陳孟元

（1. 安徽工程大學(xué) 安徽省電氣傳動(dòng)與控制重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000; 2. 中國(guó)科學(xué)技術(shù)大學(xué) 精密機(jī)械與精密儀器系，安徽 合肥 230027）

從簡(jiǎn)單重復(fù)的勞動(dòng)中解放出來一直是人類追求的夢(mèng)想，也是人類創(chuàng)造發(fā)明機(jī)器人的主要目的之一。機(jī)器人可移動(dòng)性可以進(jìn)一步擴(kuò)大其使用范圍并能更好地提高其使用效率，但移動(dòng)機(jī)器人在復(fù)雜環(huán)境中如何模仿人類進(jìn)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(dòng)機(jī)器人的出現(xiàn)，人類將兩者進(jìn)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(jìn)入了一個(gè)蓬勃發(fā)展的新時(shí)代。進(jìn)入21世紀(jì)后，被定義為研究感知與行動(dòng)之間智能連接的移動(dòng)機(jī)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(dòng)機(jī)器人正在從事工業(yè)制造、生活家居、通信運(yùn)輸工作，甚至對(duì)空間以及深海進(jìn)行探索，可以說，移動(dòng)機(jī)器人的出現(xiàn)改變了人們的生活，對(duì)社會(huì)發(fā)展的各個(gè)方面產(chǎn)生了巨大的影響，為先進(jìn)技術(shù)的發(fā)展與社會(huì)的進(jìn)步做出了有益的貢獻(xiàn)。

移動(dòng)機(jī)器人在短短幾十年間經(jīng)過了突飛猛進(jìn)的發(fā)展，能夠較好地代替人們完成重復(fù)性和危險(xiǎn)性的勞動(dòng)，減輕人們的工作強(qiáng)度和危險(xiǎn)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(dòng)機(jī)器人在復(fù)雜環(huán)境下應(yīng)用的關(guān)鍵原因，移動(dòng)機(jī)器人在沒有提前預(yù)設(shè)好行進(jìn)路線的陌生環(huán)境中需要主動(dòng)了解實(shí)際環(huán)境中的路況信息和障礙物的實(shí)際位置，同時(shí)精確地進(jìn)行移動(dòng)機(jī)器人自身的定位與實(shí)際環(huán)境的地圖構(gòu)建?，F(xiàn)階段，移動(dòng)機(jī)器人主要采用自身攜帶的各種圖像采集、陀螺儀、加速度計(jì)等先進(jìn)傳感器，通過激光測(cè)距、超聲測(cè)距以及圖像匹配完成SLAM工作。

傳感器在實(shí)際環(huán)境中的測(cè)量值有可能是錯(cuò)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(cè)器。圖像采集傳感器也有其局限性，例如，普通照相機(jī)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(qiáng)度的變化又很難表現(xiàn)出來，若采用全景相機(jī)或廣角鏡頭采集圖像，采集到的圖像又會(huì)產(chǎn)生畸變。另一方面，即使傳感器測(cè)量值是正確的，但總存在難以克服的精度問題。以測(cè)距和圖像匹配方法實(shí)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(jì)準(zhǔn)確測(cè)量機(jī)器人的移動(dòng)距離，但由于路面不平坦和輪子滑動(dòng)等原因，傳感器測(cè)量結(jié)果不能準(zhǔn)確反映機(jī)器人的實(shí)際移動(dòng)距離，并且隨著移動(dòng)機(jī)器人工作時(shí)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(huì)時(shí)就已經(jīng)意識(shí)到“飛鴿傳書，老馬識(shí)途”。一些動(dòng)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(dòng)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(jiǎng)獲得者發(fā)現(xiàn)了基于動(dòng)物導(dǎo)航機(jī)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(yùn)動(dòng)的時(shí)間、位置信息進(jìn)行定位導(dǎo)航的。秀麗隱桿線蟲僅有幾百個(gè)神經(jīng)細(xì)胞，卻可以通過追尋環(huán)境中的嗅覺信號(hào)來判斷方向。對(duì)于螞蟻和蜜蜂等神經(jīng)系統(tǒng)更為復(fù)雜的動(dòng)物，它們利用神經(jīng)細(xì)胞實(shí)時(shí)監(jiān)測(cè)自身的運(yùn)動(dòng)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(dòng)物僅依靠自身神經(jīng)系統(tǒng)進(jìn)行導(dǎo)航。

