审查的感受为基础的移动机器人导航系统研究自2000年起执行

文摘

为了更好地理解导航部分的大脑是如何工作的,可能创建更聪明和更可靠的导航系统,许多论文已经写在仿生系统的领域。介绍了先进的研究的文献调查进行自2000年以来在啮齿动物神经生物学和神经生理学基础导航系统的整合模型空间意识和导航的脑细胞。重点是探索认知地图的功能在这些移动机器人系统开发的路线规划,以及所需的计算复杂度规模的讨论/分析这些系统。

1。介绍

本文综述当前状态的移动机器人导航系统研究基于啮齿动物的专门的空间意识和导航的脑细胞。具体地说,这些细胞包括细胞、网状细胞,细胞边界,和头部方向细胞。使用一个基于生物神经系统的优点包括绩效奖励,可能在未来实现有关导航和智能系统,以及使用大脑的精确模型的好处,相关研究(1,2]。为人工智能的一个重大飞跃,机器将至少需要学习和思考人类的方式。这将需要计算元素的行为类似,和一样紧凑,附带的神经元和树突和轴突在人类的大脑。

虽然需要新的技术范式在人工智能,本文不建议或提出新方法,但轮廓的工作可能是一个道路这样的答案。最重要的神经生物学基础导航系统覆盖的属性类型的认知地图这些系统和它们是如何产生的,或可以用于路线规划。因此,综述文献的分析的焦点将集中在地图和路线规划这些基于生物神经系统的功能。

大多数论文回顾了这种系统在2000年或之前,如(3- - - - - -5]。然而,自2000年以来,许多进步发生在小型化的电子包装(摩尔定律),从而增加将更好的传感器和处理器的可行性和算法在移动机器人和更多的内存等等。此外,网格单元的发现2005年莫泽[6- - - - - -9增加了更多的洞察力如何啮齿动物导航。因此,本文填补这些差距需要正式审查基于最先进的生物神经导航系统从2000年开始研发。nonneurobiological(古典)移动机器人导航的一个好来源评论map-learning和路径规划策略可以发现在一篇由梅耶和Filliat 200310),以及许多书籍主题(例如,11])。

因此,这个调查所得的大纲如下:部分2讨论了同步定位和映射的基本知识(大满贯)的导航方法,以及一些基本问题困扰着每一个导航系统(基于神经生理学或不是);部分3简要回顾神经细胞的定义,本文将集中的中心;部分4涵盖了最先进的研究已经进行生物神经导航系统(只有那些已经意识到在工作,移动机器人原型系统)的批判认知地图开发路线规划算法在每个分段;部分5提供了一个全面的一般分析和讨论研究文献中执行;和部分6介绍了神经网络和地址可伸缩性的神经生理学特性在移动机器人平台。

2。一般的机器人导航背景

2.1。同时定位和地图

真正自主移动机器人,它需要能够操作和导航而无需人工干预,非特殊的工程环境。更具体地说,以下需要是真实的:一个移动机器人必须能够定位在一个未知的位置一个未知的环境,逐步建立环境地图,同时定位本身在这种环境下使用的派生的地图。这个过程被称为同步定位和映射(大满贯)[15- - - - - -18]。如[18),一个经典的基本部分系统里程碑式的提取,协会的数据,状态估计,状态更新和里程碑式的更新。当然,能够完成这些大满贯步骤系统需要的硬件,使用的代理与环境和交互(即与他们做决定。,sensors, actuators, processor, etc.), plus any filters and/or methods required to adequately perform these 5 tasks (e.g., sensor noise suppression, error correction algorithms). SLAM is not unique to just classical systems. It is accomplished, in some similar form, by rodents by use of their hippocampus [2,19- - - - - -21]。特殊神经细胞或脑细胞完成这个将在部分3。

2.2。基本的导航问题:传感器误差

有基本的问题困扰着每一个导航系统(感受)(25]。这些问题,主要路径整合相关,传播到映射和定位阶段,水平L0 L1图1。在基于神经生物学和神经生理学的导航系统,这也相当于病变引入海马和相关领域,缺乏allothetic刺激,或其他类似的老鼠有针对性的操作(9,23,26]。结果,因此,有一个负面影响整个导航系统的准确性。

任何导航系统充分工作,因此,对于移动机器人的传感器数据误差必须在一个可用保证金和被allothetic重置定期信息,无论是视觉,触觉,嗅觉,或者其他人。Idiothetic数据是最基本的机器人导航数据使用跟踪其运动和路径整合的基础(28- - - - - -30.]。固有的问题与任何地面机器人导航系统是移动机器人的测量精度对距离和方向(idiothetic数据),因为这些数据是用来推导出机器人的姿势。来源的古典和大多数的感受为基础的导航系统的测量误差来自获得的数据量距设备、惯性测量单元(imu),距离传感器,和其他位置/姿态测量系统(仅使用idiothetic刺激)。这些错误的来源分为两类,如[30.,31日),系统或nonsystematic。此外,随着时间的推移,这些错误积累(18,28,30.- - - - - -32),使环境定位,如果直接使用这些度量映射不准确。方法在纠错的测程法和相关位置/姿态数据,并且仍然是研究的一个主要话题。然而,概率过滤器(例如,扩展卡尔曼滤波器(EKF))或粒子过滤器,以及使用allothetic刺激(例如,地标),与大满贯算法在经典系统用于帮助纠正这些错误造成数据和位置估计。

同样,无论是动物、昆虫或动画,这些导航系统需要与纠正错误路径(PI)系统集成机制(6,23,33]。在动画中,或者,更具体地说,导航系统建模的神经生理学综述,表明视觉数据是保持π错误一个可行的最小值。这也将涉及到部分5。

3所示。导航相关细胞检查

下面是对专业导航的定义和特点神经元或细胞,海马和内嗅皮层中啮齿动物的大脑,以及人类的大脑(34]。这种材料覆盖在其他文献[6,20.,21,35,36),但在这里包含完整性。

3.1。地方的细胞

细胞在啮齿动物是由1971年奥基夫和Dostrovsky[发现37,38]。每一个细胞,主要位于CA1-CA3地区的海马体,火灾在啮齿动物的漫游地区专门的位置。位置细胞的头部射击位置不变的方向或啮齿动物的身体姿势。发射的每一处细胞似乎也遵循两个或两个以上的求和高斯分布曲线,每个突出一个远端提示(34]。

3.2。头方向细胞

头方向细胞被发现在啮齿动物超过十年后的细胞(39,40]。这些细胞是不变的,每个人都有一个优先方向对老鼠的头方向在水平面,将火以最大的速度。他们沉默了所有其他的方向,除了一个小区域(几度)的首选方向角。头方向细胞只火作为老鼠的头方向的函数,而不是它的身体。此外,尽管细胞有不同的优先方向,他们似乎分为一组有限的方向(如N, NE和西南)。方向是相对的,这样会使相对主导外部环境介绍了老鼠的线索,如果可用,否则它将设置一个方向基于其他未知的起源23,41]。

