通过主动状态特异性探索的自适应强化学习：模拟儿童—机器人交互中的参与度最大化

基于摘要分析。本文研究辅助教育机器人如何适应不同儿童及交互过程中变化的参与状态，提出加入主动状态特异性探索的强化学习算法，并在连续迷宫导航与模拟儿童—机器人交互任务中考察其适应性。研究对象是机器人行为调节，而非 EEG 解码或 BCI。 机制上，论文以儿童注视等非语言线索作为判断任务参与状态的潜在信息来源，通过按状态调整探索应对环境非平稳性。连续迷宫任务扩展了经典 grid world；作者报告，参数化动作使智能体能够学会一次移动至走廊末端，其行为类似 options，但不依赖显式层级表示。摘要未披露状态特异性探索的具体更新规则、状态表示及参数化动作的学习细节。 模拟交互包括扩展 Tower of Hanoi 任务，机器人需寻找适合交互儿童的运动速度；以及 pointing task，机器人需选择适合儿童的动作表现力水平。作者报告，算法能够应对状态空间中的全局与局部非平稳变化，同时在其他平稳区域保持稳定行为。摘要未提供定量指标、对照结果或真实儿童验证，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将状态特异性探索用于 BCI 交互策略调节，其可能对应的瓶颈是用户状态或反馈随时间局部漂移，而非神经信号解码本身。可考虑复用探索调节思路，但需重新定义由 EEG 或其他反馈构成的状态、奖励及安全动作范围；低信噪比、跨被试差异和稀疏反馈可能使噪声被误判为非平稳变化。一个可证伪的小实验是在固定解码器的离线交互模拟中，仅改变部分用户状态对应的奖励分布，与统一探索策略比较变化区域的恢复速度及未变化区域的性能保持。该实验依赖可控的状态与奖励反馈，不代表已有 BCI 效果；相关 EEG 工作尚未检索确认。