基于网格状细胞的矢量导航

路径积分与空间表征：
基于 LSTM 处理线速度和角速度序列，预测位置细胞与头方向细胞编码，在隐层中涌现网格细胞、边界细胞等空间表征；采用 BPTT、RMSProp、Dropout 和梯度裁剪训练，训练后模型15秒定位误差由91cm降至16cm。

强化学习导航架构：
基于 CNN、Grid LSTM 和 A3C Actor-Critic 搭建端到端 Agent，融合视觉特征、当前/目标网格编码、历史动作与奖励，实现稀疏奖励下的一次目标学习和向量导航。
![[gridcell-agent架构.png]]

评测与可解释性分析：
在开放场地、程序化多房间、随机门和捷径环境中训练，使用 Ridge Regression 解码目标距离与方向，并通过移除目标编码、屏蔽高 Gridness 单元等消融实验验证空间表征作用。

项目成果

l 网格样单元占比达 25.2%，100 次随机初始化实验中平均占比为 23% ± 2.8%。

l 在带噪速度、无真实坐标输入条件下，将 15 秒自定位误差由 88 cm 降至 12 cm。

l 导航性能超过 A3C、位置细胞 Agent、NavMemNet、DNC 等基线及人类专家，并可零微调泛化至更大地图、利用未见捷径完成最短路径规划。