基于興趣傾向機制的仿生SLAM算法

陳孟元 張玉坤 田德紅 丁陵梅

①(安徽工程大學(xué)電氣工程學(xué)院 蕪湖 241000)

②(高端裝備先進感知與智能控制教育部重點實驗室 蕪湖 241000)

1 引言

同時定位與地圖創(chuàng)建(Simultaneous Location And Mapping, SLAM)是指在沒有環(huán)境先驗信息的情況下，使用自身攜帶的多種傳感器采集環(huán)境信息，于運動過程中建立環(huán)境模型，并同時估計機器人自身運動。但SLAM存在計算量較大、復(fù)雜度較高等問題，SLAM的智能化水平相比于動物的導(dǎo)航能力較低。為此開發(fā)和研究新的SLAM算法，特別是借鑒鼠腦海馬認(rèn)知機理的方法，是近年來移動機器人SLAM領(lǐng)域的一個研究方向和重點[1–3]。

神經(jīng)學(xué)家研究發(fā)現(xiàn)動物大腦中的海馬體在導(dǎo)航中起著關(guān)鍵作用，海馬體能夠?qū)崿F(xiàn)“空間認(rèn)知地圖”的構(gòu)建，并在路徑整合中發(fā)揮重要作用[4,5]。文獻[6]表明哺乳動物海馬體內(nèi)的位置細(xì)胞和內(nèi)嗅皮層的網(wǎng)格細(xì)胞能夠?qū)Νh(huán)境形成類似地圖的空間表示，并把這種空間表示稱為一種能夠表示拓?fù)潢P(guān)系的認(rèn)知地圖。Hafting 等人[7]確定了路徑整合器在大腦結(jié)構(gòu)中的具體位置，其有力證據(jù)是在腦背側(cè)內(nèi)嗅皮層中發(fā)現(xiàn)一種在空間特定位置具有放電特性的網(wǎng)格細(xì)胞，當(dāng)動物到達特定的位置點時該細(xì)胞總是被激活。Doeller等人[8]發(fā)表在Nature上的文章中也證實了人腦中網(wǎng)格細(xì)胞的存在。研究者認(rèn)為網(wǎng)格細(xì)胞是動物空間導(dǎo)航的重要組成部分，近年來經(jīng)過大量動物導(dǎo)航相關(guān)實驗的研究，發(fā)現(xiàn)哺乳動物大腦海馬中，參與構(gòu)建“空間認(rèn)知地圖”相關(guān)性的細(xì)胞除了網(wǎng)格細(xì)胞外還有位置細(xì)胞[9]、邊界細(xì)胞[10]、條紋細(xì)胞[11]等。研究人員根據(jù)這些細(xì)胞的特性設(shè)計多種數(shù)學(xué)模型，Barry等人[12]根據(jù)網(wǎng)格細(xì)胞的六邊形放電結(jié)構(gòu)提出振蕩干涉模型對網(wǎng)格細(xì)胞進行建模，對速度信息和方向信息進行整合來獲取大鼠在環(huán)境中的位置信息。但是缺乏生理學(xué)依據(jù)。Hardcastle等人[13]發(fā)現(xiàn)在不同的幾何環(huán)境下網(wǎng)格細(xì)胞的分布規(guī)律會發(fā)生變化，在實驗中將圓形環(huán)境換成六邊形環(huán)境時網(wǎng)格細(xì)胞分布會重新排列且定位精度也發(fā)生了較大的變化。Jayakumar等人[14]針對不規(guī)則復(fù)雜環(huán)境場景對網(wǎng)格細(xì)胞分布的影響，引入邊界信息對網(wǎng)格野相位進行周期性重置，提高了算法的定位精度。

