综述：自身运动的多感官编码及其对导航的贡献

本文系统阐述了多模态自身运动信号（包括前庭输入、视觉光流等）通过时空整合与跨模态算法（如前庭-视觉收敛、预测编码）增强自我运动感知、优化动态状态估计并支撑路径积分导航的神经机制，为空间认知地图构建提供重要理论依据。

　　

多模态自身运动信号的整合机制

生物在环境中移动时，内耳前庭器官（vestibular organs）和视网膜（retina）会生成自身运动信号并传递至中枢神经系统（CNS）。这些信号包括运动指令、前庭输入、视觉光流（optic flow）及本体感觉反馈（proprioceptive feedback），通过连续的时间整合与渐进的空间转换，最终实现精准的自身运动感知（self-motion perception）和行进速度判断。

跨模态算法的神经基础

最新神经生理学研究揭示了四种关键跨模态算法：

1. 1.

   前庭-视觉收敛（vestibular–visual convergence）：通过整合前庭与视觉信号，增强对自身运动的敏感性与准确性；

2. 2.

   预测编码整合（predictive coding integration）：基于动态先验信息优化状态估计，减少感知延迟；

3. 3.

   地标参照误差校正（landmark-referenced error correction）：抑制路径积分（path-integration）的累积漂移，支撑认知空间地图（cognitive spatial map）的构建；

4. 4.

   自我中心向全中心坐标转换（egocentric-to-allocentric conversion）：通过整合眼、头、肢体等本体感觉线索，实现空间参照系的转换。

多感官编码在导航中的作用

多感官信号处理不仅支持实时自身运动感知，还通过路径积分机制促进导航行为的精确性。误差校正与坐标转换机制进一步解释了生物如何在大范围环境中维持定位精度并构建稳定的空间记忆。这一过程涉及多个脑区的协同作用，为理解导航障碍相关疾病（如空间定向障碍）提供了理论框架。