矢量平均算法解码得到的两架无人机之间的三维相对位置图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明。
如图1所示,本发明公开一种基于社交位置细胞/网格细胞的类脑相对导航方法,用于卫星拒止复杂环境下集群无人机的智能自主相对导航。借鉴蝙蝠大脑海马区社交位置细胞网络感知同伴相对位置和网格细胞网络敏感同伴相对运动神经机理,采用神经动力学方法构建输入为相对运动速度、相对俯仰角、相对偏航角、相对距离,输出为三维相对位置信息的集群无人机类脑相对导航模型。首先无人机惯性导航模块、视觉模块、机载数据链模块,周期性提供两架无人机之间的三维相对运动速度、相对俯仰角、相对偏航角、相对距离;然后基于吸引子网络构建了网格细胞网络模型用以计算无人机之间的内源性相对位置信息;其次利用各向同性高斯函数构建了社交位置细胞网络模型用以计算无人机之间的外源性相对位置信息;最后通过突触关联学习算法融合内源性与外源性相对位置信息解码得到无人机之间的相对位置信息。
本发明的具体实施方式如下:
视觉处理模块接收无人机视觉传感器实时采集的图像,并根据相邻两帧图像的像素值变化解算无人机前向和高度方向线速度以及航向角。
1、获取无人机相对导航传感信息
为集群中的每一架无人机装载惯性导航模块、视觉模块、机载数据链模块,如图2所示,其中,视觉模块输出本无人机相对另一架无人机的相对俯仰角和相对偏航角;惯性导航模块输出本无人机在地理坐标系下的三维速度;机载数据链模块接收来自另一架无人机惯性导航模块输出的另一架无人机在地理坐标系下的三维速度,以及本无人机相对另一架无人机的相对距离。
2、构建三维网格细胞网络模型:
构建三维网格细胞网络模型,其拓扑图如图1所示,包括三个步骤:兴奋性更新、抑制性更新、规范化处理,输入为随机初始化的网格细胞放电率,输出为稳定的网格细胞放电率活性矩阵。
(1)兴奋性更新:
其中,为三维网格细胞网络活性兴奋性增量矩阵;x、y、z分别为三维网格细胞网络的东向、北向、天向轴;l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号;nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;Sx,y,z为兴奋性刺激前的nx×ny×nz个网格细胞放电率构成的三维网格细胞网络活性矩阵,初值由随机数产生;wx,y,z为任意两个网格细胞之间的连接权值,wx,y,z计算公式如下:
其中,δx、δy、δz分别为东向、北向、天向相对位置方差常数,gx、gy、gz分别为任意两个网格细胞在x、y、z三个轴向上的网格距离,其计算公式如下:
其中,l′为其中一个网格细胞在x轴向上的细胞索引序号,l″为另一个网格细胞在x轴向上的细胞索引序号,m′为其中一个网格细胞在y轴向上的细胞索引序号,m″为另一个网格细胞在y轴向上的细胞索引序号,n′为其中一个网格细胞在z轴向上的细胞索引序号,n″为另一个网格细胞在z轴向上的细胞索引序号,nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;
其中,S″x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵。
(2)抑制性更新
其中,为三维网格细胞网络活性抑制性增量矩阵;γ为全局抑制因子常量。
其中,S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵。
(3)规范化处理
其中,为非负、归一化处理后的三维网格细胞网络活性矩阵;max[]代表取最大值符号;||为矩阵求模符号。
3、将两架无人机之间的三维相对运动速度输入三维网格细胞网络进行相对运动路径积分:
基于三维网格细胞网络模型,输入为两无人机三维速度之差,即三维相对运动速度,模型对输入进行相对路径积分运算,输出为移动的网格细胞放电率:相对路径积分计算过程如下:
其中,为相对路径积分后的三维网格细胞网络活性矩阵;a、b、c分别为沿三维网格细胞网络x、y、z轴向的网格细胞活性矩阵更新自变量;β为余数矩阵;为三维网格细胞网络活性矩阵分别沿三维网格细胞网络x、y、z轴向偏移a、b、c后的三维网格细胞网络活性矩阵;Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量,其计算公式如下:
其中,kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数;vx、vy、vz分别为两无人机之间的三维相对速度;代表向下取整运算符号。
余数矩阵β的数学表达式为:
β=f(Δx′,x-Δx)f(Δy′,y-Δy)f(Δz′,z-Δz)
