CN113657574A - 一种仿生空间认知模型的构建方法及系统 - Google Patents
一种仿生空间认知模型的构建方法及系统 Download PDFInfo
- Publication number
- CN113657574A CN113657574A CN202110859485.XA CN202110859485A CN113657574A CN 113657574 A CN113657574 A CN 113657574A CN 202110859485 A CN202110859485 A CN 202110859485A CN 113657574 A CN113657574 A CN 113657574A
- Authority
- CN
- China
- Prior art keywords
- information
- discharge
- model
- space
- cell
- 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
Links
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 43
- 238000010276 construction Methods 0.000 title claims abstract description 32
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 8
- 230000019771 cognition Effects 0.000 claims abstract description 44
- 230000010354 integration Effects 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 26
- 230000008447 perception Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 210000003273 vestibular nerve Anatomy 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 10
- 210000004027 cell Anatomy 0.000 claims description 112
- 210000005036 nerve Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 4
- 230000003592 biomimetic effect Effects 0.000 claims description 3
- 210000003888 boundary cell Anatomy 0.000 claims description 3
- 230000000946 synaptic effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000007321 biological mechanism Effects 0.000 description 6
- 210000001320 hippocampus Anatomy 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000001020 neural plate Anatomy 0.000 description 1
- 230000003188 neurobehavioral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Robotics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Automation & Control Theory (AREA)
- Toys (AREA)
Abstract
本发明公开了一种仿生空间认知模型的构建方法及系统，该方法包括以下步骤：S1、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；S2、将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。有益效果：利用本发明构建的仿生空间认知模型不仅可以实现精确的路径整合及空间认知，而且还可以推动仿生智能机器人环境认知和自主导航系统研究的发展。
Description
技术领域
本发明涉及模型构建技术领域，具体来说，涉及一种仿生空间认知模型的构建方法及系统。
背景技术
在神经生物学领域的研究中，对海马结构空间细胞的研究重点研究了位置细胞的响应是如何从网格细胞中产生的，但没有考虑将速度信息耦合到网格细胞中。Burak等人提出了一种基于连续吸引子网络(CAN)的网格细胞模型，该模型可以在不考虑速度输入噪声的情况下计算精确的路径积分，但是他们的研究还很局限无法实际应用：首先，基于连续吸引子网络的网格细胞模型仅解释了路径整合的问题，缺乏对感知信息输入和认知结果输出的解释，无法构建认知地图；其次，这种仅根据自我运动信息输入实现空间认知的方法存在积累误差的问题，只能在短暂的时间和较小范围空间内维持精度。
此外，澳大利亚昆士兰大学提出一种基于鼠脑海马空间认知机理的实时定位和建图方法“RatSLAM”，他们受位置细胞的启发，虚构了一种“位姿细胞”吸引子模型，使用速度和方向信息驱动位姿细胞在神经板上的活动包，从而实现路径积分和表达。但是其主要在神经行为学层面对大鼠空间认知方法进行了模仿，没有从神经生理学和解剖学层面解释和模仿海马结构认知机理。
因此，本发明受大鼠海马结构的空间认知生物学机制启发，提出了一种可运用于机器人的并且符合生物学机理的仿生空间认知模型的构建方法及系统。
发明内容
针对相关技术中的问题，本发明提出一种仿生空间认知模型的构建方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种仿生空间认知模型的构建方法，该方法包括以下步骤：
