無人機(jī)類腦吸引子神經(jīng)網(wǎng)絡(luò)導(dǎo)航技術(shù)

劉建業(yè)，楊 闖，熊 智，賴際舟，熊 駿

(1. 南京航空航天大學(xué)導(dǎo)航研究中心，南京 211106；2. 先進(jìn)飛行器導(dǎo)航、控制與健康管理工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，南京 211106；3. 衛(wèi)星通信與導(dǎo)航江蘇高校協(xié)同創(chuàng)新中心，南京 210016)

0 引言

即時(shí)定位與地圖構(gòu)建(Simultaneous localiza-tion and mapping，SLAM)是無人機(jī)在非結(jié)構(gòu)化或未知復(fù)雜環(huán)境下自主導(dǎo)航與定位的主要方式之一[1]?，F(xiàn)有的無人機(jī)SLAM存在如下問題：在配備慣性、衛(wèi)星、測(cè)距等基本導(dǎo)航傳感器的基礎(chǔ)上，還需配備較高精度昂貴的激光雷達(dá)和視覺等環(huán)境感知傳感器；主要采用概率方法解決建圖和定位問題，需建立精確世界和無人機(jī)物理模型；受環(huán)境影響較大，在光照較強(qiáng)(弱)、圖像紋理豐富度低、粉塵等惡劣環(huán)境下較難正常工作(典型的例子如特斯拉無人駕駛事故)；無法自主智能應(yīng)對(duì)未知復(fù)雜環(huán)境，需要發(fā)展復(fù)雜環(huán)境下的新型導(dǎo)航方式。

相比上述無人機(jī)SLAM問題，動(dòng)物(人)在不具備高精度感覺器官和高分辨率地圖的情況下仍然能夠準(zhǔn)確快速進(jìn)行定位與導(dǎo)航，這種能力如此簡(jiǎn)單和自然，一直是該領(lǐng)域研究者持續(xù)關(guān)注的問題之一。隨著大鼠等哺乳動(dòng)物大腦海馬區(qū)中與認(rèn)知導(dǎo)航相關(guān)的位置細(xì)胞、頭朝向細(xì)胞、網(wǎng)格細(xì)胞以及邊界細(xì)胞等幾種關(guān)鍵導(dǎo)航細(xì)胞的陸續(xù)發(fā)現(xiàn)，對(duì)深入理解哺乳動(dòng)物(人)的大腦導(dǎo)航機(jī)理提供了可能。受這些機(jī)理啟發(fā)，近年來基于人工智能的類腦導(dǎo)航技術(shù)得到了較大發(fā)展[2]，為解決上述SLAM問題提供了一條新思路。

當(dāng)前，類腦導(dǎo)航技術(shù)主要有五種類型：吸引子神經(jīng)網(wǎng)絡(luò)型[3]、深度學(xué)習(xí)型[4]、脈沖神經(jīng)網(wǎng)絡(luò)型[5]、振蕩相干型[6]和貝葉斯推理型[7]。其中，深度學(xué)習(xí)模型可解釋性不強(qiáng)，且需要進(jìn)行大量監(jiān)督學(xué)習(xí)訓(xùn)練；脈沖神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練復(fù)雜，當(dāng)前還主要處于仿真驗(yàn)證階段；振蕩相干型對(duì)傳感輸入噪聲較為敏感；貝葉斯推理型需要建立較為準(zhǔn)確的概率模型。相比以上四種類型，吸引子神經(jīng)網(wǎng)絡(luò)模型可解釋性強(qiáng)，無需訓(xùn)練模型參數(shù)，具有較強(qiáng)的處理輸入噪聲魯棒性，無需精確導(dǎo)航模型，不依賴高精度傳感器，惡劣環(huán)境(暗光、強(qiáng)光、粉塵等)下適應(yīng)性強(qiáng)，且具有一定的自主智能能力等優(yōu)勢(shì)，得到了大量研究[8-10]。

