一种受神经科学启发的视觉SLAM方法，在复杂且动态的环境中使用AKAZE特征提取技术

《Cognitive Neurodynamics》：A neuro-inspired visual SLAM approach using AKAZE feature extraction in complex and dynamic environments

基于生物启发的AKAZE-RatSLAM算法通过整合多尺度非线性特征提取技术，显著提升了复杂环境下的SLAM性能并优化了计算资源，其神经生物学验证表明与海马体细胞机制具有一致性。

　　

摘要

啮齿动物大脑中的位置细胞和头部方向细胞能够编码空间位置和方向信息，为导航和认知地图的构建提供了神经基础。受这些机制的启发，RatSLAM模拟了它们的功能以实现基于生物原理的视觉SLAM（Visual SLAM）。然而，传统的RatSLAM在视觉复杂或动态环境中难以进行稳健的特征提取，因为这些环境中的特征可能不稳定或不明显。为了解决这个问题，我们将AKAZE算法集成到了RatSLAM框架中。AKAZE结合了加速技术和非线性扩散滤波方法，构建了一个多尺度的非线性尺度空间，从而能够高效地提取出在不同空间尺度上都具有鲁棒性和尺度不变性的特征。这些特征被应用于RatSLAM的局部视图模块中，以改进环路闭合检测并减少里程计漂移。传统的评估方法依赖于实时的姿态轨迹，无法基于完全优化的经验地图来评估轨迹，导致映射性能评估不准确。因此，我们提出了一种基于射线的地图度量误差评估方法，可以直接比较RatSLAM生成的最终经验地图。在KITTI数据集上的实验表明，与ORB-RatSLAM和ORB-SLAM3相比，所提出的AKAZE-RatSLAM在保持轻量级计算性能的同时，实现了更高的环路闭合召回率和映射精度。具体来说，CPU和内存使用量的测量结果显示，AKAZE-RatSLAM所需的计算资源显著少于ORB-SLAM3，这证明了其在资源有限的机器人平台上的实时部署适用性。此外，受神经科学启发的分析表明，该姿态细胞网络表现出与啮齿动物海马体中的位置细胞和头部方向细胞类似的空间局部化和方向选择性激活模式。具体而言，同一行上的细胞编码相邻的空间区域，形成连续的位置场样激活；而同一列中的细胞则显示出不同的偏好方向，表明存在方向选择性。这些生物学特征不仅提升了映射性能和效率，还保持了空间表示的神经生物学合理性，推动了基于大脑原理的视觉SLAM系统的发展。