小小的大腦，大大的智慧——仿昆蟲智能為通用AI帶來的新思路（2）

在實際測試中，作者使用不同大小——直徑 65mm 或 100mm——和不同顏色——黑色、深灰、淺灰、白色等——的泡沫球來代表目標(biāo)。泡沫球被用類似于魚線的透明細(xì)線懸掛于離地面 50-150cm 的高度，并按照固定的軌跡以 0.06m/s 或 0.12 m/s 的速度前進(jìn)，以代表慢速和快速的目標(biāo)。在實驗過程中，如果機器人在泡沫球完成其運動軌跡之前能夠前進(jìn)至泡沫球一米之內(nèi)，就認(rèn)為追蹤成功了。

由于相機硬件的限制，機器人只能以 20 Hz 的頻率對所處環(huán)境進(jìn)行采樣并跟蹤目標(biāo)。整個實驗可以在戶外進(jìn)行，也可以通過將周圍環(huán)境投影到墻壁上在室內(nèi)進(jìn)行。由于室外環(huán)境的挑戰(zhàn)更強，筆者將著重關(guān)注該機器人在室外的表現(xiàn)。

圖：機器人的視頻輸出樣例，用以顯示室外實驗的環(huán)境條件。

圖源：Bagheri, Zahra & Cazzolato, Ben & Grainger, Steven & O'Carroll, David & Wiederman, Steven. (2017). An autonomous robot inspired by insect neurophysiology pursues moving features in natural environments. Journal of Neural Engineering. 14. 046030. 10.1088/1741-2552/aa776c.

內(nèi)部模型對目標(biāo)檢測的影響 

如前文提到的，在飛行過程中，昆蟲會繞頭移動以使目標(biāo)保持在視野內(nèi)的特定角度位置。然而，這些掃視運動會導(dǎo)致視網(wǎng)膜圖像的頻繁且大量的移位。因此，在掃視過程中昆蟲需要利用眼睛或身體的運動來調(diào)節(jié)視覺輸入，以將視覺注意力轉(zhuǎn)移到正確的位置。一些研究認(rèn)為飛行昆蟲體內(nèi)有一種內(nèi)部模型 （internal model）來對這種掃視運動進(jìn)行預(yù)測和計劃。為了衡量這種內(nèi)部模型對于追蹤成功率的影響，作者比較了開環(huán)（open-loop）和閉環(huán)（closed-loop）控制下的追蹤成功率。在閉環(huán)控制中，機器人系統(tǒng)可以根據(jù)運動傳感器的信息，將融合了 ESTMD 的輸出后的位置信息重新定位到完成掃視運動后的相應(yīng)位置，而在開環(huán)控制實驗中機器人則沒有這類運動傳感器數(shù)據(jù)。

結(jié)果——如下圖（a）顯示，閉環(huán)系統(tǒng)的目標(biāo)檢測成功率的中位數(shù)為 59%，而在開環(huán)系統(tǒng)中，檢測成功的中位數(shù)則直接下降到 48％，因而顯示了內(nèi)部模型在跟蹤目標(biāo)檢測中的重要作用。

信息融合對目標(biāo)檢測的影響

在機器人系統(tǒng)的第三部分內(nèi)，作者實現(xiàn)了一個信息協(xié)助機制（facilitation mechanism），從而提高目標(biāo)相對于其周圍壞境的對比度。為了量化該協(xié)助機制的作用，作者選取了機器人在實驗一開始難以盡快檢測到目標(biāo)，但在追蹤過程中后來又將其鎖定的視頻圖像。在這些圖像中，作者人為的選取目標(biāo)在第一幀中的位置，并將其作為融合機制中目標(biāo)的未來位置，從而提供一個對目標(biāo)位置的初識估計。整個過程可以持續(xù) 200 毫秒或 500 毫秒。