本文結(jié)合作者團(tuán)隊(duì)南京航空航天大學(xué)導(dǎo)航研究中心正在承擔(dān)的國(guó)家自然科學(xué)基金項(xiàng)目—類腦感知定位機(jī)理的無人機(jī)密集集群編隊(duì)協(xié)同導(dǎo)航方法(61873125)，簡(jiǎn)要闡述了哺乳動(dòng)物大腦導(dǎo)航機(jī)理，分析了吸引子神經(jīng)網(wǎng)絡(luò)的編碼信息性能，概述了基于吸引子神經(jīng)網(wǎng)絡(luò)的類腦導(dǎo)航關(guān)鍵技術(shù)，最后討論了吸引子神經(jīng)網(wǎng)絡(luò)類腦導(dǎo)航技術(shù)在無人機(jī)導(dǎo)航與定位應(yīng)用中的挑戰(zhàn)。

1 動(dòng)物大腦導(dǎo)航機(jī)理

哺乳動(dòng)物具有高度智能的導(dǎo)航能力，這些能力依賴于海馬-內(nèi)嗅皮層(海馬區(qū))產(chǎn)生的能夠表征環(huán)境事物空間關(guān)系的認(rèn)知地圖，認(rèn)知地圖的形成與海馬區(qū)中存在的導(dǎo)航細(xì)胞密切相關(guān)。

當(dāng)前被證實(shí)的導(dǎo)航細(xì)胞主要有：位置細(xì)胞、頭朝向細(xì)胞、網(wǎng)格細(xì)胞和邊界細(xì)胞，如圖1所示。位置細(xì)胞和頭朝向細(xì)胞是認(rèn)知地圖的主要物質(zhì)基礎(chǔ)。動(dòng)物到達(dá)環(huán)境中某個(gè)區(qū)域時(shí)，特定的位置細(xì)胞會(huì)激活放電指示動(dòng)物所處位置，此外，位置細(xì)胞還可以記憶環(huán)境信標(biāo)點(diǎn)，當(dāng)遇到信標(biāo)點(diǎn)時(shí)同樣會(huì)激活位置細(xì)胞放電；動(dòng)物頭部朝向環(huán)境中不同方向時(shí)，特定的頭朝向細(xì)胞會(huì)激活放電指示動(dòng)物相對(duì)周圍環(huán)境事物的方位，進(jìn)而表征事物之間的方位關(guān)系；大量位置細(xì)胞和頭朝向細(xì)胞聯(lián)合實(shí)現(xiàn)編碼動(dòng)物所處整個(gè)環(huán)境位置與方位信息。動(dòng)物處于環(huán)境中某一尺寸的正六邊形網(wǎng)格軌跡頂點(diǎn)時(shí)，會(huì)有某一特定的網(wǎng)格細(xì)胞周期性激活放電；網(wǎng)格細(xì)胞被認(rèn)為是動(dòng)物大腦的路徑積分器(航跡推算系統(tǒng))，實(shí)現(xiàn)動(dòng)物位置和方位信息的更新；僅僅依靠網(wǎng)格細(xì)胞路徑積分不可避免地存在累積誤差，需要位置細(xì)胞表征的信標(biāo)校正。動(dòng)物到達(dá)環(huán)境邊界時(shí)，特定的邊界細(xì)胞會(huì)激活放電指示邊界。

圖1 動(dòng)物大腦導(dǎo)航機(jī)理Fig.1 Mechanism of animal brain navigation

隨后，神經(jīng)生理學(xué)家又陸續(xù)發(fā)現(xiàn)了敏感運(yùn)動(dòng)速度的速度細(xì)胞[11]，整合速度和方向的條紋細(xì)胞[12]，感知與物體相對(duì)位矢的路標(biāo)向量細(xì)胞[13]，分辨街區(qū)級(jí)范圍位置的臨近區(qū)域細(xì)胞[14]，以及敏感同伴距離和方位的社交位置細(xì)胞[15]等多種導(dǎo)航細(xì)胞。

上述多種導(dǎo)航細(xì)胞廣泛存在于鼠類、猴子、海豚等哺乳動(dòng)物以及人類[16]，這些導(dǎo)航細(xì)胞相互連接構(gòu)成一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)，如圖1所示。該網(wǎng)絡(luò)通過導(dǎo)航細(xì)胞的集群放電活動(dòng)，不斷整合動(dòng)物的自運(yùn)動(dòng)信息以及視覺/聽覺/嗅覺等信標(biāo)信息，并將這些信息轉(zhuǎn)化為內(nèi)部空間神經(jīng)代碼，形成表征環(huán)境的認(rèn)知地圖，進(jìn)而基于認(rèn)知地圖進(jìn)行空間認(rèn)知和導(dǎo)航。

