仿生光磁導航技術(shù)發(fā)展研究綜述*

劉 俊, 趙 菁, 趙慧俊, 劉曉晨, 郭肖亭, 唐 軍, 申 沖

(中北大學 儀器科學與動態(tài)測試教育部重點實驗室 儀器與電子學院·太原·030051)

0 引 言

從古時候看太陽東升西落簡單辨別方向,到如今精密的全球衛(wèi)星定位導航系統(tǒng)(Global Positioning System,GPS),人類一直以來都對導航有很大的需求。仿生技術(shù)是建立在生物學、電子學、生物物理學、控制論、人機學、數(shù)學、心理學及自動化技術(shù)基礎(chǔ)上的,利用電子學、機械技術(shù)研究生物結(jié)構(gòu),對能量轉(zhuǎn)換和信息流動的過程進行模擬,從而達到改善和創(chuàng)造嶄新的自動控制裝置的目標的技術(shù)。至此,作為一種新型導航技術(shù),仿生導航技術(shù)吸引了國內(nèi)外研究者的目光。

導航是一種為運載體在航行時提供連續(xù)、安全和可靠服務(wù)的技術(shù),是一門涉及到計算機、微電子、數(shù)學、自動控制、航空航天等眾多領(lǐng)域的交叉學科。導航可分為自主式導航和非自主式導航。所謂自主導航,就是運動體完全依靠所載的設(shè)備,自主地完成導航任務(wù),和外界不發(fā)生任何光、電聯(lián)系,否則則稱為非自主導航。導航技術(shù)不僅在人們的日常生活中發(fā)揮了重要的作用,而且在軍事國防領(lǐng)域也占據(jù)著極其重要的地位,如在導彈制導、偵察等領(lǐng)域中可發(fā)揮重要作用?；诙喾N導航技術(shù)的組合導航系統(tǒng),也高度依賴衛(wèi)星信號。然而,這些導航系統(tǒng)易受外界干擾而無法正常工作,如人為損壞衛(wèi)星設(shè)施、人為電子對抗等。為此,人們開始將目光轉(zhuǎn)向仿生導航,研究各種生物在日常行為中所使用的導航方法,尋找不易受到外界干擾的新型導航方法,由此即產(chǎn)生了仿生導航。

仿生導航是對自然界中某些生物如何利用某種環(huán)境或者利用何種自然特性實現(xiàn)導航而進行研究的基礎(chǔ)上,通過模仿這些生物現(xiàn)象和原理并將之應用于實際的一種新興技術(shù)。生物經(jīng)過長期進化,逐漸形成了與生長環(huán)境相適應的組織、結(jié)構(gòu)和生活方式,這為人類的技術(shù)創(chuàng)新提供了想象空間和參考依據(jù)。

1 仿生光流導航

1.1 仿生光流導航的原理

在自然界中,蜜蜂在往返巢穴時,是依靠飛行過程中感受到的視覺變化來進行導航的。當蜜蜂在自然界中飛行時,自身相對于外部物體的運動會在其視網(wǎng)膜上產(chǎn)生圖像變化。這種圖像變化形成了所謂的“光流”信息,蜜蜂正是根據(jù)這種“光流”信息來執(zhí)行速度測量、著陸、姿態(tài)控制等各種導航任務(wù)。“光流”的概念是Gibson在1950年首先提出來的。它是空間運動物體在觀察成像平面上的像素運動的瞬時速度(如圖1所示),是利用圖像序列中像素在時間域上的變化及相鄰幀之間的相關(guān)性來找到上一幀圖像與當前圖像之間存在的對應關(guān)系,從而計算出相鄰幀圖像之間物體的運動信息的一種方法?！肮饬鳌毙畔⒊丝商峁┚嚯x信息外,還可提供角度信息,其在目標對象分割、識別、跟蹤、機器人導航及形狀信息恢復等方面均有著非常重要的應用。

圖1 光流法顯示物體的瞬時速度Fig.1 Optical flow method shows the instantaneous velocity of an object