哺乳類動(dòng)物辨識(shí)方向的方法更為先進(jìn)。人類作為高級(jí)的哺乳動(dòng)物由于受到倫理的約束無法進(jìn)行大量的實(shí)驗(yàn)研究。與人較為接近的哺乳動(dòng)物，如猩猩、狒狒等，由于數(shù)量和國(guó)家保護(hù)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(dòng)物作為實(shí)驗(yàn)?zāi)Ｐ?，由于?shí)驗(yàn)環(huán)境和場(chǎng)合廣泛，為研究動(dòng)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(dòng)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(shí)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(diǎn)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(gè)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(duì)場(chǎng)景進(jìn)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(jìn)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(dòng)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(chǔ)存和學(xué)習(xí)的區(qū)域，被稱為海馬體。在日常中的一個(gè)記憶片段，比如一個(gè)電話號(hào)碼在短時(shí)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(guó)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(shí)其中的一些細(xì)胞會(huì)產(chǎn)生興奮，而經(jīng)過另一個(gè)位置時(shí)另一些細(xì)胞會(huì)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(dòng)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(shí)候，一組細(xì)胞會(huì)興奮；而頭部轉(zhuǎn)向南方時(shí)，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(shí)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(gè)信號(hào)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(dòng)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(dòng)物運(yùn)動(dòng)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(dòng)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?gòu)沫h(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(duì)。一旦信息能夠匹配成功，與匹配位置相對(duì)應(yīng)的特定位置細(xì)胞就會(huì)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(yùn)動(dòng)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(diǎn)表示記錄下的某一批位置細(xì)胞活躍時(shí)的位置。實(shí)驗(yàn)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(zhǎng)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(gè)被稱為位姿細(xì)胞的新細(xì)胞類型則對(duì)老鼠起到良好的導(dǎo)航作用。

圖 3 老鼠運(yùn)動(dòng)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(yùn)動(dòng)時(shí)，老鼠運(yùn)動(dòng)軌跡和某一個(gè)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(gè)網(wǎng)格細(xì)胞的發(fā)放場(chǎng)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(dòng)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(yùn)動(dòng)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(dòng)物接近墻壁、圍場(chǎng)邊緣或是其他隔斷時(shí)，這些細(xì)胞就會(huì)放電，這種細(xì)胞能夠通過細(xì)胞活性計(jì)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(jiǎng)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(dòng)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(gè)動(dòng)物在給定時(shí)間點(diǎn)上的移動(dòng)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(dòng)機(jī)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(shí)現(xiàn)移動(dòng)機(jī)器人速度和角度的測(cè)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(guó)內(nèi)外研究現(xiàn)狀及分析

