基于大脑海马认知机理的主从式AUV协同定位方法.pdf
《基于大脑海马认知机理的主从式AUV协同定位方法.pdf》由会员分享,可在线阅读,更多相关《基于大脑海马认知机理的主从式AUV协同定位方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、第32卷第1期 中国惯性技术学报 Vol.32 No.1 2024 年 01 月 Journal of Chinese Inertial Technology Jan.2024 收稿日期:收稿日期:2023-08-14;修回日期:修回日期:2023-12-08 基金项目:基金项目:黑龙江省自然科学基金(YQ2021E011);国家自然科学基金(52371368,51979047)作者简介:作者简介:李倩(1983),女,副教授,硕士生导师,从事协同导航与组合导航技术研究。文章编号:文章编号:1005-6734(2024)01-0027-07 doi.10.13695/ki.12-1222/o3
2、.2024.01.004 基于大脑海马认知机理的主从式基于大脑海马认知机理的主从式 AUV 协同定位方法 协同定位方法 李 倩,聂 简,黄鸿殿,孔庆宇,奔粤阳(哈尔滨工程大学 智能科学与工程学院,哈尔滨 150001)摘要:摘要:针对 AUV 协同定位系统中水声测距信息存在大量野值的问题,提出一种基于哺乳动物大脑海马体空间细胞认知机理启发的主从式 AUV 协同定位方法。首先,利用二维连续吸引子网络模型对网格细胞进行建模,并基于从艇速度与航向信息实现路径积分;其次,引入竞争性 Hebb 网络对多个网格细胞板自组织编码,从而基于多尺度网格细胞板加权生成具有单个放电活动包的位置细胞板;最后,将主从艇
3、之间的水声测距量测信息转化为位置细胞放电活动,并利用其对位置细胞放电进行更新,从而校正从艇路径积分累积误差。由于位置细胞能够通过多次放电更新逐渐逼近真实位置,从而可以有效降低单一量测野值对于系统定位精度的影响。仿真实验结果表明,在水声测距量测噪声含有大量野值点而不满足高斯分布的情况下,所提出的类脑协同定位算法对量测噪声野值具有更高的鲁棒性,与有阈值判断的扩展卡尔曼滤波(EKF)协同定位算法相比定位精度提高 28%。关 键 词:关 键 词:自主水下航行器;协同定位;大脑海马体;位置细胞;网格细胞 中图分类号:中图分类号:U666.1 文献标志码:文献标志码:A A master-slave co
4、operative localization method for multiple AUVs based on cognitive mechanism of hippocampus LI Qian,NIE Jian,HUANG Hongdian,KONG Qingyu,BEN Yueyang(College of Intelligent Systems Science and Engineering,Harbin Engineering University,Harbin 150001,China)Abstract:Aiming at outliers existing in the und
5、erwater acoustic measurement in a cooperative localization(CL)system for multiple autonomous underwater vehicles(AUVs),a master-slave CL algorithm based on cognitive mechanism of hippocampal spatial cells is proposed.Firstly,grid cells are modeled by 2D continuous attractor network for path integrat
6、ion based on velocity and heading information of slave AUV.Secondly,multiple grid cell plates are self-organized using competitive Hebbian network,and a place cell plate with a single firing spike are generated based on multi-scale grid cell plate.Finally,the distance measurement between leader AUV
