本发明公开了一种基于人工智能网络的动态导航方法，该方法利用连续吸引子网络构建导航框架，通过网格单元、头部朝向单元和视觉感知建模实现动态位置、姿态的估计，结合经验环境模型实现三维位置和姿态信息的输出，并根据网格单元网络、头部朝向单元网络和视觉单元网络的观测信息对经验环境模型进行修正和更新，构建长短时记忆网络，根据历史获得的网格单元、头部朝向单元和视觉单元的观测信息对下一时刻的位置和姿态进行预测，通过调整长短时记忆网络参数实现比较误差的修正，并利用经验环境模型实现三维导航输出。本方法能够应用于复杂未知环境，充分利用多源导航观测信息，实现部分先验信息缺失下的动态精准导航，为智能信息获取与感知提供有效技术支撑。
1.一种基于人工智能网络的动态导航方法，其特征在于，包括以下步骤：步骤A、确定连续吸引子网络的模型和参数，采用二维连续吸引子网络构建头部朝向单元模型，采用三维连续吸引子网络构建三维网格单元模型；
步骤B、步骤A中所述三维网格单元模型表示空间三维坐标，其构建流程为：首先，利用具有局部兴奋和全局抑制的连续吸引子网络动力学模型来对目标活动进行更新；其次，结合平移速度和旋转速度通过三维路径积分实现局部兴奋的移动；最后，当输入相似的路径图片时，目标的移动由局部视图单元进行更新；
所述步骤B中，三维网格单元的局部兴奋模型由权重矩阵描述，其实现方法为通过三维高斯函数创建一个兴奋权重矩阵 ，u，v，w代表每个三维网格单元之间的距离：其中，δx，δy，δz是三维空间分布的方差，都是常数，三维网格单元中的活动变化通过矩阵 来表示，计算方法为：其中，nx，ny，nz是这个矩阵的三个维度，其与u，v，w的关系为：，x、y和z表示三维坐标空
间，i，j，k表示对应的第i，j，k个 ， mod表示取余数；
所述步骤B中，每个三维网格单元都能通过局部抑制的功能使临近的单元得到抑制，在抑制进行的过程中，通过抑制权重矩阵 来对活动进行更新；局部抑制与全局抑制的过程都通过 中的非负值进行计算，具体为：其中，φ是全局抑制函数；
三维网格单元的整体活动最后会被归一化以使所有单元回到同一状态，表示为：其中，x,y,z表示三维坐标空间，i,j,k表示第i,j,k个 ，nx,ny,nz表示矩阵的三个维度；
所述步骤B中，三维路径积分将三维网格单元的活动映射到其他临近的单元中，单元的活动在当前头部朝向角度θ下，通过平移的速度v，以及高度变化的速度vh分别映射到x，y平面以及z轴上，单元兴奋活动变化的计算方法为：其中δx0,δy0,δz0表示三维空间分布的初始方差，γ表示残差，l,m,n表示第l,m,n个网格单元；
单元活动的数量由两个输入决定，两个输入量一个来自发送单元T ，另一个来自残余量γ，它是根据补偿值的极小部分δxf，δyf，δzf来计算的，具体描述为：其中，kx，ky，kz是三维路径积分中的常数，γ的计算方式为：，其中
所述步骤B中，局部视图单元与三维网格单元以及头部朝向单元相连接，连接矩阵C用来储存学习到的三维网格单元矩阵、局部视图单元向量与头部朝向单元矩阵之间的联系，使用调整过的赫布定律来对这种连接进行描述，具体表示为：其中，τ代表学习效率，Vi表示第i个局部视图单元的活动， 表示t时刻x,y,z,θ四自由度姿态下的第i个连接矩阵三维网格单元与头部朝向单元中的活动变化为：其中，常数δ代表着局部视觉校准的强度，nact是活动的局部视图单元的数量；
