摘要

  隨著網(wǎng)格細(xì)胞、位置細(xì)胞及頭朝向細(xì)胞等類腦認(rèn)知導(dǎo)航細(xì)胞的作用被揭示、人工智能的快速發(fā)展以及群體智能感知定位機(jī)理的蓬勃發(fā)展，為研究無人機(jī)集群編隊復(fù)雜飛行環(huán)境下的類腦編隊協(xié)同導(dǎo)航技術(shù)提供了理論基礎(chǔ)。針對無人機(jī)類腦集群編隊導(dǎo)航技術(shù)的研究進(jìn)展進(jìn)行如下綜述。

  1) 論述無人機(jī)類腦編隊導(dǎo)航系統(tǒng)的研究現(xiàn)狀;

  2) 分析無人機(jī)類腦感知定位機(jī)理及智能自適應(yīng)建模方法的研究，包括基于深度強(qiáng)化學(xué)習(xí)的類腦導(dǎo)航模型;

  3) 提出目前類腦編隊導(dǎo)航系統(tǒng)中面臨的重難點及未來發(fā)展趨勢。

  引言

  無人機(jī)的飛行任務(wù)已逐步從單無人機(jī)自主飛行向多無人機(jī)集群編隊自主飛行方向發(fā)展。在軍事領(lǐng)域，多無人機(jī)集群編隊協(xié)同飛行可以有效克服復(fù)雜戰(zhàn)場飛行環(huán)境下僅依賴單架無人機(jī)執(zhí)行任務(wù)能力有限、抗毀傷性不足等問題。在民用領(lǐng)域，多無人機(jī)密集集群編隊協(xié)同飛行可應(yīng)用于災(zāi)害救援、科學(xué)考察和航空飛行表演等多種應(yīng)用領(lǐng)域，特別是采用多旋翼無人機(jī)按照預(yù)定的飛行航路實現(xiàn)密集集群編隊飛行在民用航空飛行表演等領(lǐng)域得到成功應(yīng)用。由于無人機(jī)具備功能分布化、體系生存率高、成本低、效率高等優(yōu)勢，必將在軍事作戰(zhàn)、救災(zāi)搶險、精密農(nóng)業(yè)、線路巡檢、測繪測量、安全監(jiān)視等軍民領(lǐng)域獲得廣泛應(yīng)用，有著廣闊的應(yīng)用前景。

  現(xiàn)有的無人機(jī)集群編隊協(xié)同導(dǎo)航普遍基于GPS或差分GPS等衛(wèi)星導(dǎo)航信號進(jìn)行編隊協(xié)同導(dǎo)航定位，這種導(dǎo)航定位方式對衛(wèi)星導(dǎo)航信號以及地面主控站表現(xiàn)出較強(qiáng)的依賴性，當(dāng)GPS信號受到干擾或者主控站信號丟失時，無人機(jī)集群導(dǎo)航性能將無法得到保障。此外，除GPS等衛(wèi)星導(dǎo)航傳感器外，雖然還能夠在每架編隊無人機(jī)上進(jìn)一步裝載慣性傳感器、地磁、大氣傳感器、視覺、光流、UWB和WIFI等多種傳感器以進(jìn)一步提高無人機(jī)自身的感知定位精度與可靠性，但是面對集群編隊多源傳感器海量數(shù)據(jù)的處理，依靠現(xiàn)有的有中心節(jié)點式的無人機(jī)編隊集群導(dǎo)航技術(shù)顯然還無法滿足對海量可用導(dǎo)航信息的甄別篩選以實現(xiàn)對海量感知定位信息的最優(yōu)融合。近年來，類腦感知和認(rèn)知機(jī)理的研究得到迅猛發(fā)展。神經(jīng)科學(xué)家逐漸揭示了人體大腦中位置細(xì)胞、頭朝向細(xì)胞、網(wǎng)格細(xì)胞之間的作用機(jī)理，并進(jìn)一步闡明了人體大腦進(jìn)行位置定位和方向感知的方式。此外，鳥群、蜂群、魚群和蟻群等生物腦的感知定位機(jī)理研究也正處于蓬勃發(fā)展的階段，為類腦處理的人工智能發(fā)展提供了新的思路和發(fā)展方向，類腦感知智能已成為近年來人工智能領(lǐng)域研究的熱點，為無人機(jī)集群導(dǎo)航提供了新的思路和途徑。

