STREAMS：面向生物信号驱动机器人控制的仿辅多模态AI框架
机器人学
2025-06-12 v2
摘要
基于终端的辅助机器人在受人类生物信号（如肌肉活动和脑波）驱动时面临生成平滑且稳健轨迹的持续性挑战。产生的终端轨迹往往运行而不精确，难以执行复杂任务，如稳定的机器人抓取。我们提出了 STREAMS（Self-Training Robotic End-to-end Adaptive Multimodal Shared autonomy，即自训练机器人终端自适应多模态共享主义），作为一种新型框架，利用深度强化学习来解决生物信号驱动机器人控制系统中的这一挑战。STREAMS 将环境信息和合成用户输入融入深度 Q 学习网络（DQN）管道，实现一种交互式端到端自训练机制，以为控制基于终端的机器人产生平滑轨迹。该框架在仿真中实现了 98% 的高性能记录，实现了动态目标估计和获取，无需任何预存在数据集。作为一次针对五名参与者的零样本仿真到现实用户研究，STREAMS（作为辅助模式）在轨迹稳定性、用户满意度和任务性能方面均显著优于手动模式，其成功率为 83%，而手动模式为 44%，且无需任何任务支持。STREAMS 旨在通过提供一种交互式端到端解决方案来改进生物信号驱动的辅助机器人控制，该方案稳定了终端轨迹，增强了任务性能和精度。
关键词
引用
@article{arxiv.2410.03486,
title = {STREAMS: An Assistive Multimodal AI Framework for Empowering Biosignal Based Robotic Controls},
author = {Ali Rabiee and Sima Ghafoori and Xiangyu Bai and Sarah Ostadabbas and Reza Abiri},
journal= {arXiv preprint arXiv:2410.03486},
year = {2025}
}