本发明属于仿生移动机器人导航领域，介绍目前目前最流行的类脑计算海马体在生物导航中的生理现象，并将其都过工程的方式的呈现出来。与比较流行的传统导航方法相结合，成功在移动机器人上模仿出生物在运动过程中海马区的脑部活动，并有一定的实用价值。
背景技术：
:
机器人技术作为二十世纪最伟大的发明之一，从上个世纪60年代初问世以来，历经60年的快速发展，已成为高技术领域内具有代表性的战略技术之一。近几年随着人工智能的火热，智能机器人的研究也越来越被大家所重视。类脑计算作为人工智能的基础研究及其重要的。本发明就是以观察大鼠大脑内海马区在大鼠运动过程中的放电变化为基础，在o’keefe的生理研究基础上进行的应用型研究。智能移动机器人如何通过传感器和自身状态信息，然后通过这些信息进行室内以及室外复杂环境中的无碰撞自主移动并代替人类去完成一些事情，这是新一代智能移动机器人需要完成的任务。在一个为探索的区域内，智能移动机器人像人一样缺少对环境的先验知识，所以在导航之前需要先对环境有一些了解。这就涉及到周围环境建模、路径规划、自主定位以及地图的建立。在此之前智能移动机器人的导航经历了基于符号阶段和基于行为阶段，已经取得了一定成就。比如slam技术，目前经过工业机器人和家庭服务机器人上得到的广泛的应用。但是与生物的导航能力相比，机器人的导航显得不够准确、不够灵活、不够简单。
因此传统的机器人导航技术已经无法满足人们对机器人智能的需求，很难处理在复杂环境下的机器人导航所需要的信息。新一代的智能移动机器人领域急需新的思路和想法来突破现有智能导航的瓶颈。
但是对于生物来说哪怕是最简单的线虫仅有302个神经元，依然可以根据气味进行导航。昆虫也都有自己的导航方式如蚂蚁、蜜蜂，在寻找食物是曲线搜索，然后直线归巢等等。对于哺乳动物来讲，导航的方式更加复杂。它们大脑中神经元放电顺序能反映出它们经过的路线。这些神经元网络形成了对应于物理世界的内部心里认知地图。动物们存储过去旅途的记忆，并用这些记忆来规划未来的行程。所以研究生物的导航机制是实现移动机器人导航的重要途径。
啮齿类动物(小白鼠经常作为生物实验室的研究对象)作为生物学实验的研究对象已经有100多年的历史了。对其研究不仅在行为学上，在其大脑解剖结构和神经生理学领域也进行了深入的研究。本发明主要是以大鼠的海马体以及其运行机制为基础，针对o’keefe的实验数据，将大鼠在运动过中海马区的生理放电现象进行建模，构建出模拟大鼠对环境的认知地图，并利用该认知地图进行智能机器人的实际导航。本发明将为相关领域的研究提供具有实际应用方面的实验方法以及研究结果，对于各种智能移动机器人(如：家庭服务机器人、农林机器人、办公机器人、搜救机器人等)的研究有着广泛的参考价值。
技术实现要素：
:
本发明是基于鼠脑海马在移动机器人导航中的应用，主要包括认知地图的构建以及基于认知地图的全局路径规划和局部导航。在大鼠运动过程中，根据运动信息以及环境信息会在大脑的海马区生成对应的认知地图。然后根据认知地图就可以很快找到运动的目标点。传统的机器人导航一般使用栅格地图、拓扑地图和特征地图等等。本发明所创建的认知地图属于拓扑地图，与一般拓扑地图不同的是。认知地图每个节点都包含生物特征信息、环境rgb-d信息和多个相关节点的关联信息。本发明结合认知地图，提出使用经典的dijkstra算法，通过分析将每个节点中的各类信息与目标朝向物理距离加权求和对算法进行改进，得到一条物理距离最短特征信息最多的全局路径。局部导航再根据拐点的个数，找到拐点周围特征最丰富的节点为局部导航的终点，通过surf图像特征点提取，对比两帧之间平移矩阵和旋转矩阵，进行误差修正。这样将全局导航分割成多段，进行局部导航，可以减少持续导航中的累计误差。局部导航的具体实现，采用比较成熟的动态窗口法，经验证此方法在可有效的避开静态和动态障碍物，快速到达目标点。
一种基于仿生海马认知地图的导航方法，其特征在于，具体实现步骤如下：
