一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法与流程

本发明属于机器人技术与应用领域，涉及一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法。

背景技术：

空间认知是动物执行认知任务的基本能力。其主要包括对未知环境进行探索、构建地图、定位和导航。几十年来，研究人员一直在研究动物如何在未知环境中进行认知和导航。通过神经科学的研究发现，动物的海马体及其周围区域中，存在着与空间认知有关的细胞。

在对空间认知的早期研究中，1948年，tolman提出了认知地图概念，即通过认知地图来表达环境中的显著地标之间的空间关系。1971年，o’keefe发现鼠脑海马中的存在着一种特殊的神经元，这类神经元具有复杂的放电活动，当老鼠处在特定的空间位置中时，特定的神经元细胞就会产生放电活动，这类神经元细胞被称为位置细胞(placecell)。位置细胞的这种选择性的放电行为形成了大脑和外界环境中的映射关系，是构建认知地图的重要基础。2005年，hafting等人发现，在大脑的内嗅皮层中存在着另一种与空间认知有关的神经细胞。当老鼠活动在二维空间中时，这类神经细胞会在特定的地点产生重复性规律放电活动，并且这些地点按六边形网格分布，这类细胞被称为网格细胞(gridcell)。网格细胞和位置细胞的激活模式如附图1所示，图中，蓝色部分为网格细胞，黄色部分为位置细胞。

由网格细胞所产生的六边形网格放电区域遍布在老鼠所经过的空间环境中。神经科学的研究发现，内嗅皮层中的网格细胞是位于海马体中的位置细胞的主要输入来源。网格细胞在二维空间中表现出了对动物位置的规则性的放电活动，并且提供了用于映射空间的度量信息。网格细胞通过整合自身运动信息来更新位置细胞的放电区域，并且通过外部线索来纠正路径积分中产生的误差。内嗅皮层-海马回路对环境的表达构成了环境的认知地图，在动物大脑中形成了一套综合定位系统。

目前，研究人员对于定位系统空间细胞的地图构建与导航算法，主要集中在对大脑中定位导航系统的理解，以及提出精确的仿生slam算法来模拟动物的定位和导航系统，而对于现实环境中的机器人如何利用仿生slam算法对地图进行构建和导航的研究较少。最早被提出的仿生slam算法是ratslam算法，其主要专注于对老鼠的神经行为学特征进行模仿，并没有考虑到鼠脑的解剖学和生理学方面的特性。该算法对网格细胞到位置细胞之间的连接权值进行了预先设定，没有学习行为，显然不符合老鼠的生理学方面的特性。barrera模型对动物的定位和导航系统进行了具体分析，但是其没有通过视觉信息对路径积分误差进行纠正，在实际应用中存在一定的困难。于乃功提出了一种基于定位空间细胞作用机理的地图构建方法，利用头方向细胞、条纹细胞、网格细胞和位置细胞进行环境的地图构建，尚未进行机器人规划研究。

情景记忆可以创造自身和周围环境的多种认知能力，为机器人认知环境提供了更加方便稳定的途径。通过情景记忆，机器人可以根据记忆再现曾经的经历，进而引导机器人进行路径规划。目前，对于情景记忆的研究主要用于跟踪记忆路径、物体和场景识别等方面，对于如何利用情景记忆对机器人的路径进行规划的研究还较少。

技术实现要素：

针对现有技术存在的问题，本发明提出一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法。

本发明的目的是将网格细胞与位置细胞的神经元激活模式集成到情景记忆建模过程中去，通过一种映射高维感知且具有空间信息的状态神经元的表示方法，通过构建一种基于情景记忆的数学模型来描述时空中机器人所经历的事件，利用kinect采集的外部环境的视觉图像信息作为参考，进行路径的闭环检测，纠正路径积分误差，形成情景认知地图，并提出一种基于目标的导航算法。本发明通过简单的硬件系统，让机器人完成对环境的认知地图的构建和目标导航。

本发明的技术方案为：

实现该方法的数据输入部分主要是机器人自身的运动信息、视觉图像信息和激光测距信息。通过光电编码器来获得机器人的速度信号，kinect传感器采集图像信息，中央处理器接受输入信号，通过所建立的数学模型形成认知地图。在导航过程中，中央处理器通过激光测距获得机器人与障碍物之间的距离，通过导航算法，输出电机控制信号，控制机器人的运动。

一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法，该方法首先通过机器人情景认知地图构建算法构建情景认知地图，再根据情景认知地图通过导航算法，规划出全局最优的情景轨迹，进而得到局部的规划路径，完成导航任务，具体为：

