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

基于摘要分析。该研究面向教育辅助机器人如何适应不同儿童及其随时间变化的参与状态，提出加入主动状态特异性探索的强化学习算法，并在连续迷宫和模拟儿童—机器人交互任务中考察其适应能力。主要研究对象是机器人行为适应与参与度优化，而非 EEG 解码或 BCI。 方法上，算法旨在针对状态空间中的变化调整探索行为。连续迷宫作为经典 grid world 的扩展，采用参数化动作，使智能体能够学习沿走廊移动至尽头的单次动作；作者将其类比于 options，但明确指出不需要显式层级表示。摘要未给出状态特异性探索的具体更新规则、奖励设计或非平稳性检测机制，尚不能据此还原实现。 在模拟交互中，扩展 Tower of Hanoi 任务要求机器人寻找适合特定儿童的运动速度，指向任务则要求调整动作表达程度。儿童视线等非语言线索被作为判断参与度及是否继续当前行为的重要信息来源，但摘要未说明这些线索在模拟中的具体生成、观测或编码方式。作者报告，算法能够应对状态空间中的全局与局部非平稳性，同时在其他平稳区域保持稳定行为；摘要未提供定量指标或对照结果。 这些结果支持进一步考察状态特异性探索在非平稳机器人交互中的作用，但不构成真实儿童交互效果的验证。实验协议、消融及统计信息尚未验证；复现仍需核对状态与动作定义、参与度奖励、环境变化方式、对照算法及稳定性评价标准。材料未提供与神经信号处理的直接机制对应，因此不据此提出 EEG/BCI 迁移效果或复现实验建议。