3.3。边界细胞

边界细胞被认为是一个特殊的地方,在那里只有火灾对某些边界或障碍(42,43]。所覆盖的区域边界细胞会大不相同,彼此。类似于细胞,边界单元的发射特点是老鼠的头方向不变。

3.4。网状细胞

网格细胞发现了爱德华•梅·布里特莫泽2005年(6- - - - - -9]。这组特别,导航相关的大脑细胞,最近被发现,位于内侧内嗅皮层。网格细胞有一个非常有趣的射击特点,相比细胞和边境的地方。单一细胞和边境细胞只有火在特定地点/区域,而一个网格单元火灾地点/区域的几何星座。这些地区在啮齿动物的漫游区形成六角/等边三角形,其中每个发射位置是在一个特定的等边三角形的顶点。每个网格单元的发射领域的六角形晶格是啮齿动物的定义在很短的时间内被介绍给一个新的区域。看来,晶格被锚定在方向和阶段外部地标和几何边界的环境(6,7,44]。

4所示。最先进的研究在生物神经对移动机器人导航系统

本节讨论最先进的研究在生物神经导航系统为基础,实现的系统已经在移动机器人自2000年代初。尽管一些系统的依赖外部cpu执行神经生理学模拟机器人(例如,Khepera移动机器人平台),他们被包括。然而,通过这篇论文使用的自主移动机器人的定义,这些系统被视为非自治,因为需要与外部计算机通信。因此,每个机器人的自主分类提出将包括在表中1。

基于神经生理学的导航系统分为三类,根据中心导航细胞功能模拟。这些类别是细胞为中心的,理论上的细胞为中心的,网格单元为中心的类别。理论电池使用一个或多个真正的神经导航细胞细胞通常的地方(一个)来创建一个新的,虚构的细胞是其导航系统的中心。尽管虚构的,这些细胞,或功能,可能确实是可信的和真正的在一种或另一种形式。总结了这些系统的基本特性和功能表1。

4.1。以细胞为中心的系统

以下4.4.1。Arleo Gerstner 2000

本文研究通过Arleo和郭士纳,200012),产生了影响,在一种或另一种形式,在许多未来的作品在这一节中,特别是[2,13]。中使用的引用(12)分为两个神经科学的分类:奥基夫和纳达尔,197845];Taube et al . 199039];Redish 1997 (4];等等和神经生理学激励电路模型:伯吉斯et al . 199426];布朗和锋利,199546];Redish Touretzky, 199747),Zrehen Gaussier, 199748];等等,形成一个引用其他程序使用的基础研究/文章。可以找到更多的引用在Arleo和郭士纳,200012)和2000年(49]。此外,本文的演示和功能神经生物学专业的使用空间导航细胞发现啮齿动物的海马区,在机器人导航、建模的核心覆盖所有这些论文的主题。

(1)系统架构。在[12],Khepera机器人系统由以下组成:机载相机基于视觉self-localization(90°的视野在水平面),八个红外(IR)障碍检测与光探测传感器,测量环境光,光探测器和一个里程表传感自动信号。基于生物神经导航系统模型两个关键细胞空间导航:头方向细胞和细胞。这是外部计算机上执行。

(2)头方向和位置细胞空间导航。在图2,allothetic输入包含数据从车载摄像头,用于细胞交会的地方子模块,以及八个红外传感器的数据和环境光传感器,由视觉轴承使用细胞活力子模块(左边的图2)。神经网络(桑格(50])的细胞从摄像头输入程序离线在最初的无监督,Hebbian学习阶段(51]。在此初始,探索/神经网络训练阶段,每一处细胞位置是学会了通过将图像划分为更小的32×32像素,运行的图像通过10个不同的视觉过滤器各5组尺度。这样做是为了北、西、南、东机器人的领域的观点从每个快照/地方细胞的位置。然后每个单元的网络训练与减少图像和调整的最大响应为每个图像的位置。因此细胞神经网络编程的地方与机载相机图像,分为四个象限的32×32像素每一个输入,将允许self-localization在线模式。

光源被添加到一个墙机器人的领域,红外传感器和环境光传感器可以锁定这一全球方向(借助神经网络调整定位的光源)。这允许机器人校准的定向模块(右边的图2),边界方向的积累误差。

机器人使用三种不同的神经细胞的数量(右边的图2)来计算它的头方向从目前的角速度和预期的角速度和系统输出的反馈和校准细胞。最终的结果是一组量化,定向细胞驱动机器人的汽车为合适的标题。

(3)计算复杂度。这个系统的计算复杂度比简要介绍稍微复杂一些。更多细节可以在[12,49,52]。然而,任何神经网络系统会有相对较高的极高的计算复杂度,基于神经网络和线下和线上的处理状态/实时学习。环境工程,需要静态。这是真的不过任何系统的初始阶段的扭系统集成错误,模型/准确性问题,等等。

(4)地图和路线规划。基于视觉映射,通过使用快照识别(细胞),用于帮助正确的避障方向错误,而不是主管或路线规划。因此,真正的映射和任何形式的路线规划不解决(12,49]。

4.1.2。弗莱舍et al . 2007

(1)系统架构。建模的神经生理学达尔文XI移动机器人导航系统由弗莱舍et al。27)不是自主的,本文中使用的定义,由于使用外部计算机来模拟一个详细的神经生理学基础系统。然而,系统将限制模拟大型脊椎动物神经解剖学和神经生理学的特点(内侧颞叶特别)。通过使用Beowulf集群12 1.4 GHz奔腾IV的电脑运行Linux操作系统,传感器数据通信在移动机器人的无线连接到其中一个集群计算机,而电动机数据发送回机器人。仿真加工周期从传感器数据输入电机命令输出实时的大约是200 ms。模拟器,称为基础设备(bdd)技术,模拟57神经领域,80000个神经元单位,大约120万个突触连接。

达尔文XI配备了一个视觉系统(相机),一头方向系统(指南针)加上轮测程法(当前头方向),激光测距仪系统(面临向下检测神经奖励),和一线系统读取疙瘩plus-maze墙壁。

(2)建模的海马。一个示意性的移动机器人移动I / O传感器连接到相应的神经生理学基础导航系统可以在找到27]。然而,图3说明了连接的类型和内侧颞叶的模拟部分,包括海马体的实体。图3类似于发现在53,54];然而进一步的细节有关的各层内嗅皮层缺乏这个数字。