步骤C、步骤A中所述头部朝向单元模型表示预定区域的方向信息，在三维垂直空间用多层头部朝向单元模型来表示方位角的信息，头部朝向单元和局部视图单元相连接以进行方位的校准；头部朝向单元的激活流程为：首先，利用多维连续吸引子网络的动力学模型对目标活动进行更新；其次，多维连续吸引子网络构成的头部朝向单元会根据视觉里程计提供的旋转速度，高度变化的速度以及平移速度对三维网格单元网络进行路径积分，得到方向变化和所在高度变化的输出，并根据这些输出对头部朝向进行更新；最后，与三维网格单元网络一样，当输入相似的路径图片时，目标的移动由局部视图进行更新；
所述步骤C中，头部朝向单元的激活模型通过二维高斯函数创建兴奋权重矩阵 来实现,在矩阵（h，θ）中单元间的距离亮度由u，v来表示权重矩阵的计算方法为：其中，δθ与δh分别是两个方差常数，头部朝向单元中的活动变化描述为：其中，nθ，nh是头部朝向单元矩阵的两个维度，与u，v的关系描述为：h代表高度，θ代表旋转角；
步骤D、建模视觉感知模块，其由局部视图单元、三维网格单元以及头部朝向单元中的兴奋活动进行驱动，局部视图单元与三维网格单元网络以及头部朝向单元网络相关联，经验位置和姿态信息通过视觉里程计的平移速度和旋转速度感知和估计，视觉感知模块的输出信息包括自身运动信息以及视觉信息，其中视觉信息是三维网格单元网络与头部朝向单元网络的输入沿着路径的积分；
所述步骤D中，视觉感知信息中，像素强度和平移速度的计算方法为：其中，μxy表示平均值，δxy表示标准差；
其中，常数μ是为了量测物理速度，S 表示图像列维度上的平移量vmax是最大阈值，为了滤除掉测量的误差；
通过将两组数据I 与I 移动s 到复数维度，然后计算它们之间的平均强度之差；其中h hω是图片的宽度；旋转速度∆θ由 与常数σ相乘得到，常数σ通过经验来判断决定其大小；
步骤E、根据步骤D中视觉感知模块的输出信息，结合经验环境模型实现三维位置和姿态信息的输出，并根据视觉里程计的观测信息以及局部视图单元的输出信息对经验环境模型进行修正和更新；
步骤F、构建长短时记忆网络，根据历史获得的三维网格单元、头部朝向单元和视觉里程计的观测信息对下一时刻的位置和姿态进行预测，并将预测结果与下一时刻估计得到的位置和姿态进行比较，得到比较误差；
步骤G、通过调整长短时记忆网络参数实现比较误差的修正，直到比较误差收敛到满足输出位置和姿态精度的范围内，则该经验环境模型下的动态导航网络构建完成。
2.根据权利要求1所述的一种基于人工智能网络的动态导航方法，其特征在于：所述步骤A中连续吸引子网络的动力学模型描述为：其中，sp(t)为神经元p放电激活率，τE为神经元激活放电响应时间常数；γE是一个常数，代表着抑制偏移量；ωpq表示神经元p到神经元q之间的连接的权重值，它与两个神经元之间的距离成反比；ωEE同样也是一个常数，代表着循环兴奋性的刺激值；u(t)是一个全局动态的抑制函数，ωEI是一个全局抑制性兴奋的调控因子；Xp(t)代表着神经元的外部输入。
3.根据权利要求1所述的一种基于人工智能网络的动态导航方法，其特征在于：所述步骤C中，每个头部朝向单元都能通过局部抑制的功能使临近的单元得到抑制，局部抑制与全局抑制的过程都通过 中的非负值进行计算，可描述为：hdc
其中， 是局部抑制的权重矩阵，φ表示全局抑制函数，通过A 里的非负值进行计算，头部朝向单元的整体活动最后会被归一化以使所有单元回到同一状态，描述为：。
