EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 1: 25 - 34

DOI: https://doi.org/10.12082/dqxxkx.2024.220837

新时代地图的机遇与挑战

机器地图及其概念模型

  • 游雄 ,
  • 贾奋励 , * ,
  • 田江鹏 ,
  • 杨剑 ,
  • 李科
展开
  • 战略支援部队信息工程大学 地理空间信息学院，郑州 450001
* 贾奋励（1976— ），女，博士，副教授，主要从事空间认知与机器地图、全息地图与虚拟地理环境研究。 E-mail:

游 雄（1962— ），男，博士生导师，教授，主要从事地图学、作战环境学研究。 E-mail:

Copy editor: 蒋树芳

收稿日期: 2022-10-27

  修回日期: 2023-01-08

  网络出版日期: 2024-03-26

基金资助

国家自然科学基金项目(42130112)

国家自然科学基金项目(42271464)

收起

The Machine Map and its Conceptual Model

  • YOU Xiong ,
  • JIA Fenli , * ,
  • TIAN Jiangpeng ,
  • YANG Jian ,
  • LI Ke
Expand
  • School of Geospatial Information, SSF Information Engineering University, Zhengzhou 450001, China
* JIA Fenli, E-mail:

Received date: 2022-10-27

  Revised date: 2023-01-08

  Online published: 2024-03-26

Supported by

National Natural Science Foundation of China(42130112)

National Natural Science Foundation of China(42271464)

Fold

摘要

无人平台对复杂环境的自主认知能力是制约其广泛应用的关键问题，已成为当前地图学、人工智能、机器人等领域的研究热点。本文基于地图学的视角，交叉融合人工智能、机器人和认知科学的相关研究思路与成果，借鉴心象地图的作用功能，提出适用于无人平台认知环境的新型地图——机器地图，并对其特征进行了分析。类比心象地图的构建与运用机制，结合人工认知系统的设计决策点和核心认知能力，给出了机器地图概念模型的设计原则，提出“两环三图”的概念模型。该模型说明了机器地图与无人平台的内在联系，并勾勒出机器地图的功能部件与运行逻辑，为开展机器地图研究提供顶层框架和理论指导；类比心象地图的结构组成，提出了包含感知地图、工作地图和长时地图的机器地图逻辑构成，并分析了3类地图的内容与转化关系。在结论部分指出了机器地图的双向促进研究路线。机器地图的研究，能够提升无人自主平台对于复杂环境的认知和学习能力，也为智能时代地图学的发展探索新路径，具有十分重要的意义。

关键词： 机器地图; 无人自主平台; 心象地图; 持续自主学习; “测制用”一体; 概念模型; 逻辑构成

本文引用格式

游雄 , 贾奋励 , 田江鹏 , 杨剑 , 李科 . 机器地图及其概念模型[J]. 地球信息科学学报, 2024 , 26(1) : 25 -34 . DOI: 10.12082/dqxxkx.2024.220837

Abstract

The autonomous cognition ability of unmanned platforms in complex environments is a key issue that restricts their real-world applications and has become a research hotspot in cartography, artificial intelligence, and robotics. Although the research on environment modeling and learning for unmanned platforms has achieved substantial progress, these platforms still face problems maintaining robustness, adaptability, and continuous learning when leaving well-trained environments for real-world environments. Motivated by cartographic research, this paper reviews the research work from artificial intelligence, robotics, and cognitive science and proposes a novel environment cognition model of unmanned platforms, the machine map. We first rationalize the similarity between the machine map and the mental map with a brief review of the mental map for human spatial cognition and then summarizes the machine map's characteristics. Having reviewed the research findings on the cognitive mechanism of mental maps, we propose the conceptual model of the machine map that features an architecture of "two cycles and three composition maps." The architecture follows design principles drawn from the research on the core cognitive capabilities of artificial cognitive systems. As for the two cycles, the outer cycle demonstrates the machine map's function in an autonomous unmanned platform, while the inner cycle illustrates the key components and the operation logic among them. Motivated by the structure theory of a mental map, the machine map is modeled as a multi-store memory system that consists of a perception map, a working map, and a long-term map. The overall information processing procedure among these three composition maps is discussed to finalize the model design. The conceptual development of machine maps benefits from studying the mental map in cognitive research and the technical innovations in autonomous driving and robotics fields, such as High-Definition maps, SLAM, and BEV. The proposed conceptual model can serve as a top-level research framework and a route map for further research on machine maps. In the end, the paper suggests that the research of machine maps needs a two-way methodology. On the top level, the deductive reasoning of the conceptual model can promote the understanding of the connotation and architecture of machine maps. While on the bottom level, the continuous development of machine learning and artificial intelligence technology can mitigate the restrictions on the environmental cognitive ability of unmanned platforms, resulting in a continuous improvement of the technical framework of machine maps. The research on the machine map can improve the cognitive capabilities of autonomous unmanned platforms in complex environments and illuminate a new path for the development of cartography in the intelligent era. We hope this paper can raise interest in machine maps among the cartographic community and thus promote the development of this emerging field.

