陳孟元 徐明輝

①(安徽工程大學高端裝備先進感知與智能控制教育部重點實驗室 蕪湖 241000)

②(安徽工程大學電氣工程學院 蕪湖 241000)

1 引言

實現移動機器人的高精度定位逐漸成為機器人導航重要的研究方向之一[1,2]，也是實現機器人智能化決策和控制的基礎。通過傳感器獲取信息和基于概率的同步定位與地圖構建(Simultaneous Localization And Mapping, SLAM)算法是目前機器人自主導航的主要研究方向?？茖W家通過對生物環(huán)境認知能力的研究發(fā)現，哺乳類動物具有對環(huán)境的自主認知能力。O’Keefe等人[3]在對鼠類海馬體椎體神經細胞的放電率進行研究時發(fā)現，一些椎體神經細胞的放電活動具有明顯的位置選擇性，即當大鼠到達某一特定位置時，對應的神經細胞產生復雜的尖峰電位，而其余細胞處于抑制狀態(tài)。O’Keefe等人將具有這種特性的細胞稱為位置細胞(Place Cell, PC)。Hafting等人[4]發(fā)現放電形式為六邊形的網格細胞，多個網格細胞的關聯(lián)響應可以實現空間導航。在之后的研究中，O’Keefe等人和挪威的Moser等人[5-7]根據位置細胞和網格細胞具有的“定位”屬性，提出了大腦里的“導航系統(tǒng)”概念。文獻[8]對海馬體位置細胞的功能和特性作出了更加詳細的說明。更多的研究發(fā)現，通過對位置細胞放電率的計算，結合路標獲取、位置編碼和圖像信息能完成機器人的空間位置估計[9,10]?？哲姽こ檀髮W的李偉龍等人[11]基于位置細胞的放電機理，提出了位置細胞表征空間位置的兩種方法，借助環(huán)境路標的提取實現了對于機器人空間位置的高精度表征。周牧等人[12]提出一種基于Mann-Whitney秩和檢驗的無線局域網室內映射與定位方法，該方法可根據實際定位精度需求對目標區(qū)域進行分段處理，在無需運動傳感器輔助和構建位置指紋數據庫的條件下，實現更高的映射與定位精度，但存在相同聚類接收信號強度(Received Signal Strength, RSS)樣本冗余等問題導致聚類(即信號空間中的骨干節(jié)點)映射到物理空間中的鄰接性較差。文獻[13]提出的基于RSS非齊性分布特征的半監(jiān)督學習室內定位指紋庫構建算法，實現運用少量標記數據對大量未標記數據的位置標定，但仍存在高維接收信號強度(RSS)數據分布不均勻的影響，缺乏對環(huán)境局部幾何特征的提取性能。Aronov等人[14]在大鼠獎勵實驗中發(fā)現，當大鼠到達“獎勵空間”時，位于海馬體的位置細胞活動速率達到最大，將這些活動速率變大的位置細胞的響應位置記錄下來，得到一條覆蓋大鼠活動區(qū)域的路徑，即大鼠的運動路徑。Milford等人[15-17]提出了一種通過關聯(lián)視覺場景細胞和位姿細胞建立經歷地圖的仿生SLAM算法，這一算法能有效地進行閉環(huán)檢測，更快實現空間地圖構建。但也存在定位精度低和處理數據速度慢的缺點。

1982年芬蘭科學家Kohonen[18,19]基于側抑制現象提出一種自組織圖(Self-Organizing Map,SOM)，并引入“贏者通吃”的競爭規(guī)則。這種自組織方法通過學習能夠自主繪制出拓撲地圖，但必須定義其初始網絡結構，無法滿足系統(tǒng)實時性要求。Montazeri等人[20]提出一種將增長自組織特征圖應用于強化學習的算法，通過兩個增長的自組織映射實現狀態(tài)空間的最佳表征。于乃功等人[21]根據自組織可增長映射圖(Growing Self-Organizing Map, GSOM)的特性結合雙目立體視覺視差理論，通過構建空間環(huán)境的拓撲關系，解決了SOM網絡需要預先確定拓撲結構的問題。

本文根據GSOM神經網絡的特性，引入位置細胞放電機理構建空間經歷地圖，神經網絡用來建立環(huán)境的拓撲地圖，位置細胞使拓撲地圖的輸出神經元具備激活響應，并應用于Milford等人提出的仿生SLAM模型中。

