智能控制系统用于由大脑控制的移动机器人,使用自学神经模糊方法
Zahid Razzaq1,2, Nihad Brahimi3, Hafiz Zia Ur Rehman4
1Faculty of Engineering, Free University of Bozen-Bolzano, 39100 Bozen-Bolzano, Italy.
Sensors (Basel, Switzerland)
|September 28, 2024
概括
本研究介绍了一种使用自学神经模糊 (SLNF) 控制器和避障控制器 (OAC) 的共享控制方案,以改善移动机器人的脑电脑接口 (BCI) 导航. 新方法提高了安全和控制性能,实现了94.29%的任务完成率.
科学领域:
- 神经科学是一个神经科学.
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 大脑-计算机接口 (BCI) 能够实现直接的大脑-设备通信,帮助患有神经障碍的人.
- 移动机器人的现有BCI面临安全和控制限制.
- 脑电图 (EEG) 信号被转化为BCI的控制命令.
研究的目的:
- 提出一个共享的控制方案,以提高脑控制移动机器人的安全性和控制性能.
- 将一个自我学习的神经模糊 (SLNF) 控制器与一个避障控制器 (OAC) 集成.
- 在现实应用中提高BCI的稳定性和可靠性.
主要方法:
- 开发了一个共享的控制方案,结合了自学神经模糊 (SLNF) 控制器和避障控制器 (OAC).
- SLNF控制器跟踪用户的意图,而OAC确保机器人的安全.
- 实现了一个无模型的SLNF控制器,能够在线更新参数以减轻干扰.
主要成果:
- 拟议的SLNF控制器实现了94.29%的任务完成率,超过了直接BCI (79.29%) 和Fuzzy-PID (92.86%).
- 平均任务完成时间减少到85.31秒,而直接BCI的时间为92.01秒,Fuzzy-PID的时间为86.16秒.
- 证明减少了结算时间和超标,表明控制性能和稳定性得到了增强.
结论:
- 拟议的共享控制方案显著提高了脑控制移动机器人的安全性,控制性能和稳定性.
- SLNF控制器有效地处理用户的意图和外部干扰,从而提高任务成功率.
- 这种方法为增强神经障碍患者的独立性和流动性提供了一个有希望的解决方案.