步骤(1)构建基于鼠脑海马认知机理的认知地图。
步骤(1.1)构建头朝向细胞模型
使头朝向细胞产生一个与角速度相关的调节信号，即放电率与当前头朝向和老鼠运动的速度成比例。θ0表示头朝向细胞的主要朝向，第i个头朝向细胞的优先方向表示为一个相对于主要朝向θ0的角偏移量θi，那么给定头朝向细胞的调整内核：
通过编码器获取机器人的瞬时角速率
其中，r为头朝向细胞的个数，
步骤(1.2)构建条纹细胞模型
使用一维环状吸引子模型对条纹细胞进行建模研究，定义优先朝向在以我为中心方向θ，相位为α，放电周期为l的条纹细胞的放电率为xθα。该条纹细胞族在l+α的相位处有最大的放电率。在t时刻动物沿着
沿着方向上的位移由速度的积分得到：
条纹细胞周期性放电重置的距离为：
sθα(t)＝(dθ(t)-α)modl(5)
将条纹细胞的放电率建模成高斯模型，条纹细胞作为网格细胞吸引子的前向输入，是对输入信号的耦合，确定了细胞吸引子的移动方向。
步骤(1.3)构建网格细胞模型
加入了条纹细胞与网格细胞的前向连接用来驱动网格细胞吸引子对环境的编码；
网格细胞使用二维连续吸引子模型，其吸引子受周围网格细胞递归连接权值和条纹细胞的前向连接权值调节。神经板，包含有nx·ny个神经元，i，j表示神经板中某一个神经元，神经元代表对应的吸引子。为了解决边界问题，采用二维环状吸引子，将该平面左右边界的神经元、上下边界的神经元相互连接；
在二维神经板中基于学习率编码的网格细胞神经元动力学等式为：
其中，τ是神经元时间常量，神经元传递函数f[·]是一个简单的非线性整流函数，当x＞0时，f(x)＝x；当x≤0时，f(x)＝0。当前位置神经元i的状态为si，
网格细胞的递归连接权值为：
其中，
步骤(1.4)构建位置细胞模型
位置细胞代表大鼠在环境中特定位置，是头朝向细胞、条纹细胞、网格细胞的下游细胞。
采用二维环状吸引子模型构建了对于实际外界环境相对位置的度量模型。二维连续吸引子模型由局部兴奋性、抑制连接和全局抑制性连接在一个神经板上形成一个随机的活动包，这个吸引子由空间细胞路径积分系统驱动。
用二维的高斯分布来创建位置细胞的兴奋性权值连接矩阵εm，n，
局部兴奋性连接导致的位置细胞活动的变化量为：
其中，nx代表在(x,y)空间中位置细胞二维矩阵的横轴长度，ny代表在(x,y)空间中位置细胞二维矩阵的纵轴长度。代表着吸引子模型在神经板上活动的范围，ix，jy代表在矩阵内任意行列下的具体某个细胞。因为网络中位置细胞的无边界性，处于神经板边界的位置细胞会与相对边界的位置细胞产生兴奋性连接，而进行位置细胞迭代和视觉模板匹配的前提是查找位置细胞吸引子在神经板中的相对位置，(xi，yj)表示当前兴奋细胞在神经板上的绝对位置，这个相对位置坐标(m,n)由权值矩阵的下标表示，由下式计算得到：
m＝(x-xi)(modnx)(10a)
n＝(y-yj)(modny)(10b)
每个位置细胞同样接收着整个网络的全局性抑制信号。兴奋性和抑制性连接矩阵的对称性保证了合适的神经网络动力学，确保空间中的吸引子不会无限制的兴奋。位置细胞由抑制性连接权值引起的活动变化量为：
其中，ψm，n是抑制性连接权值，
为确保所有时刻的所有位置细胞的活动都是不小于零的，将位置细胞的激活率与0进行比较，
随后将位置细胞的活动率进行归一化。
位置细胞吸引子的移动来自于空间细胞的对自运动线索的路径积分，条纹细胞编码了特定方向上的位移，驱动网格细胞吸引子的移动，网格吸引子对特定方向上的二维空间进行编码，使得不同的网格细胞族激活。不同的网格细胞族活动的子集确定了位置吸引子的移动。路径积分后位置细胞的放电率
其中，δx0、δy0是x-y坐标系中向下取整的偏置量，这一偏置量由速度和方向信息确定。
其中，
步骤(1.5)基于图像的闭环点检测
