摘 要：近年來，無人機、無人汽車、無人艇等智能無人系統(tǒng)在軍事、工農(nóng)業(yè)生產(chǎn)、物流運輸?shù)雀鱾€領(lǐng)域起到了重要的作用。由于單個無人系統(tǒng)資源與能力的局限性，無法滿足愈加復(fù)雜的現(xiàn)實需求，因此，將多個智能無人系統(tǒng)組成集群實現(xiàn)協(xié)同工作和群體智能成為一種趨勢，其中群體導(dǎo)航定位是群體智能的重要基礎(chǔ)。傳統(tǒng)的衛(wèi)星導(dǎo)航無法滿足無人集群系統(tǒng)在復(fù)雜環(huán)境下的導(dǎo)航需求，其自主導(dǎo)航成為亟待解決的問題。類腦群體導(dǎo)航是受動物導(dǎo)航系統(tǒng)與群體協(xié)同神經(jīng)機制和原理的啟發(fā)而產(chǎn)生的一個有前景的研究領(lǐng)域，旨在實現(xiàn)復(fù)雜和未知環(huán)境中高效智能導(dǎo)航，可以滿足無人集群系統(tǒng)的導(dǎo)航需求。本文綜述了類腦群體導(dǎo)航的概念、機制，探討了實現(xiàn)類腦群體導(dǎo)航的空間神經(jīng)機理、相關(guān)的仿真模型，以及基于群體智能的類腦群體決策相關(guān)算法，最后討論了類腦群體導(dǎo)航的發(fā)展方向。

關(guān)鍵詞：類腦智能； 群體協(xié)同； 自主導(dǎo)航； 群體導(dǎo)航； 類腦導(dǎo)航

中圖分類號：TJ760; V249.3

文獻(xiàn)標(biāo)識碼： A

文章編號：1673-5048（2023）05-0092-12

DOI： 10.12132/ISSN.1673-5048.2023.0118

0 引" 言

在自然界中，為了更好的生存與繁衍生息，一些生物演化出了抱團(tuán)合作、相互取暖的生存模式，如蟻群可以用群體的力量建造復(fù)雜精美的蟻巢； 狼群可以通過合作，以更高的效率圍捕獵物； 候鳥可以通過編隊提高飛行效率，減少遷徙途中的力量消耗。受此啟發(fā)，研究人員也開始研究聯(lián)合統(tǒng)一、協(xié)作配合的無人集群系統(tǒng)。無人集群系統(tǒng)是由多個相互聯(lián)系、協(xié)同控制的個體智能無人系統(tǒng)組成的具有統(tǒng)一調(diào)配、群體決策能力的智能群體，具有并行感知與計算的能力。相比于個體智能無人系統(tǒng)其攜帶設(shè)備及資源有限的缺點，無人集群系統(tǒng)具有通過協(xié)同合作實現(xiàn)資源信息共享、以更小的成本和更高的魯棒性適應(yīng)復(fù)雜外界環(huán)境，執(zhí)行較為困難任務(wù)的能力。

導(dǎo)航是指確定和控制物體或人員在空間中的位置和移動方向，以便實現(xiàn)特定目標(biāo)的過程，包括信息感知、建圖定位及決策等3個步驟，信息感知和建圖定位是基礎(chǔ)，決策例如路徑規(guī)劃、方向控制等是實現(xiàn)智能化的關(guān)鍵。精確導(dǎo)航是實現(xiàn)無人集群系統(tǒng)的前提之一，這要求有穩(wěn)定精確的導(dǎo)航系統(tǒng)?，F(xiàn)有的導(dǎo)航系統(tǒng)大多是基于衛(wèi)星導(dǎo)航，可以用較小的成本實現(xiàn)較為精準(zhǔn)的導(dǎo)航效果，然而該類導(dǎo)航系統(tǒng)無法適應(yīng)復(fù)雜的外界環(huán)境，如衛(wèi)星拒止環(huán)境，或者電磁較為紊亂的復(fù)雜環(huán)境。在這些環(huán)境中，智能無人系統(tǒng)很難從衛(wèi)星獲取穩(wěn)定且正確的位置信息，到目前雖然已經(jīng)研究了許多方法來克服這些問題，但是由于效果和成本問題，仍需要新的導(dǎo)航方式以解決這些問題。

類腦智能是通過模仿自然界生物大腦工作機理來進(jìn)行智能研究的技術(shù)。由于生物大腦通過漫長的自然演化，集感知、決策、記憶及學(xué)習(xí)等能力于一身，通過借鑒大腦的神經(jīng)機制、組織結(jié)構(gòu)等，可以實現(xiàn)具有優(yōu)秀適應(yīng)和學(xué)習(xí)能力的人工智能系統(tǒng)。因此，通過學(xué)習(xí)大腦的空間神經(jīng)結(jié)構(gòu)，獲得類似于生物的空間認(rèn)知能力，借此可以實現(xiàn)機器人的自主導(dǎo)航。隨著類腦智能的研究深入，類腦導(dǎo)航為智能無人系統(tǒng)適應(yīng)復(fù)雜多變的環(huán)境提供了新的思

路。類腦導(dǎo)航可以借助自身傳感器構(gòu)建實時環(huán)境地圖并實現(xiàn)自主定位與決策，提高智能無人系統(tǒng)的內(nèi)在“智力”，實現(xiàn)缺失衛(wèi)星信號的情況下自主導(dǎo)航。

傳統(tǒng)的衛(wèi)星導(dǎo)航需要一組在軌道上運行的衛(wèi)星，通過接收來自多個衛(wèi)星的信號，并計算這些信號的時間差來確定接收設(shè)備的位置。接收設(shè)備會收集到4顆以上衛(wèi)星的信號，來計算自身的位置坐標(biāo)，是現(xiàn)有應(yīng)用最廣泛的導(dǎo)航系統(tǒng)。相較于衛(wèi)星導(dǎo)航，類腦導(dǎo)航具有以下優(yōu)勢：

航空兵器 2023年第30卷第5期

李衛(wèi)斌，等： 類腦群體導(dǎo)航的機理與發(fā)展

（1） 獨立性： 類腦導(dǎo)航系統(tǒng)無需借助外源性設(shè)備如地面基站或衛(wèi)星等，僅借助自身傳感設(shè)備實現(xiàn)自主導(dǎo)航定位功能，因此可以在地下、隧道或山區(qū)等信號遮蔽環(huán)境下工作，但在該種環(huán)境下衛(wèi)星導(dǎo)航系統(tǒng)會出現(xiàn)精度下降甚至無法使用的情況。

（2） 實時性： 類腦導(dǎo)航系統(tǒng)通過感知環(huán)境并結(jié)合自運動信息獲取實時的位置信息，相較于衛(wèi)星導(dǎo)航，具有更快的響應(yīng)與定位速度。

（3） 高精度： 傳統(tǒng)的衛(wèi)星導(dǎo)航精度一般在幾米到十幾米之內(nèi)，而類腦導(dǎo)航通過處理大量的傳感器信息并進(jìn)行數(shù)據(jù)分析與優(yōu)化，可以將定位誤差縮小至米級之內(nèi)，具有更高的精度。

（4） 健壯性： 類腦導(dǎo)航具有多模態(tài)感知能力，通過耦合不同感知信息獲取精準(zhǔn)的環(huán)境信息與位置信息。即使部分傳感器失效，其余也可以正常運作，不會過多影響導(dǎo)航性能。

同時，從昆蟲的群體行為到鳥類的遷徙，生物群體展現(xiàn)了出色的路徑規(guī)劃和協(xié)作能力。通過借鑒生物群體的行為模式，并模擬生物群體協(xié)作機理，可以實現(xiàn)無人集群系統(tǒng)高智能化的合作、協(xié)調(diào)和配合能力，使集群表現(xiàn)出更高水平的智能和效能。因此結(jié)合類腦導(dǎo)航與基于群體智能的類腦群體協(xié)作，實現(xiàn)群體層面的類腦導(dǎo)航，將成員之間的信息交換、任務(wù)分配、資源共享和行動協(xié)調(diào)等機制結(jié)合在一起，實現(xiàn)高效、魯棒和智能的協(xié)同行動，實現(xiàn)無人集群導(dǎo)航的智能化、自主化，實現(xiàn)更高層次的群體導(dǎo)航效果。

1 類腦群體導(dǎo)航基本概念

1.1 類腦群體導(dǎo)航概要

自然界生物展示了驚人的導(dǎo)航能力，其能在復(fù)雜的環(huán)境中實現(xiàn)精確的自主導(dǎo)航。通過感知環(huán)境、記憶地標(biāo)和路徑、決策和規(guī)劃行動，高效地完成自主導(dǎo)航任務(wù)。類腦導(dǎo)航是一種借鑒生物大腦的工作原理和機制，將其應(yīng)用于導(dǎo)航系統(tǒng)，不借助外源性信息實現(xiàn)自主導(dǎo)航的能力。

當(dāng)生物或者無人系統(tǒng)處于陌生環(huán)境時，需要解答2個基本問題，“身處什么地方？”和“身處于什么環(huán)境？”。為了求得兩個問題的解，需要達(dá)成兩個目標(biāo)，一個是自定位，即不借助外源性信息的情況下，依靠自身傳感器實現(xiàn)自身的相對定位； 另一個是構(gòu)建實時環(huán)境地圖，即在行進(jìn)中使用傳感器的信息構(gòu)建地圖。自定位需要有實時環(huán)境地圖以確定位置，構(gòu)建實時環(huán)境地圖也需要有實時定位信息才可以將傳感器信息融入進(jìn)地圖，兩者互為條件。因此，這2個問題需要同時進(jìn)行解答，這本質(zhì)是解決同步建圖與定位（Simultaneous Localization and Mapping，SLAM）問題。在此之后，還需要解決“去哪個地方？”的問題，這代表的是導(dǎo)航?jīng)Q策的能力。如何更好地解決這3個問題，是提高自主導(dǎo)航能力的關(guān)鍵。