Key words： machine map; unmanned autonomous platform; mental map; continuous autonomous learning; integrated sensing; mapping and decision-making capacities; conceptual model; logical composition

1 引言

随着人工智能、5G、物联网等技术的发展，机器人与人共融共生态势已悄然显现。无人自主平台（简称无人平台）作为一类典型的机器人系统，已广泛应用于无人作战、应急搜救、自动驾驶、导游服务等领域。例如自动驾驶汽车已经开始进入开放环境路测[1]，搭载传感器的无人机可在野外环境中自由穿行[2]，无人水面舰艇也为远海科考实验、反潜侦察提供了新手段[3]。美军从实战应用的角度，归纳出无人平台需要具备的5个共性自主能力，即思维、关注、移动、沟通和作业，以及制约其自主能力生成的5个技术瓶颈，包括：环境模型简单、感知对象与任务无关联、自主操控能力弱、任务理解和角色共享不够、知识学习能力不足等[4]。这五项技术瓶颈中前两项与环境建模有关，后三项与环境学习有关。可见，提高对复杂环境的自主认知能力，已成为推动无人平台发展的核心关键。
当前，机器人与计算机视觉领域对无人平台的环境建模与学习开展了十分有效的研究。Rosinol等[5-6]提出了3D动态场景图，在多源传感器实时感知数据基础上，将地理实体、位置、结构及其关系进行建模形成环境语义模型。Zheng等[7]学者设计了一个端到端的概率深度网络用于对复杂环境进行建模。该网络是包含多个抽象层次和空间尺度的统一深度学习网络，可对大规模地理环境建立拓扑视觉语义模型。近年来，许多无人驾驶厂商和学者高度关注从顶视方向构建无人平台环境模型，提出了BEV（Bird's Eye View）模型。例如，美国无人驾驶厂商特斯拉公司利用BEV模型将多通道侧视方向的深度视觉特征投影转换到顶视方向，形成统一的顶视环境特征模型[8]。但随着无人平台从简单环境走向复杂现实环境，现有以深度学习为代表的研究普遍面临着鲁棒性、适应性以及学习持续性等方面的问题。
测绘地理信息领域在自动驾驶环境模型方面也进行了持续研究，其典型成果是高精地图[9⇓⇓-12]。 刘经南等[11]在经典的柯拉斯尼地图信息传输模型六元组基础上，提出了用七元组表示智能高精地图信息传输模型，并引入用户认知特征及需求构建智能高精地图模型。詹骄等[13]围绕自动驾驶地图的数据标准，从数据结构、数据模型、地图表示、协同应用等方面进行了对比分析，对自动驾驶地图标准编制提出了原则建议。然而高精地图主要面向城市行车道路环境进行设计，且其测图、制图、用图主体并非一体，技术架构难以支撑对复杂环境的自主认知与运用。
从人类的空间认知机理看，人类具备建立复杂环境心象地图的先天能力，并运用该地图完成导航、规划、距离方位判断等各种空间任务。心象地图的图形记录主导了人类最早的地图绘制，促成了实用地图的产生，形成了大脑内外虚实结合的两套互补的地图系统[14]，为人类认知环境、应用环境提供了有力支撑。实用地图具有严密的环境建模基础，心象地图具有强大的实况认知功能，能否将这两套地图系统在机器人“大脑”中实现有机融合，以提高机器人对复杂环境的建模与学习能力?为此，本文提出“机器地图（Machine Map）”新概念：一种适用于无人平台认知理解环境信息、建立环境认知模型、进行空间推理决策的新型地图。借鉴心象地图形成机理以及地图学、人工智能、机器人等相关学科领域研究成果，提出机器地图的概念模型，为开展机器地图研究提供顶层框架和理论指导。

