一种受大脑启发的SLAM系统，采用多尺度空间单元模型和视觉时间记忆机制

《Neurocomputing》：A brain-inspired SLAM system with multi-scale spatial cell model and visual temporal memory

　　

邹强|陈一伟|赵丽杰|王宇|王飞

东北大学机器人科学与工程学院，沈阳，110167，中国

摘要

受大脑启发的同时定位与地图构建（SLAM）技术在实现鲁棒和长期的自主导航方面受到了越来越多的关注。然而，现有方法仍然存在空间编码能力有限、视觉位置识别（VPR）的鲁棒性不足以及在熟悉场景中空间单元错误重新激活的问题。为了解决这些挑战，本文提出了一种新型的基于大脑启发的SLAM系统。首先构建了一个多尺度空间单元模型，以扩展空间编码范围并减少大规模环境中的编码歧义，从而提高空间表示的稳定性和长期定位能力。在此基础上，采用了一种受分层时间记忆（HTM）启发的预测机制来捕捉视觉观测中的时间依赖性，增强了VPR在环境变化下的鲁棒性。此外，还开发了一种基于场景记忆的空间单元重新激活机制，以防止在熟悉场景中错误激活空间单元，并提高认知地图构建的一致性。在仿真和真实世界环境中的大量实验验证了该方法的有效性，显著提高了空间编码能力、视觉识别鲁棒性和轨迹精度。在KITTI数据集上的定量结果显示，与ORB-NeuroSLAM相比，该系统将绝对轨迹误差（ATE）降低了65%至92%，最低误差达到0.51米。此外，它保持了至少15 Hz的实时性能，并实现了与ORB-SLAM3相当的轨迹拓扑一致性，全面证明了其可靠性和优越性能。

引言

自主导航是智能机器人的基本能力，使它们能够在没有人类干预的情况下感知环境并有效朝向目标移动。它支撑了包括自动驾驶、物流自动化和医疗机器人技术在内的广泛应用。因此，自主导航已成为机器人研究的主要焦点。然而，对实时性能、能效、鲁棒性和长期可靠性的严格要求使得许多现有解决方案不适用于实际部署[1]。因此，研究人员有动力探索创新方法，例如受生物启发的解决方案。

在自然界中，生物通过整合多种感官模式与内部计算过程来实现鲁棒导航。例如，迁徙昆虫利用天体线索进行远距离定向[2]，海龟依靠地磁特征进行大规模导航[3]，哺乳动物通过海马-内嗅回路编码认知地图[4]。受这些生物机制的启发，受生物启发的导航作为一种有吸引力的范式出现，旨在将自然导航的原理转化为计算模型和机器人系统[5]。最近的研究从多个角度探讨了这一范式，包括受生物启发的传感器[6]、神经形态硬件[7]以及空间认知和导航的计算模型[8]。在这些努力中，受大脑启发的SLAM因其在空间表示和自我定位中的作用而受到越来越多的关注。例如RatSLAM[9]、NeuroSLAM[10]和ORB-NeuroSLAM[11]，它们模仿空间单元的放电模式来支持机器人定位和地图构建。

尽管取得了这些进展，现有的基于大脑启发的SLAM算法仍面临几个关键挑战，特别是在空间编码能力和VPR鲁棒性方面。首先，通常用于网格单元建模的单尺度连续吸引子网络（CAN）模型受到固定空间尺度的限制，这限制了它们实现高分辨率和明确空间编码的能力。提高空间分辨率需要网络规模的指数级增加，从而导致吸引子动态的计算负担加重。其次，基于大脑启发的SLAM系统中的VPR模型通常缺乏受生物学启发的记忆机制，这在环境变化下会降低识别能力。最后，现有的基于大脑启发的SLAM系统在识别熟悉场景时可能会出现空间单元错误激活的情况，从而可能在认知地图构建中引入不一致性。这些问题共同限制了基于大脑启发的SLAM系统的整体性能。

