一种基于DGSOM神经网络的RatSLAM算法的制作方法

本发明涉及涉及仿生学、神经网络与机器视觉领域，尤其涉及一种基于鼠类模型和dgsom神经网络的同步定位与地图构建方法。

背景技术：

在生物神经系统中，存在着一种侧抑制现象，一个神经细胞的兴奋会对周围其他神经细胞产生抑制作用，这种抑制作用会使神经细胞之间出现竞争，造成神经细胞的兴奋或抑制。

1982年芬兰helsink大学的t.kohonen教授基于这种现象提出一种自组织特征图(self-organizingfeaturemap,som)并引入赢者通吃(winnertakeall,wta)理论，研究者们基于该模型的缺陷进行了改进。

1993年martinetz等提出一种神经气(neuralgas，ng)模型提高了网络自组织学习过程的效率。

2004年尹峻松等为克服som孤立学习与噪声敏感等缺陷,结合一氧化氮(no)扩散机理,在som网中引入时间增强机制，提出一种新型扩散的自组织模型(diffusingself-organizingmaps，dsom)。

2009年王春东等将som理论运用于信息学，利用灰色关联系数(grc，greyrelationalcoefficient)调整权重检测拒绝服务攻击(denyofservice,dos)。

2011年于乃功等将可增长特征映射图(growingself-organizingfeaturemap,gsom)融入双目立体视觉，通过自组织拓扑结构避免了传统som网需大量实验才能确定的初始网络结构。

基于生理学和脑科学研究成果提出的som神经网络仿生优化方法能够通过学习自主绘制出拓扑地图，但需通过大量的尝试确定其初始网络结构，效率较低。

技术实现要素：

本发明在gsom神经网络模型基础上引入了方向参数和特征参数构成动态增长自组织特征图(dynamicgrowingself-organizingfeaturemap，dgsom)，并应用于澳大利亚milford等提出的ratslam模型中。具体是使用一种方向信息和特征信息构建动态增长自组织特征网dgsom以避免初始网络结构的计算，并将该神经网络应用于ratslam中的视觉细胞中。

一种基于dgsom神经网络的ratslam算法，包括如下步骤：

1)创建dgsom网络；

2)计算权值向量与输入的距离；

3)决定最佳匹配单元；

4)调节神经元的权重；

5)构建一个新的神经元；

6)将dgsom模型应用于ratslam中。

优选的，所述步骤1)进一步包括：引入输入神经元c＝＜d,f＞，其中d表示神经元方向，f表示神经元特征。如图2所示是dgsom模型神经元的创建过程，其中第3个神经元是竞争出的胜者，第m+1个神经元是新产生的神经元。

优选的，所述步骤2)进一步包括：在第k个输入v^k平面中，到每一个神经元i的距离di可由已知的m个神经元计算得出，现有计算距离的方法有曼哈顿距离、欧氏距离等，这里采用欧几里得距离：

dmin＝min(di)

其中，输入神经元c^k＝[ω1^k,...,ωi^k,...,ωm^k]^t，权向量ωij＝[ω1j,...,ωij,...,ωmj]^t。

优选的，所述步骤3)进一步包括：通过引入阈值参数α判定是否需引入新的神经元，决定最佳匹配单元的具体算法为：

优选的，所述步骤4)进一步包括：对于新引入的神经元，有

ωij^t+1＝cij^k

对于已引入的神经元有

其中，且β0赋初值0.1，ρ为允许在神经单元i处创建的新节点数目，且权重需满足约束条件||ωij||≤1。

优选的，所述步骤5)进一步包括：通过移动机器人在环境中探索，重复步骤1-4过程。

优选的，所述步骤6)进一步包括：通过摄像头获取局部场景，利用视觉里程计信息路径综合至位姿细胞从而影响经历制图；融合dgsom神经网络模型的视觉细胞一方面对位姿细胞进行视觉关联，另一方面直接影响经历图的构建。

本发明的优点在于：

1.复杂度：与现有ratslam模型相比，融合dgsom神经网络的ratslam模型能够通过减少视觉细胞的数量从而降低系统的复杂度。

2.实时性：与现有ratslam模型相比，融合dgsom神经网络的ratslam模型能够更早的进行场景重定位使系统在闭环检测方面具有更好的实时性能。

3.鲁棒性：通过准确率、召回率及f1值进行闭环检测的稳定性测试，并通过加入高斯噪声后的准确率、召回率及f1值进一步分析其鲁棒性。

附图说明

图1为本发明融入dgsom神经网络的ratslam模型示意图；

图2为dgsom模型神经元的创建过程；

图3为本发明ratslam模型与dgsom+ratslam模型性能对比；

图4为本发明高斯噪声下的ratslam模型与dgsom+ratslam模型性能对比。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

一种基于dgsom神经网络的ratslam算法，具体如下：

如图1所示，局部场景细胞在环境中学习独特场景，由头方向细胞和位置细胞合并形成的位姿细胞表征当前位置，拓扑化的经验图用节点和链路编码局部场景细胞和位姿细胞构成ratslam模型，dgsom神经网络不断地进行获胜单元的优选及视觉细胞数量的控制。

如图2所示是dgsom模型神经元的创建过程，输入神经元c＝＜d,f＞，其中d表示神经元方向，f表示神经元特征，其中第3个神经元是竞争出的胜者，第m+1个神经元是新产生的神经元。

如图3所示，相比于现有ratslam模型，dgsom+ratslam模型采集相同场景时所需视觉细胞的个数更少，能够更快的进行场景重定位且匹配效果更佳。经计算，ratslam算法和dgsom+ratslam算法的准确率p分别达93.26％和94.74％，差异性不显著；但相比于传统的ratslam模型，融入dgsom神经网络的ratslam模型的召回率r具有显著的提升，其中，ratslam算法的召回率r仅有75.28％，即该算法在场景重定位中会导致较多的假阴性判断，dgsom+ratslam算法的召回率r改进至86.88％，两种模型的f1值分别为83.31％与90.64％，可以看出，融入dgsom神经网络模型的ratslam算法性能得到了一定的改进。

如图4所示，为进一步验证dgsom+ratslam模型的有效性，给所需处理的图像添加随机高斯噪声，其中正态分布的均值μ取0，标准差σ取随机值[0.02,0.08]。相比于gauss-ratslam模型，gauss-dgsom+ratslam模型采集相同场景时所需视觉细胞的个数仍然更少，仍能够更快的进行场景重定位且匹配效果更佳。在每一帧图像中加入高斯噪声后检测融入dgsom神经网络模型的ratslam算法，其准确率p分别达91.42％和86.70％，召回率r分别为71.33％和80.25％，计算得f1值分别为80.14％和83.35％，

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。