4.根据权利要求1所述的一种基于人工智能网络的动态导航方法，其特征在于：所述步骤C中，头部朝向单元通过将兴奋激活传递到其他临近的单元中，通过朝向变化与高度变化，更新头部朝向；根据旋转方向的变化速度ωθ与高度变化速度vh，单元的兴奋活动分别被映射到偏航矩阵与高度矩阵中；被映射的单元兴奋活动由两个输入决定；两个输入量一个hdc来自发送单元T ；另一个来自残余量η，它是根据补偿值的极小部分δθf，δhf来计算的，单元兴奋活动的变化量 计算方法及相关计算方法为：其中(l,m)指向特定的头朝向单元，δθ0,δh0代表三维空间分布的初始方差，η代表残差矩阵；
kθ,kh表示路径积分常数，ωθ,vh分别表示角速度和高度变化速度；
其中，kx，ky，kz是三维路径积分中的常数，γ的计算方式为：其中a,b为系数。
5.根据权利要求1所述的一种基于人工智能网络的动态导航方法，其特征在于：所述步骤F中，比较误差的计算方法为：即通过最小化网络的位置单元预测 和合成位置单元目标 之间的交叉熵以及头部方向预测 与其目标 之间的交叉熵
来训练网格单元网络的参数，当此误差函数的值达到最小时，认为训练完成目标。
一种基于人工智能网络的动态导航方法
技术领域
[0001] 本发明属于人工智能和导航领域，具体涉及一种基于人工智能网络的动态导航方法。
背景技术
[0002] 2005年诺贝尔生理学或医学奖揭示了生物大脑单元中的“网格单元”给大脑提供了多尺度的周期性空间表征，是生物大脑空间编码的关键，并帮助生物体实现路径规划和整合，揭示了人类以及绝大多数动物强大导航能力的主要原因。近年来随着深度学习网络技术的迅速发展，模仿生物大脑网格单元、朝向单元和视觉单元来实现在经验及非经验环境下的动态位置、姿态估计成为相关领域的研究热点。仿生导航能够实现复杂环境下的路径规划和精准导航，可进一步植入各种无人智能系统，是未来人工智能领域发展的方向之一。因此，利用多层深度神经网络构建仿生导航单元，以实现与一些生物体相似的导航能力的人工智能模块及系统具有重要的科学研究和工程实现价值。
发明内容
[0003] 本发明要解决的技术问题是：克服现有技术的不足，提供了一种基于人工智能网络的动态导航方法，该方法利用连续吸引子网络构建导航框架，通过网格单元、头部朝向单元和视觉感知建模实现动态位置、姿态的估计，并利用经验环境模型实现三维导航输出。相比传统方法，本方法能够应用于复杂未知环境，充分利用视觉感知、惯性传感、里程计、卫星导航、无线网络等多源导航观测信息，实现部分先验信息缺失下的动态精准导航，为智能信息获取与感知提供有效技术支撑。
[0004] 本发明的技术方案如下：一种基于人工智能网络的动态导航方法，具体实现步骤为：
[0005] 步骤（1）确定连续吸引子网络的模型和参数，采用二维连续吸引子网络构建头部朝向单元模型和局部视图单元模型，采用三维连续吸引子网络构建网格单元模型。其中连续吸引子网络的动力学模型描述为：
[0006]
[0007] 其中，sp(t)为神经元p放电激活率，τE为神经元激活放电响应时间常数；γE是一个常数，代表着抑制偏移量；ωpq表示神经元p到神经元q之间的连接的权重值，它与两个神经元之间的距离成反比；ωEE同样也是一个常数，代表着循环兴奋性的刺激值；u(t)是一个全局动态的抑制函数，ωEI是一个全局抑制性兴奋的调控因子；Xp(t)代表着神经元的外部输入。
[0008] 步骤（2）网格单元模型表示空间三维坐标，其构建流程为：首先，利用具有局部兴奋和全局抑制的吸引子动力学模型来对目标活动进行更新；其次，结合平移速度和旋转速度通过三维路径积分实现局部兴奋的移动；最后，当输入相似的路径图片时，目标的移动由局部视图单元进行更新。三维网格单元的局部兴奋模型由权重矩阵描述，其实现方法为通过三维高斯函数创建一个兴奋权重矩阵 ，u，v，w代表每个单元之间的距离。