尽管先前的研究使用达尔文X [55,56),使用干燥的莫里斯水迷宫任务(57),用达尔文XI,它使用plus-maze,啮齿动物的基础上执行导航测试平台上,这些研究的焦点是情景记忆的形成。通过回溯分析工具的使用,几秒钟的神经活动和突触的变化可以分析来确定因果关系的神经活动。两项研究显示嗅皮质神经元的突触影响力最强的单位在情景记忆,特别是高性能路径(,,在图3),而达尔文XI特别关注journey-dependent和journey-independent内存,以及路径预测。进一步详细分析也可以发现在58]。

4.1.3。Strosslin et al . 2005

(1)系统架构。Strosslin et al。13)使用相同的移动机器人平台(Khepera) Arleo。机器人有一个相机,里程表和接近传感器。因此,机器人只使用bodycentric,当地为导航传感器信息。Khepera连着电脑,运行的神经模型,长电缆,还提供了机器人和允许从机器人传感器数据传输到计算机。

(2)神经模型:代码和认知地图的地方。在干水迷宫,类似于用于达尔文X,导航地图的细胞在20试验,这是类似的结果发现啮齿动物在水迷宫57]。因此,视觉和idiothetic提要外部神经模型的信息,这是由细胞(SCs)和旋转步(RCs)。这些细胞构成了本地视图(LV)和美联储的视觉输入,一头方向(HD)系统在postsubiculum (poSb),路径积分(PI)内侧内嗅皮层(mEC),并结合地方代码(CPC)在海马体(HPC)和菌丝层。定向行动细胞(AC)的伏隔核(NA)是最终推动导航学习中共。参见图4连通性。

的认知地图或空间表示机器人的环境是通过无监督学习Hebbian之间细胞和头部方向的地方。此外,路线规划是通过使用生物启发的强化学习机制在连续状态空间(细胞)和ACs。

4.1.4。Hafner 2008

(1)代码和认知地图的地方。在[14),Hafner使用细胞用于创建一个认知地图的移动机器人领域。移动机器人,只配备一个全向相机和指南针,产生一种认知地图在探索阶段,是由地方字段映射和细胞。每个快照的镜头转换为16-dimensional转换,这是用作感官输入到神经网络系统。也就是说,每360°相机快照分为16个角,方位角每个部分22.5°,过滤,送到细胞神经网络的地方。每个神经网络的权重,最初设置为随机值,进化价值在探索阶段。细胞的地方,见“输出层/地图层”的人物5,成为相互关系连接到基于自组织映射(SOM)的方法59),每个单一的一个特定的快照就连接到前面的赢家和相应的连接体重增加。因为细胞几何不固定的地方,他们被分配的相对角度,创建一个拓扑地图。这都是没有奖励的使用在学习。此外,没有目标的状态。

(2)模拟路线规划。然而,一旦神经认知地图被修建,它们只能用于模拟导航。拓扑和度量信息需要太多内存驻留在移动机器人。因此,移动机器人依靠地标(快照)识别和使用SOM的到达目标点或区域。

4.1.5。巴雷拉和Weitzenfeld 2008

(1)系统概述。巴雷拉和Weitzenfeld2,22)提出并实现一个非常复杂的,复杂的,和基于模块化神经生理学的导航模型。与Arleo和郭士纳(12,49),所有现有的功能映射回神经生理学的实体。此外,许多这些模块实现使用高斯分布和Hebbian神经网络学习规则/方程。本研究的主要目标对移动机器人能够学习和忘却路径选择目标位置的基础上改变奖励,创建一个基于现实的神经科学测试床用于进一步的行为研究,和添加到现有的差距在大满贯模型之间的映射和地图开发(2]。移动机器人的测试环境配置有限的性和8-arm径向迷宫。

神经生理学理论,形成了本研究的基础来自于(60]。因此,除了idiothetic allothetic感官输入,也有内部状态/激励和感官输入相应信息。图6展示了本系统的功能模块,而消除许多潜在的神经生理学框架的细节。进一步的细节,比如模型描述、神经生理学框架,方程为每个这些模块可以在[2,61年- - - - - -63年]。

由于系统缺少测程法和罗盘传感器,idiothetic数据形式的动觉的数据发送到外部电机控制模块,通过选择动作模块如图6,用于执行旋转和平移的机器人。

(2)细胞和认知地图生成的地方。表示模块图6的认知地图,存储和访问移动机器人选择运动的选择。因此,这个模块代表了海马体的功能。路径整合信息结合具有里程碑意义的信息,通过Hebbian学习规则,创建一个细胞层的地方。重叠的地方细胞领域在这一层代表特定位置或节点,是世界上发现图形层(WGL),如图7。

WGL使用一个简单的算法来决定下一步行动。分析活跃节点连接到演员单位,根据体重最高,WGL选择步骤,将接近其学习目标或最好的移动时间当目标已经改变或没有学到。

(3)计算复杂度。因为计算复杂度高的神经生理学为基础的导航系统,大多数模型的外部1.8 GHz Pentium 4 PC上运行,而无线通信与一只爱宝人- 210只四足机器人。因此,该系统是不自主的。

4.2。理论以细胞为中心的系统

4.2.1。准备惠氏,米尔福德:RatSLAM,版本3

(1)系统概述。惠氏,米尔福德集中在19,20.)的感受了,大满贯,移动机器人导航系统的映射系统,基于模型和早期版本的RatSLAM [13]。他们的机器人,一个先锋2-DXE基本系统,执行模拟交付在一个大单,办公大楼使用简单的传感器:电机编码器测程法,避碰声纳和激光测距仪和通路定心,具有里程碑意义的识别和全景相机系统。这个系统,名叫RatSLAM,使用地方细胞耦合头方向的概念(HD)细胞中,他们所说的,构成细胞。

(2)构成的细胞。竞争吸引子网络(可以)(4,13]构成细胞与当地使用视图,快照的全景照相机以及机器人的旅程。因此,米尔福德和惠氏添加了一个新的类型的细胞:细胞构成。构成细胞类似于网格连接的细胞,当他们报告,这是一个相结合的网格细胞和头部方向细胞中发现的啮齿动物的大脑。构成细胞细胞工作像加权概率,每个本地视图的方向和位置存储造成的(平均)。图8说明了RatSLAM的连通性,版本3,这里所描述的那样,23]。

(3)认知地图。映射算法包含一个循环关闭和放松技巧映射到正确的π错误,从而创造更多的一个比一个度量拓扑地图地图。循环关闭事件只发生在一个阈值的连续局部视图细胞与相机的输入,从而使姿势的变化数据。以保存原始数据,轻松地图保存到一个“体验地图”(见图9插图的地图空间)的经验,和本地视图细胞伴随构成细胞数据存储在一个连接矩阵。由于经验映射的拓扑性质,经历存储之间的转换,从而使路线计划是可能的。

来自这种设计的好处是,它是第一步实现的一些专门的功能,导航和空间意识,脑细胞在移动机器人。不利的一面是,它已被证明,竞争吸引子网络很容易被过滤系统(25),导致大量的计算加速。此外,即使有修剪的经验映射,数据存储和处理似乎变得无限。