为了解决上述挑战，本文提出了一种新型的基于大脑启发的SLAM系统。主要贡献总结如下。

• 1.
  构建了一个基于多尺度CAN的空间单元模型，其中网格头部方向（GHD）单元空间的尺度使用剩余数系统确定。同时采用群体向量解码和余数解码来推断位置单元的活动。此外，引入了一种新的多尺度网格单元活动稳定机制，以获得稳定的GHD单元放电模式。因此，空间编码能力得到了有效提升。
• 2.
  采用了一种受HTM启发的预测机制来捕捉HOG描述符之间的时间关系，实现了基于序列的鲁棒视觉位置识别。基于识别结果，进一步设计了一种基于场景记忆的空间单元重新激活机制，以检索相关经验节点并纠正空间单元活动，从而防止空间单元错误激活并提高长期导航的鲁棒性。
• 3.
  在仿真和真实世界环境中进行了大量实验。结果表明，多尺度空间单元模型显著扩展了空间编码范围，同时计算成本较低；而受HTM启发的VPR模型在具有挑战性的条件下提高了视觉位置识别性能。此外，所提出的基于大脑启发的SLAM系统始终优于现有的基于大脑启发的SLAM方法，并实现了与ORB-SLAM3相当的轨迹拓扑一致性。这些发现全面验证了该系统的有效性和鲁棒性。

本文的其余部分组织如下。第2节回顾了相关工作。第3节介绍了所提出系统的概述。第4节详细描述了所提出的方法。第5节评估了所提算法在仿真和真实世界环境中的性能。第6节讨论了所提出的方法。最后，第7节总结了本文并概述了未来的研究方向。

章节片段

基于大脑启发的SLAM的神经基础

随着现代神经科学的进步，动物空间认知的神经机制逐渐被揭示。O’Keefe等人[12]发现了海马中的位置单元，这些单元编码特定位置，而Ranck等人[13]发现了表示方向朝向的头方向单元。随后，Moser等人[14]报告了网格单元，这些单元在空间探索过程中表现出周期性的六边形放电模式。进一步的研究表明，网格单元是

系统概述

本研究旨在结合空间单元的放电机制来开发一种基于大脑启发的SLAM系统。所提出的方法旨在实现准确可靠的自主定位和地图构建，并为智能机器人提供生物学上一致的空间感知能力。所提出系统的整体架构如图1所示。它由两个核心模块组成：多尺度空间单元模块和受HTM启发的VPR模块。

多尺度空间

单尺度GHD单元网络

通常使用一维CAN来模拟头部方向编码，而二维CAN用于表示网格单元。在这项工作中，采用单尺度三维CAN来共同编码网格单元和头部方向单元的放电活动。具体来说，二维平面表示网格单元的放电模式，而垂直维度编码头部方向活动，从而形成GHD单元网络。如图2所示，周期性边界

实验结果

在本节中，我们在配备Intel Core i5-1340P CPU、16 GB RAM并运行Ubuntu 20.04的Intel NUC平台上进行了四组实验。首先，我们进行了比较实验，分析了多尺度空间单元模型相对于单尺度模型的空间编码优势。随后，在公共基准测试中评估了所提出的HTM启发式VPR方法。接下来，我们将所提出的基于场景记忆的重新激活机制与纯

讨论

上述实验结果表明，所提出的系统为提高基于大脑启发的SLAM中的空间编码能力、视觉位置识别的鲁棒性和地图一致性提供了有效的解决方案。

所提出的多尺度空间单元模型的一个关键优势是它减轻了单尺度表示中固有的编码歧义。通过将空间编码扩展到多个尺度，该模型扩大了明确的编码范围并提高了稳定性

结论

本文提出了一种新型的基于大脑启发的SLAM系统，通过三项关键创新在复杂环境中实现了可靠的定位和地图构建。首先，基于多尺度的CAN空间单元模型提高了空间编码分辨率，同时保持了计算效率。其次，受HTM启发的VPR方法在环境变化下提高了鲁棒性。第三，基于场景记忆的空间单元重新激活机制防止了在熟悉场景中的错误激活

CRediT作者贡献声明

邹强：撰写 – 审稿与编辑、监督、项目管理、方法论、资金获取、概念化。陈一伟：撰写 – 原始草稿、可视化、验证、方法论、调查、数据管理、概念化。赵丽杰：撰写 – 原始草稿、方法论、调查、数据管理。王宇：可视化、验证、方法论。王飞：撰写 – 审稿与编辑、监督、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

邹强于2022年从中国大连理工大学机械工程学院获得博士学位。他目前是东北大学机器人科学与工程学院的讲师。他的研究兴趣包括基于大脑启发的SLAM、仿生导航和视觉位置识别。