鼠類腦細(xì)胞導(dǎo)航機理的移動機器人仿生SLAM綜述

陳孟元

（1. 安徽工程大學(xué) 安徽省電氣傳動與控制重點實驗室，安徽 蕪湖 241000; 2. 中國科學(xué)技術(shù)大學(xué) 精密機械與精密儀器系，安徽 合肥 230027）

從簡單重復(fù)的勞動中解放出來一直是人類追求的夢想，也是人類創(chuàng)造發(fā)明機器人的主要目的之一。機器人可移動性可以進一步擴大其使用范圍并能更好地提高其使用效率，但移動機器人在復(fù)雜環(huán)境中如何模仿人類進行自我導(dǎo)航和路徑規(guī)劃一直是難以解決的問題。

20世紀(jì)七八十年代，隨著人類智能和移動機器人的出現(xiàn)，人類將兩者進行了有效地關(guān)聯(lián)并開始了有益地探索，人工智能領(lǐng)域進入了一個蓬勃發(fā)展的新時代。進入21世紀(jì)后，被定義為研究感知與行動之間智能連接的移動機器人學(xué)被賦予了更多的內(nèi)涵，隨著工業(yè)的發(fā)展，移動機器人正在從事工業(yè)制造、生活家居、通信運輸工作，甚至對空間以及深海進行探索，可以說，移動機器人的出現(xiàn)改變了人們的生活，對社會發(fā)展的各個方面產(chǎn)生了巨大的影響，為先進技術(shù)的發(fā)展與社會的進步做出了有益的貢獻(xiàn)。

移動機器人在短短幾十年間經(jīng)過了突飛猛進的發(fā)展，能夠較好地代替人們完成重復(fù)性和危險性的勞動，減輕人們的工作強度和危險性，提高生產(chǎn)效率。而同步定位與地圖構(gòu)建（SLAM）問題一直是限制移動機器人在復(fù)雜環(huán)境下應(yīng)用的關(guān)鍵原因，移動機器人在沒有提前預(yù)設(shè)好行進路線的陌生環(huán)境中需要主動了解實際環(huán)境中的路況信息和障礙物的實際位置，同時精確地進行移動機器人自身的定位與實際環(huán)境的地圖構(gòu)建?，F(xiàn)階段，移動機器人主要采用自身攜帶的各種圖像采集、陀螺儀、加速度計等先進傳感器，通過激光測距、超聲測距以及圖像匹配完成SLAM工作。

傳感器在實際環(huán)境中的測量值有可能是錯誤的，例如，利用激光照射玻璃墻，激光光束可能已經(jīng)經(jīng)過了多次反射才反射回探測器。圖像采集傳感器也有其局限性，例如，普通照相機在區(qū)分圖像標(biāo)準(zhǔn)色方面效果較差，若采用黑白色的灰度方式表示圖像，光線強度的變化又很難表現(xiàn)出來，若采用全景相機或廣角鏡頭采集圖像，采集到的圖像又會產(chǎn)生畸變。另一方面，即使傳感器測量值是正確的，但總存在難以克服的精度問題。以測距和圖像匹配方法實現(xiàn)SLAM為例，雖然傳感器具有較高精度，可以通過輪子上安裝的里程計準(zhǔn)確測量機器人的移動距離，但由于路面不平坦和輪子滑動等原因，傳感器測量結(jié)果不能準(zhǔn)確反映機器人的實際移動距離，并且隨著移動機器人工作時間的推移累積誤差也在不斷疊加，這也是不能忽略的重要方面。因此科學(xué)家開始尋找更加可靠的定位導(dǎo)航方式。

1 鼠類相關(guān)導(dǎo)航腦細(xì)胞

當(dāng)人類還處于原始社會時就已經(jīng)意識到“飛鴿傳書，老馬識途”。一些動物具有出類拔萃的導(dǎo)向能力，無論陰晴雨雪，縱使萬水千山，這些動物總能知道路在何方，準(zhǔn)確找到目的地。經(jīng)過多年的研究，2014年諾貝爾生理學(xué)或醫(yī)學(xué)獎獲得者發(fā)現(xiàn)了基于動物導(dǎo)航機制的大腦定位系統(tǒng)細(xì)胞。

像人們熟知的GPS系統(tǒng)一樣，大腦定位系統(tǒng)也是通過采集自身運動的時間、位置信息進行定位導(dǎo)航的。秀麗隱桿線蟲僅有幾百個神經(jīng)細(xì)胞，卻可以通過追尋環(huán)境中的嗅覺信號來判斷方向。對于螞蟻和蜜蜂等神經(jīng)系統(tǒng)更為復(fù)雜的動物，它們利用神經(jīng)細(xì)胞實時監(jiān)測自身的運動方向和速度變化，通過路徑整合獲得當(dāng)前所在的位置。這種方法使得動物僅依靠自身神經(jīng)系統(tǒng)進行導(dǎo)航。

哺乳類動物辨識方向的方法更為先進。人類作為高級的哺乳動物由于受到倫理的約束無法進行大量的實驗研究。與人較為接近的哺乳動物，如猩猩、狒狒等，由于數(shù)量和國家保護的因素一般也不選用。在生物地圖構(gòu)建和導(dǎo)航領(lǐng)域，人們通常選用哺乳綱中的鼠類動物作為實驗?zāi)Ｐ?，由于實驗環(huán)境和場合廣泛，為研究動物的導(dǎo)航性能奠定了良好的基礎(chǔ)。此外，鼠類大腦也是動物研究領(lǐng)域使用最多的一塊區(qū)域。

大腦中不同的神經(jīng)細(xì)胞由于受到刺激產(chǎn)生興奮導(dǎo)致膜電位的變化，這些同時產(chǎn)生興奮的神經(jīng)細(xì)胞所組成的圖案恰能反映外界環(huán)境的空間布局和自身在環(huán)境中所處的位置[1]。鼠類大腦中存在3種主要導(dǎo)航細(xì)胞：位置細(xì)胞、頭方向細(xì)胞以及網(wǎng)格細(xì)胞。其中，位置細(xì)胞繪制所處地點的地圖；頭方向細(xì)胞指明方向(將位置細(xì)胞和頭方向細(xì)胞合并形成的一個新細(xì)胞類型，位姿細(xì)胞)；網(wǎng)格細(xì)胞通過標(biāo)記被激活細(xì)胞的位置對場景進行重定位。此外，在內(nèi)嗅皮層還存在邊界細(xì)胞、速度細(xì)胞等能夠進行輔助導(dǎo)航的細(xì)胞，如圖1所示。