  1 類腦集群導(dǎo)航系統(tǒng)的研究現(xiàn)狀

  1.1 無人機(jī)集群導(dǎo)航系統(tǒng)研究現(xiàn)狀

  美國等西方發(fā)達(dá)國家在基于類腦感知的人工智能編隊無人機(jī)導(dǎo)航方面開展了很多探索性研究。2016年10月，美國國防部采用3架F/A－18戰(zhàn)斗機(jī)發(fā)射了103架“山鶉”( Perdix) 微型固定翼無人機(jī)并組成集群，通過空中實驗驗證了無人機(jī)集群飛行的能力，研究者通過對鳥集群飛行時的腦機(jī)理研究出共享分布式大腦，通過相互協(xié)調(diào)行動，盡管在實際飛行過程中仍然依賴一臺地面站作為數(shù)據(jù)中心，但是也表明了“山鶉”無人機(jī)已經(jīng)初步具備了集群編隊協(xié)同環(huán)境類腦感知定位能力; 2010年賓夕法尼亞大學(xué)完成20架四旋翼無人機(jī)的類腦編隊控制; 2015年法國達(dá)索飛機(jī)制造公司實現(xiàn)神經(jīng)元無人機(jī)與陣風(fēng)戰(zhàn)斗機(jī)、“獵鷹7X”商務(wù)機(jī)的有人機(jī)/無人機(jī)類腦協(xié)同編隊飛行。

  美軍“蟬”微型無人機(jī)集群編隊

  美海軍“低成本無人機(jī)集群技術(shù)項目”

  國內(nèi)也高度重視人工智能與無人機(jī)導(dǎo)航相結(jié)合的研究，其中控制領(lǐng)域的類腦感知研究者較多，還未將類腦應(yīng)用于導(dǎo)航領(lǐng)域。與國外相比，在技術(shù)實現(xiàn)上還存在一定差距。

  1.2 類腦導(dǎo)航系統(tǒng)研究現(xiàn)狀

  類腦感知定位不是單純地復(fù)制生物大腦，而是從原理及結(jié)構(gòu)上尋找生物大腦的優(yōu)勢，從而對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行完善。在類腦導(dǎo)航細(xì)胞機(jī)理基礎(chǔ)上，昆士蘭大學(xué)開發(fā)了類腦機(jī)器人視覺導(dǎo)航算法，首次用低成本相機(jī)實現(xiàn)了城市級的車載導(dǎo)航與定位能力，相比傳統(tǒng)視覺導(dǎo)航，具有惡略環(huán)境( 暗光強(qiáng)光、粉塵等) 適應(yīng)性 強(qiáng)、無需精確導(dǎo)航計算模型等優(yōu)勢。波士頓大學(xué)提出一種仿大腦海馬結(jié)構(gòu)認(rèn)知機(jī)理的面向目標(biāo)導(dǎo)航模型，通過分析頭朝向細(xì)胞、網(wǎng)格細(xì)胞、位置細(xì)胞以及前額葉皮層細(xì)胞各自的功能和聯(lián)系，建立對應(yīng)作用機(jī)理的分 級人工神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了基于慣性/視覺的類腦認(rèn)知導(dǎo)航。昆士蘭科技大學(xué)提出了基于視覺/WIFI /氣壓計的類腦多源信息融合算法，具有不依賴精確導(dǎo)航建模能力。谷歌DeepMind人工智能研究團(tuán)隊驗證了把神經(jīng)網(wǎng)絡(luò)模型用于空間導(dǎo)航和定位時，其隱節(jié)點的物理意義類似于大腦位置細(xì)胞、網(wǎng)格細(xì)胞、邊界細(xì)胞等導(dǎo)航細(xì)胞，首次證明了類腦認(rèn)知導(dǎo)航與大腦導(dǎo)航生理機(jī)制等價。哥倫比亞大學(xué)首次采用類腦芯片IBM TrueNorth實現(xiàn)了智能小車環(huán)境感知、空間導(dǎo)航認(rèn)知、路徑規(guī)劃一體化硬件測試，具有硬件體積小、功耗小等優(yōu)勢。

  1.3 國內(nèi)外研究現(xiàn)狀總結(jié)