4.2.2。Cuperlier et al . 2007

(1)过渡细胞。Cuperlier等人建立了一个感受启发移动机器人导航系统(2007年24)使用一种新的细胞类型,命名为“过渡细胞。“他们的细胞的概念是基于细胞从一个地方移动到下一个定义的时间间隔。因此,两个地方细胞被映射到一个过渡细胞,创建一个单元代表的位置和运动方向或时空转换,因此一个图表结构。

(2)计算的复杂性。多个神经网络跨系统的体系结构,如图10从具有里程碑意义的提取/识别阶段,认知地图和运动过渡阶段。视频中,地方的许多输入细胞,等等的系统神经网络需要很多计算在每个时间步进行。这种复杂性类似Arleo和郭士纳12,49]和巴雷拉Weitzenfeld [2,22,63年),在前一节中介绍。照亮所需的处理,这是在(24),系统使用3 x双核奔腾4处理器运行在3 GHz。使用机载罗盘方位角度测量,位移得到车轮编码器,并从全景照相机获得的视觉。

导航过程是从最左边的图的一部分10,一个潜在的具有里程碑意义的选择和分析在给定的时间。这发生了次快照,将一个值来帮助平衡算法的效率和鲁棒性。因此,如预期的那样在任何视觉提取/识别系统,大量的处理时间和权力是花在这个阶段。此外,在最初的探索阶段,神经网络权重系数计算为每个潜在的具有里程碑意义的(32×32像素)和方位网格值,所以,这些小地方可以在线学习的看法。为更多的细节在计算到达的地方进行细胞landmark-azimuth矩阵(PrPh)咨询24]。

(3)认知地图。每一处细胞(图的中心10)连接到每个神经元landmark-azimuth矩阵,每个连接都有自己的,独一无二的,明白了权重landmark-azimuth-place细胞组合,以及当前的临时标量,潜在的具有里程碑意义的观点。然而,很可能几个细胞将足够活跃在一个给定的位置。该报指出,当整个区域映射,在初步探索阶段,细胞分裂成自己的地区的地方来消除这些重叠;参见图11因此,创建一个认知地图。

平均数量的一个假设是由可能的地方细胞转换从任何地方细胞进行的测试(24]。这样做是为了减少基于神经网络的,转移矩阵,在那里代表的数量可能过渡单元目标,因此,大大降低了计算复杂度O(N2)O(N)。然而,这个值可能无法适用于所有测试用例,或者攷虑使用。

(4)路线规划。机器人的认知地图建立在最初的探索阶段,如前所述,由节点和边组成,如图12,因此一个图:。每个节点都是一个过渡细胞和优势意味着机器人两个过渡细胞或节点之间的旅行。边缘有分量的值(例如,函数的使用)和举行活动的节点值。认知地图的节点/边记录用于神经网络版本的bellman算法(64年)找到最直接的路线从动机角度单一来源的目的地,而几种类型的动机(喝酒,吃饭、睡觉等)是用来启动机器人的来源。适当的目的地的旅行动机的满意度水平变化与时间和距离,同时增加的来源。

4.3。网格单元中心系统

也许是因为网格细胞直到2005年才发现的,或由于其复杂性和未知功能/贡献导航,有稀疏的机器人导航系统是基于网格单元。相反,相关研究在网格细胞来自计算/ oscillational模型(36,53,65年- - - - - -68年]。

目前有两个流行的计算模型类来描述所需的刺激配置网格细胞的放电模式。第一个是吸引子网络,遵循的是什么在RatSLAM导航模式53]。第二个是被称为振动干扰的计算起来更复杂的模型69年]。振动干扰模型通常是模拟nonrobotic系统上使用强化神经网络(36,67年,68年]。两种工作模式有很强的利弊的有效性。连续吸引子模型,介绍了(19,20.,70年),在接下来的部分将简要介绍神经网络,而神经生理学的计算模型正确的振动干扰模型是超出了本文的范围。

覆盖在前一节中,米尔福德和惠氏(19,20.)使用基于构成细胞生物神经RatSLAM导航模型,它是基于连接的网状细胞深层发现的内侧内嗅皮层(MEC),进一步描述了在70年,71年]。此外,包装连接构成单元网格创建一个网格单元类型的模式。然而,有很多科学支持细节失踪有关的功能正常,nonconjunctive网格细胞发现MEC的浅层次,以及具体的连接网格细胞的连接基于属性的规模、方向和阶段建模。因此,这项工作将继续在细胞的理论部分。

此外,Gaussier et al。72年,73年)使用一个数学模型的网格单元的移动机器人导航系统。然而,网格单元的放电模式的模投影路径整合输入。移动机器人上的测试执行网格单元发射模式差仅仅依赖路径整合与发展积累的错误。添加视觉输入重置和调整路径整合修复吵闹的路径整合输入,从而加强网格细胞的放电模式。网格细胞从而更作为一个测试模式用于各种领域和路径整合退化设置。网格细胞不会援助在映射和移动机器人的路径规划。因此,本研究并不完全符合本节,不会覆盖在任何更多细节。

5。文献调查分析

如前所述,本文的重点是研究最先进的移动机器人导航系统基于真正的啮齿动物的神经生物学的空间意识和导航的脑细胞。更具体地说,本文批评这些导航系统多么密切模仿神经生物学实体(如后顶叶皮层、背外侧内侧内嗅皮层、海马、基底神经节,细胞,和头部方向细胞)和系统分类、自主权以及他们的认知地图和路线规划功能。总结这些问题的答案可以在表中找到1年底,以及批评每个源调查。

5.1。第一,神经科学家在机器人技术的进步或见解吗?

这些模型的问题什么方面的文献调查可能受益的技术进步在机器人和一代的新见解和可测试的预测生物学家和神经科学家需要解决。要回答这个问题,它是作者的信仰,当前和未来的计算技术是推动这个问题的答案。

本文中涉及的系统通常分为两类:机器人运行计算机与外部联系,相对大规模神经生理学基础(神经模拟器)和导航模型与机载计算机运行小机器人,基于局部神经模型。神经生理学模型运行在外部电脑覆盖工作显然有更详细的模型的优势,以及回溯的能力(例如,27,55,56),这是一种神经模型调试。这些类型的系统,最可能给生物学家和神经科学家的数据将有助于获得新的见解和可测试的预测。有一个物理机器人收集传感器数据和反应电机命令还有助于增加一个维度,不容易实现,或无法预期的问题,在模拟器。

然而,它需要智慧和思维的局限内实现基于神经系统参数。这是最有可能的,这些类型的系统会首先帮助机器人系统的技术进步。例如,将神经网络,使用图形处理器单元进行大规模并行,通用计算(GPGPU)被引入机器人系统,主要是为了深入学习。深度学习的优势是一个强大的申请视觉物体识别,语音识别,目标检测,和许多其他应用程序。此外,深度学习是关键的地方识别视觉大满贯(74年]。