[0009]
[0010] 其中，δx，δy，δz是三维空间分布的方差，他们都是常数；三维网格单元中的活动变化通过矩阵 来表示，计算方法为：
[0011]
[0012] 其中nx，ny，nz是这个矩阵的三个维度。其与u，v，w的关系为
[0013]
[0014] 每个三维网格单元都能通过局部抑制的功能使临近的单元得到抑制。在抑制进行的过程中，通过抑制权重矩阵 来对活动进行更新；局部抑制与全局抑制的过程都通过中的非负值进行计算，具体为：
[0015]
[0016] 其中，φ是全局抑制函数。
[0017] 三维网格单元的整体活动最后会被归一化以使所有单元回到同一状态，表示为：
[0018]
[0019] 其中 代表特定的网格单元。
[0020] 三维路径积分将三维网格单元的活动映射到其他临近的单元中，单元的活动在当前头部朝向角度θ下，通过平移的速度v，以及高度变化的速度vh分别映射到x，y平面以及z轴上。单元兴奋活动变化的计算方法为：
[0021]
[0022] 其中δx0,δy0,δz0表示三维空间分布的初始方差，γ表示残差，l,m,n表示第l,m,n个网格单元。
[0023] 单元活动的数量由两个输入决定。两个输入量一个来自发送单元Tgc。另一个来自残余量γ，它是根据补偿值的极小部分δxf，δyf，δzf来计算的，具体描述为：
[0024]
[0025]
[0026] 其中kx，ky，kz是三维路径积分中的常数。γ的计算方式为：
[0027]
[0028] ，其中a,b为系数。
[0029] 局部视图单元与三维网格单元以及头部朝向单元相连接，连接矩阵C用来储存学习到的三维网格单元矩阵、局部视图单元向量与头部朝向单元矩阵之间的联系。使用调整过的赫布定律来对这种连接进行描述，具体表示为：
[0030]
[0031] 其中τ代表学习效率，Vi表示第i个局部视图单元的活动， 表示t时刻x,y,z,θ四自由度姿态下的第i个连接矩阵三维网格单元与头部朝向单元中的活动变化为：
[0032]
[0033] 其中常数δ代表着局部视觉校准的强度。nact是活动的局部视图单元的数量。
[0034] 步骤（3）头部朝向单元模型表示特定区域的方向信息。在三维垂直空间用多层头部朝向单元模型来表示方位角的信息。头部朝向单元和局部视图单元相连接以进行方位的校准。头部朝向单元的激活流程为：首先，利用多维连续吸引子网络的动力学模型对目标活动进行更新；其次，多维连续吸引子网络构成的头部朝向单元会根据视觉里程计中信息提供的旋转速度，高度变化的速度以及平移速度对三维网格单元进行路径积分，得到方向变化和所在高度变化的输出，并根据这些输出对头部朝向进行更新。最后，与网格单元一样，当输入相似的路径图片时，目标的移动由局部视图进行更新。
[0035] 头部朝向单元的激活模型通过二维高斯函数创建兴奋权重矩阵 来实现,在矩阵（h，θ）中单元间的距离亮度由u，v来表示。权重矩阵的计算方法为：
[0036]
[0037] 其中δθ与δh分别是两个方差常数。头部朝向单元中的活动变化可描述为：
[0038]
[0039] 其中nθ，nh是头部朝向单元矩阵的两个维度。与u，v的关系可描述为：
[0040]
[0041] h代表高度，θ代表旋转角。
[0042] 每个头部朝向单元都能通过局部抑制的功能使临近的单元得到抑制。局部抑制与全局抑制的过程都通过 中的非负值进行计算，可描述为：
[0043]hdc
[0044] 其中 是局部抑制的权重矩阵。通过A 里的非负值进行计算。头部朝向单元的整体活动最后会被归一化以使所有单元回到同一状态，描述为：