1.2 國內(nèi)外發(fā)展現(xiàn)狀

2000年, 德國的Neumann H等人[1]提出了一種基于光流的機器人導航方法,該方法能夠使機器人在非結(jié)構(gòu)化的環(huán)境中避開障礙物并確定可以安全通過的自由空間。經(jīng)實驗驗證,該方法十分適合被應用于導航任務(wù)中。2003年,Tautz J[2]提出了“蜜蜂的距離估計是基于飛行過程中所經(jīng)歷的光流積分”的觀點。2011年,韓國的Seung-Eun Yu[3]提出了一種全新的、基于地標的機器人歸航導航匹配方法。與傳統(tǒng)的圖像匹配算法相比,新方法提高了準確率。2014年,法國學者Roubieu等人[4]在真實的物理機器人上實現(xiàn)了“橫向光流調(diào)節(jié)自動駕駛儀”。該駕駛儀由兩個相互交織的反饋回路組成(速度回路和橫向控制回路),每個回路都有自身的光流(Optical Flow,OF)設(shè)定點。結(jié)果表明,仿生機器人可以在走廊安全地進行導航,并對干擾做出適當反應。實驗證明,與傳統(tǒng)的圖像匹配算法相比,該方法從任意位置返回指定點的成功率更高。2015年,瑞典的Linander等人[5]研究了平移光流量的突然變化對大黃蜂的位置和速度控制的影響,找到了大黃蜂避障飛行的原因,為機器人避障導航提供了參考。2018年,Franceschini[6]根據(jù)蒼蠅的復眼結(jié)構(gòu),設(shè)計了光流導航的策略和傳感器,為工程師提供了應用于智能自動駕駛車輛等領(lǐng)域的新型裝置和機器。同年,墨西哥天體生物學研究所的Aguilar-Gonzalez Abiel[7]提出了一種像素/窗口并行方法,使用絕對差分和的相關(guān)函數(shù)來計算光流。此外,為了改善灰度梯度,Aguilar-Gonzalez Abie還提出了將灰度梯度的旋度作為預處理步驟的想法。實驗證明,該算法提高了光流精度和處理速度。2018年5月,Pakpong Chirarattananon[8]提出了一種將光流與慣性測量單元相結(jié)合的方法,以估計無人駕駛飛行器(Unmanned Aerial Vehicle,UAV)的飛行高度。該直接使用通過圖像梯度評估光流信息的方法,簡化了計算步驟。2018年6月,美國的Ashraf等人[9]針對當前的導航系統(tǒng)高度依賴GPS的問題,提出了一種基于卡爾曼濾波器的智能光流算法。針對傳統(tǒng)測量方法在計算過程中成本高且速度慢的問題,提出了一種基于人工蜂群的塊匹配算法,提高了光流算法的實時性與精度。2019年,美國明尼蘇達大學的DoTien等人[10]介紹了一種自適應光流算法。該算法通過逐步使用更多部分的圖像信息,在不利條件下(如當在黑暗、無紋理地板上飛行時)精確地估計了四旋翼飛行器的水平速度,提高了精確度。2019年,Boris Miller等人[11]通過光流估計了無人機的速度,精確確定了無人駕駛飛行器的高度,提高了準確性。2019年,法國的Julien Dupeyroux等人[12]提出了一種螞蟻靈感導航方法。沙蟻根據(jù)大氣的偏振模式解算自身的航向信息,并根據(jù)步幅計數(shù)方法和光流信息來判斷行進的距離。由螞蟻啟發(fā)的路徑積分(Path Integral,PI)策略可用于補充經(jīng)典光流技術(shù),具有高魯棒性和實時性的特點。2019年,加拿大的M. M Mostafa等人[13]介紹了一種智能混合視覺輔助慣性導航系統(tǒng)(Vision Aided Inertial Navigation System,VAINS)。該系統(tǒng)包括了全球衛(wèi)星導航系統(tǒng)(Global Navigation Satellite System,GNSS)和慣性導航系統(tǒng)(Inertial Navigation System,INS)。該混合系統(tǒng)基于光流和回歸樹的單目視覺測距、高斯過程回歸(Gaussian Process Regression,GPR)和用于數(shù)據(jù)融合的擴展卡爾曼濾波器(Extended Kalman Filtering,EKF),減小了累積的定位漂移誤差,提高了系統(tǒng)的可靠性。

