劉建業(yè)，楊 闖，熊 智，賴際舟，熊 駿

(1. 南京航空航天大學導航研究中心，南京 211106；2. 先進飛行器導航、控制與健康管理工業(yè)和信息化部重點實驗室，南京 211106；3. 衛(wèi)星通信與導航江蘇高校協(xié)同創(chuàng)新中心，南京 210016)

0 引言

即時定位與地圖構建(Simultaneous localiza-tion and mapping，SLAM)是無人機在非結(jié)構化或未知復雜環(huán)境下自主導航與定位的主要方式之一[1]?，F(xiàn)有的無人機SLAM存在如下問題：在配備慣性、衛(wèi)星、測距等基本導航傳感器的基礎上，還需配備較高精度昂貴的激光雷達和視覺等環(huán)境感知傳感器；主要采用概率方法解決建圖和定位問題，需建立精確世界和無人機物理模型；受環(huán)境影響較大，在光照較強(弱)、圖像紋理豐富度低、粉塵等惡劣環(huán)境下較難正常工作(典型的例子如特斯拉無人駕駛事故)；無法自主智能應對未知復雜環(huán)境，需要發(fā)展復雜環(huán)境下的新型導航方式。

相比上述無人機SLAM問題，動物(人)在不具備高精度感覺器官和高分辨率地圖的情況下仍然能夠準確快速進行定位與導航，這種能力如此簡單和自然，一直是該領域研究者持續(xù)關注的問題之一。隨著大鼠等哺乳動物大腦海馬區(qū)中與認知導航相關的位置細胞、頭朝向細胞、網(wǎng)格細胞以及邊界細胞等幾種關鍵導航細胞的陸續(xù)發(fā)現(xiàn)，對深入理解哺乳動物(人)的大腦導航機理提供了可能。受這些機理啟發(fā)，近年來基于人工智能的類腦導航技術得到了較大發(fā)展[2]，為解決上述SLAM問題提供了一條新思路。

當前，類腦導航技術主要有五種類型：吸引子神經(jīng)網(wǎng)絡型[3]、深度學習型[4]、脈沖神經(jīng)網(wǎng)絡型[5]、振蕩相干型[6]和貝葉斯推理型[7]。其中，深度學習模型可解釋性不強，且需要進行大量監(jiān)督學習訓練；脈沖神經(jīng)網(wǎng)絡參數(shù)訓練復雜，當前還主要處于仿真驗證階段；振蕩相干型對傳感輸入噪聲較為敏感；貝葉斯推理型需要建立較為準確的概率模型。相比以上四種類型，吸引子神經(jīng)網(wǎng)絡模型可解釋性強，無需訓練模型參數(shù)，具有較強的處理輸入噪聲魯棒性，無需精確導航模型，不依賴高精度傳感器，惡劣環(huán)境(暗光、強光、粉塵等)下適應性強，且具有一定的自主智能能力等優(yōu)勢，得到了大量研究[8-10]。

本文結(jié)合作者團隊南京航空航天大學導航研究中心正在承擔的國家自然科學基金項目—類腦感知定位機理的無人機密集集群編隊協(xié)同導航方法(61873125)，簡要闡述了哺乳動物大腦導航機理，分析了吸引子神經(jīng)網(wǎng)絡的編碼信息性能，概述了基于吸引子神經(jīng)網(wǎng)絡的類腦導航關鍵技術，最后討論了吸引子神經(jīng)網(wǎng)絡類腦導航技術在無人機導航與定位應用中的挑戰(zhàn)。

1 動物大腦導航機理

哺乳動物具有高度智能的導航能力，這些能力依賴于海馬-內(nèi)嗅皮層(海馬區(qū))產(chǎn)生的能夠表征環(huán)境事物空間關系的認知地圖，認知地圖的形成與海馬區(qū)中存在的導航細胞密切相關。