S1、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；
S2、将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。
进一步的，所述S1中将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性包括以下步骤：
S101、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，经过头朝向细胞对输入信息进行神经放电信息编码；
S102、当编码信号进入条纹细胞火后，通过一维连续吸引子模型路径积分，形成条纹细胞条纹状放电野；
S103、利用条纹细胞的放电信息驱动二维连续吸引子模型形成网格细胞族的六边形放电野，实现在二维平面上的路径积分；
S104、将不同网格细胞族经过激活信号的叠加，实现对网格表达的空间位置信息解码，得到单峰放电的位置细胞放电野，形成位置细胞放电与空间位置的一一映射的表达特性。
进一步的，所述S1将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性还包括以下步骤：将来自空间几何线索的边界细胞信号输入到网格信息实现对边界的编码，纠正路径积分随着时间和路程增加引起的累积误差。
进一步的，所述S2将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建包括以下步骤：
S201、将预设机器人的自身运动信息在头朝向细胞和条纹细胞模型中进行编码和路径积分，实现一维空间内的空间认知；
S202、利用多个优先方向上的条纹细胞到网格细胞的神经投射将空间认知扩展到网格细胞群体活动的二维空间表达；
S203、将边界信息编码到网格细胞群体放电活动中，当再次检测到该边界信号时，根据突触权重的记忆网格细胞自我纠正网格野的积累误差；
S204、利用多尺度网格细胞板放电信号的解码，使得位置细胞获得精确的位置信息，实现对物理空间一一对应的表达。
进一步的，所述机器人由移动机器人底盘、罗盘传感器、超声传感器和笔记本电脑构成，所述移动机器人底盘用于机器人的移动，所述罗盘传感器用于提供方向信息，所述超声传感器安装在移动机器人底盘的周围，用于提供环境边界信息。
进一步的，所述移动机器人底盘的前轮配备有增量式编码器，且该增量式编码器用于提供原始的运动数据。
根据本发明的另一个方面，提供了一种仿生空间认知模型的构建系统，该系统包括映射表达模块和仿生空间认识模型构建模块；
其中，所述映射表达模块用于将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；
所述仿生空间认识模型构建模块用于将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。
进一步的，所述映射表达模块包括信息编码模块、一维路径积分模块、二维路径积分模块、信息叠加模块及位置解码模块；
其中，所述信息编码模块用于将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，经过头朝向细胞对输入信息进行神经放电信息编码；
所述一维路径积分模块用于当编码信号进入条纹细胞火后，通过一维连续吸引子模型路径积分，形成条纹细胞条纹状放电野；
所述二维路径积分模块用于利用条纹细胞的放电信息驱动二维连续吸引子模型形成网格细胞族的六边形放电野，实现在二维平面上的路径积分；
所述信息叠加模块用于将不同网格细胞族经过激活信号实现叠加；
所述位置解码模块用于对网格表达的空间位置信息解码，得到单峰放电的位置细胞放电野，形成位置细胞放电与空间位置的一一映射的表达特性。
本发明的有益效果为：本发明基于大鼠海马结构的空间认知生物学机制启发，提出了一种可运用于机器人的并且符合生物学机理的仿生空间认知模型的构建方法，且利用本发明构建的仿生空间认知模型不仅可以实现精确的路径整合及空间认知，而且还可以推动仿生智能机器人环境认知和自主导航系统研究的发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种仿生空间认知模型的构建方法的流程示意图；
图2是根据本发明实施例的一种仿生空间认知模型的构建方法的原理示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种仿生空间认知模型的构建方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1-2所示，根据本发明的一个实施例，提供了一种仿生空间认知模型的构建方法，该方法包括以下步骤：
S1、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；
其中，所述S1中将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性包括以下步骤：
S101、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，经过头朝向细胞对输入信息进行神经放电信息编码；
S102、当编码信号进入条纹细胞火后，通过一维连续吸引子模型路径积分，形成条纹细胞条纹状放电野；
S103、利用条纹细胞的放电信息驱动二维连续吸引子模型形成网格细胞族的六边形放电野，实现在二维平面上的路径积分；
S104、将不同网格细胞族经过激活信号的叠加，实现对网格表达的空间位置信息解码，得到单峰放电的位置细胞放电野，形成位置细胞放电与空间位置的一一映射的表达特性。
此外，所述S1将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性还包括以下步骤：将来自空间几何线索的边界细胞信号输入到网格信息实现对边界的编码，纠正路径积分随着时间和路程增加引起的累积误差。
S2、将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。
