本发明涉及机器人控制领域，尤其涉及一种基于啮齿类动物模型的同步定位与地图构建方法及装置。
背景技术：
同步定位与地图构建是移动机器人目前面临的重大难题。因为移动机器人实质上就是移动的传感器平台，传感器虽然类型和能力各有不同，但是广泛存在里程计漂移和不同的噪声等问题。后来经过学者们的不断探究，仿生机器人(采用仿生技术控制的机器人)逐渐凸显出良好的应用前景，表现出完美的生物合理性和对自然环境的高度适应性。其中，仿生机器人大多使用啮齿类动物模型进行仿生技术实现。
其中，啮齿类动物模型，将视觉里程计信息和视觉场景图像信息集成到位姿感知细胞模型中，从而使得移动机器人具备一定的更新预测能力，并建立起时间、空间位置、行为等信息的经历图。目前，啮齿类动物模型已经广泛用于机器人的定位导航工作中，解决了众多同步定位与地图构建(simultaneouslocalizationandmapping，map)难以解决的问题,但是啮齿类动物模型获取的视觉场景图像信息以及视觉里程计信息均存在一定程度的误差，虽然有学者针对视觉里程计的误差引入fab-map(fastappearancebasedmapping)，这种基于历史模型的闭环检测算法，通过实时关键帧的匹配，可以提高系统的稳定性，但是定位的精度并不稳定，且鲁棒性不强。所以，单独的啮齿类动物模型在定位精度及鲁棒性方面有待进一步改善。
技术实现要素：
本发明要解决的技术问题是提供一种基于啮齿类动物模型的同步定位与地图构建方法及装置，将wifi指纹技术与基于啮齿类动物模型的仿生定位技术相融合，实现对位姿细胞网络的修正，以获得最优路径经历图，继而实现对机器人的进行精确定位。
为解决上述技术问题，本发明提供的技术方案是：
第一方面，本发明提供一种基于啮齿类动物模型的同步定位与地图构建方法，方法包括：
获取机器人的当前视觉场景图像信息；
根据预先构建的啮齿类动物模型，从预先构建的视觉信息库中匹配出与当前视觉场景图像信息具有最大场景相似度的位姿信息；
在场景相似度低于设定阈值时，获取机器人的当前wifi信号强度集合；
根据啮齿类动物模型，从预先构建的wifi指纹地图中匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息；
根据最大场景相似度和/最大指纹相似度对应的位姿信息对机器人进行同步定位与地图构建。
进一步地，方法还包括：
根据最大场景相似度对视觉信息库进行更新；
根据最大指纹相似度对wifi指纹地图进行更新。
进一步地，获取机器人的当前wifi信号强度集合，包括：
确定有效的无线接入点；
接收每个有效的无线接入点在当前位置产生的当前接收信号强度均值；
将所有有效的无线接入点对应的当前接收信号强度均值确定为机器人的当前wifi信号强度集合。
进一步地，确定有效的无线接入点，包括：
确定有效的无线接入点的数量；
从所有无线接入点组成的无线接入点集合中随机选定两个无线接入点作为参考接入点；
计算两个参考接入点间的第一互信息；
从无线接入点集合中获取可使第二互信息最小的无线接入点；
从无线接入点集合中获取可使第三互信息最小的无线接入点；
以此类推，直至获取到足够数量的无线接入点。
进一步地，根据啮齿类动物模型，从预先构建的wifi指纹地图中匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息，包括：
根据当前wifi信号强度集合，以及根据预先构建的贝叶斯后验估计模型获取机器人的估计位置；
根据估计位置，wifi指纹地图，以及根据啮齿类动物模型中的位姿细胞网络，进行位姿信息匹配，以匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息。
进一步地，位姿细胞网络进行位姿信息匹配，包括：
根据估计位置，从wifi指纹地图中提取出与估计位置相邻的至少一个经历单元；
计算每个经历单元的wifi信号强度与当前wifi信号强度间的欧氏距离；
获取最大欧式距离对应的经历单元所指向的位姿信息，并将获取到的位姿信息确定为机器人的当前位姿信息。
进一步地，欧式距离的计算公式为：