在過去30多年內(nèi)，對(duì)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(kuò)展卡爾曼濾波(extended Kalman filter，EKF)[8-9]通過對(duì)非線性函數(shù)泰勒展開式一階線性化截?cái)鄬⒎蔷€性問題線性化，可以應(yīng)用于有非線性特征的簡(jiǎn)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(jì)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(jiǎn)單[12]，估計(jì)精度高，進(jìn)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(yàn)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(jì)機(jī)器人路徑下一時(shí)刻的位置[15]。這些概率算法的優(yōu)勢(shì)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(duì)當(dāng)前采集到的環(huán)境進(jìn)行數(shù)學(xué)建模并進(jìn)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(qiáng)的導(dǎo)航能力，并且能夠解決全局SLAM問題。因?yàn)樯飳?duì)其地圖的構(gòu)建依賴于魯棒性處理策略而不是對(duì)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(jì)算量大、搜索時(shí)間長(zhǎng)、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(dòng)物，如鼠類是人們研究較多的一種動(dòng)物，人們對(duì)其導(dǎo)航、環(huán)境探索和真實(shí)能力的神經(jīng)機(jī)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(chǎng)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?jī)森h(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(lì)來描述位置細(xì)胞活性，從而描述環(huán)境中物體運(yùn)動(dòng)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(shí)間推移支持多位姿假設(shè)，故會(huì)造成不完全重定位或重定向，從而導(dǎo)致無法長(zhǎng)期跟蹤移動(dòng)機(jī)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(duì)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(dòng)物海馬區(qū)擴(kuò)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(dòng)機(jī)器人具有更新預(yù)測(cè)狀態(tài)的能力。實(shí)驗(yàn)表明，嚙齒動(dòng)物海馬區(qū)擴(kuò)展模型對(duì)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(duì)范圍更廣更復(fù)雜的環(huán)境導(dǎo)致路徑積分性能下降時(shí)，會(huì)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(duì)嚙齒動(dòng)物海馬區(qū)擴(kuò)展模型進(jìn)行改進(jìn)，一種借鑒策略是直接根據(jù)移動(dòng)機(jī)器人位姿的核心表征，以及存儲(chǔ)在位姿感知細(xì)胞及局部場(chǎng)景細(xì)胞網(wǎng)絡(luò)中的環(huán)境表征對(duì)應(yīng)關(guān)系，建立存儲(chǔ)環(huán)境空間、視覺、時(shí)間、行為和變化等信息的沿途構(gòu)圖[30-33]。該算法通過同時(shí)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(gè)問題。Milford等驗(yàn)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(kuò)展嚙齒動(dòng)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(chǎng)景細(xì)胞，提高了系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性。文獻(xiàn)[35]通過飛行器進(jìn)行場(chǎng)景回憶，驗(yàn)證了沿途構(gòu)圖算法的可靠性。對(duì)于車載導(dǎo)航系統(tǒng)，由于視覺里程計(jì)誤差較大，即使通過嚙齒動(dòng)物海馬區(qū)擴(kuò)展模型仿生機(jī)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(dòng)物海馬區(qū)擴(kuò)展模型的視覺里程計(jì)，這種基于歷史模型的閉合檢測(cè)算法可以過濾視覺里程計(jì)的誤報(bào)信息，進(jìn)一步提高該模型的穩(wěn)定性，但通過逐個(gè)對(duì)比當(dāng)前場(chǎng)景與歷史場(chǎng)景的相似性，實(shí)施閉環(huán)檢測(cè)的方法效率較低，不能滿足系統(tǒng)實(shí)時(shí)性要求。研究提出的基于實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型在保證SLAM穩(wěn)定的前提下能夠提高閉環(huán)檢測(cè)實(shí)時(shí)性。

僅僅依賴純視覺的導(dǎo)航算法并不能適應(yīng)長(zhǎng)時(shí)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(jìn)行導(dǎo)航。許曈等[38]提出將姿態(tài)策略模塊引入嚙齒動(dòng)物海馬區(qū)擴(kuò)展模型中，對(duì)突發(fā)障礙物的干擾提出了一個(gè)切實(shí)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(shí)驗(yàn)中，結(jié)果表明，地磁通量引入的嚙齒動(dòng)物海馬區(qū)擴(kuò)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(cuò)誤路徑的產(chǎn)生，但仍有問題有待解決，如由于前一時(shí)刻定位產(chǎn)生錯(cuò)誤導(dǎo)致預(yù)期位置的錯(cuò)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(dòng)機(jī)器人復(fù)雜環(huán)境下的導(dǎo)航問題，一方面對(duì)傳感器的性能要求較高，另一方面，各類傳感器也會(huì)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(shí)現(xiàn)移動(dòng)機(jī)器人速度和旋轉(zhuǎn)角度的測(cè)量，融合邊界細(xì)胞以實(shí)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(shí)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(jìn)出等。即使讓一個(gè)機(jī)器人以5 cm/s的速度在安靜的空間里慢慢移動(dòng)，這種論文中看起來可行的算法，在實(shí)際環(huán)境中往往捉襟見肘，處處碰壁，因此，SLAM還未走進(jìn)人們的實(shí)際生活。這種局限性是數(shù)學(xué)模型本身帶來的，與改進(jìn)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(dòng)物大腦細(xì)胞導(dǎo)航機(jī)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(jiǎng)”啟發(fā)，擬將發(fā)現(xiàn)的局部場(chǎng)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(jī)理和數(shù)學(xué)表達(dá)，然后將這5種導(dǎo)航細(xì)胞按照動(dòng)物導(dǎo)航機(jī)制下大腦的工作原理建立數(shù)學(xué)模型，最終進(jìn)行實(shí)驗(yàn)驗(yàn)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(chǎng)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(shí)現(xiàn)復(fù)雜場(chǎng)景下的導(dǎo)航。融入局部場(chǎng)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(duì)視覺里程計(jì)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(duì)突發(fā)障礙物和自身速度進(jìn)行進(jìn)一步判別。