  上述國內(nèi)外的研究工作動態(tài)為進(jìn)一步深入開展基于類腦感知定位的無人機(jī)密集集群編隊協(xié)同導(dǎo)航研究提供了可借鑒的參考。但從上述國內(nèi)外的類腦集群編隊協(xié)同自主導(dǎo)航技術(shù)研究成果來看，大部分研究是對于無人機(jī)協(xié)同集群編隊中控制技術(shù)領(lǐng)域的探索，主要采用了慣性和 GPS 等導(dǎo)航技術(shù)實現(xiàn)集群編隊協(xié)同導(dǎo)航和控制; 在類腦導(dǎo)航方面，國內(nèi)外各研究者也正將類腦導(dǎo)航原理應(yīng)用到無人機(jī)、車輛導(dǎo)航中，但針對基于類腦感知定位的無人機(jī)密集集群編隊協(xié)同導(dǎo)航技術(shù)的研究還鮮有文獻(xiàn)報道，關(guān)于深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等人工智能方法的應(yīng)用也主要集中于單架無人機(jī)導(dǎo)航領(lǐng)域的內(nèi)容。

  2 類腦感知定位機(jī)理及智能自適應(yīng)建模

  2.1 類腦感知定位機(jī)理

  大自然中動物導(dǎo)航感知的例子比比皆是，像人們熟知的GPS系統(tǒng)一樣，大腦定位系統(tǒng)也是通過自身的位姿信息、目標(biāo)信息進(jìn)行定位導(dǎo)航。生物腦中存在3種主要導(dǎo)航細(xì)胞位置細(xì)胞、頭朝向細(xì)胞及網(wǎng)格細(xì)胞。其中，海馬體中的位置細(xì)胞繪制所處地點的地圖; 頭朝向細(xì)胞指明方向( 將位置細(xì)胞和頭朝向細(xì)胞合并為一個新細(xì)胞類型，位姿細(xì)胞) ; 大腦內(nèi)嗅皮層中的網(wǎng)格細(xì)胞由位置細(xì)胞激活并通過標(biāo)記被激活細(xì)胞的位置對環(huán)境進(jìn)行重定位。此外，在內(nèi)嗅皮層還存在邊界細(xì)胞、條紋細(xì)胞、速度細(xì)胞等輔助導(dǎo)航定位的細(xì)胞。大腦通過感官從外界獲取環(huán)境中的特征信息，其中位置細(xì)胞能夠與海馬體中其他細(xì)胞合作，將輸入的特征信息與記憶的特征信息進(jìn)行比對，如果信息匹配成功，與匹配位置對應(yīng)的特定位置細(xì)胞就會被激活。

  2.2 群體動物感知定位機(jī)理

  自然界中，鳥群編隊飛行的現(xiàn)象比較常見，其群聚行為包含自然社會、回避、探測以及防御掠奪等。鳥群經(jīng)常以“V”、“J”或梯形的線性編隊飛行，其中“J”形和 梯形編隊是“V”形編隊的變形，線性編隊行為可以通過鳥群成員間的視覺信息交互提高導(dǎo)航能力。

  無人機(jī)編隊飛行形式與生物群體社會性行為存在相似性，通過研究生物群體行為規(guī)律，為無人機(jī)編隊飛行提供關(guān)鍵有效理論及技術(shù)思考，其中將生物集群編隊理論與無人機(jī)集群相對協(xié)同導(dǎo)航的研究在不斷推進(jìn)。以鴿群為例，在導(dǎo)航方式方面，鴿子在旅程不同階段會使用不同導(dǎo)航工具，前期依賴地磁場判斷大致的方向，后期通過地標(biāo)對實際方向進(jìn)行修正，太陽高度也會影響鴿子導(dǎo)航。研究表明，鴿群編隊系統(tǒng)與狼群等 陸地群體的模式區(qū)別甚大，在鴿群中，所有的鴿子包括頭鴿及跟隨鴿都存在層次等級，區(qū)別是頭鴿的地位不容撼動，為群體的絕對領(lǐng)導(dǎo)者，跟隨鴿只能服從上層，跟隨鴿所受影響來自于頭鴿及其上層鴿，而來自于上層鴿的影響實時性更高、效果更強(qiáng)。

  無人機(jī)編隊集群類腦導(dǎo)航的研究者從鴿群層級行為得到了很多啟發(fā)，表現(xiàn)為:

  1)鴿群編隊系統(tǒng)區(qū)別于陸地群體的單一首領(lǐng)制度。原因是視野及通訊最高距離的限制，鴿子只能與臨近上層的鴿子實時通訊并相對跟隨。無人機(jī)編隊類腦協(xié)同導(dǎo)航系統(tǒng)的研究受此啟發(fā)，由于長機(jī)不能時刻在僚機(jī)的通訊及視野范圍內(nèi)，采用長機(jī)與僚機(jī)通訊、僚機(jī)與僚機(jī)通訊的方式實現(xiàn)編隊飛行；