圖 1 海馬體和內(nèi)嗅皮質(zhì)構(gòu)成的系統(tǒng)生物模型Fig. 1 Biological model consist of hippocampus and entorhinal cortex

在哺乳類動物中樞神經(jīng)系統(tǒng)的大腦皮質(zhì)中，存在一種形狀類似于海馬，功能上負(fù)責(zé)短期記憶儲存和學(xué)習(xí)的區(qū)域，被稱為海馬體。在日常中的一個記憶片段，比如一個電話號碼在短時間內(nèi)被重復(fù)提及，經(jīng)過海馬體可以將其轉(zhuǎn)存入大腦皮層，成為永久記憶。1971年倫敦大學(xué)學(xué)院(university college London)的美國科學(xué)家O’Keefe等[2]在海馬腦區(qū)發(fā)現(xiàn)了一種特殊的神經(jīng)細(xì)胞，這種細(xì)胞在鼠類經(jīng)過空間某特定位置時其中的一些細(xì)胞會產(chǎn)生興奮，而經(jīng)過另一個位置時另一些細(xì)胞會產(chǎn)生興奮，他將這種細(xì)胞命名為位置細(xì)胞。1984年紐約大學(xué)的James Ranck等[3]發(fā)現(xiàn)一組與動物的方向感知直接相關(guān)的神經(jīng)細(xì)胞并命名為頭方向細(xì)胞，頭方向細(xì)胞能夠辨別頭部的朝向。當(dāng)頭部朝向北方的時候，一組細(xì)胞會興奮；而頭部轉(zhuǎn)向南方時，另一組細(xì)胞興奮，通過這兩種細(xì)胞的興奮狀態(tài)能夠準(zhǔn)確判斷出在某一時間老鼠所處的精確位置。除此之外，內(nèi)嗅皮質(zhì)也參與整個信號的傳遞過程，內(nèi)嗅皮質(zhì)層從網(wǎng)格細(xì)胞處將有關(guān)方向和移動距離的信息傳遞給海馬體，如圖2所示。內(nèi)嗅皮質(zhì)將關(guān)于動物運動的方向和距離信息通過不同的神經(jīng)通路傳遞至海馬體中的齒狀回(dentate gyrus，DG)、CA3和位置細(xì)胞所在的CA1等區(qū)域，由此產(chǎn)生的大腦認(rèn)知地圖可以幫助動物更好地規(guī)劃未來的“旅程”。

圖 2 海馬體和內(nèi)嗅皮層橫截面視圖Fig. 2 Section lateral of hippocampus and entorhinal cortex

老鼠通過各種感官從環(huán)境中獲取外界的特征信息，而位置細(xì)胞則能夠和海馬體中其他細(xì)胞合作，將輸入的特征信息與過往記錄到的特征信息加以比對。一旦信息能夠匹配成功，與匹配位置相對應(yīng)的特定位置細(xì)胞就會變得活躍。通過這種方法，大腦能夠?qū)⑻囟ǖ奶卣餍畔⑴c特定的空間位置聯(lián)系起來，形成空間位置記憶，再通過與頭方向細(xì)胞協(xié)作，可以構(gòu)建位置細(xì)胞和頭方向細(xì)胞所表征的海馬神經(jīng)人工模型。圖3表示老鼠在空曠房間的運動軌跡，圓錐形表示老鼠，圓斑表示理論上細(xì)胞的活躍位置，圓點表示記錄下的某一批位置細(xì)胞活躍時的位置。實驗表明，分離的位置細(xì)胞和頭方向細(xì)胞所表征的海馬神經(jīng)人工模型無法長期跟蹤老鼠的位置，而將位置細(xì)胞和頭方向細(xì)胞合并形成的一個被稱為位姿細(xì)胞的新細(xì)胞類型則對老鼠起到良好的導(dǎo)航作用。

圖 3 老鼠運動軌跡和海馬體位置細(xì)胞分布Fig. 3 The trajectory of rats and the distribution of hippocampus

2005年挪威大學(xué)科學(xué)與技術(shù)學(xué)院的May-Britt Moser[4-5]在海馬區(qū)以外的內(nèi)嗅皮質(zhì)的腦區(qū)里發(fā)現(xiàn)了一種全新的神經(jīng)細(xì)胞并將其命名為網(wǎng)格細(xì)胞。圖4為老鼠在空曠房間中運動時，老鼠運動軌跡和某一個網(wǎng)格細(xì)胞的活躍位置，可以看出這些被激活細(xì)胞的位置呈現(xiàn)均勻六邊形分布。也就是說，任意一個網(wǎng)格細(xì)胞的發(fā)放場在空間中均勻分布，并且呈現(xiàn)出一種蜂巢式的六邊形網(wǎng)格狀。雖然網(wǎng)格細(xì)胞的活躍也和動物所處的位置有關(guān)，但是與位置細(xì)胞不同，網(wǎng)格細(xì)胞的活躍并不依賴于外界輸入的特征信息。

圖 4 老鼠運動軌跡和內(nèi)嗅皮質(zhì)網(wǎng)格細(xì)胞分布Fig. 4 The trajectory of rats and the distribution of grid cells in entorhinal cortex

2008年，研究者們從內(nèi)嗅皮質(zhì)中發(fā)現(xiàn)一種新的細(xì)胞類型，當(dāng)動物接近墻壁、圍場邊緣或是其他隔斷時，這些細(xì)胞就會放電，這種細(xì)胞能夠通過細(xì)胞活性計算自身到達(dá)邊界的距離，研究者們將其命名為邊界細(xì)胞。2015年，在獲得諾貝爾生理學(xué)或醫(yī)學(xué)獎后，May-Britt Moser和Edvard Moser夫婦繼續(xù)發(fā)現(xiàn)一些神經(jīng)細(xì)胞能夠隨移動速度的提升成比例地提升放電率，通過查看這種細(xì)胞的放電頻率便能夠判斷一個動物在給定時間點上的移動速度，研究者們將其命名為速度細(xì)胞。

研究表明，在基于鼠類海馬體的移動機器人導(dǎo)航研究基礎(chǔ)上，引入速度細(xì)胞能夠更精準(zhǔn)的實現(xiàn)移動機器人速度和角度的測量，融合邊界細(xì)胞能夠?qū)崿F(xiàn)突發(fā)障礙物等復(fù)雜環(huán)境的導(dǎo)航[6]。

