CN113743586B - 一种基于海马空间认知机理的运行体自主定位方法 - Google Patents
一种基于海马空间认知机理的运行体自主定位方法 Download PDFInfo
- Publication number
- CN113743586B CN113743586B CN202111043821.XA CN202111043821A CN113743586B CN 113743586 B CN113743586 B CN 113743586B CN 202111043821 A CN202111043821 A CN 202111043821A CN 113743586 B CN113743586 B CN 113743586B
- Authority
- CN
- China
- Prior art keywords
- running body
- cells
- space
- distance information
- positions
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 230000000971 hippocampal effect Effects 0.000 title claims abstract description 9
- 230000019771 cognition Effects 0.000 title abstract description 8
- 230000006886 spatial memory Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 210000001320 hippocampus Anatomy 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 17
- 210000004556 brain Anatomy 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 description 4
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 description 4
- 241001559542 Hippocampus hippocampus Species 0.000 description 4
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000008520 organization Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于海马空间认知机理的运行体自主定位方法，包括如下步骤：获取预设空间环境中的N个路标,通过运动于预设空间环境中的运行体运动过程中自身位置与N个路标之间的距离信息，生成位置细胞地图；实时计算运行体运动过程中不同位置空间所有位置细胞的放电率，构建基于RBF网络的空间记忆模型，将运行体实时感知到的与不同路标之间的距离信息输入到基于RBF网络的空间记忆模型中，激发所有位置细胞放电，获得所有位置细胞放电率，并将放电率最大的位置细胞表征的空间位置作为最终运行体的估计位置。为未来类脑导航与定位技术发展提供了一定的理论与技术参考。
Description
技术领域
本发明涉及认知机理自主定位技术领域，特别涉及一种基于海马空间认知机理的运行体自主定位方法。
背景技术
生物具备独特的智能自主导航能力依赖于复杂强大的大脑神经结构。研究表明，动物大脑内存在多种与导航行为相关的细胞，它们在动物运动过程中表现出特殊的放电样式和空间信息组织方式，细胞之间相互连接，构成了一个可以执行空间导航计算的神经网络，用于处理与导航相关的信息，最终为动物提供导航指引。海马与生物大脑的学习、记忆等功能密切相关，是生物实现空间认知和导航的核心脑区皮质，而表征生物体空间位置的位置细胞正位于此区域，主要利用识别出的空间中不同对象彼此间的内在联系(如相对距离、方位等)表征位置信息。
本发明依据大脑中这类导航细胞导航信息处理的方式提供了一种基于海马空间认知机理的运行体自主定位方法，使得借鉴海马空间认知机理实现智能体自主定位成为可能。
发明内容
本发明提出了一种基于海马空间认知机理的运行体自主定位方法，用以解决上述背景技术中提到的问题。
本发明公开了一种基于海马空间认知机理的运行体自主定位方法，包括如下步骤：
获取预设空间环境中的N个路标；
通过运动于预设空间环境中的运行体运动过程中自身位置与N个路标之间的距离信息，生成位置细胞地图；
实时计算运行体运动过程中不同位置空间所有位置细胞的放电率，并建立运行体和N个路标之间的距离信息与所有位置细胞放电率的对应关系；
将运行体和N个路标之间的距离信息作为输入层、将高斯函数作为隐含层的激活函数、将所有位置细胞的放电率作为输出层，构建基于RBF网络的空间记忆模型；
将运行体实时感知到的与不同路标之间的距离信息输入到基于RBF网络的空间记忆模型中，激发所有位置细胞放电，获得所有位置细胞放电率，并将放电率最大的位置细胞表征的空间位置作为最终运行体的估计位置。
