論文の概要: EEG-Driven Intention Decoding: Offline Deep Learning Benchmarking on a Robotic Rover

• arxiv url: http://arxiv.org/abs/2602.20041v1
• Date: Mon, 23 Feb 2026 16:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.909579
• Title: EEG-Driven Intention Decoding: Offline Deep Learning Benchmarking on a Robotic Rover
• Title（参考訳）: EEG-Driven Intention Decoding: ロボットローバーのオフラインディープラーニングベンチマーク
• Authors: Ghadah Alosaimi, Maha Alsayyari, Yixin Sun, Stamos Katsigiannis, Amir Atapour-Abarghouei, Toby P. Breckon,
• Abstract要約: 本研究は,ロボットローバー操作時の運転コマンドのオフライン復号化のための脳ロボット制御フレームワークを提案する。 心電図(EEG)信号は16チャンネルのOpenBCIキャップで記録され,運動行動と一致した。 畳み込みニューラルネットワーク、リカレントニューラルネットワーク、Transformerアーキテクチャなど、ディープラーニングモデルがベンチマークされた。
• 参考スコア（独自算出の注目度）: 17.962946435064186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interfaces (BCIs) provide a hands-free control modality for mobile robotics, yet decoding user intent during real-world navigation remains challenging. This work presents a brain-robot control framework for offline decoding of driving commands during robotic rover operation. A 4WD Rover Pro platform was remotely operated by 12 participants who navigated a predefined route using a joystick, executing the commands forward, reverse, left, right, and stop. Electroencephalogram (EEG) signals were recorded with a 16-channel OpenBCI cap and aligned with motor actions at Delta = 0 ms and future prediction horizons (Delta > 0 ms). After preprocessing, several deep learning models were benchmarked, including convolutional neural networks, recurrent neural networks, and Transformer architectures. ShallowConvNet achieved the highest performance for both action prediction and intent prediction. By combining real-world robotic control with multi-horizon EEG intention decoding, this study introduces a reproducible benchmark and reveals key design insights for predictive deep learning-based BCI systems.
• Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、モバイルロボティクスにとってハンズフリーな制御モダリティを提供するが、現実のナビゲーションにおいてユーザの意図をデコードすることは依然として困難である。 本研究は,ロボットローバー操作時の運転コマンドのオフライン復号化のための脳ロボット制御フレームワークを提案する。 4WDローバープロプラットフォームは、ジョイスティックを使って事前に定義されたルートをナビゲートし、コマンドを前方、逆、左、右、ストップで実行した12人の参加者によって遠隔操作された。 電気脳波 (EEG) 信号は16チャンネルのOpenBCIキャップで記録され, Delta = 0 ms での運動と将来の予測地平線 (Delta > 0 ms) で一致した。 前処理の後、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスフォーマーアーキテクチャなど、いくつかのディープラーニングモデルがベンチマークされた。 ShallowConvNetはアクション予測とインテント予測の両方で最高のパフォーマンスを達成した。 実世界のロボット制御とマルチ水平脳波意図デコーディングを組み合わせることで、再現可能なベンチマークを導入し、予測深層学習に基づくBCIシステムの設計上の重要な洞察を明らかにする。

関連論文リスト

• Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
  本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。 DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。 実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-29T16:41:12Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Hybrid Paradigm-based Brain-Computer Interface for Robotic Arm Control [0.9176056742068814]
  脳コンピュータインタフェース(BCI)は、脳信号を使って外部デバイスと実際の制御なしに通信する。 本稿では,ハイブリッドパラダイムによる脳波信号によるロボットアーム操作のための知識蒸留に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-14T08:13:10Z)
• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• High-Speed Robot Navigation using Predicted Occupancy Maps [0.0]
  ロボットがセンサの地平線を越えて広がる空間を高速で予測できるアルゴリズム手法について検討する。 我々は、人間のアノテートラベルを必要とせず、実世界のデータからトレーニングされた生成ニューラルネットワークを用いてこれを実現する。 既存の制御アルゴリズムを拡張し、予測空間を活用することで、衝突のない計画とナビゲーションを高速で改善します。
  論文  参考訳（メタデータ） (2020-12-22T16:25:12Z)
• Deep Reinforcement learning for real autonomous mobile robot navigation in indoor environments [0.0]
  本研究では,地図やプランナーを使わずに,未知の環境下での自律型自律学習ロボットナビゲーションの概念を実証する。 ロボットの入力は、2DレーザースキャナーとRGB-Dカメラからの融合データと目標への向きのみである。 Asynchronous Advantage Actor-Critic Network(GA3C)の出力動作は、ロボットの線形および角速度である。
  論文  参考訳（メタデータ） (2020-05-28T09:15:14Z)
• Populations of Spiking Neurons for Reservoir Computing: Closed Loop Control of a Compliant Quadruped [64.64924554743982]
  本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。 本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
  論文  参考訳（メタデータ） (2020-04-09T14:32:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。