局部場(chǎng)景細(xì)胞獲取當(dāng)前場(chǎng)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(huì)受到現(xiàn)實(shí)場(chǎng)景中人物走動(dòng)、光線變化等原因造成導(dǎo)航性能下降。為進(jìn)一步提升系統(tǒng)的魯棒性，融入網(wǎng)格細(xì)胞，構(gòu)建了實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)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(shí)時(shí)性。在提出帶實(shí)時(shí)閉環(huán)檢測(cè)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(shí)時(shí)閉環(huán)檢測(cè)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(shí)現(xiàn)移動(dòng)機(jī)器人速度的測(cè)量，避免基于局部場(chǎng)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(shí)現(xiàn)移動(dòng)機(jī)器人對(duì)移動(dòng)障礙物的實(shí)時(shí)避障，進(jìn)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(jī)制的移動(dòng)機(jī)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(chǎng)景細(xì)胞的SLAM算法(VP-SLAM)

局部場(chǎng)景細(xì)胞在環(huán)境中學(xué)習(xí)獨(dú)特場(chǎng)景，模型化頭方向細(xì)胞和位置細(xì)胞的競(jìng)爭(zhēng)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(chǎng)景細(xì)胞和位姿細(xì)胞協(xié)同完成拓?fù)浠?jīng)驗(yàn)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(jìn)行姿態(tài)表達(dá)，在相機(jī)圖像信息經(jīng)過處理形成局部場(chǎng)景后，需選擇合適的視覺SLAM算法進(jìn)行圖像處理。

現(xiàn)有基于鼠類導(dǎo)航策略的擴(kuò)展海馬模型，其分別由局部場(chǎng)景細(xì)胞在環(huán)境中學(xué)習(xí)獨(dú)特場(chǎng)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(diǎn)與鏈路編碼局部場(chǎng)景細(xì)胞和位姿細(xì)胞構(gòu)建拓?fù)浠慕?jīng)驗(yàn)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(shí)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(dòng)。其動(dòng)態(tài)過程經(jīng)歷3個(gè)階段：興奮度更新階段、對(duì)所有細(xì)胞的全局抑制階段以及對(duì)位姿感知細(xì)胞活動(dòng)的歸一化階段。

對(duì)于局部場(chǎng)景信息的處理，通過Hessian矩陣行列式對(duì)圖像中的像素點(diǎn)進(jìn)行分析，構(gòu)造快速魯棒特征(speeded up robust feature，SURF)的特征點(diǎn)描述算子。其中，每個(gè)特征點(diǎn)采用64維向量的描述子進(jìn)行匹配。

3.2 基于實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型(GVP-SLAM)

視覺里程計(jì)漂移會(huì)形成累計(jì)誤差，通過閉環(huán)檢測(cè)可以修正復(fù)雜環(huán)境下定位導(dǎo)航里程計(jì)產(chǎn)生的累計(jì)誤差?，F(xiàn)有IAB-MAP(incremental appearance-based mapping)和FAB-MAP(fast appearance-based mapping)閉環(huán)檢測(cè)算法，雖能勝任復(fù)雜環(huán)境下的閉環(huán)檢測(cè)問題，但由于它們通過逐個(gè)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(shí)時(shí)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(chǎng)景重定位的基礎(chǔ)上設(shè)計(jì)相關(guān)算法提高實(shí)時(shí)性能，構(gòu)建的實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型能夠明顯提高系統(tǒng)的實(shí)時(shí)性能。