2 心象地图的启发

机器人与人工智能等学科，本身受生物行为、大脑工作机理等启发逐步发展而来，近年来又重新强调生物启发，是因为这对未来正确发展有很好的启迪作用[15]。心象地图被认为是人类对环境的心理表征[16]，能够支持路线规划、变更等各种空间行为[17-18]。近年来神经科学研究证实了“心象地图”的存在[19⇓⇓-22]。本文认为，机器地图与心象地图可视为不同主体空间认知的结果和工具，综合分析心象地图的研究成果，可为机器地图研究提供参考。
心象地图本质上是人类应对复杂生存环境而形成的生理机制，是大脑、身体和环境之间相互作用的结果[23]，具有具身认知[24]和持续学习的特点。心象地图的构建与运用过程可以用“感知-行动环”来概括（图1）。心象地图的构建起始于人对环境的感知，并作用于人的行动，而人的行动及新的感知信息又可以修正心象地图，从而再次作用于行动，形成一个连续不断的过程。在此过程中嵌和着一个不断融合感知信息，进行诸如自我中心参考系和全局中心参考系之间的转换、视域外物体的距离与方向计算等复杂信息加工，形成多层次、多类型环境表征并指引空间行为的循环过程。近年来神经科学研究部分说明了人脑内部对心象地图的加工机制。人类大脑中存在着的位置细胞[19]、边界细胞[20-21]、网格细胞[22]，奠定了人类识别自身位置、建立环境参考框架的基本模式。内嗅皮层、海马体和相关脑区形成的复杂记忆神经环路是空间导航、推理、决策等认知智能的核心物质基础[25-26]，用来处理、整合感知和运动等多源信息。
图1 心象地图的构建与运用过程[27]

Fig. 1 Construction and application process of mental map

记忆系统是探索心象地图结构组成的关键。通常认为，人类的记忆系统由感觉记忆、短时记忆和长时记忆组成[26,28]（图2）。为了解释人在进行高级认知活动时所需的暂时信息加工与存储机制，有学者提出工作记忆[29]的概念，以扩展原有的记忆三级模型。感觉记忆也称为瞬时记忆，是在感觉刺激简短呈现后，以快速衰减的刺激形式短暂保留感官痕迹的短期记忆，持续时间在几百毫秒量级，可被重新编码为工作记忆和长时记忆[30]。工作记忆对感觉记忆中的各种信息进行加工处理，形成既满足各种任务需求，也适宜长时记忆的各种信息形式。在工作记忆中，存在多个单独存储不同形式信息的缓冲器，即语音回路、视觉空间模板和情境缓冲器[31]。情境缓冲器存储了事件发生的时间、地点、事件、任务等要素，服务于后期有意识的回忆[32]。空间工作记忆可以支持追踪周围的少量事物和在新环境中导航。但在熟悉的环境中，利用长时记忆中被统称为基于习惯的记忆系统、采用简单的联想奖励学习机制进行导航更有效[32]。长时记忆可以编码大尺度空间，将局部区分为一些有意义的块、将持续的经验流分割为时空情境记忆，并使用拐点、决策点等将局部记忆与全局记忆进行关联[32]。长时记忆中也包含环境结构的知识框架，即图式。图式超越了直接经验，可以支持推理和泛化，允许人们预测不同场景中应采取的行动[33]。
图2 记忆信息三级加工模型[34-35]

Fig. 2 Structural features of the memory system[34-35]

上述有关心象地图的研究及推论，对机器地图的构建具有重要启发。借鉴心象地图的具身性来思考机器地图，需要从环境、无人平台及二者间的交互出发，综合考虑环境与任务的类型和复杂性，设计更为合理的架构。心象地图所具有的分布计算、灵活转换的特点提示我们机器地图应具有多种形式，其构建过程可以分解为一组存储与计算单元及其信息流转过程。机器地图还应借鉴注意力机制，以提高无人平台环境认知的效率与效果。

3 机器地图的概念模型

3.1 机器地图的特征

机器地图可视为无人平台的“空间认知脑”，在数学基础、表达模型和信息综合方面与实用地图具有类似特征，除此之外还具有以下独特性：
（1）认知主体：无人平台。一种能够通过传感器感知环境和自身状态，实现在开放环境中面向目标的自主运动，从而完成特定任务功能的机器人系统。
（2）建图逻辑：测制用一体。强调由无人平台自主完成测图、制图、用图，将建图逻辑贯穿测、制、用图全过程。
（3）更新方式：持续自主学习。具有持续自主学习的机制，可持续进行行为模式、建图内容与方式、更新时机等方面的学习，进而改变自身的结构和行为方式。
（4）功能作用：空间操作指引。可指引无人平台完成相关空间操作，如导航、空间决策、推理计算等。在引导空间行为时，处于更新与指引同步状态中。
（5）组织结构：动态非均衡性。机器地图的时敏性、比例尺、精度、内容丰富度等方面会根据距离、任务关注点、相关性等进行动态调整，呈现出非均衡的特点。