類腦導(dǎo)航技術(shù)通過將生物導(dǎo)航機制與計算機科學(xué)相結(jié)合，通過研究生物導(dǎo)航機制，從中獲得啟發(fā)，將生物大腦中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與信息編碼機理轉(zhuǎn)化為計算機算法模型或硬件結(jié)構(gòu)，融入導(dǎo)航系統(tǒng)中，提高自主導(dǎo)航的健壯性、自主性與自適應(yīng)性。

由于自然界中許多生物具有通過群體行為實現(xiàn)復(fù)雜的導(dǎo)航和協(xié)同行動的能力，如鳥群、魚群和蟻群等具有高度協(xié)調(diào)和合作的行為，通過研究生物群體行為，模仿生物協(xié)同機制，結(jié)合類腦導(dǎo)航方法，可以實現(xiàn)群體層面的高級導(dǎo)航?jīng)Q策能力。因此，類腦群體導(dǎo)航是通過借鑒生物大腦的神經(jīng)結(jié)構(gòu)與網(wǎng)格細(xì)胞、位置細(xì)胞等空間認(rèn)知細(xì)胞，基于多模態(tài)傳感器融合信息，實現(xiàn)類似于自然界生物的空間認(rèn)知與自主導(dǎo)航能力； 并模擬自然界生物群體協(xié)同行為模式，具備群體定位與整體環(huán)境地圖構(gòu)建、多智能體協(xié)同能力的高性能群體導(dǎo)航算法。將其用于無人集群系統(tǒng)的導(dǎo)航與協(xié)作中，可以實現(xiàn)具備高魯棒性與自主性的群體導(dǎo)航效果。

1.2 類腦導(dǎo)航與類腦群體導(dǎo)航的關(guān)系

類腦導(dǎo)航借鑒了大腦中與空間認(rèn)知相關(guān)的結(jié)構(gòu)和神經(jīng)機制，如海馬體、頭朝向細(xì)胞、網(wǎng)格細(xì)胞等，研究個體動物在空間中的導(dǎo)航能力和行為機制。類腦導(dǎo)航關(guān)注的是個體動物在環(huán)境中的定位、路徑規(guī)劃和空間記憶等問題。通過理解和模擬大腦的導(dǎo)航機制，為人工智能領(lǐng)域中的導(dǎo)航算法提供啟示和改進(jìn)。

類腦群體導(dǎo)航將重點放在群體中多個個體的協(xié)作和合作行為上，主要研究群體中個體之間的信息交流、合作決策和群體行為的組織規(guī)律。類腦群體導(dǎo)航不僅關(guān)注個體的導(dǎo)航能力，更注重如何通過群體智能來實現(xiàn)更高效、靈活和智能的導(dǎo)航和決策。因此，類腦導(dǎo)航是研究個體動物的導(dǎo)航能力和神經(jīng)機制，而類腦群體導(dǎo)航則是在類腦導(dǎo)航的基礎(chǔ)上，進(jìn)一步研究群體協(xié)作和合作行為，實現(xiàn)群體層面導(dǎo)航的優(yōu)化和智能化。

1.3 類腦群體導(dǎo)航框架

類腦群體導(dǎo)航算法可以分為個體與群體兩個層次，以及3個步驟： 類腦信息感知、類腦建圖定位與類腦群體決策。類腦信息感知模塊中，利用多種感知模態(tài)，如視覺、聽覺、觸覺等，以獲取充足的環(huán)境信息，模仿生物神經(jīng)系統(tǒng)中的并行處理機制，從原始的感知數(shù)據(jù)中提取出更高級的語義和特征信息，從而實現(xiàn)更高效的感知和響應(yīng)； 類腦建圖定位模塊借鑒生物大腦空間認(rèn)知神經(jīng)結(jié)構(gòu)與相關(guān)空間神經(jīng)細(xì)胞，對自身的位置進(jìn)行估計和定位以及同步個體環(huán)境地圖更新，并將個體地圖集成至群體地圖，實現(xiàn)具有環(huán)境信息與群體信息的群體認(rèn)知地圖； 類腦群體決策模塊通過模仿生物群體的決策機制和協(xié)同行為，類腦群體決策使得多個個體或機器人能夠在群體中相互協(xié)作、相互影響，并實現(xiàn)集體智慧的發(fā)揮，從而提高整個群體的決策能力和適應(yīng)性，實現(xiàn)群體智能和協(xié)作效能的最大化。類腦群體導(dǎo)航的整體架構(gòu)如圖1所示。

2 哺乳動物空間認(rèn)知機理

動物的空間認(rèn)知能力對于幫助動物建立環(huán)境地圖和空間記憶以尋找生存資源或躲避敵害具有重要的意義，在動物的生存、繁衍和適應(yīng)環(huán)境方面發(fā)揮著關(guān)鍵的作用。哺乳動物作為目前智力最高的動物類別，對于研究人員研究大腦空間認(rèn)知機理具有重要作用。

對于個體而言，哺乳動物的海馬體與內(nèi)嗅皮層被認(rèn)為是大腦中產(chǎn)生動物空間認(rèn)知能力的重要區(qū)域，其中的空間神經(jīng)細(xì)胞，如位置細(xì)胞、網(wǎng)格細(xì)胞、頭朝向細(xì)胞、邊界細(xì)胞、速度細(xì)胞等是動物可以自主尋路的內(nèi)在保證。通過不同空間神經(jīng)細(xì)胞的相互交互，并對外部信息與自我運動信息的編碼，在大腦中構(gòu)建認(rèn)知地圖，實現(xiàn)個體的空間認(rèn)知與導(dǎo)航。

在群體層面，現(xiàn)已被證明海馬體內(nèi)也存在具有群體空間認(rèn)知能力的群體位置細(xì)胞［1］，能夠?qū)θ后w內(nèi)其余個體的行為與位置進(jìn)行編碼，這是實現(xiàn)群體智能與自組織行為的生物基礎(chǔ)。

本章重點介紹位置細(xì)胞、頭朝向細(xì)胞、網(wǎng)格細(xì)胞、群體位置細(xì)胞的生物機理及交互模式。

2.1 位置細(xì)胞

1971年，O’Keefe等在自由活動且清醒大鼠的海馬體中具有位置特異性放電的特殊錐體型細(xì)胞［2］。使用大鼠進(jìn)行實驗時，研究人員發(fā)現(xiàn)當(dāng)大鼠經(jīng)過某個特殊地方時，對應(yīng)的位置細(xì)胞會開始放電，位置細(xì)胞放電所對應(yīng)的位置被稱為位置細(xì)胞的放電野（又名位置野），如圖2（a）所示，黑色曲線為大鼠的運動曲線，紅色區(qū)域為大鼠位置細(xì)胞放電時大鼠所處的位置。圖2（b）為位置細(xì)胞的放電強度圖，紅色代表放電最強烈，藍(lán)色代表放電強度最低。

位置細(xì)胞要對外界環(huán)境信息進(jìn)行編碼，需要接入多種的信息輸入，如外源性信息（視覺、聽覺、嗅覺等感受信息），內(nèi)源性信息（大腦前庭的感覺信息、身體的自運動線索），還要接受來自海馬體內(nèi)部的循環(huán)信息。當(dāng)動物進(jìn)入陌生環(huán)境時，位置細(xì)胞會使用外源性信息進(jìn)行編碼，以生成新的穩(wěn)定的放電野，該放電野會持續(xù)很長時間且在黑暗中也可以穩(wěn)定存在［3］； 當(dāng)動物離開該環(huán)境很長時間后，再次返回時，位置細(xì)胞對應(yīng)該環(huán)境的放電野依舊穩(wěn)定的存在。位置細(xì)胞是動物空間記憶，自主尋路的神經(jīng)基礎(chǔ)，且同一位置細(xì)胞可以參與不同環(huán)境的表示［4］； 當(dāng)動物進(jìn)入全新的環(huán)境時，位置細(xì)胞的放電野會發(fā)生改變，重構(gòu)為對應(yīng)的放電野［5］。幾十個位置細(xì)胞的集體放電足以形成動物當(dāng)前位置的準(zhǔn)確表示［6］。近年來，三維位置細(xì)胞也在人類的相應(yīng)腦區(qū)中發(fā)現(xiàn)，該類細(xì)胞可以根據(jù)動物的運動模式靈活的在二維與三維之間切換［7］。

2.2 頭朝向細(xì)胞

1984年，Rank在記錄大鼠海馬區(qū)下托的神經(jīng)元時，偶然發(fā)現(xiàn)了前下托的許多細(xì)胞放電僅與大鼠的頭部水平方向有關(guān)，而與其位置和正在進(jìn)行的行為無關(guān)。如當(dāng)老鼠把頭指向東北方向時，一個細(xì)胞可能會放電； 當(dāng)老鼠把頭向西時，另一個細(xì)胞就會放電。這些細(xì)胞被稱為頭朝向細(xì)胞［8］。

頭朝向細(xì)胞存在于整個邊緣系統(tǒng)中，包括前下托、丘腦前背側(cè)核、背紋狀體等區(qū)域。其放電方向受頭部朝向的影響。每個細(xì)胞的最大放電速率只發(fā)生在一個頭部方向上，在首選方向兩側(cè)的頭部方向上的速率隨與首選方向的角偏差呈線性下降［9］。因此，每個頭朝向細(xì)胞都有獨自的最佳放電方向，當(dāng)頭部向某方向轉(zhuǎn)動時，離該方向的夾角越小，對應(yīng)的頭朝向細(xì)胞的放電就會越強烈。生物在運動時，頭朝向細(xì)胞不斷被激活，這些頭朝向細(xì)胞的放電信息整合到一起就會形成一個連續(xù)的方向信號。頭朝向細(xì)胞的方向編碼會隨著某個視覺標(biāo)志的旋轉(zhuǎn)而改變，這代表著頭朝向細(xì)胞對于方向的認(rèn)知來自于外界信息。根據(jù)研究，三維頭朝向細(xì)胞可以對動物的俯仰、偏航、滾轉(zhuǎn)進(jìn)行編碼，能夠表征環(huán)境的各個方向。頭朝向細(xì)胞是生物“導(dǎo)航系統(tǒng)”的重要組成。

