[发明专利]一种基于鼠脑海马信息传递机制的认知地图构建方法

权利要求书

1.一种基于鼠脑海马信息传递机制的认知地图构建方法，其特征在于，所述方法包括如下几个步骤：

步骤1，机器人探索环境，惯性传感器采集机器人的角速度信息、线速度信息，视觉传感器采集环境的RGB图像和深度图像信息；

步骤2，将采集的角速度、线速度信息、RGB图像和深度图像信息输入视觉惯性融合模块，利用图像信息修正角速度和线速度信息随时间造成的漂移误差，获得修正后的角速度和线速度信息；

视觉惯性融合模块的具体步骤如下：

2.1对每一个时刻的RGB图像信息进行ORB特征提取，提取ORB特征分为两个步骤：FAST角点提取，即提取出图像中的特征点；BRIEF描述子：得到提取出的特征点的特征描述符，通过特征描述符得到当前时刻和后一时刻RGB图像中所有两两匹配的特征点；

2.2使用SVD方法得到欧式变换R，T

首先求出一组匹配好的当前时刻和后一时刻的两个图像的所有特征点的质心坐标p¹，p²，计算当前时刻和后一时刻的图像的所有特征点的去质心坐标，具体的计算公式如下：

其中，为第j组图像中第i个特征点的去质心坐标，即j＝1表示当前时刻，j＝2表示后一时刻，为第j组图像中第i个特征点的质心坐标，其中，j＝1,2，

计算最优旋转矩阵R^*：

其中，R^*为R的最优解，R为旋转矩阵；

计算最优平移量t^*：

t^*＝p¹-Rp²                        (3)

其中，t^*为T的最优解，T为平移量；

把R^*和t^*带入罗德里格斯公式中求出图像的角速度信息θ″和线速度信息v″；

2.3将上一步骤中得到的角速度信息θ″和线速度信息v″对从惯性传感器得到当前时刻采集到的角速度信息θ′和线速度信息u′进行校正：

θ＝θ″+αθ′，v＝v″+αv′         (4)

其中，α∈(0，1)为加权系数，θ为校正后的角速度信息，v为校正后的线速度信息；

步骤3，将修正后的角速度θ和线速度信息v输入根据鼠脑海马空间细胞和信息传递机制构建的位置感知模块，得到用位置细胞放电信息表达的机器人的位置信息；

根据鼠脑海马空间细胞和信息传递机制构建的位置感知模块，其特征在于：首先将修正后的角速度信息θ输入头朝向细胞模型，得到的头朝向细胞放电率接下来把头朝向细胞放电率和修正后的线速度信息v输入到条纹细胞模型中，得到的条纹细胞放电率F_θ；再次把条纹细胞放电率F_θ输入到网格细胞模型，得到网格细胞放电率r；然后把网格细胞放电率r输入到CA3-内嗅皮层信息循环传递回路的竞争型网络模型，得到校正后的位置细胞放电率u′；最后把校正后的位置细胞放电率u′输入位置细胞的环境表达模型，得到校正后的当前时刻机器人的位置信息p′；

其中，CA3-内嗅皮层信息循环传递回路的竞争型网络模型包括CA3到内嗅皮层信息传递的竞争型网络模型，即模型1，和内嗅皮层到CA3信息传递的竞争型网络模型，即模型2；

两个模型的具体步骤如下：

3.1CA3到内嗅皮层信息传递的竞争型网络模型

首先输入单个网格细胞的放电率，得到单个位置细胞的放电率u_v，表达式为：

u_v＝H(r_k-C_ing)           (5)

其中，H为学习率，u_v为第v个位置细胞的放电率，r_k为第k个网格细胞的放电率，C_ing为网格细胞的抑制性水平常量；

然后输入跟空间中某个固定位置相关的多个网格细胞的放电率，得到跟这个固定位置相关的多个位置细胞的放电率u_b(d)，表达式为：

其中，A为位置细胞的兴奋性水平常量，C_inp为位置细胞的抑制性水平常量，w_vk为测算位置细胞放电率的连接权重，d为机器人所在的位置，M为网格细胞神经板的层数；

单个位置细胞放电率u_v和与空间中某个固定位置相关的多个位置细胞放电率u_v(d)共同组成位置细胞放电率u；

3.2内嗅皮层到CA3信息传递的竞争型网络模型

首先输入机器人的运动轨迹，得到中间细胞的放电率α，表达式为：

其中，p为机器人的运动轨迹，l_m为第m个中间细胞的位置，d( )为欧几里得距离，σ为中间细胞的大小；

然后输入中间细胞的放电率，得到第k个网格细胞的放电率r_k，表达式为：

其中，α_m为中间细胞的放电率，w_mk为测算第k个网格细胞放电率的连接权重，τ_r为神经元对应的时间常量，S为中间细胞的总数，t表示为某一时刻；

当机器人第一次探索环境时，将原始的网格细胞放电率输入到模型1中，得到未校正的位置细胞放电率u，将u输入位置细胞的环境表达模型，得到未校正的当前时刻机器人的位置信息p，进行步骤4；

当机器人完全探索过一次环境，开始第二次探索环境时，将模型2得到的网格细胞放电率r再次输入模型1中，就可以得到校正后更加准确的位置细胞放电率u′，将u′输入位置细胞的环境表达模型，得到校正后的当前时刻机器人的位置信息p′，并修正认知地图认知点位置，更新认知地图；

步骤4，将RGB图像和深度图像信息输入特征提取算法中，获得当前环境图像特征；

步骤5，根据匹配算法，判断步骤4得到的图像特征与视图库中的图像特征是否匹配：若匹配，则利用视图库图像关联的位置信息纠正当前机器人的位置，并修正认知地图认知点位置，更新认知地图，并返回步骤1继续，否则进行步骤6；

步骤6，将步骤4得到的当前图像特征存入视图库，并将其与机器人当前位置信息关联，创建认知地图认知点并更新认知地图，继续下一步；

步骤7，返回步骤1，继续探索环境，不断更新认知地图。