隨著學(xué)者探究發(fā)現(xiàn)，大鼠在進行導(dǎo)航時不僅僅依靠位置感知模型，還涉及外界的視覺線索，為了將視覺線索與海馬體計算模型相融合，文獻[15]借鑒靈長類動物大腦的一些特性，提取視覺信息并采用模糊自適應(yīng)共振理論模型建立視覺記憶，實現(xiàn)對環(huán)境的認(rèn)知與表征，但該模型沒有考慮眾多神經(jīng)元細(xì)胞之間的聯(lián)系，魯棒性較差。Milford等人[16]提出基于鼠類定位與構(gòu)圖的導(dǎo)航算法(Rat Simultaneous Location and Mapping, RatSLAM)，算法利用不同類型的定位細(xì)胞功能來完成空間導(dǎo)航任務(wù)。然而此算法實時性較低且受光照影響較大。文獻[17]為了提高RatSLAM 算法實時性將FAB-MAP算法融入到RatSLAM中，改進后的算法采用了視覺詞袋模型來進行閉環(huán)檢測提高了系統(tǒng)在復(fù)雜環(huán)境中導(dǎo)航的實時性。Hou等人[18]為了解決光照對環(huán)境的影響通過PlaceCNN網(wǎng)絡(luò)提取圖像的顯著性區(qū)域進行閉環(huán)檢測，在復(fù)雜的光照情況下取得了較好的效果。李維鵬等人[19]針對閉環(huán)路徑不一致、閉環(huán)視角較大等問題，提出基于場景顯著性區(qū)域的閉環(huán)框架，提高了算法對歧義場景的分辨能力。

傳統(tǒng)的顯著性區(qū)域提取方法存在提取的冗余信息過多，影響閉環(huán)效率。基于此，本文提出一種基于興趣傾向機制的仿生SLAM算法。利用LAHN構(gòu)建與海馬認(rèn)知機理有關(guān)的位置感知模型。與此同時，在相似性場景匹配時通過興趣傾向機制將提取出來的顯著性區(qū)域進行興趣賦值，減小冗余信息帶來的影響。并引入關(guān)鍵幀評分策略避免了模糊關(guān)鍵幀，提高了算法閉環(huán)的準(zhǔn)確率。將環(huán)境感知模型提取的視覺信息與位置感知模型競爭出來的位置細(xì)胞相融合，建立具有拓?fù)潢P(guān)系的認(rèn)知地圖，認(rèn)知地圖的構(gòu)建過程如圖1所示。

圖1 認(rèn)知地圖構(gòu)建

2 位置感知模型

在哺乳動物的海馬體中存在許多相互關(guān)聯(lián)的神經(jīng)元，這些神經(jīng)元是大腦學(xué)習(xí)、形成場景記憶以及執(zhí)行空間導(dǎo)航的關(guān)鍵中樞，位置細(xì)胞和網(wǎng)格細(xì)胞等定位細(xì)胞均被證實存在于大腦海馬體中，其中位置細(xì)胞放電活動具有明顯的位置選擇性，與所處的位置信息有密切的關(guān)系，這種特異性放電活動能夠幫助動物判斷自身所處環(huán)境中的位置。當(dāng)生物在2維空間自由活動時，網(wǎng)格細(xì)胞在特定的位置發(fā)生重復(fù)性的放電，其放電活動具有高度的穩(wěn)定性，多個放電空間交叉疊加形成網(wǎng)格節(jié)點，連接網(wǎng)格節(jié)點便形成一個近似六邊形的網(wǎng)格結(jié)構(gòu)，覆蓋整個環(huán)境空間，基于這種六邊形網(wǎng)格結(jié)構(gòu)，生物自由運動到網(wǎng)格節(jié)點時，相應(yīng)的網(wǎng)格細(xì)胞會產(chǎn)生最大化放電活動，表明網(wǎng)格細(xì)胞相當(dāng)于一個坐標(biāo)系，度量生物的位置坐標(biāo)[20]。

