在衛星定位、車聯網等技術提供的導航信息的護航下，無人駕駛離我們越來越近。但如果有一天，這些外部的信息支撐突然中斷了，無人車、機器人能否在未知環境中“自力更生”？

近日，北京師范大學系統科學學院教授斯白露團隊建立了一套貝葉斯吸引子網絡模型，用于機器人的空間認知。該模型模擬哺乳動物大腦的空間編碼細胞的工作原理，實現了無人車、機器人等在未知環境中的自主定位和地圖學習，研究證明可以將哺乳動物空間認知的思維方法應用于機器人導航。相關論文已發表于《神經網絡》。

三種細胞帶來的靈感

機器人導航是人工智能領域的經典問題。20世紀80年代以來，人工智能學家們設計了一系列算法，希望賦予無人車、機器人空間認知能力，讓無人車、機器人能在陌生環境中認路，確定自己的方位。

斯白露介紹，一般情況下，面對陌生環境，無人車、機器人需要利用激光雷達等傳感器構建周邊環境地圖。如果無人車、機器人需要進一步完成送快遞等任務，就可以根據已經構建的地圖規劃出一條從起點到終點的路徑，然后再沿著規劃的軌跡運動，并不斷地重新定位、規劃運動路線、實時檢測避障，以保證順利到達終點。

但是，這些看似合理的方法的效率遠比不上小鼠等哺乳動物的隨機應變。

“無人機、機器人導航需要大量昂貴的傳感器，行進過程中還需要龐大的計算資源，即便如此依然無法保證能夠應付動態環境中的突發事件。但是，小鼠僅靠幾粒花生米就可以上躥下跳，逃過天敵們的圍追堵截。”斯白露調侃道。

怎樣讓無人車、機器人像小鼠一樣適應動態環境呢？

過去半個多世紀，腦科學領域的研究人員發現哺乳動物的導航是由多種編碼空間信息的神經細胞協作完成的。

研究人員先是在哺乳動物大腦的海馬體中發現了一組能編碼位置的“位置細胞”，該細胞可以記憶窩和食物源等重要位置。而后，又在海馬體的附近發現了一套負責空間認知的神經回路——內嗅皮層，其中的“柵格細胞”能夠整合另一組具有表征運動方向功能的“頭朝向細胞”，來編碼自己訪問過的位置、方向和距離。

小鼠大腦中的柵格細胞、位置細胞和頭朝向細胞在動物導航中發揮關鍵作用，這些神經細胞組成的神經網絡可以解決動物導航問題。上述科研成果還獲得了2014年諾貝爾生理學或醫學獎。

“無人車、機器人導航能否借鑒生物學的方法呢？”這一靈感涌上斯白露的心頭。

像腦一樣整合導航信息

確定研究方向后，斯白露課題組開始嘗試用吸引子網絡編碼空間信息。這些吸引子網絡中的節點通過遞歸連接相互傳遞信息。由于遞歸數量過多，導致網絡的每一次更新都需要耗費很長時間，無人車、機器人的實時感知信息處理速度也隨之下降。“我們想了很多方法優化神經網絡，但都沒有效果。”文章第一作者、復旦大學類腦智能科學與技術研究院博士后曾太平告訴《中國科學報》。

研究瓶頸因為一個偶然發現被打破。當時，課題組注意到，倫敦大學學院的Kate Jeffery實驗室發現小鼠頭朝向細胞能夠利用貝葉斯推理的方式，整合導航過程中的多種感知信息。受此啟發，斯白露課題組希望利用貝葉斯機制來設計吸引子網絡，以編碼方向和位置信息。

課題組模擬真實神經細胞的放電狀態，以概率的形式表示機器人的位置和方向。曾太平解釋說，運動過程中，機器人獲得新的感知信息后，可以通過貝葉斯推理整合到導航信息中，而后不斷根據新信息的可靠程度來更新、調整位置和方向的表征，形成后驗概率，完成自主定位。

“大腦就是這樣工作的，我們在算法上模擬了腦神經網絡，引入了理解型學習的核心機制——認知地圖。”曾太平說，“借鑒和模擬記憶神經環路的計算原理，無人車、機器人可以實現感知和記憶的融合，完成新舊信息的整合，提高人工智能形成抽象概念的能力。”

斯白露認為，這一動態機制能夠整合多種感知信息，使無人車、機器人實時構建一套認知地圖、計算自身方位和運動的最優概率成為可能，并最終實現在外界定位信息缺失的情況下的自主導航。

類腦智能或成人工智能的另一選擇

目前的人工智能研究，以深度學習為主，以計算能力為動力，從大數據中進行學習，完成語音識別、圖像理解、文字識別等任務。

在斯白露看來，類腦智能為人工智能研究提供了新的可能。類腦智能就是要根據大腦運行的內在神經機制，來啟發新的人工智能算法和系統。“類腦智能是推動人工智能突破現階段許多瓶頸的可行途徑。”斯白露說。

多倫多大學計算機科學系教授杰弗里·辛頓也曾表示，要解決人工智能的問題，需要在計算機科學和生物學之間架設橋梁。

目前，類腦科學的研究主要集中在理論層面，結合實際并落地的應用較少。

中國科學院腦科學與智能技術卓越創新中心副主任王佐仁認為這項工作很有意義。王佐仁解釋說，首先，該研究實現了無人車、機器人領域方位與運動信息的融合，降低了計算復雜度，增強了模型的可解釋性。其次，在外界導航信息缺失的情況下，實現了一邊精確定位導航，一邊自主構建地圖。另外，使用單相機就可以實現對角速度與平移速度的測量和實時定位，無需實時定位和全方位地圖測繪。

王佐仁認為，高級人工智能的典型特征是能夠把感知到的信息抽象成概念，并組織成結構化的認知地圖，實現理解型學習、抽象思維和推理。認知地圖是邏輯推理、想象和創造的基礎，也是類腦智能達到通用智能必須具備的能力。

“目前，我們已經掌握了一些知識和方法，但大腦是如何進行高效編碼的依然需要繼續深入研究。”斯白露表示，接下來，研究人員還需要在理論和算法層面弄清楚大腦是如何將多種感知信息融合處理，并在海馬和相關腦區形成抽象表達的，以啟迪后續的類腦研究。