2 局部視圖與位姿細胞構建模型

O’Keefe等人[3]通過大鼠的導航細胞和SLAM導航策略提出的基于局部視圖和位姿感知的同步定位與地圖構建(local View and Pose cell - Simultaneous Localization And Mapping, VP-SLAM)模型由局部視圖單元(view cell)、位姿細胞(pose cell)和經歷地圖3部分組成，本文將該算法簡稱為VPSLAM。其位姿細胞網絡是頭方向細胞和位置細胞合并形成的定位網絡，頭方向細胞和位置細胞都具有強烈的空間感知特性，其中頭方向細胞能感知機器人的方向信息，位置細胞能感知機器人的位置信息；局部視圖單元是可擴展的單元陣列，每個單元代表環(huán)境中獨特的視覺場景；經歷地圖是由位姿感知網絡和局部視圖單元的活性驅動產生的多個經歷整合而成的相關地圖。VP-SLAM模型如圖1所示，在VP-SLAM模型中，里程計獲取內部感知的自運動信息來估算此刻機器人的位置和方向，局部場景作為外部感知形成局部視圖單元，通過視覺場景學習進行重定位，再將位姿細胞網絡獲得的位姿信息與局部視圖單元的模板關聯(lián)生成經歷地圖。

2.1 位姿細胞模型

連續(xù)吸引子競爭網絡(Competitive Attractor Network, CAN)模擬位置細胞和頭方向細胞的認知導航功能，在沒有外部輸入的情況下，CAN模型可以通過對位姿細胞網絡注入適當的興奮或抑制性激勵，保證位姿細胞的動態(tài)更新，用P表示位姿細胞的活躍水平。位姿細胞由位置細胞和頭方向細胞組成，其被模型化為一個3維立方體結構，如圖2所示。在笛卡兒坐標系中，位姿細胞以離散的形式排列，并以多個位姿細胞組成的活動包形式表征機器人位姿。該活動包編碼了機器人對其當前位姿的最佳內部估計。這種動態(tài)的內部估計行為是通過局部興奮性、全局抑制和歸一化3個階段實現的。

圖1 VP-SLAM模型

圖2 位姿細胞模型

頭方向細胞由一組神經元表示，用來表征機器人的方向。當頭方向細胞表征的方向與機器人實際方向一致時，頭方向細胞被激活。反之，頭方向細胞的活性降低。當機器人學習完外部傳感器輸入和方向之間的關聯(lián)時，可以應用這個關聯(lián)對之前感知的方向進行校正。位置細胞以一個離散的2維矩陣方式排列，如果機器人處于一個特定的位置，則相應單元被激活，所有的位置細胞之間采用全激勵連接。激勵權重矩陣δij的2維形式高斯分布如式(1)所示

其中， σ2為激勵權重高斯分布的方差，u為位置細胞自關聯(lián)權重，保證了每個位置細胞的活性隨著機器人偏離該位置細胞所表征的位置而降低。

視覺圖像信息為位姿細胞模型中位置細胞的唯一輸入，與頭方向細胞類似，在環(huán)境中不同位置處的 場景需要與位置細胞進行關聯(lián)。

2.1.1 局部興奮性

因為位姿網絡的3維特性，每個階段均采用3維高斯分布來創(chuàng)建一個興奮性空間權重矩陣，用這個矩陣來表示圖2中3維位姿感知網絡對應活動包興奮時單個位姿細胞的映射關系。該矩陣的3維高斯分布表示為式(2)

其中，sx, sy, sz為位姿細胞權值矩陣在( x,y,z)上的維數。i, j, k分別為從0到 sx-1,sy-1,sz-1的整數。

由內部興奮性動態(tài)估計引起的位姿細胞活躍水平Δ P的變化表示如式(4)

2.1.2 全局抑制

在整個位姿表征過程中，隨著視覺輸入信息的注入，CAN的抑制作用相對緩慢。通過添加輕微的全局抑制保證在競爭過程中，興奮性位姿細胞的活動包與抑制性位姿細胞的活動包同時存在。而不采用傳統(tǒng)的墨西哥帽連接方式。抑制后位姿細胞活躍水平如式(5)

其中， φ表示抑制參數，調整位姿細胞活躍水平為正數。

2.1.3 歸一化

位姿細胞通過獲取自運動和視覺輸入信息完成位姿估計，歸一化位姿細胞的活動水平保持位姿細胞的總活性不變，更新后如式(6)

