无人机集群类脑导航系统综述

博e百国际

随着网格样细胞,位置细胞和脑 - 细胞样脑认知导航细胞的作用的发现,人工智能的快速发展和群体智力感知机制的蓬勃发展,以研究无人机集群形成的复杂飞行环境脑类形成协同导航技术提供了理论依据。无人机脑簇形成导航技术的研究进展总结如下。

1)讨论无人机大脑形成导航系统的研究现状;

2)分析无人机大脑感知定位机制和智能自适应建模方法,包括基于深度强化学习的类脑导航模型;

3)提出当前脑形成导航系统的难点和未来发展趋势。

无人机的飞行任务逐渐从单人无人机的自主飞行演变为多无人机集群编队的自主飞行。在军事领域,多无人机集群编队合作飞行可以有效克服复杂战场飞行环境中执行单一任务能力有限,无损伤能力的问题。在民用领域,多无人机密集星团协同飞行可应用于救灾,科学考察和航空飞行性能等各种应用领域,尤其是多旋翼无人机按照预定的方式实现密集星团编队飞行飞行路线。民航飞行表演等领域已成功应用。由于功能分布,系统成活率高,成本低,效率高等优点,无人机将广泛应用于军事,救灾,精准农业,线路检测,测绘,安防等军事和民用领域。应用前景广阔。

现有的无人机集群编队协同导航通常基于卫星导航信号,例如GPS或差分GPS,用于协同导航和定位。该导航定位方法显示出对卫星导航信号和地面控制站的强烈依赖性。当信号受到干扰或主站信号丢失时,无人机群的导航性能将无法保证。此外,除了GPS等卫星导航传感器之外,还可以在每个编队无人机上进一步加载各种传感器,如惯性传感器,地磁,大气传感器,视觉,光流,UWB和WIFI,以进一步增强无人机自身的感知能力。定位精度和可靠性,但面对大规模集群多源传感器数据的处理,依靠现有的中心节点型无人机编队集群导航技术显然无法满足大量可用导航信息的筛选,实现最优融合大量传感位置信息。近年来,对类似大脑的感知和认知机制的研究迅速发展。神经科学家逐渐揭示了人类大脑,头部到细胞和网格细胞之间的作用机制,并进一步阐明了人类大脑进行位置和方向感知的方式。此外,对鸟类,蜂群,鱼群,蚁群等生物大脑的传感和定位机制的研究也处于蓬勃发展阶段,为人工智能的发展提供了新的思路和发展方向。大脑般的处理。近年来,它已成为人工智能领域的热点,为无人机集群导航提供了新的思路和方法。

美国和其他西方发达国家已经开展了许多基于大脑感知的人工智能编队无人机导航的探索性研究。 2016年10月,美国国防部使用三架F/A-18战斗机发射了103枚“Perdix”微型固定翼无人机,并形成了一个星团,以验证无人机群通过空中实验的能力。研究人员通过研究鸟群飞行的大脑机制来分享分布式大脑。通过协调行动,虽然他们仍然依靠地面站作为实际飞行期间的数据中心,但它也表明“山”是无人驾驶的。该飞机最初具有集群形成能力和协同环境的大脑感知定位能力; 2010年,宾夕法尼亚大学完成了20架四旋翼无人机的大脑形成控制; 2015年,法国达索飞机制造公司实现了神经元无人机和阵风战斗机。“猎鹰7X”商务机人机/无人机类大脑合作编队飞行。

528b4936209d47e48def7b861a3c71c2

美国军方“蝉”微型无人机集群形成

bece233cc730400cba94e23eec607156

美国海军“低成本无人机集群技术项目”

在国内,它也非常重视人工智能和无人机导航的结合。其中,控制领域有许多类似大脑的感知研究者,大脑般的大脑尚未应用于导航领域。与国外相比,技术实施还存在一定差距。

大脑般的感觉定位不仅仅是复制生物大脑,而是从原理和结构中寻求生物大脑的优势,从而完善人工神经网络。基于大脑般的导航细胞机制,昆士兰大学开发了一种类似大脑的机器人视觉导航算法。它首次通过低成本摄像头实现了城市级车辆导航定位能力。与传统的视觉导航相比,它具有恶劣的环境(暗光,灰尘等)适应性,无需精确导航计算模型等优点。波士顿大学提出了一种面向目标的导航模型,模仿海马的认知机制。通过分析头部定向细胞,网格细胞,定位细胞和前额皮质细胞的功能和连接,建立分层人工神经网络。该模型基于惯性/视觉实现了类似大脑的认知导航。昆士兰科技大学提出了一种基于视觉/WIFI /气压计的类脑多源信息融合算法,该算法不依赖于精确的导航建模。谷歌DeepMind人工智能研究小组证实,当神经网络模型用于空间导航和定位时,其隐藏节点的物理意义类似于导航单元,如大脑定位单元,网格单元,边界单元等。相当于脑导航的生理机制。哥伦比亚大学首次采用类似大脑的芯片小发猫TrueNorth实现智能汽车环境感知,空间导航认知和路径规划集成硬件测试,具有硬件体积小,功耗低的优点。

