仿生声纳二维经历图绘制方法、存储介质及设备

技术领域

本发明涉及仿生声纳技术领域，尤其涉及一种仿生声纳二维经历图绘制方法、存储介质及设备。

背景技术

SLAM技术中应用最成功的是概率的方法，如卡尔曼滤波算法、扩展卡尔曼滤波算法、粒子滤波算法等。虽然有些传统的SLAM算法中仍使用声纳传感器采集信息，但是因使用声纳传感器采集信息，常常得到的是周围环境的粗略信息，更多情况下声纳传感器已被视觉传感器和激光测距传感器所替代。

生物声纳，能够实现在复杂的环境下进行导航，它可以从回声中提取很多信息，可以模仿蝙蝠声纳的发射与接收过程，利用仿生声纳系统实现复杂环境下的定位与导航，仿生声纳二维经历图，能够直观地反映定位和导航的情况。

现有技术中，通常采用仿生声纳SLAM算法来构建上述二维经历图，在构建二维经历图的过程中，通过普通图像处理方法来进行仿生声纳模板的更新，该方法仅能判断两幅耳蜗图外观是否一致，不存在几何处理和特征提取，由于耳蜗图在获取和传输过程中会产生各类噪音，相同位置获得的耳蜗图具有一定的差异，导致闭环检测准确率低，进而导致所构建的二维经历图失真。

发明内容

针对现有技术中的缺陷，本发明提供一种仿生声纳二维经历图绘制方法、存储介质及设备，能够提高闭环检测的准确率，改善二维经历图的失真问题。

第一方面，本发明提供了一种仿生声纳二维经历图绘制方法，所述方法包括：

根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞；

根据陀螺仪和加速度计采集的信息，更新位姿感知细胞；

根据仿生声纳系统收集到的回波信号，构建音频感知哈希模板；

采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正；

根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正。

进一步地，在所述构建仿生声纳模板的过程中，采用Gammachirp听觉滤波器组来模拟人耳听觉，Gammachirp滤波器的单位冲激响应表示为：

其中，a为幅值，n是滤波器阶数，b是为了让函数更好地与生理数据相符而引入的参数，c是一个频率调制参数，具体为啁啾因子(chirp factor)，与声音强度P(单位为db)成线性关系；设定n＝4，b＝1.109；f_r为Gammachirp滤波器的中心频率，为相位参数，因为相位参数对耳蜗能量谱的影响很小，取为0，ERB(f_r)是滤波器在中心频率为f_r的等效矩形带宽，t表示时间。

进一步地，在所述构建音频感知哈希模板的过程中，对于每个新的场景，均建立新的音频感知哈希模板，同时建立音频感知哈希模板与位姿感知细胞的联系，在t+1时刻更新的音频感知哈希模板与位姿感知细胞的连接强度表示为：

其中，为t+1时刻进行更新的连接强度，为t时刻进行更新的连接强度，x'指的是位置细胞的横轴坐标，y'指的是位置细胞的纵轴坐标，θ'指的是头方向细胞的角度，Y_i指的是第i个音频感知哈希模板，λ指的是加权值，P_x'y'θ'为位姿感知细胞的活动水平。

进一步地，采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正，具体包括：采用仿生声纳模板对应的局部场景细胞来实现位姿感知细胞的修正，当使用仿生声纳模板识别失败时，则使用音频感知哈希模板进行位姿感知细胞的修正。

进一步地，所述使用音频感知哈希模板进行位姿感知细胞的修正前还包括：将当前音频感知哈希和数据库中的音频感知哈希进行对比，若两者的比值低于预设阈值，则采用音频感知哈希对位姿感知细胞进行修正，该修正表示为：

其中，β_x'y'θ'进行更新的连接强度，ΔP_x'y'θ'为位姿感知细胞活动变化。

进一步地，所述根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正中，当前位姿感知细胞的活性和当前音频感知哈希，共同决定了经历能级的各组成要素，其中，经历能级表示为：

其中，x'_pc为最大活性姿态细胞的横轴坐标，y'_pc为最大活性姿态细胞的纵轴坐标，θ'_pc为最大活性姿态细胞中头方向细胞的角度；x_i'为与经历i相关的位姿感知细胞的横轴坐标，y_i'为与经历i相关的位姿感知细胞的纵轴坐标，θ_i'为与经历i相关的头方向细胞的角度；r_a为(x',y')平面的区域常数；θ_a为θ'维上区域常数：G_cur为当前局部场景细胞；G_i为与经历i相关的局部场景细胞，Y_cur为当前的音频感知哈希，Y_i为第i个音频感知哈希模板。