當前被證實的導航細胞主要有：位置細胞、頭朝向細胞、網(wǎng)格細胞和邊界細胞，如圖1所示。位置細胞和頭朝向細胞是認知地圖的主要物質(zhì)基礎。動物到達環(huán)境中某個區(qū)域時，特定的位置細胞會激活放電指示動物所處位置，此外，位置細胞還可以記憶環(huán)境信標點，當遇到信標點時同樣會激活位置細胞放電；動物頭部朝向環(huán)境中不同方向時，特定的頭朝向細胞會激活放電指示動物相對周圍環(huán)境事物的方位，進而表征事物之間的方位關系；大量位置細胞和頭朝向細胞聯(lián)合實現(xiàn)編碼動物所處整個環(huán)境位置與方位信息。動物處于環(huán)境中某一尺寸的正六邊形網(wǎng)格軌跡頂點時，會有某一特定的網(wǎng)格細胞周期性激活放電；網(wǎng)格細胞被認為是動物大腦的路徑積分器(航跡推算系統(tǒng))，實現(xiàn)動物位置和方位信息的更新；僅僅依靠網(wǎng)格細胞路徑積分不可避免地存在累積誤差，需要位置細胞表征的信標校正。動物到達環(huán)境邊界時，特定的邊界細胞會激活放電指示邊界。

圖1 動物大腦導航機理Fig.1 Mechanism of animal brain navigation

隨后，神經(jīng)生理學家又陸續(xù)發(fā)現(xiàn)了敏感運動速度的速度細胞[11]，整合速度和方向的條紋細胞[12]，感知與物體相對位矢的路標向量細胞[13]，分辨街區(qū)級范圍位置的臨近區(qū)域細胞[14]，以及敏感同伴距離和方位的社交位置細胞[15]等多種導航細胞。

上述多種導航細胞廣泛存在于鼠類、猴子、海豚等哺乳動物以及人類[16]，這些導航細胞相互連接構成一個復雜的神經(jīng)網(wǎng)絡，如圖1所示。該網(wǎng)絡通過導航細胞的集群放電活動，不斷整合動物的自運動信息以及視覺/聽覺/嗅覺等信標信息，并將這些信息轉(zhuǎn)化為內(nèi)部空間神經(jīng)代碼，形成表征環(huán)境的認知地圖，進而基于認知地圖進行空間認知和導航。

2 吸引子神經(jīng)網(wǎng)絡

吸引子神經(jīng)網(wǎng)絡(Attractor Neural Network，ANN)是基于吸引子動力學和循環(huán)神經(jīng)網(wǎng)絡的一種神經(jīng)動力學模型。其狀態(tài)為神經(jīng)元激活放電率，網(wǎng)絡拓撲結(jié)構如圖2(a)所示[3]，每個神經(jīng)元同時接收來自周圍神經(jīng)元的局部興奮性輸入和全局抑制性輸入，在沒有外部輸入時整個神經(jīng)網(wǎng)絡狀態(tài)達到某一穩(wěn)態(tài)(網(wǎng)絡能量函數(shù)E取得極小值)，該穩(wěn)態(tài)稱為ANN的一個吸引子，如圖2(b)所示[17]，所有吸引子構成ANN狀態(tài)空間的一個流形。在外部輸入的驅(qū)動下，吸引子沿流形發(fā)生相應移動，響應外部輸入。

連 續(xù) 型 ANN(Continuous Attractor Neural Network, CANN)動力學方程一般形式為

wEI·u(t)+Xi(t)]+

(1)

(a) 吸引子神經(jīng)網(wǎng)絡拓撲

(b) 吸引子流形圖2 吸引子神經(jīng)網(wǎng)絡拓撲結(jié)構與吸引子流形Fig.2 The attractor manifold and the topological structure of attractor neural network

CANN常用吸引子來編碼表征運動方向、空間方位和位置等連續(xù)性信息。由于CANN通過大量神經(jīng)元集群放電活動來表征編碼信息，使得CANN對外部輸入信息具有較強的魯棒性，僅當外部輸入信息能光滑、連續(xù)驅(qū)動編碼信息時，即吸引子嚴格沿流形連續(xù)移動時，外部輸入才能驅(qū)動吸引子移動完成信息的編碼更新。如圖3所示，CANN處理輸入信息時，具有以下顯著魯棒性：1)抵抗隨機噪聲；2)抵抗常值漂移；3)抵抗野值；4)自動加權融合多種輸入。CANN上述特性，與導航細胞集群編碼表征動物的導航參數(shù)特征尤為切合，是對大腦進行空間認知、導航和記憶等高級活動建模的常用模型[18]。

(a) 抵抗隨機噪聲

(b) 抵抗常值漂移

(c) 抵抗野值

(d) 自動加權融合多種輸入圖3 吸引子神經(jīng)網(wǎng)絡特性Fig.3 The performance of attractor neural network

