基于多尺度连续吸引子网络的轨迹跟踪
机器人学
2023-08-02 v1
摘要
动物和昆虫展现出极其稳健且娴熟的导航能力，足以 literally 绕地球一周。受这些自然系统启发的机器人学主要进展出现在两个领域：高度理论化的计算神经科学模型，以及如RatSLAM和NeuroSLAM等手工设计系统。本研究以多尺度连续吸引子网络（MCAN）的形式填补二者间的空白，其将先前理论模型的多尺度并行空间神经网络与面向机器人的系统的真实世界稳健性相结合，以实现大速度范围内的轨迹跟踪。为克服以往系统依赖手工调参的局限，我们提出一种基于遗传算法的自动化调参方法，大幅提升了其实用性。为提供具挑战性的导航尺度范围，我们开源了一个灵活的城市尺度导航模拟器，可适配任意街道网络，从而实现高通量实验。在使用城市尺度导航环境与Kitti的大量实验中，我们表明该系统能在广泛速度与环境尺度下实现稳定航位推算，而单尺度方法在此失效。
引用
@article{arxiv.2308.00257,
title = {Trajectory Tracking via Multiscale Continuous Attractor Networks},
author = {Therese Joseph and Tobias Fischer and Michael Milford},
journal= {arXiv preprint arXiv:2308.00257},
year = {2023}
}
备注
8 Pages, 8 Figures, accepted at IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2023)