在卫星定位、车联网等技术提供的导航信息的护航下，无人驾驶离我们越来越近。但如果有一天，这些外部的信息支撑突然中断了，无人车、机器人能否在未知环境中“自力更生”？

近日，北京师范大学系统科学学院教授斯白露团队建立了一套贝叶斯吸引子网络模型，用于机器人的空间认知。该模型模拟哺乳动物大脑的空间编码细胞的工作原理，实现了无人车、机器人等在未知环境中的自主定位和地图学习，研究证明可以将哺乳动物空间认知的思维方法应用于机器人导航。相关论文已发表于《神经网络》。

三种细胞带来的灵感

机器人导航是人工智能领域的经典问题。20世纪80年代以来，人工智能学家们设计了一系列算法，希望赋予无人车、机器人空间认知能力，让无人车、机器人能在陌生环境中认路，确定自己的方位。

斯白露介绍，一般情况下，面对陌生环境，无人车、机器人需要利用激光雷达等传感器构建周边环境地图。如果无人车、机器人需要进一步完成送快递等任务，就可以根据已经构建的地图规划出一条从起点到终点的路径，然后再沿着规划的轨迹运动，并不断地重新定位、规划运动路线、实时检测避障，以保证顺利到达终点。

但是，这些看似合理的方法的效率远比不上小鼠等哺乳动物的随机应变。

“无人机、机器人导航需要大量昂贵的传感器，行进过程中还需要庞大的计算资源，即便如此依然无法保证能够应付动态环境中的突发事件。但是，小鼠仅靠几粒花生米就可以上蹿下跳，逃过天敌们的围追堵截。”斯白露调侃道。

怎样让无人车、机器人像小鼠一样适应动态环境呢？

过去半个多世纪，脑科学领域的研究人员发现哺乳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。

研究人员先是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”，该细胞可以记忆窝和食物源等重要位置。而后，又在海马体的附近发现了一套负责空间认知的神经回路——内嗅皮层，其中的“栅格细胞”能够整合另一组具有表征运动方向功能的“头朝向细胞”，来编码自己访问过的位置、方向和距离。

小鼠大脑中的栅格细胞、位置细胞和头朝向细胞在动物导航中发挥关键作用，这些神经细胞组成的神经网络可以解决动物导航问题。上述科研成果还获得了2014年诺贝尔生理学或医学奖。

“无人车、机器人导航能否借鉴生物学的方法呢？”这一灵感涌上斯白露的心头。

像脑一样整合导航信息

确定研究方向后，斯白露课题组开始尝试用吸引子网络编码空间信息。这些吸引子网络中的节点通过递归连接相互传递信息。由于递归数量过多，导致网络的每一次更新都需要耗费很长时间，无人车、机器人的实时感知信息处理速度也随之下降。“我们想了很多方法优化神经网络，但都没有效果。”文章第一作者、复旦大学类脑智能科学与技术研究院博士后曾太平告诉《中国科学报》。

研究瓶颈因为一个偶然发现被打破。当时，课题组注意到，伦敦大学学院的Kate Jeffery实验室发现小鼠头朝向细胞能够利用贝叶斯推理的方式，整合导航过程中的多种感知信息。受此启发，斯白露课题组希望利用贝叶斯机制来设计吸引子网络，以编码方向和位置信息。

课题组模拟真实神经细胞的放电状态，以概率的形式表示机器人的位置和方向。曾太平解释说，运动过程中，机器人获得新的感知信息后，可以通过贝叶斯推理整合到导航信息中，而后不断根据新信息的可靠程度来更新、调整位置和方向的表征，形成后验概率，完成自主定位。

“大脑就是这样工作的，我们在算法上模拟了脑神经网络，引入了理解型学习的核心机制——认知地图。”曾太平说，“借鉴和模拟记忆神经环路的计算原理，无人车、机器人可以实现感知和记忆的融合，完成新旧信息的整合，提高人工智能形成抽象概念的能力。”

斯白露认为，这一动态机制能够整合多种感知信息，使无人车、机器人实时构建一套认知地图、计算自身方位和运动的最优概率成为可能，并最终实现在外界定位信息缺失的情况下的自主导航。

类脑智能或成人工智能的另一选择

目前的人工智能研究，以深度学习为主，以计算能力为动力，从大数据中进行学习，完成语音识别、图像理解、文字识别等任务。

在斯白露看来，类脑智能为人工智能研究提供了新的可能。类脑智能就是要根据大脑运行的内在神经机制，来启发新的人工智能算法和系统。“类脑智能是推动人工智能突破现阶段许多瓶颈的可行途径。”斯白露说。

多伦多大学计算机科学系教授杰弗里·辛顿也曾表示，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。

目前，类脑科学的研究主要集中在理论层面，结合实际并落地的应用较少。

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工作很有意义。王佐仁解释说，首先，该研究实现了无人车、机器人领域方位与运动信息的融合，降低了计算复杂度，增强了模型的可解释性。其次，在外界导航信息缺失的情况下，实现了一边精确定位导航，一边自主构建地图。另外，使用单相机就可以实现对角速度与平移速度的测量和实时定位，无需实时定位和全方位地图测绘。

王佐仁认为，高级人工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。

“目前，我们已经掌握了一些知识和方法，但大脑是如何进行高效编码的依然需要继续深入研究。”斯白露表示，接下来，研究人员还需要在理论和算法层面弄清楚大脑是如何将多种感知信息融合处理，并在海马和相关脑区形成抽象表达的，以启迪后续的类脑研究。