3 吸引子神經(jīng)網(wǎng)絡類腦導航技術

借鑒動物大腦導航機理，基于ANN的類腦導航主要包括3個過程：以網(wǎng)格細胞為核心的路徑積分，以位置細胞為核心的信標定位，以及融合路徑積分和信標定位的認知地圖構建，如圖4所示。

圖4 吸引子神經(jīng)網(wǎng)絡類腦導航工作流程Fig.4 Workflow of attractor neural network-based brain-inspired navigation

3.1 路徑積分

雖然路徑積分存在累積誤差，需要外部信標的及時校正，但過多依賴外部實時校正的路徑積分算法是無意義的，需要發(fā)展接近動物能維持幾分鐘高精度的路徑積分模型，代表性的模型是Burak等提出的CANN精確路徑積分模型[19]。該模型當前仍處于大量研究和應用階段[9,20-22]，其基于放電率編碼的網(wǎng)格細胞神經(jīng)動力學方程為

(2)

(3)

其中，a為興奮與抑制性連接比例調(diào)控因子，γ=1.05β，β=3λ-2，a與λ決定了網(wǎng)格細胞放電模式尺度，Bi為向網(wǎng)格細胞i注入的耦合速度與方位信息的前饋興奮性輸入，由式(4)確定

(4)

上述精確路徑積分模型實驗結(jié)果如圖5所示。其中圖5(a)為128×128個網(wǎng)格細胞集群放電圖；圖5(b)為其中一個網(wǎng)格細胞的空間放電樣式。

(a)網(wǎng)格細胞集群活動

(b)某個網(wǎng)格細胞周期性網(wǎng)格放電模式圖5 基于CANN的網(wǎng)格細胞精確路徑積分Fig.5 Accurate path integration in CANN of grid cells

從圖5中可以看出，在長時間的路徑積分中，其放電樣式呈六邊形且覆蓋整個空間，說明了網(wǎng)格細胞路徑積分過程中的誤差累積小于半個周期的相位誤差，不足以破壞網(wǎng)格細胞的放電特性，說明了計算模型的有效性與準確性。進一步，該模型基于采集的大鼠運動速度和方位輸入，實現(xiàn)了260m/20min誤差不超過15cm的網(wǎng)格放電模式，接近大鼠的路徑積分精度[19]。該CANN模型的輸入為自運動信息(速度與方位)，這些信息可經(jīng)過頭朝向細胞、速度細胞[23]和條紋細胞[24]計算模型輸入到CANN模型，進一步提高了路徑積分精度。

基于網(wǎng)格細胞的CANN模型在執(zhí)行路徑積分的過程中重現(xiàn)了網(wǎng)格細胞較為精確的空間網(wǎng)格放電樣式，但這種放電樣式相對實際空間位置為周期重復性放電，在表征實際空間位置時具有很大的歧義性，無法根據(jù)網(wǎng)格放電樣式直接確定物理位置信息以及進一步用于構建認知地圖。

為實現(xiàn)基于CANN網(wǎng)格放電樣式解算位置信息，如圖6所示，當前主要有三種方案：1) 多尺度網(wǎng)格細胞聯(lián)合生成位置細胞[9]；2) 網(wǎng)格細胞多尺度融合定位[20]；3) 同尺度網(wǎng)格細胞集群放電模式里程計定位[21]。

(a) 多尺度網(wǎng)格細胞聯(lián)合生成位置細胞

(b) 網(wǎng)格細胞多尺度融合定位

(c) 同尺度網(wǎng)格細胞集群放電模式里程計定位圖6 基于網(wǎng)格細胞路徑積分的位置解算方法Fig.6 Position solution derived from grid cell-based path integration

1)多尺度網(wǎng)格細胞聯(lián)合生成位置細胞

如圖6(a)所示，為確保多尺度網(wǎng)格細胞周期性放電活動生成單一位置細胞放電模式，主要通過競爭學習實現(xiàn)，如式(5)所示

(5)

2)網(wǎng)格細胞多尺度融合定位

大腦中的網(wǎng)格細胞呈離散模塊化分布，每一模塊中存在大量網(wǎng)格細胞，這些網(wǎng)格細胞放電野尺度相同(正六邊形間距)；不同模塊網(wǎng)格細胞放電野尺度呈指數(shù)級增長，能夠?qū)崿F(xiàn)對位置信息不同層級分辨率的編碼表征[25]；這些網(wǎng)格細胞一同工作，映射環(huán)境中每個位置；任何特定位置都能被表示為一種獨特的多尺度網(wǎng)格細胞激發(fā)放電模式組合，不同尺度放電重疊的信息點即為載體當前位置，如圖6(b)所示。