其中，(xpc,ypc,θpc)为经历单元对应的位姿细胞坐标；(xi,yi,θi)为与当前位置对应的位姿细胞坐标；ra为(x,y)平面的区域常数，θa为θ维上的区域常数。
进一步地，wifi指纹地图的构建，包括：
选定参考点；
在每个参考点上，对每个预设的无线接入点的信号强度进行连续采样后求平均，以获取每个无线接入点在参考点处的接收信号强度均值；
根据各参考点对应的所有无线接入点的接收信号强度均值，按照预设规则进行构建wifi指纹地图并存储。
进一步地，wifi指纹地图的数据存储结构为：
im＝{φ,a,m,maci}；其中，
φ＝{l1,l2,…,li,…,lk}；a＝{ap1,ap2,…,api,…,apr}；
maci表示第i个参考点的mac地址值；
其中，im表示wifi指纹地图；li＝(xi,yi)表示第i个参考点的位置，k为参考点的数量，φ表示所有参考点的位置集合，表示地图中所有观测到的无线接入点的组成集合，r为观测到的无线接入点的数量，m为各参考点对应各无线接入点的接收信号强度均值的集合，其中
第二方面，本发明提供一种基于啮齿类动物模型的机器人同步定位与地图构建装置，装置包括：
信息获取单元，用于获取机器人的当前视觉场景图像信息；
第一匹配单元，用于根据预先构建的啮齿类动物模型，从预先构建的视觉信息库中匹配出与当前视觉场景图像信息具有最大场景相似度的位姿信息；
数据判断单元，用于在场景相似度低于设定阈值时，获取机器人的当前wifi信号强度集合；
第二匹配单元，用于根据啮齿类动物模型，从预先构建的wifi指纹地图中匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息；
同步定位单元，用于根据最大场景相似度和/最大指纹相似度对应的位姿信息对机器人进行同步定位与地图构建。
本发明提供的基于啮齿类动物模型的同步定位与地图构建方法及装置，将wifi指纹技术与基于啮齿类动物模型的仿生定位技术相融合，实现对位姿细胞网络的修正，以获得最优路径经历图，继而实现对机器人的进行精确定位。
附图说明
图1是本发明实施例提供的方法的流程图；
图2是本发明实施例提供的装置的框图；
图3是本发明实施例提供的利用wifi指纹匹配过程关系示意图。
具体实施方式
下面通过具体的实施例进一步说明本发明，但是，应当理解为，这些实施例仅仅是用于更详细具体地说明之用，而不应理解为用于以任何形式限制本发明。
实施例一
结合图1，本实施例提供的基于啮齿类动物模型的同步定位与地图构建方法，方法包括：
步骤s1，获取机器人的当前视觉场景图像信息；
步骤s2，根据预先构建的啮齿类动物模型，从预先构建的视觉信息库中匹配出与当前视觉场景图像信息具有最大场景相似度的位姿信息；
步骤s3，在场景相似度低于设定阈值时，获取机器人的当前wifi信号强度集合；
步骤s4，根据啮齿类动物模型，从预先构建的wifi指纹地图中匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息；
步骤s5，根据最大场景相似度和/最大指纹相似度对应的位姿信息对机器人进行同步定位与地图构建。
本发明实施例提供的基于啮齿类动物模型的同步定位与地图构建方法，将wifi指纹技术与基于啮齿类动物模型的仿生定位技术相融合，实现对位姿细胞网络的修正，以获得最优路径经历图，继而实现对机器人的进行精确定位。
优选地，方法还包括：
根据最大场景相似度对视觉信息库进行更新；
根据最大指纹相似度对wifi指纹地图进行更新。
本实施例中，具体地，最大场景相似度为r1，最大指纹相似度为r2，λ1，λ2为预先设定的两个场景相似度阈值，ε1，ε2为预先设定的两个指纹相似度阈值，ε1＜ε2。更加具体地，当r1＞λ2时，匹配成功，此时不需要进行wifi指纹匹配，不对视觉信息库进行更新；当r1＜λ1时，匹配失败，对视觉信息库进行更新；λ1＜r1＜λ2且r2＞ε2时，匹配成功，不进行更新；当λ1＜r1＜λ2且ε1＜r2＜ε2时，匹配成功，不进行更新；当λ1＜r1＜λ2且r2＜ε1时，匹配失败，对wifi指纹地图进行更新。
