随着科学技术的快速发展,越来越多的移动机器人出现在各行各业中。移动机器人被应用于实际生产中,首先需要解决的是移动机器人自主定位和地图构建问题。目前针对此问题的算法主要是基于概率类算法,其中常见的有最大期望算法,粒子滤波算法和卡尔曼滤波算法以及它们优化后的相关算法。但是随着神经科学和解剖学等学科领域的快速发展,越来越多的科学领域研究开始从仿生角度出发,通过生物界获取设计原理和创新思想。此时在移动机器人SLAM(Simultaneous Localization and Mapping)领域也提出了 一个问题“如何使移动机器人像哺乳动物一样更加智能地解决自身定位和地图构建问题?”。研究发现哺乳动物大多通过眼睛获取视觉场景信息,然后将视觉场景信息传入大脑中的视觉区域,通过视觉系统处理后再传入大脑中海马体等区域通过大脑中导航系统完成自身定位和地图构建。本文从仿生的角度出发,仿照哺乳动物完成自身定位和地图构建的整体思想,借鉴神经科学领域对海马体中神经元细胞的研究成果完成细胞模型的建立,同时利用经典视觉SLAM系统中的视觉里程计建立视觉系统,以此来完成从仿生角度对移动机器人同步定位和地图构建问题的研究。本文主要研究工作如下:本文先是通过对鼠脑中的头方向细胞(head direction cells),网格细胞(Grid cells)和位置细胞(Place cells)在鼠脑导航系统中起到的作用和其本身工作机理进行分析研究,建立相应的细胞模型。单个头方向细胞可以完成对单一方向的表征,本文利用多个头方向细胞完成对空间方向信息的表征从而建立头方向细胞模型。网格细胞吸引子模型虽然简单形象,但是缺乏生理学依据,反而是利用老鼠自运动信息作为输入,通过海马结构内嗅皮层中多个振荡波叠加建立的网格细胞振荡干涉模型更具有说服力。利用位置细胞信息来源于网格细胞这一研究成果建立网格细胞到位置细胞模型,并在此模型基础上结合视觉路标模型构建环境表征地图模型。当移动机器人运行时产生节点,通过节点集来表征环境,同时在地图构建过程中设定网格细胞重置机制减少节点数目,增加地图的准确性。然后对视觉里程计进行优化。由于相机本身对环境要求较高,在相机获取视觉场景深度信息的过程中,获取的深度信息存在大量的环境噪声和离群点,会对位置估计产生负面影响,选用通过实验对比,综合性能较好的双边滤波来处理噪声和离群点问题。在实际环境中相机采集到的图像存在纹理信息较少和纹理信息分布过于集中等问题,一方面利用图像信息熵进行筛选剔除纹理过少的图像,另一方面通过对特征点用四叉树形式划分使得从图像中提取的特征点分布更为均匀,然后利用粗筛选出的精确的匹配对作为样本集,通过RANSAC(Radom SAmple Consensus)算法得到精确匹配模型,使两幅图像特征点之间匹配更加准确,提高了位姿估计精度。最后利用优化后的视觉里程计替代视觉系统中的背侧视觉通路完成运动感知功能,提供自运动信息。利用图像特征匹配替代腹侧视觉通路完成对物体识别功能,搭建视觉系统模型,将视觉系统模型和导航系统模型结合建立基于视觉里程计的仿生SLAM模型。在此模型中,利用视觉系统中腹侧视觉通路对物体识别功能对网格细胞重置机制进行了改进,进一步增加了地图的准确性。为验证本文提出的算法模型,利用Kinect相机,笔记本电脑与移动机器人等搭建硬件实验平台进行实验验证。通过相机采集数据并传送至上位机处理。实验结果表明将视觉系统和导航系统结合构建的基于视觉里程计的仿生SLAM模型可以实现对环境的表征,且精度更高,鲁棒性更强。