在閉環(huán)檢測(cè)過程中，要對(duì)采集到的足夠多的陌生場(chǎng)景進(jìn)行信息匹配。一方面，必須通過某種手段對(duì)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(chǎng)景圖像信息可能會(huì)發(fā)生錯(cuò)誤辨識(shí)。對(duì)于閉環(huán)檢測(cè)方法本身，需通過一種策略收集頻次較高和最臨近時(shí)刻出現(xiàn)的信息作為被匹配對(duì)象，在節(jié)約時(shí)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(jī)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(chǎng)景重定位并在此基礎(chǔ)上設(shè)計(jì)相關(guān)算法提高實(shí)時(shí)性能，構(gòu)成一種基于實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型，通過局部場(chǎng)景細(xì)胞進(jìn)行實(shí)時(shí)關(guān)鍵幀匹配，實(shí)現(xiàn)閉環(huán)檢測(cè)，通過位姿細(xì)胞和局部場(chǎng)景細(xì)胞沿途構(gòu)圖。如圖8所示，實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型通過局部場(chǎng)景細(xì)胞進(jìn)行新場(chǎng)景匹配的判斷，并通過局部場(chǎng)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(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型Fig. 8 Closed loop detection model with real-time keyframe matching based on rats

本研究提出的實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型具體流程包括定位點(diǎn)的建立、權(quán)重更新、貝葉斯估計(jì)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(zhǎng)期記憶(long-term memory，LTM)和短時(shí)記憶(short-term memory，STM)，具體策略如下。首先采集陌生場(chǎng)景信息，為避免實(shí)際環(huán)境的干擾，場(chǎng)景采集時(shí)需預(yù)先對(duì)同一場(chǎng)景多次采集并過濾其中的錯(cuò)誤信息，確保場(chǎng)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(shí)刻至過去某時(shí)刻內(nèi)的信息儲(chǔ)存在短時(shí)記憶中，并選取所有過去時(shí)刻出現(xiàn)頻次最高的信息儲(chǔ)存在工作記憶中。最后通過當(dāng)前位置與短時(shí)記憶存儲(chǔ)位置比較進(jìn)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(chǔ)位置比較進(jìn)行閉環(huán)檢測(cè)，同時(shí)，實(shí)時(shí)更新各記憶本身。此閉環(huán)檢測(cè)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(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型流程圖Fig. 9 Flow chart of the closed loop detection of real-time keyframe matching

圖 10 實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)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(dòng)障礙物的出現(xiàn)會(huì)導(dǎo)致視覺里程計(jì)速度的錯(cuò)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(duì)室內(nèi)復(fù)雜環(huán)境的特點(diǎn)，利用速度細(xì)胞和邊界細(xì)胞的導(dǎo)航功能對(duì)移動(dòng)機(jī)器人角度和速度等信息進(jìn)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(jìn)行比對(duì)。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(shí)現(xiàn)移動(dòng)機(jī)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(jìn)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(duì)鼠類導(dǎo)航模型的影響進(jìn)行分別研究。利用手術(shù)在老鼠腦部植入電極，通過上位機(jī)可觀測(cè)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(shí)驗(yàn)中，將老鼠置于100 cm×100 cm×50 cm的盒子中，通過在隨機(jī)位置播撒食物屑促使老鼠進(jìn)行任意運(yùn)動(dòng)，如圖11所示。為避免局部場(chǎng)景細(xì)胞對(duì)實(shí)驗(yàn)的影響，該實(shí)驗(yàn)在黑暗環(huán)境中進(jìn)行；為避免老鼠自身行為對(duì)速度細(xì)胞產(chǎn)生的影響，本實(shí)驗(yàn)忽略所有運(yùn)動(dòng)速度小于2 cm/s時(shí)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(jì)算出速度細(xì)胞的發(fā)放率并表示其活性；然后對(duì)細(xì)胞進(jìn)行無偏分析，通過無偏估計(jì)在實(shí)驗(yàn)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(qiáng)弱，通過一個(gè)由發(fā)放場(chǎng)和線性濾波器兩部分組成的簡(jiǎn)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(jìn)而影響沿途構(gòu)圖。