第二方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞；

根据陀螺仪和加速度计采集的信息，更新位姿感知细胞；

根据仿生声纳系统收集到的回波信号，构建音频感知哈希模板；

采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正；

根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正。

第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞；

根据陀螺仪和加速度计采集的信息，更新位姿感知细胞；

根据仿生声纳系统收集到的回波信号，构建音频感知哈希模板；

采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正；

根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正。

由上述技术方案可知，与现有技术相比，本发明的优点在于：

(1)使用基于音频感知哈希算法的SLAM技术对耳蜗图进行特征提取，并进行闭环检测，不仅考虑到外观，而且考虑到相邻频带间的能量差异，提高了闭环检测的准确性。

(2)使用音频感知哈希修正与仿生声纳模板修正相结合的修正方式，且两种修正方法间可相互转换，考虑到单独使用音频感知哈希进行修正会降低算法的实时性的缺陷，选择优先使用仿生声纳模板修正，辅助使用音频感知哈希修正，在提高闭环检测准确率的同时，实时性也不会有很大的影响，从而达到经历图的优化效果。

附图说明

图1为仿生声纳二维经历图绘制方法的流程示意图。

图2为构建仿生声纳模板的流程示意图。

图3为构建音频感知哈希模板的流程示意图。

图4为第一组回波信号下最初版本的耳蜗能量谱图。

图5为第一组回波信号下带噪音版本的耳蜗能量谱图。

图6为第一组回波信号下高斯平滑处理版本的耳蜗能量谱图。

图7为第二组回波信号下最初版本的耳蜗能量谱图。

图8为第二组回波信号下带噪音版本的耳蜗能量谱图。

图9为第二组回波信号下高斯平滑处理版本的耳蜗能量谱图。

图10为针对基于音频感知哈希的仿生声纳SLAM算法所采集的音频信号构建的无噪音版本的耳蜗能量谱图。

图11为针对基于音频感知哈希的仿生声纳SLAM算法所采集的音频信号构建的带高斯噪音版本的耳蜗能量谱图。

图12为针对基于音频感知哈希的仿生声纳SLAM算法所采集的音频信号构建的带椒盐噪音版本的耳蜗能量谱图。

图13为使用仿生声纳SLAM算法绘制的二维经历图的示意图。

图14为使用基于音频感知哈希的仿生声纳SLAM算法绘制的二维经历图的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例一

图1示出了本发明实施例一提供的仿生声纳二维经历图绘制方法的流程示意图。如图1所示，所述方法包括：

步骤S1，根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞。

模拟蝙蝠的仿生声纳系统包括：三个超声波换能器、信号调理电路、模数(AD)转换器、主控芯片、电压放大与驱动电路。其中，三个超声波换能器一字型排列，中间的超声波换能作为蝙蝠的嘴，两边的超声波换能器作为蝙蝠的两个耳朵(称为左耳和右耳)；其中，主控芯片优选为STM32主控芯片。

仿生声纳系统的工作原理为：两边的超声波换能器分别将采集的反射波信号(回波信号)转化为电信号，电信号经过信号调理电路进行电压放大以及滤波处理，通过AD转换器转换为数字信号传输至机器人的主控芯片；主控芯片根据接收到的信号发出CF和FM两类波源，通过数模(DA)转换器转换为模似信号，模拟信号经过电压放大与驱动电路的放大处理后，通过中间的超声波换能器发出声波。

如图2所示，步骤S1具体包括：

仿生声纳系统发出高频信号，并对反射的回波信号进行分析并进行导航。在头部相关传递函数(Head Function Related Transfer，HRTF)的基础上，加入发射器与接收器的位置信息，并采用回声定位相关传递函数(Echolocation Related Transfer Function，ERTF)进行声源定位，ERTF表示将HRTF与光谱空间发射模式相结合，将从信号发射点到信号接收点的信号都封装进入光谱空间转换。左耳与右耳的ERTF滤波器可分别表示为：

其中，H_e(f,θ)表示发射器方位，分别表示左右接收器方位。反射器频率为f，角度θ表示仿生声纳系统中反射器的方位角。

双耳ERTF差是综合了回声谱、双耳强度差(IID)和双耳时间差(ITD)的声源定位模型，包含了从目标物到发射器位置的详细方位信息，可以实现仿生声纳系统的回声定位。