7、and salve AUV is converted into cell firing activity and update place cells to correct the accumulated path integral error of slave AUV.Since place cells gradually approximate real position through multiple firing updates,the negative influence of measurement outliers can be effectively reduced.The
8、simulation results indicate that the proposed brain-inspired CL algorithm is more robust to outliers existing in the measurement noise,and the localization accuracy can be improved by 28%compared to the threshold EKF-based CL algorithm.Key words:autonomous underwater vehicle;cooperative localization
9、;hippocampus;place cell;grid cell 在海洋科学研究与军事打击任务中,单体自主水下航行器(Autonomous Underwater Vehicle,AUV)受限于搭载传感器的种类、感知范围以及信息处理能力,往往难以满足复杂任务需求。与单体 AUV 不同,AUV 集群协同作业能够以更高的效率执行更加复杂的分布式任务,而且更适应复杂动态环境,因而受到广泛关注1。针对 AUV 集群编队,基于艇间信息交换与共享实现 AUV 协同定位是提高编队整体导航定28 中国惯性技术学报 第 32 卷 位性能的主要技术途径。在主从式协同定位系统中,部分主 AUV 搭载高精度惯性导航系
10、统或惯性基组合导航系统,其余从 AUV 装备低精度航位推算系统。主从 AUV 通过水声通信设备共享定位信息并获取艇间相对距离量测信息,从而利用数据融合技术估计并校正从 AUV 定位误差。通常情况下,水下复杂环境会导致艇间水声测距量测信息含有大量野值2,进而导致 AUV 协同定位系统量测噪声一般不满足高斯分布假设,从而对 AUV 协同定位算法的鲁棒性提出了更高需求。目前,AUV 协同定位主流核心算法大都基于贝叶斯估计框架,而这其中卡尔曼滤波(Kalman Filter,KF)是协同定位算法中最常见也是工程上最易实现的方法之一。由于 AUV 协同定位系统量测模型具有非线性,所以协同定位算法中 KF
11、 通常以其非线性扩展形式出现,即扩展卡尔曼滤波(Extended Kalman Filter,EKF)3。除 此 之 外,无 迹 卡 尔 曼 滤 波(Unscented Kalman Filter,UKF)、容积卡尔曼滤波(Cubature Kalman Filter,CKF)也被应用于协同定位从而达到减小非线性量测模型线性化误差的目的4,5。但是,上述协同定位算法在面对非高斯噪声时,存在导航状态估计精度下降、甚至滤波失效等问题6。粒子滤波(Particle Filter,PF)虽然能够解决非高斯噪声估计问题,但需要大量粒子才能较好地近似系统后验概率密度,因此其巨大的计算量限制了该算法在实际工
12、程中的应用7-9。针对 AUV 协同定位非高斯噪声问题,文献10提出一种基于泰勒级数展开的扩展Students t 鲁棒卡尔曼滤波算法(Students t Extended Kalman Filter,SEKF),解决 AUV 协同定位过程中水声测距噪声非高斯分布问题。文献11将基于改进广义最大似然估计的卡尔曼滤波与交互式多模型算法结合,解决 AUV 协同导航过程中量测噪声非高斯分布与时变问题。文献12采用统计方法对磁罗盘、GPS、水声定位与通信设备的输出进行野值判别与剔除。当输出被判定为野值时,EKF只进行时间更新而不进行量测更新。值得注意的是,上述方法都是在传统卡尔曼滤波框架下进行算法鲁
13、棒优化设计。在探索更加高效导航方法的过程中,研究人员发现哺乳动物不需要高精度的感官信息就能确定自身在复杂环境中所处的位置13。通过模仿哺乳动物大脑海马体空间细胞导航机理,研究人员提出了模仿生物大脑的类脑导航方法,并将类脑导航机理应用于视觉SLAM领域14。通过建立空间表征细胞模型,编码多种定位信息模拟神经细胞放电表征环境位置变化,进而完成导航定位15。昆士兰科技大学 Milford 教授团队建立的 RatSLAM16系统利用局部视图细胞和位姿细胞,使用吸引子网络建立细胞模型,通过视觉模板信息对视觉里程计误差进行校正,从而准确表达机器人位置信息。但是,RatSLAM 主要基于纯视觉信息用于导航定
14、位。近年来,研究人员逐渐开始利用多种大脑导航细胞模型实现多源导航信息融合。文献17提出的 NeuroBayes-SLAM 使用头朝向细胞和网格细胞实现角度编码与位置编码,并基于贝叶斯理论将视觉信息与运动信息融合到细胞模型编码中。北京工业大学于乃功团队提出了一种包含头朝向细胞、条纹细胞、网格细胞、位置细胞的机器人建图方法18,19。利用视觉信息对路径积分误差进行校正,并验证了网格细胞积分对于不合法或者突变数据具有一定的滤波整合效果,相比于纯路径积分拥有更高的定位精度。受大脑海马体不同种类细胞模型之间信息交互机制的启发,本文提出一种基于海马体细胞模型的主从式 AUV 协同定位方法。首先,基于二维吸
15、引子网络模型构建网格细胞模型,并利用其对航向信息与速度信息进行路径积分。在此基础上,利用竞争性 Hebb学习使多尺度的网格细胞生成具有单个放电活动包的位置细胞。最后,将 AUV 主从艇之间的水声测距量测信息转化为位置细胞放电变化,并通过位置细胞多次放电更新后的累积变化逐渐逼近真实位置,降低量测野值对 AUV 位置更新的影响,从而实现对从艇航位推算累积误差的抑制。1 1 基于水声测距的协同定位系统模型 基于水声测距的协同定位系统模型 本文采用双领航艇主从式 AUV 协同定位配置方式。考虑到 AUV 普遍配备高精度深度传感器,且其深度误差不随时间累积,因此将 AUV 三维定位问题简化为二维定位问题
16、。选取东-北-天地理坐标系作为导航坐标系,从 AUV 在 x-y 水平面上的离散运动学方程如式(1)所示:11cossinkkkkkkkkxxt vyyt v (1)其中,T,kkkxyX表示 k 时刻 AUV 东向与北向位置,控制输入T,kkkvU可以通过 AUV 所搭载的多普勒计程仪或电磁计程仪与罗经系统测量得到。实际工程中,传感器输出均受到噪声干扰,因此可以表示为:,kkkv kkkvvww(2)其中,T,kv kkwww表示系统噪声。系统量测信息T1,2,kkkzzZ是AUV主从艇之间第 1 期 李倩等:基于大脑海马认知机理的主从式 AUV 协同定位方法 29 的距离,可以表示为:22
17、1,1,222,21,1,2,2,()()()()kkkkkkkkkkkkzxxyyxxyyz(3)其中,1,2,kkzz分别表示从 AUV 与主 AUV1、主AUV2 之间的距离量侧信息,可由水声设备获得。T1,1,1,kkkxyX、T2,2,2,kkkxyX分 别 表 示 主AUV1 与主 AUV2 的位置信息,1,2T,kkk v表示水声测距量测噪声。根据式(1)式(3),基于水声测距量测信息的AUV 协同定位系统模型可以表示为:1,kkkkkkkXfXUwZh Xv(4)其中,()f表示非线性状态方程函数,()h表示非线性量测方程函数。在基于海马体细胞模型的 AUV 协同定位算法中,首
18、先利用网格细胞完成路径积分,即实现如式(1)所示的kX时间更新。进一步,将路径整合信息传递给位置细胞,通过位置细胞放电获得 AUV 实际位置。为校正从 AUV 航位推算误差,获取 AUV 艇间测距信息kZ并将其转换为位置细胞放电输入,从而对位置细胞进行校正,即实现如式(3)所示的量测更新。同时,为维持位置细胞稳定放电过程,通过全局兴奋与全局抑制将放电活动包限制在有效范围内。最后,从 AUV 经协同校正后的位置信息可以根据校正后的位置细胞放电活动计算得出。基于海马体细胞模型的AUV 协同定位算法具体原理框图如图 1 所示。图 1 基于海马体的 AUV 协同定位原理 Fig.1 Principle
19、 of cooperative localization for multiple AUVs based on hippocampal formation 2 2 基于大脑海马细胞的协同定位算法 基于大脑海马细胞的协同定位算法 2.1 基于网格细胞的航位推算 2005 年,Hafting 等在大鼠脑海马体中发现网格细胞,研究表明其在生物活动时主要起路径积分作用20。通过构建合适的数学模型模拟动物大脑网格细胞作用机理,可以实现基于子艇航向与速度信息的路径积分。本文采用 Bruak 提出的二维吸引子模型对网格细胞进行建模21。吸引子模型中的细胞相互连接,通过合理的激励、抑制与连接机制,可以驱动细胞
20、网络状态向偏移方向连续移动,形成稳定的六边形放电活动包,从而实现路径积分。采用二维吸引子网络模型进行建模,网格细胞在x-y 水平面上排列形成xyNN的二维细胞板。其中,xN、yN分别表示细胞板 x、y 轴向排列的细胞数量,如图 2(a)所示。由于细胞板的长度与宽度有限,为解决吸引子边界问题,将细胞板上下两侧的细胞与左右两侧的细胞相连接,从而组成如图 2(b)所示的二维环状模型结构。(a)网格细胞板平面结构图(b)网格细胞板连接示意图(a)Structure of grid cells (b)Connection of grid cells 图 2 二维连续吸引子网络模型 Fig.2 2D co
21、ntinuous attractor network model 网格细胞的放电由吸引子动力学等式给出,即:ddxyNNiiijjijssfW sBt(5)其中,表示网格细胞神经元相应的时间常量;is表示xyNN个吸引子细胞中第i个网格细胞的放电率;神经元传递函数 f是一个简单的非线性整流函数,即当x0时,fxx;当0 x时,0fx。iB用于输入优先方向的速度信息,即:1iiB ev(6)其中,ie表示指向网格细胞i优先朝向的单位向量,v 表示速度向量,可由AUV控制输入中的速度经由航向分解获得。实际应用中网格细胞的优先朝向是任意值,为方便程序编码,将网格细胞优先方向设定为北、南、东、西四个方
22、向,分别对应0、/2、3/2,在网格细胞板中22的区域内均匀排布,如图3所示。图 3 网格细胞的优先朝向 Fig.3 Preferred direction of grid cells 30 中国惯性技术学报 第 32 卷 根据图3可知,每个网格细胞都与周围其它网格细胞相互连接,从而接收其它网格细胞的信息输入。权值ijW表示网格细胞j到网格细胞i之间的连接权值,具体表达式为:0jssijijWWlxxe(7)其中,22|0()W xaxxee(8)式(8)中,a、均为权值调节参数,由经验值设定,一般取1.05,2net 3/,net 表示网格周期,可以用来调节生成网格图案的大小。T,siisi
23、sxyx表示编号为i的网格细胞在细胞板上的横纵坐标位置向量。式(7)中的l与式(6)中的决定了速度输入的驱动强度。根据式(7)可知,权值矩阵分布呈以jlxe为中心的墨西哥帽形状分布,如图4(a)所示,通过调节a可以调节细胞网络中单个网格细胞激励或抑制周围网格细胞放电。特别地,当1a时,权值都为负,即网格细胞之间的连接都是抑制性的,如图4(b)所示。(a)a=1.0315 (b)a=1 图 4 权值分布 Fig.4 Weight distribution 通过上述网格细胞神经元网络的激励与抑制作用,可以促使网格细胞放电图形向真实方向移动,从而表达AUV的位移信息,如图5所示。图 5 网格细胞移动
24、示意图 Fig.5 Movement of grid cell 需要注意的是,单一网格细胞板放电对位置信息的表达具有歧义。因此,需要通过改变net 生成具有不同尺度的网格细胞板,从而使用多个网格细胞板联合解码得到精确位置信息,不同尺度网格细胞如图6所示。(a)net=12 (b)net=20 (c)net=30 图 6 不同尺度网格细胞 Fig.6 Grid cells with different scales 在获得多尺度网格细胞的基础上,进一步通过由网格细胞到位置细胞的放电即可实现对真实位置的表达。位置细胞于1971年被O Keefe等人在对鼠脑海马体研究的过程中发现13,该细胞主要起到
25、环境认知的作用,一个位置细胞神经元和物理空间中某一具体位置有着对应关系。生物学上位置细胞的放电受到多种感官信息的影响,而网格细胞放电就是位置细胞的信息输入来源之一。多个不同尺度的网格细胞板放电作为前向输入,使位置细胞生成单一的放电活动包,从而表征AUV位置信息。为了处理不同尺度网格细胞的输入,使用竞争性Hebb网络更新不同尺度网格细胞到位置细胞的权值,即:d dnniigwK psIt(9)其中,nw表示第n层网格细胞板到位置细胞板的连接权值,K表示学习率,ip表示位置细胞放电率,nis表示第n层网格细胞板中第i个网格细胞的放电率,Ig表示学习阈值,一般由nis的平均值确定。位置细胞的放电率可
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 大脑 海马 认知 机理 主从 AUV 协同 定位 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。