近日，澳大利亚科学家用方程式表达出了与苍蝇视力相关的大脑细胞活性。他们通过这些方程式，发现了非常简单有效的方法，可以从原始数据中处理运动模式，这种运动模式指的是一个物体、表面、边缘在一个视角下由一个观察者（比如眼睛、摄像头等）和背景之间形成的明显移动，并用于小型无人飞行机器人遥感导航系统。
据报道，澳洲科学家建立的这个系统在将来可能用来为小型无人驾驶飞机、搜索和救援机器人、汽车导航系统和其他系统的视觉系统编程。大卫·欧·卡洛（David O’Carroll）是澳大利亚阿德莱德大学的研究昆虫视觉的计算神经科学家，他说：“我们从生物学中获取灵感，制作出了这样一个非线性系统。这个系统涉及的计算量非常少，而且，这个系统得出计算结果所需要的浮点运算次数比传统方法少成千上万倍。”
为了制造出小型化的飞行机器人，研究人员需要更简单的方式来处理运动过程。现在，研究人员已经从小小的苍蝇身上找到了灵感，因为苍蝇仅用相对少的神经元就可以非常灵巧的飞翔。在10年前，欧·卡洛和其它研究者煞费苦心的开展了苍蝇飞行研究，并测量出飞行过程中大脑细胞的活性，同时，进一步将这些结果转化为一套计算规则。
11月13日，欧·卡洛和他的同事生物学家罗素·布林克沃思（Russell Brinkworth） 在《公共图书馆·计算生物学》上发表了一篇文章中称，他们测试了这套系统。欧·卡洛说：“笔记本电脑的功率达几十瓦，而我们的系统功率消耗不足毫瓦。”
研究者的算法由5个方程组成，通过这5个方程，可以计算从摄像机获得的数据。每个方程表示了飞行中所用的技巧，通过这个方程可以掌控强度、对比度和移动的变化量，并且方程的参数随着输入的不同不断改变。这套算法不会比较两帧图像的像素变化，只是强调大范围的运动变化模式。从这种意义上说，它的工作原理有点像视频压缩系统。
为了测试这套算法，欧·卡洛和布林克沃思分析了动画片中的高分辨率图像。当他们将输入和输出进行比较后， 他们发现这个算法可以工作在大量自然光环境中以及工作在移动探测器都感到困难的地方。肖恩·亨伯特（Sean Humbert ）说：“这真是一个令人惊异的工作。”亨伯特是马里兰大学的一名航天工程师，他制造了小型无人飞行机器人。亨伯特说：“传统的遥感导航系统需要大量的设备来计算。但是装在这些机器人身上的设备非常小。”
欧·卡洛说：“我们的工作从昆虫的视觉获得灵感，并制造出一个现实世界中可用的模型。但是，在这个过程中，我们已经制作出和昆虫一样复杂的系统。这是一个有趣的事情，这个事情不是让我们去完全了解这个系统是如何工作的，它只是让我们了解大自然是正确的。”（生物谷Bioon.com）
生物谷推荐原始出处：
PLoS Comput Biol 5(11): e1000555. doi:10.1371/journal.pcbi.1000555
Robust Models for Optic Flow Coding in Natural Scenes Inspired by Insect Biology
Russell S. A. Brinkworth*, David C. O'Carroll
Discipline of Physiology, School of Molecular and Biomedical Science, The University of Adelaide, South Australia, Australia
The extraction of accurate self-motion information from the visual world is a difficult problem that has been solved very efficiently by biological organisms utilizing non-linear processing. Previous bio-inspired models for motion detection based on a correlation mechanism have been dogged by issues that arise from their sensitivity to undesired properties of the image, such as contrast, which vary widely between images. Here we present a model with multiple levels of non-linear dynamic adaptive components based directly on the known or suspected responses of neurons within the visual motion pathway of the fly brain. By testing the model under realistic high-dynamic range conditions we show that the addition of these elements makes the motion detection model robust across a large variety of images, velocities and accelerations. Furthermore the performance of the entire system is more than the incremental improvements offered by the individual components, indicating beneficial non-linear interactions between processing stages. The algorithms underlying the model can be implemented in either digital or analog hardware, including neuromorphic analog VLSI, but defy an analytical solution due to their dynamic non-linear operation. The successful application of this algorithm has applications in the development of miniature autonomous systems in defense and civilian roles, including robotics, miniature unmanned aerial vehicles and collision avoidance sensors.