  2)鴿群個體間不是任意兩鴿均可通訊聯(lián)系，而是具有森嚴(yán)制度。無人機(jī)編隊類腦協(xié)同導(dǎo)航系統(tǒng)的研究受此啟發(fā)，采用類似等級制度，可以增強(qiáng)集群通訊的可靠性，即使出現(xiàn)干擾甚至故障，仍可迅速實現(xiàn)集群系統(tǒng)重構(gòu)，使系統(tǒng)不受影響; 而且各無人機(jī)個體的通訊空間可大幅度減少。

  2.3 類腦導(dǎo)航智能自適應(yīng)建模的發(fā)展現(xiàn)狀

  未來類腦導(dǎo)航的主要發(fā)展趨勢之一是類腦認(rèn)知，認(rèn)知智能導(dǎo)航可以使智能導(dǎo)航系統(tǒng)進(jìn)行理解與思考，在復(fù)雜環(huán)境下快速識別附近環(huán)境，自我判斷最優(yōu)路徑。典型例子有谷歌 DeepMind 的最新研究，其中文獻(xiàn)［8］說明了強(qiáng)化學(xué)習(xí)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)在導(dǎo)航方面，仍不能與人腦的空間行為的熟練度相媲美的原因是缺乏內(nèi)嗅皮層網(wǎng)格細(xì)胞的支撐，網(wǎng)格細(xì)胞可以提供一個多維度周期表示基礎(chǔ)，其作用類似于編碼空間，并且對于路徑集成( 集成自運(yùn)動) 及計劃直接軌跡到目標(biāo)( 基于矢量的導(dǎo)航) 有重要作用。實驗證明，網(wǎng)格單元自發(fā)地出現(xiàn)在神經(jīng)網(wǎng)絡(luò)中，使智能體獲得空間自導(dǎo)航能力，這與在哺乳動物中觀察到的神經(jīng)活動模式驚人的一致，也與網(wǎng)格細(xì)胞為空間提供高效代碼的觀點一致。

  研究者首先利用網(wǎng)格細(xì)胞的計算功能設(shè)計一種類腦深度強(qiáng)化學(xué)習(xí)單元，訓(xùn)練一個具有長短期記憶 ( LSTM) 架構(gòu)的循環(huán)網(wǎng)絡(luò)，使之出現(xiàn)類似于網(wǎng)格細(xì)胞的特征，以及其他內(nèi)嗅皮層細(xì)胞特征。速度作為輸入提供給該循環(huán)網(wǎng)絡(luò)，該網(wǎng)絡(luò)隨時間的反向傳播進(jìn)行訓(xùn)練，允許網(wǎng)絡(luò)動態(tài)地將當(dāng)前輸入信號與反映過去事件的活動模式組合。正如預(yù)期的那樣，網(wǎng)絡(luò)能在涉及覓食行為的環(huán)境中準(zhǔn)確進(jìn)行路徑整合，其中25.2%的線性層單元類似于網(wǎng)格單元，在保守的場改組程序產(chǎn)生的零分布中表現(xiàn)出來顯著的六邊形活動模式，與嚙齒動物網(wǎng)格細(xì)胞的經(jīng)驗結(jié)果一致。線性層還表現(xiàn)出類似于頭部方向單元( 10.2%) ，邊界單元( 8.7% ) 和少量位置單元以及這些表示的連接單元。為了確定這些表示的穩(wěn)健性,文獻(xiàn)［5－6］表明對網(wǎng)絡(luò)進(jìn)行了100次重新訓(xùn)練，每次都找到類似比例的網(wǎng)格狀單元( 平均23%， s．d．2.8% ，具有顯著網(wǎng)格特征的單元) 和其他空間調(diào)制單元。