其中，所述S2将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建包括以下步骤：
S201、将预设机器人的自身运动信息在头朝向细胞和条纹细胞模型中进行编码和路径积分，实现一维空间内的空间认知；
S202、利用多个优先方向上的条纹细胞到网格细胞的神经投射将空间认知扩展到网格细胞群体活动的二维空间表达；
S203、将边界信息编码到网格细胞群体放电活动中，当再次检测到该边界信号时，根据突触权重的记忆网格细胞自我纠正网格野的积累误差；
S204、利用多尺度网格细胞板放电信号的解码，使得位置细胞获得精确的位置信息，实现对物理空间一一对应的表达。
具体的，所述机器人由移动机器人底盘、罗盘传感器、超声传感器和笔记本电脑构成，所述移动机器人底盘用于机器人的移动，且所述移动机器人底盘的前轮配备有增量式编码器，该增量式编码器用于提供原始的运动数据，所述罗盘传感器用于提供方向信息，所述超声传感器安装在移动机器人底盘的周围，用于提供环境边界信息。
根据本发明的另一个实施例，提供了一种仿生空间认知模型的构建系统，该系统包括映射表达模块和仿生空间认识模型构建模块；
其中，所述映射表达模块用于将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；
所述仿生空间认识模型构建模块用于将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。
具体的，所述映射表达模块包括信息编码模块、一维路径积分模块、二维路径积分模块、信息叠加模块及位置解码模块；
其中，所述信息编码模块用于将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，经过头朝向细胞对输入信息进行神经放电信息编码；
所述一维路径积分模块用于当编码信号进入条纹细胞火后，通过一维连续吸引子模型路径积分，形成条纹细胞条纹状放电野；
所述二维路径积分模块用于利用条纹细胞的放电信息驱动二维连续吸引子模型形成网格细胞族的六边形放电野，实现在二维平面上的路径积分；
所述信息叠加模块用于将不同网格细胞族经过激活信号实现叠加；
所述位置解码模块用于对网格表达的空间位置信息解码，得到单峰放电的位置细胞放电野，形成位置细胞放电与空间位置的一一映射的表达特性。
综上所述，借助于本发明的上述技术方案，本发明基于大鼠海马结构的空间认知生物学机制启发，提出了一种可运用于机器人的并且符合生物学机理的仿生空间认知模型的构建方法，且利用本发明构建的仿生空间认知模型不仅可以实现精确的路径整合及空间认知，而且还可以推动仿生智能机器人环境认知和自主导航系统研究的发展。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种仿生空间认知模型的构建方法，其特征在于，该方法包括以下步骤：
S1、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；
S2、将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。
2.根据权利要求1所述的一种仿生空间认知模型的构建方法，其特征在于，所述S1中将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性包括以下步骤：
S101、将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，经过头朝向细胞对输入信息进行神经放电信息编码；
S102、当编码信号进入条纹细胞火后，通过一维连续吸引子模型路径积分，形成条纹细胞条纹状放电野；
S103、利用条纹细胞的放电信息驱动二维连续吸引子模型形成网格细胞族的六边形放电野，实现在二维平面上的路径积分；
S104、将不同网格细胞族经过激活信号的叠加，实现对网格表达的空间位置信息解码，得到单峰放电的位置细胞放电野，形成位置细胞放电与空间位置的一一映射的表达特性。
3.根据权利要求2所述的一种仿生空间认知模型的构建方法，其特征在于，所述S1将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性还包括以下步骤：将来自空间几何线索的边界细胞信号输入到网格信息实现对边界的编码，纠正路径积分随着时间和路程增加引起的累积误差。
4.根据权利要求3所述的一种仿生空间认知模型的构建方法，其特征在于，所述S2将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建包括以下步骤：
S201、将预设机器人的自身运动信息在头朝向细胞和条纹细胞模型中进行编码和路径积分，实现一维空间内的空间认知；
S202、利用多个优先方向上的条纹细胞到网格细胞的神经投射将空间认知扩展到网格细胞群体活动的二维空间表达；
S203、将边界信息编码到网格细胞群体放电活动中，当再次检测到该边界信号时，根据突触权重的记忆网格细胞自我纠正网格野的积累误差；
S204、利用多尺度网格细胞板放电信号的解码，使得位置细胞获得精确的位置信息，实现对物理空间一一对应的表达。
5.根据权利要求4所述的一种仿生空间认知模型的构建方法，其特征在于，所述机器人由移动机器人底盘、罗盘传感器、超声传感器和笔记本电脑构成，所述移动机器人底盘用于机器人的移动，所述罗盘传感器用于提供方向信息，所述超声传感器安装在移动机器人底盘的周围，用于提供环境边界信息。
6.根据权利要求5所述的一种仿生空间认知模型的构建方法，其特征在于，所述移动机器人底盘的前轮配备有增量式编码器，且该增量式编码器用于提供原始的运动数据。
7.一种仿生空间认知模型的构建系统，用于实现权利要求6所述的仿生空间认知模型的构建方法的步骤，其特征在于，该系统包括映射表达模块和仿生空间认识模型构建模块；
其中，所述映射表达模块用于将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，并依次进行信息编码、路径积分、信息叠加及位置解码处理，形成位置细胞放电与空间位置一一映射的表达特性；
