通过基于学习的复制连续吸引子神经动力学来提升类脑路径积分效率
机器学习
2026-04-13 v2 神经与进化计算
摘要
大脑的路径积分（Path Integration, PI）机制为类脑导航（Brain-Inspired Navigation, BIN）提供了大量的指导和灵感。然而，大多数现有BIN研究中基于连续吸引子神经网络（Continuous Attractor Neural Networks, CANN）构建的PI能力 exhibits显著的计算冗余，其操作效率亟需提升；否则，将不利于BIN技术的实际应用。为此，本文提出一种高效PI方法，利用表示学习模型复制CANN神经动力学模式。该方法成功地利用轻量级人工神经网络（Artificial Neural Networks, ANNs）复制了CANN建模的头方向细胞（Head Direction Cells, HDCs）和网格细胞（Grid Cells, GCs）的神经动力学模式。这些ANN重构的HDC和GC模型随后被集成，以实现针对Dead Reckoning（DR）的类脑PI。与著名的NeuroSLAM系统相比，在 various环境中的基准测试结果表明，本工作不仅准确地复制了导航细胞的神经动力学模式，而且在定位精度方面与NeuroSLAM持平。此外，本工作相对于NeuroSLAM，在通用设备上实现了约17.5%的效率提升，在边缘设备上实现了40~50%的效率提升。这一工作提供了一种新颖的实现策略，以提升BIN技术的实际应用性，并具有进一步扩展的潜力。
引用
@article{arxiv.2511.17687,
title = {Boosting Brain-inspired Path Integration Efficiency via Learning-based Replication of Continuous Attractor Neurodynamics},
author = {Zhangyu Ge and Xu He and Lingfei Mo and Xiaolin Meng and Wenxuan Yin and Youdong Zhang and Lansong Jiang and Fengyuan Liu},
journal= {arXiv preprint arXiv:2511.17687},
year = {2026}
}