进一步优选地，获取机器人的当前wifi信号强度集合，包括：
确定有效的无线接入点；
接收每个有效的无线接入点在当前位置产生的当前接收信号强度均值；
将所有有效的无线接入点对应的当前接收信号强度均值确定为机器人的当前wifi信号强度集合。
本实施例中，可以结合实际需要对有效的无线接入点(accesspoint,ap)的数量进行设定，如此，可使信号空间的维度降低，减少计算量。具体地，本实施例中，例如，某室内环境下，具有t个可用的ap，需要从中选取最佳的s个有效的ap，在确定了有效的ap后，依次测量各参考点来自不同ap的接收信号强度值(receivedsignalstrengthindication，rssi)作为该参考点ap的信号特征数，并按一定格式记录在位置指纹数据库中，该数据库也被称为位置指纹地图或wifi指纹图。
具体地，wifi指纹地图的构建，包括：
选定参考点；
在每个参考点上，对每个预设的无线接入点的信号强度进行连续采样后求平均，以获取每个无线接入点在参考点处的接收信号强度均值；
根据各参考点对应的所有无线接入点的接收信号强度均值，按照预设规则进行构建wifi指纹地图并存储。
进一步具体地，wifi指纹地图的数据存储结构为：
im＝{φ,a,m,maci}；其中，
φ＝{l1,l2,…,li,…,lk}；a＝{ap1,ap2,…,api,…,apr}；
maci表示第i个参考点的mac地址值；
其中，im表示wifi指纹地图；li＝(xi,yi)表示第i个参考点的位置，k为参考点的数量，φ表示所有参考点的位置集合，表示地图中所有观测到的无线接入点的组成集合，r为观测到的无线接入点的数量，m为各参考点对应各无线接入点的接收信号强度均值的集合，其中
本实施例中，室内环境下wifi指纹图的建立方法如下，在定位环境中按照一定规则选取参考点，并在每个参考点上对ap的信号强度连续采样一段时间，得到每个ap的均值
m为定位指纹中所有均值的集合，其中
更加具体地，确定有效的无线接入点，包括：
确定有效的无线接入点的数量；
从所有无线接入点组成的无线接入点集合中随机选定两个无线接入点作为参考接入点；
计算两个参考接入点间的第一互信息；
从无线接入点集合中获取可使第二互信息最小的无线接入点；
从无线接入点集合中获取可使第三互信息最小的无线接入点；
以此类推，直至获取到足够数量的无线接入点。
本实施例中，更加具体地，设定室内定位环境可用的参考点ap个数为t，选取其中s个ap的优化子集则可以将信号空间的维度从t维降到s维，因而可以减少计算量。具体地，本实施例采用互信息最小化ap选取策略，且具体步骤如下：
1)对于选取的s个ap进行两两组合，按照下式计算每个组合的互信息，查找出互信息最小的组合，其对应的apm，apn作为两个初始参考点ap；
mi(apm,apn)＝h(apm)+h(apn)-h(apm,apn)(2)
公式(2)中：mi(apm,apn)表示两个不同ap的互信息，即，第一互信息，h(apm,apn)表示两个ap的组合信息熵。
2)按照公式(3)计算某ap与两个初始ap组合的互信息。
mi(apm,apn,api)＝h(apm,apn)+h(api)-h(apm,apn,api)(3)
找出能使得mi最小的ap作为最优化ap子集的第三个ap。
3)依次按照第2)步的形式选取下一个最优的ap，依次迭代，直到选取出s个最优ap为止。需要说明的是，第r个最优的ap的选取算式如下：
mi(ap1,ap2,…,apr)＝h(ap1,ap2,…,apr-1)+h(apr)-h(apm,apn,…,apr)(4)
优选地，根据啮齿类动物模型，从预先构建的wifi指纹地图中匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息，包括：
根据当前wifi信号强度集合，以及根据预先构建的贝叶斯后验估计模型获取机器人的估计位置；
根据估计位置，wifi指纹地图，以及根据啮齿类动物模型中的位姿细胞网络，进行位姿信息匹配，以匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息。