2.1 網(wǎng)格細(xì)胞路徑整合模型

LAHN是一個無監(jiān)督神經(jīng)網(wǎng)絡(luò)，從輸入信息中提取最佳特征，當(dāng)輸入信息受到外界環(huán)境的限制時，可以通過網(wǎng)絡(luò)的橫向連接調(diào)整輸出信息，能夠針對環(huán)境的變化進行實時更新。考慮到不規(guī)則復(fù)雜環(huán)境場景對網(wǎng)格細(xì)胞分布規(guī)律的影響，本文采用LAHN對網(wǎng)格細(xì)胞進行建模。機器人勻速在二維平面上進行自由探索，以相同的概率到達平面內(nèi)的任意一點，通過編碼器獲取瞬時角速度，將獲取的瞬時角速度信息經(jīng)過自組織映射算法對其進行訓(xùn)練，映射到LAHN層，為機器人在探索環(huán)境時的網(wǎng)格細(xì)胞提供運動方向信息，方向編碼的更新規(guī)則如式(1)所示。

其中，κ為網(wǎng)格細(xì)胞空間尺度參數(shù)，v為機器人當(dāng)前速度，μ為網(wǎng)格細(xì)胞放電幅值抑制常數(shù)，決定網(wǎng)格細(xì)胞放電率幅值，本文取值為1。χijnh的值為負(fù)數(shù)，為第j個網(wǎng)格細(xì)胞的抑制水平。χejxc的值為正數(shù)，為第j個網(wǎng)格細(xì)胞的興奮水平。Rp為t時刻網(wǎng)格細(xì)胞放電率調(diào)節(jié)因子，根據(jù)邊界信息調(diào)整網(wǎng)格細(xì)胞興奮值，Xp為當(dāng)前機器人的位置信息，Xw為正前方的邊界位置信息。

LAHN激活函數(shù)采用雙極性激活函數(shù)，激活函數(shù)取值范圍[?1,1]，當(dāng)激活函數(shù)的輸入與輸出同號時，加大網(wǎng)絡(luò)連接權(quán)重，否則，降低網(wǎng)絡(luò)連接權(quán)重，網(wǎng)絡(luò)輸出值即為網(wǎng)格細(xì)胞響應(yīng)值，其LAHN輸出值如式(5)所示。

其中，qij是前向通道權(quán)值，wik是橫向通道權(quán)值，ξk(t ?1)為前一時刻的網(wǎng)格細(xì)胞響應(yīng)值，m為在LAHN層中的神經(jīng)元總數(shù)，n為網(wǎng)格細(xì)胞個數(shù)。

前向通道權(quán)值和橫向通道權(quán)值更新規(guī)則如式(6)、式(7)所示。

其中，ηF和ηL本文取值0.9，分別是前向?qū)W習(xí)率和橫向?qū)W習(xí)率。通過在環(huán)境中的探索與學(xué)習(xí)，更新后的突觸權(quán)重呈六邊形周期分布。得到穩(wěn)定的網(wǎng)格細(xì)胞放電場。為了使突觸權(quán)重產(chǎn)生周期性的空間分布，對權(quán)重更新進行非線性限制，分別設(shè)置權(quán)重的上邊界和下邊界，當(dāng)所有突觸的任一權(quán)重超出上邊界或下邊界之間的范圍時，通過競爭對所有突觸的權(quán)重等比例縮放，使得所有的突觸權(quán)重在上邊界和下邊界之間。

圖2(a)、圖2(b)是分別在正方形和六邊形環(huán)境中探索600s后生成的網(wǎng)格細(xì)胞分布圖。因為探索時間過短，網(wǎng)格細(xì)胞分布規(guī)律較混亂。圖2(c)、圖2(d)是分別在正方形和六邊形環(huán)境中探索1000 s之后生成的網(wǎng)格細(xì)胞分布圖。探索時間充足，對環(huán)境場景更加熟悉，網(wǎng)格細(xì)胞分布均勻，能夠較好地表征環(huán)境位置信息。

圖2 網(wǎng)格細(xì)胞分布圖

2.2 位置細(xì)胞模型

本文將網(wǎng)格細(xì)胞群的響應(yīng)作為競爭神經(jīng)網(wǎng)絡(luò)的輸入，通過競爭型神經(jīng)網(wǎng)絡(luò)對位置細(xì)胞進行建模，其位置細(xì)胞輸出響應(yīng)為如式(8)所示。