3.2 机器地图概念模型设计原则

借鉴心象地图的认知机理设计机器地图概念模型，需运用人工认知系统建模方法，其技术实现途径有2种：① 构建某种形式的计算系统（A Computational System）；② 构建生物启发系统（A bio-inspired system），通常2种技术途径会融合在一起。David Vernon认为建模认知系统需要在以下4点做出决策：① 计算系统和生物启发之间的平衡；② 生物模型的抽象水平；③ 大脑、身体和环境的相互依赖关系；④ 系统所能完成的行为和采用机制之间的关系[27]。本文从上述4个要点来分析机器地图的基本定位及概念模型设计原则（表1）。
表1 机器地图的基本定位与概念模型设计原则

Tab. 1 Self-identify and conceptual model design principles of machine maps

编号 要点 机器地图的目标与定位 设计原则 说明 参考文献
1 计算系统和生物启发之间的平衡 采用生物启发与计算系统相结合的技术途径 机器地图受心象地图启发而提出，且得益于机器人、人工智能、地图学的交叉融合 -
2 生物模型的抽象水平 借鉴大脑所具有的存储及计算功能以及不同脑区共同完成空间认知的宏观组织模式，设计机器地图的基本构成（左图中红色边框四角星所示） 空间认知本身涉及大脑的多个脑区与神经系统，且其机制尚未完全探明。因此借鉴心象地图的认知机理，核心在于宏观结构与功能借鉴 [27]
3 大脑、身体和环境的相互依赖关系 机器地图中，无人平台所处的环境、所要完成的任务以及平台自身的特性构建了影响其行为的全局情境（左图中红色边框圆形所包围的内容），并需要依据全局情境推理计算可实施的行为及实现方式 具身认知理论认为一个系统的物理形态和运动能力对其理解世界的方式有直接影响。并且认为“身体”和环境在认知过程中起着构成而不是支持作用。因此无人平台能否自主完成空间认知任务，并不单一取决于无人平台的核心计算能力，而与无人平台的情境密切相关 [36]
4 系统行为和采用机制之间的关系 机器地图的构建以无人平台环境认知行为的实现为主要目标，同时兼顾机理的探索与解释（左图中红色矩形所示） 机器地图研究试图改变目前单纯通过传感器特征认知环境的模式，探索环境信息表征和持续自主学习方法，推动稳健、动态与可信的机器环境认知系统的构建，促进其在相关领域的深度应用。同时探索无人平台实现环境认知的机理，以期为人的空间认知机理提供参考与借鉴 [27]

3.3 “两环三图”概念模型

根据上述设计原则，本文基于人工认知系统的 7种核心认知能力：感知、注意力机制、行为选择、学习、记忆、推理和元认知[37]，提出“两环三图”的概念模型，从更为抽象的角度说明机器地图的基本架构、构成模式与信息加工过程等。
如图3所示，无人平台在不同环境中自主完成各类任务，可以看成是由“感知-推理-注意力学习-行为生成-行为执行”组成的迭代环，构成模型的外环。而机器地图可以看作是无人平台的“空间认知脑”，主要包括存储单元与核心计算单元，各单元间具有多种信息传输过程，构成模型的内环。外环感知的环境信息成为内环处理的主要信息。内环的核心计算单元与外环的主要计算单元相对应，并实现与外环的交互。内外环交互是机器地图持续自主学习能力聚集与释放的关键，也是无人平台产生智慧的重要环节。
图3 机器地图的“两环三图”概念模型

Fig. 3 Conceptual model of the machine map that features an architecture of "two cycles and three composition maps"

在内环中，根据时间敏感度、空间尺度以及内容抽象度的差异，划分为三类地图，即感知地图、工作地图和长时地图。三类地图的构建与运用由空间推理单元、空间注意力学习与编码单元、空间行为生成单元以及生成器负责。空间推理单元可视为运行逻辑中枢，主要负责用图需求理解、建图任务生成、地图建图评价、任务决策辅助等计算。空间注意力学习与编码单元则负责依据工作地图和长时地图中的信息以及空间推理单元得出的任务要求，计算出重点关注的对象、关系、模式等。空间行为生成单元则在空间推理单元、空间注意力学习与编码单元和工作地图的支撑下完成空间行为的生成，并将行为序列提交给无人平台的行为生成单元，进行各种行为执行过程的统一编码。生成器主要负责三类地图的构建。受空间推理单元驱动，感知地图生成器将处理无人平台获取的各类信息（包括视觉、符号等），同时感知地图生成器也受注意力学习与编码单元的影响，有针对性的进行特征提取、语义分割、对象构建等计算，形成感知地图；在空间推理单元的驱动下，工作地图生成器以感知地图、长时地图和空间推理单元的任务约束为输入构建工作地图，同时工作地图则反过来影响注意力学习与编码单元；空间推理单元也会根据任务需求，适时驱动长时地图生成器构建长时地图，而长时地图的信息来源则包括工作地图和感知地图，避免细节信息的丢失。长时地图中的内容也会在空间推理单元的引导下影响注意力学习与编码单元的计算。内环的信息流转与加工过程，既包含传统测绘领域中所说的测图、制图、用图过程，又模糊了各个环节间的界限，形成了一种新的地图制图模式。
上述“两环三图”的概念模型，体现出无人平台环境认知的核心能力：传感器对应于感知能力；空间注意力学习与编码单元及其与其他模块间的信息传递体现出注意力机制；空间推理单元和空间行为生成单元共同完成行为选择；在内环中，3类地图的构建以及空间推理单元和空间注意力学习与编码单元体现了学习能力，而内外环的交互则体现出持续自主学习的能力；3类地图本身体现出记忆能力；空间推理单元体现出推理能力；机器地图可以从自身记忆的内容中进行学习，体现了元认知的能力。

