机器人行走中通过传感器感知到妨碍其通行的静态或动态物体，进行有效避障。机器人避障基本都采用到激光雷达，仅使用激光雷达作避障传感器，无法在一些复杂场所胜任避障工作的，所以要为机器人配备其它的技术为补充。
日前，微电子所刘明院士团队提出了基于忆阻器构建具备习惯化特性的人工感受神经系统的实现方案，并利用习惯化这一生物学习规则构建了可应用于机器人自主巡航避障的习惯化脉冲神经网络。该神经元能够感知外界的模拟信号并转化成实时的动态脉冲信号，实现了对外界信号进行感知并传输的基本功能。
模拟信号是指用连续变化的物理量所表达的信息，如温度、湿度、压力、长度、电流、电压等等，我们通常又把模拟信号称为连续信号，它在一定的时间范围内可以有无限多个不同的取值。而数字信号是指在取值上是离散的、不连续的信号。模拟信号转换为数字信号需要经过信号的采样、信号的保持、信号的量化与信号的编码四个基本步骤。
脉冲信号是一种离散信号，形状多种多样，与普通模拟信号(如正弦波)相比，波形之间在Y轴不连续(波形与波形之间有明显的间隔)但具有一定的周期性是它的特点。最常见的脉冲波是矩形波(也就是方波)。脉冲信号可以用来表示信息，也可以用来作为载波，比如脉冲调制中的脉冲编码调制(PCM)，脉冲宽度调制(PWM)等等，还可以作为各种数字电路、高性能芯片的时钟信号。
忆阻器，全称记忆电阻器(Memristor)。它是表示磁通与电荷关系的电路器件。忆阻具有电阻的量纲，但和电阻不同的是，忆阻的阻值是由流经它的电荷确定。
因此，通过测定忆阻的阻值，便可知道流经它的电荷量，1971年，蔡少棠从逻辑和公理的观点指出，自然界应该还存在一个电路元件，它表示磁通与电荷的关系。2008年，惠普公司的研究人员首次做出纳米忆阻器件，掀起忆阻研究热潮。纳米忆阻器件的出现，有望实现非易失性随机存储器。
并且，基于忆阻的随机存储器的集成度，功耗，读写速度都要比传统的随机存储器优越。此外，忆阻是硬件实现人工神经网络突触的最 好方式。由于忆阻的非线性性质，可以产生混沌电路，从而在保密通信中也有很多应用。
忆阻器是一种有记忆功能的非线性电阻。通过控制电流的变化可改变其阻值，如果把高阻值定义为“1”，低阻值定义为“0”，则这种电阻就可以实现存储数据的功能。实际上就是一个有记忆功能的非线性电阻器。
忆阻器最简单的应用就是作为非易失性阻抗存储器(RRAM)，当前的动态随机存储器所面临的最大问题是，当你关闭PC电源时，动态随机存储器就忘记了那里曾有过什么，所以下次打开计算机电源，你就必须坐在那儿等到所有需要运行计算机的东西都从硬盘装入到动态随机存储器。有了非易失性随机存储器，那个过程将是瞬间的，并且你的PC会回到你关闭时的相同状态。
忆阻器可让手机在使用数周或更久时间后无需充电，也可使笔记本电脑在电池电量耗尽后很久仍能保存信息。忆阻器也有望挑战数码设备中普遍使用的闪存，因为它具有关闭电源后仍可以保存信息的能力。利用这项新发现制成的芯片，将比闪存更快地保存信息，消耗更少的电力，占用更少的空间。
忆阻器器件的最有趣特征是它可以记忆流经它的电荷数量。蔡教授原先的想法是：忆阻器的电阻取决于多少电荷经过了这个器件。也就是说，让电荷以一个方向流过，电阻会增加;如果让电荷以反向流动，电阻就会减小。简单地说，这种器件在任一时刻的电阻是时间的函数———或多少电荷向前或向后经过了它。这一简单想法的被证实，将对计算及计算机科学产生深远的影响。
脉冲神经网络 (SNN-Spiking Neuron Networks) 经常被誉为第三代人工神经网络。第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。第二代神经网络包括比较广泛，包括应用较多的BP神经网络。但是从本质来讲，这些神经网络都是基于神经脉冲的频率进行编码( rate coded)。
脉冲神经网络，其模拟神经元更加接近实际，除此之外，把时间信息的影响也考虑其中。思路是这样的，动态神经网络中的神经元不是在每一次迭代传播中都被激活(而在典型的多层感知机网络中却是)，而是在它的膜电位达到某一个特定值才被激活。当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电位。
在脉冲神经网络中，神经元的当前激活水平(被建模成某种微分方程)通常被认为是当前状态，一个输入脉冲会使当前这个值升高，持续一段时间，然后逐渐衰退。出现了很多编码方式把这些输出脉冲序列解释为一个实际的数字，这些编码方式会同时考虑到脉冲频率和脉冲间隔时间。
借助于神经科学的研究，人们可以精确的建立基于脉冲产生时间神经网络模型。这种新型的神经网络采用脉冲编码(spike coding)，通过获得脉冲发生的精确时间，这种新型的神经网络可以进行获得更多的信息和更强的计算能力。