2.3 網(wǎng)格細(xì)胞

2005年，Hafting夫婦在研究大鼠海馬區(qū)以及相關(guān)腦區(qū)的神經(jīng)活動時，發(fā)現(xiàn)了一類新的細(xì)胞類型，這些細(xì)胞在大鼠在環(huán)境中移動時表現(xiàn)出特殊的活動模式： 在大鼠的運動軌跡上形成了一種網(wǎng)格狀的活動模式［10］。網(wǎng)格細(xì)胞位于大腦內(nèi)側(cè)的內(nèi)嗅皮層中，可以在大腦中構(gòu)建出整個的環(huán)境地圖，指明所處的位置。每個細(xì)胞都具有多個放電野［11］，排列起來形成周期性的等邊三角形，各個網(wǎng)格細(xì)胞的放電野依次鋪疊在大鼠的活動空間內(nèi)，就像是地圖上的網(wǎng)格，這也是網(wǎng)格細(xì)胞名字的由來，如圖3（a）。這些網(wǎng)格細(xì)胞共同形成動物位置細(xì)胞變化的信號?？梢允褂贸?、間距、相位這3個屬性來對網(wǎng)格細(xì)胞進(jìn)行描述。如圖3（b）所示，其中，相鄰放電野的距離被稱為間距（實線箭頭），距離參考點最近的放電野相對參考點的偏移被稱為相位（放電場中心x與其余放電場中心的相對位置），網(wǎng)格細(xì)胞放電野連接而成的平行線與參考方向的最小夾角則為朝向（虛線箭頭）。網(wǎng)格細(xì)胞可以在不借助外界標(biāo)志物的情況下，僅依靠自身的速度、方向?qū)崿F(xiàn)路徑積分而確定位置。且其間距會受到外界環(huán)境大小的影響，當(dāng)外界區(qū)域大的時候，間距會變??； 外界區(qū)域小的時候，間距會變大［12］。這意味這網(wǎng)格細(xì)胞會在熟悉環(huán)境時不斷學(xué)習(xí)新的度量關(guān)系。三維網(wǎng)格細(xì)胞也在近年被發(fā)現(xiàn)［13］。

2.4 海馬體社交功能與群體位置細(xì)胞

隨著對生物個體的空間導(dǎo)航機理的研究不斷加深，研究人員也逐漸開始思考生物群體導(dǎo)航的神經(jīng)結(jié)構(gòu)基礎(chǔ)，群體導(dǎo)航相較于個體導(dǎo)航，最大區(qū)別是耦合了群體內(nèi)部的信息，如其他個體氣味、位置、甚至種群地位等信息，結(jié)合這些信息，可以實現(xiàn)更符合實際的定位與決策。

雖然海馬體的具體神經(jīng)機制目前還不明確，但是現(xiàn)有研究表明，海馬體在社會記憶的形成和維持中起到一定的作用，并參與了群體行為的協(xié)調(diào)［14］。社會記憶是指個體對他人身份、特征和關(guān)系的記憶能力。海馬體可能參與了對社會情境中他人身份和交互關(guān)系的編碼和存儲，幫助個體識別和記憶與他人相關(guān)的信息。

2018年，研究人員在研究蝙蝠的群體導(dǎo)航能力時，在海馬體中發(fā)現(xiàn)了一類“群體位置細(xì)胞”，能夠?qū)游镏苓厽o生命或有生命的運動個體的位置進(jìn)行編碼，這代表著該類細(xì)胞在群體的空間認(rèn)知中起到作用，并且可以迅速的切換表達(dá)模式，能夠從表達(dá)自身坐標(biāo)到表達(dá)蝙蝠之間的距離，切換時間不超過100 ms［15］，這是實現(xiàn)高靈活的自組織行為的基礎(chǔ)。

2.5 哺乳動物自定位框架

位置細(xì)胞、網(wǎng)格細(xì)胞、頭朝向細(xì)胞等空間神經(jīng)細(xì)胞組成了生物體內(nèi)最可靠的“定位系統(tǒng)”。動物通過眼睛、耳朵等感知器官獲取外界信息，信息經(jīng)過大腦其他部位編碼后輸入至位置細(xì)胞群中，激活相對應(yīng)位置細(xì)胞； 且群體位置細(xì)胞可以通過群體其他個體的位置信息、動作信息等計算自身位置，并與頭朝向細(xì)胞、激活后的位置細(xì)胞對網(wǎng)格細(xì)胞整合路徑進(jìn)行修正，生成大腦中的認(rèn)知地圖并確定自身位置，如圖4所示。

3 類腦仿真模型

目前為止，研究人員主要利用連續(xù)吸引子神經(jīng)網(wǎng)絡(luò)（Continous Attractor Neural Network，CANN）、脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network，SNN）、深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）等以及震蕩干擾模型（Oscillatory Interference，OI）對不同的空間感知細(xì)胞（包括將頭朝向細(xì)胞與位置細(xì)胞等結(jié)合為位姿細(xì)胞）進(jìn)行仿真研究。

3.1 連續(xù)吸引子神經(jīng)網(wǎng)絡(luò)

吸引子神經(jīng)網(wǎng)絡(luò)是一種循環(huán)網(wǎng)絡(luò)，由許多節(jié)點組成，并且可以最終趨于穩(wěn)定。每個節(jié)點可以看作為一個神經(jīng)元，接受來自周邊神經(jīng)元的興奮信號與較遠(yuǎn)神經(jīng)元的全局抑制信號，可以實現(xiàn)在不接受外界輸入時的穩(wěn)定狀態(tài)。其中吸引子是系統(tǒng)趨于演化至的一組中性穩(wěn)定的狀態(tài)，本質(zhì)上為狀態(tài)空間（系統(tǒng)中所有狀態(tài)的集合）的一組點。

在系統(tǒng)演化過程中，給定吸引域中的初始狀態(tài)會逐漸逼近這些狀態(tài)。連續(xù)吸引子神經(jīng)網(wǎng)絡(luò)（Continuous Attractor Neural Network，CANN）是一種特殊的吸引子神經(jīng)網(wǎng)絡(luò)，也是一種特殊的非線性動力學(xué)系統(tǒng)。CANN中的吸引子是連續(xù)的且每一個吸引子對編碼一個激活值，當(dāng)吸引子被激活時，呈現(xiàn)的是“凸起”的狀態(tài)。如圖5所示，一組連續(xù)的吸引子在狀態(tài)空間中會逐漸構(gòu)成連續(xù)的狀態(tài)子空間，且在CANN中神經(jīng)元之間連接是平移不變的，也就是說，兩個神經(jīng)元之間的連接強度只取決于其首選刺激之間的差異，而不是首選刺激值。

CANN已應(yīng)用于描述神經(jīng)系統(tǒng)中簡單連續(xù)特征的編碼，如運動方向、頭部方向和目標(biāo)的空間位置等。CANN的特性同空間神經(jīng)細(xì)胞的性質(zhì)非常貼切，1997年，有研究人員在研究大鼠海馬體神經(jīng)元時發(fā)現(xiàn)大鼠的位置細(xì)胞排列形成一個狀態(tài)場，狀態(tài)場中的每個單元與現(xiàn)實環(huán)境是一一映射關(guān)系，隨著大鼠的運動，不同位置細(xì)胞放電強度發(fā)生改變，狀態(tài)場中會產(chǎn)生移動且形狀不變的“凸起”，如圖6所示。這與連續(xù)吸引子網(wǎng)絡(luò)的性質(zhì)是幾乎相同的［16］。甚至可以用CANN解釋海馬體神經(jīng)元中的“相位進(jìn)動”現(xiàn)象［17］，因此其可以作為神經(jīng)信息編碼的標(biāo)準(zhǔn)模型，且由于CANN使用大量神經(jīng)元放電進(jìn)行信息表征，因此對具有較強魯棒性，即便一些輸入信息存在問題，依舊不會影響整體。近年來成功應(yīng)用于位置細(xì)胞、網(wǎng)格細(xì)胞、頭朝向細(xì)胞等空間神經(jīng)細(xì)胞的建模。

2004年，澳大利亞昆士蘭大學(xué)的研究團(tuán)隊受嚙齒類動物海馬體模型的啟發(fā)，提出了名為RatSLAM的同步定位與地圖構(gòu)建算法［18］，該算法使用位姿細(xì)胞中的活動包來表示機器人的位置與方向，位姿細(xì)胞使用CANN進(jìn)行建模，活動包使用外部的視覺傳感器輸入和通過自身運動線索實現(xiàn)的路徑整合進(jìn)行更新。輸入新的活動，移動活動包（在初始節(jié)點中得到激活的節(jié)點稱為活動包，活動包也會提供遠(yuǎn)程抑制），該方法可在較大區(qū)域建立度量拓?fù)涞貓D實現(xiàn)導(dǎo)航定位功能。由于RatSLAM的最關(guān)

鍵信息來自于視覺里程計，因此其會受到外部線索的劇烈影響。

之后研究人員在RatSLAM的基礎(chǔ)上進(jìn)行了探索，提出了一些擴展成果，如Steckel等研究人員使用聲納傳感器代替了RatSLAM中的視覺傳感器，獲取聲音感知線索，研發(fā)出了名為BatSLAM的算法［19］。Milford等使用了三維的位置細(xì)胞對RatSLAM進(jìn)行了擴展，實現(xiàn)了在三維環(huán)境的SLAM系統(tǒng)- DolphinSLAM［20］。該算法可以在極端情況的環(huán)境變化下，如一天的白天夜晚、一年四季、天氣變化等復(fù)雜情況，使機器人識別出曾經(jīng)走過的路線。