2 國內(nèi)外研究現(xiàn)狀及分析

在過去30多年內(nèi)，對SLAM問題的探索研究大多是基于數(shù)學(xué)概率的方法，其中最成功的3種概率法為卡爾曼濾波(Kalman filter，KF)算法、最大期望 (expectation maximisation，EM)算法[7]和粒子濾波(particle filter，PF)算法。卡爾曼濾波算法只適用于線性系統(tǒng)，具有很大的局限性；經(jīng)典的擴展卡爾曼濾波(extended Kalman filter，EKF)[8-9]通過對非線性函數(shù)泰勒展開式一階線性化截斷將非線性問題線性化，可以應(yīng)用于有非線性特征的簡單系統(tǒng)中；無跡卡爾曼濾波(unscented Kalman filter，UKF)[10-11]通過無跡(unscented transformation，UT)變換處理均值和協(xié)方差的非線性傳遞，計算精度較高。Arasaratnam等提出的容積卡爾曼濾波(cubature Kalman filter，CKF)算法結(jié)構(gòu)簡單[12]，估計精度高，進一步提升了系統(tǒng)的穩(wěn)定性。粒子濾波也稱為蒙特卡羅定位 (Monte Carlo localisation，MCL)[13-14]，這種算法利用帶權(quán)重粒子的分布來估算要求的位置分布，故無需考慮后驗分布所帶來的形狀或特征約束。與標(biāo)準(zhǔn)MCL算法一樣，快速同步定位和地圖構(gòu)建系統(tǒng)(FastSLAM)算法通過粒子濾波器估計機器人路徑下一時刻的位置[15]。這些概率算法的優(yōu)勢是能夠處理傳感器與環(huán)境的模糊性，有很好的SLAM性能，但這些方法是對當(dāng)前采集到的環(huán)境進行數(shù)學(xué)建模并進行優(yōu)化，因此不能完全解決全局地圖構(gòu)建和導(dǎo)航問題。

相比之下，許多生物雖然不具備高精度傳感器，但仍具有較強的導(dǎo)航能力，并且能夠解決全局SLAM問題。因為生物對其地圖的構(gòu)建依賴于魯棒性處理策略而不是對環(huán)境的精確描述，Wehner等[16]發(fā)現(xiàn)螞蟻返回蟻穴鄰近區(qū)域后，再利用一整套搜索策略找到蟻穴，這種小尺寸和有限復(fù)雜度的環(huán)境有效降低了地圖構(gòu)建和導(dǎo)航的難度。但這些成熟的生物學(xué)導(dǎo)航算法模型仍具有局限性，例如蟻群算法計算量大、搜索時間長、易陷于局部最優(yōu)解等問題無法得到有效解決。

擁有海馬體的哺乳動物，如鼠類是人們研究較多的一種動物，人們對其導(dǎo)航、環(huán)境探索和真實能力的神經(jīng)機制也理解得較為深入[17-21]。Skaggs等[22]利用兩套旋轉(zhuǎn)細(xì)胞群，通過Hebbian學(xué)習(xí)規(guī)則校正局部場景細(xì)胞和頭方向細(xì)胞的連接，頭方向細(xì)胞形成的外環(huán)是活躍細(xì)胞編碼方向，內(nèi)部兩環(huán)是反應(yīng)角速度的前庭細(xì)胞，如圖5所示。Stringer等[23-25]通過頭方向細(xì)胞、視覺輸入細(xì)胞和前向速度細(xì)胞互相激勵來描述位置細(xì)胞活性，從而描述環(huán)境中物體運動的狀態(tài)，如圖6所示。這種包含分離頭方向位置表征系統(tǒng)的海馬神經(jīng)人工模型，盡管可以支持位置和多方向假設(shè)，但由于不能隨時間推移支持多位姿假設(shè)，故會造成不完全重定位或重定向，從而導(dǎo)致無法長期跟蹤移動機器人的位置。

圖 5 鼠類頭方向系統(tǒng)的吸引子網(wǎng)絡(luò)模型Fig. 5 Attractor network model of head direction system of rats

圖 6 位置細(xì)胞的二維連續(xù)吸引子模型Fig. 6 Two-dimensional continuous attractive model of pose cells

針對上述海馬模型的缺陷，研究者們提出一種基于復(fù)合位姿表征的嚙齒動物海馬區(qū)擴展模型，將路徑積分和視覺關(guān)聯(lián)過程集成到位姿細(xì)胞模型中，使移動機器人具有更新預(yù)測狀態(tài)的能力。實驗表明，嚙齒動物海馬區(qū)擴展模型對于某一環(huán)境產(chǎn)生了穩(wěn)定的、一致的、具有正確拓?fù)涞牡貓D，但是面對范圍更廣更復(fù)雜的環(huán)境導(dǎo)致路徑積分性能下降時，會出現(xiàn)沖突和多重表征兩種附加現(xiàn)象[26-29]。

后人基于此對嚙齒動物海馬區(qū)擴展模型進行改進，一種借鑒策略是直接根據(jù)移動機器人位姿的核心表征，以及存儲在位姿感知細(xì)胞及局部場景細(xì)胞網(wǎng)絡(luò)中的環(huán)境表征對應(yīng)關(guān)系，建立存儲環(huán)境空間、視覺、時間、行為和變化等信息的沿途構(gòu)圖[30-33]。該算法通過同時保留位姿感知細(xì)胞地圖拓?fù)溥B通性和保持細(xì)胞之間的空間信息，解決了非連續(xù)、沖突和多重表征這3個問題。Milford等驗證了這種具有環(huán)境探索、目標(biāo)記憶和自適應(yīng)改變的擴展嚙齒動物海馬區(qū)模型能在不同天氣和地形下穩(wěn)定導(dǎo)航。文獻(xiàn)[34]提出一種新型的基于自組織特征圖的神經(jīng)網(wǎng)絡(luò)模型并將其引入到局部場景細(xì)胞，提高了系統(tǒng)的實時性和準(zhǔn)確性。文獻(xiàn)[35]通過飛行器進行場景回憶，驗證了沿途構(gòu)圖算法的可靠性。對于車載導(dǎo)航系統(tǒng)，由于視覺里程計誤差較大，即使通過嚙齒動物海馬區(qū)擴展模型仿生機制的修正也仍無法準(zhǔn)確導(dǎo)航，張瀟等[36]在此基礎(chǔ)上引入光學(xué)雙軸傳感器和MIMU信息，建立了航位推算模型。文獻(xiàn)[37]提出將FAB-MAP(fast appearance-based mapping)引入嚙齒動物海馬區(qū)擴展模型的視覺里程計，這種基于歷史模型的閉合檢測算法可以過濾視覺里程計的誤報信息，進一步提高該模型的穩(wěn)定性，但通過逐個對比當(dāng)前場景與歷史場景的相似性，實施閉環(huán)檢測的方法效率較低，不能滿足系統(tǒng)實時性要求。研究提出的基于實時關(guān)鍵幀匹配的閉環(huán)檢測模型在保證SLAM穩(wěn)定的前提下能夠提高閉環(huán)檢測實時性。