5.2。视觉识别导航的重要性

作为讨论的部分2和显示在上面的文献总结中,很明显有很强的相关性之间的视觉识别能力和整体的感受为基础的移动机器人的导航功能。导航的实现主要是通过视觉线索被称为分类导航,它适用于动物,人类,昆虫,等等,以及古典和感受为基础的移动机器人导航系统。这并不令人惊奇,因为它已被证明,专业导航和空间意识啮齿动物的细胞在某种程度上依赖视觉线索(23,54,75年- - - - - -77年]。此外,生物系统,如在啮齿动物中发现的,也可以在非可视导航提示。这些可以是听觉,嗅觉,和/或躯体感觉的线索。

5.3。未来可能的方向模型计算

谁知道什么类型的新的、基于神经网络、计算系统从这些研究未来可能实现的吗?当然,基于神经网络的系统应该由处理元素和连接网络,很大程度上类似于大脑,从而减少功率和尺寸要求。这样一个全新的,然而熟悉,两大处理系统需要的结果,详细的模型外部计算机集群上运行,以及更小的系统实现。

6。神经网络

出于完整性的考虑,我们现在讨论所使用的各种神经网络的计算复杂度,如连续吸引子网络的RatSLAM Hebbian学习规则的类型,以及它如何与人工神经网络(ann)用于文学、和深度学习,不习惯但是有趣的可能性给当前的计算技术。此外,由于可伸缩性的计算限制这些类型的导航系统。

6.1。连续吸引子网络

继续跟踪的目标密切建模的神经生理学系统,allothetic和idiothetic刺激被送入人工神经网络在所有的文学。一个区别是RatSLAM系统(19,20.,78年,79年),它使用安系统的一种变体,称为(3 d)连续吸引子网络(可以)系统(见图9)。虽然可以是一个类型的安,这是更少的计算复杂的更新是因为的活动值0和1之间的单位可以是多种多样的,因此保持加权连接固定。然而,RatSLAM细胞的统计性质计算,很快覆盖,将税收处理系统。的变化可以细胞的活动水平给出了在20.), 或 在哪里代表了活动网络的矩阵,是连接矩阵,卷积运算符,常量是用于创建全球抑制和一般抑制在连接矩阵。在细胞水平,可以描述(2),是每个单元的活动水平变化,然后呢是加权连接的3 d高斯分布方程创建本地兴奋和抑制在细胞层面,在哪里,,是全方位的功能,,,分别。更多细节可以在[70年]。

另一个区别RatSLAM系统相比其他系统提出了在文献综述部分,其他系统使用人工神经网络在整个导航系统(从而增加计算复杂度,但住在神经生理学模型主题),虽然RatSLAM只用可以为移动机器人位姿的决心。的视觉匹配似乎快照non-ANN算法为基础,因此神经生理学的按比例缩小现实主义由于机载计算约束。

6.2。Hebbian学习规则

Hebbian基于人工神经网络用于本文的研究文献可以被描述的一般方程 在哪里神经元的输出是什么,是th输入,的重量来。标量被称为学习速率随着时间的推移,它可能会改变。Hebbian学习规则(赫(命名)51)和他的理论,两个神经元之间的突触连接或加强的结果重复和突触后神经元的关系。将偏见或阈值项和一些传递函数导致Hebbian规则,所示(80年- - - - - -82年)的形式 传递函数通常是一个离散的阶跃函数: 或一个平滑的“乙状结肠”;例如 乙状结肠,以及双曲正切,纠正线性单元(ReLU)函数是典型的非线性神经元。ReLU目前是一个非常受欢迎的神经元激活深度学习。

Hebbian通用方程本质上是不稳定的,所有的突触可以达到最大允许的值或过渡到零83年- - - - - -85年]。因此,一个简单的替代方程(4),例如,用于(12,13,86年),如下:

文献调查中使用的神经网络通常使用不超过一个隐藏层和前馈神经网络;参见图13。这些网络是适合简单的,离散输入/输出的组合,如标题和转角。

6.3。深度学习

深度学习越来越多的变种前面描述的简单的人工神经网络。这是由于它能够在大型数据集找到复杂的结构。深入学习网络实现通过添加多个非线性处理层。这些处理,或隐藏,安层能够提取各种对象功能层。如前所述,深度学习提供了发展在许多领域,如图像识别、语音识别、重建大脑回路,自然语言理解,关系数据。具体来说,导航,视觉物体识别能力的深度学习和深卷积网络(例如,交通标志识别、行人检测),允许自主移动机器人和无人驾驶汽车87年)去实现。

更多细节细节结构的深度学习神经网络,反向传播数学,等等是超出了本文的范围和主题;因此他们不会被覆盖。

6.4。计算复杂度限制现实可伸缩性

在确定神经网络的计算复杂度,需要考虑有三个重要的参数:大小,深度,重量的网络。的大小神经元的数量和吗深度从一个输入的最长路径的长度是指向一个输出神经元,而权重的绝对值的总和代表了吗重量的网络。

训练的人工神经网络用于复杂的模式识别,例如那些接口allothetic刺激导航系统,只能离线完成。处理能力和所需的时间会太大影响移动机器人资源和可用性。这是由于许多正向传播和反向传播周期要求的权重设置安可能的最优值(给定数量的周期约束)对每个训练样本在训练阶段。深层神经网络尤其如此,有许多隐藏层。因此,时间复杂度将网络的函数大小特别是深度。一个简单的两个输入,两个输出,给出了单层安图13。进一步调查的例子可以在文献中找到。

的方式添加的感受为基础的实体,如allothetic刺激,其他知觉,和/或控制影响(例如,伏隔核、网格细胞)从大脑的各个部分,同时保持一个可用的移动机器人足迹,如下:(1)使用移动GPGPU的更复杂的人工神经网络。(2)删除系统的人工神经网络从简单的部分,可以轻易取代一个好的,便宜的传感器(例如,头方向安在12与MEMs陀螺仪])。(3)创建一个特定于应用程序的集成电路(ASIC)的人工神经网络模型。

选项将最昂贵也是最有效的,大小和处理能力。选项是一个更灵活的选项,但仍需要大量的电力和特殊的编程经验。的一个例子可以是NVIDIA的®Tegra®K1移动GPU 192轻量级并行处理器核心。NVIDIA gpu可以使用CUDA编程或cuDNN。选项需要系统从现实主义的神经系统,但是一些需要做出权衡模型最重要的研究部分。

7所示。在短暂的

当然,最重要的一个生物神经系统在使用中今天是安妮的启发。它提供了一种新的计算模式,几乎是不可能重现。我们的电脑是最好的算术计算和后一个序列的代码。视觉和模式识别应用程序太复杂。因此,在这一领域所做的研究,特别是从深度学习与发现的好处,将继续为人工智能领域作出贡献。

