今天，基于5G信号的路对车、车对车通讯技术正如火如荼地发展，车联网离我们越来越近，由其提供导航信息的更高级无人驾驶技术也越来越成为可能。

但是，如果有一天，这些外界的导航信息突然中断了，怎么办？

机器人在未知环境中，能否“自力更生”，自主地判断自身的位置、找到前进的方向，不变成“路痴”呢？

近日，北京师范大学系统科学学院斯白露教授的团队建立了一套贝叶斯吸引子网络实时定位和地图构建模型（NeuroBayesSLAM），实现了机器人在未知环境中的自主定位和地图学习。这个模型的研究成果发表在《神经网络》上，它模拟哺乳动物大脑的空间编码细胞的工作原理，整合视觉信息和运动信息，证明了可以将哺乳动物空间认知的思维方法应用于机器人导航，并具有独特的优越性。

栅格细胞、位置细胞和头朝向细胞分工协作

“机器人导航是人工智能领域的经典问题。”斯白露说，“从20世纪80年代以来，人工智能学家设计了各种算法，希望赋予机器人空间认知能力，在陌生环境中认路，确定自己的方位。这些方法的效果远比不上老鼠等动物的导航能力。”

脑科学研究者通过半个多世纪的研究，发现动物的导航是由多种编码空间信息的神经细胞协作完成的。20世纪70年代，约翰·欧基夫在哺乳动物大脑的海马体中发现了一组能编码位置的“位置细胞”，可以记忆窝和食物源等重要的位置。

2005年，梅·布丽特·莫泽尔和爱德华·莫泽尔等人又在海马体的附近，发现了另外一套负责空间认知的神经回路——内嗅皮层，其中的“栅格细胞”在平面环境中的放电模式形成周期性的三角形栅格。这些栅格细胞整合另一组表征运动方向的“头朝向细胞”，来编码自己访问过的位置、方向和距离，相对位置细胞有更强的空间记忆能力。

三人因上述科研成果获得了2014年的诺贝尔生理学或医学奖。

哺乳动物在导航过程中需要数以千万计的细胞参与决策，视神经网络获得的视觉信息和运动信息如何在栅格细胞和头朝向细胞神经网络中实现整合的呢？

斯白露等人发现，大脑整合这些信息的方式符合贝叶斯法则，可以借鉴用于解决机器人导航中的定位和地图构建问题。

模型中栅格细胞和头朝向细胞模拟真实神经细胞的激活状态，构成位置和方向的先验知识。在运动时，大脑视觉感知获得新的信息之后，栅格细胞和头朝向细胞会根据新信息的不确定性更新、调整位置和方向的概率分布，形成一个后验估计。栅格细胞和头朝向细胞通过这种统一的机制动态地整合多种感知信息流，动物就得到了自身方位的最优概率，也就实时构建了一套认知地图，并能够在外界定位信息缺失的情况下进行自主导航。

深度学习还需要什么

深度学习虽然在过去的几年中得到了广泛的应用，但也遇到了可解释性差和需要大量训练数据的瓶颈。

“深度学习之父”、多伦多大学计算机科学系教授杰弗里·辛顿说：“要解决人工智能的问题，需要在计算机科学和生物学之间架设桥梁。”

斯白露认为，与脑神经网络相比，深度学习的约束较少。虽然能够借助学习和优化方法在宏观上产生好的结果，但深度学习模型中的元素在机制上不太好理解，整体上是个黑盒子，模型的输出不可控，具有安全隐患。此外，脑网络具有明显的模块化组织特征，而深度学习网络目前主要模拟脑网络的层次化机制，能否产生模块化的功能组织还有待研究。

在他看来，深度学习的两个主要瓶颈在类脑智能面前都可以迎刃而解。作为一个复杂通用智能系统，脑网络中的神经细胞在形态、信息处理方式、放电和编码特性方面都是多种多样的。神经细胞的异质性大大增加了神经系统的复杂度。神经细胞之间通过独特的连接结构互相传递信息，形成一个有内在运行轨迹的复杂网络。脑网络的分化和协同机制在功能上既促成了选择性，不同脑区各有所长，也带来了多样性，各脑区各司其职。脑活动与脑功能之间的强相关关系,使理解和解释脑成为可能。此外，脑网络连接的自组织学习、记忆、注意等机制使得脑不需要大规模训练，根据小样本也可以完成学习任务。

如果说深度学习是一个初生的婴儿，类脑智能则是获得了丰富的机制性内涵的青年。类脑智能借鉴脑的组织原则、计算原理，在更高层次上对动态信息流进行抽象处理，构建内在模型，来解释客观世界的复杂性。

类脑智能：人工智能下一站

“我们在算法上模拟了脑神经网络，大脑就是这样工作的。”斯白露说，“我们的算法，虽然是记忆在空间导航任务的体现，但是具有理解型学习的核心机制—认知地图。”借鉴和模拟记忆神经环路的计算原理，类脑智能可以实现感知和记忆的融合，完成新旧信息的整合，能够提高人工智能形成抽象概念的能力。

“脑科学基础研究中已经积累了大量的生物学发现。”文章第一作者，目前在复旦大学类脑智能科学与技术研究院做博士后研究的曾太平告诉《中国科学报》，“我们的工作一方面解析大脑的内在机理，一方面也比较重视贴近实际的应用。”他们期待把模型扩展到其他应用，整合多种模态、多个脑区的信息，适应更大更复杂的环境。

类脑科学的已有研究，主要集中在理论层面的探索，而结合实际应用并能落地实施的较少。中国科学院脑科学与智能技术卓越创新中心副主任王佐仁认为这项“有神经科学内涵的贝叶斯吸引子模型”工作很有意义。“首先，实现了方位与运动信息的融合，降低了计算复杂度，增强了可解释性。其次，实现了在没有GPS信号和导航信息的情况下，一边精确定位导航，一边自主构建地图。另外，单相机就可以实施对角速度与平移速度的测量和实时定位，无需360度SLAM（实时定位和地图测绘）。”王佐仁说。

谈到未来的工作，曾太平补充说：“内嗅皮层-海马神经环路能够对结构化的信息进行泛化、抽象，我们的工作也将进一步研究初级感知信息在海马相关脑区的抽象表达，以实现对复杂动态环境信息的高效编码。”

王佐仁认为高级智能的典型特征是能够把感知到的信息抽象成概念，并组织成结构化的认知地图，实现理解型学习、抽象思维和推理。认知地图是逻辑推理、想象和创造的基础，也是类脑智能达到通用智能必须具备的能力。这项具有仿生学意义的工作实现了脑科学与人工智能的融合，是更高级别人工智能的基础。对于理解最优路径，构建认知地图，提升深度学习模型，具有重要意义，是已有系统朝类脑方向前进的一大步。

相关论文信息：https://doi.org/10.1016/j.neunet.2020.02.023