2.2 局部視圖單元

局部視圖單元是可擴展的單元陣列，每個單元代表環(huán)境中獨特的視覺場景。當機器人看到新的視覺場景時，會創(chuàng)建新的局部視圖單元并將其與該場景中的原始像素數據相關聯(lián)。另外，該局部視圖單元與此時位姿網絡中的被激活的活動包之間通過興奮鏈接 β進行學習。當機器人再次看到該場景時，局部視圖單元會再次被激活，并通過增強被激活局部視圖單元和位姿細胞膜之間的興奮性鏈接 β，將激活的局部視圖單元的活動信息注入到位姿細胞中。興奮性鏈接β可表示為式(7)

其中， λ為興奮鏈接常數；Li為局部視圖單元的活性；Pxyz為位姿細胞的活性?；顒有畔⒊掷m(xù)注入到位姿網絡中將導致重定位，當活躍的局部視圖單元將激活與熟悉場景相關聯(lián)的位姿細胞的活性時，位姿細胞的活性變化為式(8)

其中， τ為視覺影響量，決定機器人當前感知的位姿 信息與先前關聯(lián)的感知方向的置信水平。

2.3 經歷地圖

經歷地圖是由許多經歷構成的細粒度的拓撲地圖。每個經歷由位姿細胞的活性P與局部視圖單元的活性Li構成，用經歷能級Ei表示。

每個經歷都有對應的( x,y,z)狀態(tài)表示，此狀態(tài)描述了該經歷在經歷地圖坐標系的空間位置。經歷地圖坐標系不同于連續(xù)吸引子網絡的笛卡兒坐標系和局部視圖單元的空間坐標系。在經歷地圖坐標系中，通常把獲取的第1個經歷初始化作為坐標系的(0,0,0)位置，后續(xù)經歷根據上一個經歷和機器人的運動變化來分配一個位置。具體的坐標描述如式(9)

其中，Si為經歷地圖中經歷的位置。

當位姿細胞和局部視圖單元的當前活動狀態(tài)與現有的經歷三者沒有高度匹配時，創(chuàng)建新的經歷。新的位姿感知細胞活性、局部視圖單元和經歷狀態(tài)三者的匹配程度用度量系數F 來表示，如式(10)

其中， μp和 μl分 別為位姿細胞和局部視圖單元的加權匹配值，且 μp+μl=1。當度量系數F小于設定的匹配閾值Fmax時，表明此經歷是機器人先前遇到的場景。當F ＞ Fmax時，創(chuàng)建新的經歷Ei。通過兩個經歷的位置變化能對機器人位姿做進一步修正。經歷位置變化如式(11)

其中， λ為位置校正參數；Na為 經歷Ei到其他經歷的 鏈接數；Nb為其他經歷到經歷Ei的鏈接數。

3 GSOM算法下的VP-SLAM模型

3.1 GSOM算法

自組織圖(SOM)是一種無監(jiān)督的競爭網絡，該網絡通過競爭學習規(guī)則調整連接權重，實現神經元有規(guī)律的形成某種輸入空間的映像。但是必須預先定義尺寸圖和平面圖結構成為傳統(tǒng)SOM網絡更進一步發(fā)展的限制。傳統(tǒng)的SOM網絡在訓練初始化之前要進行預定義結構和學習參數的分配，即訓練前必須確定地圖大小(神經元數目)和拓撲順序(維度和鏈接結構)。實際上，生成具有預定尺寸的多個特征圖十分耗時，并且這種預先定義的地圖是基于主觀標準評估生成的，這使得SOM網絡不適合在線學習和處理非固定數據集。為了解決這個限制，提出了SOM網絡的動態(tài)變體GSOM。與傳統(tǒng)SOM網絡不同的是，GSOM不是被限制在一個預定數量的神經元地圖中，它有著靈活的結構，并且相較于原始的SOM其非線性學習能力更強，在低維特征空間中映射更少的神經元。

3.1.1 GSOM網絡結構

GSOM的網絡結構如圖3所示，不同于一般神經網絡，自組織競爭網絡擁有輸入層、競爭層與輸出層3層結構，競爭層被隱藏。因為是增長的自組織網絡，又把輸入層稱為GSOM層。GSOM層通常由4個神經元組成矩形點陣，這樣可以保證所有神經元在初始化階段具有相似的輸入條件。

圖3 GSOM網絡結構

輸入單元的個數等于輸入的維數，為m個，輸出單元的個數為n個，輸出可以形成1維、2維或多維結構。輸入單元和輸出單元之間的連接權值表示連接狀態(tài)，每個連接權重的值稱為連接權值，各連接權值通過競爭學習規(guī)則調整。為清晰考慮，增長前的連接權重用實線表示，增長后的連接權重用虛線表示。其中， xk=[x1,x2,···,xm]為輸入單元。wk=[w1i,w2i,···,wmi](i=1,2,···,n)為 權 重 向 量，分 別與輸出層各個輸出單元相連。