文獻(xiàn)［21］提出了名為NeuroSLAM，基于四自由度（Degree of Freedom，DoF）的SLAM系統(tǒng)。該系統(tǒng)由聯(lián)合位姿細(xì)胞、多層經(jīng)驗地圖與視覺模塊構(gòu)成，如圖7所示?？梢詣?chuàng)建實時多層次的經(jīng)驗地圖，通過視覺線索與自身動作信息實現(xiàn)誤差更新，重新定位與閉環(huán)檢測。該研究中使用三維網(wǎng)格細(xì)胞和三維頭朝向細(xì)胞構(gòu)建了聯(lián)合位姿細(xì)胞模型，用于表示四自由度位姿，使用自運動信息執(zhí)行路徑整合，并基于局部視覺線索執(zhí)行校準(zhǔn)。使用局部視圖單元、位姿細(xì)胞和三維視覺里程計創(chuàng)建多層圖形經(jīng)驗地圖。

NeuroSLAM算法框架中使用了CANN模型對空間導(dǎo)航神經(jīng)細(xì)胞進(jìn)行建模，分別用三維的CANN與二維的CANN構(gòu)建三維網(wǎng)格細(xì)胞與三維頭朝向細(xì)胞。NeuroSLAM系統(tǒng)可以在機器人訪問新環(huán)境時同步創(chuàng)建多層圖形經(jīng)驗地圖并且隨著運動不斷更新，可以在大型的真實三維環(huán)境中實現(xiàn)自主導(dǎo)航與定位。2021年，研究人員使用吸引子神經(jīng)網(wǎng)絡(luò)建立了具有應(yīng)用潛力的頭部方向細(xì)胞模型和位置細(xì)胞模型［22］，對視覺和慣性輸入信息進(jìn)行編碼，其中頭朝向細(xì)胞融合慣性測量裝置提供的角速度和視覺里程計提供的偏航角以獲得航向，位置細(xì)胞模型融合慣性測量裝置提供的水平速度和視覺里程計提供的相對于初始點的位置，然后根據(jù)群體神經(jīng)元的放電響應(yīng)對方向和位置進(jìn)行解碼。該導(dǎo)航模型實現(xiàn)了融合各傳感器信息，獲得了較高的導(dǎo)航精度。2023年，基于NeuroSLAM，有研究人員通過對三維頭朝向細(xì)胞與三維網(wǎng)格細(xì)胞的建模，結(jié)合ORB圖像特征提取的方法，建立了具有閉環(huán)檢測與重定位功能的經(jīng)驗地圖［23］。

基于CANN的類腦導(dǎo)航方法主要實現(xiàn)的是機器人的同步建圖與定位功能，屬于SLAM算法范疇之內(nèi)。且這一系列方法都是基于RatSLAM算法框架，后續(xù)所有研究的改進(jìn)只是在該框架的基礎(chǔ)上進(jìn)行修改，該系列方法是空間神經(jīng)細(xì)胞仿真數(shù)量由一個到多個，維度由二維至三維空間發(fā)展。如2004年，RatSLAM僅實現(xiàn)了二維的位姿細(xì)胞，而到了2019年，NeuroSLAM則實現(xiàn)的是三維的網(wǎng)格細(xì)胞與三維頭朝向細(xì)胞。且目前該類方法依舊存在精度不足的問題，亟待后續(xù)改進(jìn)。

3.2 震蕩干擾模型

1993年，O’Keefe發(fā)現(xiàn)大鼠在空間環(huán)境中運動時，其海馬體的腦電波呈現(xiàn)8～12 Hz的θ波震蕩，這一過程被稱為θ相位進(jìn)動。振蕩干擾模型最初用于解釋在海馬位置細(xì)胞中觀察到的θ相位進(jìn)動效應(yīng)。2005年，O’Keefe等證明位置細(xì)胞的相位進(jìn)動效應(yīng)是網(wǎng)格細(xì)胞放電模式的基礎(chǔ)（如圖8所示），并提出了將網(wǎng)格細(xì)胞、頭朝向細(xì)胞、位置細(xì)胞相結(jié)合的路徑整合框架［24］。

之后研究人員也使用振動干擾模型來解釋網(wǎng)格細(xì)胞的穩(wěn)定、規(guī)則的放電模式［25］，該模型預(yù)測了固有放電頻率與網(wǎng)格細(xì)胞放電的空間尺度、腦電波θ頻率和運行速度之間的特定關(guān)系［26］。同時其也允許使用網(wǎng)格單元之間的對稱循環(huán)連接，以提供相對穩(wěn)定性和連續(xù)的吸引子動力學(xué)。根據(jù)位置細(xì)胞相位進(jìn)動的理論，假設(shè)速度控制振蕩器的脈沖頻率隨運動方向和速度而變化，從而使其發(fā)射相位沿著特定的首選方向跟蹤位移。其中相位進(jìn)動指動物在靠近并經(jīng)過位置野的移動過程中，位置細(xì)胞的放電脈沖在時間上對應(yīng)于θ波的相位逐漸提前的現(xiàn)象［27］。然而，2011年，Yartsev等在蝙蝠的海馬體中并未觀測θ波震蕩［28］，這代表著震蕩干擾模型并不是通用的生物學(xué)機理。振動干擾模型如今依舊受到諸多質(zhì)疑，大多數(shù)研究仍停留在實驗，未應(yīng)用到真實環(huán)境的認(rèn)知地圖構(gòu)建。

3.3 深度學(xué)習(xí)網(wǎng)絡(luò)

深度學(xué)習(xí)網(wǎng)絡(luò)已成功應(yīng)用于目標(biāo)識別、目標(biāo)追蹤、圖像修復(fù)、語義分割等各大領(lǐng)域，在機器人導(dǎo)航領(lǐng)域也有所進(jìn)展。谷歌DeepMind團(tuán)隊訓(xùn)練了一個深度循環(huán)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）中的長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）以實現(xiàn)路徑整合［29］。該網(wǎng)絡(luò)通過監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練，可輸入速度信號，實現(xiàn)自我位置和運動狀態(tài)的更新，并且含有一組隱藏節(jié)點以讀取網(wǎng)絡(luò)中存儲的運動信息。研究人員使用了復(fù)雜的迷宮測試了這個網(wǎng)絡(luò)，結(jié)果顯示該網(wǎng)絡(luò)具有超乎尋常的尋路能力甚至于可以找尋捷徑，并發(fā)現(xiàn)隱藏節(jié)點的放電模式與網(wǎng)格細(xì)胞十分相似，呈現(xiàn)出了類似于網(wǎng)格細(xì)胞的放電野。 此研究證明了網(wǎng)格細(xì)胞的放電模式是可以通過學(xué)習(xí)形成的，以及RNN具有實現(xiàn)復(fù)雜空間導(dǎo)航的能力。

3.4 脈沖神經(jīng)網(wǎng)絡(luò)

脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network，SNN）是一種人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）。ANN是受大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)啟發(fā)的計算模型，名為神經(jīng)元的節(jié)點集合，各個節(jié)點的相互連接就像大腦神經(jīng)元的突觸，可以互相傳遞并處理信號。雖然ANN是受大腦啟發(fā)的，但是從結(jié)構(gòu)、計算與學(xué)習(xí)規(guī)則而言，與大腦有很大的區(qū)別。隨著對大腦研究的深入，研究人員發(fā)現(xiàn)真實的神經(jīng)元可以產(chǎn)生精確定時的脈沖，并且神經(jīng)元之間的信號傳遞也是通過向下游神經(jīng)元廣播動作電位序列（也稱為脈沖序列）來完成的［30］，這些單獨的脈沖在時間上是稀疏的，因此每個脈沖都有很高的信息含量，并且在一級近似下具有均勻的振幅［31］。

與ANN相比，SNN將時間概念引入了模型，SNN中的信息是通過脈沖時間傳遞的，包括潛伏期和峰值速率，因此更加接近自然的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖9所示。

20世紀(jì)90年代之后，隨著對動物大腦神經(jīng)網(wǎng)絡(luò)研究的深入，越來越多的研究表明，自然的神經(jīng)元可以發(fā)送具有精確計時能力的脈沖，并且發(fā)現(xiàn)了相關(guān)的突觸學(xué)習(xí)規(guī)則。SNN可以更好的處理時空數(shù)據(jù)，用于實現(xiàn)機器人的空間認(rèn)知與導(dǎo)航。而基于SNN的類腦導(dǎo)航方法，主要實現(xiàn)的是機器人的路徑規(guī)劃、避障與用于導(dǎo)航的類腦形態(tài)硬件。

路徑規(guī)劃與避障方面，2015年，Zennir等基于SNN實現(xiàn)位置細(xì)胞的仿真，將真實環(huán)境表征為認(rèn)知地圖，實現(xiàn)機器人的自主路徑規(guī)劃［32］。2018年之后，有研究人員基于SNN提出了一種能夠生成外部環(huán)境的內(nèi)部表示并實現(xiàn)空間記憶的網(wǎng)絡(luò)模型［33］，使用突觸向量場方法來驗證結(jié)果并計算信息特征。實驗表明該方法可以使機器人避開危險區(qū)域，雖然機器人最終會重新進(jìn)入到該區(qū)域，這是因為危險轉(zhuǎn)移到了另一個區(qū)域，這代表著機器人可以不斷根據(jù)經(jīng)驗更新地圖，以適應(yīng)不斷改變的環(huán)境。2020年，Steffen等通過使用SNN表征位置細(xì)胞，基于脈沖時間依賴可塑性（Spike-Time Dependant Plasticity，STDP）的學(xué)習(xí)規(guī)則，實現(xiàn)了三維空間內(nèi)的路徑規(guī)劃算法［34］。