所述的机器人情景认知地图构建算法，步骤如下：

步骤(1):在初始时刻，把机器人静止的头朝向设置为0，通过光电编码器获取当前的瞬时速度，并且通过计算获得机器人的角度信息，同时kinect以每秒5帧的速度进行图像采集；

步骤(2):初始化网格细胞计算模型

本发明采用基于速率编码的网格细胞数学模型，其在二维神经板中的动力学方程表示为:

其中，[]+表示一个阈值线性函数,它保持正参数不变，并且将负值设置为0；si表示神经元i的状态，wij^l是神经板中神经元j到神经元i的连接权值，为周围环状的局部神经元投射到神经元i的抑制性输入，τ是神经响应的时间常数；t表示时刻；bi为前馈性兴奋性输入；

假设神经元均匀分布在二维神经板中，神经板的长度为n，则神经板中总共有n²个神经元，每个神经元i还具有由θi指定的优选方向(w，n，s，e)；神经板上的局部区域中，每个2×2块包含每个优选方向的一个神经元，均匀地平铺在神经板上。为了方便建模，优选方向仅限于(w，n，s，e)。神经元的优选方向用于确定输出权值的移动方向和确定其接收的老鼠的速度输入。

神经元j到神经元i的连接权值计算方法如下：

其中，gexc用来调整网格大小，l是输出权值的变化，λ用来调整神经板上网格野间距，即λ越大，网格野的间距也就越大。权值矩阵具有中心环绕的形状，并且以位移位置为中心。

前馈性兴奋性输入bi由公式(4)得到：

其中，为指向θi的单位向量，vt是t时刻的速度，α为神经网络速度响应的增量。

步骤(3):从原始里程计中读取移动机器人的线速度和角速度信息，并将其输入到网格细胞的计算模型，运用公式(1)～(4)进行计算，对网格细胞的放电活动进行整合。

步骤(4):对λ和gexc进行均匀采样来产生多层网格细胞计算模型，位置细胞模型是多层网格细胞计算模型放电活动的选择性子集(即神经板的子集)，具有平衡网格细胞激发的全局抑制性，用于输出机器人当前所处的位置坐标信息，形成移动机器人当前的自身位置感知。

位置细胞模型的活性pi(r)表示为：

其中，a和cinh是位置细胞网络的增益和全局抑制。l是神经板的层数。是网格细胞j到位置细胞i的突触连接权值。r是机器人当前的位置。cinh位置细胞网络的全局抑制，用来控制位置细胞放电野的个数，并将其设置为b*max(pi(r))，用来控制位置细胞活动的峰值。使用竞争性的hebbian学习规则来寻找基于连续吸引子网络的网格细胞群放电活动的子集，以计算相应的位置细胞模型，采用如下定义：

其中，k表示学习速率；<·>表示网格细胞活动的平均值。kpi(sj-<sj>)确定突触连接权值变化的方向，如果当前网格细胞激活率大于网格细胞平均激活率，网格细胞到位置细胞的突触连接增强，否则突触连接减弱.根据oja规则，将连接权值进行归一化处理从而防止神经网络中的某些突触连接权值一直获胜。

将位置细胞中的每一个点的活跃度pij加权平均，得到机器人当前时刻的位置，具体方法如下：

其中，pos(t)表示位置细胞活动通过数学模型计算得到的在t时刻时的位置坐标信息；为t时刻位置细胞活动模型中每个位置点的活跃度和该位置加权乘积的加和，(i,j)表示每个位置点的坐标；为t时刻位置细胞中所有活跃度的加和。

步骤(5):采用sift算法，提取视觉传感器中的图像特征，处理生成视觉模版，作为当前场景的场景感知。将初始场景作为新场景存储到场景感知特征集中，用来与随后的场景感知进行相似度对比。

步骤(6):初始化情景记忆模型，通过当前环境感知映射状态神经元，采用场景感知，状态神经元以及自身位置感知建立事件序列以形成情景记忆。

根据情景记忆的生物基础建模，建立机器人的情景记忆模型：

e＝{e1,e2,…,eq}(8)

其中每个事件e有三元组<s,o,p>构成，各元素的意义如下：

1)s：状态神经元。用来组织生成情景记忆神经网络。当机器人遇到新的场景时，便会生成新的状态神经元，记录新的事件。当机器人完成对环境的探索之后，便可以通过状态神经元之间的连接权值来进行路径规划。