僅僅依賴純視覺的導(dǎo)航算法并不能適應(yīng)長時間復(fù)雜環(huán)境下的導(dǎo)航，研究者們將現(xiàn)有的傳感器技術(shù)應(yīng)用于已知的幾種導(dǎo)航細(xì)胞下進行導(dǎo)航。許曈等[38]提出將姿態(tài)策略模塊引入嚙齒動物海馬區(qū)擴展模型中，對突發(fā)障礙物的干擾提出了一個切實可行的建議，Berkvens等[39]將無源 RFID、有源 RFID、WI-FI、地磁傳感器分別引入多組實驗中，結(jié)果表明，地磁通量引入的嚙齒動物海馬區(qū)擴展模型算法可以明顯減少射頻技術(shù)沿途構(gòu)圖的平均誤差，并在很大程度上確保無錯誤路徑的產(chǎn)生，但仍有問題有待解決，如由于前一時刻定位產(chǎn)生錯誤導(dǎo)致預(yù)期位置的錯誤判斷、沿途構(gòu)圖的平均誤差較大等問題。這些利用現(xiàn)有傳感器來解決移動機器人復(fù)雜環(huán)境下的導(dǎo)航問題，一方面對傳感器的性能要求較高，另一方面，各類傳感器也會受到復(fù)雜環(huán)境的干擾。研究提出一種復(fù)合鼠類導(dǎo)航細(xì)胞模型，融合速度細(xì)胞可更精準(zhǔn)實現(xiàn)移動機器人速度和旋轉(zhuǎn)角度的測量，融合邊界細(xì)胞以實現(xiàn)突發(fā)障礙物的判別。

現(xiàn)有的SLAM理論經(jīng)過30余年的發(fā)展，基于數(shù)學(xué)概率方法和從距離到拓?fù)涞牡貓D表征法已經(jīng)較好地完成了“定位”和“建圖”過程，但都仍然存在一定的局限性。由于實際環(huán)境十分復(fù)雜，例如光線變化、太陽東升西落、不斷的有人進出等。即使讓一個機器人以5 cm/s的速度在安靜的空間里慢慢移動，這種論文中看起來可行的算法，在實際環(huán)境中往往捉襟見肘，處處碰壁，因此，SLAM還未走進人們的實際生活。這種局限性是數(shù)學(xué)模型本身帶來的，與改進算法無關(guān)。因此，在考慮人類能如此輕松地完成導(dǎo)航的基礎(chǔ)上，提出構(gòu)建一種仿動物大腦細(xì)胞導(dǎo)航機制下的同步定位與地圖構(gòu)建方法。

本研究受到2014年“諾貝爾生理學(xué)或醫(yī)學(xué)獎”啟發(fā)，擬將發(fā)現(xiàn)的局部場景細(xì)胞、位姿細(xì)胞(位置細(xì)胞、頭方向細(xì)胞)、網(wǎng)格細(xì)胞、速度細(xì)胞、邊界細(xì)胞等具有定位導(dǎo)航功能的細(xì)胞模型應(yīng)用于SLAM研究中。分別研究5種導(dǎo)航細(xì)胞各自的工作機理和數(shù)學(xué)表達(dá)，然后將這5種導(dǎo)航細(xì)胞按照動物導(dǎo)航機制下大腦的工作原理建立數(shù)學(xué)模型，最終進行實驗驗證。

3 未來深入研究的方法建議

提出一種未來深入研究的方法建議，擬將包含局部場景細(xì)胞(view cells)、位姿細(xì)胞(pose cells)、網(wǎng)格細(xì)胞(grid cells)、速度細(xì)胞(speed cells)、邊界細(xì)胞(border cells)等具有定位導(dǎo)航功能的鼠類腦細(xì)胞模型應(yīng)用于SLAM研究中，構(gòu)建一種衍生SLAM算法(BVGSP-SLAM)實現(xiàn)復(fù)雜場景下的導(dǎo)航。融入局部場景細(xì)胞、位姿細(xì)胞和網(wǎng)格細(xì)胞模型，盡可能減小光線變化對視覺里程計產(chǎn)生的影響；在此基礎(chǔ)上引入速度細(xì)胞和邊界細(xì)胞，對突發(fā)障礙物和自身速度進行進一步判別。

局部場景細(xì)胞獲取當(dāng)前場景，位姿細(xì)胞獲取當(dāng)前狀態(tài)，獲得具有一定導(dǎo)航能力的仿生導(dǎo)航系統(tǒng)VP-SLAM，但這種系統(tǒng)會受到現(xiàn)實場景中人物走動、光線變化等原因造成導(dǎo)航性能下降。為進一步提升系統(tǒng)的魯棒性，融入網(wǎng)格細(xì)胞，構(gòu)建了實時關(guān)鍵幀匹配的閉環(huán)檢測模型GVP-SLAM，避免因光線變化導(dǎo)致SLAM不穩(wěn)定，從而既可大幅提高復(fù)雜環(huán)境下導(dǎo)航的精準(zhǔn)性，又具有較好的實時性。在提出帶實時閉環(huán)檢測的鼠類導(dǎo)航細(xì)胞模型基礎(chǔ)上，引入邊界細(xì)胞和速度細(xì)胞兩種導(dǎo)航細(xì)胞的導(dǎo)航原理，提出一種帶實時閉環(huán)檢測的復(fù)合鼠類導(dǎo)航細(xì)胞模型BVGSP-SLAM。該模型通過融合速度細(xì)胞更精準(zhǔn)地實現(xiàn)移動機器人速度的測量，避免基于局部場景細(xì)胞在突發(fā)障礙物影響下的判別失效；通過融合邊界細(xì)胞，實現(xiàn)移動機器人對移動障礙物的實時避障，進一步提高了SLAM的穩(wěn)定性，技術(shù)路線圖如圖7所示。

圖 7 融入鼠類腦細(xì)胞導(dǎo)航機制的移動機器人衍生SLAM方法技術(shù)路線圖Fig. 7 Technology roadmap of derivative SLAM on mobile robots integrated with brain cells of rats

