14、基于序列的移动机器人定位神经元模型

基于序列的移动机器人定位神经元模型

1. 引言

移动机器人定位是确定机器人相对于自身先前经验或外部参考系（如地图）的当前位置的任务。这对于任何想要执行有意义任务的机器人来说至关重要，是一个长期研究的问题。近年来，研究取得了快速进展，能够应对越来越具有挑战性的定位任务，例如在环境外观发生显著变化的情况下进行定位。

大多数情况下，机器人的位置变化是平滑的，因此一些成功的方法会利用观测的时间一致性。本文提出了一种受分层时间记忆（HTM）序列处理启发的定位方法。HTM 是人类新皮层工作原理的模型，其基本假设是新皮层各处应用单一的皮质学习算法，该算法的两个基本工作原理是从序列中学习以预测未来神经元激活以及使用稀疏分布式表示（SDRs）。

2. 序列信息对机器人定位的重要性

移动机器人定位包括不同任务，从识别已访问过的地点到同时创建未知区域的地图并在其中定位（即 SLAM）。前者被称为地点识别问题或闭环检测，解决该问题是解决完整 SLAM 问题的基础。

目前，在外观显著变化的环境中进行地点识别的研究有了进展，但仅基于单张图像进行定位决策存在局限性。利用序列信息的好处已被广泛认可：
- Milford 方法 ：2012 年，Milford 等人提出通过收集两次遍历环境时图像对的相似度矩阵，搜索矩阵中的高相似度线性段来进行地点识别。但该方法要求两次遍历的数据采集帧率相同，实际中常不满足。
- 扩展方法 ：包括允许非零加速度或使用图论的最大流公式在相似度矩阵中搜索最优路径等。
- SLAM 方法 ：创建地图的定位