本实施例中，采用贝叶斯位置估计策略，且具体地，针对上述的互信息最小化ap选取策略，进一步使用贝叶斯后验估计进行组合优化，使得wifi指纹定位算法的位置估计精度和可靠度大大提升。
贝叶斯后验估计的基本原理如下式所示：
式中：rssi表示多个ap在位置估计点的rssi观测值；p(li|rssi)表示位置li的在给定rssi下的条件概率，即在观测到rssi向量的情况下，定位点出现在li的概率；p(rssi|li)表示位置li的概率；p(li)表示位置li的概率，通常不考虑指纹点之间的差异，即指纹点等概率；p(rssi)表示rssi出现的全概率，其算式如下：
其中，c(rssi1,rssi2,…,rssim)表示指纹点观测到的指定rssi向量的个数；k表示指纹点观测历元数。
将上述全概率算式回代至贝叶斯后验估计式，从而计算出后验条件概率。采用多个指纹点的贝叶斯权重位置估计算式能够在较短时间内算出位置估计点的位置，令估计点的位置为p，则估计位置的计算公式如下：
式中：(x,y)表示位置估计点的二维坐标，(xi,yi)表示第i个指纹点的坐标，ωi表征第i个指纹点的加权权重，即为贝叶斯后验条件的概率，k表示邻近点个数
优选地，位姿细胞网络进行位姿信息匹配，包括：
根据估计位置，从wifi指纹地图中提取出与估计位置相邻的至少一个经历单元；
计算每个经历单元的wifi信号强度与当前wifi信号强度间的欧氏距离；
获取最大欧式距离对应的经历单元所指向的位姿信息，并将获取到的位姿信息确定为机器人的当前位姿信息。
进一步优选地，欧式距离的计算公式为：
其中，(xpc,ypc,θpc)为经历单元对应的位姿细胞坐标；(xi,yi,θi)为与当前位置对应的位姿细胞坐标；ra为(x,y)平面的区域常数，θa为θ维上的区域常数。
本实施例中，每个经历单元都具有一个活性水平，活性水平由位姿感知细胞和wifi指纹中能量峰与每一个经历单元之间接近程度所决定。每一个经历在位姿感知细胞和wifi指纹中有一个相关的活性区域。当能量峰处于这些活性区域时，该激励立刻被激活，这些区域在位姿感知细胞内部是连续的，而在wifi指纹中的相关区域却是非连续的。每个经历ei由经历活性水平ei，wifi信号强度ri所决定。其中，ei＝{ei,ri}，
一个经历单元的能级exyθ和第i个经历单元的总能级水平ei由公式(9)和公式(10)计算可得。
其中，xpcypc和θpc为最大活性姿态细胞的坐标；xi、yi、θi为与该经历相关的位姿感知细胞的坐标；ra为(x,y)平面的区域常数；θa为θ维上的区域常数。rcurr为当前wifi信号强度；ri为与经历i相关的wifi信号强度。
需要说明的是，本实施例中，如图3所示地，利用wifi指纹匹配过程关系示意图。将无线信号网络wifi作为一种传感器用到啮齿类动物模型当中，其定位模型有三个主要部分组成，分别为wifi指纹，位姿细胞网络和经历图。wifi指纹获取环境的wifi信号强度，被称为wifi信号强度模板。wifi指纹信息用来辨识熟悉的环境。当新输入的wifi信号强度信息与已存在的wifi信号强度模板匹配时，位姿细胞网络的活性因子被激活，二者结合能够很大程度上阻止错误匹配的发生，产生更为准确的经历图。
实施例二
结合图2，本发明实施例提供的基于啮齿类动物模型的机器人同步定位与地图构建装置，装置包括：
信息获取单元1，用于获取机器人的当前视觉场景图像信息；
第一匹配单元2，用于根据预先构建的啮齿类动物模型，从预先构建的视觉信息库中匹配出与当前视觉场景图像信息具有最大场景相似度的位姿信息；
数据判断单元3，用于在场景相似度低于设定阈值时，获取机器人的当前wifi信号强度集合；
第二匹配单元4，用于根据啮齿类动物模型，从预先构建的wifi指纹地图中匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息；
同步定位单元5，用于根据最大场景相似度和/最大指纹相似度对应的位姿信息对机器人进行同步定位与地图构建。