接下來，作者比較了在系統(tǒng)成功將目標(biāo)鎖定之前的幀內(nèi)，系統(tǒng)有（200 ms 或 500 ms）或無目標(biāo)初始位置估計的目標(biāo)檢測成功率。200 ms 和 500 ms 的目標(biāo)初始位置的估計和信息融合將成功目標(biāo)檢測的中位數(shù)提高到 29％和 34％，相比之下，無目標(biāo)初始位置的估計情況下的成功率是 3％， 如下圖（b）所示。這些結(jié)果表明，信息融合機制的存在可以有效的將注意力引導(dǎo)到目標(biāo)位置，從而提高檢測成功率。

圖：a）內(nèi)部模型對目標(biāo)檢測的影響， b）信息融合機制可增強目標(biāo)相對于其周圍壞境的對比度

圖源：Bagheri, Zahra & Cazzolato, Ben & Grainger, Steven & O'Carroll, David & Wiederman, Steven. (2017). An autonomous robot inspired by insect neurophysiology pursues moving features in natural environments. Journal of Neural Engineering. 14. 046030. 10.1088/1741-2552/aa776c.

目標(biāo)對比度的重要性 

作者在閉環(huán)追蹤中量化了目標(biāo)相對于環(huán)境的對比度的影響。下圖 （a）中的框線圖總結(jié)了追蹤過程中的平均目標(biāo)對比度，框內(nèi)的紅線是平均對比度的中位數(shù)，兩端則是 25％和 75％分位數(shù)，剩余的紅色小點是 outlier。盡管在實驗過程中光照條件會發(fā)生變化，因此目標(biāo)對比度也會發(fā)生變化，但不同實驗的平均對比度中位數(shù)實際上是相似的。如果將目標(biāo)對比度平均分為 5 個水平，并計算其相應(yīng)的追蹤成功率——其中不同的曲線對應(yīng)機器人在融合位置信息時使用的不同的時間常數(shù) τf ——如圖 （b）所示，我們可以得出一些有趣的結(jié)論。

首先——不出意料的——可以看出高目標(biāo)對比度對實現(xiàn)高追蹤成功率是相當(dāng)有效的。當(dāng)目標(biāo)對比度較低時，由于檢測到目標(biāo)的成功率已經(jīng)很低，使用不同的時間常數(shù) τf  基本沒有任何影響，時間常數(shù)的最大影響是當(dāng)目標(biāo)對比度大于 0.3 時。作者認(rèn)為，由于目標(biāo)對比度在追蹤過程中會發(fā)生變化，在實際使用時如果能夠在目標(biāo)對比度較高時使用合適的時間常數(shù)建立高效的融合機制，并在隨后追蹤中僅試圖 “鎖定” 在對比度降低的目標(biāo)上，將會大大提高追蹤的成功率。

圖：目標(biāo)對比度對于追蹤成功率的影響

圖源：Bagheri, Zahra & Cazzolato, Ben & Grainger, Steven & O'Carroll, David & Wiederman, Steven. (2017). An autonomous robot inspired by insect neurophysiology pursues moving features in natural environments. Journal of Neural Engineering. 14. 046030. 10.1088/1741-2552/aa776c.

毫無疑問的，本文中受昆蟲的生物結(jié)構(gòu)啟發(fā)而實現(xiàn)的各類模塊使得機器人在低目標(biāo)對比度、存在噪聲的環(huán)境等的環(huán)境中表現(xiàn)的穩(wěn)健型有了提高，并且系統(tǒng)的成功率與模擬（simulation）計算出的成功率相似。但是，該系統(tǒng)也有一些美中不足的地方 —— 在信息融合機制中，由于需要對目標(biāo)的未來位置進(jìn)行估計，對當(dāng)前目標(biāo)速度的估計是很重要的。而作者僅簡單的使用了目標(biāo)的當(dāng)前速度并將分為 “慢”，“中” 或“快”三等。這不可避免的導(dǎo)致了位置估計的誤差，從而影響了系統(tǒng)的表現(xiàn)。另外，當(dāng)機器人運動時，其一定會受到震動產(chǎn)生的力和振動的影響。振動會削弱信息的獲取、運動信息的命令輸出或?qū)⑤斎胄畔⑴c輸出運動命令相關(guān)聯(lián)的過程。昆蟲通過減少振動傳遞到頭部 / 復(fù)眼的方式——即頭和身體獨立轉(zhuǎn)動——來減少其對視覺的影響。這種 “主動視覺” 在本文的機器人系統(tǒng)上并沒有被實現(xiàn)。