优选的，所述获取N个路标包括以下步骤：
确定a×a的正方形空间环境，假定运行体在该空间环境中***；
利用视觉传感器和计算机***在空间环境内选取N个鲁棒性好、分布均匀的显著路标。
优选的，所述建立运行体和N个路标之间的距离信息与所有位置细胞放电率的对应关系，包括以下步骤：
将运行体某一时刻在空间中的位置坐标表示为(x，y)，与N个路标之间的距离表示为(l1.l2,......lN)；
通过空间任意探索的方法对空间位置进行编码，实时测量运动过程中运行体与N个路标之间的距离信息，根据该时刻的运行体的位置作为一个位置细胞；
根据不同时刻的多个位置细胞构建位置细胞图，激发空间环境中任意位置都有对应的位置细胞向N个路标放电，即
其中，PCK(x，y)为运行体第k个位置细胞放电率，具体表示为：
(xk,yk)为第k个位置细胞中心；
建立运行体和N个路标之间的距离信息与所有位置细胞放电率的对应关系
优选的，对基于RBF网络的空间记忆模型进行训练，其具体步骤包括：
将运行体和N个路标之间的距离信息作为输入层；
将高斯函数作为隐含层的激活函数，将每个位置处不同的距离信息进行非线性变换，计算基函数的中心、方差以及隐含层到输出层的权值；
将所有位置细胞的放电率作为输出层，将隐含层节点的输出进行线性加权求和作为输出层的结果；
通过不断训练调整网络权值参数获得基于RBF网络的空间记忆模型。
与现有技术相比，本发明的有益效果是：
(1)引入监督学习机制，提出基于RBF网络的空间记忆模型，通过建立运行体与不同路标的距离信息和位置细胞放电率的内在联系，实现运行体的实时自主定位，仿真实验证明了本发明是可行的、有效的。
(2)本发明所提方法模拟了生物在进行自主导航时大脑海马区发挥的空间记忆和联想能力，从自然***原型模拟出发，引入机器学习理论实现运行体自主定位，为未来类脑导航与定位技术发展提供了一定的理论与技术参考。
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，下面将对实施例或现有技术描述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为本发明实施例中的空间记忆模型的示意图；
图2为本发明实施例中的空间环境示意图；
图3为本发明实施例中空间任意探索生成的位置细胞图；
图4为本发明实施例中t＝2000s和R＝5m情况下空间任意探索生成的位置细胞图；
图5为本发明实施例中空间记忆模型联想输出定位结果；
图6为本发明实施例中t＝2000s情况下运行体实时位置估计结果；
图7为本发明实施例中t＝2000s情况下实时定位误差结果；
图8为本发明实施例中不同探索时间下定位误差随探索时间的变化规律。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由位置细胞放电的位置特异性可知，位置细胞的放电率与运行体在空间环境中的位置是一一对应的，即特定的位置细胞对应空间中特定的位置。另一方面，根据测距导航定位原理可知，通过测量二位平面中3个不同路标到运行体的距离信息可以唯一确定运行体在空间中的位置，于是本发明旨在提出一种基于海马空间认知机理的运行体自主定位方法，利用网络的记忆联想功能实现运行体的空间定位。
具体包括如下步骤：
S1.确定空间环境，获取显著路标。
假设运行体在一个a×a的正方形空间环境中***，如图2所示，利用视觉传感器和计算机***在空间中选取N个鲁棒性好、分布均匀的显著路标。在运行体运动过程中实时测量运行体与不同路标之间的距离信息，用来编码运行体在空间中的位置，并将每一时刻的测得的距离信息作为RBF网络的输入。具体的，将运行体某一时刻在空间中的位置坐标表示为(x，y)，与N个路标之间的距离分别表示为(l1.l2,......lN)，建立对应关系
S2.生成位置细胞地图。
从生物自主感知环境的角度出发，根据生物在运动过程中对环境的认识和理解描述自己在空间中的位置。假定运行体在某一固定环境中任意运动，每一个时间间隔运行体都会根据自身当前位置与不同路标的距离关系生成一个位置细胞。这样经过一段时间生成的位置细胞会覆盖整个空间环境，进而运行体在空间中的任一位置都能用对应的位置细胞放电来表征。
如图3所述，采用空间任意探索生成细胞图的方法对空间位置进行编码，使得空间中的任意位置都有对应的位置细胞放电，即建立位置细胞放电率与运行体和不同路标之间距离的对应关系，即/>
运行体第k个位置细胞放电率表示为：
其中，(xk,yk)为第k个位置细胞中心，根据式(1)实时计算出运行体运动过程中不同位置处所有位置细胞的放电率，将其做为RBF网络的输出。
S3.构建空间记忆模型。
将运行体与不同路标之间的距离信息作为RBF网络的输入，将位置细胞放电率作为RBF网络的输出，采用RBF网络建立空间记忆模型，参照图1和图2。其中，隐含层采用高斯函数作为激活函数，将每个位置处不同的距离信息进行非线性变换，计算基函数的中心、方差以及隐含层到输出层的权值，然后将隐含层节点的输出进行线性加权求和作为输出层的结果。通过不断学习调整网络权值参数，最终得到稳定的RBF网络，使每个位置处运行体与不同路标的距离和所有位置细胞的放电率建立了内在联系，实现了对空间环境中经历位置的记忆。