2018年,北京航空航天大學的陳中原等人[14]將多個光流傳感器安裝在不同位置、不同觀察方向的微型飛行器上,對飛行器周圍的光流進行了檢測。采用EKF對慣性和光流數(shù)據(jù)進行了融合,來估計導航誤差,降低了由光流信息失鎖而引發(fā)的精度發(fā)散,提高了導航精度。同年,寧曉琳等人[15]提出了一種基于光流的角速度估計方法。與以前的方法不同,新方法只需要兩個連續(xù)圖像中的恒星坐標,消除了星形識別的過程,降低了計算的復雜度。同年7月,南京航空航天大學的楊盛偉等人提出了一種基于Mean-Shift算法的光流測速優(yōu)化方法。該方法可以有效減少干擾對無人機測速的影響[16]。同年9月,蘭州交通大學的曾幼涵等人針對慣性導航積分累積誤差大的問題,提出了一種基于慣性和光流的融合算法[17]。該算法不需要外部輔助定位系統(tǒng),不需要已知飛行環(huán)境,不需要昂貴的傳感器,降低了傳統(tǒng)INS對GPS的依賴。同年9月,中國船舶重工集團公司的周秀珍等人針對微型飛行器在定位過程中GPS信號無效且無已知地面合作目標的情況,提出了一種導航算法。其新穎之處是采用了三層嵌入式卡爾曼濾波器結(jié)構(gòu)實時進行光流計算及三維轉(zhuǎn)換,可以有效提高飛行器在室內(nèi)和室外飛行時的效率和魯棒性[18]。同年10月,太原工業(yè)學院的王瑞榮等人針對光照極弱或光流傳感器離地高度小于攝像頭焦距的情況,提出一種基于Elman神經(jīng)網(wǎng)絡(luò)的速度預測方法[19],提高了導航系統(tǒng)對環(huán)境的適應性。同年11月,寧夏大學、長春工業(yè)大學的郝志洋等人針對在室內(nèi)環(huán)境下GPS信號弱或無GPS信號的情況,提出了將改進ORB算法與特征光流算法相結(jié)合來得到飛行器的光流信息數(shù)據(jù),并且將光流信息數(shù)據(jù)與飛行器的慣導數(shù)據(jù)相融合[20],提高了飛行器的姿態(tài)穩(wěn)定性。

1.3 發(fā)展趨勢

目前,仿生光流導航技術(shù)已經(jīng)在軍事、工業(yè)、建筑及醫(yī)學等領(lǐng)域獲得了廣泛的應用。隨著系統(tǒng)集成技術(shù)的不斷發(fā)展,仿生光流導航模型正不斷趨于小型化、集成化。人類對仿生技術(shù)的深入研究使應用于該技術(shù)的生物特性的種類會不斷擴大,而這些都將會促進仿生光流導航技術(shù)的發(fā)展。未來,該技術(shù)將大量被應用于各種智能機器人的設(shè)計與研發(fā)當中,在國防、醫(yī)學制藥、食品檢驗、工業(yè)等關(guān)系國計民生的領(lǐng)域中發(fā)揮突出的作用。雖然,目前仿生光流導航技術(shù)已經(jīng)取得了很大進步,但其在穩(wěn)定性、再現(xiàn)性和精度等方面還存在很大缺陷。因此,未來需在鞏固現(xiàn)有技術(shù)的基礎(chǔ)上,不斷完善其性能。仿生光流導航技術(shù)的具體發(fā)展趨勢如圖2所示。

圖2 仿生光流導航技術(shù)的發(fā)展趨勢Fig.2 Development trend of bionic optical flow navigation technology

2 仿生偏振光導航

2.1 仿生偏振光的導航原理

由于大氣粒子的散射作用,太陽光在經(jīng)過地球大氣層時產(chǎn)生了規(guī)律性分布的偏振態(tài),其能提供天空光的偏振度和偏振角信息,并呈現(xiàn)出了一系列時空連續(xù)分布特性。眾多研究表明基于這種特性,許多生物可以實現(xiàn)自主導航。T. Labhart和E. P. Meyer[21]經(jīng)過研究發(fā)現(xiàn),蟋蟀等昆蟲復眼背部區(qū)域(Dorsal Rim Area,DRA)規(guī)則排列的特殊小眼結(jié)構(gòu)是其對天空偏振光敏感的基礎(chǔ),如圖3所示。DRA區(qū)域的感桿束短且寬(如圖3(a)所示),提高了對光強的接收率。即使在光線較暗時,復眼仍具有較高的靈敏度。這些昆蟲還具有三類偏振對立神經(jīng)元(Polarization-Opponent neurons,POL-OP),如圖3(b)、圖3(c)所示,其對偏振光的響應隨體軸與太陽子午線方向夾角的不同而呈正弦曲線變化。當夾角為10°、60°和130°時,對偏振的響應最大。蟋蟀通過對三類輸出信號進行綜合解譯,進而得到導航信息。