類腦形態(tài)硬件方面，2018年，Kreiser等基于SNN實現(xiàn)了可用于路徑集成與地圖構(gòu)建的SLAM模型，并搭載于混合信號模擬/數(shù)字神經(jīng)形態(tài)硬件上［35］。同年，有研究人員基于SNN的神經(jīng)形態(tài)設(shè)備實現(xiàn)了對頭朝向細(xì)胞的仿真［36］，該網(wǎng)絡(luò)可以實現(xiàn)路徑整合，使用基于事件的攝像頭獲取視覺收入，通過檢測視覺地標(biāo)，可以校正累積誤差。2021年，Kishore等結(jié)合蠕蟲的Klinokinesis的趨化性，在Loihi神經(jīng)形態(tài)硬件上結(jié)合SNN塊陣列，實現(xiàn)了較為魯棒的導(dǎo)航性能［37］。相比于在軟件上實現(xiàn)神經(jīng)元的仿真，在神經(jīng)形態(tài)硬件進(jìn)行仿真大大降低了成本與難度，具有廣闊的前景。

SNN在算法與網(wǎng)絡(luò)模型方面，主要實現(xiàn)的是機器人的路徑規(guī)劃與避障功能，但由于SNN網(wǎng)絡(luò)模型存在訓(xùn)練困難的問題，很難訓(xùn)練出效果較好的網(wǎng)絡(luò)，因此基于SNN的類腦網(wǎng)絡(luò)模型還處于實驗階段。同時，由于SNN模仿生物大腦通過脈沖信號對信息進(jìn)行編碼，具有更高的時空信息處理能力與低功耗優(yōu)勢，因此SNN在開發(fā)神經(jīng)形態(tài)硬件如類腦芯片，類腦傳感器具有較好前景。

3.5 小" 結(jié)

目前，類腦仿真模型主要集中在個體的導(dǎo)航功能上，而群體層次的類腦仿真模型仍然處于發(fā)展階段。類腦仿真模型旨在模擬動物大腦中的空間導(dǎo)航神經(jīng)機制，以實現(xiàn)智能無人系統(tǒng)的導(dǎo)航能力，具體如表1所示。

模型優(yōu)勢劣勢現(xiàn)狀

CANN具有較強魯棒性，無需訓(xùn)練，在未知環(huán)境下或者長期運行條件下具有較高可靠性。目前，參數(shù)為手動設(shè)置的固定參數(shù)，因此靈活性不足。已應(yīng)用于位置細(xì)胞、網(wǎng)格細(xì)胞、頭朝向細(xì)胞的仿真建模，主要實現(xiàn)同步建圖與定位功能，具有初步應(yīng)用。

OI適用于網(wǎng)格細(xì)胞的放電模型，可形成不同尺度的放電野。不是通用的生物學(xué)機理模型。大多數(shù)研究還停留在理論實驗階段。

DNN在各個領(lǐng)域已具有深厚的積累，有了很多的研究成果，可以借鑒如自然語言處理等帶有時空屬性的相關(guān)領(lǐng)域的已有算法，將其應(yīng)用于類腦導(dǎo)航方面。需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，且目前難以估計三維空間中的位姿，存在有網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、獎勵函數(shù)難以設(shè)計的問題。通過DNN對大腦空間神經(jīng)架構(gòu)進(jìn)行仿真仍停留在理論實驗階段，等待后續(xù)的探索。

SNN更接近于真實的神經(jīng)結(jié)構(gòu)，由于脈沖具有時間信息，因此可以更好的處理時空數(shù)據(jù)，且功耗低。由于脈沖信號很難進(jìn)行穩(wěn)定的梯度傳播，因此模型訓(xùn)練存在困難，很難訓(xùn)練出效果較好的網(wǎng)絡(luò)。主要用于實現(xiàn)路徑規(guī)劃與構(gòu)建類腦形態(tài)硬件。相比于前者存在的訓(xùn)練困難、準(zhǔn)確性不足的問題，SNN在后者具有更好的應(yīng)用與發(fā)展前景。

4 類腦群體決策

類腦群體決策的關(guān)鍵是個體之間的信息交流和協(xié)同行為，個體可以通過感知周圍環(huán)境的信息，與其他個體共享自身的狀態(tài)和決策信息，進(jìn)行局部的決策調(diào)整和協(xié)調(diào)，從而在群體層面上形成一種整體的決策模式。這種決策模式通?；谌后w中的共識、多樣性、分工和分布式控制等原則，以實現(xiàn)群體的協(xié)調(diào)、合作和優(yōu)化。類腦群體決策強調(diào)個體之間的自組織性，即個體基于局部信息和簡單的規(guī)則進(jìn)行調(diào)整和適應(yīng)，而無需全局信息或中央控制。通過交互和適應(yīng)，整個群體可以表現(xiàn)出協(xié)調(diào)一致的行為和智能使得群體能夠應(yīng)對環(huán)境變化和不確定性，提高群體的自適應(yīng)性、魯棒性和容錯性，并在面臨挑戰(zhàn)時展現(xiàn)出合作和集體智慧。

類腦群體決策的目標(biāo)是通過對生物群體智能的模擬實現(xiàn)群體的任務(wù)分配、路徑規(guī)劃等復(fù)雜任務(wù)，達(dá)成群體內(nèi)個體間的良好協(xié)同，使群體具備更強大的問題解決能力、適應(yīng)性和智能性，從而在復(fù)雜的任務(wù)環(huán)境中取得更好的表現(xiàn)。目前分為集中式與分布式兩種，前者代表為群體智能算法，后者代表為多智能體模型算法。

4.1 群體智能算法

基于群體智能的任務(wù)分配與路徑規(guī)劃算法以自然界中群體交互合作模式為基礎(chǔ)，通過模擬自然界中群體行為和集體智慧的原理，實現(xiàn)無人集群系統(tǒng)中任務(wù)的合理分配和協(xié)同執(zhí)行。該類算法有以下幾種主要分支： 蟻群算法（Ant Colony Optimization，ACO）、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）、 人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）、蜂群優(yōu)化算法（Artificial Bee Colony，ABC）等。

4.1.1 蟻群算法

蟻群算法受螞蟻在尋找食物時的行為啟發(fā)，模擬了螞蟻在尋找食物過程中的信息交流和路徑選擇策略。群體中每個個體可以看作一個螞蟻，任務(wù)可以看作食物源，螞蟻根據(jù)信息素和距離等因素進(jìn)行選擇路徑，并通過信息素的釋放和蒸發(fā)來實現(xiàn)任務(wù)的分配。蟻群算法能夠在搜索空間中尋找到較優(yōu)的任務(wù)分配與路徑規(guī)劃方案。

蟻群算法基于蟻群的集體智慧行為，螞蟻通過釋放信息素和跟隨信息素尋找最優(yōu)路徑。螞蟻在搜索過程中通過正反饋機制加強對信息素濃度較高路徑的選擇，并將路徑上的信息素更新。這種信息素的正反饋和螞蟻的協(xié)作行為最終導(dǎo)致了全局最優(yōu)解的發(fā)現(xiàn)。蟻群算法具有反饋信息好、魯棒性強、分布式計算能力好等優(yōu)點，被廣泛應(yīng)用于移動機器人的路徑規(guī)劃中。

1991年，Colorni提出蟻群算法［38］，之后成為了基于群智能的優(yōu)化算法的重要分支之一，有著眾多的改進(jìn)版本以適應(yīng)不同的應(yīng)用領(lǐng)域。

2004年，Hsiao等提出了一種解決路徑規(guī)劃問題的改進(jìn)ACO算法［39］，該算法將最優(yōu)路徑規(guī)劃問題表述為在考慮載荷約束的情況下，獲取地圖最短路徑長度的最優(yōu)問題，具有擺脫局部最優(yōu)解而實現(xiàn)全局最優(yōu)解的能力。2010年，Zhang等針對于無人機集群的路徑規(guī)劃提出了一種新的ACO算法［40］，該算法利用激勵概率來幫助螞蟻選擇下一個網(wǎng)格，并利用基于無限步長原理的新的啟發(fā)式信息來擴大視野，取得較好效果。2018年，Akka等在ACO算法的基礎(chǔ)上，采用了新的信息素更新規(guī)則和蒸發(fā)速率的動態(tài)調(diào)節(jié)，利用基于無限步長原理的新的啟發(fā)式信息來擴大視野，加快了收斂速度，擴大了搜索空間［41］。

4.1.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法模擬了鳥群或魚群的行為，通過粒子在解空間中的搜索和交互來找到最優(yōu)解。粒子根據(jù)自身的歷史最優(yōu)位置和群體的最優(yōu)位置來更新自己的位置，以尋找更好的任務(wù)分配方案。

1995年，Kennedy等最早提出PSO算法［42］，該算法以其實現(xiàn)簡單、控制參數(shù)少等優(yōu)點受到了廣泛的關(guān)注。PSO算法的思想和公式來源于觀察鳥類群集和魚群的社會行為。由于最初的PSO算法存在有過早收斂的問題，因此產(chǎn)生了之后許多優(yōu)化改動的PSO算法變體。

1998年，有研究人員提出了一種基于粒子群的混合進(jìn)化優(yōu)化算法［43］，并加入了進(jìn)化計算的標(biāo)準(zhǔn)選擇機制，實現(xiàn)了對于部分復(fù)雜函數(shù)的選擇優(yōu)勢。2004年，通過結(jié)合模擬退火算法，Wang等提出了一種混合粒子群算法，該算法縮小了優(yōu)化過程中的搜索范圍，加快了收斂速度，具有較高的搜索效率［44］。2008年，Jiao等提出了帶突變的Elite粒子群優(yōu)化算法［45］，可以從群體中區(qū)分出優(yōu)秀粒子與壞粒子，用優(yōu)秀粒子取代壞粒子，并引入突變機制，防止局部最優(yōu)。2011年，Alfi等通過自適應(yīng)粒子群優(yōu)化算法（APSO）來尋找最優(yōu)系統(tǒng)參數(shù)和最優(yōu)控制參數(shù)的方法，可以在最小的增量計算量下實現(xiàn)更快的收斂速度和更好的解精度［46］。2018年，Zhang等提出了一個新的PSO的變體-PPPSO［47］，實現(xiàn)了捕獲、逃跑和繁殖策略，有助于提高收斂速度并減少計算時間。2022年，Zhang等為解決為異構(gòu)多無人機的多任務(wù)分配問題，改進(jìn)了模擬退火粒子群優(yōu)化算法（SAPSO），建立了粒子群與可行任務(wù)分配方案之間的關(guān)系，得到了合理有效的任務(wù)分配方案［48］。