2 吸引子神經(jīng)網(wǎng)絡(luò)

吸引子神經(jīng)網(wǎng)絡(luò)(Attractor Neural Network，ANN)是基于吸引子動(dòng)力學(xué)和循環(huán)神經(jīng)網(wǎng)絡(luò)的一種神經(jīng)動(dòng)力學(xué)模型。其狀態(tài)為神經(jīng)元激活放電率，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2(a)所示[3]，每個(gè)神經(jīng)元同時(shí)接收來自周圍神經(jīng)元的局部興奮性輸入和全局抑制性輸入，在沒有外部輸入時(shí)整個(gè)神經(jīng)網(wǎng)絡(luò)狀態(tài)達(dá)到某一穩(wěn)態(tài)(網(wǎng)絡(luò)能量函數(shù)E取得極小值)，該穩(wěn)態(tài)稱為ANN的一個(gè)吸引子，如圖2(b)所示[17]，所有吸引子構(gòu)成ANN狀態(tài)空間的一個(gè)流形。在外部輸入的驅(qū)動(dòng)下，吸引子沿流形發(fā)生相應(yīng)移動(dòng)，響應(yīng)外部輸入。

連 續(xù) 型 ANN(Continuous Attractor Neural Network, CANN)動(dòng)力學(xué)方程一般形式為

wEI·u(t)+Xi(t)]+

(1)

(a) 吸引子神經(jīng)網(wǎng)絡(luò)拓?fù)?/p>

(b) 吸引子流形圖2 吸引子神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與吸引子流形Fig.2 The attractor manifold and the topological structure of attractor neural network

CANN常用吸引子來編碼表征運(yùn)動(dòng)方向、空間方位和位置等連續(xù)性信息。由于CANN通過大量神經(jīng)元集群放電活動(dòng)來表征編碼信息，使得CANN對(duì)外部輸入信息具有較強(qiáng)的魯棒性，僅當(dāng)外部輸入信息能光滑、連續(xù)驅(qū)動(dòng)編碼信息時(shí)，即吸引子嚴(yán)格沿流形連續(xù)移動(dòng)時(shí)，外部輸入才能驅(qū)動(dòng)吸引子移動(dòng)完成信息的編碼更新。如圖3所示，CANN處理輸入信息時(shí)，具有以下顯著魯棒性：1)抵抗隨機(jī)噪聲；2)抵抗常值漂移；3)抵抗野值；4)自動(dòng)加權(quán)融合多種輸入。CANN上述特性，與導(dǎo)航細(xì)胞集群編碼表征動(dòng)物的導(dǎo)航參數(shù)特征尤為切合，是對(duì)大腦進(jìn)行空間認(rèn)知、導(dǎo)航和記憶等高級(jí)活動(dòng)建模的常用模型[18]。

(a) 抵抗隨機(jī)噪聲

(b) 抵抗常值漂移

(c) 抵抗野值

(d) 自動(dòng)加權(quán)融合多種輸入圖3 吸引子神經(jīng)網(wǎng)絡(luò)特性Fig.3 The performance of attractor neural network

3 吸引子神經(jīng)網(wǎng)絡(luò)類腦導(dǎo)航技術(shù)

借鑒動(dòng)物大腦導(dǎo)航機(jī)理，基于ANN的類腦導(dǎo)航主要包括3個(gè)過程：以網(wǎng)格細(xì)胞為核心的路徑積分，以位置細(xì)胞為核心的信標(biāo)定位，以及融合路徑積分和信標(biāo)定位的認(rèn)知地圖構(gòu)建，如圖4所示。

圖4 吸引子神經(jīng)網(wǎng)絡(luò)類腦導(dǎo)航工作流程Fig.4 Workflow of attractor neural network-based brain-inspired navigation

3.1 路徑積分

雖然路徑積分存在累積誤差，需要外部信標(biāo)的及時(shí)校正，但過多依賴外部實(shí)時(shí)校正的路徑積分算法是無意義的，需要發(fā)展接近動(dòng)物能維持幾分鐘高精度的路徑積分模型，代表性的模型是Burak等提出的CANN精確路徑積分模型[19]。該模型當(dāng)前仍處于大量研究和應(yīng)用階段[9,20-22]，其基于放電率編碼的網(wǎng)格細(xì)胞神經(jīng)動(dòng)力學(xué)方程為