上述国内外研究工作动态为进一步研究基于类脑感知定位的无人机密集型群集的协同导航提供了参考。但是,从上述国内外大脑类群集成协同自主导航技术研究成果来看,大部分研究都是针对无人机协同星形成控制技术领域的探索,主要采用惯性和GPS导航技术来实现。集群形成协调。导航与控制;在类似大脑的导航中,国内外研究人员也将类似脑导航的原理应用于无人机和车辆导航,但对于基于簇的脑感应定位的无人机密集型集群形成合作导航技术很少文献报道,深度学习和神经网络等人工智能方法的应用主要集中在单人无人机导航领域。内容,

在自然界中有许多动物导航感知的例子。与众所周知的GPS系统一样,大脑定位系统也可以浏览自己的姿势信息和目标信息。生物脑中有三个主要的导航细胞定位细胞,头对细胞和网格细胞。其中,海马体中的位置细胞映射位置的位置;头部朝向细胞(细胞和头部合并成新的细胞类型,位置细胞);条纹细胞,速度细胞等细胞。大脑通过感觉从外部获得环境中的特征信息,其中位置细胞可以与海马体中的其他细胞协作以将输入特征信息与存储器的特征信息进行比较。如果信息成功匹配,则匹配位置对应的特定位置将激活单元格。

在自然界中,鸟类形成飞行的现象更为常见,其聚类行为包括自然社会,回避,检测和抢劫。鸟群经常以“V”,“J”或梯形的线性形式飞行。 “J”形和梯形形成是“V”形的变体。线性形成行为可以通过群体成员之间的视觉信息交互来改善导航。能力。

无人机编队的飞行形式与生物群体的社会行为之间存在相似性。通过研究生物群的行为规律,为无人机编队飞行提供了关键的有效理论和技术思路。生物团簇形成理论与无人机集群的合作导航研究不断推进。就鸽子而言,就导航方法而言,鸽子在旅程的不同阶段使用不同的导航工具。在早期阶段,地面方向用于确定总体方向。之后,实际方向由地标修正,太阳的高度也会影响鸽子的航行。研究表明,鸽子形成系统与狼等陆地群体的模式有很大不同。在鸽组中,包括第一羽和第二羽在内的所有鸽子都具有等级水平。不同的是,第一只鸽子的状态不会动摇,因为该组的绝对值。领导者,追随者只能服从上层,鸽子受到鸽子及其上鸽的影响,上鸽的影响更实时,更有效。

无人机编队群脑导航的研究人员从鸽子级行为中获得了很多灵感,其代表为:

1)鸽子群系统与陆地群的单一领导系统不同。原因是视野和通信的最大距离受到限制。鸽子只能实时与上层鸽子进行交流并相对跟踪。无人机编队脑协同导航系统的研究受此启发。由于远程机器不能始终处于停机的通信和视觉范围内,因此通过长机与停机,停机和停机通信之间的通信来实现编队飞行;

2)个体鸽子与任何两只鸽子没有关联,但是系统严格。对无人机编队脑协同导航系统的研究受此启发,类似的分层系统可以提高集群通信的可靠性。即使存在干扰甚至故障,也可以快速重建集群系统并且不会影响系统。每个无人机的通信空间可以大大减少。

未来脑导航的主要发展趋势之一是大脑般的认知。认知智能导航可以使智能导航系统理解和思考,并在复杂环境中快速识别附近环境并判断最佳路径。一个典型的例子是谷歌对DeepMind的最新研究,其中文献[8]表明,用于强化学习训练的深度神经网络仍然无法与导航中人类大脑空间行为的熟练程度相比,缺乏内嗅皮质网格细胞。支持网格单元可以提供多维周期性表示基础,其充当编码空间并且在路径集成(从运动中集成)和规划直接轨迹到目标(基于矢量的导航)中起重要作用。实验表明,网格单元自发地出现在神经网络中,使得代理能够获得空间自导航能力,这与哺乳动物中观察到的神经活动模式非常一致,并且还为具有网格单元的空间单元提供了有效的代码。观点是一样的。

