基于多尺度转向调制CANN的脑启发式路径整合技术在火星环境中的应用

《Expert Systems with Applications》：Brain-Inspired Path Integration based on Multiscale Turn-Modulated CANN in Martian Environments

　　•开发了一种受生物学启发的MTM-CANN，用于火星探测器的路径集成。•TM-HDC结合了角速度信息，以抑制长时间行驶过程中的航向漂移。•多尺度吸引子动力学在不同地形上提高了位置稳定性。•CMA-ES用于固定MTM-CANN参数的离线优化。•MEC-vslab和KITTI测试证实了漂移抑制和鲁棒性的提升。

引言
作为深空探索的关键分支，行星表面探索在很大程度上依赖于着陆探测器来进行表面调查（Osmani, Schulz, 2024; Weisbin, Rodriguez, 2002）。美国、欧洲航天局（ESA）和中国目前是行星探测器开发的主要贡献者（Franklin & Madden, 2021）。美国的火星探测器代表了行星探测器技术的重要里程碑，并且在自主导航和机载计算能力方面不断进步，从Sojourner探测器发展到最新的Perseverance探测器。值得注意的是，Perseverance探测器采用了FPGA加速的自主导航算法，使其能够以每小时约120米的速度自主导航（Swamy et al., 2023）。中国也取得了显著进展；玉兔二号月球探测器已经行驶了超过500米，而祝融号火星探测器成功着陆并完成了一公里以上的表面行驶（Lin et al., 2020）。ESA计划的ExoMars探测器将采用混合方式，结合地面远程操作和机载自主导航。

然而，当前火星探测器中地面远程操作与自主导航的结合方式面临越来越多的挑战，包括严重的通信延迟、有限的带宽和不足的实时响应能力，这些限制了探测器在复杂环境中的自主决策和快速反应能力（Wong, Yang, Yan, & Gu, 2018）。此外，火星表面视觉上非常稀疏，有大量的沙丘、岩石和陨石坑地形，频繁的沙尘暴还会引入额外的传感器噪声和遮挡。这些环境因素加剧了航向和位置漂移，对传统的惯性和视觉导航方法提出了重大挑战。面对更具挑战性的任务目标，如样本返回和建立地外前哨站，未来的探测器需要更大的自主性和更长的每日行驶距离。为此，各国正在积极追求技术进步。NASA的JPL正在探索FPGA加速的立体视觉处理，而英国萨里大学等机构正在开发结合轨道遥感、激光雷达和同时定位与映射（SLAM）技术的导航系统（Meng et al., 2008）。这些系统旨在提高长距离自主导航的效率、可靠性和路径规划能力（Tang et al., 2022）。

尽管有这些技术进步，目前的行星探测器自主导航系统仍然存在根本性的限制。大多数方法严重依赖于外部传感器，包括轨道图像、激光雷达或基于SLAM的地图更新，这些方法在计算上可能非常密集，并且容易受到传感器噪声或环境遮挡的影响（Wong, Yang, Yan, & Gu, 2017）。此外，行星表面缺乏连续可靠的全球定位信号，这意味着即使是最复杂的传感器融合策略也无法完全防止长距离行驶过程中的累积位置误差。在这种情况下，机载路径集成（PI）作为一种关键机制，通过整合来自本体感觉和视觉线索的自运动信息来维持内部位置估计（Zhang & Mou, 2017）。其核心挑战在于航向和位置估计，因为即使是很小的误差在长轨迹上也会累积成显著的位置漂移，这凸显了在GNSS无法覆盖的复杂行星地形中需要鲁棒解决方案的必要性（Mankina et al., 2025）。

最近在生物启发式导航方面的进展显示出了增强行星探测器自主性的潜力。几个正在进行的项目旨在利用在动物中观察到的神经机制来克服传统基于传感器的火星导航的局限性（Vaquero, Daddi, Thakker, Paton, Jasour, Strub, Swan, Royce, Gildner, Tosi, et al., 2024; Waterman, 2001）。例如，NASA的BEES（生物启发工程探索系统）项目探索了受昆虫启发的神经架构，以在非结构化环境中提高自主决策和适应性（Thakoor et al., 2002）。同样，ESA的ExoMars Rosalind Franklin探测器结合了地面远程操作和先进的机载自主性，加入了受生物启发的导航元素来处理复杂的火星地形（Quantin-Nataf et al., 2021）。这些工程努力受到神经科学的启发，其中动物的特定神经回路即使在视觉上稀疏或无特征的环境中也能提供强大的定向和自我定位能力。