本文其他的局限性主要來自于硬件系統(tǒng)——在當(dāng)前的研究中，攝像機的幀數(shù)較低（20 fps），因而限制了機器人和目標(biāo)的速度。而像蜻蜓等昆蟲的飛行速度可以達(dá)到 6.8 m/s，也就是說，目前在地面上緩慢移動的機器人平臺無法像蜻蜓那樣處理同等水平的動態(tài)能量和運動控制難題。要實現(xiàn)高處理速度和低計算復(fù)雜度，就必須轉(zhuǎn)向高速攝像頭，并處理隨之的數(shù)據(jù)處理和能耗要求。不難想象，如果以上問題都能夠解決的話，該模型最理想的實現(xiàn)平臺應(yīng)該是無人機等空中平臺。

三、導(dǎo)航：The Central Complex as a Potential Substrate for Vector Based Navigation

接下來，我們的目標(biāo)轉(zhuǎn)向在地面上活動的昆蟲 —— 螞蟻等昆蟲具有強大的導(dǎo)航能力。一般認(rèn)為，這類昆蟲利用其大腦內(nèi)的中心復(fù)合體（central complex）來實現(xiàn)與導(dǎo)航，方向和空間學(xué)習(xí)緊密相關(guān)的功能，上面的神經(jīng)回路會通過稱為路徑整合（path integration ，PI）的過程來跟蹤它們在巢外的移動情況。目前，建立在神經(jīng)生理學(xué)和神經(jīng)解剖學(xué)數(shù)據(jù)基礎(chǔ)上的最新模型已經(jīng)可以解釋 PI 系統(tǒng)是如何控制昆蟲在巢外環(huán)境探索并準(zhǔn)確返回巢穴的——通過結(jié)合體內(nèi)的指南針和速度信息，該系統(tǒng)可以不斷更新原點矢量（home vector），用以記錄目前其相對于巢穴的位置和方向——其中振幅用于記錄距離，相位用于記錄方向——從而允許昆蟲在外行進(jìn)任意路線之后直接返回巢穴。但是，昆蟲不會僅將 PI 系統(tǒng)用于歸巢。例如，他們還可以利用該系統(tǒng)存儲向量信息（PI vector-memories）以返回到已知的食物位置，并在多個食物位置之間尋找捷徑。對昆蟲這種行為的實現(xiàn)可以提供基于矢量的豐富導(dǎo)航功能。

本文實現(xiàn)的中心復(fù)合體神經(jīng)模型一共有五層，如下圖所示。第一層分為兩部分，分別由用于獲取智能體（Agent）當(dāng)前的速度 （speed）的 TN_2 神經(jīng)元和和用于獲取前進(jìn)方向（directional）的 TL 神經(jīng)元組成。后者包含 16 個輸入神經(jīng)元，每個輸入神經(jīng)元都優(yōu)先響應(yīng)一個特定方向 α∈{0，π/ 4，π/ 2，3π/ 4，π，5π/ 4，3π/ 2，7π/ 4} 。通過判斷哪個神經(jīng)元被激活了，就可以得出智能體的前進(jìn)方向。在實驗中，智能體每走一步都會收到其目前的前進(jìn)方向 α 和應(yīng)該前進(jìn)方向 θ ∈ [0, 2π) 之差的余弦值作為輸入。

