CMU贺斌：脑机接口用于机器人控制 | NSR观点

卡耐基梅隆大学贺斌教授等在《国家科学评论》（National Science Review, NSR）发表观点文章（Perspective），综述了脑机接口（BCI）在机器人控制中的发展、挑战与未来方向。该文将收录于NSR“脑机智能”专题。

BCI通过解码与用户意图相关的神经信号，并将其转化为外部设备控制指令，为运动功能受损者提供了绕过受损神经通路、恢复或增强运动能力的可能。相比侵入式方法，非侵入式BCI更安全、更易部署，在临床和家庭辅助场景中具有更大的可及性。

机器人手臂和手部控制比光标或轮椅控制更具挑战，因为其控制空间维度更高，需要实现连续、协调且通常非线性的运动。尽管难度较大，恢复上肢功能仍是运动障碍人群最迫切的需求之一，即使是部分手臂或手部功能的恢复，也能显著改善独立性和生活质量。因此，发展能够支持灵巧上肢控制的BCI机器人系统具有重要意义。

近年来，该领域逐步从离散控制走向更复杂的连续轨迹控制、目标追踪，从而提升机器人系统的实用性。同时，更直观的BCI范式设计也推动了机器人控制的灵巧化，使用户的运动意图与机器人动作之间具有更自然的对应关系。

深度学习解码方法是推动BCI机器人控制复杂度提升的重要因素。EEGNet、EEG Conformer等模型能够捕捉非线性、分布式和个体化的神经表征，相比传统特征工程方法通常具有更好的解码性能。深度学习不仅在离线BCI研究中得到广泛应用，也已进入实时机器人控制场景，包括连续轨迹与抓握控制以及机器人手指控制。这些方法有助于实现更高维度、更复杂的机器人行为。

此外，共享自主框架正在成为降低用户负担的重要策略。在这类系统中，BCI主要传递高层用户意图，而自主控制器负责低层运动执行，使用户能够以较低认知和身体负担完成复杂任务。近期AI copilot和基于环境感知的共享控制的结合，进一步显示了BCI机器人系统的应用潜力。

未来BCI机器人系统的发展将依赖神经解码算法与人机智能的深度融合。自适应解码、智能自主控制、长期可用性、用户学习与适应，以及人类意图、机器人行为和功能结果之间的一致性，将成为推动BCI机器人从实验室演示走向真实辅助技术的关键。