无环境信息下多尺度网格细胞群空间表征模型

针对无环境信息条件下网格细胞空间表征问题, 提出一种多尺度网格细胞群的空间表征模型。通过减少吸引子网络模型网格细胞的偏好朝向, 使网格细胞具有特定的感应方向, 仅对特定方向上的速度产生响应。基于改进的吸引子网络模型, 构建多尺度网格细胞群, 并对空间进行表征。仿真结果表明, 改进后的网格细胞模型只响应相应方向的速度, 准确整合速度信息, 表征部分未探索区域, 且适用于无环境信息条件下一维、二维空间。在100 m×100 m的区域, 表征结果的误差不超过0.2 m, 证明了该模型能够扩大网格细胞的表征范围, 提高表征精度与表征能力。     

基于多尺度网格细胞的路径整合模型

针对类脑机制下空间位置自主推算问题, 提出一种基于新型叠加算法的路径整合模型, 通过引入多尺度网格细胞提高路径整合结果的准确性。在路径整合模型中, 基于吸引子网络构建网格细胞与头朝向细胞模型, 通过头朝向变化量来判断运行体的运行状态, 完成不同运动的整合过程; 采用动态权重值分别计算直线运动与曲线运动过程中多尺度网格细胞的位移变化量, 提高路径整合的精度。仿真结果表明, 单一尺度与多尺度网格细胞路径整合模型都能够完成路径整合, 且在3 000 m的距离内, 多尺度网格细胞模型误差不超过15 m, 证明了多尺度网格细胞模型能够提高路径整合的精度, 验证了该路径整合模型的有效性。     

基于改进Q学习算法的导航认知图构建

针对导航认知图构建效率低,方向信息不准确等问题,提出了一种基于改进Q学习算法的导航认知图构建方法。首先,利用径向基(RBF)神经网络学习生成网格细胞到位置细胞的映射关系,并利用位置细胞对空间进行表征;其次,采用改进Q学习算法学习位置细胞面向目标的Q值大小;最后,根据重心估计原理计算面向目标的方向信息,并生成导航认知图。仿真结果表明:与传统Q学习算法相比,文中算法生成导航认知图的学习次数从2 000次缩减至1 000次,提高了导航认知图的构建效率;学习值(指面向目标的方向信息)的相对误差最大降低了15%,提高了认知图的准确性。