(a)DRA區(qū)域視神經(jīng)感桿

(b)POL-OP的響應

(c)中心復雜神經(jīng)元的功能

(d)晴朗天空偏振光分布模式示意圖及 蟋蟀DRA區(qū)域視野范圍圖3 蟋蟀的偏振敏感機理Fig.3 Polarization-sensitivive mechanism of crickets

2.2 仿生偏振光導航的國內(nèi)外研究現(xiàn)狀

在國外,有關(guān)偏振光導航的研究可以追溯到19世紀初。法國學者Arago首先發(fā)現(xiàn)了天空光的偏振現(xiàn)象[22]。1982年,瑞士蘇黎世大學的Wehner提出了描述天空偏振光分布模式的Rayleigh模型[23],之后該模型成為了現(xiàn)有大氣偏振模式中被應用得最為廣泛的理論模型。2000年,蘇黎世大學的Dimitrios Lambrinos等人根據(jù)沙蟻的導航機理設(shè)計了偏振傳感器,它可以利用檢測到的天空偏振信息實現(xiàn)二維導航定向,并且成功地完成了導航實驗[24]。澳大利亞學者Javan Chahl將偏振傳感器搭載在飛行器上進行了相關(guān)實驗,實現(xiàn)了飛行體的導航與穩(wěn)定控制,打開了無人機導航的新途徑[25]。2018年9月,加州理工學院的Giraldo Ysabel Milton等人發(fā)現(xiàn)果蠅的E-PG神經(jīng)元可作為內(nèi)部羅盤,并且通過實驗發(fā)現(xiàn)E-PG神經(jīng)元可以跟蹤太陽從而進行導航[26]。同年,伊利諾斯大學的Missael Garcia等人提出了一種基于螳螂蝦視覺系統(tǒng)的高動態(tài)范圍偏振成像傳感器,實現(xiàn)了140dB的動態(tài)范圍和61dB的最大信噪比[27]。之后,來自昆士蘭大學的Samuel B.Powell等人提出了利用水下偏振模式進行地理定位。他們使用仿螳螂蝦的水下偏振相機進行了測試,地理定位平均精度達到了6m/1km[28]。2019年1月,艾克斯-馬賽大學的Julien Dupeyroux等人根據(jù)沙漠螞蟻復眼的啟發(fā)設(shè)計了一種2像素的偏振視覺傳感器,其在紫外波段具有特殊的靈敏度,性能優(yōu)異[29]。

國內(nèi)對于大氣偏振光仿生導航的研究起步相對較晚,但是同樣取得了很多成果。合肥工業(yè)大學的高雋課題組從2003年開始了仿沙蟻的偏振光導航研究,在大氣偏振光分布特性及其相關(guān)理論、大氣偏振信息獲取及其導航應用等領(lǐng)域開展了大量的研究工作[30]。2005年,大連理工大學的褚金奎課題組開始對基于瑞利散射理論的大氣偏振模式的理論仿真及其導航應用開展研究,提出了一種基于最小二乘支持向量機的航向角誤差補償算法[31],之后又研制出了許多微型化的偏振傳感器[32-33],還設(shè)計出了偏振光實時定位系統(tǒng)[34]。實驗證明,該系統(tǒng)滿足了實時性和精度方面的需求,可被應用于實際定位。

哈爾濱工業(yè)大學的盧鴻謙等人將偏振光定姿定向加入到了組合導航之中,提出了基于多個偏振探測單元的太陽矢量敏感裝置和太陽矢量估計算法[35],提高了系統(tǒng)的可靠性和精確性。中國科技大學通過與中科院先進制造所合作,將研制的成像式偏振光導航傳感器應用到了汽車導航系統(tǒng),并且獲得了與慣性導航、GNSS一致的導航精度[36]。中北大學劉俊課題組提出了一種基于全天域大氣偏振模式的姿態(tài)計算方法[37],實驗證明該算法具有較高的精度。2018年10月,北京航空航天大學的趙慧潔等人研究了不同天空條件下的大氣偏振模式,提出了一種利用偏振角(Angle of Polarization,AOP)的對稱性求出太陽子午線的導航方法[38],提高了系統(tǒng)的魯棒性。2019年,西北工業(yè)大學的周軍等人提出了一種基于天空偏振光傳感器和磁力計的姿態(tài)確定方法,推導了偏振傳感器和三軸磁強計的測量模型,最終以衛(wèi)星姿態(tài)方程為狀態(tài)方程,提出了一種用于計算衛(wèi)星姿態(tài)的卡爾曼濾波器[39],并通過實驗驗證了其估計衛(wèi)星姿態(tài)信息的可行性。同年2月,大連理工大學的關(guān)樂等人提出了一種基于極坐標變換的全偏振信息提取方法,提高了偏振角的精度[40]。國防科技大學的張文靜等利用Sony最新的IMX250-MZR微偏振陣列芯片,實現(xiàn)了60FPS以上的實時天空偏振模式測量。經(jīng)過實驗測試,其航向角獲取精度超過了0.1(°)[41]。