3.1 基于位姿細(xì)胞和局部場景細(xì)胞的SLAM算法(VP-SLAM)

局部場景細(xì)胞在環(huán)境中學(xué)習(xí)獨特場景，模型化頭方向細(xì)胞和位置細(xì)胞的競爭性吸引子網(wǎng)絡(luò)結(jié)構(gòu)所形成的位姿感知細(xì)胞表征當(dāng)前位置，局部場景細(xì)胞和位姿細(xì)胞協(xié)同完成拓?fù)浠?jīng)驗圖的繪制。在此過程中，抽象出融合頭方向與位置模型特性的信息需要通過某種關(guān)聯(lián)算法進行姿態(tài)表達(dá)，在相機圖像信息經(jīng)過處理形成局部場景后，需選擇合適的視覺SLAM算法進行圖像處理。

現(xiàn)有基于鼠類導(dǎo)航策略的擴展海馬模型，其分別由局部場景細(xì)胞在環(huán)境中學(xué)習(xí)獨特場景，由頭方向細(xì)胞和位置細(xì)胞合并形成的位姿細(xì)胞表征當(dāng)前位置，以及用節(jié)點與鏈路編碼局部場景細(xì)胞和位姿細(xì)胞構(gòu)建拓?fù)浠慕?jīng)驗圖，如圖8所示。通過(x, y,θ)關(guān)聯(lián)一維頭方向細(xì)胞模型θ與二維位置細(xì)胞模型(x, y)，實現(xiàn)位姿細(xì)胞的構(gòu)建，其中，連續(xù)吸引子網(wǎng)絡(luò)(continuous attractive network，CAN)控制著位姿感知網(wǎng)絡(luò)內(nèi)部的活動。其動態(tài)過程經(jīng)歷3個階段：興奮度更新階段、對所有細(xì)胞的全局抑制階段以及對位姿感知細(xì)胞活動的歸一化階段。

對于局部場景信息的處理，通過Hessian矩陣行列式對圖像中的像素點進行分析，構(gòu)造快速魯棒特征(speeded up robust feature，SURF)的特征點描述算子。其中，每個特征點采用64維向量的描述子進行匹配。

3.2 基于實時關(guān)鍵幀匹配的閉環(huán)檢測模型(GVP-SLAM)

視覺里程計漂移會形成累計誤差，通過閉環(huán)檢測可以修正復(fù)雜環(huán)境下定位導(dǎo)航里程計產(chǎn)生的累計誤差?，F(xiàn)有IAB-MAP(incremental appearance-based mapping)和FAB-MAP(fast appearance-based mapping)閉環(huán)檢測算法，雖能勝任復(fù)雜環(huán)境下的閉環(huán)檢測問題，但由于它們通過逐個比較當(dāng)前幀數(shù)據(jù)與各歷史幀數(shù)據(jù)的相似性，無法滿足實時性要求。本文基于的導(dǎo)航細(xì)胞模型在借鑒網(wǎng)格細(xì)胞場景重定位的基礎(chǔ)上設(shè)計相關(guān)算法提高實時性能，構(gòu)建的實時關(guān)鍵幀匹配的閉環(huán)檢測模型能夠明顯提高系統(tǒng)的實時性能。

在閉環(huán)檢測過程中，要對采集到的足夠多的陌生場景進行信息匹配。一方面，必須通過某種手段對采集到的連續(xù)圖像和情境重現(xiàn)加以區(qū)分以避免誤判；另一方面，由于復(fù)雜環(huán)境的影響，采集的某一場景圖像信息可能會發(fā)生錯誤辨識。對于閉環(huán)檢測方法本身，需通過一種策略收集頻次較高和最臨近時刻出現(xiàn)的信息作為被匹配對象，在節(jié)約時間成本的條件下盡可能地準(zhǔn)確匹配當(dāng)前圖像信息。與一般的機器視覺算法不同，上述工作均需基于鼠類導(dǎo)航細(xì)胞。

借鑒網(wǎng)格細(xì)胞場景重定位并在此基礎(chǔ)上設(shè)計相關(guān)算法提高實時性能，構(gòu)成一種基于實時關(guān)鍵幀匹配的閉環(huán)檢測模型，通過局部場景細(xì)胞進行實時關(guān)鍵幀匹配，實現(xiàn)閉環(huán)檢測，通過位姿細(xì)胞和局部場景細(xì)胞沿途構(gòu)圖。如圖8所示，實時關(guān)鍵幀匹配的閉環(huán)檢測模型通過局部場景細(xì)胞進行新場景匹配的判斷，并通過局部場景細(xì)胞與位姿細(xì)胞關(guān)聯(lián)影響沿途構(gòu)圖。

圖 8 基于鼠類導(dǎo)航細(xì)胞的實時關(guān)鍵幀匹配的閉環(huán)檢測模型Fig. 8 Closed loop detection model with real-time keyframe matching based on rats

本研究提出的實時關(guān)鍵幀匹配的閉環(huán)檢測模型具體流程包括定位點的建立、權(quán)重更新、貝葉斯估計更新、閉環(huán)假設(shè)選擇、恢復(fù)和轉(zhuǎn)換6部分，并引入了3種記憶模式，即工作記憶(working memory，WM)、長期記憶(long-term memory，LTM)和短時記憶(short-term memory，STM)，具體策略如下。首先采集陌生場景信息，為避免實際環(huán)境的干擾，場景采集時需預(yù)先對同一場景多次采集并過濾其中的錯誤信息，確保場景采集的準(zhǔn)確性。再通過設(shè)定閾值避免將當(dāng)前采集到的連續(xù)圖像誤判為閉環(huán)。將當(dāng)前位置時刻至過去某時刻內(nèi)的信息儲存在短時記憶中，并選取所有過去時刻出現(xiàn)頻次最高的信息儲存在工作記憶中。最后通過當(dāng)前位置與短時記憶存儲位置比較進行新位置的判別和權(quán)重更新，將當(dāng)前位置與工作記憶存儲位置比較進行閉環(huán)檢測，同時，實時更新各記憶本身。此閉環(huán)檢測模型的流程圖如圖9所示，各記憶關(guān)系圖如圖10所示。

圖 9 實時關(guān)鍵幀匹配的閉環(huán)檢測模型流程圖Fig. 9 Flow chart of the closed loop detection of real-time keyframe matching

圖 10 實時關(guān)鍵幀匹配的閉環(huán)檢測中各記憶模式關(guān)系圖Fig. 10 Diagram of memory pattern in the closed loop detection of real-time keyframe matching