4.1.3 人工魚群算法

2003年，文獻(xiàn)［49］提出人工魚群算法，之后隨著廣泛的應(yīng)用產(chǎn)生了許多變體。人工魚群算法模擬了魚群中的覓食行為。每個個體被看作一條魚，任務(wù)被看作食物。魚根據(jù)食物的位置和個體行為來選擇任務(wù)，并通過覓食行為的調(diào)整來實現(xiàn)任務(wù)的分配和調(diào)度。該類算法是一種并行隨機搜索算法，使用局部搜索策略，具有較強的全局搜索能力與隨機性，并且能夠在搜索空間中自動調(diào)整搜索策略和行為，具有較強適應(yīng)性與魯棒性。

由于基礎(chǔ)的人工魚群算法存在有尋優(yōu)精度不高的缺點，2006年，有研究人員提出了自適應(yīng)人工魚群算法［50］，通過對參數(shù)的實時調(diào)整，最終提高收斂精度。由于機器人路徑規(guī)劃必須具有平滑性，2014年，文獻(xiàn)［51］提出了基于對立強化學(xué)習(xí)機制的人工魚群算法，并將其應(yīng)用于實際環(huán)境中的路徑規(guī)劃問題。該算法引入了衰減函數(shù)來改善標(biāo)準(zhǔn)人工魚群算法的視覺效果，實現(xiàn)了全局搜索和局部搜索的平衡，并采用自適應(yīng)算子來增強步長的自適應(yīng)，具有較強的搜索能力和理想的收斂性。2017年，文獻(xiàn)［52］提出了一種對數(shù)函數(shù)自適應(yīng)人工魚群算法（ALF-AFSA），該算法采用對數(shù)函數(shù)作為步長范圍，提高了算法的搜索能力。2022年，為解決船舶的路徑規(guī)劃問題，有研究人員改進(jìn)了人工魚群算法［53］，提出一個概率權(quán)重因子來調(diào)整執(zhí)行隨機行為的頻率，并引入了一個自適應(yīng)算子，取得了較好的路徑規(guī)劃效果。

4.1.4 蜂群優(yōu)化算法

蜂群優(yōu)化算法受蜜蜂在尋找花蜜的行為啟發(fā)，其模擬了蜜蜂在尋找蜜源的過程中的交流和合作行為，通過多個虛擬的蜜蜂個體在問題的搜索空間中進(jìn)行信息交流和搜索，以尋找最優(yōu)解。2005年，蜂群算法首次被提出，并用于優(yōu)化數(shù)值問題，之后基于蜂群算法的改進(jìn)算法被應(yīng)用于各個領(lǐng)域，是目前在解決實際問題方面應(yīng)用最廣泛的算法之一。

2010年，為解決無人作戰(zhàn)飛行器的路徑規(guī)劃問題，研究人員將混沌理論與ABC算法相結(jié)合，實現(xiàn)了一種新的改進(jìn)蜂群算法［54］，利用混沌變量的遍歷性和不規(guī)則性，幫助基本ABC算法跳出局部最優(yōu)，加快尋找最優(yōu)參數(shù)的過程，實現(xiàn)較好效果。2015年，有研究人員將蜂群優(yōu)化算法與進(jìn)化遺傳算法結(jié)合，利用人工蜂群算法生成可行路徑，通過局部搜索逐步構(gòu)建連接移動機器人起始位置和目標(biāo)位置的無碰撞路徑； 采用進(jìn)化規(guī)劃方法對可行路徑進(jìn)行細(xì)化，實現(xiàn)了多機器人平滑的路徑規(guī)劃［55］。2020年，Xu等將協(xié)同進(jìn)化框架與ABC算法相結(jié)合，設(shè)計了一種全局最優(yōu)的人工蜂群算法［56］，引入交叉策略和全局最優(yōu)位置策略處理維度依賴現(xiàn)象，在機器人路徑規(guī)劃問題上得到較好測試結(jié)果。

4.1.5 小結(jié)

基于群體智能的類腦群體決策算法是一類基于群體行為和自組織原理的仿生優(yōu)化算法，通過模擬自然界中群體行為、交互方式和生物進(jìn)化的方式來解決復(fù)雜的優(yōu)化問題。這些算法借鑒了社會群體、動物群體以及生物進(jìn)化的啟示，將個體的局部知識和行為整合為整體的集體智能，從而能夠有效地搜索和優(yōu)化解空間。在群體智能算法中，個體之間可以通過共享信息、相互協(xié)作、競爭或者覓食行為來實現(xiàn)信息傳遞和知識交流。這些算法常涉及到群體中個體的位置、速度、方向等狀態(tài)的調(diào)整和更新，以逐步搜索解空間并逼近最優(yōu)解。基于群體智能的決策算法在未知環(huán)境下和處理大規(guī)模群體數(shù)據(jù)等方面具有潛在優(yōu)勢，其可以有效地應(yīng)對復(fù)雜環(huán)境的多樣性、不確定性和動態(tài)性，實現(xiàn)無人集群系統(tǒng)在群體層面的決策能力。

蜂群算法、蟻群算法、人工魚群算法和粒子群算法是基于群體智能的類腦群體決策算法的幾個主要分支，這些算法在具體實現(xiàn)上有所不同，但基本原理類似： 通過模擬群體行為、信息傳遞和個體適應(yīng)調(diào)整，以獲取最優(yōu)的決策結(jié)果，具有一些共同的優(yōu)勢和劣勢，也有一些各自的特點，如表2所示。

4.2 多智能體模型

多智能體模型（Multi-Agent System，MAS） 的設(shè)計借鑒了生物群體的特征和行為，模型中的智能體通過相互通信、協(xié)調(diào)和合作來達(dá)到共同的目標(biāo)。借用多智能體模型可以實現(xiàn)分布式、自治代理的決策控制方法，將復(fù)雜決策和任務(wù)分散到系統(tǒng)中的多個自治個體，每個個體根據(jù)自身的觀察和策略做出決策，并與其他個體進(jìn)行交互和合作。多智能體模型這種分布式的特性使得多智能體模型能夠適應(yīng)大規(guī)模、復(fù)雜的問題，具有較高的魯棒性、適應(yīng)性與可擴展性。多智能體模型被廣泛應(yīng)用于集群任務(wù)分配、路徑規(guī)劃與系統(tǒng)控制等方面。

早期的多智能體模型以博弈論為基礎(chǔ)，引入馬爾科夫決策過程（Markov Decision Process，MDP）進(jìn)行建模，馬爾可夫決策過程是一種數(shù)學(xué)模型，用于描述一個智能體在與環(huán)境交互的過程中作出決策的問題。強化學(xué)習(xí)是一種可以解決馬爾可夫決策過程的方法，用于讓智能體通過與環(huán)境的交互來學(xué)習(xí)最優(yōu)的行為策略，因此多智能體強化學(xué)習(xí)通過與環(huán)境的交互和獎勵信號的反饋，能夠逐步學(xué)習(xí)到最優(yōu)的決策策略。

2020年，Chen等提出了一種基于高斯過程回歸和多智能體強化學(xué)習(xí)的無人機集群跟蹤方案，該方案以最小搜索時間為優(yōu)化目標(biāo)，通過接收信號強度（RSS）測量來跟蹤射頻目標(biāo)［57］。同年，有研究人員針對于無人機集群軌跡規(guī)劃問題提出了一種基于多智能體深度強化學(xué)習(xí)的軌跡控制算法，通過優(yōu)化每架無人機的軌跡以實現(xiàn)能耗的最小化［58］。2021年，Xia等為解決無人機集群目標(biāo)追蹤問題，提出了端到端的多智能體強化學(xué)習(xí)方案，使無人機能夠根據(jù)目標(biāo)的過去和當(dāng)前狀態(tài)做出智能飛行決策，進(jìn)行協(xié)同目標(biāo)跟蹤［59］。2022年，Shang等提出了一種基于多智能體強化學(xué)習(xí)的協(xié)同路徑規(guī)劃模型，將多艦載機協(xié)同路徑規(guī)劃建模為多智能體強化學(xué)習(xí)問題，建立了基于艦載機狀態(tài)和行動空間的協(xié)同路徑規(guī)劃模型，實現(xiàn)了快速、準(zhǔn)確率高的航母艦載機最優(yōu)調(diào)度路徑［60］。

5 類腦群體導(dǎo)航發(fā)展方向

類腦群體導(dǎo)航是一項前沿的研究領(lǐng)域，旨在借鑒生物大腦中空間導(dǎo)航的神經(jīng)機制以及群體智能原理，通過收集多模態(tài)傳感信息實現(xiàn)空間感知，將其應(yīng)用于多機器人系統(tǒng)中，以實現(xiàn)在復(fù)雜未知環(huán)境中的自主導(dǎo)航和協(xié)作行為。該領(lǐng)域的研究目標(biāo)是通過多模態(tài)傳感信息的收集，實現(xiàn)對環(huán)境的全面感知和理解。通過信息交換和協(xié)作，智能無人系統(tǒng)能夠建立個體環(huán)境地圖，并在此基礎(chǔ)上構(gòu)建實時的群體地圖； 且通過個體之間的信息交流和合作，群體能夠共同解決復(fù)雜的導(dǎo)航問題，實現(xiàn)高級的路徑規(guī)劃和任務(wù)分配等決策能力。如今類腦群體導(dǎo)航依舊存在著很多挑戰(zhàn)與問題，仍需深入的發(fā)展。