2.3 發(fā)展現(xiàn)狀

目前,仿生偏振光導航在器件方面,主要朝著微型化、集成化的方向發(fā)展。Sony公司目前研制出了像素化的偏振CMOS傳感器,在傳感器的光電二極管上集成了一層偏振片,四個不同偏振角度的偏振片分別置于單個像元上,將每四個像元作為一個計算單元。同時,仿生偏振光導航在算法方面,還有待進一步完善,通過改進算法可以進一步提升導航的自主性及精度(如圖4所示)。

圖4 仿生偏振光導航發(fā)展趨勢Fig.4 Bionic polarized light navigation development trend

3 仿生類腦導航

3.1 仿生類腦導航原理

人類在很早的時候就發(fā)現(xiàn)某些動物具有辨別方向的能力,即便是在極其惡劣的環(huán)境中,它們也能完成準確高效的道路導航,俗話說的“老馬識途”就是最真實的寫照。研究者們根據(jù)生物(如螞蟻、蜜蜂、鼠類等)擁有的大腦定位功能進行了一系列仿生類腦導航研究?？茖W家莫澤夫婦和約翰·奧基夫分別于1971年和2005年發(fā)現(xiàn)了大腦中的兩種神經(jīng)細胞——位置細胞和網(wǎng)格細胞,如圖5所示。這兩類細胞有機地構(gòu)成了大腦的定位系統(tǒng),前者在腦中形成所處地點的地圖,后者形成幫助大腦進行精確定位和導航的坐標系統(tǒng)。1984年James Ranck等人發(fā)現(xiàn)的頭方向細胞、2008年研究人員發(fā)現(xiàn)的邊界細胞以及2015年莫澤夫婦發(fā)現(xiàn)的速度細胞,均起到了輔助導航的作用。其中,頭方向細胞能夠辨別生物頭部的朝向,邊界細胞可以計算生物到達墻壁等邊界的距離,速度細胞在生物腦中充當了“速度計”的角色,用于判斷生物在某一時刻的移動速度。

