第13卷第1期 智能系统学报 Vol.13 No.I 2018年2月 CAAI Transactions on Intelligent Systems Feb.2018 D0:10.11992/tis.201707003 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180122.0934.002.html 鼠类脑细胞导航机理的移动机器人仿生 SLAM综述 陈孟元2 (1.安徽工程大学安徽省电气传动与控制重点实验室，安徽芜湖241000：2.中国科学技术大学精密机械与精密仪 器系，安徽合肥230027) 摘要：针对同步定位与地图构建(SLAM)问题中传统概率算法存在计算量大、复杂度高、易陷于局部最优解等问 题，本文提出一种未来深入研究的方法建议，将鼠类脑细胞中边界细胞(border cells)、局部场景细胞(view cells)、网 格细胞(grid cells))、速度细胞(speed cells))、位姿细胞(pose cells)等具有定位导航功能的细胞应用于SLAM研究中， 构建一种基于多细胞导航机制的BVGSP-SLAM模型。结合具有实时关键帧匹配的闭环检测算法以避免光线变化 对SLAM的影响，融入速度细胞和边界细胞以避免移动障碍物对SLAM的影响.利用鼠类混合细胞衍生出的数学模 型分析该系统的鲁棒性和实时性。将生物细胞模型引入SLAM,并形成了建模、仿真与实验验证一体化的研究体系， 为移动机器人SLAM研究领域多样化提供重要的理论参考。 关键词：移动机器人；同步定位和地图构建；鼠类；脑细胞：闭环检测：关键帧匹配 中图分类号：TP242.6,TP751文献标志码：A文章编号：1673-4785(2018)01-0107-11 中文引用格式：陈孟元.鼠类脑细胞导航机理的移动机器人仿生SLAM综述.智能系统学报，2018,13(1)：107-117. 英文引用格式：CHEN Mengyuan..Overview of mobile robot bionic slam based on navigation mechanism of mouse brain cellsJ. CAAI transactions on intelligent systems,2018,13(1):107-117. Overview of mobile robot bionic slam based on navigation mechanism of mouse brain cells CHEN Mengyuan"2 (1.Anhui Key Laboratory of Electric Drive and Control,Anhui Polytechnic University,Wuhu 241000,China;2.Dept Precis Ma- chinery and Precis Instrumentat,University of Science and Technology of China,Hefei 230027,China) Abstract:Aiming at the probabilistic algorithms that have shortcomings such as large computation,high complexity, and failure to find the global optimum,a variety of cells,including border cells,view cells,grid cells and speed cells,are applied to simultaneous localization and mapping(SLAM)in order to construct a BVGSP-SLAM model with multi- celled navigation.A loop closure detection algorithm with keyframe matching is added to SLAM to avoid lighting that changes based on the direction and angle of the light.Speed cells and border cells are added to SLAM to avoid the influ- ence of mobile obstructions.A mathematical model of mixed cells that analyzes robustness and real-time performance of the system is proposed.This project will develop an integrated approach for modeling,simulation and experimental veri- fication,which provide an important theoretical reference on SLAM. Keywords:mobile robot;simultaneous localization and mapping;rodents;brain cells;closed loop detection;keyframe matching 从简单重复的劳动中解放出来一直是人类追求 收稿日期：2017-07-03.网络出版日期：2018-01-22 的梦想，也是人类创造发明机器人的主要目的之 基金项目：安徽高校自然科学研究项目(KJ2016A794) 通信作者：陈孟元.E-mail:mychen@ahpu.edu.cn. 一。机器人可移动性可以进一步扩大其使用范围并
DOI: 10.11992/tis.201707003 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180122.0934.002.html 鼠类脑细胞导航机理的移动机器人仿生 SLAM 综述 陈孟元1,2 （1. 安徽工程大学 安徽省电气传动与控制重点实验室，安徽 芜湖 241000; 2. 中国科学技术大学 精密机械与精密仪 器系，安徽 合肥 230027） 摘 要：针对同步定位与地图构建 (SLAM) 问题中传统概率算法存在计算量大、复杂度高、易陷于局部最优解等问 题，本文提出一种未来深入研究的方法建议，将鼠类脑细胞中边界细胞 (border cells)、局部场景细胞 (view cells)、网 格细胞 (grid cells)、速度细胞 (speed cells)、位姿细胞 (pose cells) 等具有定位导航功能的细胞应用于 SLAM 研究中， 构建一种基于多细胞导航机制的 BVGSP-SLAM 模型。结合具有实时关键帧匹配的闭环检测算法以避免光线变化 对 SLAM 的影响，融入速度细胞和边界细胞以避免移动障碍物对 SLAM 的影响，利用鼠类混合细胞衍生出的数学模 型分析该系统的鲁棒性和实时性。将生物细胞模型引入 SLAM，并形成了建模、仿真与实验验证一体化的研究体系， 为移动机器人 SLAM 研究领域多样化提供重要的理论参考。 关键词：移动机器人；同步定位和地图构建；鼠类；脑细胞；闭环检测；关键帧匹配 中图分类号：TP242.6，TP751 文献标志码：A 文章编号：1673−4785(2018)01−0107−11 中文引用格式：陈孟元. 鼠类脑细胞导航机理的移动机器人仿生 SLAM 综述[J]. 智能系统学报, 2018, 13(1): 107–117. 英文引用格式：CHEN Mengyuan. Overview of mobile robot bionic slam based on navigation mechanism of mouse brain cells[J]. CAAI transactions on intelligent systems, 2018, 13(1): 107–117. Overview of mobile robot bionic slam based on navigation mechanism of mouse brain cells CHEN Mengyuan1,2 (1. Anhui Key Laboratory of Electric Drive and Control, Anhui Polytechnic University, Wuhu 241000, China; 2. Dept Precis Machinery and Precis Instrumentat, University of Science and Technology of China, Hefei 230027, China) Abstract: Aiming at the probabilistic algorithms that have shortcomings such as large computation, high complexity, and failure to find the global optimum, a variety of cells, including border cells, view cells, grid cells and speed cells, are applied to simultaneous localization and mapping (SLAM) in order to construct a BVGSP-SLAM model with multicelled navigation. A loop closure detection algorithm with keyframe matching is added to SLAM to avoid lighting that changes based on the direction and angle of the light. Speed cells and border cells are added to SLAM to avoid the influence of mobile obstructions. A mathematical model of mixed cells that analyzes robustness and real-time performance of the system is proposed. This project will develop an integrated approach for modeling, simulation and experimental verification, which provide an important theoretical reference on SLAM. Keywords: mobile robot; simultaneous localization and mapping; rodents; brain cells; closed loop detection; keyframe matching 从简单重复的劳动中解放出来一直是人类追求 的梦想，也是人类创造发明机器人的主要目的之 一。机器人可移动性可以进一步扩大其使用范围并 收稿日期：2017−07−03. 网络出版日期：2018−01−22. 基金项目：安徽高校自然科学研究项目 (KJ2016A794). 通信作者：陈孟元. E-mail：mychen@ahpu.edu.cn. 第 13 卷第 1 期 智 能 系 统 学 报 Vol.13 No.1 2018 年 2 月 CAAI Transactions on Intelligent Systems Feb. 2018