（1） 神經(jīng)機制解析。對于生物大腦空間神經(jīng)結(jié)構(gòu)的認(rèn)知是類腦群體導(dǎo)航的基礎(chǔ)，而目前對于大腦的認(rèn)識存在著大量迷霧，因此需要進(jìn)一步深入研究動物大腦中與空間導(dǎo)航相關(guān)的神經(jīng)機制，揭示更多神經(jīng)元之間的相互作用和信息處理機制，為設(shè)計更精確、高效的類腦群體導(dǎo)航算法提供更多啟示。

（2） 多模態(tài)融合空間感知。集成多源信息和多模態(tài)融合空間感知是類腦群體導(dǎo)航發(fā)展的重要方向之一。不同的感知模態(tài)可以提供互補的信息，通過將多個感知模態(tài)進(jìn)行融合和集成，可以提高系統(tǒng)的感知精度和魯棒性。當(dāng)前研究主要關(guān)注視覺、激光雷達(dá)和定位傳感器，而忽視了其他感知模態(tài)的潛力。未來的發(fā)展方向?qū)筛嗟膫鞲衅?，如溫度傳感器、壓力傳感器、氣體傳感器等，以提供更全面的感知能力和環(huán)境認(rèn)知。同時，研究如何有效地融合多模態(tài)感知信息，加強多模態(tài)感知信息的融合，進(jìn)一步提高導(dǎo)航系統(tǒng)的感知能力和環(huán)境適應(yīng)性，以提高定位精度和環(huán)境理解能力。

（3） 地圖共享與群體地圖構(gòu)建。在群體導(dǎo)航中，多個智能無人系統(tǒng)可以進(jìn)行信息共享和協(xié)作，以實現(xiàn)更高效的導(dǎo)航。未來的發(fā)展方向是建立分布式地圖共享機制，使不同智能無人系統(tǒng)之間能夠相互交流地圖信息。通過共享地圖數(shù)據(jù)，將個體的感知信息整合為全局的環(huán)境地圖，群體中的個體可以更好地理解整體環(huán)境和其他成員的行為，從而實現(xiàn)更協(xié)調(diào)和智能的群體導(dǎo)航。

（4） 實現(xiàn)一體的群體類腦仿真模型。目前的類腦仿真模型主要集中在個體層次的研究和開發(fā)，而群體層次的模擬和研究相對較少。這是因為群體行為和群體智能的研究相對復(fù)雜，涉及到多個個體之間的相互作用和協(xié)調(diào)，以及群體整體行為的演化。但研究者已經(jīng)開始關(guān)注和探索如何模擬和理解群體行為的機制，因此未來隨著群體通信、協(xié)調(diào)機制、決策策略等方面研究的加深，個體類腦仿真模型將擴展到群體層次，建立集定位、決策一體的群體導(dǎo)航模型。

（5） 具有自適應(yīng)能力的群體決策。未來的群體決策將注重系統(tǒng)的自適應(yīng)和自學(xué)習(xí)能力。改進(jìn)和優(yōu)化群體智能算法，以提高決策的效率和準(zhǔn)確性。通過引入新的算法和技術(shù)，如深度學(xué)習(xí)和強化學(xué)習(xí)，智能無人系統(tǒng)將能夠根據(jù)環(huán)境的變化和任務(wù)需求進(jìn)行自主學(xué)習(xí)和適應(yīng)，以實現(xiàn)更靈活、可靠的決策能力。

6 總" 結(jié)

類腦群體導(dǎo)航作為新興的研究領(lǐng)域，融合了生物神經(jīng)機制和群體協(xié)同能力，展現(xiàn)了廣闊的應(yīng)用前景和發(fā)展?jié)摿?。通過借鑒生物大腦的導(dǎo)航機制與協(xié)作原理，并結(jié)合多模態(tài)傳感器信息，在建圖定位的基礎(chǔ)上實現(xiàn)智能體之間的協(xié)作與決策，適應(yīng)復(fù)雜的未知環(huán)境。類腦群體導(dǎo)航目前仍然面臨一些挑戰(zhàn)，如需要高性能的計算資源和算法優(yōu)化來應(yīng)對高復(fù)雜性和計算開銷； 群體協(xié)作與通信需要解決群體間的信息共享和協(xié)調(diào)問題等。解決這些挑戰(zhàn)需要多學(xué)科的合作和深入研究，因此類腦群體導(dǎo)航仍有很多的工作需要完成。隨著技術(shù)的發(fā)展和應(yīng)用場景的不斷涌現(xiàn)，類腦群體導(dǎo)航將更加注重與現(xiàn)實生活場景的融合。目前的研究主要集中在實驗室環(huán)境下的仿真和驗證，缺乏對復(fù)雜實際環(huán)境的應(yīng)用，未來的發(fā)展方向?qū)杨惸X群體導(dǎo)航技術(shù)應(yīng)用于真實場景中的更多領(lǐng)域，如智能交通、智慧城市、環(huán)境監(jiān)測等。研究者將在不同領(lǐng)域中探索應(yīng)用，解決實際問題，并為未來的類腦群體導(dǎo)航研究提供新的挑戰(zhàn)和方向。

參考文獻(xiàn)：

［1］ Omer D B， Maimon S R， Las L， et al. Social Place-Cells in the Bat Hippocampus［J］. Science， 2018， 359（6372）： 218-224.

［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］ Quirk G J， Muller R U， Kubie J L. The Firing of Hippocampal Place Cells in the Dark Depends on the Rat’s Recent Experience［J］. The Journal of Neuroscience： the Official Journal of the Society for Neuroscience， 1990， 10（6）： 2008-2017.

［4］ Muller R U， Kubie J L. The Effects of Changes in the Environment on the Spatial Firing of Hippocampal Complex-Spike Cells［J］. The Journal of Neuroscience： the Official Journal of the Society for Neuroscience， 1987， 7（7）： 1951-1968.

［5］ Moser E I， Kropff E， Moser M B. Place Cells， Grid Cells， and the Brain’s Spatial Representation System［J］. Annual Review of Neur-oscience， 2008， 31： 69-89.

［6］ Wilson M A， McNaughton B L. Dynamics of the Hippocampal Ensemble Code for Space［J］. Science， 1993， 261（5124）： 1055-1058.

［7］ Finkelstein A， Las L， Ulanovsky N. 3-D Maps and Compasses in the Brain［J］. Annual Review of Neuroscience， 2016， 39： 171-196.

［8］ Rank J B， Jr. Head-Direction Cells in the Deep Layers of Dorsal Presubiculum in Freely Moving Rats［C］∥Social Neuroscience，1984， 10： 599.

［9］ Taube J S， Muller R U， Ranck J B， Jr. Head-Direction Cells Recorded from the Postsubiculum in Freely Moving Rats［J］. The Journal of Neuroscience： The Official Journal of the Society for Neuroscience， 1990， 10（2）： 420-435.

［10］ Hafting T， Fyhn M， Molden S， et al. Microstructure of a Spatial Map in the Entorhinal Cortex［J］. Nature， 2005， 436（7052）： 801-806.

［11］ Fyhn M， Molden S， Witter M P， et al. Spatial Representation in the Entorhinal Cortex［J］. Science， 2004， 305（5688）： 1258-1264.

［12］ Barry C， Hayman R， Burgess N， et al. Experience-Dependent Rescaling of Entorhinal Grids［J］. Nature Neuroscience， 2007， 10（6）： 682-684.

［13］ Stella F， Treves A. The Self-Organization of Grid Cells in 3D［J］. eLife， 2015， 4： e05913.

［14］ Eichenbaum H. The Hippocampus as a Cognitive Map of Social Space［J］. Neuron， 2015， 87（1）： 9-11.

［15］ Sarel A， Palgi S， Blum D， et al. Natural Switches in Behaviour Rapidly Modulate Hippocampal Coding［J］. Nature， 2022， 609（7925）： 119-127.

［16］ Samsonovich A， McNaughton B L. Path Integration and Cognitive Mapping in a Continuous Attractor Neural Network Model［J］. The Journal of Neuroscience， 1997， 17（15）： 5900-5920.

［17］ Chu T， Ji Z， Zuo J， et al. Oscillatory Tracking of Continuous Attractor Neural Networks Account for Phase Precession and Procession of Hippocampal Place Cells［J］. Advances in Neural Information Processing Systems， 2022， 35： 33159-33172.

［18］ Milford M J， Wyeth G F， Prasser D. RatSLAM： A Hippocampal Model for Simultaneous Localization and Mapping［C］∥IEEE International Conference on Robotics and Automation， 2004： 403-408.

［19］ Steckel J， Peremans H. BatSLAM： Simultaneous Localization and Mapping Using Biomimetic Sonar［J］. PLoS One， 2013， 8（1）： e54076.

［20］ Silveira L， Guth F， Drews-Jr P， et al. An Open-Source Bio-Inspired Solution to Underwater SLAM［J］. IFAC-PapersOnLine， 2015， 48（2）： 212-217.

［21］ Yu F W， Shang J G， Hu Y J， et al. NeuroSLAM： A Brain-Inspired SLAM System for 3D Environments［J］. Biological Cybernetics， 2019， 113（5）： 515-545.

［22］ Chen Y D， Xiong Z， Liu J Y， et al. A Positioning Method Based on Place Cells and Head-Direction Cells for Inertial/Visual Brain-Inspired Navigation System［J］. Sensors， 2021， 21（23）： 7988.

［23］ Shen D， Liu G L， Li T C， et al. A Brain-Inspired 3D Cognitive Map Construction Method Incorporating Monocular Visual Features［C］∥ International Conference on Guidance， Navigation and Control， 2023： 3808-3816.

［24］ O’Keefe J， Burgess N. Dual Phase and Rate Coding in Hippo-campal Place Cells： Theoretical Significance and Relationship to Entorhinal Grid Cells［J］. Hippocampus， 2005， 15（7）： 853-866.

［25］ Bush D， Burgess N. A Hybrid Oscillatory Interference/Continuous Attractor Network Model of Grid Cell Firing［J］. The Journal of Neuroscience， 2014， 34（14）： 5065-5079.

