动物大脑中包含多个和空间认知功能相关的脑区,以实现他们在不同环境中的自由行走以及在多个不同空间位置之间的有效导航,是执行其他更高级认知功能不可或缺的基础能力。神经科学研究表明,动物会根据自身在环境中的经历来构建反映环境拓扑结构的认知地图,通过这种内部表征灵活规划出实现特定任务的路径。认知地图理论的提出和发展促成了相关领域学者对大脑空间认知机理和基于移动机器人的生物启发式空间认知系统的研究。研究者们在细胞层面上将神经元集群放电模式和个体特定空间行为相联系,发现了和大脑空间认知相关的脑区环路和多种空间感知神经元。对这些环路和神经元动力学进行计算建模的研究成果促进了神经科学和计算科学的良好交互和共同进化。作为一个新兴的前沿交叉领域,空间认知的研究旨在通过神经科学实验和技术对空间感知相关的脑区和环路进行探索,形成对大脑空间认知机理越来越系统的认识。然后利用数学和计算科学工具这些机理建模和仿真,反推大脑空间认知可能的神经表征机制,从而建立对其更深刻和全面的认识。基于神经科学关于大脑空间认知机制的相关探索成果,本论文研究了生物启发式认知地图构建问题,发展了连接海马脑区和内嗅皮层脑区空间感知神经元的认知地图构建框架,实现了机器人在现实环境中的认知地图构建。主要创新成果具体如下:1.研究了认知地图中的环境探索,实现了移动机器人在环境中的自主目标搜索,不但可以应用到机器人的室内局部导航,还可以帮助机器人进行自主探索和环境数据收集,作为认知地图构建的前提准备工作。自主目标搜索是机器人在搜索、营救和服务等应用领域中操作的必要技能之一,包括目标识别、避障、路径规划等。虽然目标识别、检测和搜索是机器人学和计算机视觉研究中备受关注的研究课题,但赋予机器人躲避障碍能力的同时,让其识别和靠近目标位置的综合能力系统研究不是很多,而且使用单个RGB-D传感器实现避障是一项相对具有挑战性的尝试。为了辅助机器人在环境中实现自主探索和数据收集,给建立环境的空间认知地图做准备,论文提出了一个移动机器人的自主目标搜索架构,其中基于深度置信网络（Deep Belief Networks,DBN）的行为学习算法可以辅助机器人实现障碍规避;通过SIFT（Scale Invariant Feature Transform）特征实现目标识别并利用RGB-D数据来辅助估计目标和机器人之间的相对距离;最终机器人基于改进的Bug算法来实现到目标位置的路径规划。我们在室内环境中对系统进行了测试,要求机器人执行避障并自主搜索和靠近目标位置。实验结果表明该方法能够可靠地实现避障和执行搜索任务,可用于机器人在现实环境中进行局部导航、环境探索和数据收集。2.研究了移动机器人在环境中的认知地图构建,通过改进的动力学模型增强了实现路径积分的网格神经元模型在不同环境中的多尺度扩展适应性,还提升了地图构建的时间性能,实现了移动机器人在现实环境中的认知地图构建。神经科学研究表明,海马区（Hippocampus）和内嗅皮层（Entorhinal Cortex,EC）等相关脑区的空间认知环路可以帮助哺乳动物实现环境认知地图建立和导航。受此启发,研究者们提出了不同的海马-内嗅皮层认知系统来实现机器人的环境地图构建,一般包括基于网格神经元的路径积分、基于位置神经元的位置编码、视觉处理和认知地图构建等功能。其中路径积分和视觉处理是相当耗时的,且很多现有路径积分模型很难在不同环境中做到网格神经元空间放电模式的自适应多尺度扩展,导致在现实环境中欠缺可用性。论文对基于连续吸引子网络（Continuous Attractor Network,CAN）的网格神经元动力学模型进行了改进,以一种更优化的方式对网格神经元之间的递归权重连接进行参数化表征,可以准确得到具有特定空间尺度的空间放电模式,实现了网格神经元在不同环境中的自适应多尺度扩展。除此之外,论文还提出了一种新颖的层级化视觉模板组织机制,提升了视觉处理的时间性能,加速了认知地图构建中的闭环检测。在移动机器人平台上的实验结果表明,本论文所提出的海马-内嗅皮层模型可成功构建反映机器人空间经历和环境拓扑结构的认知地图。3.研究了基于网格神经元建模的路径积分,提出了一种基于空间映射表征的通用路径积分建模机制,并实现了在一维、二维和三维空间中的路径积分。空间感知神经元的发现,比如位置神经元、网格神经元等表明空间认知可能源于这些神经元的活动和交互。了解空间感知神经元如何表征欧氏空间是探索大脑内部空间相关任务表征和编码机制的关键。路径积分也被和这些支持大脑空间认知抽象的神经元的功能属性紧密连接在一起,且网格神经元在空间认知研究领域一直备受关注,被认为是大脑内部的路径积分器。众所周知,绝大多数动物都是在三维空间中活动,然而当前绝大多数网格神经元的建模工作是基于二维空间实现的。论文通过智能体在欧氏空间中的自运动到网格神经元活动空间的映射,提出了一种新的网格神经元建模机制。基于这种机制构建的表征模型可以通过递归神经网络（Recurrent Neural Network,RNN）构建具有多尺度空间响应模式的网格神经元,并实现在一维、二维和三维空间中的路径积分。此建模机制是单神经元级和网络级网格神经元建模的结合:不同于振荡干涉（Oscillatory Interference,OI）模型,网格神经元之间保持递归连接,而且有效避免了CAN中关于权重矩阵的强假设和空间表征冗余。不同于现有基于权重训练得到网格神经元向量表征的RNN模型,此机制可通过矩阵操作直接计算网络权重。最后,它可实现一维、二维和三维空间路径积分的通用多尺度网格神经元建模。4.作为生物启发式认知地图机制研究的拓展,论文还探讨了网格神经元独特的空间响应模式和多尺度特性在行为规划中的潜在编码优势和空间度量特性。网格神经元具有分布式、网格状的六边形空间响应模式,而且还具有多个空间尺度。这些特性在生物启发式认知地图研究中一直备受关注。研究者们希望通过对其研究找到网格神经元如何实现空间度量,并尝试将其拓展到非空间信息的组织和处理中。论文通过将网格神经元活动融入传统的基于快速搜索随机树（Rapidlyexploring Random Tree,RRT）的路径规划算法中,实现了基于网格神经元的启发式多尺度路径规划,进而在某种程度上展示了网格神经元的多空间尺度潜在的编码优势。其次,论文借助神经网络的学习机制,训练智能体解码空间位置的能力,从而得到了网格神经元和位置神经元之间的连接模式,进而指出了网格神经元距离度量的必要性和可能的空间位置解码与距离度量机制。在人工智能技术的辅助下,论文提供了一种关于思考网格神经元作为编码空间度量工具的新思维。