面向以人为中心的自动驾驶控制的神经认知奖励建模

基于摘要分析。该研究针对自动驾驶策略难以符合人类预期的问题，提出 EEG 引导的决策框架，将驾驶场景中的人类认知反应纳入强化学习（RL）奖励建模。其主要研究对象是自动驾驶控制，而非通用 EEG 解码；贡献在于探索以神经认知反馈补充传统 RLHF 人工偏好排序的路径。 作者在逼真驾驶模拟器中采集了 20 名参与者的 EEG，并分析突发环境变化诱发的 ERP。框架使用神经网络，根据视觉场景中的认知信息预测 ERP 强度，再探索将此类认知信息融入 RL 奖励信号。摘要未说明具体 ERP 成分、强度定义、视觉特征表示、预测损失及奖励组合方式，也未明确部署时是否需要实时 EEG，因此不能将其解读为已验证的在线 EEG 闭环控制系统。 作者报告，在其自动驾驶 RL 实验中，该框架能够改善碰撞规避能力，支持神经认知反馈用于自动驾驶的潜力。摘要未提供效果数值、碰撞指标定义、对照基线或具体评估场景；20 名参与者对应 EEG 采集规模，并不直接说明控制策略的评估规模。被试内、跨被试及场景划分，实验协议、消融及统计信息尚未验证。 阅读全文时需重点核对视觉场景到 ERP 强度的预测能否在未见被试或场景上保持有效，以及奖励模型预测性能与实际驾驶安全收益之间的关系。复现所需的模拟器配置、EEG 预处理与事件对齐、模型训练细节、RL 算法、奖励权重及数据与代码可用性均尚未验证。摘要支持的是模拟环境中的方法探索，不能据此推断真实道路安全性或一般 BCI 任务中的有效性。