本发明实施例提供的基于啮齿类动物模型的同步定位与地图构建装置，将wifi指纹技术与基于啮齿类动物模型的仿生定位技术相融合，实现对位姿细胞网络的修正，以获得最优路径经历图，继而实现对机器人的进行精确定位。
优选地，装置还包括数据更新单元，用于
根据最大场景相似度对视觉信息库进行更新；
根据最大指纹相似度对wifi指纹地图进行更新。
本实施例中，具体地，最大场景相似度为r1，最大指纹相似度为r2，λ1，λ2为预先设定的两个场景相似度阈值，ε1，ε2为预先设定的两个指纹相似度阈值，ε1＜ε2。更加具体地，当r1＞λ2时，匹配成功，此时不需要进行wifi指纹匹配，不对视觉信息库进行更新；当r1＜λ1时，匹配失败，对视觉信息库进行更新；λ1＜r1＜λ2且r2＞ε2时，匹配成功，不进行更新；当λ1＜r1＜λ2且ε1＜r2＜ε2时，匹配成功，不进行更新；当λ1＜r1＜λ2且r2＜ε1时，匹配失败，对wifi指纹地图进行更新。
进一步优选地，获取机器人的当前wifi信号强度集合，包括：
确定有效的无线接入点；
接收每个有效的无线接入点在当前位置产生的当前接收信号强度均值；
将所有有效的无线接入点对应的当前接收信号强度均值确定为机器人的当前wifi信号强度集合。
本实施例中，可以结合实际需要对有效的无线接入点(accesspoint,ap)的数量进行设定，如此，可使信号空间的维度降低，减少计算量。具体地，本实施例中，例如，某室内环境下，具有t个可用的ap，需要从中选取最佳的s个有效的ap，在确定了有效的ap后，依次测量各参考点来自不同ap的接收信号强度值(receivedsignalstrengthindication，rssi)作为该参考点ap的信号特征数，并按一定格式记录在位置指纹数据库中，该数据库也被称为位置指纹地图或wifi指纹图。
具体地，wifi指纹地图的构建，包括：
选定参考点；
在每个参考点上，对每个预设的无线接入点的信号强度进行连续采样后求平均，以获取每个无线接入点在参考点处的接收信号强度均值；
根据各参考点对应的所有无线接入点的接收信号强度均值，按照预设规则进行构建wifi指纹地图并存储。
进一步具体地，wifi指纹地图的数据存储结构为：
im＝{φ,a,m,maci}；其中，
φ＝{l1,l2,…,li,…,lk}；a＝{ap1,ap2,…,api,…,apr}；
maci表示第i个参考点的mac地址值；
其中，im表示wifi指纹地图；li＝(xi,yi)表示第i个参考点的位置，k为参考点的数量，φ表示所有参考点的位置集合，表示地图中所有观测到的无线接入点的组成集合，r为观测到的无线接入点的数量，m为各参考点对应各无线接入点的接收信号强度均值的集合，其中
本实施例中，室内环境下wifi指纹图的建立方法如下，在定位环境中按照一定规则选取参考点，并在每个参考点上对ap的信号强度连续采样一段时间，得到每个ap的均值
m为定位指纹中所有均值的集合，其中
更加具体地，确定有效的无线接入点，包括：
确定有效的无线接入点的数量；
从所有无线接入点组成的无线接入点集合中随机选定两个无线接入点作为参考接入点；
计算两个参考接入点间的第一互信息；
从无线接入点集合中获取可使第二互信息最小的无线接入点；
从无线接入点集合中获取可使第三互信息最小的无线接入点；
以此类推，直至获取到足够数量的无线接入点。
本实施例中，更加具体地，设定室内定位环境可用的参考点ap个数为t，选取其中s个ap的优化子集则可以将信号空间的维度从t维降到s维，因而可以减少计算量。具体地，本实施例采用互信息最小化ap选取策略，且具体步骤如下：
1)对于选取的s个ap进行两两组合，按照下式计算每个组合的互信息，查找出互信息最小的组合，其对应的apm，apn作为两个初始参考点ap；
mi(apm,apn)＝h(apm)+h(apn)-h(apm,apn)(2)
公式(2)中：mi(apm,apn)表示两个不同ap的互信息，即，第一互信息，h(apm,apn)表示两个ap的组合信息熵。
2)按照公式(3)计算某ap与两个初始ap组合的互信息。
mi(apm,apn,api)＝h(apm,apn)+h(api)-h(apm,apn,api)(3)