［26］ Jeewajee A， Barry C， O’Keefe J， et al. Grid Cells and Theta as Oscillatory Interference： Electrophysiological Data from Freely Moving Rats［J］. Hippocampus， 2008， 18（12）： 1175-1185.

［27］ 斯白露， 羅壹凡. 空間記憶與類腦導(dǎo)航研究進(jìn)展［J］. 人工智能， 2020， 7（1）： 16-31.

Si Bailu， Luo Yifan. Research Progress of Spatial Memory and Brain-Like Navigation［J］. AI-View， 2020， 7（1）： 16-31.（in Chinese）

［28］ Yartsev M M， Witter M P， Ulanovsky N. Grid Cells without Theta Oscillations in the Entorhinal Cortex of Bats［J］. Nature， 2011， 479（7371）： 103-107.

［29］ Banino A， Barry C， Uria B， et al. Vector-Based Navigation Using Grid-Like Representations in Artificial Agents［J］. Nature， 2018， 557（7705）： 429-433.

［30］ Carr C E， Konishi M. A Circuit for Detection of Interaural Time Differences in the Brain Stem of the Barn Owl［J］. The Journal of Neuroscience， 1990， 10（10）： 3227-3246.

［31］ Tavanaei A， Ghodrati M， Kheradpisheh S R， et al. Deep Learning in Spiking Neural Networks［J］. Neural Networks， 2019， 111： 47-63.

［32］ Zennir M N， Benmohammed M， Boudjadja R. Spike-Time Dependant Plasticity in a Spiking Neural Network for Robot Path Planning［C］∥AIAI Workshops， 2015： 2-13.

［33］ Lobov S A， Zharinov A I， Makarov V A， et al. Spatial Memory in a Spiking Neural Network with Robot Embodiment［J］. Sensors， 2021， 21（8）： 2678.

［34］ Steffen L， da Silva R K， Ulbrich S， et al. Networks of Place Cells for Representing 3D Environments and Path Planning［C］∥ 8th IEEE RAS/EMBS International Conference for Biomedical Robo-tics and Biomechatronics （BioRob），2020： 1158-1165.

［35］ Kreiser R， Renner A， Sandamirskaya Y， et al. Pose Estimation and Map Formation with Spiking Neural Networks： Towards Neuromorphic SLAM［C］∥ IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）， 2019： 2159-2166.

［36］ Kreiser R， Cartiglia M， Martel J N P， et al. A Neuromorphic Approach to Path Integration： A Head-Direction Spiking Neural Network with Vision-Driven Reset［C］∥ IEEE International Sympo-sium on Circuits and Systems （ISCAS）， 2018： 1-5.

［37］ Kishore A， Saraswat V， Ganguly U. Simplified Klinokinesis Using Spiking Neural Networks for Resource-Constrained Navigation on the Neuromorphic Processor Loihi［C］∥International Joint Conference on Neural Networks （IJCNN）， 2021： 1-8.

［38］ Colorni A， Dorigo M， Maniezzo V. Distributed Optimization by Ant Colonies［C］∥1st European Conference on Artificial Life， 1991， 142： 134-142.

［39］ Hsiao Y T， Chuang C L， Chien C C. Ant Colony Optimization for Best Path Planning［C］∥IEEE International Symposium on Communications and Information Technology， 2005： 109-113.

［40］ Zhang C， Zhen Z Y， Wang D B， et al. UAV Path Planning Method Based on Ant Colony Optimization［C］∥ Chinese Control and Decision Conference， 2010： 3790-3792.

［41］ Akka K， Khaber F. Mobile Robot Path Planning Using an Improved Ant Colony Optimization［J］. International Journal of Advanced Robotic Systems， 2018， 15（3）： 172988141877467.

［42］ Kennedy J， Eberhart R. Particle Swarm Optimization［C］∥International Conference on Neural Networks， 2002： 1942-1948.

［43］ Angeline P J. Using Selection to Improve Particle Swarm Optimization［C］∥ IEEE World Congress on Computational Intelligence， 1998： 84-89.

［44］ Wang X H， Li J J. Hybrid Particle Swarm Optimization with Simulated Annealing［C］∥ IEEE International Conference on Machine Learning and Cybernetics， 2004， 4： 2402-2405.

［45］ Jiao W， Liu G B， Liu D. Elite Particle Swarm Optimization with Mutation［C］∥ Asia Simulation Conference-7th International Conference on System Simulation and Scientific Computing， 2008： 800-803.

［46］ Alfi A， Modares H. System Identification and Control Using Adaptive Particle Swarm Optimization［J］. Applied Mathematical Modelling， 2011， 35（3）： 1210-1221.

［47］ Zhang H R， Yuan M， Liang Y T， et al. A Novel Particle Swarm Optimization Based on Prey-Predator Relationship［J］. Applied Soft Computing， 2018， 68： 202-218.

［48］ Zhang J， Wen P， Xiong A. Multi-Task Assignment Research for Heterogeneous UAVs Based on Improved Simulated Annealing Particle Swarm Optimization Algorithm［C］∥International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery，" 2022： 284-288.

［49］ 李曉磊. 一種新型的智能優(yōu)化方法-人工魚群算法［D］. 杭州： 浙江大學(xué)， 2003.

Li Xiaolei. A New Intelligent Optimization Method-Artificial Fish Swarm Algorithm［D］.Hangzhou： Zhejiang University， 2003. （in Chinese）.

［50］ Xiao J M， Zheng X M， Wang X H， et al. A Modified Artificial Fish-Swarm Algorithm［C］∥ 6th World Congress on Intelligent Control and Automation， 2006： 3456-3460.

［51］ Wang J A， Wu L J. Robot Path Planning Based on Artificial Fish Swarm Algorithm under a Known Environment［J］. Advanced Materials Research， 2014， 989/990/991/992/993/994： 2467-2469.

［52］ Huang Y Q， Wang P P， Yuan M R， et al. Path Planning of Mobile Robots Based on Logarithmic Function Adaptive Artificial Fish Swarm Algorithm［C］∥36th Chinese Control Conference （CCC）， 2017： 4819-4823.

［53］ Zhao L A， Wang F， Bai Y. Route Planning for Autonomous Vessels Based on Improved Artificial Fish Swarm Algorithm［J］. Ships and Offshore Structures， 2023， 18（6）： 897-906.

［54］ Xu C F， Duan H B， Liu F. Chaotic Artificial Bee Colony Approach to Uninhabited Combat Air Vehicle （UCAV） Path Planning［J］. Aerospace Science and Technology， 2010， 14（8）： 535-541.

［55］ Contreras-Cruz M A， Ayala-Ramirez V， Hernandez-Belmonte U H. Mobile Robot Path Planning Using Artificial Bee Colony and Evolutionary Programming［J］. Applied Soft Computing， 2015， 30： 319-328.

［56］ Xu F Y， Li H L， Pun C M， et al. A New Global Best Guided Artificial Bee Colony Algorithm with Application in Robot Path Planning［J］. Applied Soft Computing， 2020， 88： 106037.

［57］ Chen Y J， Chang D K， Zhang C. Autonomous Tracking Using a Swarm of UAVs： A Constrained Multi-Agent Reinforcement Learning Approach［J］. IEEE Transactions on Vehicular Technology， 2020， 69（11）： 13702-13717.

［58］ Wang L， Wang K Z， Pan C H， et al. Multi-Agent Deep Reinforcement Learning-Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing［J］. IEEE Transactions on Cognitive Communications and Networking， 2021， 7（1）： 73-84.

［59］ Xia Z Y， Du J， Wang J J， et al. Multi-Agent Reinforcement Learning Aided Intelligent UAV Swarm for Target Tracking［J］. IEEE Transactions on Vehicular Technology， 2022， 71（1）： 931-945.

［60］ Shang Z H， Mao Z Q， Zhang H C， et al. Collaborative Path Planning of Multiple Carrier-Based Aircraft Based on Multi-Agent Reinforcement Learning［C］∥23rd IEEE International Conference on Mobile Data Management （MDM）， 2022： 512-517.

Perspective and Development of Brain-Inspired Swarm Navigation

Li Weibin1， 2*， Yang Donghao1， Li Zhanbin3， Hou Biao1， Jiao Licheng1

（1. Beidou Intelligent Spatial-Temporal Research Center， Xidian University， Xi’an 710075， China；

2. Hangzhou Institute of Technology， Xidian University， Hangzhou 311231， China；

3. Haomo AI Technology Co.， Ltd， Beijing 100000， China）

Abstract：" In recent years， intelligent unmanned systems such as drones， autonomous vehicles， and unmanned boats have played a significant role in various fields， including military， industrial and agricultural production， and logistics transportation. However， due to the limitations in resources and capabilities of individual intelligent unmanned systems， they are unable to meet the increasingly complex demands of real-world applications. it has become a trend to organize multiple intelligent unmanned systems into clusters to achieve collaborative work and swarm intelligence， of which swarm navigation and positioning is an important basis for swarm intelligence.Traditional satellite navigation systems are inadequate to meet the application requirements of intelligent unmanned systems in complex environments. Therefore， autonomous navigation of intelligent unmanned swarm systems has become an urgent problem to solve. Inspired by the neural mechanisms and principles of animal navigation systems and collective coordination， brain-inspired swarm navigation has emerged as a promising research field. It aims to achieve efficient and intelligent navigation in complex and unknown environments， fulfilling the navigation needs of intelligent unmanned systems operating in groups. This article provides an overview of the concept and mechanisms of brain-inspired swarm navigation. It explores the spatial neural mechanisms involved in brain-inspired swarm navigation， relevant simulation models， and swarm intelligence algorithms for brain-inspired swarm decision-making. Finally， the future directions of brain-inspired swarm navigation are discussed.

Key words：" brain-inspired intelligence; swarm coordination; self navigation; swarm navigation; brain-inspired navigation