  為了開發(fā)具有矢量導(dǎo)航潛力的智能體，文獻(xiàn)［8］將上述“網(wǎng)格網(wǎng)絡(luò)”整合到一個用深度強(qiáng)化學(xué)習(xí)訓(xùn)練的更大的架構(gòu)中。和以前一樣，網(wǎng)格網(wǎng)絡(luò)是使用監(jiān)督學(xué)習(xí)訓(xùn)練的，如圖6所示，但為了更好地近似可用于導(dǎo)航哺乳動物的信息，它現(xiàn)在接收受隨機(jī)噪聲和視覺輸入擾動的速度信號。發(fā)現(xiàn)智能體能在有挑戰(zhàn)性的、不熟悉的、變化的環(huán)境中定位目標(biāo)，具有類似于網(wǎng)格特征的智能體的性能超過了人類專家和其他對比個體，其基于矢量的導(dǎo)航所需的度量尺度來自于網(wǎng)絡(luò)中的網(wǎng)格狀單元。而且，網(wǎng)格細(xì)胞的特征使得智能體能夠執(zhí)行與哺乳動物類似的走捷徑的行為。研究結(jié)果表明，網(wǎng)格狀單元為個體提供了歐幾里德空間度量和相關(guān)的向量運(yùn)算，為精確導(dǎo)航提供了基礎(chǔ)。因此，結(jié)果支持將網(wǎng)格單元視為基于矢量導(dǎo)航的關(guān)鍵的神經(jīng)科學(xué)理論，證明后者可以與基于路徑的策略相結(jié)合，以支持在具有挑戰(zhàn)性的環(huán)境中進(jìn)行導(dǎo)航。

  有監(jiān)督學(xué)習(xí)實驗中的網(wǎng)絡(luò)框架

  網(wǎng)格單元的循環(huán)層是具有128個隱層單元的LSTM，該循環(huán)層的輸入為向量［v，sin(φ) ，cos(φ) ］，初始時刻的地面真實位置，活動c0和頭朝向活動 h0 分別經(jīng)過線性變換后得到 LSTM的初始單元狀態(tài)和隱藏狀態(tài)的初始化值 l0和m0。LSTM的輸出是一個經(jīng)過正則化的線性層，該線性層的輸出gt是由線性變化得到的，并通過兩個softmax函數(shù)計算出預(yù)測的頭朝向單元活動zt和位置單元活動yt。研究表明線性層激活gt中含有網(wǎng)格狀單元及頭朝向狀單元。

  傳統(tǒng)的同步定位與建圖(SLAM) 技術(shù)通常需要構(gòu)建準(zhǔn)確且完整的地圖，從外部定義目標(biāo)的性質(zhì)和位置。相比之下，文獻(xiàn)［8］中描述的深度強(qiáng)化學(xué)習(xí)方法能夠從稀疏獎勵中端到端地學(xué)習(xí)復(fù)雜的控制策略，以超過以往深度強(qiáng)化學(xué)習(xí)方法的自主能力直接引導(dǎo)個體到達(dá)目標(biāo)甚至采用走捷徑的方式，而這些若在SLAM系統(tǒng)中則需要手動編碼。文獻(xiàn)［9］中提出了一種解決城市級現(xiàn)實環(huán)境中任務(wù)的深度強(qiáng)化學(xué)習(xí)導(dǎo)航方法，并分析了一項新的信使任務(wù)，提出了一個多城市網(wǎng)絡(luò)智能體架構(gòu)，演示了該如何將神經(jīng)網(wǎng)絡(luò)遷移到新的環(huán)境。

  目前有4點需要進(jìn)一步研究:

  1) 如果神經(jīng)網(wǎng)絡(luò)的損失函數(shù)中不包括正則項，那么神經(jīng)網(wǎng)絡(luò)無法表現(xiàn)出網(wǎng)格細(xì)胞功能，這一發(fā)現(xiàn)給了我們一個全新的角度去思考正則項的作用;

  2) 深度神經(jīng)網(wǎng)絡(luò)的黑盒特性阻礙了進(jìn)一步分析網(wǎng)格細(xì)胞活動特性對路徑整合的作用，由于無法在模型內(nèi)進(jìn)行原理分析、定性定量分析算法和編碼策略，使得研究網(wǎng)格細(xì)胞成為有效的導(dǎo)航方案異常困難，這一點再次強(qiáng)調(diào)了研究神經(jīng)網(wǎng)絡(luò)的必要性以及神經(jīng)科學(xué)家的重要性;

  3) 還需要進(jìn)一步分析深度學(xué)習(xí)系統(tǒng)的內(nèi)部工作機(jī)理，研究輔助類腦之空間導(dǎo)航的通用計算原理;

  4) 目前只涉及了單個智能體的類腦導(dǎo)航，編隊類腦方面，只涉及到了與人工智能相關(guān)的導(dǎo)航，但離真正的類腦還是有一定距離。

  3 類腦集群導(dǎo)航系統(tǒng)中面臨的重難點

  國內(nèi)外研究者對無人機(jī)集群類腦導(dǎo)航系統(tǒng)開展了大量分析研究，針對目前存在的關(guān)鍵問題和發(fā)展趨勢，無人機(jī)編隊集群類腦導(dǎo)航系統(tǒng)的難點及重點主要是:

  1）在密集編隊飛行應(yīng)用環(huán)境下，導(dǎo)航系統(tǒng)誤差傳播特性的變化對不同時空下的模型自適應(yīng)表達(dá)提出了新的要求，如何借鑒生物腦導(dǎo)航機(jī)理建立無人機(jī)類腦定位感知定位模型，以及對適應(yīng)密集集群編隊飛行環(huán)境的導(dǎo)航系統(tǒng)誤差建模這一問題亟待解決。

  2) 密集集群編隊中的無人機(jī)飛行密度高，隊形控制復(fù)雜，對相對導(dǎo)航定位精度和魯棒性要求極高，因此需要解決密集集群飛行環(huán)境量測特征下基于類腦感知機(jī)理的相對導(dǎo)航信息融合方法。

  3) 針對密集集群編隊對高可靠導(dǎo)航測量信息的要求，為確保無人機(jī)密集集群編隊導(dǎo)航系統(tǒng)對編隊無人機(jī)飛行狀態(tài)的可靠測量，必須解決在參考信息可用性變化的條件下，導(dǎo)航系統(tǒng)對故障信息的快速診斷和智能主動容錯的問題。

  4) 在仿真驗證方面，實現(xiàn)從單機(jī)類腦到群體類腦的編隊導(dǎo)航仿真，及從簡單任務(wù)到復(fù)雜編隊任務(wù)場景的驗證。

  4 結(jié)束語

  類腦編隊導(dǎo)航是當(dāng)前人工智能的研究熱點，但是我們必須認(rèn)識到，當(dāng)前我們對于大腦內(nèi)部功能的實現(xiàn)和大腦內(nèi)部神經(jīng)元細(xì)胞之間的信息傳遞機(jī)制等研究仍不夠深入，因此，要完全弄清類腦導(dǎo)航機(jī)理我們還有很多的工作要做。我們需要在已有認(rèn)知機(jī)理的基礎(chǔ)上進(jìn)行更深層次意義上的研究，并將相關(guān)成果應(yīng)用于類腦導(dǎo)航、醫(yī)學(xué)研究等意義重大。希望本文的綜述能為其他研究者豐富無人機(jī)編隊集群類腦導(dǎo)航理論及應(yīng)用時提供參考價值。

  參考文獻(xiàn)

  ［1］ 王偉，宋延華，馬浩等．旋轉(zhuǎn)翼無人機(jī)系統(tǒng)［J］．控制工程，2015，22( 2) : 205－212．

  ［2］ Woods J O，Christian J A． Lidar- based Ｒelative Navigation with Ｒespect to Non-cooperative Objects［J］． Acta Astronautica，2016，126: 298－311．

  ［3］ Lee J Y，Kim H S，Choi K H，etal．Adaptive GPS/ INS Integration for Ｒelative Navigation［J］．GPSSolutions，2016，20 ( 1) : 63－75．

  ［4］ 石鵬飛．無人機(jī)自主控制技術(shù)發(fā)展與挑戰(zhàn)［J］．科技導(dǎo)報，2017(7) : 34－40．

  ［5］ 牧彬，米征，盛凱等．BP神經(jīng)網(wǎng)絡(luò) PID 控制器在無人機(jī)編隊飛行中的應(yīng)用［J］．測控技術(shù)，2017，36( 4) : 66－69．

  ［6］ 陳孟元．鼠類腦細(xì)胞導(dǎo)航機(jī)理的移動機(jī)器人仿生SLAM 綜述［J］． 智能系統(tǒng)學(xué)報，2018，13( 1) : 107 －117．

  ［7］ 邱華鑫，段海濱，范彥銘．基于鴿群行為機(jī)制的多無人機(jī)自主編隊［J］．控制理論與應(yīng)用，2015，32 ( 10) : 1298－1304．

  ［8］Banino A，Barry C，Uria B，etal．Vector- based Navigation using Grid-like Ｒepresentations in Artificial Agents［J］． Nature，2018，557( 7705) :429－433．

  ［9］Piotr Mirowski，Matthew Koichi，Grimes Mateusz Malinowski．DeepMind 雙路徑智能體結(jié)構(gòu)，不用地圖也能導(dǎo)航［J］．機(jī)器人產(chǎn)業(yè)，2018( 3) : 34－38．

  ［10］李升偉．人工智能模擬大腦導(dǎo)航密碼［J］．世界科學(xué)，2018( 9) : 25－6