3)同尺度網(wǎng)格細胞集群放電模式里程計定位

同一模塊中含有大量同尺度、同朝向、不同相位的網(wǎng)格細胞，將這些網(wǎng)格細胞按一定邏輯規(guī)則排列，載體運動速度會驅(qū)動這些網(wǎng)格細胞集群放電模式的運動，模式運動的方向和速率與載體實際運動呈線性關系，如圖6(c)所示。通過對該集群放電模式運動方向和距離的解碼，即可解算載體的位移信息，構造里程計實時遞推計算位置。

3.2 信標校正與認知地圖構建

路徑積分可以使運動載體在環(huán)境中產(chǎn)生相對某一特定物理位置的唯一的激活放電以表征特定位置信息，為載體運動提供空間坐標系[26]；運動中，當遇到信標信息時，載體將信標信息轉(zhuǎn)化為信標位置細胞，并將生成的信標位置細胞和路徑積分提供的空間坐標關聯(lián)記憶和存儲，完成認知地圖的構建，實現(xiàn)了對環(huán)境事物之間空間關系、邏輯關系以及時間關系的綜合表征。但隨著運行距離的不斷增大，路徑積分提供的空間坐標系不可避免地存在累積誤差，需要環(huán)境信標的校正，如圖7所示。

圖7 認知地圖構建Fig.7 Construction of cognitive map

信標主要有圖像類、無線電類以及環(huán)境中其他能提供位置參考的信息源[27]，如圖8所示。信標校正的方式主要有：信標信息生成的位置細胞放電和重置路徑積分產(chǎn)生的位置細胞放電[28]；視覺位置細胞回環(huán)檢測[24]；對路徑積分產(chǎn)生的位置細胞放電率和視覺信標位置細胞放電率加權融合，生成綜合位置細胞放電[29]等。

圖8 多源信標位置細胞Fig.8 Multi-source beacon-based place cell

信標校正后的位置細胞認知地圖可以通過位置細胞之間的連接權值關系實現(xiàn)對環(huán)境事物之間空間關系、邏輯關系以及時間關系的準確綜合表征，權值的大小表征這些關系的緊密程度[22]，進而可以基于認知地圖完成空間認知和導航任務。

4 吸引子類腦導航技術分析

基于ANN的類腦導航不依賴精確建模導航模型，不依賴高精度傳感器，無需訓練模型參數(shù)，表現(xiàn)出了較高的模型適用性及導航魯棒性，這些特性與非結(jié)構或未知環(huán)境下的無人機自主導航與定位的需求較為切合。然而，當前基于ANN的類腦導航模型，主要對大腦海馬-內(nèi)嗅皮層神經(jīng)回路中所發(fā)現(xiàn)的部分導航細胞的部分作用機理進行編碼和功能性模擬。因此，暫時還無法從系統(tǒng)層面模擬大腦導航機制，應用于無人機自主導航中還存在一些挑戰(zhàn)。當前研究人員通過提高模型的高效性、準確性、實時性、完備性，以及并行編碼多信息等途徑進一步提高了模型性能。

吸引子編碼的高效性。將運動方向和位置分別用頭朝向細胞和位置細胞表征，這種方向和位置分開表示的方法，本質(zhì)上并不適合工程中類似無人機這種在大面積、不確定性環(huán)境中進行路徑積分。針對上述難題，RatSLAM類腦導航模型將頭朝向細胞和位置細胞的功能綜合在一起，提出了一種虛擬的位姿細胞，通過在競爭CANN模型中的活動來表達機器人的位置和方向三維信息，位姿細胞的激活程度表示載體在這個位置和方向的概率，實現(xiàn)了大范圍空間的路徑積分；路徑積分的輸入為視覺、陀螺儀等傳感器提供的方位信息，以及視覺、光電里程計等提供的速度信息；進一步通過視覺等信標信息進行回環(huán)檢測及重置，即可實現(xiàn)認知地圖的構建。該CANN位姿細胞路徑積分模型基于平板電腦攝像頭采集的視覺信息，經(jīng)過傳統(tǒng)視覺里程計技術(scanline intensity profile)計算提供的自運動(速度和方位)以及視覺信標信息，經(jīng)過了66km城市級的車載測試驗證[8]，證明了其具有較好的環(huán)境魯棒性；基于嵌入式攝像頭和傳統(tǒng)視覺里程計算法提供的方位信息、光電里程計提供的速度信息以及視覺信標信息，實現(xiàn)了室內(nèi)機器人連續(xù)運行2周的導航測試[30]，具有較好的穩(wěn)定性；在井下挖煤機視覺自主定位中具有惡略環(huán)境適應性強、不依賴高精度昂貴視覺傳感器等應用潛力[31]。