神经科学研究揭示了这些卓越导航能力背后的核心神经基础是哺乳动物内嗅皮层-后亚丘回路中的头部方向细胞（HDC）系统（Bai, Shao, Zhang, Zhao, Fang, Wang, Wang, Wang, Zhao, 2024; Wang, Lin, Liu, 2023）。HDC系统充当一个内在的“神经指南针”，通过稳定的神经放电模式编码动物的航向，提供连续而准确的方向参考。无论黑暗、环境复杂性或视觉线索的缺失如何，HDCs都能保持稳定和连续的方向表示，为空间定位和路径规划奠定基础（Jiao, Ma, He, Geng, Liu, Liu, Ma, Yang, Hou, Tang, 2024; Zou, Zhao, Wu, Yang, Tian, Wu, Wang, Yu, Zhao, Chen, et al., 2020）。

最近在神经网络研究方面的进展表明，头部方向细胞（HDCs）的稳定编码依赖于连续吸引子神经网络（CANNs）的动力学（Bing et al., 2021）。通过利用神经元之间的循环连接和相互作用，CANNs生成平滑连续的神经活动“凸起”，代表探测器的当前航向或空间位置。这种受生物学启发的机制在对抗传感器噪声和部分传感器损失的同时，实现了方向信息的连续更新和路径集成（Yan, Zhang, Wang, & Wong, 2023）。将这些原理应用于火星探测器导航，基于CANN的模型成为减轻航向漂移的有效框架，而航向漂移是传统路径集成系统中的一个关键限制。通过模仿生物导航电路的神经计算，这些模型在GNSS无法覆盖的环境中动态维持准确的航向估计，从而提高了火星表面上的位置精度和导航可靠性。这种受大脑启发的方法为在资源受限和不确定的行星任务条件下增强自主探索能力提供了有希望的途径。

基于这些生物学见解，我们将HDCs和CANNs的原理转化为适用于火星探测器的实际PI框架。虽然传统的路径集成存在累积的航向和位置漂移问题，但生物网络固有的动态调制提供了一种实时稳定估计的机制。通过利用这种互补优势，我们的方法结合了CANN的抗漂移特性和传统的自运动集成，形成了一个混合系统，即使在复杂的火星地形中也能保持准确的航向和位置估计。

我们的方法通过引入一种转向调节头部方向细胞网络（TM-HDC）来缓解这些问题，该网络将传统的头部方向细胞网络从被动航向表示扩展到角速度驱动的航向集成。现有的基于HDC/CANN的导航模型通常保持一个稳定的活动凸起来编码航向或位置，但测量到的探测器转向与神经状态位移之间的运动依赖耦合通常没有为行星探测器PI明确公式化。相比之下，TM-HDC直接将测量到的偏航率映射到左右移层的激活强度上，使得方向活动凸起以与探测器旋转运动一致的速度和方向发生位移。这种设计使航向更新机制明确地由自运动增量驱动，而不仅仅依赖于静态吸引子表示。然后，TM-HDC的方向输出与平移速度一起由多尺度转向调节连续吸引子神经网络（MTM-CANN）处理。与标准单尺度CANN模型相比，MTM-CANN的新颖之处不在于增加吸引子层数量，而在于引入了一种确定性的多尺度PI机制，包括尺度选择、固定尺度分辨率解码和环绕偏移补偿。与通常依赖于视觉模板匹配、姿态校正和经验地图更新的类似RatSLAM的系统相比，所提出的方法不引入视觉位置识别或环路闭合校正。相反，它专注于由自运动增量驱动的神经路径积分的稳定性。与主要强调生物学合理性的现有多尺度神经导航模型不同，MTM-CANN将每个运动增量分配到一个度量尺度，并将四个尺度状态视为互补的部分位移累积器。它们独立解包的度量贡献被添加以重建轨迹；它们不是对完整当前位置的四个冗余估计，因此不会被平均。因此，所提出的框架不同于现有的HDC网络、传统CANN模型、类似RatSLAM的系统和一般的多尺度神经导航模型，因为它形成了专门为远程探测器轨迹集成设计的集成航向-位置PI架构。

