MIndGrasp：一种基于运动想象的三维辅助机器人控制的新训练与测试框架
人机交互
2020-03-03 v1
摘要
随着全球老龄化和残疾的增加，辅助机器人变得越来越必要，而脑机接口（BCI）常被提议作为理解需要辅助的残障人士意图的解决方案。大多数基于脑电图（EEG）的运动想象（MI）BCI 控制框架依赖于在笛卡尔空间中对机器人进行直接控制。然而，对于三维运动，这需要 6 个运动想象类别，即使对于更有经验的 BCI 用户来说也是难以区分的。在本文中，我们提出了一个模拟训练与测试框架，将运动想象类别数量减少到 4 个，同时仍能在三维空间中抓取物体。这是通过机器人臂的半自主眼在手视觉控制实现的，而用户控制的 BCI 实现向左和向右的运动，以及朝向和远离感兴趣物体的运动。此外，该框架包含一种直接在辅助机器人系统上训练 BCI 的方法，与使用如 Graz-BCI 等标准训练协议相比，应更容易迁移到真实世界的辅助机器人。所呈现的结果未考虑真实人类 EEG 数据，而是作为与未来人类数据及系统其他改进进行比较的基线。
引用
@article{arxiv.2003.00369,
title = {MIndGrasp: A New Training and Testing Framework for Motor Imagery Based 3-Dimensional Assistive Robotic Control},
author = {Daniel Freer and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:2003.00369},
year = {2020}
}
备注
8 pages, 5 figures, submitted to IROS 2020