第二層由 16 個神經(jīng)元組成，主要作為方向單元（direction cells）用以模擬昆蟲體內(nèi)的 CL1 神經(jīng)元，這些神經(jīng)元接收與前一層方向?qū)拥妮敵龀杀壤囊种戚斎搿＿@些方向單元劃分了方位角空間（azimuthal space ），并互相抑制，從而形成一個環(huán)形吸引電路（ring attractor circuit)，然后以正弦曲線形式產(chǎn)生穩(wěn)定的分布圖案。

第三層主要實現(xiàn)指南針（compass）功能，由 8 個神經(jīng)元組成，它們從前一層中具有相同方向偏好的每對 CL 神經(jīng)元中獲取輸入。這些神經(jīng)元與中心復(fù)合體的前腦橋中的 TB1 神經(jīng)元相同，它們也以類似于環(huán)形吸引電路的特定模式相互抑制連接。

第四層負(fù)責(zé)速度累加（Speed Accumulation），由 16 個神經(jīng)元組成，主要模擬中心復(fù)合體上的 CPU_4 細(xì)胞，每個從 8 個 TB1 神經(jīng)元和上一層的 CL_1 神經(jīng)元獲取輸入。這些神經(jīng)元實際上是一組積分單元（integrator cells ），負(fù)責(zé)結(jié)合方向和速度信息。值得注意的是，其速度輸入是受到其相應(yīng)方向單元的抑制的，因此神經(jīng)元累積會與航向相反的行進(jìn)距離，從而創(chuàng)建了原點矢量的分布式表示形式。

到這一步，作者額外添加了“向量記憶”（vector memory）神經(jīng)元，該神經(jīng)元可以存儲第 4 層的輸出狀態(tài)，進(jìn)而在該輸出到達(dá)第 5 層之前對其進(jìn)行調(diào)制（modulation）。具體來說，系統(tǒng)需要將利用記憶神經(jīng)元的突觸權(quán)重（synaptic weights）——兩個節(jié)點之間聯(lián)系的強度或幅度——實現(xiàn)向量記憶。當(dāng)智能體發(fā)現(xiàn)食物后——當(dāng)然這在此后的研究中可以被替換為更廣泛的事件類型——智能體將會將當(dāng)前的原點矢量存儲到記憶神經(jīng)元中。這樣，智能體可以在之后回到它存儲原點矢量的位置。當(dāng)智能體回到巢穴后，第四層的輸出在理想狀態(tài)下應(yīng)該為 0 ——因為它距離原點，也就是巢穴的距離為 0——因此，第四層中任何非零的輸出都就代表了整個路徑中的錯誤。利用這一“錯誤向量”，智能體可以對其存儲的最后一個向量進(jìn)行重新校準(zhǔn)。

第五層模擬的是中央復(fù)合體的 CPU1 神經(jīng)元，負(fù)責(zé)輸出智能體的轉(zhuǎn)向（steering）。它們接收來自第三層的指南針輸入，以及第四層中經(jīng)過向量內(nèi)存調(diào)制（modulated）的原點向量。根據(jù)智能體的行動目的——比如歸巢或覓食——神經(jīng)元可以有選擇性的接受輸入信息。

圖：中央復(fù)合體模型中的大概結(jié)構(gòu)和主要連接

圖源：Le Mo?l, F., Stone, T., Lihoreau, M., Wystrach, A., & Webb, B. (2019). The Central Complex as a Potential Substrate for Vector Based Navigation. Frontiers in psychology, 10, 690.

