Effiziente PI durch lernbasierte Replikation neuronaler Dynamik

Die Path‑Integration (PI) des Gehirns liefert wertvolle Impulse für die Entwicklung von Brain‑Inspired Navigation (BIN). In den meisten bisherigen Studien wird PI jedoch über Continuous Attractor Neural Networks (CANNs) realisiert, was zu erheblicher Rechenredundanz führt und die Einsatzfähigkeit von BIN einschränkt.

Um dieses Problem zu lösen, schlägt die neue Arbeit einen effizienten PI‑Ansatz vor, bei dem Repräsentations‑Learning‑Modelle die neurodynamischen Muster von CANNs nachbilden. Durch den Einsatz leichter künstlicher neuronaler Netzwerke (ANNs) werden die Muster von Head‑Direction‑Cells (HDCs) und Grid‑Cells (GCs) exakt repliziert.

Die so rekonstruierten HDC‑ und GC‑Modelle werden anschließend zu einem PI‑System für Dead‑Reckoning (DR) zusammengeführt. In umfangreichen Tests in unterschiedlichen Umgebungen zeigt sich, dass die Genauigkeit der Positionsbestimmung mit dem etablierten NeuroSLAM‑System gleichwertig ist.

Darüber hinaus erzielt die neue Methode deutliche Effizienzgewinne: Auf einem allgemeinen Gerät steigt die Leistung um etwa 17,5 %, während auf Edge‑Geräten Verbesserungen von 40 % bis 50 % erreicht werden. Diese Fortschritte machen BIN deutlich praktikabler.

Die vorgestellte Implementierungsstrategie eröffnet neue Möglichkeiten für die Weiterentwicklung von Brain‑Inspired Navigation und könnte in zukünftigen Anwendungen noch weiter ausgebaut werden.