进一步地，空间记忆模型包括路标与距离感知模块、空间位置学习与记忆模块和空间位置联想模块；路标与距离感知模块用于感知空间环境中的显著路标，并测量运行体与不同所述路标之间的距离信息；空间位置学习与记忆模块用于根据位置细胞的放电情况和运行体与不同路标之间的距离信息建立RBF网络，通过学习RBF网络建立空间记忆网络，生成位置细胞放电率和运行体与不同路标距离之间的内在联系；空间位置联想模块用于将运行体实时感知的与不同路标之间的距离信息输入至空间记忆网络，激发位置细胞放电，通过比较位置细胞的放电情况得到放电率最高的位置细胞，确定运行体在空间环境中的位置。
S4.利用空间记忆模型实现联想定位。
通过上述步骤S1、S2和S3可得到运行体与不同路标之间的距离信息和位置细胞放电率的对应关系。当运行体在空间中任意移动时，即可利用已经构建好的空间记忆模型，将运行体实时感知到的与不同路标之间的距离信息输入到空间记忆网络中，激发位置细胞放电。
S5.位置细胞的放电率由已经学习好的空间记忆模型输出，通过比较分析全***置细胞的放电情况，找到放电率最大的位置细胞表征的空间位置作为最终运行体的估计位置。整个过程运行体通过对空间环境的感知和学习完成记忆，并利用空间记忆模型通过联想实现自主定位。
实例说明
为了检验上述基于RBF网络的空间记忆模型的可行性，本发明实施例进行了相应的仿真。具体将仿真参数设置如下：将运动空间区域大小设为100m×100m，采用RBF网络对空间环境进行学***台和基于MATLAB R2010a的软件平台中完成的。
首先采用任意探索的方式生成位置细胞图，每生成一个位置细胞，将运行体与不同路标之间的距离和当前位置所有位置细胞的放电率对应存储下来，在探索结束生成位置细胞图后，利用RBF网络建立空间记忆模型。运动过程中假定运行体做匀速运动并且速度设为10m/s，每个定位周期之间方向任意选择，运行体任意探索时间设为t＝2000s，在生成新的位置细胞过程中，距离阈值设为R＝5m，即当运行体当前位置与之前已生成的各个位置细胞中心的距离大于阈值R时，则在当前位置构建新的位置细胞。图4给出了运动探索时间t＝2000s和距离阈值R＝5m情况下任意探索生成的位置细胞图，其中线条表示运行任意探索过程中的运动轨迹，圆圈表示生成的位置细胞。然后基于RBF网络建立空间记忆模型，将不同位置处运行体与不同路标之间的距离和所有位置细胞的放电率之间建立内在联系。
图5给出了运行体在空间中运动的真实轨迹和利用空间记忆模型联想输出的定位结果，从图中可以看出，在采用任意探索方法生成位置细胞图的前提下，基于RBF网络的空间记忆模型估计的运动轨迹与运行体真实运动轨迹非常接近，在每个位置点处的定位误差相对较小，因此能够顺利完成实时定位的任务。
为了检验空间记忆模型对运行体长时间的实时定位能力，将运行体任意探索时间设为t＝2000s，其他仿真条件不变，实时感知与不同路标之间的距离信息并输入到已经构建好的空间记忆模型中，激发位置细胞放电，联想输出估计的运行体空间位置。图6给出了运行体运动过程中实时位置估计的结果，图7给出了每一时刻联想输出位置与实际位置的误差值。从图中可以看出，在图4采用任意探索生成的位置细胞图的前提下，利用空间记忆模型联想输出进行实时位置估计时，定位误差控制在10m以内，平均定位误差为3.8843m，可以较好地完成运行体实时定位的任务。
紧接着对运动探索时间变化对运行体自主定位结果的影响进行分析，探索时间的长短会影响运行体生成的位置细胞图，进而影响构建空间记忆模型时输入与输出的对应关系。将仿真中探索时间的变化范围为设500s～2500s，每个探索时间情况下分别构建空间记忆模型，然后让运行体在空间中任意运动2000s，估计每个时刻运行体在空间中的位置，与真实轨迹进行比较，计算定位误差均值和标准差。
具体的，表1给出了不同探索时间下定位误差随运动探索时间的变化情况，图8给出了对应表1的不同探索时间下定位误差随探索时间的变化规律。
表1不同探索时间下定位误差的变化情况
可见，随着探索时间的增加，定位误差的均值和标准差逐渐变小，模型程序的运行时间逐渐增大，当探索时间大于1500s时，定位误差几乎保持不变。这是因为探索时间增大，运行体会经历空间环境中更多的位置，生成更多的位置细胞，利用空间记忆模型进行定位时也就越精确，但同时也会增加***存储空间，使程序运行时间增大。当探索时间增大到一定程度后继续增大时，由于运行体已经遍历了整个空间环境，所以定位误差变化很小。因此，运动探索时间对空间记忆模型联想输出的定位结果在一定范围内有影响，在实际应用中应根据现实需求合理设置。
综上，本发明提出的一种基于海马空间认知机理的运行体自主定位方法是可行的，首先建立运行体与不同路标的距离信息和位置细胞放电率的内在联系，然后在运行体运动过程中通过感知自身与不同路标的距离，激发位置细胞放电，并根据全***置细胞放电情况联想估计运行体在空间中的位置，实现实时自主定位，该方法模拟了生物在进行自主导航时发挥的大脑海马区的空间记忆和联想能力，仿真结果表明，该空间记忆模型能够通过位置联想的方式较好的完成自主定位任务。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (3)