2)o：场景感知。机器人通过传感器采集到的图像对周围环境进行感知，使用sift算法对接收到的图像进行处理，提取出特征矩阵，并将一组特征点存储到场景感知特征集中。场景感知可以用来进行闭环检测以及纠正路径积分误差。

3)p：自身位置感知。表示机器人当前所处的位置。

步骤(7):若当前场景为非初始场景，则通过相似性计算与场景感知特征集中的场景进行比较，来判定是否为新的场景。本发明所采用的状态神经元的激活方式为：

设当前网络中共有状态神经元m个，移动机器人的当前的环境感知为oc，情景记忆中存储的环境感知信息为oi(i＝1,2,…,m)，两者之间的相似度量为状态神经元的激励信号：

设定激活阈值为θc，当μi≥θc时，与之对应的状态神经元才会被激活，初始激活度为1。情景记忆中，状态神经元有激活衰减的特性，为了模拟这种特性，激活的状态神经元的激活度为：

其中，wi＝e^-1/σ为状态神经元的衰减权值，σ为状态神经元的衰减系数，θn为状态神经元的激活阈值。

步骤(8):情景认知地图的构建及纠正。

情景认知地图利用事件节点和事件连接权值，形成机器人对环境在拓扑空间和几何空间上的综合描述。如附图4所示，定位细胞空间定位机制启发的机器人空间情景建模过程图。

步骤(8-1):建立事件之间的连接权值。

若为新场景，激活一个新的状态神经神经元，则生成一个新的事件，并创建状态神经元之间的连接权值:

其中，γ为突触前神经元序列集合；为当前激活神经元的激活度；为新增加的状态神经元的激活度。

步骤(8-2):若为熟悉场景，则进行闭环检测：

本发明采用sift算法对视觉传感器采集到的图像进行处理，提取特征矩阵，并对其进行相似性计算，当相似性计算结果以及位置细胞相关度均满足某一阈值时，则认定机器人检测到了闭环点，此时，进行路径纠正，对网格细胞计算模型和位置细胞模型以及突触连接权值进行重置，重置为先前闭环点的状态。

v＝pos(tlat-1)-pos(tpre)(12)

其中，v为二维向量，表示移动机器人在闭环点更新后，与闭环之后的细胞模型产生的间距；tlat为后一时刻；tpre为前一时刻；pos(tlat-1)为移动机器人在tlat-1时刻的位置；pos(tpre)为移动机器人在tpre时刻的位置。

采用分配步进误差的方式调整位置，具体方法如下：

δpos(t)＝pos(t+1)-pos(t),t∈[tpre,tlat-2](13)

该方法对里程计产生误差的机理进行了模拟，从而大大减少了闭环误差，对情景认知地图进行了一定程度的纠正。

情景中任意两个事件的连接是相对应状态神经元间的连接，根据网格细胞的路径整合特性和位置细胞的认知地图特性，以及情景记忆的存储机理，输出以事件集为顶点，事件连接权值为边的由多条情景轨迹构成的情景认知地图。

本方法基于情景认知地图提出了一种导航算法，具体方法如下：

步骤(1)：利用构建完成的情景认知地图，获取与当前目标相关的机器人经历过的情景记忆，以自我为参考，基于状态神经元的激活和连接模式，对神经元激活序列进行重组，从而规划出全局最优的情景轨迹。

利用场景感知与状态神经元之间的映射关系，确定当前场景所对应的状态神经元，并作为初始状态神经元。选取与第i个神经元连接权值最大的神经元作为下一个激活的神经元，具体方法如下：

如果某一行中，存在有多个神经元与第i个神经元的连接权值相等并等于最大权值，则表明有多个神经元可以选择。在这种情况下，选择邻近神经元激活数目多的神经元作为下一个激活神经元。

在空间情景记忆的建模过程中，事件中的任何一个元素发生变化，都会建立一个新的事件来对这些元素进行封装，所以存在一个状态神经元对应多个事件的情况。本发明对状态神经元定位事件的过程采取以下方法：