其中，σ為放電率調(diào)整參數(shù)，xi為第i個位置細(xì)胞的參考位置。

3 環(huán)境感知模型

僅依靠鼠腦海馬模型的內(nèi)部路徑整合功能進行導(dǎo)航，易受復(fù)雜環(huán)境因素影響而導(dǎo)致定位精度較差。本文引入外界視覺線索來修正路徑整合帶來的誤差。機器人在自由探索環(huán)境時，將傳感器采集環(huán)境中的圖像信息與發(fā)生特異性響應(yīng)的位置細(xì)胞進行關(guān)聯(lián)，獲取此時的位置信息。當(dāng)機器人在環(huán)境中漫游發(fā)現(xiàn)熟悉場景時，使用該圖像之前關(guān)聯(lián)的位置信息修正當(dāng)前位置信息。

3.1 視覺感知模板

視覺感知模板是可擴展的單元陣列，每個單元代表環(huán)境中獨特的視覺場景，當(dāng)機器人看到新的場景時，會創(chuàng)建新的視覺感知模板來記錄該場景中的特征信息，并依據(jù)式(10)將視覺感知模板與同時發(fā)生特異性響應(yīng)的位置細(xì)胞信息相關(guān)聯(lián)[21]。

其中，φ取值0.8，為一個連接y強度常數(shù)，決定視覺信息對位置細(xì)胞活動的影響，δi為位置細(xì)胞與圖像特征之間的連接矩陣，Vi為當(dāng)前位置細(xì)胞對應(yīng)的圖像特征。

為了避免機器人在運動過程中因速度變化或者轉(zhuǎn)彎處相機抖動導(dǎo)致采集的圖像信息模糊，本文提出一種關(guān)鍵幀選取策略防止選取的關(guān)鍵幀中出現(xiàn)模糊幀圖像，并將選取的關(guān)鍵幀與視覺感知模板相關(guān)聯(lián)[22,23]。通過距離閾值和角度閾值選取預(yù)選關(guān)鍵幀，采用Tenengrad函數(shù)對預(yù)選關(guān)鍵幀進行清晰度評分，評分規(guī)則如式(11)所示。

其中，?(t)為 第t幀圖像的模糊評分值，ψt值為1時將預(yù)選關(guān)鍵幀設(shè)置為真正的關(guān)鍵幀，ψt值為0時將預(yù)選關(guān)鍵幀舍棄并將前一幀普通幀圖像即t–1幀圖像設(shè)置為預(yù)選關(guān)鍵幀，如果此預(yù)選關(guān)鍵幀滿足評分要求，則將此幀圖像設(shè)置為關(guān)鍵幀。

3.2 融合自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)

當(dāng)人類觀察某一場景時，往往會將注意力集中場景中的某些顯著性區(qū)域部分，這些顯著性區(qū)域部分往往也是從場景獲取信息的關(guān)鍵，這些信息對于認(rèn)知這一場景有著很強的指引作用，而自注意力機制就是一種模仿這一認(rèn)知過程的特殊機制。

自注意力機制雖然提取出感知模板中的顯著性區(qū)域，但會提取過多的冗余信息，使得在模板匹配時增大了負(fù)重。本文算法將提取出的顯著性區(qū)域進行興趣賦值，對提取出的顯著性區(qū)域進行約束。首先使用融合自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)來提取圖像信息中的顯著性區(qū)域，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，然后通過興趣傾向函數(shù)對提取的信息進行興趣賦值，最終輸出具有興趣值的顯著性區(qū)域。

圖3 融合自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

融合自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如表1所示，其核心是學(xué)習(xí)圖像中每個元素的重要性，將采集的圖像作為輸入，利用編碼器中的卷積與池化操作提取輸入圖片的特征信息，通過中間區(qū)將采集的圖像特征進行采樣輸出x∈Rc×n的特征張量，分別使用2個卷積核大小為1×1卷積網(wǎng)絡(luò)將特征張量映射到特征空間f和g中，映射方式如式(13)所示。