作者在 Python 2.7 中搭建了模擬環(huán)境，主要包括一個巢穴（nest），幾個食物點（feeders）和一些障礙物。巢穴和食物點都用圓形表示，并且其直徑相對于模擬環(huán)境是較小的，但其會散發(fā)出一些特定的嗅覺信息，使得智能體在到達(dá)巢穴和食物附近后能夠被吸引過來。而障礙物則可以是任意形狀的，它會在很小的半徑范圍內(nèi)發(fā)出排斥信號來迫使智能體轉(zhuǎn)向。在測試中，智能體可以從外部參考系中獲取有關(guān)其前進(jìn)方向和速度的信息，如果智能體能夠成功進(jìn)入到巢穴或食物的半徑范圍內(nèi)，就視為該測試成功。

作者首先測試了向量記憶是否可用于計算兩個已知位置之間的捷徑（shortcutting）。該測試目的，從幾何上來說，如果智能體存儲了兩個從不同位置指向巢穴的原點矢量 F_1 和 F_2（下圖中的綠色箭頭和紫色箭頭），那么當(dāng)智能體處于 F_1 時，對 F_1 和 F_2 之間做減法，可以形成一個平行四邊形，也就是可以得到從  F_1 直接前往 F_2 的捷徑（下圖中的深橘色箭頭）。

圖：昆蟲如果利用其存儲的向量可以計算多個目的地之間的捷徑

圖源：Le Mo?l, F., Stone, T., Lihoreau, M., Wystrach, A., & Webb, B. (2019). The Central Complex as a Potential Substrate for Vector Based Navigation. Frontiers in psychology, 10, 690.

在實驗過程中，智能體需要通過隨機游走（random walk）——從而模擬昆蟲探索周圍環(huán)境的行為——獨立的發(fā)現(xiàn)兩處食物點并將其對應(yīng)的原點矢量存儲在向量記憶中。然后，智能體首先需要根據(jù)其記憶返回其中一個食物點，其記憶中的另一個原點向量將在到達(dá)后被激活，用以計算從當(dāng)前食物點直接前往下一食物點的捷徑。作者衡量了到達(dá)第二個食物點的成功率，前往第二個食物點的路徑的平直性，以及離開第一個食物點的角度誤差。在 212 次實驗中，有 193 次智能體成功到達(dá)了第一個食物點，這其中到達(dá)第二個食物點的成功率高達(dá) 89.6%。

圖：利用向量記憶尋找捷徑。（A）智能體現(xiàn)在有兩個不同的向量記憶神經(jīng)元可用，但一次只能調(diào)用一個。（B）當(dāng)智能體調(diào)用第一個向量到達(dá) F1 后，有關(guān) F2 的向量記憶會被激活，并通過向量之間的加減法計算從當(dāng)前位置前往 F2 的捷徑。半透明的線分別代表 100 次重復(fù)實驗，其中一次實驗用實線更清晰的標(biāo)記出來用作示例。

圖源：Le Mo?l, F., Stone, T., Lihoreau, M., Wystrach, A., & Webb, B. (2019). The Central Complex as a Potential Substrate for Vector Based Navigation. Frontiers in psychology, 10, 690.

接下來，作者測試了智能體在需要依次訪問多個食物點的時候能不能找到全局最短路徑（multi-location routes）。這個測試一共有三種情況，第一種情況是正陣列（positive array），智能體一共需要訪問五個食物點，每次僅簡單的訪問最近的下一個食物點就可以形成全局最短路徑；第二種情況時負(fù)陣列（negative array），智能體需要訪問六個食物點，但簡單的訪問最近鄰與全局最短路徑是不等價的；第三種情況也是負(fù)陣列，智能體需要訪問十個食物點。已知在自然界中蜜蜂可以很好的處理前兩種情況，但無法在第三種情況中找到最優(yōu)解。每一種情況的食物點分布和最優(yōu)路徑如下圖所示。

圖：全局最短路徑測試 （A）智能體現(xiàn)在有多個不同的向量記憶神經(jīng)元可用，但一次仍然只能調(diào)用一個；（B）正陣列（5 個食物點）測；（C）負(fù)陣列（6 個食物點）測試；（D）負(fù)陣列（10 個食物點）測試。左：中黑色的箭頭的寬度與該線路出現(xiàn)的頻率成正比；右上角：智能體最常選擇的路線；右下角：單個路徑示例

圖源：Le Mo?l, F., Stone, T., Lihoreau, M., Wystrach, A., & Webb, B. (2019). The Central Complex as a Potential Substrate for Vector Based Navigation. Frontiers in psychology, 10, 690.