·108· 智能系统学报 第13卷 能更好地提高其使用效率，但移动机器人在复杂环 道路在何方，准确找到目的地。经过多年的研究， 境中如何模仿人类进行自我导航和路径规划一直是 2014年诺贝尔生理学或医学奖获得者发现了基于 难以解决的问题。 动物导航机制的大脑定位系统细胞。 20世纪七八十年代，随着人类智能和移动机器 像人们熟知的GPS系统一样，大脑定位系统也 人的出现，人类将两者进行了有效地关联并开始了 是通过采集自身运动的时间、位置信息进行定位导 有益地探索，人工智能领域进人了一个蓬勃发展的 航的。秀丽隐杆线虫仅有几百个神经细胞，却可以 新时代。进入21世纪后，被定义为研究感知与行动 通过追寻环境中的嗅觉信号来判断方向。对于蚂蚁 之间智能连接的移动机器人学被赋予了更多的内 和蜜蜂等神经系统更为复杂的动物，它们利用神经 涵，随着工业的发展，移动机器人正在从事工业制 细胞实时监测自身的运动方向和速度变化，通过路 造、生活家居、通信运输工作，甚至对空间以及深海 径整合获得当前所在的位置。这种方法使得动物仅 进行探索，可以说，移动机器人的出现改变了人们 依靠自身神经系统进行导航。 的生活，对社会发展的各个方面产生了巨大的影响，为 哺乳类动物辨识方向的方法更为先进。人类作 先进技术的发展与社会的进步做出了有益的贡献。 为高级的哺乳动物由于受到伦理的约束无法进行大 移动机器人在短短几十年间经过了突飞猛进的 量的实验研究。与人较为接近的哺乳动物，如猩 发展，能够较好地代替人们完成重复性和危险性的 猩、狒狒等，由于数量和国家保护的因素一般也不 劳动，减轻人们的工作强度和危险性，提高生产效 选用。在生物地图构建和导航领域，人们通常选用 率。而同步定位与地图构建(SLAM)问题一直是限 哺乳纲中的鼠类动物作为实验模型，由于实验环境 制移动机器人在复杂环境下应用的关键原因，移动 和场合广泛，为研究动物的导航性能奠定了良好的 机器人在没有提前预设好行进路线的陌生环境中需 基础。此外，鼠类大脑也是动物研究领域使用最多 要主动了解实际环境中的路况信息和障碍物的实际 的一块区域。 位置，同时精确地进行移动机器人自身的定位与实 大脑中不同的神经细胞由于受到刺激产生兴奋 际环境的地图构建。现阶段，移动机器人主要采用 导致膜电位的变化，这些同时产生兴奋的神经细胞 自身携带的各种图像采集、陀螺仪、加速度计等先 所组成的图案恰能反映外界环境的空间布局和自身 进传感器，通过激光测距、超声测距以及图像匹配 在环境中所处的位置。鼠类大脑中存在3种主要 完成SLAM工作。 导航细胞：位置细胞、头方向细胞以及网格细胞。 传感器在实际环境中的测量值有可能是错误 其中，位置细胞绘制所处地点的地图；头方向细胞 的，例如，利用激光照射玻璃墙，激光光束可能已经 指明方向（将位置细胞和头方向细胞合并形成的一 经过了多次反射才反射回探测器。图像采集传感器 个新细胞类型，位姿细胞)：网格细胞通过标记被激 也有其局限性，例如，普通照相机在区分图像标准 活细胞的位置对场景进行重定位。此外，在内嗅皮 色方面效果较差，若采用黑白色的灰度方式表示图 层还存在边界细胞、速度细胞等能够进行辅助导航 像，光线强度的变化又很难表现出来，若采用全景 的细胞，如图1所示。 相机或广角镜头采集图像，采集到的图像又会产生 内嗅皮质 畸变。另一方面，即使传感器测量值是正确的，但 海马体 总存在难以克服的精度问题。以测距和图像匹配方 位姿细胞 法实现SLAM为例，虽然传感器具有较高精度，可 头方向细胞厂位置细胞！ 以通过轮子上安装的里程计准确测量机器人的移动 局部场景 细胞 距离，但由于路面不平坦和轮子滑动等原因，传感 器测量结果不能准确反映机器人的实际移动距离， 边界细胞 并且随着移动机器人工作时间的推移累积误差也在 不断叠加，这也是不能忽略的重要方面。因此科学 速度细胞 家开始寻找更加可靠的定位导航方式。 网格细胞 鼠类相关导航脑细胞 图1海马体和内嗅皮质构成的系统生物模型 Fig.1 Biological model consist of hippocampus and entor- 当人类还处于原始社会时就已经意识到“飞鸽 hinal cortex 传书，老马识途”。一些动物具有出类拔萃的导向能 在哺乳类动物中枢神经系统的大脑皮质中，存 力，无论阴晴雨雪，纵使万水千山，这些动物总能知 在一种形状类似于海马，功能上负责短期记忆储存
能更好地提高其使用效率，但移动机器人在复杂环 境中如何模仿人类进行自我导航和路径规划一直是 难以解决的问题。 20 世纪七八十年代，随着人类智能和移动机器 人的出现，人类将两者进行了有效地关联并开始了 有益地探索，人工智能领域进入了一个蓬勃发展的 新时代。进入 21 世纪后，被定义为研究感知与行动 之间智能连接的移动机器人学被赋予了更多的内 涵，随着工业的发展，移动机器人正在从事工业制 造、生活家居、通信运输工作，甚至对空间以及深海 进行探索，可以说，移动机器人的出现改变了人们 的生活，对社会发展的各个方面产生了巨大的影响，为 先进技术的发展与社会的进步做出了有益的贡献。 移动机器人在短短几十年间经过了突飞猛进的 发展，能够较好地代替人们完成重复性和危险性的 劳动，减轻人们的工作强度和危险性，提高生产效 率。而同步定位与地图构建（SLAM）问题一直是限 制移动机器人在复杂环境下应用的关键原因，移动 机器人在没有提前预设好行进路线的陌生环境中需 要主动了解实际环境中的路况信息和障碍物的实际 位置，同时精确地进行移动机器人自身的定位与实 际环境的地图构建。现阶段，移动机器人主要采用 自身携带的各种图像采集、陀螺仪、加速度计等先 进传感器，通过激光测距、超声测距以及图像匹配 完成 SLAM 工作。 传感器在实际环境中的测量值有可能是错误 的，例如，利用激光照射玻璃墙，激光光束可能已经 经过了多次反射才反射回探测器。图像采集传感器 也有其局限性，例如，普通照相机在区分图像标准 色方面效果较差，若采用黑白色的灰度方式表示图 像，光线强度的变化又很难表现出来，若采用全景 相机或广角镜头采集图像，采集到的图像又会产生 畸变。另一方面，即使传感器测量值是正确的，但 总存在难以克服的精度问题。以测距和图像匹配方 法实现 SLAM 为例，虽然传感器具有较高精度，可 以通过轮子上安装的里程计准确测量机器人的移动 距离，但由于路面不平坦和轮子滑动等原因，传感 器测量结果不能准确反映机器人的实际移动距离， 并且随着移动机器人工作时间的推移累积误差也在 不断叠加，这也是不能忽略的重要方面。因此科学 家开始寻找更加可靠的定位导航方式。 1 鼠类相关导航脑细胞 当人类还处于原始社会时就已经意识到“飞鸽 传书，老马识途”。一些动物具有出类拔萃的导向能 力，无论阴晴雨雪，纵使万水千山，这些动物总能知 道路在何方，准确找到目的地。经过多年的研究， 2014 年诺贝尔生理学或医学奖获得者发现了基于 动物导航机制的大脑定位系统细胞。 像人们熟知的 GPS 系统一样，大脑定位系统也 是通过采集自身运动的时间、位置信息进行定位导 航的。秀丽隐杆线虫仅有几百个神经细胞，却可以 通过追寻环境中的嗅觉信号来判断方向。对于蚂蚁 和蜜蜂等神经系统更为复杂的动物，它们利用神经 细胞实时监测自身的运动方向和速度变化，通过路 径整合获得当前所在的位置。这种方法使得动物仅 依靠自身神经系统进行导航。 哺乳类动物辨识方向的方法更为先进。人类作 为高级的哺乳动物由于受到伦理的约束无法进行大 量的实验研究。与人较为接近的哺乳动物，如猩 猩、狒狒等，由于数量和国家保护的因素一般也不 选用。在生物地图构建和导航领域，人们通常选用 哺乳纲中的鼠类动物作为实验模型，由于实验环境 和场合广泛，为研究动物的导航性能奠定了良好的 基础。此外，鼠类大脑也是动物研究领域使用最多 的一块区域。 大脑中不同的神经细胞由于受到刺激产生兴奋 导致膜电位的变化，这些同时产生兴奋的神经细胞 所组成的图案恰能反映外界环境的空间布局和自身 在环境中所处的位置[1]。鼠类大脑中存在 3 种主要 导航细胞：位置细胞、头方向细胞以及网格细胞。 其中，位置细胞绘制所处地点的地图；头方向细胞 指明方向 (将位置细胞和头方向细胞合并形成的一 个新细胞类型，位姿细胞)；网格细胞通过标记被激 活细胞的位置对场景进行重定位。此外，在内嗅皮 层还存在边界细胞、速度细胞等能够进行辅助导航 的细胞，如图 1 所示。 䉔૱⯚ڱ ⊣侘ѿ 㑽ᵨ㏲㘊 ऽ㏲㘊 ѹ㒚㏲㘊 䕋Ꮢ㏲㘊 䓥⩸㏲㘊 ѹ༫㏲㘊 ᅬ䘔౦ᮛ ㏲㘊 图 1 海马体和内嗅皮质构成的系统生物模型 Fig. 1 Biological model consist of hippocampus and entorhinal cortex 在哺乳类动物中枢神经系统的大脑皮质中，存 在一种形状类似于海马，功能上负责短期记忆储存 ·108· 智 能 系 统 学 报 第 13 卷
第1期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生SLAM综述 ·109· 和学习的区域，被称为海马体。在日常中的一个记 位置细胞和头方向细胞合并形成的一个被称为位姿 忆片段，比如一个电话号码在短时间内被重复提 细胞的新细胞类型则对老鼠起到良好的导航作用。 及，经过海马体可以将其转存入大脑皮层，成为永 久记忆。1971年伦敦大学学院(university college London)的美国科学家O'Keefe等在海马脑区发 现了一种特殊的神经细胞，这种细胞在鼠类经过空 圆斑 间某特定位置时其中的一些细胞会产生兴奋，而经 过另一个位置时另一些细胞会产生兴奋，他将这种 圆点 细胞命名为位置细胞。1984年纽约大学的James Ranck等1发现一组与动物的方向感知直接相关的 神经细胞并命名为头方向细胞，头方向细胞能够辨 别头部的朝向。当头部朝向北方的时候，一组细胞 会兴奋：而头部转向南方时，另一组细胞兴奋，通过 图3老鼠运动轨迹和海马体位置细胞分布 Fig.3 The trajectory of rats and the distribution of hippo- 这两种细胞的兴奋状态能够准确判断出在某一时间 campus 老鼠所处的精确位置。除此之外，内嗅皮质也参与 2005年挪威大学科学与技术学院的May-Brit 整个信号的传递过程，内嗅皮质层从网格细胞处将 Moser在海马区以外的内嗅皮质的脑区里发现了 有关方向和移动距离的信息传递给海马体，如图2 一种全新的神经细胞并将其命名为网格细胞。图4 所示。内嗅皮质将关于动物运动的方向和距离信 为老鼠在空旷房间中运动时，老鼠运动轨迹和某一 息通过不同的神经通路传递至海马体中的齿状回 个网格细胞的活跃位置，可以看出这些被激活细胞 (dentate gyrus,DG)、CA3和位置细胞所在的CAl 的位置呈现均匀六边形分布。也就是说，任意一个 等区域，由此产生的大脑认知地图可以帮助动物更 网格细胞的发放场在空间中均匀分布，并且呈现出 好地规划未来的“旅程”。 一种蜂巢式的六边形网格状。虽然网格细胞的活跃 也和动物所处的位置有关，但是与位置细胞不同， 网格细胞的活跃并不依赖于外界输入的特征信息。 海马体 内嗅皮质 图2海马体和内嗅皮层横截面视图 Fig.2 Section lateral of hippocampus and entorhinal cortex 老鼠通过各种感官从环境中获取外界的特征信 图4老鼠运动轨迹和内嗅皮质网格细胞分布 息，而位置细胞则能够和海马体中其他细胞合作， Fig.4 The trajectory of rats and the distribution of grid 将输入的特征信息与过往记录到的特征信息加以比 cells in entorhinal cortex 对。一旦信息能够匹配成功，与匹配位置相对应的 2008年，研究者们从内嗅皮质中发现一种新的 特定位置细胞就会变得活跃。通过这种方法，大脑 细胞类型，当动物接近墙壁、围场边缘或是其他隔 能够将特定的特征信息与特定的空间位置联系起 断时，这些细胞就会放电，这种细胞能够通过细胞 来，形成空间位置记忆，再通过与头方向细胞协作， 活性计算自身到达边界的距离，研究者们将其命名 可以构建位置细胞和头方向细胞所表征的海马神经 为边界细胞。2015年，在获得诺贝尔生理学或医学 人工模型。图3表示老鼠在空旷房间的运动轨迹， 奖后，May-Britt Moser和Edvard Moser夫妇继续发 圆锥形表示老鼠，圆斑表示理论上细胞的活跃位置， 现一些神经细胞能够随移动速度的提升成比例地提 圆点表示记录下的某一批位置细胞活跃时的位置。 升放电率，通过查看这种细胞的放电频率便能够判 实验表明，分离的位置细胞和头方向细胞所表征的 断一个动物在给定时间点上的移动速度，研究者们 海马神经人工模型无法长期跟踪老鼠的位置，而将 将其命名为速度细胞