(2)

(3)

其中，a為興奮與抑制性連接比例調(diào)控因子，γ=1.05β，β=3λ-2，a與λ決定了網(wǎng)格細(xì)胞放電模式尺度，Bi為向網(wǎng)格細(xì)胞i注入的耦合速度與方位信息的前饋興奮性輸入，由式(4)確定

(4)

上述精確路徑積分模型實(shí)驗(yàn)結(jié)果如圖5所示。其中圖5(a)為128×128個(gè)網(wǎng)格細(xì)胞集群放電圖；圖5(b)為其中一個(gè)網(wǎng)格細(xì)胞的空間放電樣式。

(a)網(wǎng)格細(xì)胞集群活動(dòng)

(b)某個(gè)網(wǎng)格細(xì)胞周期性網(wǎng)格放電模式圖5 基于CANN的網(wǎng)格細(xì)胞精確路徑積分Fig.5 Accurate path integration in CANN of grid cells

從圖5中可以看出，在長(zhǎng)時(shí)間的路徑積分中，其放電樣式呈六邊形且覆蓋整個(gè)空間，說明了網(wǎng)格細(xì)胞路徑積分過程中的誤差累積小于半個(gè)周期的相位誤差，不足以破壞網(wǎng)格細(xì)胞的放電特性，說明了計(jì)算模型的有效性與準(zhǔn)確性。進(jìn)一步，該模型基于采集的大鼠運(yùn)動(dòng)速度和方位輸入，實(shí)現(xiàn)了260m/20min誤差不超過15cm的網(wǎng)格放電模式，接近大鼠的路徑積分精度[19]。該CANN模型的輸入為自運(yùn)動(dòng)信息(速度與方位)，這些信息可經(jīng)過頭朝向細(xì)胞、速度細(xì)胞[23]和條紋細(xì)胞[24]計(jì)算模型輸入到CANN模型，進(jìn)一步提高了路徑積分精度。

基于網(wǎng)格細(xì)胞的CANN模型在執(zhí)行路徑積分的過程中重現(xiàn)了網(wǎng)格細(xì)胞較為精確的空間網(wǎng)格放電樣式，但這種放電樣式相對(duì)實(shí)際空間位置為周期重復(fù)性放電，在表征實(shí)際空間位置時(shí)具有很大的歧義性，無法根據(jù)網(wǎng)格放電樣式直接確定物理位置信息以及進(jìn)一步用于構(gòu)建認(rèn)知地圖。

為實(shí)現(xiàn)基于CANN網(wǎng)格放電樣式解算位置信息，如圖6所示，當(dāng)前主要有三種方案：1) 多尺度網(wǎng)格細(xì)胞聯(lián)合生成位置細(xì)胞[9]；2) 網(wǎng)格細(xì)胞多尺度融合定位[20]；3) 同尺度網(wǎng)格細(xì)胞集群放電模式里程計(jì)定位[21]。

(a) 多尺度網(wǎng)格細(xì)胞聯(lián)合生成位置細(xì)胞

(b) 網(wǎng)格細(xì)胞多尺度融合定位

(c) 同尺度網(wǎng)格細(xì)胞集群放電模式里程計(jì)定位圖6 基于網(wǎng)格細(xì)胞路徑積分的位置解算方法Fig.6 Position solution derived from grid cell-based path integration

1)多尺度網(wǎng)格細(xì)胞聯(lián)合生成位置細(xì)胞

如圖6(a)所示，為確保多尺度網(wǎng)格細(xì)胞周期性放電活動(dòng)生成單一位置細(xì)胞放電模式，主要通過競(jìng)爭(zhēng)學(xué)習(xí)實(shí)現(xiàn)，如式(5)所示

(5)

2)網(wǎng)格細(xì)胞多尺度融合定位

大腦中的網(wǎng)格細(xì)胞呈離散模塊化分布，每一模塊中存在大量網(wǎng)格細(xì)胞，這些網(wǎng)格細(xì)胞放電野尺度相同(正六邊形間距)；不同模塊網(wǎng)格細(xì)胞放電野尺度呈指數(shù)級(jí)增長(zhǎng)，能夠?qū)崿F(xiàn)對(duì)位置信息不同層級(jí)分辨率的編碼表征[25]；這些網(wǎng)格細(xì)胞一同工作，映射環(huán)境中每個(gè)位置；任何特定位置都能被表示為一種獨(dú)特的多尺度網(wǎng)格細(xì)胞激發(fā)放電模式組合，不同尺度放電重疊的信息點(diǎn)即為載體當(dāng)前位置，如圖6(b)所示。