研究人员首先利用网格细胞的计算功能设计了一个类似大脑的深层强化学习单元,训练了一个具有长期和短期记忆(LSTM)结构的循环网络,使其看起来与网格细胞相似,而其他内部网络也是如此。皮质细胞。特征。提供速度作为环路网络的输入,其在反向传播中随时间训练,允许网络动态地将当前输入信号与反映过去事件的活动模式组合。正如预期的那样,网络可以在涉及觅食行为的环境中精确地整合路径,其中25.2%的线性层元素类似于网格单元,在保守字段重组过程产生的零分布中显示出显着的六边性。活动模式与啮齿动物网格细胞的经验结果一致。线性层还具有头单元(10.2%),边界单元(8.7%)和少量位置单元以及这些表示的连接单元。为了确定这些表示的稳健性,文献[5-6]显示网络被重新训练了100次,每次发现类似比例的网格状元素(平均23%,sd2.8%,具有重要的网络)细胞特征)和其他空间调制单元。

为了开发具有矢量导航潜力的代理,文献[8]将上述“网格网络”整合到一个受深度强化学习训练的大型建筑中。如前所述,网状网络使用监督学习进行训练,如图6所示,但为了更好地近似可用于导航哺乳动物的信息,它现在接收受随机噪声和视觉输入干扰的速度信号。发现代理可以在具有挑战性,不熟悉和变化的环境中定位目标。具有网格特征的代理优于人类专家和其他对比个体,以及基于矢量导航所需的指标。来自网络中的网格单元。此外,网格单元的特征使得代理能够执行与哺乳动物类似的快捷方式。结果表明,网格状单元为个体提供欧几里德空间度量和相关向量运算,为精确导航提供了基础。因此,结果支持网格单元作为基于矢量导航的关键神经科学理论的观点,证明后者可以与基于路径的策略相结合以支持在具有挑战性的环境中的导航。

网格单元的循环层是具有128个隐藏层单元的LSTM,其输入是向量[v,sin(φ),cos(φ)],初始时刻的地面的真实位置,活动c0和头部定向活动H0被线性变换以获得LSTM的初始单位状态和隐藏状态的初始化值l0和m0。 LSTM的输出是正则化的线性层,其输出gt是从线性变化导出的,并且预测的头到单元活动zt和位置单位活动yt由两个softmax函数计算。研究表明,线性层激活gt包含网格状细胞和头部细胞。

传统的同步定位和映射(SLAM)技术通常需要构建精确且完整的地图,从外部定义目标的性质和位置。相比之下,[8]中描述的深度强化学习方法可以从稀疏奖励中学习端到端的复杂控制策略,直接指导个人达到目标甚至走捷径。如果这些在SLAM系统中,您需要手动编码。在[9]中,提出了一种解决城市现实环境任务的深层强化学习导航方法,并分析了一种新的信使任务。提出了一种多城市网络智能架构来演示如何使用神经网络。迁移到新环境。

目前有4个点需要进一步研究:

1)如果神经网络的损失函数不包括正则项,则神经网络不能显示网格单元的功能。这一发现为我们提供了一个新的视角来考虑常规术语的作用;

2)深度神经网络的黑箱特性阻碍了网格单元活动特征对路径集成的影响的进一步分析。由于无法在模型中进行原理分析,定性和定量分析算法以及编码策略,研究网格单元成为有效导航。该计划非常困难,这再次强调了研究神经网络的必要性和神经科学家的重要性;

3)需要进一步分析深度学习系统的内部工作机制,研究辅助大脑空间导航的一般计算原理;

4)目前,只涉及单个代理人的类似大脑的导航。形成类的大脑只涉及与人工智能相关的导航,但距离真实大脑还有一定的距离。

国内外研究人员对无人机集群脑导航系统进行了大量的分析和研究。无人机编队集群脑导航系统的关键问题和发展趋势主要是:

1)在密集编队飞行应用环境中,导航系统误差传播特性的变化对模型在不同时空的自适应表达提出了新的要求。如何构建基于生物脑导航机制的机器人导航定位模型,迫切需要解决导航系统适应密集集群形成飞行环境的误差建模问题。

2)密集团形成的无人机具有较高的飞行密度,复杂的编队控制,对相对导航定位精度和鲁棒性的要求较高。因此,有必要基于密集群飞行环境测量的特点来解决相对基于脑的感知机制。导航信息融合方法。

3)导航系统快速诊断故障信息,智能主动容错。

4)在模拟验证方面,从单个脑到组脑的编队导航模拟,以及从简单任务到复杂形成任务场景的验证。

类脑导航是当前人工智能研究的热点,但我们必须认识到目前对大脑内部功能和大脑内神经元之间信息传递机制的研究还不够深入。因此,有必要充分了解在大脑般的导航机制中还有很多工作要做。我们需要在现有认知机制的基础上进行更深入的研究,并将相关结果应用于脑导航和医学研究。希望本文的综述能为其他研究者提供参考价值,丰富无人机编队中脑导航的理论和应用。