和学习的区域，被称为海马体。在日常中的一个记 忆片段，比如一个电话号码在短时间内被重复提 及，经过海马体可以将其转存入大脑皮层，成为永 久记忆。1971 年伦敦大学学院 (university college London) 的美国科学家 O’Keefe 等 [2]在海马脑区发 现了一种特殊的神经细胞，这种细胞在鼠类经过空 间某特定位置时其中的一些细胞会产生兴奋，而经 过另一个位置时另一些细胞会产生兴奋，他将这种 细胞命名为位置细胞。1984 年纽约大学的 James Ranck 等 [3]发现一组与动物的方向感知直接相关的 神经细胞并命名为头方向细胞，头方向细胞能够辨 别头部的朝向。当头部朝向北方的时候，一组细胞 会兴奋；而头部转向南方时，另一组细胞兴奋，通过 这两种细胞的兴奋状态能够准确判断出在某一时间 老鼠所处的精确位置。除此之外，内嗅皮质也参与 整个信号的传递过程，内嗅皮质层从网格细胞处将 有关方向和移动距离的信息传递给海马体，如图 2 所示。内嗅皮质将关于动物运动的方向和距离信 息通过不同的神经通路传递至海马体中的齿状回 (dentate gyrus，DG)、CA3 和位置细胞所在的 CA1 等区域，由此产生的大脑认知地图可以帮助动物更 好地规划未来的“旅程”。 ⊣侘ѿ 䉔૱⯚ڱ 图 2 海马体和内嗅皮层横截面视图 Fig. 2 Section lateral of hippocampus and entorhinal cortex 老鼠通过各种感官从环境中获取外界的特征信 息，而位置细胞则能够和海马体中其他细胞合作， 将输入的特征信息与过往记录到的特征信息加以比 对。一旦信息能够匹配成功，与匹配位置相对应的 特定位置细胞就会变得活跃。通过这种方法，大脑 能够将特定的特征信息与特定的空间位置联系起 来，形成空间位置记忆，再通过与头方向细胞协作， 可以构建位置细胞和头方向细胞所表征的海马神经 人工模型。图 3 表示老鼠在空旷房间的运动轨迹， 圆锥形表示老鼠，圆斑表示理论上细胞的活跃位置， 圆点表示记录下的某一批位置细胞活跃时的位置。 实验表明，分离的位置细胞和头方向细胞所表征的 海马神经人工模型无法长期跟踪老鼠的位置，而将 位置细胞和头方向细胞合并形成的一个被称为位姿 细胞的新细胞类型则对老鼠起到良好的导航作用。 㔭呌 ల᪽ ల◥ 图 3 老鼠运动轨迹和海马体位置细胞分布 Fig. 3 The trajectory of rats and the distribution of hippocampus 2005 年挪威大学科学与技术学院的 May-Britt Moser[4-5]在海马区以外的内嗅皮质的脑区里发现了 一种全新的神经细胞并将其命名为网格细胞。图 4 为老鼠在空旷房间中运动时，老鼠运动轨迹和某一 个网格细胞的活跃位置，可以看出这些被激活细胞 的位置呈现均匀六边形分布。也就是说，任意一个 网格细胞的发放场在空间中均匀分布，并且呈现出 一种蜂巢式的六边形网格状。虽然网格细胞的活跃 也和动物所处的位置有关，但是与位置细胞不同， 网格细胞的活跃并不依赖于外界输入的特征信息。 图 4 老鼠运动轨迹和内嗅皮质网格细胞分布 Fig. 4 The trajectory of rats and the distribution of grid cells in entorhinal cortex 2008 年，研究者们从内嗅皮质中发现一种新的 细胞类型，当动物接近墙壁、围场边缘或是其他隔 断时，这些细胞就会放电，这种细胞能够通过细胞 活性计算自身到达边界的距离，研究者们将其命名 为边界细胞。2015 年，在获得诺贝尔生理学或医学 奖后，May-Britt Moser 和 Edvard Moser 夫妇继续发 现一些神经细胞能够随移动速度的提升成比例地提 升放电率，通过查看这种细胞的放电频率便能够判 断一个动物在给定时间点上的移动速度，研究者们 将其命名为速度细胞。 第 1 期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生 SLAM 综述 ·109·
·110· 智能系统学报 第13卷 研究表明，在基于鼠类海马体的移动机器人导 局部场景细胞和头方向细胞的连接，头方向细胞形 航研究基础上，引入速度细胞能够更精准的实现移 成的外环是活跃细胞编码方向，内部两环是反应角 动机器人速度和角度的测量，融合边界细胞能够实 速度的前庭细胞，如图5所示。Stringer等.2通过 现突发障碍物等复杂环境的导航。 头方向细胞、视觉输入细胞和前向速度细胞互相激 2国内外研究现状及分析 励来描述位置细胞活性，从而描述环境中物体运动 的状态，如图6所示。这种包含分离头方向位置表 在过去30多年内，对SLAM问题的探索研究 征系统的海马神经人工模型，尽管可以支持位置和 大多是基于数学概率的方法，其中最成功的3种概 多方向假设，但由于不能随时间推移支持多位姿假 率法为卡尔曼滤波(Kalman filter,.KF)算法、最大期 设，故会造成不完全重定位或重定向，从而导致无 望(expectation maximisation,EM算法刀和粒子滤 法长期跟踪移动机器人的位置。 波(particle filter,PF)算法。卡尔曼滤波算法只适用 前庭细胞 视觉细胞 于线性系统，具有很大的局限性；经典的扩展卡尔 (右) 前庭细胞 曼滤波(extended Kalman filter,EKF)⑧-通过对非线 (左) 性函数泰勒展开式一阶线性化截断将非线性问题线 性化，可以应用于有非线性特征的简单系统中：无 迹卡尔曼滤波(unscented Kalman filter,.UKF)yio-W 旋转细胞Q 通过无迹(unscented transformation,.UT)变换处理 (左) 均值和协方差的非线性传递，计算精度较高。Arasa- 旋转细胞○( Po6克b9 ratnam等提出的容积卡尔曼滤波(cubature Kalman filter,,CKF)算法结构简单，估计精度高，进一步提 头向细胞一 升了系统的稳定性。粒子滤波也称为蒙特卡罗定 位(Monte Carlo localisation,MCL).1,这种算法利 图5鼠类头方向系统的吸引子网络模型 用带权重粒子的分布来估算要求的位置分布，故无 Fig.5 Attractor network model of head direction system of rats 需考虑后验分布所带来的形状或特征约束。与标 准MCL算法一样，快速同步定位和地图构建系统 视觉输人 (FastSLAM)算法通过粒子滤波器估计机器人路径 代理的可容区域 下一时刻的位置。这些概率算法的优势是能够处 理传感器与环境的模糊性，有很好的SLAM性能， ● 但这些方法是对当前采集到的环境进行数学建模并 000 ooo 进行优化，因此不能完全解决全局地图构建和导航 0000 问题。 OO 头方向细胞 前向速度细胞 相比之下，许多生物虽然不具备高精度传感 器，但仍具有较强的导航能力，并且能够解决全局 图6位置细胞的二维连续吸引子模型 SLAM问题。因为生物对其地图的构建依赖于鲁棒 Fig.6 Two-dimensional continuous attractive model of 性处理策略而不是对环境的精确描述，Wehner等 pose cells 发现蚂蚁返回蚁穴邻近区域后，再利用一整套搜索 针对上述海马模型的缺陷，研究者们提出一种 策略找到蚁穴，这种小尺寸和有限复杂度的环境有 基于复合位姿表征的啮齿动物海马区扩展模型，将 效降低了地图构建和导航的难度。但这些成熟的生 路径积分和视觉关联过程集成到位姿细胞模型中， 物学导航算法模型仍具有局限性，例如蚁群算法计 使移动机器人具有更新预测状态的能力。实验表 算量大、搜索时间长、易陷于局部最优解等问题无 明，啮齿动物海马区扩展模型对于某一环境产生了 法得到有效解决。 稳定的、一致的、具有正确拓扑的地图，但是面对范 拥有海马体的哺乳动物，如鼠类是人们研究较 围更广更复杂的环境导致路径积分性能下降时，会 多的一种动物，人们对其导航、环境探索和真实能 出现冲突和多重表征两种附加现象s29。 力的神经机制也理解得较为深入2"。Skaggs等2 后人基于此对啮齿动物海马区扩展模型进行改 利用两套旋转细胞群，通过Hebbian学习规则校正 进，一种借鉴策略是直接根据移动机器人位姿的核
