视觉对比度的动态神经场建模用于感知不连贯的逼近运动
神经与进化计算
2025-04-08 v1
摘要
Amari 的动态神经场 (DNF) 框架提供了一种受大脑启发的建模方法，用于建模神经群体平均激活水平。单场 DNF 已成为机器人应用中低能耗逼近感知模块的有前景的基础。然而，先前的 DNF 方法在检测不连贯或不一致的逼近特征方面面临重大挑战——这些特征在现实场景中常见，例如雨天下的碰撞检测。来自果蝇和蝗虫视觉系统的见解表明，ON/OFF 视觉对比度编码在增强逼近选择性方面发挥关键作用。此外，侧向激化机制可能细化对既连贯又不连贯刺激的逼近敏感神经元的响应。综合这些生物学证据，我们扩展了之前的单场 DNF 框架，通过引入建模 ON/OFF 视觉对比度的机制，每个对比度都由独立的 DNF 控制。我们使用归一化高斯核对每个 ON/OFF 对比度场中的侧向激化进行建模，并将其输出在 Summation 场中集成，以生成碰撞警报。实验评估表明，所提出的模型有效解决了不连贯逼近检测的挑战，显著优于基于蝗虫启发的先进模型。它在包括合成雨效应在内的多样化刺激下表现出稳健的性能，凸显了其在复杂、嘈杂环境中处理不一致视觉线索的可靠逼近感知潜力。
引用
@article{arxiv.2504.04551,
title = {Dynamic Neural Field Modeling of Visual Contrast for Perceiving Incoherent Looming},
author = {Ziyan Qin and Qinbing Fu and Jigen Peng and Shigang Yue},
journal= {arXiv preprint arXiv:2504.04551},
year = {2025}
}