在面向未来的大脑控制车辆中,利用机器学习和模糊理论进行决策的生物灵感EEG信号计算

科学领域:

• 机器人和人工智能 机器人和人工智能
• 神经科学与人与计算机的交互

背景情况:

• 脑控制车辆 (BCV) 依赖于脑计算机接口 (BCI) 通过脑电图 (EEG) 信号为驾驶员输入.
• 目前的BCI在准确性,命令识别和执行速度方面面临限制,导致BCV控制不足最佳.
• 在保持BCI精度的同时提高BCV控制性能是一个重大挑战.

研究的目的:

• 引入一种基于模糊逻辑的新技术,模糊大脑控制融合控制,以增强BCV的控制能力.
• 解决自动驾驶汽车应用中现有的BCI系统的局限性.
• 开发一个系统,将驾驶员的意图与自动控制融合在一起,使车辆运行更加稳健和与人类保持一致.

主要方法:

• 利用模糊离散事件系统 (FDES) 监督理论来验证驾驶员大脑控制的命令的准确性.
• 开发了一个基于模糊逻辑的自动控制器,用于基于车辆状态的实时决策.
• 实现了二级模糊推理层,以合并驱动器命令和最终输出的自动决策.

主要成果:

• 通过使用一致状态视觉唤起潜能 (SSVEP) BCI,证明了拟议的模糊大脑控制融合控制技术的可行性.
• 融合方法旨在在BCV操作中创建更准确和与人类意图一致的调整.
• 该系统显示了改善BCI驱动车辆控制执行的潜力.

结论:

• 模糊的大脑控制融合控制方法提供了一种有希望的方法来克服当前的BCV性能限制.
• 建议进行进一步的研究,以验证和优化该系统,以便在BCI燃料汽车中加强控制执行.
• 该技术有可能通过改进的人机集成来推进自动驾驶技术.