是希望工作进行的许多研究人员基于生物神经导航和空间意识系统将提供了技术进步移动机器人的自主导航能力,以及更好的理解至少大脑的一小部分。

相互竞争的利益

作者宣称没有利益冲突。

引用

1. k . Caluwaerts m .石柱s阮et al .,”一个生物启发meta-control Psikharpax鼠机器人导航系统,”《生物灵感和仿生学,7卷,不。2、文章ID 025009, 2012。视图:出版商的网站|谷歌学术搜索
2. a·巴雷拉和a . Weitzenfeld仿生机器人基于大鼠空间认知神经生理学研究,“自主机器人,25卷,不。1 - 2、147 - 169年,2008页。视图:出版商的网站|谷歌学术搜索
3. o .确实,s·维纳,a . Berthoz和大学。迈耶,“生物基导航系统:检查和前景,”神经生物学的进展,51卷,不。5,483 - 544年,1997页。视图:出版商的网站|谷歌学术搜索
4. 公元Redish,超出了认知地图:贡献计算神经科学理论的啮齿动物导航(博士。论文)卡内基梅隆大学,1997。
5. m·o·弗朗茨·h·a·Mallot”仿生机器人导航,”机器人和自治系统,30卷,不。1,第153 - 133页,2000。视图:出版商的网站|谷歌学术搜索
6. b . l . McNaughton平安险的人群。o . Jensen依莫泽,M.-B。莫泽”路径整合和神经基础的“认知地图”,“神经系统科学自然评论,7卷,不。8,663 - 678年,2006页。视图:出版商的网站|谷歌学术搜索
7. t .把手,m . Fyhn s Molden M.-B。莫泽,依莫泽”组织的一个空间地图内嗅皮层,“自然,卷436,不。7052年,第806 - 801页,2005年。视图:出版商的网站|谷歌学术搜索
8. h . Stensola t . Stensola t . Solstad k . Frøland M.-B。莫泽,依莫泽“嗅网格地图是离散的,”自然,卷492,不。7427年,第78 - 72页,2012年。视图:出版商的网站|谷歌学术搜索
9. S.-J。张,j .你们,苗c . et al .,“Optogenetic解剖entorhinal-hippocampal功能连通性。”科学,卷340,不。6128年,文章ID 1232627, 2013。视图:出版商的网站|谷歌学术搜索
10. 工业大学。迈耶和d . Filliat地图在移动机器人导航:II。回顾map-learning和路径规划策略。”认知系统研究,4卷,不。4、283 - 317年,2003页。视图:出版商的网站|谷歌学术搜索
11. 杜德克和m . Jenkin移动机器人的计算原则英国剑桥,剑桥大学出版社,2010年。视图:出版商的网站
12. a . Arleo和w·郭士纳建模啮齿动物方位空间学习的细胞,将细胞仿生机器人”从动物到动画》第六卷,第245 - 236页,2000年。视图:谷歌学术搜索
13. t . Strosslin d Sheynikhovich、r . Chavarriaga和w·郭士纳“健壮self-localisation和导航基于海马位置细胞,”神经网络,18卷,不。9日,第1140 - 1125页,2005年。视图:出版商的网站|谷歌学术搜索
14. 诉诉Hafner,”机器人作为建模工具导航技能——神经认知地图的方法,”机器人技术和认知空间映射方法Sprigner, 324,页315 - 2008。视图:谷歌学术搜索
15. h . Durrant-Whyte和t·贝利”同步定位和映射:第一部分,“IEEE机器人和自动化》杂志,13卷,不。2、99 - 110年,2006页。视图:出版商的网站|谷歌学术搜索
16. t·贝利和h . Durrant-Whyte同步定位和映射(大满贯):第二部分,“IEEE机器人与自动化杂志,13卷,不。3、108 - 117年,2006页。视图:出版商的网站|谷歌学术搜索
17. h . Lategahn a盖革,小猫,“视觉大满贯自主地面车辆,”诉讼的IEEE机器人与自动化国际会议的举行(“国际机器人与自动化会议”11)2011年5月,页1732 - 1737。视图:出版商的网站|谷歌学术搜索
18. Riisgaard和m·r·布拉斯特区假人的大满贯:教程方法同步定位和映射,22卷,2003年。
19. g m·米尔福德和惠氏,“持续导航和映射使用生物启发大满贯系统,”国际机器人研究杂志》上卷,29号9日,第1153 - 1131页,2010年。视图:出版商的网站|谷歌学术搜索
20. 惠氏和m·米尔福德“空间认知机器人。”IEEE机器人和自动化》杂志,16卷,不。3 /,2009页。视图:出版商的网站|谷歌学术搜索
21. n Sunderhauf和p . Protzel”,学习从自然:仿生机器人导航和地审查,”Kunstliche Intelligenz,24卷,不。3、215 - 221年,2010页。视图:出版商的网站|谷歌学术搜索
22. a巴雷拉和a . Weitzenfeld Rat-inspired模型学习和识别,机器人的目标”控制和自动化学报地中海会议上(07年)2007年6月,页1 - 6,IEEE,。视图:出版商的网站|谷歌学术搜索
23. 公元Redish,超出了认知地图:从细胞情景记忆的地方美国剑桥,麻省理工学院出版社,质量,1999年。
24. n . Cuperlier m . Quoy, p . Gaussier”感受启发移动机器人导航和规划,“Neurorobotics前沿,卷1,第三条,2007年。视图:出版商的网站|谷歌学术搜索
25. m·米尔福德和r·舒尔茨”的原则目标导向空间机器人导航在仿生模型中,“英国皇家学会哲学学报B:生物科学》,卷369,不。1655年,2014年。视图:出版商的网站|谷歌学术搜索
26. n·伯吉斯、m .侦察和j·奥基夫”的模型海马功能”,神经网络,7卷,不。6 - 7,1065 - 1081年,1994页。视图:出版商的网站|谷歌学术搜索
27. j·g·弗莱舍,j . a .吓唬g·m·埃德尔曼和j·l·Krichmar“回顾性和前瞻性反应产生的模型海马在迷宫导航技术设备,“美国国家科学院院刊》上的美利坚合众国,卷104,不。9日,第3561 - 3556页,2007年。视图:出版商的网站|谷歌学术搜索
28. d . Hyun h·s·杨,g . h的趣事和h . s .公园,“航迹推算传感器系统和移动机器人的跟踪算法,”《IEEE 2009国际会议上机电一体化(ICM ' 09)2009年4月,页1 - 6,。视图:出版商的网站|谷歌学术搜索
29. J.-X。Yu Z.-X。Cai, Z.-H。段,“航迹推算移动机器人基于本体感受的传感器,在复杂地形”学报》第七届国际会议在机器学习和控制论(ICMLC ' 08)2008年7月,页1930 - 1935。视图:出版商的网站|谷歌学术搜索