研究表明，在基于鼠类海马体的移动机器人导 航研究基础上，引入速度细胞能够更精准的实现移 动机器人速度和角度的测量，融合边界细胞能够实 现突发障碍物等复杂环境的导航[6]。 2 国内外研究现状及分析 在过去 30 多年内，对 SLAM 问题的探索研究 大多是基于数学概率的方法，其中最成功的 3 种概 率法为卡尔曼滤波 (Kalman filter，KF) 算法、最大期 望 (expectation maximisation，EM) 算法[7]和粒子滤 波 (particle filter，PF) 算法。卡尔曼滤波算法只适用 于线性系统，具有很大的局限性；经典的扩展卡尔 曼滤波 (extended Kalman filter，EKF)[8-9]通过对非线 性函数泰勒展开式一阶线性化截断将非线性问题线 性化，可以应用于有非线性特征的简单系统中；无 迹卡尔曼滤波 (unscented Kalman filter，UKF)[10-11] 通过无迹 (unscented transformation，UT) 变换处理 均值和协方差的非线性传递，计算精度较高。Arasaratnam 等提出的容积卡尔曼滤波 (cubature Kalman filter，CKF) 算法结构简单[12] ，估计精度高，进一步提 升了系统的稳定性。粒子滤波也称为蒙特卡罗定 位 (Monte Carlo localisation，MCL)[13-14] ，这种算法利 用带权重粒子的分布来估算要求的位置分布，故无 需考虑后验分布所带来的形状或特征约束。与标 准 MCL 算法一样，快速同步定位和地图构建系统 (FastSLAM) 算法通过粒子滤波器估计机器人路径 下一时刻的位置[15]。这些概率算法的优势是能够处 理传感器与环境的模糊性，有很好的 SLAM 性能， 但这些方法是对当前采集到的环境进行数学建模并 进行优化，因此不能完全解决全局地图构建和导航 问题。 相比之下，许多生物虽然不具备高精度传感 器，但仍具有较强的导航能力，并且能够解决全局 SLAM 问题。因为生物对其地图的构建依赖于鲁棒 性处理策略而不是对环境的精确描述，Wehner 等 [16] 发现蚂蚁返回蚁穴邻近区域后，再利用一整套搜索 策略找到蚁穴，这种小尺寸和有限复杂度的环境有 效降低了地图构建和导航的难度。但这些成熟的生 物学导航算法模型仍具有局限性，例如蚁群算法计 算量大、搜索时间长、易陷于局部最优解等问题无 法得到有效解决。 拥有海马体的哺乳动物，如鼠类是人们研究较 多的一种动物，人们对其导航、环境探索和真实能 力的神经机制也理解得较为深入[17-21]。Skaggs 等 [22] 利用两套旋转细胞群，通过 Hebbian 学习规则校正 局部场景细胞和头方向细胞的连接，头方向细胞形 成的外环是活跃细胞编码方向，内部两环是反应角 速度的前庭细胞，如图 5 所示。Stringer 等 [23-25]通过 头方向细胞、视觉输入细胞和前向速度细胞互相激 励来描述位置细胞活性，从而描述环境中物体运动 的状态，如图 6 所示。这种包含分离头方向位置表 征系统的海马神经人工模型，尽管可以支持位置和 多方向假设，但由于不能随时间推移支持多位姿假 设，故会造成不完全重定位或重定向，从而导致无 法长期跟踪移动机器人的位置。 ݹᏙ㏲㘊 㻲㻵㏲㘊 喋ट喌 Ꮩ㏲㘊ݹ 喋ጒ喌 䒘㏲㘊 喋ट喌 䒘㏲㘊 喋ጒ喌 ऽ㏲㘊 图 5 鼠类头方向系统的吸引子网络模型 Fig. 5 Attractor network model of head direction system of rats ऽ䕋Ꮢ㏲㘊ݹ ڑ㻲㻵䒿 ऽ㏲㘊 W E N S Џ⤲⮰छქࡦഋ y x θ θ y x 图 6 位置细胞的二维连续吸引子模型 Fig. 6 Two-dimensional continuous attractive model of pose cells 针对上述海马模型的缺陷，研究者们提出一种 基于复合位姿表征的啮齿动物海马区扩展模型，将 路径积分和视觉关联过程集成到位姿细胞模型中， 使移动机器人具有更新预测状态的能力。实验表 明，啮齿动物海马区扩展模型对于某一环境产生了 稳定的、一致的、具有正确拓扑的地图，但是面对范 围更广更复杂的环境导致路径积分性能下降时，会 出现冲突和多重表征两种附加现象[26-29]。 后人基于此对啮齿动物海马区扩展模型进行改 进，一种借鉴策略是直接根据移动机器人位姿的核 ·110· 智 能 系 统 学 报 第 13 卷
第1期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生SLAM综述 ·111 心表征，以及存储在位姿感知细胞及局部场景细胞 定的局限性。由于实际环境十分复杂，例如光线变 网络中的环境表征对应关系，建立存储环境空间、 化、太阳东升西落、不断的有人进出等。即使让一 视觉、时间、行为和变化等信息的沿途构图0刘。该 个机器人以5cm/s的速度在安静的空间里慢慢移 算法通过同时保留位姿感知细胞地图拓扑连通性和 动.这种论文中看起来可行的算法，在实际环境中 保持细胞之间的空间信息，解决了非连续、冲突和 往往捉襟见肘，处处碰壁，因此，SLAM还未走进人 多重表征这3个问题。Milford等验证了这种具有 们的实际生活。这种局限性是数学模型本身带来 环境探索、目标记忆和自适应改变的扩展啮齿动物 的，与改进算法无关。因此，在考虑人类能如此轻 海马区模型能在不同天气和地形下稳定导航。文献 松地完成导航的基础上，提出构建一种仿动物大脑 [34]提出一种新型的基于自组织特征图的神经网络 细胞导航机制下的同步定位与地图构建方法。 模型并将其引入到局部场景细胞，提高了系统的实 本研究受到2014年“诺贝尔生理学或医学奖” 时性和准确性。文献[35]通过飞行器进行场景回 启发，拟将发现的局部场景细胞、位姿细胞（位置细 忆，验证了沿途构图算法的可靠性。对于车载导航 胞、头方向细胞)、网格细胞、速度细胞、边界细胞 系统，由于视觉里程计误差较大，即使通过啮齿动 等具有定位导航功能的细胞模型应用于SLAM研 物海马区扩展模型仿生机制的修正也仍无法准确导 究中。分别研究5种导航细胞各自的工作机理和数 航，张潇等36在此基础上引入光学双轴传感器和 学表达，然后将这5种导航细胞按照动物导航机 MMU信息，建立了航位推算模型。文献[37]提出 制下大脑的工作原理建立数学模型，最终进行实验 验证。 将FAB-MAP(fast appearance-based mapping)引入 啮齿动物海马区扩展模型的视觉里程计，这种基于 3未来深入研究的方法建议 历史模型的闭合检测算法可以过滤视觉里程计的误 报信息，进一步提高该模型的稳定性，但通过逐个 提出一种未来深人研究的方法建议，拟将包含 对比当前场景与历史场景的相似性，实施闭环检测 局部场景细胞(view cells)、位姿细胞(pose cells)、网 的方法效率较低，不能满足系统实时性要求。研究 格细胞(grid cells)、速度细胞(speed cells)、边界细 胞(border cells)等具有定位导航功能的鼠类脑细胞 提出的基于实时关键帧匹配的闭环检测模型在保 证SLAM稳定的前提下能够提高闭环检测实时性。 模型应用于SLAM研究中，构建一种衍生SLAM 算法(BVGSP.-SLAM)实现复杂场景下的导航。融 仅仅依赖纯视觉的导航算法并不能适应长时间 入局部场景细胞、位姿细胞和网格细胞模型，尽可 复杂环境下的导航，研究者们将现有的传感器技术 能减小光线变化对视觉里程计产生的影响：在此基 应用于已知的几种导航细胞下进行导航。许瞳等3 础上引入速度细胞和边界细胞，对突发障碍物和自 提出将姿态策略模块引入啮齿动物海马区扩展模型 身速度进行进一步判别。 中，对突发障碍物的干扰提出了一个切实可行的建 局部场景细胞获取当前场景，位姿细胞获取当 议，Berkvens等B将无源RFID、有源RFID、WI-FI、 前状态，获得具有一定导航能力的仿生导航系统 地磁传感器分别引入多组实验中，结果表明，地磁 VP-SLAM,但这种系统会受到现实场景中人物走 通量引入的啮齿动物海马区扩展模型算法可以明显 动、光线变化等原因造成导航性能下降。为进一步 减少射频技术沿途构图的平均误差，并在很大程度 提升系统的鲁棒性，融入网格细胞，构建了实时关 上确保无错误路径的产生，但仍有问题有待解决， 键帧匹配的闭环检测模型GVP-SLAM,避免因光线 如由于前一时刻定位产生错误导致预期位置的错误 变化导致SLAM不稳定，从而既可大幅提高复杂环 判断、沿途构图的平均误差较大等问题。这些利用 境下导航的精准性，又具有较好的实时性。在提出 现有传感器来解决移动机器人复杂环境下的导航问 带实时闭环检测的鼠类导航细胞模型基础上，引入 题，一方面对传感器的性能要求较高，另一方面，各 边界细胞和速度细胞两种导航细胞的导航原理，提 类传感器也会受到复杂环境的干扰。研究提出一种 出一种带实时闭环检测的复合鼠类导航细胞模型 复合鼠类导航细胞模型，融合速度细胞可更精准实 BVGSP-SLAM。该模型通过融合速度细胞更精准 现移动机器人速度和旋转角度的测量，融合边界细 地实现移动机器人速度的测量，避免基于局部场景 胞以实现突发障碍物的判别。 细胞在突发障碍物影响下的判别失效；通过融合边 现有的SLAM理论经过30余年的发展，基于 界细胞，实现移动机器人对移动障碍物的实时避 数学概率方法和从距离到拓扑的地图表征法已经较 障，进一步提高了SLAM的稳定性，技术路线图如 好地完成了“定位”和“建图”过程，但都仍然存在一 图7所示
心表征，以及存储在位姿感知细胞及局部场景细胞 网络中的环境表征对应关系，建立存储环境空间、 视觉、时间、行为和变化等信息的沿途构图[30-33]。该 算法通过同时保留位姿感知细胞地图拓扑连通性和 保持细胞之间的空间信息，解决了非连续、冲突和 多重表征这 3 个问题。Milford 等验证了这种具有 环境探索、目标记忆和自适应改变的扩展啮齿动物 海马区模型能在不同天气和地形下稳定导航。文献 [34]提出一种新型的基于自组织特征图的神经网络 模型并将其引入到局部场景细胞，提高了系统的实 时性和准确性。文献[35]通过飞行器进行场景回 忆，验证了沿途构图算法的可靠性。对于车载导航 系统，由于视觉里程计误差较大，即使通过啮齿动 物海马区扩展模型仿生机制的修正也仍无法准确导 航，张潇等[36]在此基础上引入光学双轴传感器和 MIMU 信息，建立了航位推算模型。文献[37]提出 将 FAB-MAP(fast appearance-based mapping) 引入 啮齿动物海马区扩展模型的视觉里程计，这种基于 历史模型的闭合检测算法可以过滤视觉里程计的误 报信息，进一步提高该模型的稳定性，但通过逐个 对比当前场景与历史场景的相似性，实施闭环检测 的方法效率较低，不能满足系统实时性要求。研究 提出的基于实时关键帧匹配的闭环检测模型在保 证 SLAM 稳定的前提下能够提高闭环检测实时性。 仅仅依赖纯视觉的导航算法并不能适应长时间 复杂环境下的导航，研究者们将现有的传感器技术 应用于已知的几种导航细胞下进行导航。许曈等 [38] 提出将姿态策略模块引入啮齿动物海马区扩展模型 中，对突发障碍物的干扰提出了一个切实可行的建 议，Berkvens 等 [39]将无源 RFID、有源 RFID、WI-FI、 地磁传感器分别引入多组实验中，结果表明，地磁 通量引入的啮齿动物海马区扩展模型算法可以明显 减少射频技术沿途构图的平均误差，并在很大程度 上确保无错误路径的产生，但仍有问题有待解决， 如由于前一时刻定位产生错误导致预期位置的错误 判断、沿途构图的平均误差较大等问题。这些利用 现有传感器来解决移动机器人复杂环境下的导航问 题，一方面对传感器的性能要求较高，另一方面，各 类传感器也会受到复杂环境的干扰。研究提出一种 复合鼠类导航细胞模型，融合速度细胞可更精准实 现移动机器人速度和旋转角度的测量，融合边界细 胞以实现突发障碍物的判别。 现有的 SLAM 理论经过 30 余年的发展，基于 数学概率方法和从距离到拓扑的地图表征法已经较 好地完成了“定位”和“建图”过程，但都仍然存在一 定的局限性。由于实际环境十分复杂，例如光线变 化、太阳东升西落、不断的有人进出等。即使让一 个机器人以 5 cm/s 的速度在安静的空间里慢慢移 动，这种论文中看起来可行的算法，在实际环境中 往往捉襟见肘，处处碰壁，因此，SLAM 还未走进人 们的实际生活。这种局限性是数学模型本身带来 的，与改进算法无关。因此，在考虑人类能如此轻 松地完成导航的基础上，提出构建一种仿动物大脑 细胞导航机制下的同步定位与地图构建方法。 本研究受到 2014 年“诺贝尔生理学或医学奖” 启发，拟将发现的局部场景细胞、位姿细胞 (位置细 胞、头方向细胞)、网格细胞、速度细胞、边界细胞 等具有定位导航功能的细胞模型应用于 SLAM 研 究中。分别研究 5 种导航细胞各自的工作机理和数 学表达，然后将这 5 种导航细胞按照动物导航机 制下大脑的工作原理建立数学模型，最终进行实验 验证。 3 未来深入研究的方法建议 提出一种未来深入研究的方法建议，拟将包含 局部场景细胞 (view cells)、位姿细胞 (pose cells)、网 格细胞 (grid cells)、速度细胞 (speed cells)、边界细 胞 (border cells) 等具有定位导航功能的鼠类脑细胞 模型应用于 SLAM 研究中，构建一种衍生 SLAM 算法 (BVGSP-SLAM) 实现复杂场景下的导航。融 入局部场景细胞、位姿细胞和网格细胞模型，尽可 能减小光线变化对视觉里程计产生的影响；在此基 础上引入速度细胞和边界细胞，对突发障碍物和自 身速度进行进一步判别。 局部场景细胞获取当前场景，位姿细胞获取当 前状态，获得具有一定导航能力的仿生导航系统 VP-SLAM，但这种系统会受到现实场景中人物走 动、光线变化等原因造成导航性能下降。为进一步 提升系统的鲁棒性，融入网格细胞，构建了实时关 键帧匹配的闭环检测模型 GVP-SLAM，避免因光线 变化导致 SLAM 不稳定，从而既可大幅提高复杂环 境下导航的精准性，又具有较好的实时性。在提出 带实时闭环检测的鼠类导航细胞模型基础上，引入 边界细胞和速度细胞两种导航细胞的导航原理，提 出一种带实时闭环检测的复合鼠类导航细胞模型 BVGSP-SLAM。该模型通过融合速度细胞更精准 地实现移动机器人速度的测量，避免基于局部场景 细胞在突发障碍物影响下的判别失效；通过融合边 界细胞，实现移动机器人对移动障碍物的实时避 障，进一步提高了 SLAM 的稳定性，技术路线图如 图 7 所示。 第 1 期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生 SLAM 综述 ·111·