尽管有这些优势，MTM-CANN包含七个参数，这些参数通过循环的航向和位置吸引子动力学强烈耦合。结果产生的轨迹级目标是混合离散-连续和非凸的，这使得可靠的手动调整变得困难，尽管参数向量本身是低维的。为了解决这个问题，我们进一步引入了一种基于协方差矩阵适应进化策略（CMA-ES）（Iruthayarajan & Baskar, 2010）的离线优化框架。与CANN基导航模型中常用的手动调整的吸引子网络参数不同，所提出的优化策略将参数选择视为一个受位置精度、航向一致性、终端漂移、轨迹平滑度和吸引子稳定性约束的轨迹级优化问题。CMA-ES用于在部署前搜索稳定的参数组合，而在线PI过程仍然仅依赖于优化的TM-HDC和MTM-CANN前向动力学。这使得参数优化组件成为一种可复制的离线程序，用于提高所提出的神经PI框架的鲁棒性，而不是额外的在线传感或校正模块。

为了在真实的行星条件下验证所提出的方法，我们开发了一个专门的虚拟仿真平台——火星探索控制虚拟仿真实验室（MEC-vslab）（Wang, Liu, Wang, & Fu, 2024）。该平台复制了多样化的火星地形，包括地壳、山丘和陨石坑，以及环境干扰，如尘埃遮挡和光照变化。主要性能评估在MEC-vslab模拟的火星环境中进行，以评估所提方法在类似火星的地形和传感条件下的适用性。此外，还使用了KITTI里程计数据集（Geiger, Lenz, Stiller, & Urtasun, 2013）作为补充的结构化地面车辆评估，以检验所提出的神经积分器的长距离路径积分行为和转向运动的鲁棒性。结果表明，与传统的单尺度和多尺度神经路径积分基线相比，所提出的框架减少了漂移并提高了鲁棒性。

本文的其余部分组织如下：第2节详细介绍了所提出的架构和优化策略。第3节介绍了实验评估。第4节总结了本文并概述了行星际PI系统的未来方向。

系统概述
传统的路径积分方法通过连续整合自运动信息（如平移位移和角速度）来估计位置。然而，在火星上，由于视觉线索稀疏、地形粗糙和传感器噪声，它们容易受到累积航向误差的影响，从而加剧漂移并降低位置估计的准确性。为了解决这些挑战，我们提出了一种受生物学启发的路径积分架构，该架构包括两个核心模块：转向调节头部方向细胞。

实验
在本节中，我们对所提出的多尺度转向调节连续吸引子神经网络与传统的单尺度连续吸引子神经网络和多尺度连续吸引子神经网络进行了严格的比较分析。我们在多样化的轨迹上系统地评估了我们新架构的性能，包括虚拟火星环境中的模拟火星探测器路径和来自KITTI的真实世界驾驶序列。

结论
本文提出了一种基于多尺度转向调节连续吸引子神经网络的受大脑启发的路径积分框架，以应对火星等极端环境中的自主导航挑战。通过引入转向调节头部方向细胞网络并使用协方差矩阵适应进化策略（CMA-ES）进行离线参数优化，该框架提供了一种结构化的神经路径积分机制，将CRediT作者贡献声明
刘一欣：写作——原始草稿、写作——审阅与编辑、方法论、形式分析。王泽宇：方法论、可视化、软件、验证。王凌玲：写作——审阅与编辑、监督、资金获取。傅立：写作——审阅与编辑、监督、项目管理、资金获取。Maria S. Selezneva：写作——审阅与编辑、监督、项目管理。Konstantin A. Neusypin：写作——审阅与编辑、监督、项目管理、利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。