圖 11 黑暗環(huán)境下的速度細(xì)胞實(shí)驗(yàn)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(duì)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(huì)隨老鼠離障礙物距離的減少而增加。每個(gè)邊界細(xì)胞的感受野通過兩個(gè)高斯函數(shù)的乘積構(gòu)成，一個(gè)函數(shù)表示特定的距離，另一個(gè)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(jī)模型進(jìn)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(jìn)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(shí)發(fā)放率強(qiáng)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(jì)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(gè)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(jìn)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(duì)導(dǎo)航系統(tǒng)產(chǎn)生影響，對(duì)于移動(dòng)機(jī)器人本身，長(zhǎng)時(shí)間導(dǎo)航下移動(dòng)機(jī)器人也會(huì)存在里程計(jì)漂移等現(xiàn)象。本文針對(duì)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(diǎn)。1) 實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)建模現(xiàn)有的閉環(huán)檢測(cè)模型存在復(fù)雜度高、實(shí)時(shí)性差等問題，本文提出了一種實(shí)時(shí)關(guān)鍵幀匹配的閉環(huán)檢測(cè)模型，該模型通過“長(zhǎng)期記憶”、“短時(shí)記憶”等記憶單元的協(xié)同作用完成關(guān)鍵幀匹配，同時(shí)可以通過“長(zhǎng)期記憶”和“短時(shí)記憶”單元的切換和恢復(fù)，降低系統(tǒng)運(yùn)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(shí)時(shí)導(dǎo)航的基礎(chǔ)。因此，該問題是研究?jī)?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(dòng)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(jì)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(gè)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(jì)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?jī)?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(jī)理的模型算法魯棒性強(qiáng)，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(jī)理的模型算法的研究現(xiàn)狀，其相關(guān)的研究仍處于初級(jí)階段，有很多問題值得進(jìn)一步的研究，本文提出運(yùn)用仿生學(xué)研究、醫(yī)工結(jié)合、數(shù)值計(jì)算方法、解析計(jì)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(jī)制的移動(dòng)機(jī)器人衍生同步定位地圖構(gòu)建方法體系。本文重點(diǎn)探討了以鼠類腦細(xì)胞中邊界細(xì)胞、局部場(chǎng)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(jī)制的BVGSP-SLAM模型：融入局部場(chǎng)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(duì)視覺里程計(jì)的影響，引入邊界細(xì)胞和速度細(xì)胞以對(duì)突發(fā)障礙物和自身速度進(jìn)行進(jìn)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(dòng)機(jī)器人平臺(tái)上進(jìn)行硬件驗(yàn)證，為移動(dòng)機(jī)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(shí)現(xiàn)在實(shí)驗(yàn)場(chǎng)景更加惡劣的情況下動(dòng)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(jìn)一步研究，如何通過現(xiàn)有的鼠類模型進(jìn)行算法改進(jìn)或借鑒其他生物模型特性實(shí)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(gè)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(jìng)爭(zhēng)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(jìn)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(yùn)動(dòng)軌跡[J]. 生物化學(xué)與生物物理進(jìn)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(jī)制的研究進(jìn)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(jiǎng)簡(jiǎn)介[J]. 首都醫(yī)科大學(xué)學(xué)報(bào), 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(dòng)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(dòng)機(jī)器鼠沿墻導(dǎo)航策略與算法研究[J]. 計(jì)算機(jī)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(bào), 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(jìn)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(cè)量模塊和閉環(huán)檢測(cè)算法的仿生SLAM研究[J]. 傳感技術(shù)學(xué)報(bào), 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.