3.3 融合速度細(xì)胞和邊界細(xì)胞的鼠類導(dǎo)航模型(BVGSP-SLAM)

現(xiàn)有的位姿細(xì)胞無法適應(yīng)外界多變的復(fù)雜環(huán)境，如移動障礙物的出現(xiàn)會導(dǎo)致視覺里程計速度的錯誤判別。根據(jù)發(fā)現(xiàn)的內(nèi)嗅皮層中存在的速度細(xì)胞和邊界細(xì)胞，針對室內(nèi)復(fù)雜環(huán)境的特點，利用速度細(xì)胞和邊界細(xì)胞的導(dǎo)航功能對移動機器人角度和速度等信息進行采集分析，輸出到終端設(shè)備并與鼠類導(dǎo)航細(xì)胞的沿途構(gòu)圖進行比對。在3.2節(jié)研究的GVP-SLAM算法基礎(chǔ)上，引入速度細(xì)胞和邊界細(xì)胞實現(xiàn)移動機器人在突發(fā)障礙物等復(fù)雜環(huán)境下的精確導(dǎo)航，構(gòu)成復(fù)合鼠類導(dǎo)航模型(BVGSP-SLAM)。

在GVP-SLAM算法基礎(chǔ)上引入內(nèi)嗅皮層中的邊界細(xì)胞和速度細(xì)胞進行輔助導(dǎo)航。為探究其效果，將速度細(xì)胞和邊界細(xì)胞對鼠類導(dǎo)航模型的影響進行分別研究。利用手術(shù)在老鼠腦部植入電極，通過上位機可觀測速度細(xì)胞和邊界細(xì)胞的活性并建立數(shù)學(xué)模型。

1) 速度細(xì)胞活性及數(shù)學(xué)模型建立

在分析速度細(xì)胞活性的實驗中，將老鼠置于100 cm×100 cm×50 cm的盒子中，通過在隨機位置播撒食物屑促使老鼠進行任意運動，如圖11所示。為避免局部場景細(xì)胞對實驗的影響，該實驗在黑暗環(huán)境中進行；為避免老鼠自身行為對速度細(xì)胞產(chǎn)生的影響，本實驗忽略所有運動速度小于2 cm/s時老鼠速度細(xì)胞活性的變化。首先歸一化速度細(xì)胞活性；通過線性變換計算出速度細(xì)胞的發(fā)放率并表示其活性；然后對細(xì)胞進行無偏分析，通過無偏估計在實驗中調(diào)整速度細(xì)胞參數(shù)，利用尖峰電壓大小判斷速度細(xì)胞的活性強弱，通過一個由發(fā)放場和線性濾波器兩部分組成的簡單線性解碼器使速度細(xì)胞的活躍度具體化；再將該活性狀態(tài)信息傳遞給由頭方向細(xì)胞和位置細(xì)胞融合而成的位姿細(xì)胞，進而影響沿途構(gòu)圖。

圖 11 黑暗環(huán)境下的速度細(xì)胞實驗及速度細(xì)胞分析過程Fig. 11 Speed cells experiment in dark environment and the analysis procedure of speed cells

2) 邊界細(xì)胞活性及數(shù)學(xué)模型建立

邊界細(xì)胞對于障礙物的判別，如圖12所示，無論老鼠的頭部朝向什么方向，邊界細(xì)胞的發(fā)放率都會隨老鼠離障礙物距離的減少而增加。每個邊界細(xì)胞的感受野通過兩個高斯函數(shù)的乘積構(gòu)成，一個函數(shù)表示特定的距離，另一個函數(shù)表示非自我中心的方向。利用邊界細(xì)胞的發(fā)放率、邊界細(xì)胞的感受野及其與障礙物的距離信息構(gòu)成邊界細(xì)胞發(fā)放率變化的表達(dá)式，這種細(xì)胞的發(fā)放率變化狀態(tài)即表現(xiàn)為細(xì)胞的活性狀態(tài)，再將該活性狀態(tài)信息通過神經(jīng)元的感知機模型進行分析，并把所有速度細(xì)胞活性信息傳遞給由頭方向細(xì)胞和位置細(xì)胞融合而成的位姿細(xì)胞，進而影響沿途構(gòu)圖。

圖 12 老鼠邊界細(xì)胞的感受野以及老鼠距離障礙物不同距離時發(fā)放率強度Fig. 12 Receptive field of border cells and firing rate at various distances of rats

3) 邊界細(xì)胞與速度細(xì)胞模型的關(guān)聯(lián)函數(shù)構(gòu)造構(gòu)造由邊界細(xì)胞和速度細(xì)胞發(fā)放率、感受野以及距離信息的關(guān)聯(lián)函數(shù)，采用統(tǒng)計學(xué)的方法剔除異常細(xì)胞，通過構(gòu)建權(quán)值、中心和幅度3個參數(shù)可調(diào)的自適應(yīng)模糊邏輯系統(tǒng)證明該關(guān)聯(lián)函數(shù)的穩(wěn)定性，進而提高BVGSP-SLAM模型的魯棒性。

3.4 所需突破的關(guān)鍵性問題

復(fù)雜室內(nèi)環(huán)境下SLAM存在如下問題：室內(nèi)光線變化、突發(fā)障礙物等對導(dǎo)航系統(tǒng)產(chǎn)生影響，對于移動機器人本身，長時間導(dǎo)航下移動機器人也會存在里程計漂移等現(xiàn)象。本文針對這些問題建立了適合復(fù)雜室內(nèi)環(huán)境的基于鼠類導(dǎo)航細(xì)胞的SLAM模型，所需突破的關(guān)鍵問題主要包括如下兩點。1) 實時關(guān)鍵幀匹配的閉環(huán)檢測建?，F(xiàn)有的閉環(huán)檢測模型存在復(fù)雜度高、實時性差等問題，本文提出了一種實時關(guān)鍵幀匹配的閉環(huán)檢測模型，該模型通過“長期記憶”、“短時記憶”等記憶單元的協(xié)同作用完成關(guān)鍵幀匹配，同時可以通過“長期記憶”和“短時記憶”單元的切換和恢復(fù)，降低系統(tǒng)運算的復(fù)雜度，這也是后續(xù)融入速度細(xì)胞模型和邊界細(xì)胞模型完成實時導(dǎo)航的基礎(chǔ)。因此，該問題是研究內(nèi)容待解決的關(guān)鍵問題之一。2) 邊界細(xì)胞和速度細(xì)胞模型關(guān)聯(lián)函數(shù)的構(gòu)造邊界細(xì)胞和速度細(xì)胞模型分別由其發(fā)放率、感受野以及距離信息等動態(tài)參數(shù)決定，兩種模型通過關(guān)聯(lián)函數(shù)各自影響沿途構(gòu)圖。采用統(tǒng)計學(xué)的方法剔除異常細(xì)胞，通過構(gòu)建權(quán)值、中心和幅度3個參數(shù)可調(diào)的自適應(yīng)模糊邏輯系統(tǒng)證明該關(guān)聯(lián)函數(shù)的穩(wěn)定性，研究基于邊界細(xì)胞和速度細(xì)胞模型關(guān)聯(lián)的融合方法，將多種調(diào)度參數(shù)信息融入到控制方法的設(shè)計中，這也是沿途構(gòu)圖準(zhǔn)確度提高面臨的主要問題。因此，該問題是研究內(nèi)容待解決的另一關(guān)鍵問題。

