移动机器人在人类生活中的应用越来越来广泛,实现机器人在工作环境中独立作业的前提是其能够完成自主导航任务。移动机器人的导航分为地图构建和路径规划两个方面。地图构建是机器人认知环境的过程,路径规划则是机器人在环境中快速执行任务的必要条件。人类和动物也具备认知环境和导航的能力,这些能力与大脑中的空间认知机制密切相关。本文从类脑导航的角度出发,提出一种精确构建经验地图和快速规划路径的仿生导航方法。海马-内嗅皮层区域是大脑导航系统的主要组成部分,其中包含许多与空间认知相关的定位细胞。本文通过一维连续吸引子模型建立头朝向细胞,整合移动机器人的角速度信息,形成其角度表征;通过基于相位编码的网格细胞模型整合移动机器人的线速度信息,形成当前位置下多维表征的网格编码;利用一次学习规则建立网格细胞与位置细胞之间的连接权重,并通过网格编码激活相应的位置细胞,形成机器人在环境中的位置表征。通过细胞模型系统,整合自身运动信息,精确表达机器人的位姿。机器人外部的环境信息对于经验地图的构建具有重要意义,可以为机器人的导航提供丰富的参考。在通过视觉传感器获取到图像信息的基础上,使用YOLOv4算法识别环境存在的标志物信息,并检测图像中含有的ORB特征点,进而形成图像特征。将头朝向细胞信息、位置细胞信息、标志物信息以及图像特征集合成经验节点,通过经验节点与经验节点之间的连接关系,构建完整的经验地图。在建立经验地图的过程中,通过闭环检测方法确保经验地图的一致性,进而构建精确的经验地图。经验地图是机器人认知环境的结果,也是机器人在环境中状态的集合。依据大脑海马的序列决策功能,通过强化学习的方法构建机器人状态的后继表示模型,并与基于目标的奖励函数相结合,建立预测地图,进而快速规划通往目标点的最短全局路径。在全局路径的基础上,利用动态窗口法规划符合机器人运动学模型的局部路径,使机器人能够稳定到达目标点。此外,构建基于标志物信息的搜索树,使机器人能够在执行导航任务前在环境中快速定位。本文在模拟迷宫、KITTI数据集和室内环境下分别进行实验。实验结果表明,与其他仿生导航相比,本文提出的方法所需要的计算时间更短,并且具有更高的精度;与视觉导航方法相比,可以在没有复杂系统的情况下稳健的实现地图构建。同时,基于预测地图的路径规划方法能够适应环境结构的变化,并规划出当前环境状态的最短路径。