其中,Δx′、Δy′、Δz′分别是沿三维网格细胞网络x、y、z轴向的小数偏移量,p为余数矩阵因子函数的偏移自变量,q为余数矩阵因子函数的判别自变量。
4、构建三维社交位置细胞网络模型:
基于三维高斯函数构建三维社交位置细胞网络模型,输入为两架无人机相对偏航角、相对俯仰角、相对距离,输出为社交位置细胞放电率,该网络拓扑结构如图1所示,社交位置模型构建过程为:
(1)基于三维高斯函数的放电率表征
其中,为I×J×K的社交位置细胞网络活性矩阵;si,j,k为序号为(i,j,k)的社交位置细胞的放电率;θ0、r0分别为当前两架无人机相对偏航角、相对俯仰角、相对距离;θj、rk分别为序号为(i,j,k)的社交位置细胞的优先相对偏航角、优先相对俯仰角、优先相对距离,其值由预先分配设置;σ为社交位置细胞网络的方差常数。
(2)放电率归一化
其中,为归一化后的社交位置细胞网络活性矩阵;为I×J×K的社交位置细胞网络活性矩阵;||为矩阵求模符号。
5、计算三维社交位置细胞网络与三维网格细胞网络连接权值矩阵:
采用赫布学习,计算三维社交位置细胞网络与三维网格细胞网络连接权值矩阵,该计算过程如下:
C={c(i,j,k)(l,m,n)}
C为三维社交位置细胞网络与三维网格细胞网络连接权值矩阵;c(i,j,k)(l,m,n)为序号为(i,j,k)的社交位置细胞与序号为(l,m,n)的网格细胞之间的连接权值;为t+1时刻序号为(i,j,k)的社交位置细胞与t+1时刻序号为(l,m,n)的网格细胞之间的连接权值;为t时刻序号为(i,j,k)的社交位置细胞与t时刻序号为(l,m,n)的网格细胞之间的连接权值;η为赫布学习学习速率;为归一化后的社交位置细胞网络活性矩阵中序号为(i,j,k)的社交位置细胞放电率,为为归一化后的网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞放电率。
6、通过连接权值矩阵将三维社交位置细胞网络与三维网格细胞网络进行关联融合:
所述三维社交位置细胞网络与三维网格细胞网络的关联融合方法如下:
其中,为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵;中序号为(l,m,n)的网格细胞活性增量;I为三维社交位置细胞网络沿轴向的社交位置细胞维数;J为三维社交位置细胞网络沿θ轴向的社交位置细胞维数;K为三维社交位置细胞网络沿r轴向的社交位置细胞维数;μ为活性注入限制常量。
其中,为关联融合后的三维网格细胞网络活性矩阵;为相对路径积分后的三维网格细胞网络活性矩阵;为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵。
7、采用神经元群体矢量平均算法解码三维相对位置:
所述解码神经表征求解两架无人机之间的三维相对位置方法如下:
其中,r为解码获得的两架无人机之间的三维相对位置,分别为关联融合后的三维网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞活性;xl、ym、zn分别为序号为(l,m,n)的网格细胞所对应的三维优先相对位置,该值通过预先设置确定。
为了验证发明所提出的一种基于社交位置细胞/网格细胞的类脑相对导航方法的正确性及有效性,采用本发明方法在Matlab计算平台对上述实施步骤1-7进行验证。
图3为20秒内连续输出的两架无人机之间的真实三维相对位置曲线。
图4为本发明构建的关联融合三维社交位置细胞网络和三维网格细胞网络表征的相对位置信息后得到的某时刻两架无人机之间三维相对位置的神经表征图。图中的黑色斑点代表相应位置处的网格细胞放电率大于零,其中,黑色斑点的中心的网格细胞所代表的优先相对位置(0,0,4)即为两架无人机之间的三维相对位置。
图5是采用神经元群体矢量平均算法对20秒内连续输出的神经表征图解码得到的两架无人机之间的三维相对位置曲线。
对比图3与图5结果表明:在输入含噪的相对运动速度、相对俯仰角、相对偏航角、相对距离信息后,本发明提出的基于社交位置细胞/网格细胞模型的类脑相对导航方法可以准确表征和解码无人机之间的三维相对位置。
本发明所提方法中社交位置细胞网络的输入信息为相对俯仰角、相对偏航角、相对距离信息,图4与图5结果表明了这些输入信息无需线性化为三维相对位置信息即可用于输入网格细胞网络参与准确计算三维相对位置信息。此外,这些输入信息可任意更换为能够表征三维相对位置的任何信息。
图3至图5结果综合表明了本发明提出的基于社交位置细胞/网格细胞模型的类脑相对导航方法具有较高的鲁棒智能性。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。