3.4 基于记忆模型的机器地图逻辑构成

前文已述，感知地图、工作地图和长时地图在时间敏感度、空间尺度以及内容抽象度上存在差异性。下面进一步阐述机器地图的逻辑构成设计（图4）。
图4 机器地图的逻辑构成

Fig. 4 Logical composition of machine maps

感知地图以无人平台获取的环境信息为输入，着重体现环境实况，时敏度最高、空间局部性突出。其空间尺度与无人平台类型、传感器类型与精度紧密相关，内容偏重于可直接从感知信息中解译的特征、对象、浅层语义信息及情境信息，便于无人平台从环境认知实践中学习行为模式。感知地图依靠感知地图生成器来构建，主要包括特征提取、语义分割、位姿估计等计算。
工作地图着重体现任务相关性和空间局部性，以感知地图和长时地图为基础加工而成。工作地图是三类地图中面向空间行为生成的信息出口。由于感知地图只涉及局部实况，长时地图是对环境的抽象描述，将二者融合并结合任务需求进行计算，数据量与计算量都较小，使得机器地图可以做到制图与决策同步。在工作地图中，除局部环境的地图块以及对应的对象语义、特征信息等，还包括基于不同学习策略生成的任务地图，例如面向导航任务，感知地图所获取的对象信息，如建筑物、街道、路牙等，会重新分类为可通行区域和不可通行区域，生成基于路线的地图；面向路径规划任务，会结合感知地图与长时地图以及平台参数，提取其中的地标信息，生成基于地标的地图。工作地图的生成依靠工作地图生成器来进行各种计算，包括参考系转换、面向任务的分类分级与要素综合、联想奖励学习机制构建并生成工作地图等。
长时地图用于记录全局化、稳定性好、抽象程度高的环境表征模型。长时地图中包括自我中心参考下的局部地图块，以及能够将局部地图块有机组织起来的多层级全局中心网格。服务于推理需求，长时地图中还构建了对象间的拓扑关系、语义关系以及情景信息抽象、先验与规则信息等，可以支撑诸如最优导航、潜航避障、飞行控制等推理任务。为满足更高级的推理任务，如视野外环境预测、突发情况处置等，长时地图中还包含类比于长时记忆中图式的对象模式、场景模式以及事件模式等多层次模式信息。长时地图生成器负责生成长时地图，主要的计算包括参考系转换，拓扑与语义关系构建，特征、规则与模式提取与学习，多层级局部地图管理，面向任务的长时地图信息检索等。
3类地图都具有遗忘功能，可以释放记忆中不重要的内容，减少存储空间需求量。然而每类机器地图遗忘的时机、频率以及判别遗忘内容的方法都不相同。工作地图和长时地图都具有自学习能力，可以在内部进行信息加工，如空间关系提取、语义信息提取、模式构建等计算，形成不同内容侧面和抽象程度的环境描述。
上述逻辑构成设计，体现了计算系统与生物启发相结合的顶层设计思路：从生物启发的角度，这样的划分具有分布、稀疏的特点，与记忆模型相吻合，有助于借鉴记忆模型的研究成果，并进一步检验概念模型的生物合理性；从计算系统的角度，这样的记忆模型不仅增加了记忆的鲁棒性，使得机器地图在时间、空间和语义层面具有更大的弹性，而且便于应用稀疏分布式记忆模型相关的计算方法，提高机器地图的智能化水平。