吸引子表達信息的精確性。ANN路徑積分提供的位置信息，或是基于信標信息位置細胞提供的位置信息，主要通過載體進入某個物理環(huán)境區(qū)域(放電野)，引起特定位置細胞放電進而基于該位置細胞表征的物理位置進行定位。放電野為一個區(qū)域范圍而非一個點，位置細胞表征的位置信息實則代表了某個區(qū)域。實際上動物在經(jīng)過某一導航細胞放電野的過程中會引起導航細胞放電相位進動。相位進動刻畫了導航細胞經(jīng)過放電野不同位置的放電脈沖細節(jié)[32]，將相位進動引入ANN，是進一步提高吸引子表征信息精確性的一條有效途徑[33]。

吸引子更新的實時性。上述基于ANN的類腦導航模型，源于大量導航細胞神經(jīng)網(wǎng)絡的集體放電模式行為，而非基于單個導航細胞放電率的求解。此外，這些集體放電模式行為，即吸引子，被限制在一個穩(wěn)定狀態(tài)的低維連續(xù)流形中，在流形中的位置根據(jù)載體的角(線)運動而更新，從而實現(xiàn)了導航參數(shù)的移動和更新。因此，如何確保吸引子快速響應[34]無人機運動，是實現(xiàn)類腦導航模型實時性的前提和基礎。

吸引子編碼導航細胞的完備性。當前的吸引子類腦導航模型主要編碼表征了網(wǎng)格細胞、位置細胞等少數(shù)幾種典型導航細胞，雖然表現(xiàn)出了較好的模型適用性[19]，但未能從系統(tǒng)層面全面編碼表征第1節(jié)中已發(fā)現(xiàn)的或其他更多未知種類的導航細胞，吸引子編碼導航細胞的完備性還有待進一步研究和提高。而基于深度循環(huán)神經(jīng)網(wǎng)絡訓練的以自運動信息(速度和方位)為輸入的導航模型，發(fā)現(xiàn)了與網(wǎng)格細胞、位置細胞、邊界細胞、速度細胞等多種導航細胞類似的深度循環(huán)神經(jīng)網(wǎng)絡隱含節(jié)點[4,35]。因此，如何結(jié)合深度學習的黑箱建模特性完善ANN類腦導航模型是提高吸引子編碼導航細胞完備性的一條新途徑。

吸引子的并行多信息編碼。動物進行導航任務時利用了包括地理空間信息在內(nèi)的多種導航信息[36]，而當前吸引子類腦導航模型主要對導航細胞處理的地理類導航信息進行編碼和功能性模擬。事實上，位置細胞-網(wǎng)格細胞回路在編碼地理位置信息的同時，還編碼了記憶聲音頻率、物體形狀及其他抽象任務特征空間[37]，這些信息對導航任務同樣較為重要。因此，如何通過共用位置細胞-網(wǎng)格細胞回路，對多種導航信息并行編碼是進一步從更深層次模擬動物大腦導航的重要途徑。

5 總結(jié)

當前，隨著腦與神經(jīng)科學以及人工智能技術的進步，基于ANN的類腦導航技術得到了廣泛關注和大量研究，部分模型算法進行了大范圍物理環(huán)境硬件測試，表現(xiàn)出了無需訓練模型參數(shù)，不依賴高精度傳感器，惡劣環(huán)境(暗光強光、粉塵等)下適應性強，無需精確導航模型等優(yōu)勢，這些與無人機在非結(jié)構化或未知復雜環(huán)境下對導航能力的高可靠性要求有著緊密的契合，是解決無人機SLAM現(xiàn)有問題的一條較好途徑。但現(xiàn)在吸引子類腦導航技術還未能從系統(tǒng)層面借鑒和模擬動物(人)的大腦導航機制，因此如何進一步提高ANN類腦導航模型的高效性、準確性、實時性、完備性以及并行編碼多信息的能力，從更深層次模擬大腦導航機制，是后續(xù)研究的重點，也是實現(xiàn)非結(jié)構化或未知環(huán)境下無人機真正自主智能導航的關鍵。