采用三维摄像机xtion获取rgb-d图像，surf方法提取图像特征的特征点，利用icp算法消除误匹配点。通过比较特征点来解释闭环检测和校正路径积分误差。
步骤(1.6)
构建的认知地图属于拓扑地图，同样建立位置细胞放电活动位置之间的拓扑关系，认知节点e组成，i，j分别表示认知节点中的任意不相同节点，认知节点之间的拓扑联系由tij表示，di表示当前点所有tij的集合。每个认知点包含有当前位点第i个位置细胞放电活动pi、视觉模板vi以及位置间的拓扑关系di，。那么单个认知点定义为：
ei＝{pi，vi，di}(24)
(1)认知地图的构建
设定认知阈值为sth，sth范围0.01～0.99之间；当前位置与存在的认知点中的位置p比较能够得到一个位置度量s:
s＝|pi-p|(25)
当前认知点的位置度量超过认知阈值或者当发现新的视觉模板时，新的认知点被创建。转换量tij存储由路径积分计算的位置改变量，即：
tij＝{δdij}(26)
其中，tij形成了先前经验与新的经验点的连接关系，那么，新的认知点j表示为
ej＝{pj，vj，di+δdij}(27)
(2)闭环处的认知地图更新
当视图模板检测到实际的闭环点时，则认为机器人回到了相同的位置，然而位置变量的累加量在闭环处的所形成的新的经验与这个相同位置是不相匹配的，为了达到两者的匹配，需要在闭环处对所有的经验进行更新：
其中，
步骤(2)基于认知地图的导航
步骤(2.1)全局路径规划
使用dijkstra算法的全局导航；
认知地图被设置为g＝(v,e)，这是一个有向图，每个节点的权重为其各类信息与目标朝向物理距离加权求和。然后将节点分成两组，第一组s是最短路径节点集合。开始s只是一个起点，然后每获得一条最短路径，它就被添加到集合s中，并且当所有节点都被添加到s时，全局路径就完成了。第二组是不确定最短路径的节点集合u，并且根据最短路径长度的增加顺序将第二组节点添加到s.在这个过程中，从起点v到s的点的最短路径长度不大于从起点v到u中的任意点的最短路径长度。另外，从s点的距离是从v到那个点的最短加权路径长度。距u点的距离是从v到s中只有节点是当前中间节点的最短路径长度的点的距离。
步骤(2.1)局部导航
局部导航算法是一种动态窗口方法。动态窗口方法对多组速度进行采样的速度(v，w)空间，然后用下一个周期时间轨迹中的这些速度对机器人进行仿真。在获得多个轨迹后，对轨迹进行评估，并根据选择最佳轨迹来驱动机器人运动。
附图说明
图1a是包含有nx·ny个神经元神经板。
图1b二维环状吸引子模型的示意图。
图2是位置细胞的连续吸引子模型表达
图3是位置细胞路径积分示意图
图4图像模板匹配
图5a是实验室现场地图
图5b是模拟环境地图。
图6局部导航示意图。
具体实施方式
本发明的使用的移动机器人由两部分组成，一部分是负责信息采集以及执行机构的irobot公司的turtlebot2开源机器人平台，另一部分是负责处理数据的计算平台dell高性能笔记本电脑。turtlebot2中安装了陀螺仪、光电编码器以及xtion3d摄像头设备，负责移动机器人外部信息的采集。
本发明的具体实现步骤如下：
步骤(1)构建基于鼠脑海马认知机理的认知地图。
步骤(1.1)构建头朝向细胞模型
动物对其运动方向的编码，是依靠前下托的头朝向细胞来进行的。头朝向细胞在大鼠的运动中起到了重要的作用。当大鼠的头部朝向在一个特定方向时，头朝向朝向细胞对应的位置就发生特征放电。当头朝向偏离这个特定位置时，该位置头朝向细胞的放电会减弱。该头朝向细胞的优先方向是150°，并将起点设为水平角度0°，其放电强度随着老鼠头朝向角度的增大而增大。当老鼠的头朝向到达该头朝向细胞的最优方向(preferreddirection)150°时，电信号强度达到峰值，之后其放电强度随着头朝向角度的增大逐渐偏离最优方向而逐渐减小，这个过程可由一个高斯函数近似表达。