在多个发射器的作用下，同时由于左右耳ERTF滤波器的时域脉冲响应，左右耳蜗接收到的回波信号可表示为：

其中，分别为左右耳ERTF滤波器的时域脉冲响应，s(t-δ_i)为发射器发出的信号。θ_i表示第i个反射器的方向，δ_i表示由于第i个反射器所带来的时间延迟，时间为t，x^L(t)为左耳接收到的信号，x^R(t)为右耳接收到的信号，n_e为发射器数量。

步骤S1中利用Gammachirp听觉滤波器组来模拟人类耳蜗基底膜工作原理，Gammachirp滤波器具有非对称幅频响应，符合人耳听觉特性，采用Gammachirp听觉滤波器组对上述左右耳蜗接收到的包含ERTF滤波器的时域脉冲响应的回波信号进行处理，使用处理后得到的Gammachirp耳蜗能量谱来表示回波信号的时频特性，Gammachirp滤波器的单位冲激响应可表示为：

其中，a为幅值，n是滤波器阶数，b是为了让函数更好地与生理数据相符而引入的参数，c是一个频率调制参数，具体为啁啾因子(chirp factor)，与声音强度P(单位为db)成线性关系。可设定n＝4，b＝1.109。f_r为Gammachirp滤波器的中心频率，为相位参数，因为相位参数对耳蜗能量谱的影响很小，取为0，ERB(f_r)是滤波器在中心频率为f_r的等效矩形带宽，t表示时间。

然后使用巴特沃斯滤波器进行一阶低通滤波以消除噪音，分别得到左耳与右耳耳蜗图，计算公式可表示为：

X_L(t)＝x^L(t)*g(t)*u^lp(t)

X_R(t)＝x^R(t)*g(t)*u^lp(t))

其中，X_L(t)，X_R(t)分别为左耳与右耳耳蜗图，u^lp(t)为一阶低通滤波，x^L(t)、x^R(t)为左耳与右耳接收的信号。

在仿生声纳SLAM模型中，采用高斯平滑滤波器对步骤S1中得到的双耳耳蜗图进行平滑处理，以排除机器人细微的位置带来的影响。将平滑处理后的单声道耳蜗图连接起来，形成一个双耳平滑耳蜗图，具体表示为：

X^gt,SS＝[X_L*G^S,X_R*G^S]

其中，X_L为左耳耳蜗图，X_R为右耳耳蜗图，G^S高斯平滑滤波器。

进一步地，对双耳平滑耳蜗图进行标准化处理(也称归一化处理)，形成标准化双耳平滑耳蜗图，其计算公式可表示为：

其中，t为时间，f为发射器频率。

最后，将标准化双耳平滑耳蜗图作为当前仿生声纳模板，计算公式可表示为：

采用双耳平滑耳蜗图作为仿生声纳模板，局部场景细胞由一个一维细胞阵列组成，每个细胞单元对应一个特定的仿生声纳模板。

步骤S2，根据陀螺仪和加速度计采集的信息，更新位姿感知细胞。

机器人在特定的位姿状态时，处于空间位姿感知细胞网络(X,Y和θ)中，通过连续吸引子网络(CAN)控制机器人位姿感知网络内部的活动。路径积分是通过转换每个位姿感知细胞基于机器人加速度计速度、陀螺仪角速度和(X,Y和θ)坐标的活动来更新姿态细胞的活动，同时使用仿生声纳模板的比较来保持和校正位姿信息，从而实现位姿感知细胞的重定位，其中X表示机器人所处空间位置的横坐标，Y表示机器人所处空间位置的纵坐标，表示机器人所处空间位置的角度。

位姿细胞内部动态过程主要包括兴奋度更新、对所有细胞的全局抑制。该模型路径积分方法是转换现有位姿感知细胞的活性而不是立即将当前活性复制传递。该过程使其性能独立于感知变化更新速率和加速度计速度与陀螺仪角速度，不仅能生成更加准确的机器人运动轨迹，并且不需要参数调整。经过路径积分后，被更新的位姿感知细胞活性为如下式所示。