[0045]
[0046] 头部朝向单元通过将兴奋激活传递到其他临近的单元中，通过朝向变化与高度变化，更新头部朝向。根据旋转方向的变化速度ωθ与高度变化速度vh，单元的兴奋活动分别被映射到偏航矩阵与高度矩阵中。被映射的单元兴奋活动由两个输入决定。两个输入量一个hdc来自发送单元T 。另一个来自残余量η，它是根据补偿值的极小部分δθf，δhf来计算的，单元兴奋活动的变化量 计算方法及相关计算方法为：
[0047]
[0048] 其中(l,m)指向特定的头朝向单元，δθ0,δh0代表三维空间分布的初始方差，η代表残差矩阵。
[0049]
[0050] kθ,kh表示路径积分常数，ωθ,vh分别表示角速度和高度变化速度。
[0051]
[0052] 其中kx，ky，kz是三维路径积分中的常数，γ的计算方式为：
[0053]
[0054] ，其中a,b为系数。
[0055] 步骤（4）视觉感知建模由局部视觉模块、三维网格单元以及头部朝向单元中的兴奋活动进行驱动。每个局部视图单元信息、三维网格单元信息以及头部朝向单元信息相关联。则经验位置和姿态信息通过视觉里程计的平移速度和旋转速度感知和估计。视觉感知模块的输出包括自身运动信息以及视觉信息，其中视觉信息是三维网格单元与头部朝向单元网络的输入沿着路径的积分。
[0056] 视觉感知信息可通过光学相机获得，其中，像素强度和平移速度的计算方法为：
[0057]
[0058] 其中μxy表示平均值，δxy表示标准差。
[0059]
[0060] 其中，常数μ是为了量测物理速度。Sh表示图像列维度上的平移量，vmax是最大阈值，滤除掉测量的误差。
[0061] 转动速度的计算方法为：
[0062]
[0063] 通过将两组数据Ii与Ii+1移动sh到复数维度，然后计算它们之间的平均强度之差。h h
其中ω是图片的宽度。旋转速度∆θ由 与常数σ相乘得到，常数σ通常通过经验来判断决定其大小。
[0064]
[0065]
[0066] 步骤（5）根据步骤（4）中视觉感知模块的输出信息，结合经验环境模型实现三维位置和姿态信息的输出，并根据网格单元、头部朝向单元和视觉单元的观测信息对经验环境模型进行修正和更新。
[0067] 步骤（6）构建长短时记忆网络，根据历史获得的网格单元、头部朝向单元和视觉单元的观测信息对下一时刻的位置和姿态进行预测，并将预测结果与下一时刻估计得到的位置和姿态进行比较，得到比较误差。比较误差的计算方法为：
[0068]
[0069] 即通过最小化网络的位置单元预测 和合成位置单元目标 之间的交叉熵以及头部方向预测 与其目标 之间的交叉熵来训练网格单元的参数。当此误差函数的值达到最小时，可以认为训练完成目标。
[0070] 步骤（7）通过调整长短时记忆网络参数实现比较误差的修正，直到比较误差收敛到满足输出位置和姿态精度的范围内，则该经验环境下的动态导航网络构建完成。
[0071] 本发明与现有技术相比的优点在于：
[0072] （1）相比传统的计算方法，本发明方法（如图1）通过构建网格单元、头部朝向单元和视觉单元的导航模型实现经验环境场景下的位置、姿态动态估计，能够主动学习经验环境场景的特征，并实时构建基于多源传感的场景三维输出，可有效满足各种智能感知导航应用需求。
[0073] （2）相比传统方法，本发明方法充分利用了长短时记忆网络的序列学习能力，可在导航观测信息缺失和不完备的情况下，实现位置、姿态有效预测，能应用于各种受限导航观测场景。
附图说明