找出能使得mi最小的ap作为最优化ap子集的第三个ap。
3)依次按照第2)步的形式选取下一个最优的ap，依次迭代，直到选取出s个最优ap为止。需要说明的是，第r个最优的ap的选取算式如下：
mi(ap1,ap2,…,apr)＝h(ap1,ap2,…,apr-1)+h(apr)-h(apm,apn,…,apr)(4)
优选地，第二匹配单元4具体用于，
根据当前wifi信号强度集合，以及根据预先构建的贝叶斯后验估计模型获取机器人的估计位置；
根据估计位置，wifi指纹地图，以及根据啮齿类动物模型中的位姿细胞网络，进行位姿信息匹配，以匹配出与当前wifi信号强度集合具有最大指纹相似度的位姿信息。
本实施例中，采用贝叶斯位置估计策略，且具体地，针对上述的互信息最小化ap选取策略，进一步使用贝叶斯后验估计进行组合优化，使得wifi指纹定位算法的位置估计精度和可靠度大大提升。
贝叶斯后验估计的基本原理如下式所示：
式中：rssi表示多个ap在位置估计点的rssi观测值；p(li|rssi)表示位置li的在给定rssi下的条件概率，即在观测到rssi向量的情况下，定位点出现在li的概率；p(rssi|li)表示位置li的概率；p(li)表示位置li的概率，通常不考虑指纹点之间的差异，即指纹点等概率；p(rssi)表示rssi出现的全概率，其算式如下：
其中，c(rssi1,rssi2,…,rssim)表示指纹点观测到的指定rssi向量的个数；k表示指纹点观测历元数。
将上述全概率算式回代至贝叶斯后验估计式，从而计算出后验条件概率。采用多个指纹点的贝叶斯权重位置估计算式能够在较短时间内算出位置估计点的位置，令估计点的位置为p，则估计位置的计算公式如下：
式中：(x,y)表示位置估计点的二维坐标，(xi,yi)表示第i个指纹点的坐标，ωi表征第i个指纹点的加权权重，即为贝叶斯后验条件的概率，k表示邻近点个数
优选地，位姿细胞网络进行位姿信息匹配，包括：
根据估计位置，从wifi指纹地图中提取出与估计位置相邻的至少一个经历单元；
计算每个经历单元的wifi信号强度与当前wifi信号强度间的欧氏距离；
获取最大欧式距离对应的经历单元所指向的位姿信息，并将获取到的位姿信息确定为机器人的当前位姿信息。
进一步优选地，欧式距离的计算公式为：
其中，(xpc,ypc,θpc)为经历单元对应的位姿细胞坐标；(xi,yi,θi)为与当前位置对应的位姿细胞坐标；ra为(x,y)平面的区域常数，θa为θ维上的区域常数。
本实施例中，每个经历单元都具有一个活性水平，活性水平由位姿感知细胞和wifi指纹中能量峰与每一个经历单元之间接近程度所决定。每一个经历在位姿感知细胞和wifi指纹中有一个相关的活性区域。当能量峰处于这些活性区域时，该激励立刻被激活，这些区域在位姿感知细胞内部是连续的，而在wifi指纹中的相关区域却是非连续的。每个经历ei由经历活性水平ei，wifi信号强度ri所决定。其中，ei＝{ei,ri}，
一个经历单元的能级exyθ和第i个经历单元的总能级水平ei由公式(9)和公式(10)计算可得。
其中，xpcypc和θpc为最大活性姿态细胞的坐标；xi、yi、θi为与该经历相关的位姿感知细胞的坐标；ra为(x,y)平面的区域常数；θa为θ维上的区域常数。rcurr为当前wifi信号强度；ri为与经历i相关的wifi信号强度。
需要说明的是，本实施例中，如图3所示地，利用wifi指纹匹配过程关系示意图。将无线信号网络wifi作为一种传感器用到啮齿类动物模型当中，其定位模型有三个主要部分组成，分别为wifi指纹，位姿细胞网络和经历图。wifi指纹获取环境的wifi信号强度，被称为wifi信号强度模板。wifi指纹信息用来辨识熟悉的环境。当新输入的wifi信号强度信息与已存在的wifi信号强度模板匹配时，位姿细胞网络的活性因子被激活，二者结合能够很大程度上阻止错误匹配的发生，产生更为准确的经历图。
尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。