具体实施方式

下面将结合实施例，对本申请的技术方案进行描述。另外，为了更好的说明本发明，在下文中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述，以便于凸显本发明的主旨。

实施例：

一种基于仿人记忆机制的机器人概率地图更新方法，包括以下步骤：

针对目标物建立记忆和遗忘模型，将目标物在任意位置的概率赋予记忆属性和遗忘属性，以记忆量和遗忘速率组成遗忘曲线表示目标物在该位置的概率变化曲线；当目标物被重复识别时，触发重复识别量化机制，将每一个已发现过该目标物的位置对应的剩余记忆量和新增记忆量叠加得到对应位置的阶段起始记忆量，并赋予阶段遗忘速率，其中每个位置的新增记忆量根据历史统计数据中目标物出现次数占比得出；任意时刻下目标物在每个位置的概率，为该位置记忆量占所有位置记忆量的比重。

如图1所示是重复识别过程中遗忘曲线的示意图，表示了目标物在单个位置几个时间段内的记忆量的变化，其中具体计算方式见下文。

本实施例的遗忘曲线的表达式为：

p_(x,y)＝p₀e^-kt,t∈(0,∞)；

其中p(x,y)表示在对特定事物的记忆量；p₀表示初始记忆量；k表示遗忘速率，t表示时间。该表达式是基于艾宾浩斯遗忘曲线，采用负指数函数拟合后得到。表示记忆量会随着时间流逝而减少，曲线整体从陡峭逐渐平缓。

阶段起始记忆量的计算方式为：

其中d_n是本阶段的新增记忆量，k_n是阶段遗忘速率，图1中剩余记忆量用r_n代替，下角标的数字、n或n-1表示对应阶段序号。由于目标物存在重复识别的情况，因此记忆量将进行同步的更新以适应动态的外部环境，另外，当一个位置发现目标物时，其余位置的记忆量也同步更新，区别在于新增记忆量的值不同。

目标物在每个位置的新增记忆量d_n，计算方式为i/j，其中i为直至该阶段为止该位置发现目标物的次数，j为直至该阶段为止所有位置发现目标物的次数总和。该计算式在每次重复识别时对所有位置同时启用，其不同位置的结果将出现不同，以此表示各自概率的变化。

本实施例的遗忘速率的计算方式为：

其中b是遗忘调整系数；Δt_n是相邻两次识别的间隔时间；k_n是阶段遗忘速率。由于重复识别的时间间隔不同，因此遗忘速率应当是不同的，在此给出了一个合理的计算式，以最大程度帮助曲线体现出有价值的概率信息。

本实施例的遗忘调整系数b的取值为2。当遗忘调整系数b的取值越大时，前后阶段之间遗忘速率的差距将越小，经过反复验证后，取值为2左右时最能反应出真实情况，因此以2为优选数值。

本实施例还包括加速遗忘机制，加速遗忘机制用于在预设时长内任意位置均没有再次识别到目标物时触发，包括以下步骤：对已发现过目标物的位置对应的遗忘曲线的遗忘速率进行调整，加速遗忘速率其中k_n是改动前的遗忘速率，m是加速系数，取值范围为0<m<1。由于在特殊情形中，存在长时间不能发现目标物的情况，因此原本曲线的衰减程度实际上已经不能客观反应事实，所以引入了加速遗忘机制，以帮助后续可能存在的记忆重建或是目标物已经不在地图范围的情况。

本实施例参考了人类记忆模型，由于记忆量和概率都将随着时间流逝而减少，并且在概率地图中概率的衰减也符合上述框架，因此，本实施例将概率的变化赋予了新的属性，以记忆量代替概率进行计算，最终通过记忆量之间的比重表示概率；提高了长航时动态环境下地图更新的自适应性，从而为机器人提供相对准确的概率信息。机器人在进行其他工作任务时，每次发现目标物，都会造成记忆量的更新，产生新的概率信息。新的记忆量与上阶段剩余概率的叠加共同构成了本阶段初始值。所有坐标点的概率归一化就是全局概率信息。

本实施例的实质性效果包括：弥补了概率地图传统更新方式的不足，赋予人类记忆遗忘模型，提高长航时动态环境下地图更新的自适应性，从而为机器人提供相对准确的概率信息。

在本申请所提供的实施例采用软件功能单元的形式实现，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。