[0074] 图1为本发明一种基于人工智能网络的动态导航方法实现流程图。
具体实施方式
[0075] 下面将结合附图及具体实施方式对本发明加以详细说明，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而不起任何限定作用。
[0076] 如图1所示，本发明提供了一种基于人工智能网络的动态导航方法，该方法利用连续吸引子网络构建导航框架，通过网格单元、头部朝向单元和视觉感知建模实现动态位置、姿态的估计，并利用经验环境模型实现三维导航输出。相比传统方法，本方法能够应用于复杂未知环境（如强电磁对抗、GNSS和通信信号拒止），充分利用多源导航观测信息（视觉图像、惯性传感系统等），实现部分先验信息缺失下的动态精准导航，为智能信息获取与感知提供有效技术支撑。
[0077] 根据本发明的实施例，提出一种基于人工智能网络的动态导航方法，如图1所示，包括以下步骤：
[0078] 步骤A、确定连续吸引子网络的模型和参数，采用二维连续吸引子网络构建头部朝向单元模型，采用三维连续吸引子网络构建三维网格单元模型；
[0079] 步骤B、步骤A中所述三维网格单元模型表示空间三维坐标，其构建流程为：首先，利用具有局部兴奋和全局抑制的连续吸引子网络动力学模型来对目标活动进行更新；其次，结合平移速度和旋转速度通过三维路径积分实现局部兴奋的移动；最后，当输入相似的路径图片时，目标的移动由局部视图单元进行更新；
[0080] 步骤C、步骤A中所述头部朝向单元模型表示预定区域的方向信息，在三维垂直空间用多层头部朝向单元模型来表示方位角的信息，头部朝向单元和局部视图单元相连接以进行方位的校准；头部朝向单元的激活流程为：首先，利用多维连续吸引子网络的动力学模型对目标活动进行更新；其次，多维连续吸引子网络构成的头部朝向单元会根据视觉里程计提供的旋转速度，高度变化的速度以及平移速度对三维网格单元网络进行路径积分，得到方向变化和所在高度变化的输出，并根据这些输出对头部朝向进行更新；最后，与三维网格单元网络一样，当输入相似的路径图片时，目标的移动由局部视图进行更新；
[0081] 步骤D、建模视觉感知模块，其由局部视图单元、三维网格单元以及头部朝向单元中的兴奋活动进行驱动，局部视图单元与三维网格单元网络以及头部朝向单元网络相关联，经验位置和姿态信息通过视觉里程计的平移速度和旋转速度感知和估计，视觉感知模块的输出信息包括自身运动信息以及视觉信息，其中视觉信息是三维网格单元网络与头部朝向单元网络的输入沿着路径的积分；
[0082] 步骤E、根据步骤D中视觉感知模块的输出信息，结合经验环境模型实现三维位置和姿态信息的输出，并根据视觉里程计的观测信息以及局部视图单元的输出信息对经验环境模型进行修正和更新；
[0083] 步骤F、构建长短时记忆网络，根据历史获得的三维网格单元、头部朝向单元和视觉里程计的观测信息对下一时刻的位置和姿态进行预测，并将预测结果与下一时刻估计得到的位置和姿态进行比较，得到比较误差；
[0084] 步骤G、通过调整长短时记忆网络参数实现比较误差的修正，直到比较误差收敛到满足输出位置和姿态精度的范围内，则该经验环境模型下的动态导航网络构建完成[0085] 如图1所示，其具体实现步骤如下：
[0086] 步骤1、确定连续吸引子网络的模型和参数，采用二维连续吸引子网络构建头部朝向单元模型和局部视图单元模型，采用三维连续吸引子网络构建网格单元模型。其中连续吸引子网络的动力学模型描述为：
[0087]