30. f·阿齐兹和n . Houshangi移动机器人定位InTech,的哲理,2011。
31. j·伯伦斯坦和l .冯”测程法系统误差的测量和修正的移动机器人,”IEEE机器人和自动化,12卷,不。6,869 - 880年,1996页。视图:出版商的网站|谷歌学术搜索
32. b•比绍夫N.-T。f . Streichert Duy, m . Ewert, a·诺尔”融合视觉和机器人精确的室内定位测程法,”学报》第12届国际会议上控制自动化机器人与视觉(ICARCV 12)2012年12月,页347 - 352。视图:谷歌学术搜索
33. m·穆勒和r .韦娜,”在沙漠蚂蚁路径整合,箭蚁富通银行”,美国国家科学院院刊》上的美利坚合众国,卷85,不。14日,第5290 - 5287页,1988年。视图:出版商的网站|谷歌学术搜索
34. j·奥基夫:伯吉斯,j·g . Donnett k·j·杰弗瑞·e·a·马奎尔,“位置细胞,导航精度,和人类的海马体,”英国皇家学会哲学学报B:生物科学》,卷353,不。1373年,第1340 - 1333页,1998年。视图:出版商的网站|谷歌学术搜索
35. p . j .芝诺“模仿啮齿动物的功能神经导航和空间认知细胞移动机器人,”国际期刊的计算,14卷,不。2、77 - 85年,2015页。视图:谷歌学术搜索
36. 美国伊斯坦布尔~圣文亚当和m . m . e . Hasselmo“生物层次目标定向导航模型的启发,“Physiology-Paris杂志,卷108,不。1,28-37,2014页。视图:出版商的网站|谷歌学术搜索
37. j·奥基夫·d·h·康威,“海马单位在自由移动的老鼠:为什么他们火火,”大脑研究实验没有,卷。31日。4、573 - 590年,1978页。视图:出版商的网站|谷歌学术搜索
38. j·奥基夫和j . Dostrovsky“海马空间地图。单位的初步证据的活动自由移动的老鼠,”大脑研究,34卷,不。1,第175 - 171页,1971。视图:出版商的网站|谷歌学术搜索
39. j . s . Taube r·穆勒,和j·b·Ranck Jr .)“方位细胞记录从postsubiculum自由移动的老鼠。描述和定量分析,“神经科学杂志》上,10卷,不。2、420 - 435年,1990页。视图:谷歌学术搜索
40. j . s . Taube”方向信号:感觉器官起源和集成,”年度回顾神经科学,30卷,第207 - 181页,2007年。视图:出版商的网站|谷歌学术搜索
41. j·l·Kubie和a·a·芬顿Heading-vector导航基于头方向细胞和路径整合,“海马体,19卷,不。5,456 - 479年,2009页。视图:出版商的网站|谷歌学术搜索
42. n·伯吉斯和j·奥基夫,”神经计算潜在的细胞和他们的角色在导航”海马体》第六卷,没有。6,749 - 762年,1996页。视图:出版商的网站|谷歌学术搜索
43. t·哈特利:伯吉斯,c .杠杆f . Cacucci和j·奥基夫,“地方领域建模的皮质海马体,输入“海马体,10卷,不。4、369 - 379年,2000页。视图:谷歌学术搜索
44. 依莫泽M.-B。莫泽”,一个度量空间。”海马体,18卷,不。12日,第1156 - 1142页,2008年。视图:出版商的网站|谷歌学术搜索
45. j·奥基夫和l·纳达尔海马体的认知地图,3卷,克拉伦登出版社,牛津大学,英国,1978年。
46. m·a·布朗和p . e .锋利,“模拟莫里斯水迷宫空间学习的神经网络模型的海马结构和伏隔核,“海马体,5卷,不。3、171 - 188年,1995页。视图:出版商的网站|谷歌学术搜索
47. 公元Redish和d s Touretzky认知地图除了海马体,”海马体,7卷,不。1、15 35,1997页。视图:出版商的网站|谷歌学术搜索
48. s Zrehen和p . Gaussier建筑接地符号使用动机、本地化”学报》第四届欧洲人造生命会议(ECAL 97)布莱顿,页299 - 308年,英国,1997年。视图:谷歌学术搜索
49. a . Arleo w·郭士纳,“空间认知和neuro-mimetic导航:一个模型海马位置细胞的活动,“生物控制论,卷83,不。3、287 - 299年,2000页。视图:出版商的网站|谷歌学术搜索
50. t·d·桑格”最优无监督学习在一个单层线性前馈神经网络,”神经网络,卷2,不。6,459 - 473年,1989页。视图:出版商的网站|谷歌学术搜索
51. d·o·赫组织行为:一种神经心理的方法约翰·威利& Sons,纽约,纽约,美国,1949年。
52. a . Arleo f . Smeraldi和w·郭士纳,“认知导航基于非均匀抽样伽柏空间,无监督网络,强化学习,”IEEE神经网络,15卷,不。3、639 - 652年,2004页。视图:出版商的网站|谷歌学术搜索
53. 依莫泽、y Roudi m . p .喋喋不休,c . Kentros t·布霍费尔,M.-B。莫泽”网格细胞和皮质表示,“神经系统科学自然评论,15卷,不。7,466 - 481年,2014页。视图:出版商的网站|谷歌学术搜索
54. d·布什、c·巴里和n .伯吉斯”网格细胞有助于地方射击什么?”神经科学的趋势,37卷,不。3、136 - 145年,2014页。视图:出版商的网站|谷歌学术搜索
55. j·l·Krichmar d . a . Nitz j . a .吓唬和g·m·埃德尔曼”描述功能海马通路在技术设备解决了空间记忆任务,”美国国家科学院院刊》上的美利坚合众国,卷102,不。6,2111 - 2116年,2005页。视图:出版商的网站|谷歌学术搜索
56. j·l·Krichmar a·k·赛斯·d·a . Nitz j·g·弗莱舍,和g·m·埃德尔曼”空间导航和因果分析设备建模cortical-hippocampal交互技术,”Neuroinformatics,3卷,不。3、197 - 221年,2005页。视图:出版商的网站|谷歌学术搜索
57. r·莫里斯“水迷宫的发展过程为研究大鼠的空间学习,”神经科学杂志》上的方法,11卷,不。1,47-60,1984页。视图:出版商的网站|谷歌学术搜索
58. h . de粗毛,c .烁Goertzel写到,和l . ruit“世界人工脑的调查项目,第一部分:大规模的大脑模拟,”Neurocomputing,卷74,不。1 - 3,3-29,2010页。视图:出版商的网站|谷歌学术搜索
59. t . Kohonen“自组织形成拓扑正确的特征图谱,”生物控制论,43卷,不。1,59 - 69年,1982页。视图:出版商的网站|谷歌学术搜索
