[论文解读] A Real-time Control Approach for Unmanned Aerial Vehicles using Brain-computer Interface

R. Vishwanath, Saumya Kumaar Saksena+1 more|arXiv (Cornell University)|Sep 2, 2018

EEG and Brain-Computer Interfaces参考文献 12被引用 4

一句话总结

本论文提出了一种基于脑电信号（EEG）的实时脑机接口（BCI）控制系统，用于固定翼和垂直起降（VTOL）无人机（UAV），结合了共空间模式（CSP）与线性判别分析（LDA），在97 Hz的高速下实现高精度分类。该方法在多旋翼无人机上实现了2类控制85%的分类准确率，4类控制最高达92%，展示了低延迟、高可靠性的稳定意念控制飞行。

ABSTRACT

Brain-computer interfacing (BCI) is a technology that is almost four decades old and it was developed solely for the purpose of developing and enhancing the impact of neuroprosthetics. However, in the recent times, with the commercialization of non-invasive electroencephalogram (EEG) headsets, the technology has seen a wide variety of applications like home automation, wheelchair control, vehicle steering etc. One of the latest developed applications is the mind-controlled quadrotor unmanned aerial vehicle. These applications, how- ever, do not require a very high-speed response and give satisfactory results when standard classification methods like Support Vector Machine (SVM) and Multi-Layer Perceptron (MLPC). Issues are faced when there is a requirement for high-speed control in the case of fixed-wing unmanned aerial vehicles where such methods are rendered unreliable due to the low speed of classification. Such an application requires the system to classify data at high speeds in order to retain the con- trollability of the vehicle. This paper proposes a novel method of classification which uses a combination of Common Spatial Paradigm and Linear Discriminant Analysis that provides an improved classification accuracy in real time. A non-linear SVM based classification technique has also been discussed. Further, this paper discusses the implementation of the proposed method on a fixed-wing and VTOL unmanned aerial vehicles.

研究动机与目标

• 为解决固定翼和VTOL无人机可靠控制中实时、高速分类脑电信号的挑战。
• 克服SVM和MLP等标准分类器在高速控制场景下因处理速度慢而带来的局限性。
• 开发一种鲁棒、低延迟的BCI系统，仅通过脑信号即可实现对无人机的稳定、连续控制。
• 在一款原型升降副翼控制的三角翼无人机和一款市售四旋翼无人机上验证该系统。
• 证明非侵入式BCI在需要快速响应和高精度的复杂飞行器中的可行性。

提出的方法

• 使用EMOTIV EPOC+头戴设备以250 Hz的采样率实时采集脑电信号。
• 信号预处理包括伪迹去除、带通滤波（8–30 Hz）以及基于事件相关电位（ERPs）的分段处理。
• 特征提取采用共空间模式（CSP）方法，以增强运动想象任务的信噪比。
• 分类采用线性判别分析（LDA）进行2类控制，非线性SVM（NLSVM）进行4类控制。
• 系统以90–97 Hz的实时处理速率运行，实现低延迟的指令传输至无人机。
• 控制指令通过WiFi发送至地面站，地面站利用扩展卡尔曼滤波（EKF）进行传感器融合，将高层指令转发给无人机飞控系统。

实验结果

研究问题

• RQ1 BCI系统能否实现脑电信号的实时、高速分类，从而实现稳定无人机控制，克服传统分类器（如SVM和MLP）的延迟限制？
• RQ2 CSP与LDA的结合在提升固定翼无人机中基于运动想象的BCI分类准确率和速度方面效果如何？
• RQ3 在非侵入式EEG下，2类和4类无人机控制任务所能达到的控制准确率和响应时间水平如何？
• RQ4 个体认知表现（如专注时长和心理训练，如瑜伽）对BCI在无人机控制中分类准确率的影响如何？
• RQ5 所提出的BCI框架能否成功扩展并验证于原型固定翼和商用多旋翼无人机平台？

主要发现

• CSP-LDA分类器实现了97 Hz的实时处理速率，支持低延迟控制，适用于动态无人机飞行。
• 基于LDA的2类系统在所有受试者中平均分类准确率达85%，其中受试者10因长期瑜伽训练达到98%。
• 基于NLSVM的4类系统在四旋翼无人机上最高达到92%准确率，证明其在复杂控制任务中的可行性。
• 受试者10的表现（98%准确率）显著更高，表明瑜伽等心理训练可增强BCI控制能力。
• 该系统在一款原型升降副翼控制的三角翼无人机和AR Parrot 2.0四旋翼无人机上均实现了稳定、连续的控制，具备实时响应和极低延迟。
• 离线分析显示双数据集评估中误差率为11%，证实了模型的鲁棒性和泛化潜力。