4 結(jié)束語

基于鼠類腦細(xì)胞導(dǎo)航機理的模型算法魯棒性強，能夠解決全局SLAM問題。綜觀這種基于鼠類腦細(xì)胞導(dǎo)航機理的模型算法的研究現(xiàn)狀，其相關(guān)的研究仍處于初級階段，有很多問題值得進一步的研究，本文提出運用仿生學(xué)研究、醫(yī)工結(jié)合、數(shù)值計算方法、解析計算方法，結(jié)合信息學(xué)、控制學(xué)、仿生學(xué)等基礎(chǔ)理論并建立適用于復(fù)雜環(huán)境下快速、準(zhǔn)確、全面的融入鼠類腦細(xì)胞導(dǎo)航機制的移動機器人衍生同步定位地圖構(gòu)建方法體系。本文重點探討了以鼠類腦細(xì)胞中邊界細(xì)胞、局部場景細(xì)胞、網(wǎng)格細(xì)胞、速度細(xì)胞、位姿細(xì)胞等具有定位導(dǎo)航功能的細(xì)胞模型應(yīng)用于SLAM研究中，構(gòu)建一種基于多細(xì)胞導(dǎo)航機制的BVGSP-SLAM模型：融入局部場景細(xì)胞、位姿細(xì)胞和網(wǎng)格細(xì)胞以盡可能減少光線變化對視覺里程計的影響，引入邊界細(xì)胞和速度細(xì)胞以對突發(fā)障礙物和自身速度進行進一步判別，再將混合細(xì)胞算法引入仿生傳感系統(tǒng)并在移動機器人平臺上進行硬件驗證，為移動機器人SLAM研究領(lǐng)域提供了生物細(xì)胞學(xué)重要解決思路的理論參考。在此基礎(chǔ)上如何實現(xiàn)在實驗場景更加惡劣的情況下動態(tài)調(diào)節(jié)現(xiàn)有細(xì)胞導(dǎo)航模型的參數(shù)仍值得進一步研究，如何通過現(xiàn)有的鼠類模型進行算法改進或借鑒其他生物模型特性實現(xiàn)空中與水下的導(dǎo)航研究也將是未來SLAM發(fā)展的一個重要研究方向。

[1]TOLMAN E C. Cognitive maps in rats and men[J]. Psychological review, 1948, 55(4): 189–208.

[2]O’KEEFE J, DOSTROVSKY J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat[J]. Brain research, 1971, 34(1): 171–175.

[3]RANCK J L, LETELLIER L, SHECHTER E, et al. X-ray analysis of the kinetics of Escherichia coli lipid and membrane structural transitions[J]. Biochemistry, 1984, 23(21):4955–4961.

[4]于乃功, 王琳, 李倜, 等. 網(wǎng)格細(xì)胞到位置細(xì)胞的競爭型神經(jīng)網(wǎng)絡(luò)模型[J]. 控制與決策, 2015, 30(8): 1372–1378.YU Naigong, WANG Lin, LI Ti, et al. Competitive neural network model from grid cells to place cells[J]. Control and decision, 2015, 30(8): 1372–1378.

[5]于平, 徐暉, 尹文娟, 等. 網(wǎng)格細(xì)胞在空間記憶中的作用[J].心理科學(xué)進展, 2009, 17(6): 1228–1233.YU Ping, XU Hui, YIN Wenjuan, et al. The roles of grid cells in spatial memory[J]. Advances in psychological science, 2009, 17(6): 1228–1233.

[6]KROPFF E, CARMICHAEL J E, MOSER M B, et al.Speed cells in the medial entorhinal cortex[J]. Nature, 2015,523(7561): 419–424.

[7]DEMPSTER A P, LAIRD N M, RUBIN D B. Maximum likelihood from incomplete data via the EM algorithm[J].Journal of the royal statistical society, 1977, 39(1): 1–38.

[8]SMITH R C, CHEESEMAN P. On the representation and estimation of spatial uncertainly[J]. International journal of robotics research, 1987, 5(4): 56–68.

[9]SMITH R, SELF M, CHEESEMAN P. Estimating uncertain spatial relationships in robotics[J]. Machine intelligence and pattern recognition, 1988, 5(5): 435–461.

[10]JULIER S J, UHLMANN J K. Unscented filtering and nonlinear estimation[J]. Proceedings of the IEEE, 2004,92(3): 401–422.

[11]JULIER S, UHLMANN J, DURRANT-WHYTE H F. A new method for the nonlinear transformation of means and covariances in filters and estimators[J]. IEEE transactions on automatic control, 2000, 45(3): 477–482.

[12]ARASARATNAM I, HAYKIN S. Cubature Kalman filters[J]. IEEE transactions on automatic control, 2009,54(6): 1254–1269.

[13]NIEDERREITER H. Random number generation and quasi-monte carlo methods[J]. Journal of the american statistical association, 1992, 88(89): 147–153.

[14]THRUN S, FOX D, BURGARD W, et al. Robust Monte Carlo localization for mobile robots[J]. Artificial intelligence, 2001, 128(1): 99–141.

[15]MONTEMERLO M, THRUN S, WHITTAKER W. Conditional particle filters for simultaneous mobile robot localization and people-tracking[C]//Proceedings of 2002 IEEE International Conference on Robotics and Automation.Washington, DC, USA, 2002: 695–701.

[16]WEHNER R, GALLIZZI K, FREI C, et al. Calibration processes in desert ant navigation: vector courses and systematic search[J]. Journal of comparative physiology A, 2002,188(9): 683–693.

