序言:第一届CCF中国智能汽车学术年会(CIVS 2023)论文专刊

人工智能与新能源汽车的交叉融合为现代汽车工业和交通体系带来了深刻的变革,这种协同进化的发展趋势不仅推动了智能汽车产业的快速崛起,也在技术层面提出了全新的挑战。如何解决智能系统面向复杂场景的计算能力、实时性、可靠性、能耗、成本等关键问题,是未来智能汽车领域研究和产业应用的重要方向。

纳皮尔对数的数学证明及精度分析

对数函数在自动驾驶系统中有着广泛应用,如自动驾驶感知系统所使用的深度学习或卷积神经网络常会利用对数函数来设计损失函数,故研究对数发明的历史对掌握对数的概念和应用具有重要意义。该文阐述了纳皮尔对数的定义及其3张表,分析了前人的两类证明方法,提出了新的基于指数函数构造的证明方法。同时,该文还分析了纳皮尔的计算方法,与对照方法相比,给出了纳皮尔对精度范围的优化结果,通过MPRF库进行了计算,结果表明纳皮尔的方法的计算结果更接近真实值。

基于感兴趣区域的图像检索方法

为了弥补全局特征在描述图像内容上的不足,近年来许多研究者提出了基于区域的图像表示和检索方法。本文提出了一种基于感兴趣区域的图像检索方法,根据认知心理学中选取注视焦点的模型来提取感兴趣区域,利用感兴趣区域的视觉特征和位置关系进行图像检索。该方法既利用了区域的局部特征,又考虑了区域在重要程度上的差别。在60000幅通用图像库上的实验结果表明,这种方法的检索效率要好于现有的基于区域的方法,而且对查询图像的噪声等扰动具有鲁棒性。

生物导航机制启发的智能驾驶路径规划技术综述

随着人工智能技术的快速发展,智能驾驶系统备受瞩目。目前,智能驾驶技术已成为人工智能领域的热门研究方向之一,呈现出广泛而深远的前景。然而,现有的智能驾驶系统仍存在一些局限,例如路径规划技术需要大量计算资源,对大规模和动态环境的适应能力有限。随着神经科学的进步,生物导航和空间认知机制逐步被揭示。本文从生物导航的角度出发,综述了哺乳动物大脑的空间认知机制,并介绍了几种受空间认知启发的类脑导航算法。我们期望这些研究可以激发智能驾驶路径规划技术的创新,实现更智能更安全的路径规划,甚至能够选择未曾探索的捷径,从而实现灵活的导航。

深度学习的睡眠脑电特征波检测

回顾了深度学习(deep learning,DL)技术在睡眠脑电检测上的应用.以睡眠脑电过程中的纺锤波检测问题为例,探讨了睡眠脑电检测的各类方法,以及相较于传统信号处理算法,DL算法在睡眠脑电纺锤波检测问题上具有精度较高、对数据适应性更强的特点.针对进一步提高网络检测性能与硬件适用性需求,提出特征融合与脉冲神经2种改进型网络,并获得较高的检测性能,进一步阐释了DL技术在睡眠脑电特征波检测方面的应用潜力.

空间记忆与类脑导航研究进展

脑认知神经环路的连接图谱、编码模式、动力学过程、学习规则等信息处理机制,为构建人工智能系统提供了结构、算法和功能上的依据,从而为人工智能算法的发展提供系统化的理论框架。借鉴脑的信息处理的基本原则,开发脑启发算法、研制类脑智能系统,成为人工智能研究的重要方法和途径,在世界范围内逐步成为一个新兴的研究方向。脑科学对记忆神经环路的研究,初步揭示了动物在环境中导航的神经基础,为研究机器人的空间认知和智能导航系统提供了参考范例。本文对大脑内在的空间定位系统和类脑导航这一学科交叉领域做简要综述,通过回顾和展望,探讨发展基于理解型学习、具有可解释性和安全性的人工智能系统的可行性。

基于海马体位置细胞的空间定位神经网络模型

哺乳动物中海马体的位置细胞是一类编码动物自身在环境中的空间位置的神经细胞。为实现智能自主定位,提出了一种基于海马体位置细胞的空间定位神经网络模型。模型中,位置细胞接收感觉细胞的输入,也通过位置细胞间的回馈连接接收其它位置细胞的回馈输入。当连接强度足够强时位置细胞网络能够形成对空间位置的多分辨率的集群编码,并能够保持记忆的稳定性,这种记忆不依赖于外界感知信息的输入。仿真结果表明,基于海马体位置细胞的空间定位神经网络模型能很好地模拟位置细胞的放电特性,完成空间定位任务。

基于哺乳动物空间认知机制的机器人导航综述

哺乳动物大脑的海马结构和内嗅皮层是产生空间认知的关键脑区,使动物具有在陌生环境中自主导航的能力。随着对自主智能导航系统的需求日益增长,发展受脑启发的机器人导航技术迫在眉睫。本文综述了哺乳动物空间认知的神经生理学机制,并在此基础上介绍了空间认知的计算模型及其在类脑机器人导航系统中的应用,最后讨论了类脑导航技术当前面临的问题及相关热点研究方向。

自由探索行为中海马—前额叶神经网络振荡特征

生物体探索未知环境的轨迹呈现出规律性,这反映了个体的探索模式和适应策略.然而,探索过程的轨迹动态变化特征以及神经机制尚不清楚.本研究利用探索大范围旷场环境的行为范式,开发了用于度量探索行为轨迹的计算方法,并且记录了小鼠大脑的场电位信号.开发的累积熵和短时熵方法可以分别表征累积探索行为和短时探索行为.局部场电位分析表明背侧海马的theta频段的功率与短时熵高度相关.机器学习的分析结果表明,利用背侧海马体和前额叶皮层的神经振荡可以准确地预测多种探索行为.探索行为出现时,前额叶和背侧海马体theta频段的功率分别上升和下降.因此,在探索未知区域时背侧海马体和前额叶可以通过协同调节theta频段的神经活动来影响自由探索行为.