所述仿生空间认识模型构建模块用于将预设机器人的运动速率及方向编码在头朝向细胞群体放电活动中，并将机器人的边界信息编码在网格细胞群体放电活动中，实现仿生空间认识模型的构建。
8.根据权利要求7所述的一种仿生空间认知模型的构建系统，其特征在于，所述映射表达模块包括信息编码模块、一维路径积分模块、二维路径积分模块、信息叠加模块及位置解码模块；
其中，所述信息编码模块用于将模拟大鼠前庭神经感知的速率信息及头朝向信息作为模型的输入，经过头朝向细胞对输入信息进行神经放电信息编码；
所述一维路径积分模块用于当编码信号进入条纹细胞火后，通过一维连续吸引子模型路径积分，形成条纹细胞条纹状放电野；
所述二维路径积分模块用于利用条纹细胞的放电信息驱动二维连续吸引子模型形成网格细胞族的六边形放电野，实现在二维平面上的路径积分；
所述信息叠加模块用于将不同网格细胞族经过激活信号实现叠加；
所述位置解码模块用于对网格表达的空间位置信息解码，得到单峰放电的位置细胞放电野，形成位置细胞放电与空间位置的一一映射的表达特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859485.XA CN113657574A (zh) | 2021-07-28 | 2021-07-28 | 一种仿生空间认知模型的构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110859485.XA CN113657574A (zh) | 2021-07-28 | 2021-07-28 | 一种仿生空间认知模型的构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657574A true CN113657574A (zh) | 2021-11-16 |
Family
ID=78478880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110859485.XA Pending CN113657574A (zh) | 2021-07-28 | 2021-07-28 | 一种仿生空间认知模型的构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657574A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106125730A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
| CN109886384A (zh) * | 2019-02-15 | 2019-06-14 | 北京工业大学 | 一种基于鼠脑海马网格细胞重构的仿生导航方法 |
| CN110764498A (zh) * | 2019-09-16 | 2020-02-07 | 北京工业大学 | 一种基于鼠脑海马认知机理的智能移动机器人运动状态和位置认知方法 |
| CN111044031A (zh) * | 2019-10-10 | 2020-04-21 | 北京工业大学 | 一种基于鼠脑海马信息传递机制的认知地图构建方法 |
| KR20210082048A (ko) * | 2019-12-24 | 2021-07-02 | 광운대학교 산학협력단 | 신경세포의 신호전달 학습이 가능한 바이오닉 뉴럴 인공지능 프로세서 |
-
2021
- 2021-07-28 CN CN202110859485.XA patent/CN113657574A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106125730A (zh) * | 2016-07-10 | 2016-11-16 | 北京工业大学 | 一种基于鼠脑海马空间细胞的机器人导航地图构建方法 |
| CN109886384A (zh) * | 2019-02-15 | 2019-06-14 | 北京工业大学 | 一种基于鼠脑海马网格细胞重构的仿生导航方法 |
| CN110764498A (zh) * | 2019-09-16 | 2020-02-07 | 北京工业大学 | 一种基于鼠脑海马认知机理的智能移动机器人运动状态和位置认知方法 |
| CN111044031A (zh) * | 2019-10-10 | 2020-04-21 | 北京工业大学 | 一种基于鼠脑海马信息传递机制的认知地图构建方法 |
| KR20210082048A (ko) * | 2019-12-24 | 2021-07-02 | 광운대학교 산학협력단 | 신경세포의 신호전달 학습이 가능한 바이오닉 뉴럴 인공지능 프로세서 |
Non-Patent Citations (4)
| Title |
|---|
| 于乃功 等: "大鼠脑海马结构认知机理及其在机器人导航中的应用", 《北京工业大学学报》, vol. 43, no. 3, 31 March 2017 (2017-03-31) * |
| 李倜: "基于鼠脑海马认知机理的机器人面向目标的导航模型研究", 《CNKI硕士电子期刊》, 15 March 2017 (2017-03-15), pages 2 * |
| 王林: "基于视觉和IMU信息融合的鼠脑海马认知地图构建方法研究", 《CNKI硕士电子期刊》, 15 June 2021 (2021-06-15), pages 2 * |
| 苑云鹤: "基于鼠脑海马认知机理的机器人导航方法研究", 《CNKI硕士电子期刊》, 15 May 2019 (2019-05-15), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200104641A1 (en) | Machine learning using semantic concepts represented with temporal and spatial data | |
| Dumitrescu et al. | Fuzzy logic for intelligent control system using soft computing applications | |
| US9008840B1 (en) | Apparatus and methods for reinforcement-guided supervised learning | |
| CN110048151B (zh) | 一种电池包的组装方法、装置、电子设备及存储介质 | |
| Dang et al. | Motion planning for autonomous vehicles considering longitudinal and lateral dynamics coupling | |
| Hu et al. | Reinforcement learning approach to design practical adaptive control for a small-scale intelligent vehicle | |
| Yang et al. | A learning control method of automated vehicle platoon at straight path with ddpg-based pid | |
| Wang et al. | A machine-learning model for zonal ship flow prediction using ais data: A case study in the south atlantic states region | |
| Khanum et al. | Deep-learning-based network for lane following in autonomous vehicles | |
| Chen et al. | Path planning and energy efficiency of heterogeneous mobile robots using Cuckoo–beetle swarm search algorithms with applications in UGV obstacle avoidance | |
| Oh et al. | Fisheye-based smart control system for autonomous UAV operation | |
| CN113657574A (zh) | 一种仿生空间认知模型的构建方法及系统 | |
| Gupta et al. | Policy-gradient and actor-critic based state representation learning for safe driving of autonomous vehicles | |
| Bi et al. | Deep reinforcement learning for truck-drone delivery problem | |
| Yang et al. | Research progress of SHM system for super high-rise buildings based on wireless sensor network and cloud platform | |
| Tan et al. | Biologically inspired complete coverage path planning algorithm based on Q-learning | |
| Altalbe et al. | Design of a Telepresence Robot to Avoid Obstacles in IoT-Enabled Sustainable Healthcare Systems | |
| Azkarate et al. | Petri net-based semi-compiled code generation for programmable logic controllers | |
| Matsumoto et al. | Goal-directed planning and goal understanding by extended active inference: Evaluation through simulated and physical robot experiments | |
| Jo et al. | Cloud update of tiled evidential occupancy grid maps for the multi-vehicle mapping | |
| Wang et al. | A low-cost hardware-friendly spiking neural network based on binary mram synapses, accelerated using in-memory computing | |
| Wu et al. | Dynamic Scheduling and Optimization of AGV in Factory Logistics Systems Based on Digital Twin | |
| Gallo et al. | Spatial extension of road traffic sensor data with artificial neural networks | |
| Kwon et al. | Neural network models for driving control of indoor autonomous vehicles in mobile edge computing | |
| Park et al. | Improvement practices in the performance of a CPS multiple-joint robotics simulator |
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 |