·112· 智能系统学报 第13卷 融合速度细胞和边界细胞的鼠类 导航模型研究(BVGSP.SLAM) 基于实时关键帧匹配的闭环检 测模型研究(GVP-SLAM) 基于位姿细胞和局部场景细胞的 鼠类内嗅皮区 SLAM算法研究(VP.SLAM) 局部场景细胞的场 景学习算法 边界细胞模型 沿途构图 位姿细胞内部动态 过程处理方法 实时闭环检测模型 速度细胞模型 后验概率 处理时间 算法 闭环假设 判别 图7融入鼠类脑细胞导航机制的移动机器人衍生SLAM方法技术路线图 Fig.7 Technology roadmap of derivative SLAM on mobile robots integrated with brain cells of rats 3.1基于位姿细胞和局部场景细胞的SLAM算法3.2 基于实时关键帧匹配的闭环检测模型(GVP. (VP-SLAM) SLAM) 局部场景细胞在环境中学习独特场景，模型化 视觉里程计漂移会形成累计误差，通过闭环检 头方向细胞和位置细胞的竞争性吸引子网络结构所 测可以修正复杂环境下定位导航里程计产生的累计 形成的位姿感知细胞表征当前位置，局部场景细胞 误差。现有IAB-MAP(incremental appearance-.based 和位姿细胞协同完成拓扑化经验图的绘制。在此过 mapping)FAB-MAP(fast appearance-based map- 程中，抽象出融合头方向与位置模型特性的信息需 pig)闭环检测算法，虽能胜任复杂环境下的闭环检 要通过某种关联算法进行姿态表达，在相机图像信 测问题，但由于它们通过逐个比较当前帧数据与各 息经过处理形成局部场景后，需选择合适的视觉 历史帧数据的相似性，无法满足实时性要求。本文 SLAM算法进行图像处理。 基于的导航细胞模型在借鉴网格细胞场景重定位的 现有基于鼠类导航策略的扩展海马模型，其分 基础上设计相关算法提高实时性能，构建的实时关 别由局部场景细胞在环境中学习独特场景，由头方 键帧匹配的闭环检测模型能够明显提高系统的实时 向细胞和位置细胞合并形成的位姿细胞表征当前位 性能。 置，以及用节点与链路编码局部场景细胞和位姿细 在闭环检测过程中，要对采集到的足够多的陌 胞构建拓扑化的经验图，如图8所示。通过(x,y, 生场景进行信息匹配。一方面，必须通过某种手段对 )关联一维头方向细胞模型0与二维位置细胞模 采集到的连续图像和情境重现加以区分以避免误 型（化，y),实现位姿细胞的构建，其中，连续吸引子网 判；另一方面，由于复杂环境的影响，采集的某一场 络(continuous attractive network,CAN)控制着位姿 景图像信息可能会发生错误辨识。对于闭环检测方 感知网络内部的活动。其动态过程经历3个阶段： 法本身，需通过一种策略收集频次较高和最临近时 兴奋度更新阶段、对所有细胞的全局抑制阶段以及 刻出现的信息作为被匹配对象，在节约时间成本的条 对位姿感知细胞活动的归一化阶段。 件下尽可能地准确匹配当前图像信息。与一般的机 对于局部场景信息的处理，通过Hessian矩阵 器视觉算法不同，上述工作均需基于鼠类导航细胞。 行列式对图像中的像素点进行分析，构造快速鲁棒 借鉴网格细胞场景重定位并在此基础上设计相 特征(speeded up robust feature,.SURF)的特征点描 关算法提高实时性能，构成一种基于实时关键帧匹 述算子。其中，每个特征点采用64维向量的描述子 配的闭环检测模型，通过局部场景细胞进行实时关 进行匹配。 键帧匹配，实现闭环检测，通过位姿细胞和局部场
3.1 基于位姿细胞和局部场景细胞的 SLAM 算法 (VP-SLAM) 局部场景细胞在环境中学习独特场景，模型化 头方向细胞和位置细胞的竞争性吸引子网络结构所 形成的位姿感知细胞表征当前位置，局部场景细胞 和位姿细胞协同完成拓扑化经验图的绘制。在此过 程中，抽象出融合头方向与位置模型特性的信息需 要通过某种关联算法进行姿态表达，在相机图像信 息经过处理形成局部场景后，需选择合适的视觉 SLAM 算法进行图像处理。 现有基于鼠类导航策略的扩展海马模型，其分 别由局部场景细胞在环境中学习独特场景，由头方 向细胞和位置细胞合并形成的位姿细胞表征当前位 置，以及用节点与链路编码局部场景细胞和位姿细 胞构建拓扑化的经验图，如图 8 所示。通过 (x, y, θ) 关联一维头方向细胞模型 θ 与二维位置细胞模 型 (x, y)，实现位姿细胞的构建，其中，连续吸引子网 络 (continuous attractive network，CAN) 控制着位姿 感知网络内部的活动。其动态过程经历 3 个阶段： 兴奋度更新阶段、对所有细胞的全局抑制阶段以及 对位姿感知细胞活动的归一化阶段。 对于局部场景信息的处理，通过 Hessian 矩阵 行列式对图像中的像素点进行分析，构造快速鲁棒 特征 (speeded up robust feature，SURF) 的特征点描 述算子。其中，每个特征点采用 64 维向量的描述子 进行匹配。 3.2 基于实时关键帧匹配的闭环检测模型 (GVPSLAM) 视觉里程计漂移会形成累计误差，通过闭环检 测可以修正复杂环境下定位导航里程计产生的累计 误差。现有 IAB-MAP(incremental appearance-based mapping) 和 FAB-MAP(fast appearance-based mapping) 闭环检测算法，虽能胜任复杂环境下的闭环检 测问题，但由于它们通过逐个比较当前帧数据与各 历史帧数据的相似性，无法满足实时性要求。本文 基于的导航细胞模型在借鉴网格细胞场景重定位的 基础上设计相关算法提高实时性能，构建的实时关 键帧匹配的闭环检测模型能够明显提高系统的实时 性能。 在闭环检测过程中，要对采集到的足够多的陌 生场景进行信息匹配。一方面，必须通过某种手段对 采集到的连续图像和情境重现加以区分以避免误 判；另一方面，由于复杂环境的影响，采集的某一场 景图像信息可能会发生错误辨识。对于闭环检测方 法本身，需通过一种策略收集频次较高和最临近时 刻出现的信息作为被匹配对象，在节约时间成本的条 件下尽可能地准确匹配当前图像信息。与一般的机 器视觉算法不同，上述工作均需基于鼠类导航细胞。 借鉴网格细胞场景重定位并在此基础上设计相 关算法提高实时性能，构成一种基于实时关键帧匹 配的闭环检测模型，通过局部场景细胞进行实时关 键帧匹配，实现闭环检测，通过位姿细胞和局部场 䗩⭼㓶㜎⁑ර 䙏ᓖ㓶㜎⁑ර ᇎᰦ䰝⧟Ự⍻⁑ර ተ䜘൪Ჟ㓶㜎Ⲵ൪ ᲟᆖҐ㇇⌅ สҾսု㓶㜎઼ተ䜘൪Ჟ㓶㜎Ⲵ SLAM㇇⌅⹄ウ˄VP-SLAM˅ սု㓶㜎䜘ࣘᘱ 䗷〻༴⨶ᯩ⌅ ⋯䙄ᶴമ 䰝⧟ۇٴ䇮 ਾ傼ᾲ⦷ ㇇⌅ ༴⨶ᰦ䰤 ࡛ࡔ สҾᇎᰦޣ䭞ᑗ३䝽Ⲵ䰝⧟Ự ⍻⁑ර⹄ウ˄GVP-SLAM˅ 㶽ਸ䙏ᓖ㓶㜎઼䗩⭼㓶㜎Ⲵ啐㊫ ሬ㡚⁑ර⹄ウ˄BVGSP-SLAM˅ 啐㊫௵Ⳟ४ 图 7 融入鼠类脑细胞导航机制的移动机器人衍生 SLAM 方法技术路线图 Fig. 7 Technology roadmap of derivative SLAM on mobile robots integrated with brain cells of rats ·112· 智 能 系 统 学 报 第 13 卷
第1期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生SLAM综述 ·113· 景细胞沿途构图。如图8所示，实时关键帧匹配的 判断，并通过局部场景细胞与位姿细胞关联影响沿 闭环检测模型通过局部场景细胞进行新场景匹配的 途构图。 实时关键帧匹配的闭环 局部场景细胞 检测模型匹配新场景 ooQoooOOOQO 局部场景细胞—一位 姿细胞关联 局部场景细胞—沿 、途构图关联 y关联 预期位置A 位姿细胞—沿 途构图关联 :轨迹推算 关联 沿途构图 约 ● 图8基于鼠类导航细胞的实时关键帧匹配的闭环检测模型 Fig.8 Closed loop detection model with real-time keyframe matching based on rats 本研究提出的实时关键帧匹配的闭环检测模型 免将当前采集到的连续图像误判为闭环。将当前位 具体流程包括定位点的建立、权重更新、贝叶斯估 置时刻至过去某时刻内的信息储存在短时记忆中， 计更新、闭环假设选择、恢复和转换6部分，并引入 并选取所有过去时刻出现频次最高的信息储存在工 了3种记忆模式，即工作记忆(working memory,WM)、 作记忆中。最后通过当前位置与短时记忆存储位置 长期记忆(long-term memory,LTM)和短时记忆 (short--term memory,STM),具体策略如下。首先采 比较进行新位置的判别和权重更新，将当前位置与 集陌生场景信息，为避免实际环境的干扰，场景采 工作记忆存储位置比较进行闭环检测，同时，实时 集时需预先对同一场景多次采集并过滤其中的错误 更新各记忆本身。此闭环检测模型的流程图如图9 信息，确保场景采集的准确性。再通过设定阈值避 所示，各记忆关系图如图10所示。 当前位置与 当前位置与WM 视觉输入 等待图像 图像定位 STM比较进 比较进行贝叶斯 行训练 估计更新 转换WM至 假设是否 LTM 拒绝闭环假设 超过Tw吧 Y Y N 接受闭环假设并 处理时间是 将LTM恢复至 更新当前位置权 否超过T WM 重 图9实时关键帧匹配的闭环检测模型流程图 Fig.9 Flow chart of the closed loop detection of real-time keyframe matching