3.1.2 GSOM學習算法

GSOM學習算法嚴格遵守競爭學習規(guī)則，在這一競爭過程中，1個時刻只會有1個輸出神經元被激活，這個被激活的神經元一般稱為競爭獲勝單元或者最佳匹配單元。當1個激活神經元產生時，其他的神經元處于抑制狀態(tài)，所以這種競爭學習規(guī)則又稱為“贏者通吃”(Winner-Take-All, WTA)。學習流程如表1所示。

表1 GSOM學習算法

(1)網絡初始化。

(a)權重初始化：避免學習樣本的輸入信號對學習速率的影響，對當前網絡學習樣本的輸入模式向量 X和隱藏競爭層中各神經元對應的權重向量Wj( 對應j 神 經元)全部進行歸一化，使得X和Wj模為1。

(b)施加鄰域約束：采用鄰域約束建立一個以獲勝SOM神經元為中心的優(yōu)勝拓撲鄰域。落在這個鄰域內的所有神經元需要重新更新連接權值。采用高斯函數來表達這一鄰域約束，鄰域函數為式(12)

其中， ri和 rj分 別為輸出單元i和 勝出單元j 的位置；σ為鄰域范圍。

(2)尋找最佳匹配單元。

(a)輸入單元到輸出單元的連接權重：每一個連接權重的值稱為權值，這里采用歐氏距離來判斷對應連接權重的權值大小，計算公式為式(13)

其中， xi為單元i的 輸入；wij為加權后單元i到單元j的連接權重；m 為輸入單元的個數。

(b)確定最佳匹配單元即勝出單元：采用最小相似性度量來確定勝出的單元，即選定輸出單元j?，使其滿足j?=min dj，即為最佳匹配單元。

(3)調節(jié)神經元權重。

更新勝出單元 j?的鄰域內所有單元的連接權重：給出更新規(guī)則為式(14)

其中， j∧∈j?的鄰域；η (t) 為學習因子；0 ≤i ≤M -1。該更新規(guī)則意味著此方法可以產生由獲勝者表示的典型連接權重以及與獲勝者相應的相鄰權重。

(4)調節(jié)鄰域大小。

3.2 位置細胞放電模型

科學家在對鼠類海馬體椎體神經細胞的活動率進行研究時發(fā)現，存在于海馬體CA1和CA3區(qū)的一些椎體神經細胞具有復雜的尖峰電位，其放電行為存在明顯的位置選擇性：即當大鼠到達空間中一個特定位置時，海馬體內某個神經細胞的活動率會顯著增加，處于一種興奮狀態(tài)，到訪其他位置時，會有另外的細胞顯示興奮狀態(tài)。O’Keefe等人將這種具有明顯 “位置偏好”特性的神經細胞稱為“位置細胞”(place cell)。這種位置細胞的位置偏好特性還有著明顯的范圍特征，即大鼠在到達空間特定位置時，大腦海馬體內某個位置細胞的放電率呈現最大化，而周圍的細胞沒有或很少有放電活動。位置細胞對特定位置的放電稱為該細胞的位置野(place field)或放電野(firing field)。如圖4所示，越靠近中心位置，放電率越高，隨著放電半徑的增大，放電率逐漸降低。

圖4 位置細胞放電模擬圖

用2維高斯公式表示第n 個位置細胞在所處空間位置ρ 下的放電率為式(15)

其中，pn是 第n 個 位置細胞的參考位置，α 是位置細胞放電率調整參數。

在拓撲地圖中建立環(huán)境路標，并將位置細胞的放電模型映射到拓撲地圖的2維空間中，通過路標識別得到經過位置編碼后的位置細胞放電率。移動機器人位于真實空間下第i個位置的放電率如式(16)

其中，( x,y)為 位置細胞在空間中的真實位置，(xi,yi)為 位置細胞的參考位置。

3.3 GSOM算法下的VP-SLAM模型

通過O’Keefe等人的實驗可以發(fā)現，自由活動的大鼠海馬體內某些位置細胞的興奮程度具有很強的位置選擇性，在某個具體位置時，位置細胞呈現最大的放電率。將多個對應位置進行連線可得到機器人在空間中的認知路徑，即位置細胞能夠編碼當前對應位置的位置信息，多個位置細胞編碼的位置信息能夠編碼機器人的真實空間軌跡。

