研究概要：
传统的人工势场（Artificial Potential Field, APF）算法因其简单高效而广泛应用于无人驾驶、机器人路径规划等领域。然而，该方法在复杂环境下存在目标不可达、局部最小点陷阱等问题。该研究聚焦于自动导航系统中的路径规划核心问题，提出了一种神经科学启发的改进算法——神经感受野法（Neuro-Receptive Field, NRF），通过引入类脑的分布式编码机制，在力场建模中引入神经感受野的概念，重构吸引与排斥力的计算模型。其创新之处在于：利用分布式神经元群体编码方向信息，替代传统单矢量计算方式，实现对吸引力与排斥力的尺度自适应调节，并通过von Mises分布构造感受野宽度，有效缓解了环境尺度变化对路径规划性能的影响。
实验在静态与动态场景中对比了NRF与A*、Dijkstra、RRT、APF等多种主流算法的性能，结果表明：NRF作为全局和局部路径规划算法，在不同尺度环境下的规划表现鲁棒性均优于现有方法（平均变异系数CV仅为0.007）。该研究不仅从神经表征理论层面为路径规划提供了新范式，更在智能系统工程落地层面展现出广阔的应用前景，可服务于自主车辆导航、机器人作业控制、智能城市交通管理等关键场景。
APF和NRF方法对比
分布式神经元群体编码（方向刺激=90°）
人工势场法示意图及两种局限性
核心PI
斯白露 |
北京师范大学
|
4、神经信号处理
1、2014-2015，中国科学院智能信息处理实验室开放课题 深度强化学习 ；
2、2008--2011，欧盟第七框架计划项目, 空间脑；
3、2009--2011，挪威高性能计算NOTUR项目, 内嗅皮层网格细胞的计算模型；
4、2002--2004，德国科学基金会项目, 动态环境中移动机器人的协作；
文章信息：
上述研究成果发表于国际权威期刊《IEEE Transactions on Cognitive and Developmental Systems》。中国科学院沈阳自动化研究所宋非博士为文章第一作者，北京师范大学系统科学学院邵宇秀助理研究员与斯白露教授为论文共同通讯作者。该研究工作得到了2030 Major Program of China (Grant No. 2022ZD0205005)、the Fundamental Research Funds for the Central Universities (Grant No. 2233100030) 和 the IBRO Early Career Awards的支持。
论文发表：
点击文末“阅读原文”可查看相关原文。