圖5 神經(jīng)網(wǎng)絡(luò)Fig.5 Neural networks

3.2 國內(nèi)外研究現(xiàn)狀

2008年,中南工業(yè)大學的學者針對動態(tài)避障問題,提出了一種基于無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network,WSN)與蟻群算法的新算法。實驗證明,該算法在多動態(tài)障礙物的實時環(huán)境下提高了傳統(tǒng)遺傳算法的整體性能[42]。2009年,南京航空航天大學俞曉磊等人根據(jù)受到外部刺激的兔子觀察到的嗅球神經(jīng)活動,提出了一種基于感知-動作仿生學的新型無人機導航多感知統(tǒng)一反應機制[43],提高了無人機的自主導航能力。2013年,吉林大學的孫超提出了一種實現(xiàn)生物機器人自動導航的新方法。該方法采用廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network,GRNN)[44],對人體操作的控制過程進行了分析和建模。實驗證明,該方法可成功地控制生物機器人精確地進行路徑導航。2013年,吉林大學的李穎提出了一種基于仿生優(yōu)化算法的降維方法——蟻群優(yōu)化選擇(Ant Colony Optimization Selection, ACO-S)法,以用于高維數(shù)據(jù)集[45]。實驗結(jié)果證明,該方法是一種可應用于移動機器人導航的有效工具。2014年,上海大學制造業(yè)自動化與機器人重點實驗室提出了一種基于神經(jīng)行為學原理的移動機器人仿生導航算法[46],其包括了用于環(huán)境感知的生物天線模型和用于運動規(guī)劃和控制的改進算法,減少了計算負擔。2015年,國防科技大學機電工程與自動化學院的張瀟等人在傳統(tǒng)鼠類導航模型(Rat Simultaneous Localization and Mapping,Rat-SLAM)的基礎(chǔ)上引入了光學雙軸速度傳感器和微慣性測量單元(Micro Inertial and Measurement Unit,MIMU)[47],其環(huán)境適應性和精度均得到了提高。同年,浙江大學的田莉雯等人實現(xiàn)了一種分別從頂部攝像頭和鼠載攝像頭兩個角度設(shè)計的大鼠自動導航系統(tǒng)[48],成功模擬了GPS導航系統(tǒng),提高了系統(tǒng)的可行性。2016年,北京工業(yè)大學的李倜構(gòu)建了基于大鼠海馬結(jié)構(gòu)(生物進行空間認知的核心腦區(qū))的神經(jīng)網(wǎng)絡(luò)模型,并將此模型應用于快速準確的認知地圖構(gòu)建[49]。實驗證明,機器人能夠快速準確地進行導航。同年,空軍工程大學信息與導航學院的周陽等人指出,自由移動的嚙齒動物大腦中的頭方向細胞(Head Direction Cells,HDC)和網(wǎng)格細胞(Grid Cells,GC)分別與移動方向和距離有關(guān),這些細胞在嚙齒動物的路徑整合中起到了重要作用[50]。他提出了基于HDC和GC特性的、由生物學啟發(fā)的路徑集成模型,并驗證了模型的有效性和穩(wěn)定性。2017年,廈門大學智能類腦系統(tǒng)重點實驗室提出了一種基于模糊關(guān)聯(lián)BK積分的仿生機器魚路徑規(guī)劃方法[51],并通過實驗驗證了該方法的有效性。同年,安徽工程大學電氣傳動與控制重點實驗室的許曈等人針對自組織映射(Self-Organizing Map,SOM)神經(jīng)網(wǎng)絡(luò)仿生優(yōu)化方法實時性不佳的問題,提出了一種可降低系統(tǒng)復雜度的動態(tài)增長自組織映射(Dynamic Growing Self-Organizing Map,DGSOM)神經(jīng)網(wǎng)絡(luò)算法,并將其與Rat-SLAM模型進行了融合[52],以更快地實現(xiàn)閉環(huán)檢測,使系統(tǒng)具有良好的實時性。同年,電子科技大學的彭杰鋼等人根據(jù)弱電魚具有的主動電子定位功能提出了三種定位算法,其中包括交叉定位算法、隨機定位算法與頻域粒子群優(yōu)化定位算法[53],實現(xiàn)了黑暗環(huán)境下水下定位系統(tǒng)的任務(wù)。同年,四川大學的唐華錦等人通過分別實現(xiàn)海馬體和內(nèi)嗅皮質(zhì)的認知記憶和映射功能,開發(fā)了一個神經(jīng)生物學啟發(fā)系統(tǒng)[54],使移動機器人能夠在迷宮環(huán)境中執(zhí)行基于任務(wù)的導航。2018年,安徽工程大學的陳孟元針對在復雜的室內(nèi)場景中、傳統(tǒng)鼠類導航模型(Rat-SLAM)因光線變化或其他因素而導致的算法性能降低的問題,提出了構(gòu)建一種基于多細胞導航機制的BVGSP-SLAM模型,將RTAB-Map閉環(huán)檢測策略引入到了Rat-SLAM系統(tǒng)[55],提高了系統(tǒng)的準確度。同年9月,大連理工大學的關(guān)樂等人受到弱電魚在檢測和識別物體方面的卓越性能的啟發(fā),設(shè)計了可以解決類似遠程物體感知問題的技術(shù)傳感器系統(tǒng)。通過構(gòu)建在導電介質(zhì)(水或電離氣體)中可產(chǎn)生電流脈沖并同時可感測局部電流密度的設(shè)備,將有源電子定位原理應用于系統(tǒng)中,實現(xiàn)了遠程物體的高精度感知[56]。同年,國防科技大學的鄭賢德等人注意到魚類可以利用側(cè)線器官感知周圍的流場并由此實現(xiàn)導航,進食和避開捕食者、障礙物[57],這為新型水下探測技術(shù)的發(fā)展提供了重要參考。應用由9個水下壓力傳感器組成的人造側(cè)線,形成了十字形傳感器陣列,提高了導航性能。2019年,中北大學課題組針對衛(wèi)星信號中斷條件下的INS誤差累積問題,提出了一種基于海馬導航細胞模型的類腦導航方法。通過類腦導航模型的校正,降低了INS的累積誤差,提高了導航精度[58]。

