一種基於DGSOM神經網絡的RatSLAM算法的製作方法

2023-05-07 22:26:16 2

本發明涉及涉及仿生學、神經網絡與機器視覺領域，尤其涉及一種基於鼠類模型和dgsom神經網絡的同步定位與地圖構建方法。

背景技術：

在生物神經系統中，存在著一種側抑制現象，一個神經細胞的興奮會對周圍其他神經細胞產生抑制作用，這種抑制作用會使神經細胞之間出現競爭，造成神經細胞的興奮或抑制。

1982年芬蘭helsink大學的t.kohonen教授基於這種現象提出一種自組織特徵圖(self-organizingfeaturemap,som)並引入贏者通吃(winnertakeall,wta)理論，研究者們基於該模型的缺陷進行了改進。

1993年martinetz等提出一種神經氣(neuralgas，ng)模型提高了網絡自組織學習過程的效率。

2004年尹峻松等為克服som孤立學習與噪聲敏感等缺陷,結合一氧化氮(no)擴散機理,在som網中引入時間增強機制，提出一種新型擴散的自組織模型(diffusingself-organizingmaps，dsom)。

2009年王春東等將som理論運用於信息學，利用灰色關聯繫數(grc，greyrelationalcoefficient)調整權重檢測拒絕服務攻擊(denyofservice,dos)。

2011年於乃功等將可增長特徵映射圖(growingself-organizingfeaturemap,gsom)融入雙目立體視覺，通過自組織拓撲結構避免了傳統som網需大量實驗才能確定的初始網絡結構。

基於生理學和腦科學研究成果提出的som神經網絡仿生優化方法能夠通過學習自主繪製出拓撲地圖，但需通過大量的嘗試確定其初始網絡結構，效率較低。

技術實現要素：

本發明在gsom神經網絡模型基礎上引入了方向參數和特徵參數構成動態增長自組織特徵圖(dynamicgrowingself-organizingfeaturemap，dgsom)，並應用於澳大利亞milford等提出的ratslam模型中。具體是使用一種方向信息和特徵信息構建動態增長自組織特徵網dgsom以避免初始網絡結構的計算，並將該神經網絡應用於ratslam中的視覺細胞中。

一種基於dgsom神經網絡的ratslam算法，包括如下步驟：

1)創建dgsom網絡；

2)計算權值向量與輸入的距離；

3)決定最佳匹配單元；

4)調節神經元的權重；

5)構建一個新的神經元；

6)將dgsom模型應用於ratslam中。

優選的，所述步驟1)進一步包括：引入輸入神經元c＝＜d,f＞，其中d表示神經元方向，f表示神經元特徵。如圖2所示是dgsom模型神經元的創建過程，其中第3個神經元是競爭出的勝者，第m+1個神經元是新產生的神經元。

優選的，所述步驟2)進一步包括：在第k個輸入vk平面中，到每一個神經元i的距離di可由已知的m個神經元計算得出，現有計算距離的方法有曼哈頓距離、歐氏距離等，這裡採用歐幾裡得距離：

dmin＝min(di)

其中，輸入神經元ck＝[ω1k,...,ωik,...,ωmk]t，權向量ωij＝[ω1j,...,ωij,...,ωmj]t。

優選的，所述步驟3)進一步包括：通過引入閾值參數α判定是否需引入新的神經元，決定最佳匹配單元的具體算法為：

優選的，所述步驟4)進一步包括：對於新引入的神經元，有

ωijt+1＝cijk

對於已引入的神經元有

其中，且β0賦初值0.1，ρ為允許在神經單元i處創建的新節點數目，且權重需滿足約束條件||ωij||≤1。

優選的，所述步驟5)進一步包括：通過移動機器人在環境中探索，重複步驟1-4過程。

優選的，所述步驟6)進一步包括：通過攝像頭獲取局部場景，利用視覺裡程計信息路徑綜合至位姿細胞從而影響經歷製圖；融合dgsom神經網絡模型的視覺細胞一方面對位姿細胞進行視覺關聯，另一方面直接影響經歷圖的構建。

本發明的優點在於：

1.複雜度：與現有ratslam模型相比，融合dgsom神經網絡的ratslam模型能夠通過減少視覺細胞的數量從而降低系統的複雜度。

2.實時性：與現有ratslam模型相比，融合dgsom神經網絡的ratslam模型能夠更早的進行場景重定位使系統在閉環檢測方面具有更好的實時性能。

3.魯棒性：通過準確率、召回率及f1值進行閉環檢測的穩定性測試，並通過加入高斯噪聲後的準確率、召回率及f1值進一步分析其魯棒性。

附圖說明

圖1為本發明融入dgsom神經網絡的ratslam模型示意圖；

圖2為dgsom模型神經元的創建過程；

圖3為本發明ratslam模型與dgsom+ratslam模型性能對比；

圖4為本發明高斯噪聲下的ratslam模型與dgsom+ratslam模型性能對比。

具體實施方式

為使本發明實現的技術手段、創作特徵、達成目的與功效易於明白了解，下面結合具體實施方式，進一步闡述本發明。

一種基於dgsom神經網絡的ratslam算法，具體如下：

如圖1所示，局部場景細胞在環境中學習獨特場景，由頭方向細胞和位置細胞合併形成的位姿細胞表徵當前位置，拓撲化的經驗圖用節點和鏈路編碼局部場景細胞和位姿細胞構成ratslam模型，dgsom神經網絡不斷地進行獲勝單元的優選及視覺細胞數量的控制。

如圖2所示是dgsom模型神經元的創建過程，輸入神經元c＝＜d,f＞，其中d表示神經元方向，f表示神經元特徵，其中第3個神經元是競爭出的勝者，第m+1個神經元是新產生的神經元。

如圖3所示，相比於現有ratslam模型，dgsom+ratslam模型採集相同場景時所需視覺細胞的個數更少，能夠更快的進行場景重定位且匹配效果更佳。經計算，ratslam算法和dgsom+ratslam算法的準確率p分別達93.26％和94.74％，差異性不顯著；但相比於傳統的ratslam模型，融入dgsom神經網絡的ratslam模型的召回率r具有顯著的提升，其中，ratslam算法的召回率r僅有75.28％，即該算法在場景重定位中會導致較多的假陰性判斷，dgsom+ratslam算法的召回率r改進至86.88％，兩種模型的f1值分別為83.31％與90.64％，可以看出，融入dgsom神經網絡模型的ratslam算法性能得到了一定的改進。

如圖4所示，為進一步驗證dgsom+ratslam模型的有效性，給所需處理的圖像添加隨機高斯噪聲，其中正態分布的均值μ取0，標準差σ取隨機值[0.02,0.08]。相比於gauss-ratslam模型，gauss-dgsom+ratslam模型採集相同場景時所需視覺細胞的個數仍然更少，仍能夠更快的進行場景重定位且匹配效果更佳。在每一幀圖像中加入高斯噪聲後檢測融入dgsom神經網絡模型的ratslam算法，其準確率p分別達91.42％和86.70％，召回率r分別為71.33％和80.25％，計算得f1值分別為80.14％和83.35％，

以上顯示和描述了本發明的基本原理、主要特徵和優點。本行業的技術人員應該了解，上述實施例不以任何形式限制本發明，凡採用等同替換或等效變換的方式所獲得的技術方案，均落在本發明的保護範圍內。