利用运动想象脑信号与阻抗控制引导软机器人

基于摘要分析。该研究针对 EEG 运动想象控制易出错、刚性机器人在人附近运行可能产生安全风险的问题，将可穿戴 EEG 与软机器人的物理柔顺性结合，提出实时控制软机器人末端执行器的流程。主要贡献是把用户意图转化为虚拟吸引点的位置变化，再由新的笛卡尔阻抗控制器驱动末端执行器趋近该吸引点，而非仅依赖解码准确性保障交互。 在信号端，摘要称系统最少可使用三个 EEG 通道，通过运动想象算法解释用户意图；具体预处理、特征、分类器、训练方式及指令映射尚未验证。在机器人端，研究对象是基于平面软机器人的架构化超材料，控制架构需处理其特殊非线性，包括控制非仿射性。摘要未给出控制律、稳定性分析或阻抗参数，因而尚不能判断这些机制的适用边界。 作者报告，在初步定量的设定点调节任务中，用户在 66% 的步骤内到达设定点附近；仅针对成功步骤，平均响应时间为 21.5 秒。这些指标分别描述任务步骤的达成情况与成功条件下的响应时间，不能视为运动想象分类 Accuracy 或 ITR。作者还报告演示了涉及环境交互的简单真实任务，并将其可执行性归因于机器人柔软性，但摘要未提供安全事件、接触力或刚性机器人对照结果。 复现时需核对被试数量、运动想象类别、通道位置、校准流程、被试内或跨被试协议，以及“步骤”和“设定点附近”的操作定义；还需确认失败步骤的处理、解码延迟与机器人响应的计时范围。实验协议、消融及统计信息尚未验证。该工作的直接价值在于 EEG—控制—物理交互的系统整合，摘要不足以支持其已解决解码误差或已验证人机交互安全性的结论。