4 相关研究比较分析

目前，与机器地图研究相关的典型工作包括SALM、BEV[38]和面向自动驾驶的高精地图等，表2从制用主体、地图模型、建模模式、自主性和功能作用等方面，给出了机器地图与相关类似研究工作的横向比较。
表2 机器地图与其他相关工作的比较细则

Tab. 2 Detailed items for comparison between machine maps and other related works

比较项 电子导航地图 SLAM BEV 高精地图 机器地图
主体 制图主体 人类 无人平台 无人平台 人工主导 无人平台
用图主体 人类 无人平台 无人平台 无人平台 无人平台
地图
模型		 空间精度 低 高 高 超高 高
要素抽象度 高 低 低 高 高
逻辑结构 导航要素、拓扑结构 栅格、特征、拓扑 栅格、特征、拓扑 静态、动态和用户层 感知、工作和长时地图
建模
模式		 建模逻辑 制用分离 测制用一体 测用一体 测制用分离 测制用一体
实时性 低 高 高 动态层高，静态和用户层低 高
自主性 自主等级 低 有条件自主 有条件自主 有条件自主 完全自主
记忆能力 无 短时记忆 短时记忆 短时记忆 短时记忆、工作记忆和长时记忆
空间注意力 人脑注意 无 特征注意力 无 全局注意力
学习能力 人脑学习 误差优化 学习目标优化 低 持续自主学习
功能作用 导航 定位、制图 定位、导航 导航、自动驾驶 空间引导
空间决策
通过比较，本文认为机器地图和SLAM、高精地图等具有内在统一性。除了电子导航地图为人类使用之外，其他类型地图都可视为面向无人平台环境信息理解、环境模型构建和空间推理决策的地图类型，它们都可以认为是机器地图家族的成员，且各自具有不同的优势和特点。从技术层面来看，机器地图可以认为是对SLAM、BEV、高精地图等先进技术的综合集成。以智能高精地图为例，其分为静态地图层、实时数据层、动态数据层和用户模型层4个逻辑层次[11]。对应本文机器地图，实时数据层和动态数据层对应本文的感知地图，侧重对客观环境中局部、实时动态变化信息的建模；用户模型层对应本文的工作地图，侧重根据实时动态信息和静态地图做出决策；静态地图层部分对应了本文的长时地图，侧重对客观环境中不易变的信息进行存储记忆。从学习能力来看，机器地图更加强调持续自主学习，这是机器地图区别于类似研究工作的最典型特征。机器地图致力于发展能够逼近人类认知水准的无人平台环境认知模型，具备全局的环境注意能力、差异性环境知识记忆能力和自主进化学习能力，最终达成完全自主级别的环境认知和决策目标。

5 结论

无人平台对复杂环境的自主认知能力是衡量其智能水平的关键指标。本文受心象地图认知机理的启发，提出了以无人平台为认知主体的机器地图新概念，并基于无人平台自主测图、制图和用图一体化建图逻辑，构建了机器地图“两环三图”概念模型，描述了机器地图的逻辑结构、基本部件、信息加工过程、与无人平台的交互方式，以及达成持续自主学习能力的关键环节。在概念模型的研究中，不仅参考了空间认知研究中关于心象地图的最新成果，也吸纳了自动驾驶高精地图、SLAM、BEV等技术思路和成功经验，从而确保了概念模型的先进性和可行性。作为顶层概念模型，所关注的无人平台应具有广泛覆盖性（涵盖地面、空中、海上等无人平台），所提炼的建图理论与方法应具有普遍适用性，所构建的地图模型应具有跨域共享性。要完全实现上述目标，需要采用自顶向下与自底向上双向促进的研究路线。自顶向下，是指通过顶层概念模型的演绎推理推动整体上对机器地图内涵与体系结构的理解，并以此促进各个模块及其信息加工过程的实践验证或仿真实验，使得机器地图的研究走上方法各异但目标相同的良性发展道路。自底向上，是指以当前的机器学习、人工智能技术为基础，不断突破制约无人平台环境认知能力的技术瓶颈，并从生物启发的角度思考如何并入机器地图整体框架。
机器地图的研究对于提升无人平台对于复杂环境的认知和学习能力，促进其在人机协同作战、武器制导、智能导航等领域的深度应用具有重要作用。同时，机器地图的研究也为地图学拓展了新的研究领域，对探索智能化时代地图学发展方向是一种有益的尝试，希望通过本文引起地图学界对机器地图的研究兴趣，共同促进这一领域的发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
The Aspen Institute. Global atlas of autonomous vehicles in cities 136 places on the move[R/OL]. Bloomberg Cities Network. [2022-8-23].https://bloombergcities.jhu.edu/resource/heres-how-136-cities-are-paving-path-future-autonomous-vehicle-technology.