基于上述的生物机理的研究，本发明使头朝向细胞产生一个与角速度相关的调节信号，即放电率与当前头朝向和老鼠运动的速度成比例。θ0表示头朝向细胞的主要朝向，第i个头朝向细胞的优先方向可以表示为一个相对于主要朝向θ0的角偏移量θi，那么给定头朝向细胞的调整内核：
通过编码器获取机器人的瞬时角速率
其中，r为头朝向细胞的个数，
步骤(1.2)构建条纹细胞模型
条纹细胞在研究中的到证明是网格细胞的上游细胞，与速度的编码相关。本发明使用一维环状吸引子模型对条纹细胞进行建模研究，定义优先朝向在以我为中心方向θ，相位为α，放电周期为l的条纹细胞的放电率为xθα。该条纹细胞族在l+α的相位处有最大的放电率。在t时刻动物沿着
沿着方向上的位移可以由速度的积分得到：
条纹细胞周期性放电重置的距离为：
sθα(t)＝(dθ(t)-α)modl(5)
将条纹细胞的放电率建模成高斯模型，条纹细胞作为网格细胞吸引子的前向输入，是对输入信号的耦合，确定了细胞吸引子的移动方向。
步骤(1.3)构建网格细胞模型
网格细胞的作用被证明是能够在周期和非周期网络中实现精确路径积分，本发明在此研究的基础上，加入了条纹细胞与网格细胞的前向连接用来驱动网格细胞吸引子对环境的编码，这种更加符合生理学研究事实。
网格细胞使用二维连续吸引子模型，其吸引子受周围网格细胞递归连接权值和条纹细胞的前向连接权值调节。附图1a所示的神经板，包含有nx·ny个神经元，i，j表示神经板中某一个神经元，神经元代表对应的吸引子。为了解决边界问题，采用二维环状吸引子，将该平面左右边界的神经元、上下边界的神经元相互连接，附图1b所示。
在二维神经板中基于学习率编码的网格细胞神经元动力学等式为：
其中，τ是神经元时间常量，神经元传递函数f[·]是一个简单的非线性整流函数，当x＞0时，f(x)＝x；当x≤0时，f(x)＝0。当前位置神经元i的状态为si，
网格细胞的递归连接权值为：
其中，
步骤(1.4)构建位置细胞模型
位置细胞代表大鼠在环境中特定位置，是头朝向细胞、条纹细胞、网格细胞的下游细胞。为了体现出位置细胞放电率与物理空间中的量化关系，本发明依旧采用二维环状吸引子模型构建了对于实际外界环境相对位置的度量模型。二维连续吸引子模型由局部兴奋性、抑制连接和全局抑制性连接在一个神经板上形成一个随机的活动包(activitybump)，这个吸引子由空间细胞路径积分系统驱动。
本发明用二维的高斯分布来创建位置细胞的兴奋性权值连接矩阵εm，n，其中下标m代表坐标系x中所属单元横坐标距离，下标n代表y中所属单元纵坐标距离。权值分布可表示为：
其中，kp为位置分布的宽度常量。
由于局部兴奋性连接导致的位置细胞活动的变化量为：
其中，nx代表在(x,y)空间中位置细胞二维矩阵的横轴长度，ny代表在(x,y)空间中位置细胞二维矩阵的纵轴长度。代表着吸引子模型在神经板上活动的范围，ix，jy代表在矩阵内任意行列下的具体某个细胞。因为网络中位置细胞的无边界性，附图2所示，处于神经板边界的位置细胞会与相对边界的位置细胞产生兴奋性连接，而进行位置细胞迭代和视觉模板匹配的前提是查找位置细胞吸引子在神经板中的相对位置，(xi，yj)表示当前兴奋细胞在神经板上的绝对位置，这个相对位置坐标(m,n)由权值矩阵的下标表示，可由下式计算得到：
m＝(x-xi)(modnx)(10a)
n＝(y-yj)(modny)(10b)
每个位置细胞同样接收着整个网络的全局性抑制信号。兴奋性和抑制性连接矩阵的对称性保证了合适的神经网络动力学，确保空间中的吸引子不会无限制的兴奋。位置细胞由抑制性连接权值引起的活动变化量为：
其中，ψm，n是抑制性连接权值，
为确保所有时刻的所有位置细胞的活动都是不小于零的，将位置细胞的激活率与0进行比较，
随后将位置细胞的活动率进行归一化。
