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·