[0088] 其中，sp(t)为神经元p放电激活率，τE为神经元激活放电响应时间常数；γE是一个常数，代表着抑制偏移量；ωpq表示神经元p到神经元q之间的连接的权重值，它与两个神经元之间的距离成反比；ωEE同样也是一个常数，代表着循环兴奋性的刺激值；u(t)是一个全局动态的抑制函数，ωEI是一个全局抑制性兴奋的调控因子；Xp(t)代表着神经元的外部输入。
[0089] 步骤2、网格单元模型表示空间三维坐标，其构建流程为：首先，利用具有局部兴奋和全局抑制的吸引子动力学模型来对目标活动进行更新；其次，结合平移速度和旋转速度通过三维路径积分实现局部兴奋的移动；最后，当输入相似的路径图片时，目标的移动由局部视图单元进行更新。三维网格单元的局部兴奋模型由权重矩阵描述，其实现方法为通过三维高斯函数创建一个兴奋权重矩阵 ，u，v，w代表每个单元之间的距离。
[0090]
[0091] 其中δx，δy，δz是三维空间分布的方差，他们都是常数。三维网格单元中的活动变化通过矩阵 来表示，计算方法为：
[0092]
[0093] 其中nx，ny，nz是这个矩阵的三个维度。其与u，v，w的关系为
[0094]
[0095] 每个三维网格单元都能通过局部抑制的功能使临近的单元得到抑制。在抑制进行的过程中，通过抑制权重矩阵 来对活动进行更新。局部抑制与全局抑制的过程都通过中的非负值进行计算，具体为：
[0096]
[0097] 三维网格单元的整体活动最后会被归一化以使所有单元回到同一状态，表示为：
[0098]
[0099] 三维路径积分将三维网格单元的活动映射到其他临近的单元中，单元的活动在当前头部朝向角度θ下，通过平移的速度v，以及高度变化的速度vh分别映射到x，y平面以及z轴上。单元兴奋活动变化的计算方法为：
[0100]
[0101] 单元活动的数量由两个输入决定。两个输入量一个来自发送单元Tgc。另一个来自残余量γ，它是根据补偿值的极小部分δxf，δyf，δzf来计算的，具体描述为：
[0102]
[0103]
[0104] 其中kx，ky，kz是三维路径积分中的常数。γ的计算方式为：
[0105]
[0106]
[0107] 局部视图单元与三维网格单元以及头部朝向单元相连接，连接矩阵C用来储存学习到的三维网格单元矩阵、局部视图单元向量与头部朝向单元矩阵之间的联系。使用调整过的赫布定律来对这种连接进行描述，具体表示为：
[0108]
[0109] 其中τ代表学习效率。三维网格单元与头部朝向单元中的活动变化为：
[0110]
[0111] 其中常数δ代表着局部视觉校准的强度。nact是活动的局部视图单元的数量。
[0112] 步骤3、头部朝向单元模型表示特定区域的方向信息。在三维垂直空间用多层头部朝向单元模型来表示方位角的信息。头部朝向单元和局部视图单元相连接以进行方位的校准。头部朝向单元的激活流程为：首先，利用多维连续吸引子网络的动力学模型对目标活动进行更新；其次，多维连续吸引子网络构成的头部朝向单元会根据视觉里程计中信息提供的旋转速度，高度变化的速度以及平移速度对三维网格单元进行路径积分，得到方向变化和所在高度变化的输出，并根据这些输出对头部朝向进行更新。最后，与三维网格单元一样，当输入相似的路径图片时，目标的移动由局部视图进行更新。
[0113] 头部朝向单元的激活模型通过二维高斯函数创建兴奋权重矩阵 来实现,在矩阵（h，θ）中单元间的距离亮度由u，v来表示。权重矩阵的计算方法为：
[0114]
[0115] 其中δθ与δh分别是两个方差常数。头部朝向单元中的活动变化可描述为：
[0116]