3)同尺度網(wǎng)格細(xì)胞集群放電模式里程計(jì)定位

同一模塊中含有大量同尺度、同朝向、不同相位的網(wǎng)格細(xì)胞，將這些網(wǎng)格細(xì)胞按一定邏輯規(guī)則排列，載體運(yùn)動(dòng)速度會(huì)驅(qū)動(dòng)這些網(wǎng)格細(xì)胞集群放電模式的運(yùn)動(dòng)，模式運(yùn)動(dòng)的方向和速率與載體實(shí)際運(yùn)動(dòng)呈線性關(guān)系，如圖6(c)所示。通過對(duì)該集群放電模式運(yùn)動(dòng)方向和距離的解碼，即可解算載體的位移信息，構(gòu)造里程計(jì)實(shí)時(shí)遞推計(jì)算位置。

3.2 信標(biāo)校正與認(rèn)知地圖構(gòu)建

路徑積分可以使運(yùn)動(dòng)載體在環(huán)境中產(chǎn)生相對(duì)某一特定物理位置的唯一的激活放電以表征特定位置信息，為載體運(yùn)動(dòng)提供空間坐標(biāo)系[26]；運(yùn)動(dòng)中，當(dāng)遇到信標(biāo)信息時(shí)，載體將信標(biāo)信息轉(zhuǎn)化為信標(biāo)位置細(xì)胞，并將生成的信標(biāo)位置細(xì)胞和路徑積分提供的空間坐標(biāo)關(guān)聯(lián)記憶和存儲(chǔ)，完成認(rèn)知地圖的構(gòu)建，實(shí)現(xiàn)了對(duì)環(huán)境事物之間空間關(guān)系、邏輯關(guān)系以及時(shí)間關(guān)系的綜合表征。但隨著運(yùn)行距離的不斷增大，路徑積分提供的空間坐標(biāo)系不可避免地存在累積誤差，需要環(huán)境信標(biāo)的校正，如圖7所示。

圖7 認(rèn)知地圖構(gòu)建Fig.7 Construction of cognitive map

信標(biāo)主要有圖像類、無線電類以及環(huán)境中其他能提供位置參考的信息源[27]，如圖8所示。信標(biāo)校正的方式主要有：信標(biāo)信息生成的位置細(xì)胞放電和重置路徑積分產(chǎn)生的位置細(xì)胞放電[28]；視覺位置細(xì)胞回環(huán)檢測(cè)[24]；對(duì)路徑積分產(chǎn)生的位置細(xì)胞放電率和視覺信標(biāo)位置細(xì)胞放電率加權(quán)融合，生成綜合位置細(xì)胞放電[29]等。

圖8 多源信標(biāo)位置細(xì)胞Fig.8 Multi-source beacon-based place cell

信標(biāo)校正后的位置細(xì)胞認(rèn)知地圖可以通過位置細(xì)胞之間的連接權(quán)值關(guān)系實(shí)現(xiàn)對(duì)環(huán)境事物之間空間關(guān)系、邏輯關(guān)系以及時(shí)間關(guān)系的準(zhǔn)確綜合表征，權(quán)值的大小表征這些關(guān)系的緊密程度[22]，進(jìn)而可以基于認(rèn)知地圖完成空間認(rèn)知和導(dǎo)航任務(wù)。

4 吸引子類腦導(dǎo)航技術(shù)分析

基于ANN的類腦導(dǎo)航不依賴精確建模導(dǎo)航模型，不依賴高精度傳感器，無需訓(xùn)練模型參數(shù)，表現(xiàn)出了較高的模型適用性及導(dǎo)航魯棒性，這些特性與非結(jié)構(gòu)或未知環(huán)境下的無人機(jī)自主導(dǎo)航與定位的需求較為切合。然而，當(dāng)前基于ANN的類腦導(dǎo)航模型，主要對(duì)大腦海馬-內(nèi)嗅皮層神經(jīng)回路中所發(fā)現(xiàn)的部分導(dǎo)航細(xì)胞的部分作用機(jī)理進(jìn)行編碼和功能性模擬。因此，暫時(shí)還無法從系統(tǒng)層面模擬大腦導(dǎo)航機(jī)制，應(yīng)用于無人機(jī)自主導(dǎo)航中還存在一些挑戰(zhàn)。當(dāng)前研究人員通過提高模型的高效性、準(zhǔn)確性、實(shí)時(shí)性、完備性，以及并行編碼多信息等途徑進(jìn)一步提高了模型性能。