在本文模型中，位置细胞吸引子的移动来自于空间细胞的对自运动线索的路径积分，条纹细胞编码了特定方向上的位移，驱动网格细胞吸引子的移动，网格吸引子对特定方向上的二维空间进行编码，使得不同的网格细胞族激活。不同的网格细胞族活动的子集确定了位置吸引子的移动。这一过程的示意图附图3所示。
路径积分后位置细胞的放电率
其中，δx0、δy0是x-y坐标系中向下取整的偏置量，这一偏置量由速度和方向信息确定。
其中，
残差量是残差偏置量的分段函数:
αmn＝q(δxf，m-δx0)q(δyf，n-δy0)(17)
步骤(1.5)基于图像的闭环点检测
移动机器人根据自身运动信息在大范围内进行路径积分时，累计误差是不可避免的。在之前的研究中证明，大鼠可以根据重要地标纠正路径积分误差。本发明采用三维摄像机xtion获取rgb-d图像，surf方法提取图像特征的特征点，利用icp算法消除误匹配点。通过比较特征点来解释闭环检测和校正路径积分误差。
在同一位置收集的图像也不同于图像的图像，如角度，颜色和距离。因此，在特征点匹配中，还要考虑到图像的正确位置，旋转，缩放等问题。本文使用的surf特征点提取算法与流行的sift和orb算法相比快速稳定。
surf的核心是使用hessian矩阵来表示近似图像：
在任意点(x，y)处的尺度为σ的hessian矩阵输入图像：
其中log(高斯拉普拉斯)由图像点和高斯函数卷积：
l(x,y,σ)＝g(x，y，σ)*i(x,y)(21)
在这个方法中，可以计算每个像素h行列式的决策值以确定特征点。为了便于计算，herbertbay首次使用dog(高斯差分)作为近似而不是log，因此h矩阵判别式可以表示为：
det(happrox)＝dxxdyy-(wd_xy)2(22)
其中w为调整参数的一般值为0.9。下一步是建立图像的尺度空间。与sift不同的是，surf在金字塔图分为多层，不同的octave层中的图片尺寸也不同。surf使用不同的octave作为滤波器模板，并使用积分图像来计算hessian矩阵行列式的响应图像。然后采用三维非最大抑制方法得到相应图像中不同尺度的所有特征点。在3*3*3三维模板中，设定阈值h为3000，如果h大于h且大于相邻26个点的响应值，则称该点为特征点。特征点由三维线性插值表示。
为了保证特征向量的旋转不变性，有必要找到所有特征点的主方向。在特征点范围内(例如半径为6s的圆，s为点尺度)，计算60度以内各点的水平harr和垂直小波特征之和，并计算haar小波尺寸变长为4s。这样的扇形会得到一个价值。60度扇区以0.2弧度大小隔旋转，最后以最大值扇区的方向为特征点的主方向。在匹配两帧图像特征描述子生成之后，有必要完成图像特征点的粗匹配。粗匹配的常用方法是直接计算surf提取的设置特征点中的每个元素的欧几里德距离dmin和次要距离dn-min，并找出该比值。如果比值大于阈值0.85，则匹配成功。如果比值小于阈值，则匹配失败。
在surf提取的特征点的粗集之后，可以通过组合点云信息来获得3d点信息。三维特征点信息可以通过对旋转矩阵r和平移矩阵t进行变换得到，然后icp算法的优化可以对r，t进行优化，使得误差最小化精确的匹配要求。icp核心误差最小化目标函数如下：
其中
当对应点有粗略匹配时，我们可以使用旋转矩阵r上的匹配点和平移矩阵t来评估匹配。r，t共有六个自由度，但粗略匹配点的数量相对而言是大量的冗余观测值。因此，本文采用最小二乘法求解最优r和t矩阵。经过r，t优化后，位置变换后会导致点变化。
一些相邻的点对也是相应的变化。如果错误个数(由(23)计算错误)大于阈值10，则必须重复上述过程迭代，但是如果小于阈值，则优化完成且准确的r，t矩阵准确。机器人的相对位置可以得到错误的匹配点，匹配结果如附图4。
步骤(1.6)
本发明模型构建的认知地图属于拓扑地图，同样建立位置细胞放电活动位置之间的拓扑关系，认知节点e组成，i，j分别表示认知节点中的任意不相同节点，认知节点之间的拓扑联系由tij表示，di表示当前点所有tij的集合。每个认知点包含有当前位点第i个位置细胞放电活动pi、视觉模板vi以及位置间的拓扑关系di，。那么单个认知点定义为：