在實驗開始之前，作者首先保證每個食物點都在 100 次以上隨機游走過程被智能體發(fā)現(xiàn)，然后對其存儲的向量記憶求均值，從而獲得關(guān)于每個食物點的精確的向量記憶，以排除位置誤差在本次實驗中的影響。然后在測試中，一次向外旅行（outward trip）對應(yīng)于一個智能體離開巢穴，根據(jù)其向量記憶計算新路線或簡單的追蹤其記憶，并在找到所有食物點或達(dá)到時間限制后返回巢穴。在旅行過程中，智能體可以隨時根據(jù)當(dāng)前的 CPU4 激活值減去其向量記憶，產(chǎn)生的最小值所對應(yīng)的向量記憶將被選擇為當(dāng)前調(diào)用的向量記憶，從而驅(qū)動智能體的活動路徑。由于這類計算沒有時間限制，如果最小值正好變化了，它可能在任何時刻調(diào)用不同的向量記憶并改變路徑。當(dāng)沒有任何向量記憶可以調(diào)動后，智能體會直接返回巢穴。

每一種情況都被重復(fù)測試了 500 次以上，作者選取了測試中智能體成功在時間限制之內(nèi)到達(dá)每個食物點然后返回巢穴的路徑，計算了智能體造訪食物點的順序，完整路線的形狀和頻率以及食物點間的個別移動。

在第一種情況中（正陣列），智能體一種有 5 ！= 120 條可能的路線來訪問此陣列中的 5 個食物點。在 500 次重復(fù)實驗中，94.20％的智能體都成功完成了測試，其中有 77.71％（r = 366）和 15.07％（r = 71）的智能體使用了兩種最佳路線（逆時針和順時針；5、4、3、2、1 和 1、2， 3、4、5），有 1.49％ 和 0.64％ 的智能體選擇了次佳路線，僅有不到 3% 的智能體使用另外的 8 中路線，剩余的 108 條可能路線則從來沒有被選擇過，這與學(xué)者們在蜜蜂中觀察到的情況非常相似。

在第一個負(fù)陣列中，智能體一共有 6 ！= 750 條可能的路線來訪問 6 個食物點，有 94% 的智能體都成功的通過了測試。雖然在其中，至于 2.77％ 的智能體選擇了最佳路線（1、2、3、4、5、6），但作者發(fā)現(xiàn)有 47.23％ 的智能體選擇了次優(yōu)路線。剩下的智能體則選擇了其他路徑，同樣的，有大量的路徑 （711 條）從來沒有被選擇過。

可能的路徑總數(shù)隨著食物點的增加是呈指數(shù)級增長的，在第二個負(fù)陣列中，智能體一共有 10！= 3628800 條可能的路線來訪問 10 個食物點。所有實驗中仍然有  95.40％ 的智能體成功的完成了測試，但相比于前兩種情況，智能體的路徑選擇更多樣化，500 次實驗中一共有 371 條不同的路徑被選擇了。因而，作者也無法像此前的實驗一樣從中計算出一條具有代表性的典型路徑來。相對來說，最經(jīng)常被選擇的四條路徑在長度上不是最優(yōu)的，同時也不是僅僅選擇最近鄰而形成的路線。接下來的三條最常被選擇的路徑是最優(yōu)路徑之一，但僅有 1.05％ 的智能體選擇了它們。這次實驗的結(jié)果顯示了強烈的隨機性，作者認(rèn)為主要是由兩個原因?qū)е碌模?）食物點間較短的相對距離會導(dǎo)致較大的方向誤差，2）不同食物點之間的距離相似，導(dǎo)致當(dāng)前向量記憶的選擇更加隨機。