表1 融合自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

其中，Wf ∈RC′×N，Wg ∈RC′×N，為映射權(quán)重矩陣，通過張量相乘的得到f和g2個特征空間的相似性sij， 并計算j位 置與i位 置參數(shù)之間權(quán)重的比值βji，為了縮短收斂時間，對特征空間相似性sij進行歸一化處理：

其中，h為輸入信息x與權(quán)重矩陣Wh ∈RC×N的乘積。通過上采樣策略對輸出特征進行解碼，利用softmax函數(shù)來對解碼出的顯著性向量進行分類，其分類輸出結(jié)果如式(16)所示。通過興趣傾向函數(shù)對提取出來的顯著性區(qū)域進行興趣賦值，其興趣傾向函數(shù)如式(17)所示。

其中，lb代表顯著性區(qū)域向量所屬類別的標(biāo)簽，F(xiàn)c(·) 表 示全連接操作，s oftmax(·)表示分類函數(shù)，n為同一類別中的顯著性區(qū)域向量個數(shù)，同一類別內(nèi)出現(xiàn)的顯著性區(qū)域向量越少，其興趣值越大。將不同場景提取出來的顯著性區(qū)域向量通過余弦距離進行相似性度量，興趣值越大的顯著性區(qū)域在進行匹配時所占的權(quán)重值越高。

圖4(a)、圖4(b)分別為KITTI數(shù)據(jù)集的城市道路提取效果圖和鄉(xiāng)村道路提取效果圖。圖中方框中標(biāo)記的是圖像的顯著性區(qū)域，方框?qū)?yīng)的數(shù)值是當(dāng)前顯著性區(qū)域的興趣值。從圖4(a)、圖4(b)可以看出路燈在實驗場景中也是顯著性區(qū)域，但是對檢測是否來過這一場景作用很小，因此通過本文算法計算出的興趣值很低，對于一些具有標(biāo)志性的顯著性場景，例如路標(biāo)，具有標(biāo)志性的建筑物等對檢測是否來過此場景有著極其重要的作用，通過本文算法計算出的興趣值較高。從圖4(b)還可以看出由于紅綠燈這一顯著場景的興趣值較低，但是紅綠燈這一場景與路標(biāo)結(jié)合起來之后的興趣值比原來的路標(biāo)場景的值更高，這是因為路燈和路標(biāo)結(jié)合之后形成了一種更具有信息傳遞的標(biāo)志物。圖4(c)、圖4(d)為ORB特征提取效果圖，圖中可以看出提取的特征點出現(xiàn)大量重疊特征點，容易造成誤匹配，并且占用系統(tǒng)計算時間。

圖4 圖像特征提取示意圖

4 構(gòu)建認(rèn)知地圖

根據(jù)細(xì)胞路徑積分獲取的位置信息與視覺感知模板相關(guān)聯(lián)，建立具有拓?fù)湫畔⒌恼J(rèn)知節(jié)點，構(gòu)建半拓?fù)湔J(rèn)知地圖，為載體運動提供空間坐標(biāo)系。每一個具有拓?fù)潢P(guān)系的認(rèn)知節(jié)點e包含了位置細(xì)胞的放電率p，與位置細(xì)胞相關(guān)聯(lián)的視覺模板V以及認(rèn)知節(jié)點之間的拓?fù)潢P(guān)系L，單個認(rèn)知節(jié)點定義為

設(shè)定認(rèn)知閾值為Gth，將當(dāng)前位置認(rèn)知點與已存在的認(rèn)知點進行位置比較，得到一個位置度量G。

當(dāng)認(rèn)知節(jié)點的位置信息的運動量超過閾值或者當(dāng)發(fā)現(xiàn)新的視覺場景時，地圖上將會創(chuàng)建一個新的認(rèn)知節(jié)點，新的認(rèn)知節(jié)點表示為

