[发明专利]一种基于空间记忆神经机制的广域环境编码方法和系统

权利要求书

1.一种基于空间记忆神经机制的广域环境编码方法，其特征在于，所述方法包括：

利用预训练过的深度卷积神经网络对连续RGB视觉图像序列进行逐层抽象表示，得到基于机器人位置和相机方向角信息的L个视觉节点活动，其中第k个节点的放电响应值为l_k；k∈{1,2,3,…L}；当机器人在未知环境中自主探索时，通过摄像装置连续采集到的RGB视觉图像经过深度卷积神经网络VGG16的抽象表示，转化为与机器人位置和方向角信息有关的视觉特征，形成表征哺乳动物大脑中外侧内嗅皮层LEC神经元的视觉节点的活动值；

利用MEC神经元对来自前庭系统运动信息的路径整合规则，形成M个栅格节点的周期性六边形网格状放电模式，其中第j个栅格节点的响应值g_j；j∈{1,2,3,…M}可由设定间距λ_j、设定方向和设定相位φ_j定量刻画，栅格节点活动值定义为以位置信息为自变量的三角栅格函数；

利用比例因子ρ调整视觉信息与运动信息的输入比例，以进行多源信息整合，得到P个位置节点的隐含响应值，其中第i个位置节点的隐含响应值为h_i；

位置节点遵循稀疏编码规则维持放电频率，得到每个位置节点i的活动值p_i；

基于突触可塑性原理，利用痕迹学习规则更新视觉节点k与位置节点i的突触连接v_ik、栅格节点j与位置节点i的突触连接w_ij；

利用位置节点活动值更新痕迹学习规则中的短时活动记忆参数

基于痕迹学习规则更新所述视觉节点k与位置节点i的突触连接v_ik，用公式表示为：

栅格节点j与位置节点i的突触连接w_ij的更新规则用公式表示为：

其中η和ε分别为竞争连接v_ik、w_ij的学习率；

利用位置节点活动值更新痕迹学习规则中的短时活动记忆参数用公式表示如下：

其中，κ为痕迹长度调整参数。

2.如权利要求1所述的方法，其特征在于，根据j∈{1,2,3,…M}和位置点定义三角栅格函数g_j(t)，按照如下公式定义：

其中，第j个栅格节点的方向可依据第d：d∈{1,2,3}个计算方案投影至方向上，按照如下公式表示：

3.如权利要求1所述的方法，其特征在于，所述第i个位置节点的隐含响应值h_i为：

4.如权利要求1所述的方法，其特征在于，所述位置节点遵循稀疏编码规则维持放电频率，得到每个位置节点i的活动值p_i，包括：

当位置节点的隐含响应值h_i超过阈值θ时，位置节点维持高放电频率；或者当h_i低于阈值θ时，位置节点趋向于低放电频率乃至静息态，第i个位置节点的活动值p_i为：

在每一时间步长，有P×a个位置节点活动数值能够超过阈值，其中a用公式表示：