返回
Brain-controlled operator model-driven deep reinforcement learning for adaptive brain-machine collaborative control
DOI:10.1016/j.eswa.2025.130770.png)
摘要
En 中文
• 提出了一种基于深度强化学习的自适应脑机协同控制方法。
• 开发了一种脑控操作员模型,以将人类决策经验嵌入学习过程。
• 设计了双Actor-Critic机制用于自适应人机协调。
• 在不确定性和低EEG精度条件下增强了适应性和鲁棒性。
• 实验表明其性能、稳定性和自主性优于基线方法。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Lower Limb Motor Intention Detection Model Based on Feature Fusion and Reinforcement Learning Assisted Approach基于特征融合与强化学习辅助方法的下肢运动意图检测模型
Shared Three-Dimensional Robotic Arm Control Based on Asynchronous BCI and Computer Vision基于异步BCI和计算机视觉的共享三维机械臂控制
A Shared Control Strategy for Reach and Grasp of Multiple Objects Using Robot Vision and Noninvasive Brain-Computer Interface使用机器人视觉和无创脑机接口的多个对象的到达和抓取的共享控制策略