整體來說，這篇文章證明了對矢量的操縱是對觀察到的昆蟲導(dǎo)航系統(tǒng)的高度簡約的解釋。它既符合解剖學(xué)模型， 同時在實現(xiàn)上足夠簡單，產(chǎn)生的結(jié)果也與對實際昆蟲的觀測結(jié)果相符。本文中使用的向量記憶是新穎的，它可以校正 PI 機制中積累產(chǎn)生的誤差，并且可以有效的在不同目的地之間計算捷徑。但本文沒有考慮到 PI 機制如何可以與其他導(dǎo)航線索結(jié)合起來——眾所周知螞蟻等昆蟲會從腹部末端的肛門和腿上的腺體里分泌帶有特殊氣味的化學(xué)物質(zhì)，以提供氣味路標(biāo)。這在原點矢量的位置不準(zhǔn)確的時候?qū)峁O大的幫助。

結(jié)語

很顯然，目前以模擬昆蟲的功能實現(xiàn)智能系統(tǒng)的研究還處在一個比較早期的階段，我們要在終端產(chǎn)品上見到這些系統(tǒng)還需要一段時間。但仿昆蟲大腦的智能，乃至仿生智能，仍然為更一般的神經(jīng)啟發(fā)式 AI 提供了曙光。目前流行的深度學(xué)習(xí)，能夠從大型數(shù)據(jù)集提取模式并獲得超出人類水平的表現(xiàn)。但在半監(jiān)督和無監(jiān)督學(xué)習(xí)領(lǐng)域，開發(fā)出能夠自我標(biāo)記新類示例的算法仍然是一個挑戰(zhàn)。盡管這些任務(wù)對于人類來說似乎微不足道，缺乏推理能力的深度學(xué)習(xí)算法仍難以與人類的性能相匹配。神經(jīng)啟發(fā)的 AI——或仿生智能——則提供了新的機會，因為它可能可以直接跳過我們目前常用的解題思路來解決這些難題。一旦研究者們能取得突破，人類對自然界智能的認(rèn)知又將再上一個臺階。

參考文獻(xiàn)

[1] Chancan, M., Hernandez-Nunez, L., Narendra, A., Barron, A. B., & Milford, M. (2020). A hybrid compact neural architecture for visual place recognition. IEEE Robotics and Automation Letters, 5(2), 993-1000. https://doi.org/10.1109/LRA.2020.2967324

[2] Chance, F. S., Aimone, J. B., Musuvathy, S. S., Smith, M. R., Vineyard, C. M., & Wang, F. (2020). Crossing the Cleft: Communication Challenges Between Neuroscience and Artificial Intelligence. Frontiers in computational neuroscience, 14, 39. https://doi.org/10.3389/fncom.2020.00039

[3] Webb, Barbara. (2020). Robots with insect brains. Science. 368. 244-245. 10.1126/science.aaz6869.

[4] Bagheri, Zahra & Cazzolato, Ben & Grainger, Steven & O'Carroll, David & Wiederman, Steven. (2017). An autonomous robot inspired by insect neurophysiology pursues moving features in natural environments. Journal of Neural Engineering. 14. 046030. 10.1088/1741-2552/aa776c.

[5] Le Mo?l, F., Stone, T., Lihoreau, M., Wystrach, A., & Webb, B. (2019). The Central Complex as a Potential Substrate for Vector Based Navigation. Frontiers in psychology, 10, 690. https://doi.org/10.3389/fpsyg.2019.00690

[6] Le, D. C.,  Youn C. H. (2020). City-Scale Visual Place Recognition with Deep Local Features Based on Multi-Scale Ordered VLAD Pooling. arXiv:2009.09255 ** 

[7] https://en.wikipedia.org/wiki/Mushroom_bodies

[8] Wu, S., Wong, K. Y., Fung, C. C., Mi, Y., & Zhang, W. (2016). Continuous Attractor Neural Networks: Candidate of a Canonical Model for Neural Information Representation. F1000Research, 5, F1000 Faculty Rev-156. https://doi.org/10.12688/f1000research.7387.1