基于此，本文提出一種融合GSOM神經網絡和位置細胞的SLAM算法(后文稱“改進VP-SLAM”)，將GSOM映射的環(huán)境信息與位置細胞表征的位置信息進行關聯(lián)，并將該算法應用于VP-SLAM模型中，建立如圖5所示的改進SLAM模型。環(huán)境拓撲信息的建立過程包括以下4個步驟：

(2)將訓練樣本輸入至改進GSOM神經網絡進行競爭學習，輸出與位置細胞放電率關聯(lián)的獲勝神經元；

圖5 融合GSOM的VP-SLAM模型

(3)計算獲勝神經元與GSOM網絡數據集的位置誤差，若小于一定閾值，則當前位置細胞編碼的位置信息與機器人位置一致，否則，記錄當前機器人位置坐標加入GSOM網絡數據集；

(4)在GSOM網絡中通過鄰域約束尋找鄰接神經元并與其建立鄰接關系，繪制環(huán)境拓撲地圖，編碼機器人的真實運動軌跡。

4 實驗結果與分析

4.1 環(huán)境映射和定位分析

采集一個未知空間區(qū)域的環(huán)境位置信息，以視覺傳感器運動起點在地面的投影點所在位置為坐標原點，按20:1比例映射至GSOM網絡學習樣本中，其中學習樣本中共有2維區(qū)域π 上1100個樣本點，即GSOM網絡的輸入個數為m=1100，可運動區(qū)域大小為10 m×10 m的2維環(huán)境。運動區(qū)域內環(huán)境樣本分布如圖6所示，獲得樣本點數據后用本文提出的基于GSOM算法建立環(huán)境的拓撲地圖。通過度量最小歐氏距離確定勝出單元，根據勝出單元與給定樣本的誤差確定是否增加神經元，同時更新勝出單元鄰域內所有單元的連接權重。

樣本的學習是一個不斷調參的過程，通過對神經網絡參數的調整，選定合適的參數(神經元連接強度為[0 1]，輸出維度為2，步長為10:30:100，學習率0.06)重新訓練神經網絡，得到合適的環(huán)境拓撲地圖。如圖7所示，圖7中紅色‘·’為GSOM神經網絡映射在2維空間的神經元，兩點間的連線代表兩個神經元的連接權重。生成的拓撲地圖用了342個神經元表示了1100個環(huán)境樣本點，在保持樣本數據拓撲順序的同時，十分逼近樣本的分布結構。

圖6 環(huán)境樣本分布

在如圖7環(huán)境拓撲地圖的實驗基礎上，通過給定不同位置細胞間隔R研究位置細胞放電模型對機器人定位精度的影響，仿真參數設置如下：運動空間為10 m×10 m，定位周期為2 s，定位方向任意，每個定位周期內機器人保持勻速運動，不同定位周期內機器人運行速度在0.5～2 m/s之間任意選擇。訓練時間相同的情況下，分析間隔R對機器人定位效果的影響。圖8為給定不同位置細胞間隔的情況下得到的位置細胞對機器人位置定位的結果。從圖8(a)和圖8(b)的對比可以得知，當R越小時，記錄機器人的運動軌跡需要的位置細胞數量越多，定 位的精度也越高。

圖7 環(huán)境拓撲地圖

4.2 改進VP-SLAM的位姿細胞活性表征

實驗環(huán)境選取如圖9(a)所示的會議室，大小5 m×7 m，圖9(b)中陰影部分為發(fā)言席、會議桌、椅子等，紅色五角星為起點，紅色圓圈為終點，虛線為機器人漫游軌跡。a, b, c, d分別為機器人在漫游過程中實際到達的位置。移動機器人硬件平臺如圖10所示，通過相機采集場景信息，將獲取的環(huán)境樣本點信息和機器人自運動信息上傳到上位機進行處理，實現運行過程中數據獲取和實時計算，并利用MATLAB進行后續(xù)實驗仿真。其中相機分辨率為640×480，輸出頻率為30 Hz，實驗中移動機器人勻速順時針行駛。