吸引子編碼的高效性。將運(yùn)動(dòng)方向和位置分別用頭朝向細(xì)胞和位置細(xì)胞表征，這種方向和位置分開表示的方法，本質(zhì)上并不適合工程中類似無人機(jī)這種在大面積、不確定性環(huán)境中進(jìn)行路徑積分。針對(duì)上述難題，RatSLAM類腦導(dǎo)航模型將頭朝向細(xì)胞和位置細(xì)胞的功能綜合在一起，提出了一種虛擬的位姿細(xì)胞，通過在競(jìng)爭(zhēng)CANN模型中的活動(dòng)來表達(dá)機(jī)器人的位置和方向三維信息，位姿細(xì)胞的激活程度表示載體在這個(gè)位置和方向的概率，實(shí)現(xiàn)了大范圍空間的路徑積分；路徑積分的輸入為視覺、陀螺儀等傳感器提供的方位信息，以及視覺、光電里程計(jì)等提供的速度信息；進(jìn)一步通過視覺等信標(biāo)信息進(jìn)行回環(huán)檢測(cè)及重置，即可實(shí)現(xiàn)認(rèn)知地圖的構(gòu)建。該CANN位姿細(xì)胞路徑積分模型基于平板電腦攝像頭采集的視覺信息，經(jīng)過傳統(tǒng)視覺里程計(jì)技術(shù)(scanline intensity profile)計(jì)算提供的自運(yùn)動(dòng)(速度和方位)以及視覺信標(biāo)信息，經(jīng)過了66km城市級(jí)的車載測(cè)試驗(yàn)證[8]，證明了其具有較好的環(huán)境魯棒性；基于嵌入式攝像頭和傳統(tǒng)視覺里程計(jì)算法提供的方位信息、光電里程計(jì)提供的速度信息以及視覺信標(biāo)信息，實(shí)現(xiàn)了室內(nèi)機(jī)器人連續(xù)運(yùn)行2周的導(dǎo)航測(cè)試[30]，具有較好的穩(wěn)定性；在井下挖煤機(jī)視覺自主定位中具有惡略環(huán)境適應(yīng)性強(qiáng)、不依賴高精度昂貴視覺傳感器等應(yīng)用潛力[31]。

吸引子表達(dá)信息的精確性。ANN路徑積分提供的位置信息，或是基于信標(biāo)信息位置細(xì)胞提供的位置信息，主要通過載體進(jìn)入某個(gè)物理環(huán)境區(qū)域(放電野)，引起特定位置細(xì)胞放電進(jìn)而基于該位置細(xì)胞表征的物理位置進(jìn)行定位。放電野為一個(gè)區(qū)域范圍而非一個(gè)點(diǎn)，位置細(xì)胞表征的位置信息實(shí)則代表了某個(gè)區(qū)域。實(shí)際上動(dòng)物在經(jīng)過某一導(dǎo)航細(xì)胞放電野的過程中會(huì)引起導(dǎo)航細(xì)胞放電相位進(jìn)動(dòng)。相位進(jìn)動(dòng)刻畫了導(dǎo)航細(xì)胞經(jīng)過放電野不同位置的放電脈沖細(xì)節(jié)[32]，將相位進(jìn)動(dòng)引入ANN，是進(jìn)一步提高吸引子表征信息精確性的一條有效途徑[33]。