[0117] 其中nθ，nh是头部朝向单元矩阵的两个维度。与u，v的关系可描述为：
[0118]
[0119] 每个头部朝向单元都能通过局部抑制的功能使临近的单元得到抑制。局部抑制与全局抑制的过程都通过 中的非负值进行计算，可描述为：
[0120]
[0121] 其中 是局部抑制的权重矩阵。通过Ahdc里的非负值进行计算。头部朝向单元的整体活动最后会被归一化以使所有单元回到同一状态，描述为：
[0122]
[0123] 头部朝向单元通过将兴奋激活传递到其他临近的单元中，通过朝向变化与高度变化，更新头部朝向。根据旋转方向的变化速度ωθ与高度变化速度vh，单元的兴奋活动分别被映射到偏航矩阵与高度矩阵中。被映射的单元兴奋活动由两个输入决定。两个输入量一个hdc来自发送单元T 。另一个来自残余量η，它是根据补偿值的极小部分δθf，δhf来计算的，单元兴奋活动的变化量 计算方法及相关计算方法为：
[0124]
[0125]
[0126]
[0127] 其中kx，ky，kz是三维路径积分中的常数。γ的计算方式为：
[0128]
[0129]
[0130] 步骤4、视觉感知建模由局部视觉模块、三维网格单元以及头部朝向单元中的兴奋活动进行驱动。每个局部视图单元信息、三维网格单元信息以及头部朝向单元信息相关联。则经验位置和姿态信息通过视觉里程计的平移速度和旋转速度感知和估计。视觉感知模块的输出包括自身运动信息以及视觉信息，其中视觉信息是三维网格单元网络与头部朝向单元的输入沿着路径的积分。
[0131] 视觉感知信息中，像素强度和平移速度的计算方法为：
[0132]
[0133]
[0134] 其中，常数μ是为了量测物理速度。vmax是为了滤除掉测量的误差。
[0135] 转动速度的计算方法为：
[0136]
[0137] 通过将两组数据Ii与Ii+1移动sh到复数维度，然后计算它们之间的平均强度之差。h h
其中ω是图片的宽度。旋转速度∆θ由 与常数σ相乘得到，常数σ通常通过经验来判断决定其大小。
[0138]
[0139]
[0140] 步骤5、根据视觉感知模块的输出信息，结合经验环境模型实现三维位置和姿态信息的输出，并根据三维网络单元、头部朝向单元和视觉单元的观测信息对经验环境模型进行修正和更新。
[0141] 步骤6、构建长短时记忆网络，根据历史获得的网格单元、头部朝向单元和视觉单元的观测信息对下一时刻的位置和姿态进行预测，并将预测结果与下一时刻估计得到的位置和姿态进行比较，得到比较误差。比较误差的计算方法为：
[0142]
[0143] 即通过最小化网络的位置单元预测 和合成位置单元目标 之间的交叉熵以及头部方向预测 与其目标 之间的交叉熵来训练三维网格单元的参数。当此误差函数的值达到最小时，可以认为训练完成目标。
[0144] 步骤7、通过调整长短时记忆网络参数实现比较误差的修正，直到比较误差收敛到满足输出位置和姿态精度的范围内，则该经验环境下的动态导航网络构建完成。
[0145] 综述，本发明提供了一种基于人工智能网络的动态导航方法，该方法利用连续吸引子网络构建导航框架，通过三维网格单元、头部朝向单元和视觉感知建模实现动态位置、姿态的估计，并利用经验环境模型实现三维导航输出。相比传统方法，本方法能够应用于复杂未知环境，充分利用多源导航观测信息，实现部分先验信息缺失下的动态精准导航，为智能信息获取与感知提供有效技术支撑。
[0146] 以上所述仅为本发明的具体实施例，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