Claims (7)

1.一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,包括以下步骤:
步骤1,两架无人机均搭载惯性导航模块、视觉模块、机载数据链模块,周期性输出两架无人机之间的三维相对运动速度、相对俯仰角、相对偏航角、相对距离;
步骤2,采用吸引子网络构建三维网格细胞网络模型;
步骤3,将两架无人机之间的三维相对运动速度输入三维网格细胞网络进行相对运动路径积分计算;
步骤4,采用三维各向同性高斯函数构建三维社交位置细胞网络模型并输入两架无人机之间的相对俯仰角、相对偏航角、相对距离;
步骤5,通过赫布学习算法获取三维社交位置细胞网络与三维网格细胞网络连接权值矩阵;
步骤6,利用连接权值矩阵将三维社交位置细胞网络与三维网格细胞网络进行关联融合得到两架无人机之间三维相对位置的神经表征;
步骤7,采用神经元群体矢量平均算法对神经表征进行解码得到两架无人机之间的三维相对位置。
2.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,步骤2中采用如下方式构建三维网格细胞网络模型:
(1)兴奋性更新:
其中,为三维网格细胞网络活性兴奋性增量矩阵;x、y、z分别为三维网格细胞网络的东向、北向、天向轴;l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号;nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;Sx,y,z为兴奋性刺激前的nx×ny×nz个网格细胞放电率构成的三维网格细胞网络活性矩阵,初值由随机数产生;wx,y,z为任意两个网格细胞之间的连接权值,wx,y,z计算公式如下:
其中,δx、δy、δz分别为东向、北向、天向相对位置方差常数,gx、gy、gz分别为任意两个网格细胞在x、y、z三个轴向上的网格距离,其计算公式如下:
其中,l′为其中一个网格细胞在x轴向上的细胞索引序号,l″为另一个网格细胞在x轴向上的细胞索引序号,m′为其中一个网格细胞在y轴向上的细胞索引序号,m″为另一个网格细胞在y轴向上的细胞索引序号,n′为其中一个网格细胞在z轴向上的细胞索引序号,n″为另一个网格细胞在z轴向上的细胞索引序号,nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;
其中,S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵;Sx,y,z为兴奋性刺激前的三维网格细胞网络活性矩阵;为三维网格细胞网络活性兴奋性增量矩阵;
(2)抑制性更新
其中,为三维网格细胞网络活性抑制性增量矩阵;l、m、n分别为某一网格细胞在x、y、z三个轴向上的细胞索引序号;nx、ny、nz分别为三维网格细胞网络沿x、y、z三个轴向的网格细胞维数;S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵;wx,y,z为任意两个网格细胞之间的连接权值;γ为全局抑制因子常量;
其中,S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵;S′x,y,z为兴奋性刺激更新后的三维网格细胞网络活性矩阵;为三维网格细胞网络活性抑制性增量矩阵;
(3)规范化处理
其中,为非负、归一化处理后的三维网格细胞网络活性矩阵;max[ ]代表取最大值符号;S″x,y,z为抑制性刺激更新后的三维网格细胞网络活性矩阵;| |为矩阵求模符号。
3.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,步骤3中采用如下方式对两架无人机之间的三维相对运动速度进行相对路径积分计算:
其中,为相对路径积分后的三维网格细胞网络活性矩阵;a、b、c分别为沿三维网格细胞网络x、y、z轴向的网格细胞活性矩阵更新自变量;β为余数矩阵;为三维网格细胞网络活性矩阵分别沿三维网格细胞网络x、y、z轴向偏移a、b、c后的三维网格细胞网络活性矩阵;Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量,其计算公式如下:
其中,kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数;vx、vy、vz分别为两无人机之间的三维相对速度;代表向下取整运算符号;
余数矩阵β的数学表达式为:
β=f(Δx′,x-Δx)f(Δy′,y-Δy)f(Δz′,z-Δz)
其中,Δx′、Δy′、Δz′分别是沿三维网格细胞网络x、y、z轴向的小数偏移量;p为余数矩阵因子函数的偏移自变量,q为余数矩阵因子函数的判别自变量;kx、ky、kz分别为沿三维网格细胞网络x、y、z轴向的速度调节常数;vx、vy、vz分别为两无人机之间的三维相对速度;Δx、Δy、Δz分别是沿三维网格细胞网络x、y、z轴向的向下取整整数偏移量。
4.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,步骤4中采用如下方式建立三维社交位置细胞网络模型:
(1)基于三维高斯函数的放电率表征
其中,为I×J×K的社交位置细胞网络活性矩阵;i、j、k分别为某一社交位置细胞在θ、r三个轴向上的细胞索引序号;si,j,k为序号为(i,j,k)的社交位置细胞的放电率;θ0、r0分别为当前两架无人机相对偏航角、相对俯仰角、相对距离;θj、rk分别为序号为(i,j,k)的社交位置细胞的优先相对偏航角、优先相对俯仰角、优先相对距离,其值由预先分配设置;σ为社交位置细胞网络的方差常数;
(2)放电率归一化
其中,为归一化后的社交位置细胞网络活性矩阵;为I×J×K的社交位置细胞网络活性矩阵;| |为矩阵求模符号。
5.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,步骤5中采用如下方式计算三维社交位置细胞网络与三维网格细胞网络连接权值矩阵:
C={c(i,j,k)(l,m,n)}
C为三维社交位置细胞网络与三维网格细胞网络连接权值矩阵;c(i,j,k)(l,m,n)为序号为(i,j,k)的社交位置细胞与序号为(l,m,n)的网格细胞之间的连接权值;为t+1时刻序号为(i,j,k)的社交位置细胞与t+1时刻序号为(l,m,n)的网格细胞之间的连接权值;为t时刻序号为(i,j,k)的社交位置细胞与t时刻序号为(l,m,n)的网格细胞之间的连接权值;η为赫布学习学习速率;为归一化后的社交位置细胞网络活性矩阵中序号为(i,j,k)的社交位置细胞放电率,为为归一化后的网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞放电率。
6.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,步骤6中采用如下方式对三维社交位置细胞网络与三维网格细胞网络进行关联融合:
其中,为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵;中序号为(l,m,n)的网格细胞活性增量;I为三维社交位置细胞网络沿轴向的社交位置细胞维数;J为三维社交位置细胞网络沿θ轴向的社交位置细胞维数;K为三维社交位置细胞网络沿r轴向的社交位置细胞维数;μ为活性注入限制常量;
其中,为关联融合后的三维网格细胞网络活性矩阵;为相对路径积分后的三维网格细胞网络活性矩阵;为三维社交位置细胞网络注入到三维网格细胞网络的网格细胞活性增量矩阵。
7.根据权利要求1所述的一种基于社交位置细胞/网格细胞的类脑相对导航方法,其特征在于,步骤7,采用如下方式进行解码:
其中,r为解码获得的两架无人机之间的三维相对位置,分别为关联融合后的三维网格细胞网络活性矩阵中序号为(l,m,n)的网格细胞活性;xl、ym、zn分别为序号为(l,m,n)的网格细胞所对应的三维优先相对位置,该值通过预先设置确定。
CN202110636073.XA 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法 Pending CN113297506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636073.XA CN113297506A (zh) 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636073.XA CN113297506A (zh) 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法