吸引子更新的實(shí)時(shí)性。上述基于ANN的類腦導(dǎo)航模型，源于大量導(dǎo)航細(xì)胞神經(jīng)網(wǎng)絡(luò)的集體放電模式行為，而非基于單個(gè)導(dǎo)航細(xì)胞放電率的求解。此外，這些集體放電模式行為，即吸引子，被限制在一個(gè)穩(wěn)定狀態(tài)的低維連續(xù)流形中，在流形中的位置根據(jù)載體的角(線)運(yùn)動(dòng)而更新，從而實(shí)現(xiàn)了導(dǎo)航參數(shù)的移動(dòng)和更新。因此，如何確保吸引子快速響應(yīng)[34]無人機(jī)運(yùn)動(dòng)，是實(shí)現(xiàn)類腦導(dǎo)航模型實(shí)時(shí)性的前提和基礎(chǔ)。

吸引子編碼導(dǎo)航細(xì)胞的完備性。當(dāng)前的吸引子類腦導(dǎo)航模型主要編碼表征了網(wǎng)格細(xì)胞、位置細(xì)胞等少數(shù)幾種典型導(dǎo)航細(xì)胞，雖然表現(xiàn)出了較好的模型適用性[19]，但未能從系統(tǒng)層面全面編碼表征第1節(jié)中已發(fā)現(xiàn)的或其他更多未知種類的導(dǎo)航細(xì)胞，吸引子編碼導(dǎo)航細(xì)胞的完備性還有待進(jìn)一步研究和提高。而基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的以自運(yùn)動(dòng)信息(速度和方位)為輸入的導(dǎo)航模型，發(fā)現(xiàn)了與網(wǎng)格細(xì)胞、位置細(xì)胞、邊界細(xì)胞、速度細(xì)胞等多種導(dǎo)航細(xì)胞類似的深度循環(huán)神經(jīng)網(wǎng)絡(luò)隱含節(jié)點(diǎn)[4,35]。因此，如何結(jié)合深度學(xué)習(xí)的黑箱建模特性完善ANN類腦導(dǎo)航模型是提高吸引子編碼導(dǎo)航細(xì)胞完備性的一條新途徑。

吸引子的并行多信息編碼。動(dòng)物進(jìn)行導(dǎo)航任務(wù)時(shí)利用了包括地理空間信息在內(nèi)的多種導(dǎo)航信息[36]，而當(dāng)前吸引子類腦導(dǎo)航模型主要對(duì)導(dǎo)航細(xì)胞處理的地理類導(dǎo)航信息進(jìn)行編碼和功能性模擬。事實(shí)上，位置細(xì)胞-網(wǎng)格細(xì)胞回路在編碼地理位置信息的同時(shí)，還編碼了記憶聲音頻率、物體形狀及其他抽象任務(wù)特征空間[37]，這些信息對(duì)導(dǎo)航任務(wù)同樣較為重要。因此，如何通過共用位置細(xì)胞-網(wǎng)格細(xì)胞回路，對(duì)多種導(dǎo)航信息并行編碼是進(jìn)一步從更深層次模擬動(dòng)物大腦導(dǎo)航的重要途徑。

5 總結(jié)

當(dāng)前，隨著腦與神經(jīng)科學(xué)以及人工智能技術(shù)的進(jìn)步，基于ANN的類腦導(dǎo)航技術(shù)得到了廣泛關(guān)注和大量研究，部分模型算法進(jìn)行了大范圍物理環(huán)境硬件測(cè)試，表現(xiàn)出了無需訓(xùn)練模型參數(shù)，不依賴高精度傳感器，惡劣環(huán)境(暗光強(qiáng)光、粉塵等)下適應(yīng)性強(qiáng)，無需精確導(dǎo)航模型等優(yōu)勢(shì)，這些與無人機(jī)在非結(jié)構(gòu)化或未知復(fù)雜環(huán)境下對(duì)導(dǎo)航能力的高可靠性要求有著緊密的契合，是解決無人機(jī)SLAM現(xiàn)有問題的一條較好途徑。但現(xiàn)在吸引子類腦導(dǎo)航技術(shù)還未能從系統(tǒng)層面借鑒和模擬動(dòng)物(人)的大腦導(dǎo)航機(jī)制，因此如何進(jìn)一步提高ANN類腦導(dǎo)航模型的高效性、準(zhǔn)確性、實(shí)時(shí)性、完備性以及并行編碼多信息的能力，從更深層次模擬大腦導(dǎo)航機(jī)制，是后續(xù)研究的重點(diǎn)，也是實(shí)現(xiàn)非結(jié)構(gòu)化或未知環(huán)境下無人機(jī)真正自主智能導(dǎo)航的關(guān)鍵。