1)如果该状态神经元为目标状态神经元，则定位到事件序列最大的事件；

2)如果该状态神经元对应一个事件，则定位到该事件；

3)如果该状态神经元对应多个事件，考虑到事件的单向增长性，采用最小事件距离原则，即两事件的序号差值最小，定位到离目标事件距离最小的事件。

利用状态神经元进行事件定位，重组事件序列，输出全局最优的情景轨迹。

步骤(2)：当机器人规划出一条全局最优的情景轨迹之后，机器人开始移动，采用以下方法对机器人的局部路径进行规划：

假设机器人当前所在的事件序号为h，以(h+k)序号事件为机器人的移动目标，其中，k根据经验取值。采用机器人坐标系下局部占用网格表示障碍物，定义机器人在当前坐标系下可选择的移动路径集合为p，其路径对应的曲率为ρi，表示该机器人直行方向的切线。

在机器人行驶路径上检测到障碍物时，以环绕障碍的最佳可行路径作为机器人行为控制输出。出于安全性考虑，机器人需降低移动速度，同时也应该保证机器人能够回到规划的路径上。采用如下方法对机器人的路径进行规划：

其中，ρ^*为最佳可选路径，uc为机器人当前状态神经元场景感知中的sift局部描述子的横向坐标，ud为事件库中匹配场景的下一个场景sift局部描述子的横向坐标，vr为机器人在非安全状态下的移动速度。当u<0时，表示局部描述子的横向坐标位于图像中心线的左侧，此时机器人应该左转；当u>0时，表示局部描述子的横向坐标位于图像中心线的右侧，此时机器人应该右转。则机器人回到规划路径的导航角为：

其中，t为导航算法运行周期，λ为导航角θr控制增益。为了避免机器人旋转角速度的突然改变，当前最佳路径应该根据无障碍路径选择与导航算法计算得到曲率ρ最接近的路径曲率。最终获得的局部规划策略激光传感器的扫描范围为±45°，激光测距传感器检测到当前位置与目标位置之间没有障碍物时，则直接移动到目标点；当检测到障碍物时，则执行避障方法。机器人的移动线速度和角速度为：

其中，r为危险系数；vs为机器人的平移速度，由vs(ω)＝vmin+0.5(vmax-vmin)(1+tanh(π-kω|ω|))得到，vmax为机器人速度的最大值，vmin为机器人移动速度的最小值；vr为机器人在非安全状态下的移动速度。

依据得到的移动速度v和角速度w实时控制机器人，机器人能够有效规避障碍物并回归到规划路径，待当前场景感知与目标场景感知达到匹配度最大时，则完成导航任务。

本发明的有益效果：

根据鼠脑海马中定位细胞的相互作用以及情景记忆的存储机理，实现了移动机器人对环境进行地图构建的功能，并且提出了一种与情景认知地图相结合的导航算法。适用于面向室内外环境的自主移动机器人，克服了视觉导航在复杂环境中存在的不足，通过与周围环境进行交互，形成时空环境经验在拓扑空间与几何空间上的综合表述，可实时选择最佳的避障路径后自主返回全局规划路径并向导航目标移动。

附图说明

图1为本发明涉及到的网格细胞与位置细胞的激活模式图；

图2为本发明构建环境认知地图的方法整体示意图；

图3为本发明所采用的导航方法流程图；

图4为本发明所涉及到的定位细胞空间定位机制启发的机器人空间情景建模过程图；

图5为本发明采用的局部规划方法示意图；图中，激光传感器的扫描范围为±45°，激光测距传感器检测到当前位置与目标位置之间没有障碍物时，则直接移动到目标点；当检测到障碍物时，则执行避障方法；方形图表示障碍物，点线部分表示机器人的可选路径，实线表示机器人最终选择的路径；

图6为实施例中有无闭环检测两种情况下的对比图；(a)为闭环检测前的情景认知地图，(b)为加入闭环检测后的情景认知地图；

图7为实施例中根据建立好的情景认知地图，计算出的全局最优路径；

图8为实施例中机器人行驶路径上有无障碍时的机器人导航轨迹示意图。

具体实施方式

本方法提出的基于鼠脑海马体中的定位细胞的机器人情景认知地图构建方法，与传统的slam算法相比，无需高精度的传感器，可以节约成本；建图过程从仿生学原理出发，让机器人完成对情景认知地图的准确构建。导航方法对机器人的移动轨迹进行了全局和局部的规划，可以大大减少机器人的移动时间，使机器人能够准确的移动到目标所在的位置。

以下结合附图和技术方案，进一步说明本发明的具体实施方案。

实施例中，采用以下实施方式：

步骤(1)：进行数据采集，使用电脑控制移动机器人在环境中移动，采集机器人的速度以及该位置点的图像信息，采样周期为5hz。

步骤(2):网格细胞的路径整合。采用基于速率编码的网格细胞数学模型，其在二维神经板中的动力学方程表示为:

其中，[]+表示一个阈值线性函数,它保持正参数不变，并且将负值设置为0。si表示神经元i的状态，wij^l是神经板中神经元j到神经元i的连接权值，为周围环状的局部神经元投射到神经元i的抑制性输入，τ是神经响应的时间常数，其取值为10ms。

假设神经元均匀分布在二维神经板中，神经板的长度为n＝40，则神经板中总共有40×40个神经元，每个神经元i还具有由θi指定的优选方向(w,n,s,e)。神经板上的局部区域中，每个2×2块包含每个优选方向的一个神经元，均匀地平铺在神经板上。为了方便建模，优选方向仅限于(w,n,s,e)。

循环权值矩阵为：

其中，gexc来调整网格的大小，其取值范围为[0.995,1.007]；l是输出权值的变化，其取值为2；λ用来调整神经板上的网格野的间距，其取值范围为[13,21]。

其中，bi为前馈输入，为指向θi的单位向量，vt是t时刻的速度，α为神经网络速度响应的增量。

步骤(3):从原始里程计中读取移动机器人的线速度和角速度信息，并将其输入到网格细胞的模型，运用上述公式进行计算，对网格细胞的放电活动进行整合。

步骤(4):对λ和gexc进行均匀采样来产生多层网格细胞计算模型，位置细胞模型是多层网格细胞计算模型放电活动的选择性子集(即神经板的子集)，具有平衡网格细胞激发的全局抑制性，输出机器人当前所处的位置坐标信息，形成移动机器人当前的自身位置感知。

位置细胞的活性pi(r)表示为：

其中，a是位置细胞网络的增益，其取值为1；cinh是位置细胞网络的全局抑制；l是神经板的层数，其取值为80；是网格细胞j到位置细胞i的突触连接权值；r是机器人当前的位置；全局抑制cinh＝b*max(pi(r))，其中b取值为0.5。在本发明中，使用竞争性的hebbian学习规则来寻找基于连续吸引子网络的网格细胞群活动的子集，以计算相应的位置细胞群活动，采用如下定义：

其中，k表示学习速率，其取值为0.00005；<·>表示网格细胞活动的平均值。

将位置细胞中的每一个神经元的活跃度pij加权平均，得到机器人当前时刻的位置，具体方法如下：

其中，pos(t)表示位置细胞活动通过数学模型计算得到的在t时刻时的位置坐标信息；为t时刻位置细胞活动模型中每个位置点的活跃度和该位置加权乘积的加和；(i,j)表示每个位置点的坐标；为t时刻位置细胞中所有活跃度的加和。

步骤(5):采用sift算法，提取视觉传感器中的图像特征，处理生成视觉模版，作为当前场景的场景感知。将初始场景作为新场景存储到场景感知特征集中，用来与随后的场景感知进行相似度对比。

步骤(6):初始化情景记忆模型，通过当前环境感知映射状态神经元，采用场景感知，状态神经元以及自身位置感知建立事件序列以形成情景记忆。

根据情景记忆的生物基础建模，建立了机器人的情景记忆模型：

e＝{e1,e2,…,eq}

其中，e表示事件序列。

步骤(7):若当前场景为非初始场景，则通过相似性计算与场景感知集中的场景进行比较，来判定是否为新的场景。本发明所采用的状态神经元的激活方式为:

设当前网络中共有状态神经元m个，移动机器人的当前的环境感知为oc，情景记忆中存储的环境感知信息为oi(i＝1,2,…,m)，两者之间的相似度量为状态神经元的激励信号：

设定激活阈值为θc，当μi≥θc时，与之对应的状态神经元才会被激活，初始激活度为1。情景记忆中，状态神经元有激活衰减的特性，为了模拟这种特性，激活的状态神经元的激活度为：

其中，wi＝e^-1/σ为状态神经元的衰减权值；σ为状态神经元的衰减系数，其取值为10；θn为状态神经元的激活阈值，其取值为0.4。

步骤(8):情景认知地图的构建及纠正。

情景认知地图利用事件节点和事件连接权值，形成机器人对环境在拓扑空间和几何空间上的综合描述。

步骤(8-1):建立事件之间的连接权值。

若为新场景，激活一个新的状态神经神经元，则生成一个新的事件，并创建状态神经元之间的连接权值:

其中，γ为突触前神经元序列集合；为当前激活神经元的激活度；为新增加的状态神经元的激活度。

步骤(8-2):若为熟悉场景，则进行闭环检测：

采用sift算法对视觉传感器采集到的图像进行处理，提取特征矩阵，并对其进行相似性的计算，当相似性计算结果以及位置细胞相关度均满足某一阈值时，则认定机器人检测到了闭环点，此时，进行路径纠正，随后对网格细胞计算模型和位置细胞模型以及突触连接权值进行重置，重置为先前闭环点的状态。

v＝pos(tlat-1)-pos(tpre)

其中，v为二维向量，表示移动机器人在闭环点更新后，与闭环之后的细胞模型产生的间距；tlat为后一时刻；tpre为前一时刻；pos(tlat-1)为移动机器人在tlat-1时刻的位置；pos(tpre)为移动机器人在tpre时刻的位置。

采用分配步进误差的方式调整位置，具体方法如下：

δpos(t)＝pos(t+1)-pos(t),t∈[tpre,tlat-2]

该方法对里程计产生误差的机理进行了模拟，从而大大减少了闭环误差，对情景认知地图进行了一定程度的纠正。

本方法基于情景认知地图提出了一种导航算法，具体方法如下：

步骤(1)：利用构建完成的情景认知地图，获取与当前目标相关的机器人经历过的情景记忆，以自我为参考，基于状态神经元的激活和连接模式，对神经元激活序列进行重组，从而规划出全局最优的情景轨迹。

利用场景感知与状态神经元之间的映射关系，确定当前场景所对应的状态神经元，并作为初始状态神经元。选取与第i个神经元连接权值最大的神经元作为下一个激活的神经元，具体方法如下：

利用状态神经元进行事件定位，重组事件序列，输出全局最优的情景轨迹。

步骤(2)：当机器人规划出一条全局最优的情景轨迹之后，机器人开始移动，采用以下方法对机器人的局部路径进行规划：

假设机器人当前所在的事件序号为h，以(h+k)序号事件为机器人的移动目标，其中，k＝5。采用机器人坐标系下局部占用网格表示障碍物，定义机器人在当前坐标系下可选择的移动路径集合为p，其路径对应的曲率为ρi，表示该机器人直行方向的切线。

在机器人行驶路径上检测到障碍物时，以环绕障碍的最佳可行路径作为机器人行为控制输出。出于安全性考虑，机器人需降低移动速度，同时也应该保证机器人能够回到规划的路径上。采用如下方法对机器人的路径进行规划：

其中，ρ^*为最佳可选路径，uc为机器人当前状态神经元场景感知中的sift局部描述子的横向坐标，ud为事件库中匹配场景的下一个场景sift局部描述子的横向坐标。当u<0时，表示局部描述子的横向坐标位于图像中心线的左侧，此时机器人应该左转；当u>0时，表示局部描述子的横向坐标位于图像中心线的右侧，此时机器人应该右转。则机器人回到规划路径的导航角为：

其中，t为导航算法运行周期，λ为导航角θr控制增益。为了避免机器人旋转角速度的突然改变，当前最佳路径应该根据无障碍路径进行选择，优先选择与导航算法计算得到曲率ρ最接近的路径曲率。最终获得的局部规划策略如下：

其中，r为危险系数；vs为机器人的平移速度，由vs(ω)＝vmin+0.5(vmax-vmin)(1+tanh(π-kω|ω|))得到，vmax＝0.5m/s，vmin＝0.1m/s，kw＝12；vr为机器人在非安全状态下的移动速度，取值为0.03m/s。

实施例中让机器人对室内环境进行探索。情景认知地图的构建结果如附图6所示，图(a)为闭环检测前的地图，图(b)为加入闭环检测后的地图，可以看出：在闭环点，机器人的路径得到了纠正，验证了本发明所提模型的合理性及所使用的闭环检测方法的有效性，使得情景认知地图的构建更加准确。

如附图7所示，输入a，b两位置机器人的场景感知信息，设定a位置为机器人的当前位置，b为机器人的目标位置，根据全局路径规划方法，最终规划出一条全局最优的情景轨迹。局部路径规划方法如图8所示，机器人全局最优的情景轨迹是路径1，当机器人前方有障碍物时，会阻碍机器人的正常导航。为了进行正确的导航，机器人绕过障碍物，返回到原来的导航路径；路径2是机器人绕过障碍物导航的近似路径。该导航算法在全局最优的情景轨迹的基础上，进一步对机器人的移动轨迹进行优化，大大减少了机器人的移动时间，并且能够进行实时避障。