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ढ᫛ ќ䃍ᰠ᫜ 䒘ᢎWM㜟 LTM ะ⤲ᬢ䬠᭛ ॒䊱䓳Ttime ᄲLTMᖎู㜟 WM ᣑः䬙⣛ճ䃪Ꭲ ᰠ᫜ᑿݹѹ㒚ᱯ 䛹 ప׻჆ѹ 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·