ارائه یک مدل فازی نقشه شناختی ربات متحرک با الهام از سلول های جهت سر و مکانی با رویکرد کاهش ابعاد

در این مقاله یک مدل جدید برای نقشه ربات متحرک ارائه شده است. در این مدل از عملکرد سلولهای جهت سر در قشر postsubiculum الهام گرفته شده است. این مدل بر اساس اطلاعات بینایی ربات بنا نهاده شده است از اینرو ورودی مدل پیشنهادی تصویری است که ربات از محیط دریافت می کند. در مدل پیشنهادی لایه V1 از قشر بینایی مغز، با استفاده از فیلتر گابور با توجه به اینکه بافت تصاویر را به عنوان خروجی می دهد، مدل شده است. هیستوگرام فیلتر گابور تصاویربه عنوان ویژگی های تصاویر مورد استفاده قرار می گیرند. از اینرو مدل می تواند در محیطهای واقعی که حتی رنگهای محیط مشابه هستند به خوبی به کار گرفته شود. ابعاد داده های خروجی این لایه با استفاده از روش های کاهش بعد بدون ناظر، کاهش داده می شود. این مدل اولین مدلی است که با رویکرد کاهش بعد ارائه شده است. یکی از مشکلات مهم داده ها با ابعاد بالا، نفرین ابعادی است؛ لذا با استفاده از کاهش ابعاد، علاوه بر اینکه از حجم ذخیره سازی داده ها کاسته شود، بر این مشکل نیز فائق می آییم. از روش های کاهش ابعاد پایه مانند Kernel-PCA، PCA، ISOMAP و MDS و برای کاهش ابعاد استفاده می شود. یکی دیگر از نوآوری های مدل، استفاده از مدل فازی خوشه بندی است. این مدل موجب می شود تا با استفاده از تعداد محدودی سلول جهت سر بتوانیم در مرحله غیرفازی سازی به درونیابی در یافتن جهت واقعی سر ربات بپردازیم. در مدلهای پیشین مانند مدل توکوناگا و میلفرد با این محدودیت مواجه هستیم که فقط میتوان به تعداد سلولهای جهت سر، زاویه به عنوان خروجی تولید شود، اما در مدل پیشنهادی این مساله حل شده است. همچنین خروجی عملکرد این مدل برای سلولهای جهت سر مشابه با خروجی واقعی سلولهای جهت سر است که از آزمایشهای تجربی روی مغز بدست آمده است. در نتایج پیاده سازی مدل پیشنهادی ارزیابی و با روش های دیگر مقایسه شده است که در بیشتر موارد به نتایج با دقت بالاتری دست یافته ایم.