2017年,奧地利學者Hartbauer Manfred等人[59]通過研究蝗蟲的“碰撞探測器神經(jīng)元”開發(fā)了一種簡單的算法,來重現(xiàn)在目標逼近期間的神經(jīng)元響應,并設(shè)計了一個簡單的車輛碰撞檢測系統(tǒng),提高了處理速度。2018年7月,印度國家技術(shù)研究所的Sahu C等人[60]修改了蟻群優(yōu)化技術(shù)的基本參數(shù),以增強對自適應蟻群優(yōu)化的控制,并設(shè)計和開發(fā)了一種新型導航控制器,提高了算法效率。2019年,Oyvind Arne Hoydal等人[61]指出海馬體和內(nèi)側(cè)內(nèi)嗅皮質(zhì)是大腦系統(tǒng)的一部分。在導航過程中,它們可以在近端環(huán)境中繪制自定位地圖。同年,Francesco Savelli[62]得到了嚙齒動物的路徑整合與位置細胞和其他空間細胞的基本屬性密切相關(guān)的結(jié)論,探討了機器人如何在不熟悉的領(lǐng)域進行地圖構(gòu)建和路徑整合。

3.3 發(fā)展趨勢

縱觀仿生類腦導航技術(shù)的發(fā)展現(xiàn)狀,其研究方向雖然多種多樣,但總體上仍處于初級階段,許多問題還值得探討和進一步解決。如何在復雜的環(huán)境(如室內(nèi)外光線變化、突發(fā)障礙物等因素)下完成快速準確的導航,以及如何減少長時間導航產(chǎn)生的誤差,是亟待解決的問題?？梢哉f,將來仿生類腦導航不僅能夠在人們的日常生活中發(fā)揮重要作用,也將在軍事國防領(lǐng)域占據(jù)重要地位。借鑒生物模型完成空中及水下導航,也是未來發(fā)展的重要方向。

4 仿生地磁導航

4.1 仿生地磁導航原理

地磁場是地球上非常重要的物理場,它包含十分豐富的參數(shù)信息。許多研究表明,很多生物都可以利用地磁場進行定位和導航[63]。地球的外核中富含鐵流體,這些流體的運動形成了地磁場。它是一種矢量場,如圖6所示。磁力線環(huán)繞地球時產(chǎn)生的磁傾角、磁偏角以及不同磁緯度對應的磁場強度,構(gòu)成了地磁場三要素[64]。因此,地磁場可以穩(wěn)定地為一些動物提供導航信息。

圖6 地磁場Fig.6 Geomagnetic field

4.2 仿生地磁導航的國內(nèi)外研究現(xiàn)狀

地磁導航可以追溯到古代使用的指南針及羅盤等,這種導航利用磁偏角進行導航。到近代,隨著儀器設(shè)備的發(fā)展及人們對仿生地磁導航更加深入的研究,仿生地磁導航也成為了導航的熱點方向。1977年,英國Clarendon實驗室的Leask M J通過研究候鳥的遷徙提出鳥類的視網(wǎng)膜上有光敏色素來感知周圍磁場,由此發(fā)現(xiàn)了一種新的磁感知模型[65],為之后的研究奠定了基礎(chǔ)。2000年,來自美國伊利諾伊大學的Ritz等人對之前的模型進行了修正,并且發(fā)現(xiàn)視網(wǎng)膜上的隱花色素是磁感應系統(tǒng)的一部分[66]。2007年,Wiltschko發(fā)現(xiàn)鳥類存在兩種磁感知機制,除了視網(wǎng)膜上的光受體,還有一種涉及富鐵粒子的過程。例如,鳥的上喙存在一種磁鐵礦納米顆粒,可以為其提供航向信息[67]。2010年,Storms W等人根據(jù)前人的理論,通過周邊磁場強度的變化,設(shè)計了室內(nèi)環(huán)境下的仿生地磁導航系統(tǒng)[68]。實驗證明,該系統(tǒng)可在GNSS信號不可用時用于輔助慣性導航系統(tǒng)。英國倫敦大學的Marshall Stoneham等人在2012年提出了一種新型的、基于自由基的磁接收模型[69],解釋了候鳥可以感知地球磁場的理論。2015年,北卡羅來納大學的Brothers J通過研究海龜?shù)臍w巢行為證實了地磁印記假說,證明了這種印記在海龜?shù)漠a(chǎn)后歸巢中發(fā)揮著重要的作用[70]。在這之后,Lohmann K J發(fā)現(xiàn)海龜和鮭魚都具有檢測沿海地區(qū)獨特“磁性特征”所需的感官能力,而磁導航是海龜和鮭魚長距離遷徙的主要導航模式[71]。2017年,西蒙弗雷澤大學的Lambinet V等人驗證了蜜蜂可以感知磁場極性的假設(shè)[72]。韓國的Seong Ju-Hyeon等人通過將Wi-Fi與地磁相結(jié)合,提出了一種遞歸無線電圖生成算法[73],增強了系統(tǒng)的實時性。