景细胞沿途构图。如图 8 所示，实时关键帧匹配的 闭环检测模型通过局部场景细胞进行新场景匹配的 判断，并通过局部场景细胞与位姿细胞关联影响沿 途构图。 本研究提出的实时关键帧匹配的闭环检测模型 具体流程包括定位点的建立、权重更新、贝叶斯估 计更新、闭环假设选择、恢复和转换 6 部分，并引入 了 3 种记忆模式，即工作记忆 (working memory，WM)、 长期记忆 (long-term memory，LTM) 和短时记忆 (short-term memory，STM)，具体策略如下。首先采 集陌生场景信息，为避免实际环境的干扰，场景采 集时需预先对同一场景多次采集并过滤其中的错误 信息，确保场景采集的准确性。再通过设定阈值避 免将当前采集到的连续图像误判为闭环。将当前位 置时刻至过去某时刻内的信息储存在短时记忆中， 并选取所有过去时刻出现频次最高的信息储存在工 作记忆中。最后通过当前位置与短时记忆存储位置 比较进行新位置的判别和权重更新，将当前位置与 工作记忆存储位置比较进行闭环检测，同时，实时 更新各记忆本身。此闭环检测模型的流程图如图 9 所示，各记忆关系图如图 10 所示。 x′ y′ ᅬ䘔౦ᮛ㏲㘊 ᅬ䘔౦ᮛ㏲㘊ÿÿѹ ༫㏲㘊ڟ㖀 xyڟ㖀 A B C D ᅬ䘔౦ᮛ㏲㘊ÿÿ⇫ 䕀Ჰపڟ㖀 ⇫䕀Ჰప 䒔䔥ᣔッ A′ 䶰ѹ㒚A′ x y θڟ㖀 θ′ ѹ༫㏲㘊ÿÿ⇫ 䕀Ჰపڟ㖀 ᬢڟ䩚ፓࡥ䙹⮰䬙⣛ ᷬ≷Ὅಷࡥ䙹౦ᮛ 图 8 基于鼠类导航细胞的实时关键帧匹配的闭环检测模型 Fig. 8 Closed loop detection model with real-time keyframe matching based on rats ふᒱప 㐉䬙⣛ճ䃪 ᑿݹѹ㒚̺ STM℀䒯䔇 㵸䃙㏯ ᑿݹѹ㒚̺WM ℀䒯䔇㵸䉉ढ ќ䃍ᰠ 䒘ᢎWM㜟 LTM ะ⤲ᬢ䬠᭛ ॒䊱䓳Ttime ᄲLTMᖎู㜟 WM ᣑः䬙⣛ճ䃪Ꭲ ᰠᑿݹѹ㒚ᱯ 䛹 పѹ ճ䃪᭛॒ 䊱䓳Tloop Y N N Y ڑ㻲㻵䒿 图 9 实时关键帧匹配的闭环检测模型流程图 Fig. 9 Flow chart of the closed loop detection of real-time keyframe matching 第 1 期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生 SLAM 综述 ·113·
·114· 智能系统学报 第13卷 权重 更新 转换 定位 感觉记忆 定位 短时记忆 定位 图像感知 工作记忆 长期记忆 (SM) (STM) (WM) (LTM) 定位 恢复 图10实时关键帧匹配的闭环检测中各记忆模式关系图 Fig.10 Diagram of memory pattern in the closed loop detection of real-time keyframe matching 3.3融合速度细胞和边界细胞的鼠类导航模型 数学模型。 (BVGSP-SLAM) 1)速度细胞活性及数学模型建立 现有的位姿细胞无法适应外界多变的复杂环 在分析速度细胞活性的实验中，将老鼠置于 境，如移动障碍物的出现会导致视觉里程计速度的 100cm×100cm×50cm的盒子中，通过在随机位置 错误判别。根据发现的内嗅皮层中存在的速度细胞 播撒食物屑促使老鼠进行任意运动，如图11所示。 和边界细胞，针对室内复杂环境的特点，利用速度 为避免局部场景细胞对实验的影响，该实验在黑暗 细胞和边界细胞的导航功能对移动机器人角度和速 环境中进行；为避免老鼠自身行为对速度细胞产生 度等信息进行采集分析，输出到终端设备并与鼠类 的影响，本实验忽略所有运动速度小于2cm/s时老 导航细胞的沿途构图进行比对。在3.2节研究的 鼠速度细胞活性的变化。首先归一化速度细胞活 GVP-SLAM算法基础上，引入速度细胞和边界细胞 性；通过线性变换计算出速度细胞的发放率并表示 实现移动机器人在突发障碍物等复杂环境下的精确 其活性；然后对细胞进行无偏分析，通过无偏估计 导航，构成复合鼠类导航模型(BVGSP-.SLAM)。 在实验中调整速度细胞参数，利用尖峰电压大小判 在GVP-SLAM算法基础上引人内嗅皮层中的 断速度细胞的活性强弱，通过一个由发放场和线性 边界细胞和速度细胞进行辅助导航。为探究其效 滤波器两部分组成的简单线性解码器使速度细胞的 果，将速度细胞和边界细胞对鼠类导航模型的影响 活跃度具体化；再将该活性状态信息传递给由头方 进行分别研究。利用手术在老鼠脑部植入电极，通 向细胞和位置细胞融合而成的位姿细胞，进而影响 过上位机可观测速度细胞和边界细胞的活性并建立 沿途构图。 归一化速度 细胞活性 对细胞进行 无偏分析 50 cm 一一 解码速度细 胞活性 50 解码器1解码效果 一原始速度 一解码器2解码效果 100c * 100cm 60 t/s (a)速度细胞实验盒子 (b)速度细胞分析过程 图11黑暗环境下的速度细胞实验及速度细胞分析过程 Fig.11 Speed cells experiment in dark environment and the analysis procedure of speed cells 2)边界细胞活性及数学模型建立 数表示特定的距离.另一个函数表示非自我中心的 边界细胞对于障碍物的判别，如图12所示，无 方向。利用边界细胞的发放率、边界细胞的感受野 论老鼠的头部朝向什么方向，边界细胞的发放率都 及其与障碍物的距离信息构成边界细胞发放率变化 会随老鼠离障碍物距离的减少而增加。每个边界细 的表达式，这种细胞的发放率变化状态即表现为细 胞的感受野通过两个高斯函数的乘积构成，一个函 胞的活性状态，再将该活性状态信息通过神经元的
3.3 融合速度细胞和边界细胞的鼠类导航模型 (BVGSP-SLAM) 现有的位姿细胞无法适应外界多变的复杂环 境，如移动障碍物的出现会导致视觉里程计速度的 错误判别。根据发现的内嗅皮层中存在的速度细胞 和边界细胞，针对室内复杂环境的特点，利用速度 细胞和边界细胞的导航功能对移动机器人角度和速 度等信息进行采集分析，输出到终端设备并与鼠类 导航细胞的沿途构图进行比对。在 3.2 节研究的 GVP-SLAM 算法基础上，引入速度细胞和边界细胞 实现移动机器人在突发障碍物等复杂环境下的精确 导航，构成复合鼠类导航模型 (BVGSP-SLAM)。 在 GVP-SLAM 算法基础上引入内嗅皮层中的 边界细胞和速度细胞进行辅助导航。为探究其效 果，将速度细胞和边界细胞对鼠类导航模型的影响 进行分别研究。利用手术在老鼠脑部植入电极，通 过上位机可观测速度细胞和边界细胞的活性并建立 数学模型。 1) 速度细胞活性及数学模型建立 在分析速度细胞活性的实验中，将老鼠置于 100 cm×100 cm×50 cm 的盒子中，通过在随机位置 播撒食物屑促使老鼠进行任意运动，如图 11 所示。 为避免局部场景细胞对实验的影响，该实验在黑暗 环境中进行；为避免老鼠自身行为对速度细胞产生 的影响，本实验忽略所有运动速度小于 2 cm/s 时老 鼠速度细胞活性的变化。首先归一化速度细胞活 性；通过线性变换计算出速度细胞的发放率并表示 其活性；然后对细胞进行无偏分析，通过无偏估计 在实验中调整速度细胞参数，利用尖峰电压大小判 断速度细胞的活性强弱，通过一个由发放场和线性 滤波器两部分组成的简单线性解码器使速度细胞的 活跃度具体化；再将该活性状态信息传递给由头方 向细胞和位置细胞融合而成的位姿细胞，进而影响 沿途构图。 2) 边界细胞活性及数学模型建立 边界细胞对于障碍物的判别，如图 12 所示，无 论老鼠的头部朝向什么方向，边界细胞的发放率都 会随老鼠离障碍物距离的减少而增加。每个边界细 胞的感受野通过两个高斯函数的乘积构成，一个函 数表示特定的距离，另一个函数表示非自我中心的 方向。利用边界细胞的发放率、边界细胞的感受野 及其与障碍物的距离信息构成边界细胞发放率变化 的表达式，这种细胞的发放率变化状态即表现为细 胞的活性状态，再将该活性状态信息通过神经元的 ҈䃜ᓲ 喋WM喌 䪫䃜ᓲ 喋LTM喌 ⴙᬢ䃜ᓲ 喋STM喌 ᙋ㻵䃜ᓲ 喋SM喌 పᙋⴑ ѹ ѹ ѹ ѹ 䒘ᢎ ᖎู ᱯ䛹 ᰠ 图 10 实时关键帧匹配的闭环检测中各记忆模式关系图 Fig. 10 Diagram of memory pattern in the closed loop detection of real-time keyframe matching V/(cm·s−1 ) 㼏ⴭஔ1㼏ⴭᩴ ࣋䕋Ꮢ 㼏ⴭஔ2㼏ⴭᩴ t/s ᑾ̬ࡂ䕋Ꮢ ㏲㘊≧ᕓ ᄥ㏲㘊䔇㵸 ᬌջܲ 㼏ⴭ䕋Ꮢ㏲ 㘊≧ᕓ 50 100 cm 0 60 120 100 cm 50 cm (a) 䕋Ꮢ㏲㘊侸⯾ၼ (b) 䕋Ꮢ㏲㘊ܲ䓳⼷ 图 11 黑暗环境下的速度细胞实验及速度细胞分析过程 Fig. 11 Speed cells experiment in dark environment and the analysis procedure of speed cells ·114· 智 能 系 统 学 报 第 13 卷
第1期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生SLAM综述 ·115· 感知机模型进行分析，并把所有速度细胞活性信息 设计中，这也是沿途构图准确度提高面临的主要问 传递给由头方向细胞和位置细胞融合而成的位姿细 题。因此，该问题是研究内容待解决的另一关键 胞，进而影响沿途构图。 问题。 4结束语 基于鼠类脑细胞导航机理的模型算法鲁棒性 强，能够解决全局SLAM问题。综观这种基于鼠类 边 脑细胞导航机理的模型算法的研究现状，其相关的 研究仍处于初级阶段，有很多问题值得进一步的研 究，本文提出运用仿生学研究、医工结合、数值计算 方法、解析计算方法，结合信息学、控制学、仿生学 图12 老鼠边界细胞的感受野以及老鼠距离障碍物不同距 等基础理论并建立适用于复杂环境下快速、准确、 离时发放率强度 全面的融入鼠类脑细胞导航机制的移动机器人衍生 Fig.12 Receptive field of border cells and firing rate at 同步定位地图构建方法体系。本文重点探讨了以鼠 various distances of rats 类脑细胞中边界细胞、局部场景细胞、网格细胞、速 3)边界细胞与速度细胞模型的关联函数构造 度细胞、位姿细胞等具有定位导航功能的细胞模型 构造由边界细胞和速度细胞发放率、感受野以 应用于SLAM研究中，构建一种基于多细胞导航机 及距离信息的关联函数，采用统计学的方法别除异 制的BVGSP-SLAM模型：融入局部场景细胞、位姿 常细胞，通过构建权值、中心和幅度3个参数可调 细胞和网格细胞以尽可能减少光线变化对视觉里程 的自适应模糊逻辑系统证明该关联函数的稳定性， 计的影响，引入边界细胞和速度细胞以对突发障碍 进而提高BVGSP-SLAM模型的鲁棒性。 物和自身速度进行进一步判别，再将混合细胞算法 3.4所需突破的关键性问题 引入仿生传感系统并在移动机器人平台上进行硬件 复杂室内环境下SLAM存在如下问题：室内光 验证，为移动机器人SLAM研究领域提供了生物细 线变化、突发障碍物等对导航系统产生影响，对于 胞学重要解决思路的理论参考。在此基础上如何实 移动机器人本身，长时间导航下移动机器人也会存 现在实验场景更加恶劣的情况下动态调节现有细胞 在里程计漂移等现象。本文针对这些问题建立了适 导航模型的参数仍值得进一步研究，如何通过现有 合复杂室内环境的基于鼠类导航细胞的SLAM模 的鼠类模型进行算法改进或借鉴其他生物模型特性 型，所需突破的关键问题主要包括如下两点。 实现空中与水下的导航研究也将是未来SLAM发 1)实时关键帧匹配的闭环检测建模 展的一个重要研究方向。 