圖8 不同間隔R下的定位軌跡

圖9 實驗環(huán)境

圖10 移動機器人硬件平臺

在保持實驗場景布局不變的情況下，將本文改進算法與文獻[21]算法進行對比。兩種算法的位姿細胞活性表征如圖11所示，左側為機器人在不同時刻所處位置獲得的4幅局部場景圖像，中間為原始VP-SLAM模型對應機器人4個位置的位姿細胞活性表征圖，右側為改進VP-SLAM模型對應機器人4個位置的位姿細胞活性表征圖。對比兩種算法在a,b兩點分別對應的位姿細胞活性表征圖可以發(fā)現，當機器人從a運行到b過程中，兩種模型均能在一定誤差范圍內實現定位，且都能實現由a到b位姿細胞網絡活性轉移的表征。當機器人處于c點時，原始VP-SLAM模型的位姿細胞網絡活性表征的位置與實際位置開始產生較大偏差，而改進VP-SLAM模型對于機器人的定位依然在一定誤差范圍內。同時隨著兩種模型的持續(xù)運行，機器人從c運行到d時，兩種模型的位姿細胞網絡活性轉移表征依然能夠體現，原有模型的定位誤差進一步增加，相比之下，改進模型產生的定位誤差雖有一定程度增大但仍小于原始模型，驗證改進模型在實驗場景下有效地提高了機器人的定位精度。

圖11 兩種VP-SLAM模型位姿細胞活性表征過程

基于上述實驗分析中定位誤差的描述，機器人圍繞實驗場景運行10圈，選取10個測試點共獲得20組定位數據(數據來源為環(huán)境拓撲地圖的2維數據)為定位樣本，通過對樣本數據進一步分析得到如表2所示的模型定位誤差表。表中對比了兩種模型的最大絕對誤差、平均誤差和模型準確率，在準確率方面，融合后的模型雖然最大只有2.82%的提升，但在最大絕對誤差和平均誤差方面，相比于原始VP-SLAM模型，改進后的模型的兩種誤差減少了近1/2。驗證了顯示改進模型的定位性能要優(yōu)于原始VP-SLAM模型。

4.3 改進VP-SLAM模型的性能分析

移動機器人圍繞實驗場景進行6圈場景采集，加入GSOM神經網絡的VP-SLAM模型與原始VP-SLAM模型的性能對比如圖12所示，圖12(a)和圖12(b)分別為原始VP-SLAM模型和本文算法模型的局部場景模板數。由圖12可以看出，本文算法完成場景認知生成的局部場景模板比原始VP-SLAM模型模板數目要少。由于融合了GSOM算法，使得融合后的模型只需更少的局部場景模板數目就可以完成對實驗場景的認知，驗證了本文提出的融合GSOM的VP-SLAM模型具備更快認知實驗場景及進行場景重定位的能力。

表2 兩種模型的定位誤差

圖12 兩種模型的模板匹配

在數據處理的實時性上，改進模型與原有模型的對比如圖13所示。藍色代表改進模型的CPU處理時間，紅色代表原有模型的CPU處理時間。相比于原始VP-SLAM模型，改進后的VP-SLAM模型CPU處理時間更少，處理數據的效率更高，這是因為認知實驗場景需要的局部場景模板數目更少，一定程度上降低了計算量，緩解了計算資源，使得改進VP-SLAM模型比原始VP-SLAM模型處理數據使用的時間更少。驗證了改進后VP-SLAM模 型更能契合數據處理實時和高效的要求。

圖13 兩種模型的CPU處理時間

4.4 實驗場景定位軌跡對比

圖14 兩種模型的軌跡對比圖

原始VP-SLAM模型與改進VP-SLAM模型在實驗場景中構建的經歷地圖如圖14所示，相比于原始VP-SLAM模型，改進后的VP-SLAM模型構建的經歷地圖更接近機器人運行的實際路徑，有效地提高了地圖的精確性。從圖14還可以發(fā)現，在遇到相同的場景時改進后的模型可以更快地實現閉環(huán)檢測，校正機器人位姿，驗證了改進VP-SLAM模型在實驗場景的魯棒性和快速性。

5 結束語

基于對嚙齒類動物大腦導航機制的認識，本文提出一種基于GSOM神經網絡的移動機器人仿生定位算法。本文通過GSOM神經網絡拓撲擴展特性和自組織增長特性，結合鼠腦海馬體位置細胞的放電機理得到移動機器人的位置響應，并基于位置響應特性進行移動機器人的高精度定位研究。實驗結果表明，相較于原始VP-SLAM模型，改進VP-SLAM模型具有更高效的位置估計能力，使機器人基于環(huán)境認知提高對自身所處位置的精度定位。本文提出的算法建立在生物導航的認知機理上，增加了生物認知地圖在移動機器人定位領域的應用。后續(xù)將會在進一步提高定位精度的前提下展開對移動機器人路徑規(guī)劃方面的研究。