基于 EEG 的脑控机器人遥操作鲁棒预测控制

基于摘要分析。该研究针对 EEG 脑控移动机器人遥操作中的安全、导航与抗扰动问题，提出分层双环鲁棒预测控制框架，旨在改善机器人运动控制与速度调节，同时尽量减少终端用户控制权的损失。主要贡献位于机器人控制环节，而非摘要所能确认的 EEG 解码算法创新。 机制上，外环采用基于模型的预测控制器，在多种约束下优化速度演化；内环采用积分滑模控制器，通过作者提出的新积分滑模面补偿不确定性，实现速度跟踪。两个环节分别承担约束下的速度规划与扰动下的跟踪控制，为分析 EEG 指令到机器人执行之间的稳定性与安全性提供了明确的控制结构。具体动力学模型、约束形式、优化目标、滑模面定义以及 EEG 指令如何进入控制环路，摘要未提供，尚需全文核对。 作者报告，在不同扰动条件下开展的人在回路驾驶实验中，该系统相较于传统 EEG 机器人直接控制，在安全性、导航表现和鲁棒性方面具有优势。摘要未给出被试数量、EEG 任务与解码方法、扰动类型和幅度、实验划分、具体对照实现或指标数值，因此不能判断优势的大小、统计可靠性及跨被试或跨会话适用性。实验协议、消融及统计信息尚未验证。 复现时需核对机器人平台与动力学参数、控制周期、速度及安全约束、扰动设置，以及用户意图到速度指令的映射。尤其需确认作者如何量化用户控制权损失，并区分控制器带来的抗扰动收益与 EEG 解码质量的影响；摘要中的总体改善不等于已验证 EEG 识别性能提升。