其中， ?L為上一個認(rèn)知節(jié)點的間距。當(dāng)視覺模板檢測到回到以前場景時，為了確保地圖構(gòu)建的準(zhǔn)確性，采用時間一致性和幾何一致性來進行閉環(huán)驗證，當(dāng)驗證成功時將在閉環(huán)處對所有的經(jīng)驗進行更新。

其中，ρ取值0.6，為認(rèn)知速度常量，決定移動機器人對環(huán)境的學(xué)習(xí)速度。Nf為認(rèn)知地圖當(dāng)前認(rèn)知節(jié)點ei與其他節(jié)點的連接數(shù)量，Nt為其他認(rèn)知節(jié)點與當(dāng)前節(jié)點ei的連接數(shù)量。

5 實驗結(jié)果與分析

本文運行程序電腦配置：CPU為i5處理器，內(nèi)存8 GB，主頻2.9 GHz，系統(tǒng)為Ubuntu18.04。使用公開的TUM, KITTI數(shù)據(jù)集和真實環(huán)境對本文算法進行驗證。

5.1 公開的TUM數(shù)據(jù)集評估

為了驗證本文算法的有效性，使用在室內(nèi)環(huán)境采集的TUM數(shù)據(jù)集對本文算法進行評估，圖5為本文算法、RatSLAM和ORB-SLAM算法的軌跡對比圖。表2為3種算法在TUM數(shù)據(jù)集上運行時獲取的對比數(shù)據(jù)。由圖5可知本文算法獲取的軌跡圖更加接近真實軌跡。通過表3可得，在閉環(huán)準(zhǔn)確率方面，本文算法與RatSLAM算法相比提高了約18.4%。這是由于本文算法提出的關(guān)鍵幀選取策略剔除了關(guān)鍵幀中的模糊幀圖像，提高了本文算法閉環(huán)檢測的準(zhǔn)確率。在單幀圖像處理時間方面，本文算法略高于ORB-SLAM，這是由于本文算法在剔除模糊幀圖像時占用了一定的時間，但本文算法的單幀處理時間與RatSLAM相比有較大改善，縮減了約26.7%。在定位精度方面，本文算法的軌跡均方根誤差與ORB-SLAM相比減少了約21.5%，與RatSLAM算法相比減少了約35.0%，這是由于本文算法通過不規(guī)則復(fù)雜環(huán)境邊界信息對網(wǎng)格細(xì)胞進行校正提高了算法的定位精度。由此可見本文算法在閉環(huán)的準(zhǔn)確率和定位精度方面與ORB-SLAM和RatSLAM相比有較大優(yōu)勢。

表2 各算法在TUM數(shù)據(jù)集上的結(jié)果對比

表3 各算法在KITTI數(shù)據(jù)集上的結(jié)果對比

圖5 TUM部分序列軌跡對比圖

5.2 公開的KITTI數(shù)據(jù)集評估

為了進一步驗證本文算法的有效性，使用在室外環(huán)境下采集的KITTI數(shù)據(jù)集對本文算法進行評估。如圖6所示，圖6(a)、圖6(d)、圖6(g)為未進行位置細(xì)胞修正的軌跡圖，可見3個序列上的軌跡均存在明顯的漂移。圖6(b)、圖6(e)、圖6(h)中紅色線條連接的部分是發(fā)生閉環(huán)的場景。圖6(c)、圖6(f)、圖6(i)是本文算法經(jīng)過位置細(xì)胞修正之后的軌跡圖，并與RatSLAM和ORB-SLAM算法進行對比，可見本文經(jīng)過位置細(xì)胞修正的軌跡圖更接近于真實軌跡。在KITTI數(shù)據(jù)集不同序列下對比本文算法、RatSLAM和ORB-SLAM三者的位姿誤差，相對平移誤差(m)、相對旋轉(zhuǎn)誤差(°)和單幀圖像處理時間 (ms)如表3所示，在00, 02, 05和06序列本文算法在相對平移誤差和相對旋轉(zhuǎn)誤差與O R B-S L A M,RatSLAM相比有較大優(yōu)勢，因為本文算法通過興趣傾向函數(shù)篩選掉冗余的顯著性區(qū)域，提高了閉環(huán)的準(zhǔn)確性。在01, 03和04序列與其他算法相比，提升沒有太大明顯，并且在這3個序列上本文算法、RatSLAM和ORB-SLAM三者的位姿誤差都相對較大，是因為在這3個序列上沒有閉環(huán)的路段，無法通過閉環(huán)修正漂移帶來的誤差。