现有的闭环检测模型存在复杂度高、实时性差 参考文献： 等问题，本文提出了一种实时关键帧匹配的闭环检 测模型，该模型通过“长期记忆”、“短时记忆”等记忆 [1]TOLMAN E C.Cognitive maps in rats and men[J].Psycho- logical review,1948,55(4):189-208 单元的协同作用完成关键帧匹配，同时可以通过“长 [2]O'KEEFE J,DOSTROVSKY J.The hippocampus as a spa- 期记忆”和短时记忆”单元的切换和恢复，降低系统 tial map.Preliminary evidence from unit activity in the 运算的复杂度，这也是后续融人速度细胞模型和边 freely-moving rat[J].Brain research,1971,34(1):171-175. 界细胞模型完成实时导航的基础。因此，该问题是 [3]RANCK JL,LETELLIER L,SHECHTER E,et al.X-ray 研究内容待解决的关键问题之一。 analysis of the kinetics of Escherichia coli lipid and mem- 2)边界细胞和速度细胞模型关联函数的构造 brane structural transitions[J].Biochemistry,1984,23(21): 边界细胞和速度细胞模型分别由其发放率、感 4955-4961. 受野以及距离信息等动态参数决定，两种模型通过 [4]于乃功，王琳，李倜，等.网格细胞到位置细胞的竞争型神 关联函数各自影响沿途构图。采用统计学的方法别 经网络模型[).控制与决策，2015,30(8)：1372-1378. YU Naigong,WANG Lin,LI Ti,et al.Competitive neural 除异常细胞，通过构建权值、中心和幅度3个参数 network model from grid cells to place cells[J].Control and 可调的自适应模糊逻辑系统证明该关联函数的稳 decision,2015,30(8):1372-1378 定性，研究基于边界细胞和速度细胞模型关联的 [)]于平，徐晖，尹文娟，等.网格细胞在空间记忆中的作用) 融合方法，将多种调度参数信息融入到控制方法的 心理科学进展，2009,17(6)：1228-1233
感知机模型进行分析，并把所有速度细胞活性信息 传递给由头方向细胞和位置细胞融合而成的位姿细 胞，进而影响沿途构图。 䓥 ⩸ ㏲ 㘊 ࣽ ᩪ ⢳ 䓥 ⩸ ㏲ 㘊 ᙋ ः 䛺 t1 t2 t3 䯈 ⶹ ➕ 图 12 老鼠边界细胞的感受野以及老鼠距离障碍物不同距 离时发放率强度 Fig. 12 Receptive field of border cells and firing rate at various distances of rats 3) 边界细胞与速度细胞模型的关联函数构造 构造由边界细胞和速度细胞发放率、感受野以 及距离信息的关联函数，采用统计学的方法剔除异 常细胞，通过构建权值、中心和幅度 3 个参数可调 的自适应模糊逻辑系统证明该关联函数的稳定性， 进而提高 BVGSP-SLAM 模型的鲁棒性。 3.4 所需突破的关键性问题 复杂室内环境下 SLAM 存在如下问题：室内光 线变化、突发障碍物等对导航系统产生影响，对于 移动机器人本身，长时间导航下移动机器人也会存 在里程计漂移等现象。本文针对这些问题建立了适 合复杂室内环境的基于鼠类导航细胞的 SLAM 模 型，所需突破的关键问题主要包括如下两点。 1) 实时关键帧匹配的闭环检测建模 现有的闭环检测模型存在复杂度高、实时性差 等问题，本文提出了一种实时关键帧匹配的闭环检 测模型，该模型通过“长期记忆”、“短时记忆”等记忆 单元的协同作用完成关键帧匹配，同时可以通过“长 期记忆”和“短时记忆”单元的切换和恢复，降低系统 运算的复杂度，这也是后续融入速度细胞模型和边 界细胞模型完成实时导航的基础。因此，该问题是 研究内容待解决的关键问题之一。 2) 边界细胞和速度细胞模型关联函数的构造 边界细胞和速度细胞模型分别由其发放率、感 受野以及距离信息等动态参数决定，两种模型通过 关联函数各自影响沿途构图。采用统计学的方法剔 除异常细胞，通过构建权值、中心和幅度 3 个参数 可调的自适应模糊逻辑系统证明该关联函数的稳 定性，研究基于边界细胞和速度细胞模型关联的 融合方法，将多种调度参数信息融入到控制方法的 设计中，这也是沿途构图准确度提高面临的主要问 题。因此，该问题是研究内容待解决的另一关键 问题。 4 结束语 基于鼠类脑细胞导航机理的模型算法鲁棒性 强，能够解决全局 SLAM 问题。综观这种基于鼠类 脑细胞导航机理的模型算法的研究现状，其相关的 研究仍处于初级阶段，有很多问题值得进一步的研 究，本文提出运用仿生学研究、医工结合、数值计算 方法、解析计算方法，结合信息学、控制学、仿生学 等基础理论并建立适用于复杂环境下快速、准确、 全面的融入鼠类脑细胞导航机制的移动机器人衍生 同步定位地图构建方法体系。本文重点探讨了以鼠 类脑细胞中边界细胞、局部场景细胞、网格细胞、速 度细胞、位姿细胞等具有定位导航功能的细胞模型 应用于 SLAM 研究中，构建一种基于多细胞导航机 制的 BVGSP-SLAM 模型：融入局部场景细胞、位姿 细胞和网格细胞以尽可能减少光线变化对视觉里程 计的影响，引入边界细胞和速度细胞以对突发障碍 物和自身速度进行进一步判别，再将混合细胞算法 引入仿生传感系统并在移动机器人平台上进行硬件 验证，为移动机器人 SLAM 研究领域提供了生物细 胞学重要解决思路的理论参考。在此基础上如何实 现在实验场景更加恶劣的情况下动态调节现有细胞 导航模型的参数仍值得进一步研究，如何通过现有 的鼠类模型进行算法改进或借鉴其他生物模型特性 实现空中与水下的导航研究也将是未来 SLAM 发 展的一个重要研究方向。 参考文献： TOLMAN E C. Cognitive maps in rats and men[J]. Psychological review, 1948, 55(4): 189–208. [1] 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. [2] 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. [3] 于乃功, 王琳, 李倜, 等. 网格细胞到位置细胞的竞争型神 经网络模型[J]. 控制与决策, 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. [4] 于平, 徐晖, 尹文娟, 等. 网格细胞在空间记忆中的作用[J]. 心理科学进展, 2009, 17(6): 1228–1233. [5] 第 1 期 陈孟元：鼠类脑细胞导航机理的移动机器人仿生 SLAM 综述 ·115·
·116· 智能系统学报 第13卷 YU Ping,XU Hui,YIN Wenjuan,et al.The roles of grid HU Bo,SUI Jianfeng.Advance of mechanisms of spatial cells in spatial memory[J].Advances in psychological sci- processing for hippocampal place cells[J].Chinese journal ence,2009,17(6):1228-1233. of neuromedicine,2005,4(4):416-418. [6]KROPFF E,CARMICHAEL J E,MOSER M B,et al. [19列王可，张婷，王晓民.大脑中的“定位系统”一2014年诺 Speed cells in the medial entorhinal cortex[J].Nature,2015, 贝尔生理学或医学奖简介[).首都医科大学学报，2014， 523(7561):419-424. 35(5):671-675 [7]DEMPSTER A P,LAIRD N M,RUBIN D B.Maximum WANG Ke,,ZHANG Ting,WANG Xiaomin.“Inner GPS” likelihood from incomplete data via the EM algorithm[J]. in the brain-introduction of Nobel Prize in Physiology Journal of the royal statistical society,1977,39(1):1-38. or Medicine 2014[J].Journal of capital medical university, 8]SMITH R C,CHEESEMAN P.On the representation and 2014,35(5):671-675. estimation of spatial uncertainly[J].International journal of [20]田莉雯.基于顶部摄像头和鼠载摄像头的大鼠自动导航 robotics research,1987,5(4):56-68. 系统D].杭州：浙江大学，2015. [9]SMITH R,SELF M,CHEESEMAN P.Estimating uncer- TIAN Liwen.An automatic navigation system based on a tain spatial relationships in robotics[J].Machine intelli- rat-mounted camera and a bird's eye camera[D].Hang- gence and pattern recognition,1988,5(5):435-461. zhou:Zhejiang University,2015. [10]JULIER S J,UHLMANN J K.Unscented filtering and [21刂查峰，肖世德，冯刘中，等.移动机器鼠沿墙导航策略与 nonlinear estimation[J].Proceedings of the IEEE,2004, 算法研究[).计算机工程，2012,386：172-174 92(3:401-422 ZHA Feng,XIAO Shide,FENG Liuzhong,et al.Research [11]JULIER S,UHLMANN J,DURRANT-WHYTE H F.A on wall-following navigation strategy and algorithm for new method for the nonlinear transformation of means and mobile mechanical mouse[J.Computer engineering,2012. covariances in filters and estimators[J].IEEE transactions 38(6):172-174 on automatic control,2000,45(3):477-482 [22]SKAGGS W E,KNIERIM J J,KUDRIMOTI H S,et al.A [12]ARASARATNAM I,HAYKIN S.Cubature Kalman fil- model of the neural basis of the rat's sense of direction[J]. ters[J].IEEE transactions on automatic control,2009, Advances in neural information processing systems,1995, 54(6):12541269. 