Publications (1)

Publication Number Publication Date
CN113297506A true CN113297506A (zh) 2021-08-24

Family

ID=77327594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636073.XA Pending CN113297506A (zh) 2021-06-08 2021-06-08 一种基于社交位置细胞/网格细胞的类脑相对导航方法

Country Status (1)

Country Link
CN (1) CN113297506A (zh)

Similar Documents

Publication Publication Date Title
CN110007688B (zh) 一种基于强化学习的无人机集群分布式编队方法
CN108319293B (zh) 一种基于lstm网络的uuv实时避碰规划方法
Shima et al. Assigning cooperating UAVs to simultaneous tasks on consecutive targets using genetic algorithms
CN110081875B (zh) 一种仿鸽子智能的无人机自主导航系统及方法
CN111238469A (zh) 一种基于惯性/数据链的无人机编队相对导航方法
CN106352897B (zh) 一种基于单目视觉传感器的硅mems陀螺误差估计与校正方法
CN110832494A (zh) 一种语义生成方法、设备、飞行器及存储介质
Kehoe et al. State estimation using optical flow from parallax-weighted feature tracking
CN111611869A (zh) 一种基于串行深度神经网络的端到端单目视觉避障方法
CN110208783B (zh) 基于环境轮廓的智能车辆定位方法
CN113297506A (zh) 一种基于社交位置细胞/网格细胞的类脑相对导航方法
Deng et al. Visual–inertial estimation of velocity for multicopters based on vision motion constraint
WO2020103109A1 (zh) 一种地图生成方法、设备、飞行器及存储介质
CN113406975B (zh) 一种仿生智能多无人机集群自主编队导航控制方法及装置
CN110770791A (zh) 一种基于点云地图的图像边界获取方法、设备及飞行器
CN109521785A (zh) 一种随身拍智能旋翼飞行器系统
CN112965507B (zh) 一种基于智能优化的集群无人机协同工作系统及方法
CN111486841B (zh) 一种基于激光定位系统的无人机导航定位方法
CN112363528B (zh) 基于机载视觉的无人机抗干扰集群编队控制方法
Shastry et al. Autonomous detection and tracking of a high-speed ground vehicle using a quadrotor UAV
Wang et al. A Resource-Efficient Online Target Detection System with Autonomous Drone-Assisted IoT
CN112215902A (zh) 仿鹰眼中脑回路返回抑制机制的无人靶机目标检测方法
Kumar et al. EKF with artificial bee colony for precise positioning of UAV using global positioning system
CN108459614B (zh) 一种基于cw-rnn网络的uuv实时避碰规划方法
Priandana et al. Development of autonomous UAV quadcopters using pixhawk controller and its flight data acquisition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination