RatSLAM是一种模拟啮齿动物大脑中导航神经处理机制而提出的类脑导航模型。然而,目前的RatSLAM方法主要依赖于被动的数据集进行实验和建图,这种被动SLAM(Simultaneous Localization and Mapping)方式通常由预先设定的路径或手动控制机...RatSLAM是一种模拟啮齿动物大脑中导航神经处理机制而提出的类脑导航模型。然而,目前的RatSLAM方法主要依赖于被动的数据集进行实验和建图,这种被动SLAM(Simultaneous Localization and Mapping)方式通常由预先设定的路径或手动控制机器人来采集环境数据,因此在面对新的环境时,其性能往往受到限制。为了克服这一局限性,提出一种改进的基于RRT(Rapidly-exploring Random Tree)算法的自主探索策略用于主动的环境探索。当前主流的自主探索算法在环境内部区域的覆盖往往不足,并且在动态环境中可能需要频繁调整路径,这不利于RatSLAM系统的定位和地图更新。相比之下,基于RRT算法的自主探索策略在高维和复杂环境中能够高效探索,实时适应动态变化,并提供全面的环境数据。然而,传统的基于RRT算法的探索方法生成的路径通常不够平滑,不符合动物环境探索活动规律,难以模拟动物真实的运动轨迹,因此不能满足类脑导航的数据采集要求。为此,提出了一种改进的基于RRT算法的自主探索策略,并将其与RatSLAM系统相结合。这一策略使得机器人能够在未知环境中自主移动并采集环境信息,同时RatSLAM系统对这些信息进行处理,生成环境的认知地图。仿真和实际环境中的实验结果表明,该方法在主动建图方面取得了良好的效果,类似于生物探索环境的方式,验证了算法的可行性。展开更多
类脑同步定位与建图(simultaneous localization and mapping,SLAM)通过模仿大脑神经导航机制实现环境建模,同时获得环境中的位置信息,具有较好的导航能力与较高的鲁棒性,但当前的类脑SLAM系统大都在预先获取的环境数据集上进行定位建图...类脑同步定位与建图(simultaneous localization and mapping,SLAM)通过模仿大脑神经导航机制实现环境建模,同时获得环境中的位置信息,具有较好的导航能力与较高的鲁棒性,但当前的类脑SLAM系统大都在预先获取的环境数据集上进行定位建图,对于新环境的兼容性较差。为此提出一种主动的类脑SLAM方法,设计基于Bug算法的环境自主探索方法,驱动机器人在环境中自主移动,主动获取环境信息,同时调用经典的类脑SLAM(RatSLAM)方法对环境信息进行处理,形成环境的认知地图。仿真环境和真实环境下的实验结果表明,本文方法取得了较好的建图效果,与通过人工采集数据建立的环境地图相似度较高,具备可行性.展开更多
This paper describes a brain-inspired simultaneous localization and mapping （SLAM） system using oriented features from accelerated segment test and rotated binary robust independent elementary （ORB） features of R...This paper describes a brain-inspired simultaneous localization and mapping （SLAM） system using oriented features from accelerated segment test and rotated binary robust independent elementary （ORB） features of RGB （red, green, blue） sensor for a mobile robot. The core SLAM system, dubbed RatSLAM, can construct a cognitive map using information of raw odometry and visual scenes in the path traveled. Different from existing RatSLAM system which only uses a simple vector to represent features of visual image, in this paper, we employ an efficient and very fast descriptor method, called ORB, to extract features from RCB images. Experiments show that these features are suitable to recognize the sequences of familiar visual scenes. Thus, while loop closure errors are detected, the descriptive features will help to modify the pose estimation by driving loop closure and localization in a map correction algorithm. Efficiency and robustness of our method are also demonstrated by comparing with different visual processing algorithms.展开更多
文摘RatSLAM是一种模拟啮齿动物大脑中导航神经处理机制而提出的类脑导航模型。然而,目前的RatSLAM方法主要依赖于被动的数据集进行实验和建图,这种被动SLAM(Simultaneous Localization and Mapping)方式通常由预先设定的路径或手动控制机器人来采集环境数据,因此在面对新的环境时,其性能往往受到限制。为了克服这一局限性,提出一种改进的基于RRT(Rapidly-exploring Random Tree)算法的自主探索策略用于主动的环境探索。当前主流的自主探索算法在环境内部区域的覆盖往往不足,并且在动态环境中可能需要频繁调整路径,这不利于RatSLAM系统的定位和地图更新。相比之下,基于RRT算法的自主探索策略在高维和复杂环境中能够高效探索,实时适应动态变化,并提供全面的环境数据。然而,传统的基于RRT算法的探索方法生成的路径通常不够平滑,不符合动物环境探索活动规律,难以模拟动物真实的运动轨迹,因此不能满足类脑导航的数据采集要求。为此,提出了一种改进的基于RRT算法的自主探索策略,并将其与RatSLAM系统相结合。这一策略使得机器人能够在未知环境中自主移动并采集环境信息,同时RatSLAM系统对这些信息进行处理,生成环境的认知地图。仿真和实际环境中的实验结果表明,该方法在主动建图方面取得了良好的效果,类似于生物探索环境的方式,验证了算法的可行性。
文摘类脑同步定位与建图(simultaneous localization and mapping,SLAM)通过模仿大脑神经导航机制实现环境建模,同时获得环境中的位置信息,具有较好的导航能力与较高的鲁棒性,但当前的类脑SLAM系统大都在预先获取的环境数据集上进行定位建图,对于新环境的兼容性较差。为此提出一种主动的类脑SLAM方法,设计基于Bug算法的环境自主探索方法,驱动机器人在环境中自主移动,主动获取环境信息,同时调用经典的类脑SLAM(RatSLAM)方法对环境信息进行处理,形成环境的认知地图。仿真环境和真实环境下的实验结果表明,本文方法取得了较好的建图效果,与通过人工采集数据建立的环境地图相似度较高,具备可行性.
基金supported by National Natural Science Foundation of China(No.61673283)
文摘This paper describes a brain-inspired simultaneous localization and mapping （SLAM） system using oriented features from accelerated segment test and rotated binary robust independent elementary （ORB） features of RGB （red, green, blue） sensor for a mobile robot. The core SLAM system, dubbed RatSLAM, can construct a cognitive map using information of raw odometry and visual scenes in the path traveled. Different from existing RatSLAM system which only uses a simple vector to represent features of visual image, in this paper, we employ an efficient and very fast descriptor method, called ORB, to extract features from RCB images. Experiments show that these features are suitable to recognize the sequences of familiar visual scenes. Thus, while loop closure errors are detected, the descriptive features will help to modify the pose estimation by driving loop closure and localization in a map correction algorithm. Efficiency and robustness of our method are also demonstrated by comparing with different visual processing algorithms.
