[发明专利]一种基于视觉注意机制的自主学习导航方法

权利要求书

1.一种基于视觉注意机制的自主学习导航方法，其特征在于，包括以下几个步骤：

S1、获取视觉导航模型的前端输入和后端输入，其中，前端输入信息由图像传感器不断输入，后端输入信息在前两个时刻由外界输入，后续时刻由此前时刻的模型输出作为输入；

S2、前端输入经过注意机制处理，关键区域的图像被保留，其余区域的图像被抑制；

S3、经过注意机制处理的前端输入与自底向上的权重内积计算得到自底向上的部分预响应，后端输入与自顶向下的权重内积计算得到自顶向下的部分预响应，两个部分预响应叠加得到总预响应,预响应经过竞争，得到Y区域响应；

S4、Y区域响应与Z区域自底向上的权重内积计算得到Z区域响应，将Z区域响应映射到效应空间，得到最后的导航输出；

S5、视觉导航模型自主学习更新，进入下一轮步骤循环,直到不再接收到前端输入，循环终止。

2.根据权利要求1所述的一种基于视觉注意机制的自主学习导航方法，其特征在于，S1中所述得到模型的输入，具体为：

得到前端输入是指从图像传感器得到导航环境图像，图像被预处理为38*38像素的单通道灰度图，将该灰度图展开为1*1444的一维数据，经过归一化处理后，将一维数据输入到发育神经网络的前端，即X区域，记为X_r；将输入图像X_r归一化处理：

x_r←normalization(x_r)

其中，x_r为输入图像，normalization()为归一化函数；

后端输入是将引导信息输入到发育神经网络的后端，即Z区域，引导信息包括：导航动作引导、GPS引导、注意位置、障碍物体以及尺度信息。

3.根据权利要求1所述的一种基于视觉注意机制的自主学习导航方法，其特征在于，S2中所述注意机制，即，将输入图像与感受野做蒙版操作，具体如下：

x_r←x_r e Mask_b

其中，x_r为输入图像，⊙为点乘运算，Mask_b为自底向上的注意力蒙版，前端输入经过注意机制处理，关键区域的图像被保留，其余区域的图像被抑制。

4.根据权利要求1所述的一种基于视觉注意机制的自主学习导航方法，其特征在于，S3中所述得到Y区域响应，具体如下：

S31、预处理后的前端输入与自底向上的权重做内积；

其中，r_b为Y区域自底向上的响应，w_b为自底向上的权重，为内积运算，x_r为输入图像；

S32、计算Y区域自顶向下的响应r_t；

其中，r_t为Y区域自顶向下的响应，z_r为后端输入，即监督信息，w_t为自底向上的权重；

S33、响应预筛

为了消除随机噪声的干扰，对响应r_b和r_t进行预筛操作，将响应值小于阈值cutValue的响应归零；

r_t(r_tcutValue)←0 r_b(r_bcutValue)←0

S34、计算Y区域的总预响应r_p

r_p＝k*r_t+(1-k)r_b

其中，k为自顶向下的响应的影响因子，(1-k)为自底向上的响应的影响因子，其和为1；

S35、Top-k竞争机制

采用Top-k竞争机制，r_p最大的那个神经元为激活神经元，将响应最大的K个神经元的响应置1，其余神经元的响应置0；

r_y(argmax(r_p))←1

其中，argmax()为得到响应最大值的位置的函数，r_y为经过竞争的Y区域响应。