其中，δx'₀、δy'₀、δθ₀'分别为在x'、y'、θ'方向被四舍五入后的整数偏差，δx'₀、δy'₀、δθ₀'由下式计算得到。

其中，k_x'，k_y'，k_θ'，是路径积分常数，v表示加速度计速度，w表示陀螺仪得到的角速度。

步骤S3，根据仿生声纳系统收集到的回波信号，构建音频感知哈希模板。

具体构建过程如图3所示，仿生声纳系统将收集到的回波信号作为感知哈希函数的输入，并采用一组具有8通道的Gammachirp滤波器对该音频信号进行滤波，将滤波后的数据根据频带高低进行排序，由低到高分别为S₁,S₂,…,S₈，其中S₁为第1个频带的数据，S₈为第8个频带的数据。

使用Gammachirp耳蜗能量谱对回波信号的时频特性进行表示，对Gammachirp耳蜗能量谱进行感知特征提取，并将每一个频带的数据实行90％重叠后进行分帧，每帧20ms(即80个采样点)，矩阵W作为能量谱矩阵，对于能量谱矩阵里第n个频带的第L帧元素W_(n,L)，可表示为：

r＝(L-1)×40

n＝1,...,8

其中，m为所对应频带的数据长度；每一帧都从r开始,r为每一帧的起始初，能量谱矩阵W表示出每个频带在不同时间的能量分布情况。

为了消除耳蜗能量谱存在的几何失真，本实施例使用非负矩阵分解方法对能量矩阵进行无重叠分块。本实施例选择分块大小为8*8的音频感知哈希。将其分解后，每块为Q_k＝{Q(i)|i＝1,…,8}，i＝K/7。其中，Q_k为非负矩阵分解后第K个矩阵块，Q(i)为参数为i的非负矩阵函数。

信号经过二次采样以及低通滤波、噪声等处理后，虽然Gammachirp耳蜗能量谱的能量值发生了一定的变化，但是相邻频带间能量差异依然没有较大改变。为了保持音频感知哈希的鲁棒性和区别性，使用差分的方法不仅可以去除耳蜗能量谱值改变时所产生的误差，还能缩减不同频带之间的相关性。本实施例使用二阶差分，可表示为：

R_k＝Δ²Q_k＝Q(i)-2Q(i+1)+Q(i+2)

i＝1,...,6

其中，R_k为参数为k的二阶差分值，R_k长度为6。最后对得到的结果实行二值化处理，音频感知哈希Y(t,k)可表示为：

其中，t＝1,2,..,6；k＝1,2,..,L/8。

其中，对于每个新的场景，算法会建立新的音频感知哈希模板，同时建立音频感知哈希模板与位姿感知细胞间的联系，即音频感知哈希与位姿感知细胞的连接强度会随着场景的更新而更新。在t+1时刻进行更新的两者的连接强度可表示为：

其中，为t+1时刻进行更新的连接强度，为t时刻进行更新的连接强度，x'指的是位置细胞的横轴坐标，y'指的是位置细胞的纵轴坐标，θ'指的是头方向细胞的角度，Y_i指的是第i个音频感知哈希模板，λ指的是加权值，P_x'y'θ'为位姿感知细胞的活动水平。

步骤S4，采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正。

采用仿生声纳模板对应的局部场景细胞来实现位姿感知细胞的修正，双耳平滑耳蜗图作为仿生声纳模板，局部场景细胞由一个一维细胞阵列组成，每个细胞单元对应一个特定的仿生声纳模板。在路径积分时，由于位置和方向上的累计误差，使用仿生声纳模板来进行修正。对于每个新的场景，算法会建立新的仿生声纳模板，同时建立局部场景细胞与位姿感知细胞间的联系。进行更新的连接强度如下式所示：

其中，G_i为局部场景细胞的活动水平，P_x'y'θ'为位姿感知细胞的活动水平。

对于每一个双耳平滑耳蜗图使用绝对差值和SAD模块进行处理产生局部场景。SAD模块将当前耳蜗图与模板库中的耳蜗图进行比较，通过计算所有模板中耳蜗图的像素亮度与当前耳蜗图的像素亮度之差，如下式所示。

其中，U_cur表示当前耳蜗图的像素亮度，U_i表示数据库中的第i个仿生声纳模板的像素亮度。如果像素亮度之差低于某一阈值τ，当前耳蜗图被识别出来，对位姿感知细胞进行校正，如下式所示。