7:173-180. [13]NIEDERREITER H.Random number generation and [23]REDISH A D,ELGA A N,TOURETZKY D S.A coupled quasi-monte carlo methods[J].Journal of the american stat- attractor model of the rodent head direction system[J].Net- istical association,1992,88(89):147-153. work:computation in neural systems,1997,7(4):671-685. [14]THRUN S,FOX D,BURGARD W,et al.Robust Monte [24]SAMSONOVICH A,MCNAUGHTON B L.Path integra- Carlo localization for mobile robots[J].Artificial intelli- tion and cognitive mapping in a continuous attractor neural gence,.2001,128(1)99-141. network model[J].Journal of neuroscience:the official [15]MONTEMERLO M,THRUN S,WHITTAKER W.Condi- journal of the society for neuroscience,1997,17(15):5900- tional particle filters for simultaneous mobile robot localiz- 5920 ation and people-tracking[C]//Proceedings of 2002 IEEE [25]STRINGER S M,ROLLS E T,TRAPPENBERG T P,et International Conference on Robotics and Automation. al.Self-organizing continuous attractor networks and path Washington,DC,USA,2002:695-701. integration:two-dimensional models of place cells[J.Net- [16]WEHNER R,GALLIZZI K,FREI C,et al.Calibration pro- work:computation in neural systems,2002,13(4):429- cesses in desert ant navigation:vector courses and system- 446 atic search[J].Journal of comparative physiology A,2002, [26]MILFORD M J,WYETH G F,PRASSER D.RatSLAM:a 188(9y:683-693. hippocampal model for simultaneous localization and map- [1刀刘新玉，海鑫，尚志刚，等.利用粒子滤波重建位置细胞 ping[C]//Proceedings of 2004 IEEE International Confer- 编码的运动轨迹[.生物化学与生物物理进展，2016， ence on Robotics and Automation.New Orleans,LA. 43(8):817-826 USA.2004:403-408. LIU Xinyu,HAI Xin,SHANG Zhigang,et al.Decoding [27]MILFORD M,WYETH G.Persistent navigation and map- movement trajectory of hippocampal place cells by particle ping using a biologically inspired SLAM system[J].Inter- filter[J].Progress in biochemistry and biophysics,2016, national journal of robotics research,2009.29(9):1131- 43(8):817-826. 1153. [18]胡波，隋建峰.海马位置细胞空间信息处理机制的研究 [28]PRASSER D P,WYETH G,MILFORD M.Experiments 进展.中华神经医学杂志，2005,4(4)：416-418. in outdoor operation of RatSLAM[C]//Proceedings of 2004
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. KROPFF E, CARMICHAEL J E, MOSER M B, et al. Speed cells in the medial entorhinal cortex[J]. Nature, 2015, 523(7561): 419–424. [6] 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. [7] SMITH R C, CHEESEMAN P. On the representation and estimation of spatial uncertainly[J]. International journal of robotics research, 1987, 5(4): 56–68. [8] SMITH R, SELF M, CHEESEMAN P. Estimating uncertain spatial relationships in robotics[J]. Machine intelligence and pattern recognition, 1988, 5(5): 435–461. [9] JULIER S J, UHLMANN J K. Unscented filtering and nonlinear estimation[J]. Proceedings of the IEEE, 2004, 92(3): 401–422. [10] 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. [11] ARASARATNAM I, HAYKIN S. Cubature Kalman filters[J]. IEEE transactions on automatic control, 2009, 54(6): 1254–1269. [12] NIEDERREITER H. Random number generation and quasi-monte carlo methods[J]. Journal of the american statistical association, 1992, 88(89): 147–153. [13] THRUN S, FOX D, BURGARD W, et al. Robust Monte Carlo localization for mobile robots[J]. Artificial intelligence, 2001, 128(1): 99–141. [14] 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. [15] 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. [16] 刘新玉, 海鑫, 尚志刚, 等. 利用粒子滤波重建位置细胞 编码的运动轨迹[J]. 生物化学与生物物理进展, 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. [17] 胡波, 隋建峰. 海马位置细胞空间信息处理机制的研究 进展[J]. 中华神经医学杂志, 2005, 4(4): 416–418. [18] HU Bo, SUI Jianfeng. Advance of mechanisms of spatial processing for hippocampal place cells[J]. Chinese journal of neuromedicine, 2005, 4(4): 416–418. 王可, 张婷, 王晓民. 大脑中的“定位系统”——2014 年诺 贝尔生理学或医学奖简介[J]. 首都医科大学学报, 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. [19] 田莉雯. 基于顶部摄像头和鼠载摄像头的大鼠自动导航 系统[D]. 杭州: 浙江大学, 2015. TIAN Liwen. An automatic navigation system based on a rat-mounted camera and a bird’s eye camera[D]. Hangzhou: Zhejiang University, 2015. [20] 查峰, 肖世德, 冯刘中, 等. 移动机器鼠沿墙导航策略与 算法研究[J]. 计算机工程, 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. [21] 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. [22] 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. [23] 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. [24] 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. [25] 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. [26] 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. [27] PRASSER D P, WYETH G, MILFORD M. Experiments in outdoor operation of RatSLAM[C]//Proceedings of 2004 [28] ·116· 智 能 系 统 学 报 第 13 卷
