综述：哺乳动物空间导航的计算模型分类研究

这篇综述系统梳理了基于计算模型（RL/SNN）的哺乳动物空间导航（spatial navigation）研究进展，依托Parra-Barrero分类框架，揭示导航策略（如aiming/path integration）与行为层级关系，强调表征提取与泛化能力（generalization）验证的关键作用，为神经机制研究及机器人导航提供新视角。

　　

Abstract
空间导航作为动物核心认知功能，依赖于从复杂神经机制中提取空间表征并执行计算。Parra-Barrero等（2023）提出的两级分类法（策略层-行为层）为理解该过程提供新框架。本文通过计算模型视角，剖析哺乳动物导航所需的表征体系与计算逻辑，指出泛化能力是区分不同导航过程的关键指标。

Introduction
从Watson（1907）的迷宫实验到Tolman的"认知地图"理论，空间导航研究已跨越百年。里程碑式的发现包括位置细胞（place cells）、网格细胞（grid cells）等空间编码神经元。当前挑战在于阐明神经表征如何支撑计算与行为——这正是计算模型的优势所在：通过形式化模拟（如脉冲神经网络SNN或强化学习RL模型），既能解释神经活动模式，又能预测行为输出。

Generalization of navigation processes
基于Parra-Barrero分类法的扩展分析提出三类泛化测试：

1. 场景泛化：验证环境变化时的导航鲁棒性
2. 目标泛化：评估对新目标的适应性路径规划
3. 策略泛化：检测跨任务的计算架构复用能力

Aiming
以Braitenberg车辆模型为例，展示基于感知线索（如光/气味梯度）的直线导航机制。生物模型中，视网膜拓扑映射与基底核环路共同实现动态轨迹校正，其计算核心在于传感器输入与运动输出的耦合函数。

A synthesis of key insights
计算模型揭示：

• 海马-内嗅皮层环路通过θ振荡协调位置细胞与网格细胞活动
• 模型基于RL的导航策略可分model-free（依赖经验）与model-based（依赖内部地图）
• 阿尔茨海默病模型显示空间记忆缺损与网格细胞表征退化显著相关

Conclusions
该分类框架为导航研究提供系统性方法论，未来方向包括：开发跨物种通用模型、整合多模态感知输入、建立神经退行性疾病早期诊断的量化指标。德国科学基金会（DFG）资助的SFB 1280项目正推动相关跨学科研究。