1.一种基于海马空间认知机理的运行体自主定位方法，其特征在于，包括如下步骤：
获取预设空间环境中的N个路标；
通过运动于预设空间环境中的运行体运动过程中自身位置与N个路标之间的距离信息，生成位置细胞地图；
实时计算运行体运动过程中不同位置空间所有位置细胞的放电率，并建立运行体和N个路标之间的距离信息与所有位置细胞放电率的对应关系；
将运行体和N个路标之间的距离信息作为输入层、将高斯函数作为隐含层的激活函数、将所有位置细胞的放电率作为输出层，构建基于RBF网络的空间记忆模型；
将运行体实时感知到的与不同路标之间的距离信息输入到基于RBF网络的空间记忆模型中，激发所有位置细胞放电，获得所有位置细胞放电率，并将放电率最大的位置细胞表征的空间位置作为最终运行体的估计位置；
对基于RBF网络的空间记忆模型进行训练，其具体步骤包括：
将运行体和N个路标之间的距离信息作为输入层；
将高斯函数作为隐含层的激活函数，将每个位置处不同的距离信息进行非线性变换，计算基函数的中心、方差以及隐含层到输出层的权值；
将所有位置细胞的放电率作为输出层，将隐含层节点的输出进行线性加权求和作为输出层的结果；
通过不断训练调整网络权值参数获得基于RBF网络的空间记忆模型。
2.如权利要求1所述的一种基于海马空间认知机理的运行体自主定位方法，其特征在于，所述获取N个路标包括以下步骤：
确定a×a的正方形空间环境，假定运行体在该空间环境中***；
利用视觉传感器和计算机***在空间环境内选取N个鲁棒性好、分布均匀的显著路标。
3.如权利要求1所述的一种基于海马空间认知机理的运行体自主定位方法，其特征在于，所述建立运行体和N个路标之间的距离信息与所有位置细胞放电率的对应关系，包括以下步骤：
将运行体某一时刻在空间中的位置坐标表示为(x，y)，与N个路标之间的距离表示为(l1.l2,......lN)；
通过空间任意探索的方法对空间位置进行编码，实时测量运动过程中运行体与N个路标之间的距离信息，根据该时刻的运行体的位置作为一个位置细胞；
根据不同时刻的多个位置细胞构建位置细胞图，激发空间环境中任意位置都有对应的位置细胞向N个路标放电，即
其中，PCK(x，y)为运行体第k个位置细胞放电率，具体表示为：
(xk,yk)为第k个位置细胞中心；
建立运行体和N个路标之间的距离信息与所有位置细胞放电率的对应关系
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043821.XA CN113743586B (zh) | 2021-09-07 | 2021-09-07 | 一种基于海马空间认知机理的运行体自主定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043821.XA CN113743586B (zh) | 2021-09-07 | 2021-09-07 | 一种基于海马空间认知机理的运行体自主定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743586A CN113743586A (zh) | 2021-12-03 |
| CN113743586B true CN113743586B (zh) | 2024-04-26 |
Family
ID=78736541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111043821.XA Active CN113743586B (zh) | 2021-09-07 | 2021-09-07 | 一种基于海马空间认知机理的运行体自主定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743586B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6351711B1 (en) * | 2000-09-14 | 2002-02-26 | Sirf Technology, Inc. | GPS navigation system using neural networks |
| CN102401656A (zh) * | 2011-11-08 | 2012-04-04 | 中国人民解放军第四军医大学 | 一种位置细胞仿生机器人导航算法 |
| CN106949896A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
| CN108664969A (zh) * | 2018-04-28 | 2018-10-16 | 西安电子科技大学 | 基于条件随机场的路标识别方法 |
| CN109240279A (zh) * | 2017-07-10 | 2019-01-18 | 中国科学院沈阳自动化研究所 | 一种基于视觉感知和空间认知神经机制的机器人导航方法 |
| CN109459040A (zh) * | 2019-01-14 | 2019-03-12 | 哈尔滨工程大学 | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 |