如果像素亮度之差高于某一阈值τ，当前耳蜗图成为新的仿生声纳模板并加入到模板库中。阈值τ如下式所示。

其中，n_G为数据库中的仿生声纳模板的数量，α_t为调整系统的比例因子，α_t设置为0.5。

当使用仿生声纳模板识别失败时，则使用音频感知哈希模板进行位姿感知细胞的修正。

Y_i指的是第i个音频感知哈希模板，此处采用误码率Z＝Vi/V来衡量任意二个音频感知哈希之间的相似水平，V表示待识别音频感知哈希码元个数，Vi表示模板库中的音频感知哈希进行对比时出现错误的个数。

在使用音频感知哈希模板对位姿感知细胞进行修正前，将当前音频感知哈希和数据库中音频感知哈希进行对比，若两者的比值低于预设阈值γ，则采用音频感知哈希对位姿感知细胞进行修正，该修正可表示为：

其中，β_x'y'θ'进行更新的连接强度，ΔP_x'y'θ'为位姿感知细胞活动变化。

如果两者的比值高于预设阈值γ，则将当前音频感知哈希作为新的音频感知哈希模板，并将其存入到音频感知哈希模板库中。

步骤S4具体包括：采用仿生声纳模板对应的局部场景细胞来实现位姿感知细胞的修正，当使用仿生声纳模板识别失败时，则使用音频感知哈希模板进行位姿感知细胞的修正，具体修正方式和公式如前所述。考虑到单独使用音频感知哈希进行修正会降低算法的实时性，所以选择优先使用仿生声纳模板修正，辅助使用音频感知哈希修正，在提高闭环检测准确率的同时，实时性也不会有很大的影响。

步骤S4所述的修正方法，不仅考虑到了耳蜗图的外观，还考虑到了相邻频带间的能量差异。

步骤S5，根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正。

在步骤S5中，当前位姿感知细胞的活性和当前音频感知哈希，共同决定了经历能级E_i。其中，经历能级代表在特定时间位姿细胞和局部场景细胞内部活动的一幅瞬时图像，经历都具有一个活性水平，活性水平取决于位姿感知和局部场景网络中能量峰与每一个经历相关之单元间的接近程度。每个经历在位姿感知细胞和局部场景单元中有一个相关区域。当每一个网络的能量峰处于这些相关区域时，则该经历被激活。E_i的各组成要素，E_i可表示为：

其中，x'_pc为最大活性姿态细胞的横轴坐标，y'_pc为最大活性姿态细胞的纵轴坐标，θ'_pc为最大活性姿态细胞中头方向细胞的角度；x_i'为与经历i相关的位姿感知细胞的横轴坐标，y_i'为与经历i相关的位姿感知细胞的纵轴坐标，θ_i'为与经历i相关的头方向细胞的角度；r_a为(x',y')平面(也是(x'_pc,y'_pc)和(x'_i,y'_i)所在的平面)的区域常数；θ_a为θ'维上区域常数：G_cur为当前局部场景细胞；G_i为与经历i相关的局部场景细胞，Y_cur为当前的音频感知哈希，Y_i为第i个音频感知哈希模板。

步骤S5的校正过程中包括：使用当前位姿、音频感知哈希和仿生声纳模板与经历图进行匹配时，当到达经历过的地方时，进行一次闭环检测，并对经历图进行校正。

下面以结合具体实验对上述构建音频感知哈希模板的过程进行说明。

图4至图9分别示出了两组不同回波信号下的Gammachirp耳蜗能量谱，每段回波信号示出了三个不同的版本，分别为最初版本、带噪声版本以及高斯平滑处理版本。其中，耳蜗能量谱的纵轴表示频带，横轴表示时间，能量值越高对应的颜色也相应较深。由图4至图9可以看出，两组音频信号获得的能量谱具有很大的不同，而相同音频信号虽然经过不同的处理，但是相邻频带间能量差异依然没有较大改变。

为了更好地分析不同噪音条件下，本实施例所述的基于音频感知哈希的仿生声纳SLAM算法与仿生声纳SLAM算法的闭环检测的准确率，在本实施例中，使用准确率P、召回率R来分析不同条件下二种算法的性能，并设计选取了两种典型的噪音，即高斯噪音和椒盐噪音，与无噪音下的条件一起，做了三种条件下的准确率-召回率的对比试验。