[17]劉新玉, 海鑫, 尚志剛, 等. 利用粒子濾波重建位置細(xì)胞編碼的運動軌跡[J]. 生物化學(xué)與生物物理進展, 2016,43(8): 817–826.LIU Xinyu, HAI Xin, SHANG Zhigang, et al. Decoding movement trajectory of hippocampal place cells by particle filter[J]. Progress in biochemistry and biophysics, 2016,43(8): 817–826.

[18]胡波, 隋建峰. 海馬位置細(xì)胞空間信息處理機制的研究進展[J]. 中華神經(jīng)醫(yī)學(xué)雜志, 2005, 4(4): 416–418.HU Bo, SUI Jianfeng. Advance of mechanisms of spatial processing for hippocampal place cells[J]. Chinese journal of neuromedicine, 2005, 4(4): 416–418.

[19]王可, 張婷, 王曉民. 大腦中的“定位系統(tǒng)”——2014年諾貝爾生理學(xué)或醫(yī)學(xué)獎簡介[J]. 首都醫(yī)科大學(xué)學(xué)報, 2014,35(5): 671–675.WANG Ke, ZHANG Ting, WANG Xiaomin. “Inner GPS”in the brain——introduction of Nobel Prize in Physiology or Medicine 2014[J]. Journal of capital medical university,2014, 35(5): 671–675.

[20]田莉雯. 基于頂部攝像頭和鼠載攝像頭的大鼠自動導(dǎo)航系統(tǒng)[D]. 杭州: 浙江大學(xué), 2015.TIAN Liwen. An automatic navigation system based on a rat-mounted camera and a bird’s eye camera[D]. Hangzhou: Zhejiang University, 2015.

[21]查峰, 肖世德, 馮劉中, 等. 移動機器鼠沿墻導(dǎo)航策略與算法研究[J]. 計算機工程, 2012, 38(6): 172–174.ZHA Feng, XIAO Shide, FENG Liuzhong, et al. Research on wall-following navigation strategy and algorithm for mobile mechanical mouse[J]. Computer engineering, 2012,38(6): 172–174.

[22]SKAGGS W E, KNIERIM J J, KUDRIMOTI H S, et al. A model of the neural basis of the rat's sense of direction[J].Advances in neural information processing systems, 1995,7: 173–180.

[23]REDISH A D, ELGA A N, TOURETZKY D S. A coupled attractor model of the rodent head direction system[J]. Network: computation in neural systems, 1997, 7(4): 671–685.

[24]SAMSONOVICH A, MCNAUGHTON B L. Path integration and cognitive mapping in a continuous attractor neural network model[J]. Journal of neuroscience: the official journal of the society for neuroscience, 1997, 17(15): 5900–5920.

[25]STRINGER S M, ROLLS E T, TRAPPENBERG T P, et al. Self-organizing continuous attractor networks and path integration: two-dimensional models of place cells[J]. Network: computation in neural systems, 2002, 13(4): 429–446.

[26]MILFORD M J, WYETH G F, PRASSER D. RatSLAM: a hippocampal model for simultaneous localization and mapping[C]//Proceedings of 2004 IEEE International Conference on Robotics and Automation. New Orleans, LA,USA, 2004: 403–408.

[27]MILFORD M, WYETH G. Persistent navigation and mapping using a biologically inspired SLAM system[J]. International journal of robotics research, 2009, 29(9): 1131–1153.

[28]PRASSER D P, WYETH G, MILFORD M. Experiments in outdoor operation of RatSLAM[C]//Proceedings of 2004 Australasian Conference on Robotics and Automation.Canberra, Australia, 2004: 1–6.

[29]PRASSER D, MILFORD M, WYETH G. Outdoor simultaneous localisation and mapping using RatSLAM[C]//Proceedings of the Results of the 5th International Conference.Berlin, Heidelberg, Germany, 2006: 143–154.

[30]MILFORD M J, PRASSER D, WYETH G. Effect of representation size and visual ambiguity on RatSLAM system performance[C]//Proceedings of 2006 Australasian Conference on Robotics and Automation. Auckland, New Zealand, 2006: 1–8.

[31]MILFORD M, SCHULZ R, PRASSER D, et al. Learning spatial concepts from RatSLAM representations[J]. Robotics and autonomous systems, 2007, 55(5): 403–410.

[32]MILFORD M, WYETH G, PRASSER D. RatSLAM on the edge: revealing a coherent representation from an overloaded rat brain[C]//Proceedings of 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems.Beijing, China, 2006: 4060–4065.

[33]DHANDE O S, HUBERMAN A D. Retinal ganglion cell maps in the brain: implications for visual processing[J].Current Opinion in Neurobiology, 2014, 24(1): 133.

[34]許曈, 凌有鑄, 陳孟元. 一種融合DGSOM神經(jīng)網(wǎng)絡(luò)的仿生算法研究[J]. 智能系統(tǒng)學(xué)報, 2017, 12(3): 405–412.XU Tong, LING Youzhu, CHEN Mengyuan. A bio-inspired algorithm integrated with DGSOM neural network[J]. CAAI transactions on intelligent systems,2017, 12(3): 405–412.

[35]MILFORD M J, SCHILL F, CORKE P, et al. Aerial SLAM with a single camera using visual expectation[C]//Proceedings of 2011 IEEE International Conference on Robotics and Automation. Shanghai, China, 2011:2506–2512.

[36]張瀟, 胡小平, 張禮廉,等. 一種改進的RatSLAM仿生導(dǎo)航算法[J]. 導(dǎo)航與控制, 2015, 14(5): 73–79.ZHANG Xiao, HU Xiaoping, ZHANG Lilian, et al. An improved bionic navigation algorithm based on RatSLAM[J].Navigation and control, 2015, 14(5): 73–79.

[37]MADDERN W, GLOVER A, GORDON W, et al. Augmenting RatSLAM using FAB-MAP-based visual data association[C]// Curran Associates, 2013:2–4.

[38]許曈, 凌有鑄, 陳孟元, 等. 基于姿態(tài)測量模塊和閉環(huán)檢測算法的仿生SLAM研究[J]. 傳感技術(shù)學(xué)報, 2017,30(6): 916–921.XU Tong, LING Youzhu, CHEN Mengyuan, et al. Bio-inspired SLAM based on gesture measuring and closed-loop detection[J]. Chinese journal of sensors and actuators,2017, 30(6): 916–921.

[39]BERKVENS R, WEYN M, PEREMANS H. Asynchronous, electromagnetic sensor fusion in RatSLAM[C]//Proceedings of 2015 IEEE SENSORS. Busan, South Korea,2015: 1–4.