[2]
GlobalData. UAV and Drones: The stealthy weapon in the ukraine-russia conflict[EB/OL].(2022-03-20).[2022-08-23]. https://www.globaldata.com/data-insights/macroeconomic/uav-and-drones-the-stealthy-weapon-in-the-ukraine-russia-conflict/.

[3]
Naval Technology. Sea hunter: inside the US Navy's autonomous submarine tracking vessel[EB/OL].(2018-05-03)[2022-08-23].https://www.naval-technology.com/analysis/sea-hunter-inside-us-navys-autonomous-submarine-tracking-vessel/.

[4]
Jon Bornstein et al. Army Research Laboratory Robotics Collaborative Technology Alliance (RCTA) FY 2011 Annual Program Plan[R]. US Army Research Laboratory Aberdeen Proving Ground United States. 2011.

[5]
Rosinol A, Gupta A, Abate M, et al. 3D dynamic scene graphs: Actionable spatial perception with places, objects, and humans[J/OL]. arXiv preprint arXiv:2020.062 89, 2020.

[6]
Rosinol A, Violette A, Abate M, et al. Kimera: From SLAM to spatial perception with 3D dynamic scene graphs[J]. International Journal of Robotics Research, 2021, 40(12-14):1510-1546. DOI:10.1177/02783649211056674

[7]
Zheng K, Pronobis A. From pixels to buildings: End-to-end probabilistic deep networks for large-scale semantic mapping[C] // 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). ACM, Macau, China, 2019:3511-3518. DOI:10.1109/IROS40897.2019.8967568

[8]
Andrej K. Tesla Autopilot and Multi-Task Learning for Perception and Prediction[R] // CVPR Workshop on Autonomous Driving, 2021.

[9]
孟立秋. 自主导航地图的昨天、今天和明天[J]. 测绘学报, 2022, 51(6):1029-1039.

DOI

[Meng L Q. Yesterday, today and tomorrow of autonomous navigation maps[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6):1029-1039.] DOI:10.11947/j.AGCS.2022.20220198

[10]
Massow K, Kwella B, Pfeifer N, et al. Deriving HD maps for highly automated driving from vehicular probe data[C] // 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), IEEE, 2016:1745-1752. DOI:10.1109/ITSC.2016.7795794

[11]
刘经南, 詹骄, 郭迟, 等. 智能高精地图数据逻辑结构与关键技术[J]. 测绘学报, 2019, 48(8):939-953.

DOI

[Zhan J, Guo C, et al. Data logic structure and key technologies on intelligent high-precision map[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(8):939-953.] DOI:10.11947/j.AGCS.2019.20190125

[12]
余卓渊, 闾国年, 张夕宁, 等. 全息高精度导航地图:概念及理论模型[J]. 地球信息科学学报, 2020, 22(4):760-771.

DOI

[Yu Z Y, Lv G N, Zhang X N, et al. Pan-information-based high precision navigation map: Concept and theoretical model[J]. Journal of Geo-information Science, 2020, 22(4):760-771.] DOI:10.12082/dqxxkx.2020.190648

[13]
詹骄, 郭迟, 雷婷婷, 等. 自动驾驶地图的数据标准比较研究[J]. 中国图象图形学报, 2021, 26(1):36-48.

[Guo C, Lei T T, et al. Comparative study on data standards of autonomous driving map[J]. Journal of Image and Graphics, 2021, 26(1):36-48.] DOI:10.11834/jig.200414

[14]
高俊, 曹雪峰. 空间认知推动地图学学科发展的新方向[J]. 测绘学报, 2021, 50(6):711-725.

DOI

[Gao J, Cao X F. The new development direction of cartography promoted by spatial cognition[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(6):711-725.] DOI:10.11947/j.AGCS.2021.20210043

[15]
朱世强. 生物启发的人工智能与未来机器人[J]. 机器人技术与应用, 2018(03):21-22,26.

[Zhu S Q. Bio-inspired artificial intelligence and future robots[J]. Robot Technique and Application, 2018(03):21-22,26.]

[16]
Barbara T. Cognitive maps, cognitive collages, and spatial mental models[A]. In: FrankA U,Campari I (eds). Spatial Information Theory: A Theoretical Basis for GIS[M] //Lecture Notes in Computer Science. Berlin, Heidelberg: Springer Berlin Heidelberg, 1993. https://doi.org/10.1007/3-540-57207-4_2

[17]
Whittington J C R, McCaffary D, Bakermans J J W, et al. How to build a cognitive map[J]. Nature Neuroscience, 2022, 25(10):1257-1272. DOI:10.1038/s41593-022-0115 3-y

[18]
Tolman E C. Cognitive maps in rats and man[J]. Psychological Review, 1948, 55(4):189-208.