在國內(nèi),許多學者也對仿生地磁導航技術(shù)展開了廣泛的研究。西北工業(yè)大學對仿生地磁的研究較早,取得的成果也較為豐富。2007年,晏登洋等人將慣性系統(tǒng)與地磁模型進行了組合,在Matlab環(huán)境下進行了仿真,提高了系統(tǒng)精度[74]。2014年,劉明雍等人從仿生角度出發(fā),將導航過程歸結(jié)為多目標搜索問題,建立了仿生導航模型,提出了一種基于時序進化策略的搜索方法[75],解決了導航過程中對先驗地磁圖的依賴問題。之后,他們針對地磁仿生導航過程中對搜索偏向性考慮不足的問題,提出了一種基于探索與開發(fā)權(quán)衡的導航方法[76]。實驗證明,此方法能夠有效提高導航效率。2016年,劉坤針對地磁場異常時載體導航失敗的問題,提出了一種基于行為約束策略的仿生導航搜索方法[77],提高了自主導航的成功率。2017年,李紅等人針對水下自主航行器地磁多參量多目標搜索問題,提出了地磁仿生導航的多目標進化搜索算法[78]。與傳統(tǒng)的六邊形路徑搜索算法相比,多目標進化搜索算法更具有效性和優(yōu)越性。2018年,王瓊針對地磁導航受到先驗地磁圖的精度制約的問題,提出了一種平行接近的地磁梯度仿生導航方法[79],解決了傳統(tǒng)方法依賴地磁先驗信息的問題。2013年,中國科學院的呂琰提出了一種特殊的生物物理模型,包括基于磁鐵礦和自由基的磁感應機制[80]。實驗表明,所提出的模型可以用傾角羅盤解釋鳥類的導航機制。2016年,東華大學的郭鵬杰將基于地磁導航的定位技術(shù)應用于小車之中,完成了智能小車的整體設(shè)計[81]。2018年,浙江大學的齊小康通過研究海龜?shù)葎游镞w徙所依據(jù)的自然線索,利用數(shù)學建模及工程模擬,提出了仿生學地磁導航模型[82]。實驗證明,此模型在精確導航領(lǐng)域有很好的應用前景。

4.3 發(fā)展趨勢

目前,針對仿生地磁導航的研究,國內(nèi)外尚處于仿真研究階段。對于動物地磁導航使用的磁感知機制,業(yè)界的了解還不是特別深入。應加快完善仿生地磁導航模型,研究新型材料,提高仿生傳感器件的靈敏度,使其向著微型化、集成化及智能化的方向發(fā)展(如圖7所示)。

圖7 仿生地磁導航發(fā)展趨勢Fig.7 Bionic geomagnetic navigation development trend

5 結(jié) 論

向大自然學習,向人體自身學習是仿生學永恒的主題,也是仿生導航技術(shù)的發(fā)展方向。通過對仿生光流、偏振光、類腦和地磁導航四個方向的研究,可以看到目前仿生導航技術(shù)的機制已比較完善,已經(jīng)能夠制造出各種類型的仿生傳感器,并將其成功應用于無人機導航等方面。同時,仿生導航在算法和器件上還有很大的發(fā)展空間。該研究也面臨著許多困難,其穩(wěn)定性和靈敏度還達不到較高水平,器件靈敏度和體積依然受到加工工藝與材料的限制。在未來,可以利用生物基因工程與微納加工制造技術(shù)來改進現(xiàn)有仿生導航器件,使其具有微型化、集成化及智能化的特點,從而在保證小體積的前提下提高器件的靈敏度與探測的效率。