基于 EEG 的脑–机器人远程操控鲁棒预测控制

基于摘要分析。研究面向通过 EEG 神经信号操控移动机器人的远程驾驶问题，提出分层双环鲁棒预测控制框架，旨在同时提升安全性、导航性能与抗扰动能力，并减少终端用户失去控制的情况。其主要贡献位于机器人运动控制与速度调节层面，摘要未提供新的 EEG 解码算法信息。 核心机制：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。两环分别承担受约束的速度规划与抗扰动跟踪，构成从目标速度到实际运动的分层控制结构。预测模型、约束形式、滑模面表达式及稳定性分析尚未验证。 实验与结果：作者在不同扰动条件下开展人在回路的驾驶实验，并报告相较于传统 EEG 机器人直接控制，所提系统具有安全性、导航性能与鲁棒性方面的优势。摘要未提供量化指标、扰动类型、被试人数、任务路线或对照控制器的具体设置，因此尚不能判断优势幅度、统计可靠性及其适用范围。 复现需核对 EEG 指令如何映射到控制目标、双环控制的更新频率与参数、机器人动力学及不确定性设定，以及安全约束如何兼顾用户控制权。实验协议、消融及统计信息尚未验证；还需通过全文区分控制层改进与 EEG 解码性能对整体效果的贡献，不能将作者报告的运动控制优势直接视为 EEG 识别准确率的提升。