其中，准确率P可表示为：

p＝TP/TP+FP

召回率R可表示为：

R＝TP/TP+FN

其中，TP表示正确识别的闭环经历单元，FP表示错误识别的闭环经历单元，FN表示未识别的实际闭环经历单元。

表1

表2

仿生声纳SLAM算法算法的闭环检测的实验数据如表1所示，基于音频感知哈希的仿生声纳SLAM算法的闭环检测的实验数据如表2所示。

由表1和表2可知，在无噪音的条件下，两种算法的准确率大体相同，分别为99.06％和100％，但对于召回率，改进后的算法(基于音频感知哈希的仿生声纳SLAM算法)具有明显提高，未识别的实际闭环经历单元数量明显减少。

当噪音干扰较小时，如高斯噪音，改进后的算法的准确率提高程度不太明显；而当噪音干扰较大时，如椒盐噪音，改进后的算法其准确率显著提高，因为改进后的算法不仅考虑到外观，而且考虑到了相邻频带间的能量差异，从而提高了正确识别的闭环经历单元的数量。

选取表2算法下的耳蜗图模板，得到不同噪音版本与无噪音版本的耳蜗图(耳蜗能量谱)对比图如图10至图12所示，其中图10为无噪音版本的耳蜗图，图11为高斯噪音版本的耳蜗图，图12为椒盐噪音版本的耳蜗图。

当存在多种噪音时，基于音频感知哈希的仿生声纳SLAM算法具有明显优势，提高了闭环检测的准确率。

下面结合另一实验对本实施例的方法进行说明：选取室外椭圆形方桌构建的环形空间作为实验场地，以GPS获取的位置信息作为基准，机器人分别使用仿生声纳SLAM算法和基于音频感知哈希的仿生声纳SLAM算法，在暗光条件下进行绕圈实验，两种算法下的二维经历图分别如图13和图14所示，其中，A为机器人的起始点，B为机器人的终点，两图中A和B代表相同的实际位置。

由图13可以看出，仿生声纳SLAM算法构建的二维经历图在第一圈时，由于仿生声纳模板的修正，当到达终点B时，自动定位到起点A，继续导航，当到达C点时，由于耳蜗图在获取和传输过程中会产生各类噪音，仅仅使用SAD处理方法会导致识别出错，同时因为加速度计和陀螺仪的漂移，出现了C点到D点间的误差偏移，当到达D点时，再次识别成功，自动定位到E点，继续导航。

由图14可以看出，将音频感知哈希算法融合进入的仿生声纳SLAM算法，构建的二维经历图在第一圈时，由于仿生声纳模板和音频感知哈希模板的共同修正(先仿生声纳模板修正，后音频感知哈希模板修正)，当到达终点B时，自动定位到起点A，继续导航，虽然在导航过程中会存在各种噪音干扰，但是当使用仿生声纳模板识别失败时，自动调用音频感知哈希进行修正，因此第二圈的轨迹与第一圈基本重合。产生这种现象是源于，仿生声纳模板和音频感知哈希模板的共同修正不仅考虑到外观，而且考虑到相邻频带间的能量差异，提高了闭环检测的准确性。

由上述实验可知，基于音频感知哈希闭环检测的仿生声纳SLAM算法不仅完成了暗光条件下的二维经历图绘制，而且提高了闭环检测准确率，减小了轨迹偏差，改善了经历图的失真状况，实现了二维经历图的优化。

实施例二

对本发明实施例一对应地，本发明实施例二提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

步骤S1，根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞；

步骤S2，根据陀螺仪和加速度计采集的信息，更新位姿感知细胞；

步骤S3，根据仿生声纳系统收集到的回波信号，构建音频感知哈希模板；

步骤S4，采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正；

步骤S5，根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正。

上述存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

上述关于计算机可读存储介质的具体限定可以参见实施例一，在此不再赘述。

实施例三

对本发明实施例一对应地，本发明实施例三提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞；

步骤S1，根据仿生声纳系统采集的回波信号，构建仿生声纳模板，并生成对应的局部场景细胞；

步骤S2，根据陀螺仪和加速度计采集的信息，更新位姿感知细胞；

步骤S3，根据仿生声纳系统收集到的回波信号，构建音频感知哈希模板；

步骤S4，采用仿生声纳模板和音频感知哈希模板对位姿感知细胞进行修正；

步骤S5，根据音频感知哈希模板、局部场景细胞、位姿感知细胞的相互联系，对仿生声纳二维经历图进行绘制和校正。

上述关于计算机设备的具体限定可以参见实施例一，在此不再赘述。

在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

需要说明的是，本发明的说明书附图中的框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与获得机指令的组合来实现。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。