ei＝{pi，vi，di}(24)
(1)认知地图的构建
设定认知阈值为sth(sth阈值根据实验数据手动预设在闭环处的值，本实验设置为0.12，范围0.01～0.99之间)，当前位置与存在的认知点中的位置p比较能够得到一个位置度量s:
s＝|pi-p|(25)
当前认知点的位置度量超过认知阈值或者当发现新的视觉模板时，新的认知点被创建。转换量tij存储由路径积分计算的位置改变量，即：
tij＝{δdij}(26)
其中，tij形成了先前经验与新的经验点的连接关系，那么，新的认知点j可表示为
ej＝{pj，vj，di+δdij}(27)
(2)闭环处的认知地图更新
当视图模板检测到实际的闭环点时，则认为机器人回到了相同的位置，然而位置变量的累加量在闭环处的所形成的新的经验与这个相同位置是不相匹配的，为了达到两者的匹配，需要在闭环处对所有的经验进行更新：
其中，
步骤(2)基于认知地图的导航
步骤(2.1)全局路径规划
全局路径规划是基于地图上自己在地图上设置的目标点，然后计算两点之间的最短路径作为局部导航的执行参考。使用dijkstra算法的全局导航是一种典型的单源最短路径算法。本发明对dijkstra算法进行改进，根据每个节点包含的环境信息与实际的几何距离进行加权，用于计算节点到地图所有其他节点的最小路径，这非常适合认知地图的特征。
认知地图被设置为g＝(v,e)，这是一个有向图，每个节点的权重为其各类信息与目标朝向物理距离加权求和。然后将节点分成两组，第一组s是最短路径节点集合。(开始s只是一个起点，然后每获得一条最短路径，它就被添加到集合s中，并且当所有节点都被添加到s时，全局路径就完成了)。第二组是不确定最短路径的节点集合u，并且根据最短路径长度的增加顺序将第二组节点添加到s.在这个过程中，从起点v到s的点的最短路径长度不大于从起点v到u中的任意点的最短路径长度。另外，从s点的距离是从v到那个点的最短加权路径长度。距u点的距离是从v到s中只有节点是当前中间节点的最短路径长度的点的距离。附图5显示了由机器人构建的认知地图(细线轨迹)来收集数据，并且可以快速，清晰地获得路径规划结果(粗线轨迹)。附图5a是实验室现场地图，而附图5b是模拟环境地图。
步骤(2.1)局部导航
全局导航只计算已知地图中的大致路径，但实际移动过程中周围环境随时会发生改变。局部导航是基于全局路径规划的，在局部导航中，机器人遇到各种障碍和路径修正，为机器人创建特定的速度命令。本文中，局部导航算法是一种动态窗口方法。动态窗口方法主要是对多组速度进行采样的速度(v，w)空间，然后用下一个周期时间轨迹中的这些速度对机器人进行仿真。在获得多个轨迹后，对轨迹进行评估，并根据选择最佳轨迹来驱动机器人运动。附图5突出显示了本地导航的整个过程。
在这项研究，turtlebot2机器人和3d相机xtion被用来获取深度信息，并获得障碍位置。在turtlebot2机器人的最大速度是最大的vmax，而最小的速度是最小的vmin，wmin为机器人最小角速度，wmax为最大角速度。
vm＝{v∈[vmin，vmax]，w∈[vmin，vmax]}(29)
由于电机转矩受限，因此存在最大的加速和减速极限。所以，turtlebot2轨迹转发了模拟的时间，并且有一个动态的窗口，所有的机器人可以达到的速度表示为：
其中v,wc是当前turtlebot2的速度，
其中dist(v,w)是速度(v,w)对应于障碍物最近距离处的轨迹。
附图6所示，机器人向全球导航设定的目标点移动，当前的最佳路径由局部导航计划定位。基于导航认知图，机器人可以到达认知图上的任意节点位置。经过多次测试，机器人可以避开规划路线的障碍物，并在一定范围内返回到先前的导航路线。当光线或位置发生较大变化时，发现该位置无效。