60. a . Guazzelli m .马靴,f . j . Corbacho和m·a·阿尔贝勃”功能。动机,和世界图论”,适应性行为》第六卷,没有。3 - 4、435 - 471年,1998页。视图:出版商的网站|谷歌学术搜索
61. a . b .拉米雷斯和a . w . Ridel”仿生机器人自适应学习模型和映射学报2006年IEEE / RSJ智能机器人和系统国际会议(——06年)IEEE,页4750 - 4755年,北京,中国,2006年10月。视图:出版商的网站|谷歌学术搜索
62. a . b .拉米雷斯和a . w . Ridel”生物激励神经控制器对机器人学习和映射,”《国际联合会议上神经网络(IJCNN 06年)加拿大温哥华,页3664 - 3671,2006年7月。视图:谷歌学术搜索
63. a·巴雷拉和a . Weitzenfeld”计算模型大鼠空间认知的和机器人实验:面向目标的导航和识别在多个方向,”第二届IEEE / RAS-EMBS国际会议上生物医学机器人和生物(BioRob ' 08)美国亚利桑那州斯科茨代尔,页789 - 794,美国2008年10月。视图:出版商的网站|谷歌学术搜索
64. t·h·科尔曼、c . e .雷瑟尔森r·l·莱维斯特和c·斯坦,“Knuth-Morris-Pratt算法,”算法导论,麻省理工学院出版社,第二版,2001年版。视图:谷歌学术搜索
65. n·伯吉斯、c·巴里和j·奥基夫”一个振荡干扰模型的网格单元发射,“海马体,17卷,不。9日,第812 - 801页,2007年。视图:出版商的网站|谷歌学术搜索
66. l . m . Giocomo M.-B。莫泽,依莫泽”计算模型的网格细胞。”神经元,卷71,不。4、589 - 603年,2011页。视图:出版商的网站|谷歌学术搜索
67. l . m . Giocomo和m . e . Hasselmo”计算振荡:影响理论模型的实验数据网格细胞,”海马体,18卷,不。12日,第1199 - 1186页,2008年。视图:出版商的网站|谷歌学术搜索
68. 美国伊斯坦布尔~圣文亚当和m . m . Hasselmo”,使用前进轨迹规划目标导向空间导航模型基于网格细胞,”欧洲神经科学杂志》上,35卷,不。6,916 - 931年,2012页。视图:出版商的网站|谷歌学术搜索
69. n .伯吉斯”网状细胞和θ振荡干扰:理论和预测,“海马体,18卷,不。12日,第1174 - 1157页,2008年。视图:出版商的网站|谷歌学术搜索
70. m·j·米尔福德,j·怀尔斯,g . f .惠氏”解决导航不确定性机器人上使用网格细胞。”PLoS计算生物学》第六卷,没有。11日文章ID e1000995, 2010。视图:出版商的网站|谷歌学术搜索|MathSciNet
71. a . t . Keinath和l . i张”的首选方向连接电网X头方向内侧内嗅皮层细胞是定期组织,”《公共科学图书馆•综合》,11卷,不。第三条ID e0152041, 2016。视图:出版商的网站|谷歌学术搜索
72. p . Gaussier j.p.宴会,f . Sargolini c . Giovannangeli e .保存和b . Poucet”的模型网格细胞涉及额外的海马路径整合,海马环路,”综合神经科学杂志》上》第六卷,没有。3、447 - 476年,2007页。视图:出版商的网站|谷歌学术搜索
73. a . Jauffret n Cuperlier, p . Gaussier”从网格细胞和视觉细胞多通道位置细胞:一种新的机器人体系结构中,“Neurorobotics前沿第一条,卷。9日,2015年。视图:出版商的网站|谷歌学术搜索
74. z, a .雅各布森o . Lam和m·米尔福德“卷积神经网络识别,”http://arxiv.org/abs/1411.1509。视图:谷歌学术搜索
75. 冬季和j·s . Taube”头方向细胞:世代集成”空间、时间和记忆的海马结构施普林格,页83 - 106年,柏林,德国,2014年。视图:谷歌学术搜索
76. j。j Knierim和d·a·汉密尔顿”框架空间认知:神经近端和远端参考帧和他们的角色在导航”生理上的评论,卷91,不。4、1245 - 1279年,2011页。视图:出版商的网站|谷歌学术搜索
77. n .伯吉斯j·g . Donnett k·j·杰弗瑞和o .约翰,”机器人和海马体和鼠神经元模拟导航,”英国皇家学会哲学学报B:生物科学》,卷352,不。1360年,第1543 - 1535页,1997年。视图:出版商的网站|谷歌学术搜索
78. g m·米尔福德和惠氏,“海马模型同时本地化和映射在一个自主机器人,”机器人和自动化学报澳大拉西亚的会议上,2003年。视图:谷歌学术搜索
79. m·j·米尔福德·g·f·惠氏,d·普拉斯“RatSLAM:海马模型同步定位和映射,”诉讼的IEEE机器人与自动化国际会议上04年举行(“国际机器人与自动化会议”),1卷,第408 - 403页,2004年5月新奥尔良,洛杉矶,美国。视图:谷歌学术搜索
80. p . Orponen”,神经网络的计算复杂度:一项调查,”北欧《计算,1卷,不。1,第110 - 94页,1994。视图:谷歌学术搜索|MathSciNet
81. 罗素和p . Norvig人工智能:一种现代方法普伦蒂斯霍尔,卷。25日,恩格尔伍德悬崖,新泽西,美国,1995年。
82. c . m .主教模式识别和机器学习施普林格,2006年。
83. k·d·米勒和d·j·麦凯“约束Hebbian学习的角色,”神经计算》第六卷,没有。1,第126 - 100页,1994。视图:出版商的网站|谷歌学术搜索
84. w . Krauth和m . Mezard”在神经网络学习算法与最优稳定物理学杂志》上。答:数学和通用,20卷,不。11日,L745-L752, 1987页。视图:出版商的网站|谷歌学术搜索|MathSciNet
85. w·郭士纳,和w·m·基斯特勒公司“Hebbian学习的数学公式,”生物控制论,卷87,不。5 - 6,404 - 415年,2002页。视图:出版商的网站|谷歌学术搜索
86. 诉诉Hafner,“认知地图在老鼠和机器人,”适应性行为,13卷,不。2、87 - 96年,2005页。视图:出版商的网站|谷歌学术搜索
87. r·哈德a . Erkan p . Sermanet m . Scoffier穆勒,和y LeCun(“深度信念网学习在远程视觉系统自治越野驾驶”《IEEE / RSJ智能机器人和系统国际会议(——08年)2008年9月,页628 - 633。视图:出版商的网站|谷歌学术搜索

版权

版权©2016年Peter j .芝诺等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。