Bio-inspired homogeneous multi-scale place recognition

سیستم های نقشه برداری رباتیک و سیستم های محلی سازی معمولا در هر یک از مقیاس های ثابت فضایی یا بیش از دو، ترکیب نقشه های متریک محلی و یک نقشه توپولوژیکی جهانی عمل می کنند. در مقابل، اکتشافات اخیر در علوم اعصاب نشان داده است که حیوانات مانند جوندگان به جهان با استفاده از نقشه های موازی چندگانه، با هر نقشه کدگذاری جهان در یک مقیاس فضایی خاص. در حالی که تعدادی از مطالعات نظری تنها فرض چند مزیت ممکن از چنین سیستم نقشه برداری چند بعدی، هیچ کس به طور جامع از مزایای عملکرد نقشه برداری و شناخت مکان برای بررسی روبات ها در محیط های بزرگ جهان واقعی، به ویژه با استفاده از بیش از دو همگن مقیاس نقشه در این مقاله، یک سیستم نقشه برداری چند بعدی الهام گرفته از زیست شناسی ارائه شده است که تقریبا نقشه نقشه چندگانه را نشان می دهد. بر خلاف سامانه های نقشه برداری ربات چندمتغیره متریک-توپولوژیک چند بعدی، این سیستم جدید همگن است و فقط با مقیاس قابل تشخیص است مانند نقشه های عصبی جوندگان. ما در حال ارائه روش هایی برای آموزش هر شبکه برای یادگیری و تشخیص مکان ها در یک مقیاس فضایی خاص و تکنیک ها برای ترکیب خروجی از هر یک از این شبکه های موازی. این رویکرد از روش های روباتیک سنتی احتمالا متفاوت است، جایی که ویژگی های فضایی به رسمیت شناختن مکان به صورت غیرمستقیم توسط مدل های عدم اطمینان سنسور هدایت می شود. در عوض، ما عمدا ایجاد سیستم های یادگیری موازی می کنیم که ارتباط بین ورودی حسی و محیط را در مقیاس های مختلف فضایی می آموزد. ما همچنین مجموعه ای از آزمایش های آزمایشگاهی و مطالعات پارامتر را انجام می دهیم که تاثیر آن بر عملکرد استفاده از مقادیر مختلف مقیاس پوسته های عصبی و تعداد مختلف مقیاس های نقشه گسسته را تعیین می کند. نتایج نشان می دهد که یک رویکرد چند مقیاس به طور جهانی عملکرد به رسمیت شناختن مکان را بهبود می بخشد و قادر به تولید بهتر از عملکرد هنری در مقایسه با الگوریتم های روباتیک موجود است. ما نتایج را تجزیه و تحلیل و بحث در مورد مفاهیم در مورد چندین کشف اخیر و نظریه ها در مورد چگونه چند مقیاس نقشه های عصبی آموخته و استفاده می شود در مغز پستانداران.