DOI

[19]
O'Keefe J, Dostrovsky J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat[J]. Brain Research, 1971, 34(1):171-175. DOI:10.1016/0006-8993(71)90358-1

PMID

[20]
Hafting T, Fyhn M, Molden S, et al. Microstructure of a spatial map in the entorhinal cortex[J]. Nature, 2005, 436(7052):801-806. DOI:10.1038/nature03721

[21]
Keinath A T. The preferred directions of conjunctive grid X head direction cells in the medial entorhinal cortex are periodically organized[J]. PLoS One, 2016, 11(3):e0152 041. DOI:10.1371/journal.pone.0152041

[22]
Moser E I, Moser M B. Grid cells and neural coding in high-end cortices[J]. Neuron, 2013, 80(3):765-774. DOI:10.1016/j.neuron.2013.09.043

PMID

[23]
Cangelosi A, Bongard J, Fischer M, et al. Embodied intelligence[A]. In JKacprzyk & W. Pedrycz (Eds.), Springer Handbook of Computational Intelligence[M]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2015:697-714. DOI: 10.1007/978-3-662-43505-2_37

[24]
Shapiro L. Embodied cognition[M]. London:Routledge, Taylor & Francis Group, 2011.

[25]
Milford M J, Wyeth G F, Prasser D. RatSLAM: A hippocampal model for simultaneous localization and mapping[C] // 2004 IEEE International Conference on Robotics and Automation (ICRA'04), New Orleans, LA, USA, 2004:403-408. DOI:10.1109/ROBOT.2004.1307183

[26]
鲍旭辉. 视觉长时记忆对视觉短时记忆的促进作用[D]. 西安: 陕西师范大学, 2014.

[Bao X H. Promotion effect of visual long-term memory on visual short-term memory[D]. Xi’an: Shanxi Normal University, 2014.]

[27]
Vernon D. Artificial cognitive systems: A primer[M]. Cambridge, Massachusetts: The MIT Press, 2014.

[28]
Brynn E S, Nicholas B T. Attention and memory[A]. In M.J. Kahana& A.D. Wagner (Eds.) The Oxford Handbook of Human Memory[M]. New York, USA: Oxford University Press, 2022.

[29]
BaddeIey A D, Hitch G. Working memory[A]. In BowerG. A.(Eds.) Recent Advance in Learning and Motivation[M]. New York, USA: Academic Press, 1974.

[30]
Brewin C R. Episodic memory, perceptual memory, and their interaction: Foundations for a theory of posttraumatic stress disorder[J]. Psychological Bulletin, 2014, 140(1):69-97. DOI:10.1037/a0033722

PMID

[31]
Baddeley A. Working memory: Theories, models, and controversies[J]. Annual Review of Psychology, 2012,63:1-29. DOI:10.1146/annurev-psych-120710-100422

[32]
Suzanna B. Memory for space[A]. In M.J. Kahana& A.D. Wagner (Eds.) The Oxford Handbook of Human Memory[M]. New York, USA: Oxford University Press, 2022.

[33]
Nicole L V, Neal W M, Alison R P. Schema, inference, and memory[A]. In KahanaM J, WagnerA D (Eds.) The Oxford Handbook of Human Memory[M]. New York, USA: Oxford University Press, 2022.

[34]
Atkinson R C, Shiffrin R M. Human memory: A proposed system and its control processes[J]. Psychology of Learning and Motivation, 1968(2):89-195. DOI:10.1016/S0079-7421(08)60422-3

[35]
彭聃龄. 普通心理学[M]. 5版. 北京: 北京师范大学出版社, 2019.

[Peng D L. General psychology[M]. 5th ed. Beijing: Beijing Normal University Press, 2019.]

[36]
Valenzo D, Ciria A, Schillaci G, et al. Grounding context in embodied cognitive robotics[J]. Frontiers in Neurorobotics, 2022,16:843108. DOI:10.3389/fnbot.2022.843108

[37]
Kotseruba I, Tsotsos J K. 40 years of cognitive architectures: Core cognitive abilities and practical applications[J]. Artificial Intelligence Review, 2020, 53(1):17-94. DOI:10.1007/s10462-018-9646-y

[38]
Hu S C, Chen L, Wu P H, et al. ST-P3: end-to-end vision-based autonomous driving via spatial-temporal feature learning[M] // Lecture Notes in Computer Science. Cham: Springer Nature Switzerland, 2022:533-549. DOI:10.10 07/978-3-031-19839-7_31

Options
文章导航

/

〈 〉