| CN110298440A (zh) * | 2019-04-04 | 2019-10-01 | 北京工业大学 | 基于皮质柱网络波前传播的多尺度面向目标导航方法 |
| CN111813113A (zh) * | 2020-07-06 | 2020-10-23 | 安徽工程大学 | 仿生视觉自运动感知地图绘制方法、存储介质及设备 |
| CN112254728A (zh) * | 2020-09-30 | 2021-01-22 | 无锡太机脑智能科技有限公司 | 基于关键路标增强ekf-slam全局优化的方法 |
| CN112525194A (zh) * | 2020-10-28 | 2021-03-19 | 北京工业大学 | 一种基于海马-纹状体内源性和外源性信息的认知导航方法 |
| CN113297506A (zh) * | 2021-06-08 | 2021-08-24 | 南京航空航天大学 | 一种基于社交位置细胞/网格细胞的类脑相对导航方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11125575B2 (en) * | 2019-11-20 | 2021-09-21 | Here Global B.V. | Method and apparatus for estimating a location of a vehicle |
-
2021
- 2021-09-07 CN CN202111043821.XA patent/CN113743586B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6351711B1 (en) * | 2000-09-14 | 2002-02-26 | Sirf Technology, Inc. | GPS navigation system using neural networks |
| CN102401656A (zh) * | 2011-11-08 | 2012-04-04 | 中国人民解放军第四军医大学 | 一种位置细胞仿生机器人导航算法 |
| CN106949896A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
| CN109240279A (zh) * | 2017-07-10 | 2019-01-18 | 中国科学院沈阳自动化研究所 | 一种基于视觉感知和空间认知神经机制的机器人导航方法 |
| CN108664969A (zh) * | 2018-04-28 | 2018-10-16 | 西安电子科技大学 | 基于条件随机场的路标识别方法 |
| CN109459040A (zh) * | 2019-01-14 | 2019-03-12 | 哈尔滨工程大学 | 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法 |
| CN110298440A (zh) * | 2019-04-04 | 2019-10-01 | 北京工业大学 | 基于皮质柱网络波前传播的多尺度面向目标导航方法 |
| CN111813113A (zh) * | 2020-07-06 | 2020-10-23 | 安徽工程大学 | 仿生视觉自运动感知地图绘制方法、存储介质及设备 |
| CN112254728A (zh) * | 2020-09-30 | 2021-01-22 | 无锡太机脑智能科技有限公司 | 基于关键路标增强ekf-slam全局优化的方法 |
| CN112525194A (zh) * | 2020-10-28 | 2021-03-19 | 北京工业大学 | 一种基于海马-纹状体内源性和外源性信息的认知导航方法 |
| CN113297506A (zh) * | 2021-06-08 | 2021-08-24 | 南京航空航天大学 | 一种基于社交位置细胞/网格细胞的类脑相对导航方法 |
Non-Patent Citations (5)
| Title |
|---|
| The hippocampus as a predictive map;Kimberly L Stachenfeld;<Brain Research>;全文 * |
| 一种基于RBF神经网络的无线传感器网络定位模型;于涛;王英龙;郭强;;山东科学(06);全文 * |
| 基于位置细胞的空间表征及位置估计模型;周阳;《上海交通大学学报》;第52卷(第4期);摘要、第2-3页 * |
| 基于生物位置细胞放电机理的空间位置表征方法;李伟龙;《电子与信息学报》;第38卷(第8期);摘要、第3-4页 * |
| 基于生物位置细胞放电机理的空间位置表征方法;李伟龙;吴德伟;周阳;杜佳;;电子与信息学报;20160616(08) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743586A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Surmann et al. | Deep reinforcement learning for real autonomous mobile robot navigation in indoor environments | |