圖6 KITTI部分序列軌跡對比圖

5.3 實際數(shù)據(jù)評估

本文實驗平臺是輪式移動機器人，其硬件平臺搭建如圖7(a)所示。實驗過程中主要參數(shù)設(shè)置如表4所示。選取學(xué)校會議室為室內(nèi)實驗場景，如圖7(b)所示，大小為5 m×7 m。圖7(c)為會議室場景的平面布局圖，其中虛線部分為會議桌，陰影部分為桌子、椅子等障礙物。a，b，c為機器人在實驗場景中的位置，移動機器人圍繞會議桌運動的過程中實時獲取圖像信息并處理。

圖7 硬件平臺及真實實驗環(huán)境場景

表4 主要參數(shù)設(shè)置

移動機器人從a點位置出發(fā)，圍繞會議桌做逆時針運動兩圈，最后回到a點位置。圖8(a)、圖8(d)、圖8(g)為里程計軌跡，圖8(b)、圖8(e)、圖8(h)則是本文算法的運行軌跡，圖8(c)、圖8(f)、圖8(i)為當(dāng)前時刻的位置細(xì)胞放電響應(yīng)圖。從圖中可以看出，當(dāng)?shù)竭_c點位置時，本文算法和里程計信息都存在漂移現(xiàn)象，但當(dāng)運行第2圈到b點位置時，本文算法檢測到是之前來到過的熟悉場景，開始對位置細(xì)胞進行重定位，并且修正之前的位置信息。通過運行完的軌跡線路來看，本文算法由于閉環(huán)實時校正，所得結(jié)果與真實路徑相似，而里程計信息出現(xiàn)了較大的偏差。圖9是本文算法和里程計在不同時刻下的相對平移誤差和相對旋轉(zhuǎn)誤差，從圖中可以看出本文算法在未進行位置細(xì)胞修正之前，誤差隨著時間的增加而增大，經(jīng)過熟悉場景時，本文算法開始修正當(dāng)前的位置信息，誤差逐漸減小且趨于穩(wěn)定狀態(tài)，而傳統(tǒng)的里程計沒有位置修正這一環(huán)節(jié)，所以隨著時間的增加，漂移誤差越來越大。

圖8 移動機器人路徑圖

圖9 視覺里程計與本文算法定位誤差對比圖

6 結(jié)束語

為了提高移動機器人在復(fù)雜環(huán)境中的定位精度和閉環(huán)準(zhǔn)確率，本文提出一種基于興趣傾向機制的仿生SLAM算法。本文所提算法具有以下優(yōu)點：(1)解決了不規(guī)則復(fù)雜環(huán)境場景對網(wǎng)格細(xì)胞分布的影響，使得移動機器人能夠應(yīng)用在復(fù)雜環(huán)境場景中進行實時定位與建圖。(2)引入關(guān)鍵幀評分策略解決了關(guān)鍵幀中出現(xiàn)模糊幀圖像問題。提高了閉環(huán)檢測的準(zhǔn)確率。(3)采用興趣傾向機制對提取的顯著性區(qū)域進行興趣賦值，減小冗余環(huán)境信息對閉環(huán)檢測環(huán)節(jié)產(chǎn)生的干擾。實驗結(jié)果表明移動機器人在漫游和導(dǎo)航的過程中能夠動態(tài)形成和更新認(rèn)知地圖。下一步將在本文研究的基礎(chǔ)上，融合IMU、激光雷達等較精確的傳感器提高機器人遇到動態(tài)障礙物的魯棒性，引入深度學(xué)習(xí)方法賦予機器人語義功能實現(xiàn)機器人自主導(dǎo)航等。