15、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. 概念对应关系

在移动机器人定位的研究中，存在一些关键概念的对应关系，这些对应关系有助于我们理解系统的工作原理。具体如下：
| 对应关系 | 详细说明 |
| — | — |
| 微柱 ⇔ 特征检测器 | 特征检测器用于提取一个位置的独特属性，以识别该位置。在视觉定位中，可能是整体卷积神经网络（CNN）描述符或一组尺度不变特征变换（SIFT）关键点。在层级时间记忆（HTM）中，传感器数据被编码为稀疏分布式表示（SDR）。当输入SDR与微柱的采样连接有高度重叠时，微柱被激活，这类似于检测特定的CNN或SIFT描述符。 |
| 细胞 ⇔ 具有特定特征的位置 | 活跃微柱中的不同细胞代表世界中显示该特征的位置。微柱中的所有细胞都可能被相同的当前SDR输入激活，但处于不同的上下文。例如，在整体图像描述符的输入SDR编码示例中，上下文是先前看到的图像编码序列；在局部特征示例中，上下文是局部特征序列。 |
| 微柱集 ⇔ 集成分类器 | 多个微柱的信息组合与集成分类器有相似之处。每个微柱感知输入SDR的不同信息，并有一组单独的预测侧向连接。最终的获胜细胞集结合了所有微柱的信息。使用重叠度量（本质上是二进制点积）评估这个稀疏结果向量，相当于收集所有获胜细胞的投票。微柱集与装袋分类器有一些共同属性，但微柱集不通过重采样创建训练数据子集，而是使用输入维度的子集。 |
| 上下文段 ⇔ 到达一个位置的路径 | 不同的上下文段对应于到达同一位置的不同路径。在神经生理模型中，每个细胞有多个侧向上下文段，每个段代表该细胞激活之前的特定上下文。由于数据库中的每个位置由不同微柱中的一组细胞表示，不同的段对应于到达该位置的不同路径。如果其中一个段活跃，