| CN109668566B (zh) | 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法 | |
| Yang et al. | Real-time collision-free motion planning of a mobile robot using a neural dynamics-based approach | |
| EP3336489A1 (en) | Method and system for automatically establishing map indoors by mobile robot | |
| JP3647584B2 (ja) | 学習型自己定位装置 | |
| Chen et al. | Fuzzy logic controller design for intelligent robots | |
| Saulnier et al. | Information theoretic active exploration in signed distance fields | |
| Das et al. | An improved Q-learning algorithm for path-planning of a mobile robot | |
| Guan et al. | Robot formation control based on internet of things technology platform | |
| CN108229730A (zh) | 一种基于模糊奖励的无人驾驶车辆轨迹生成方法 | |
| Zhao et al. | Learning cognitive map representations for navigation by sensory–motor integration | |
| CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
| CN112212867B (zh) | 一种机器人自定位与导航的方法及*** | |
| Antonelo et al. | Learning slow features with reservoir computing for biologically-inspired robot localization | |
| Ruddick et al. | Design and performance evaluation of an infotaxis-based three-dimensional algorithm for odor source localization | |
| CN113743586B (zh) | 一种基于海马空间认知机理的运行体自主定位方法 | |
| CN117555352A (zh) | 一种基于离散sac的海洋洋流助力路径规划方法 | |
| Li et al. | A new artificial lateral line attitude perception method based on mixed activation function-multilayer perceptron (MAF-MLP) | |
| Dean et al. | Planning and active perception | |
| CN113483885B (zh) | 一种基于蝎子毛缝耦合定位机理的复合脉冲振源定位方法 | |
| US6009185A (en) | Neural network based contact state estimator | |
| Raufelder | Modeling Analysis of Attitude Perception of Engineering Manipulator Supporting Wireless Communication and Internet of Things | |
| Li et al. | A Position Representation Method Based on the Localization Mechanism of Rat Hippocampus | |
| Huang et al. | Navigation of mobile robot in unknown environment based on TS neuro-fuzzy system | |
| Tang et al. | A neuro-cognitive system and its application in robotics |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |