本次讲座围绕脑机接口、智能机器人及抗干扰控制等前沿交叉领域展开，系统介绍了人工智能技术发展背景、脑机接口基本原理、典型脑电诱发范式、脑控机器人系统构成、抗扰控制方法、事件触发机制、信息安全控制以及具身智能等相关研究内容。整体来看，讲座以“人—机—环境”闭环交互为主线，从人的神经活动感知出发，经脑电信号采集、意图识别与语义理解，将高层控制意图转化为机器人可执行指令，再结合鲁棒控制、事件触发和安全通信机制实现机器人的稳定执行，体现了神经工程、人工智能、自动控制、机器人学和信息安全等多学科深度融合的发展趋势。随着大语言模型、多模态感知、无人系统和智能机器人技术不断发展，人工智能研究对象正在由单纯的信息处理系统逐渐向能够完成环境感知、任务理解、自主决策和物理执行的智能实体延伸，而脑机接口则为人类与此类智能系统之间建立更加直接的人机交互通道提供了重要技术基础。

讲座首先介绍了当前人工智能与机器人技术的发展背景，包括大语言模型、多传感器信息融合、无人系统、智能机器人以及多模态智能等研究方向。传统人工智能系统主要围绕图像、语音和文本等信息进行分析与处理，而新一代智能机器人系统更加关注感知、认知、决策和控制的整体协同，即机器人不仅需要“识别环境”，还需要在真实环境中完成任务规划和动作执行。多传感器标定与融合定位能够综合视觉、惯性、激光雷达等异构传感信息，提高复杂环境下机器人状态估计和空间定位的可靠性；大语言模型则进一步增强了机器人对自然语言指令和复杂语义信息的理解能力。在这一技术背景下，脑机接口被引入智能机器人系统，使人的神经活动能够直接参与机器人任务决策，为传统人机交互提供了一种新的信息输入方式。由此形成的脑控机器人，不再只是单一的机器人运动控制系统，而是融合脑信号获取、模式识别、智能决策和运动控制的复杂闭环系统。

随后，讲座对脑机接口的基本概念及技术分类进行了系统介绍。脑机接口（Brain-Computer Interface，BCI）的核心在于建立人脑神经活动与外部设备之间的信息通道，在不依赖传统外周神经和肌肉运动输出的情况下，实现神经信息的采集、解析和控制指令生成。按照脑信号采集方式不同，脑机接口可划分为侵入式、半侵入式和非侵入式等类型。侵入式脑机接口通常通过植入式微电极直接获取皮层或神经元附近的电活动，因此具有较高的信号幅值、信噪比及时空分辨率，在高自由度神经解码方面具有明显优势，但其应用受到手术风险、长期稳定性、生物相容性以及伦理问题等因素限制。非侵入式脑机接口主要利用头皮脑电图（Electroencephalography，EEG）获取大脑神经活动，具有安全性较高、设备成本相对较低、部署方便等特点，因此在脑控机器人、康复训练和辅助交互等应用中具有较高研究价值。其不足在于脑电信号容易受到眼电、肌电、环境电磁干扰和头皮组织衰减等影响，因此信号预处理和稳健特征提取成为系统设计中的关键环节。

在脑电信号与脑机接口范式部分，讲座重点介绍了自发脑电信号和诱发脑电信号，并涉及P300事件相关电位和稳态视觉诱发电位等典型范式。P300属于事件相关电位（Event-Related Potential，ERP）的一种，当受试者在一系列刺激中识别并关注目标刺激时，大脑通常会在刺激出现后约300 ms附近产生具有代表性的正向电位变化，因此P300可用于目标选择、字符输入和人机交互任务。稳态视觉诱发电位（Steady-State Visual Evoked Potential，SSVEP）则主要通过不同频率的周期性视觉刺激诱导视觉皮层产生具有对应频率及谐波成分的脑电响应。若将前进、后退、左转、右转和停止等机器人控制指令分别映射到不同闪烁频率，使用者通过持续注视某一视觉目标即可诱发相应SSVEP信号，系统再通过频谱分析、典型相关分析或滤波器组典型相关分析等方法识别刺激频率，从而判断用户当前所选择的控制意图。与运动想象型脑机接口相比，SSVEP通常具有较高的信噪比、较快的信息传输速率以及较低的用户训练需求，因此被广泛用于实时脑控机器人系统。

一个完整的SSVEP脑控机器人系统通常包括视觉刺激、脑电采集、信号预处理、特征提取、模式分类、指令映射和机器人执行等多个环节。首先，刺激终端产生不同频率的视觉刺激，使用者注视目标后由枕叶视觉皮层产生相应脑电活动；随后通过多通道EEG设备采集脑电信号，并利用带通滤波、陷波滤波、伪迹抑制等方法减少工频干扰、眼电伪迹和肌电噪声的影响；在此基础上提取与刺激频率相关的信号特征，通过典型相关分析、滤波器组分析或机器学习算法完成目标分类，最终将识别结果映射为机器人控制命令。由此可见，脑机接口的主要功能是完成“神经活动—控制意图”的信息转换，而机器人控制系统则负责解决“控制意图—稳定运动”的执行问题，两者在功能上具有明显分工。只有将脑电解码与机器人状态反馈、控制算法及运动执行机构进行系统集成，才能形成真正意义上的闭环脑控机器人。

在完成脑电意图识别之后，讲座将重点进一步转向机器人运动控制与抗干扰问题。实际机器人系统普遍存在模型不确定性、结构参数摄动、负载变化、摩擦变化、外界冲击、执行器非线性和传感器测量误差等因素，单纯依赖理想数学模型难以保证实际运行性能。对于两轮或两轮腿式机器人而言，还需同时考虑机体平衡、速度跟踪和姿态稳定等问题，因此其控制难度明显高于普通低速移动平台。在此背景下，讲座介绍了扰动观测器与滑模控制等抗扰控制方法。扰动观测器通过系统输入、输出及模型信息对未建模动态和外部扰动进行在线估计，并将估计结果引入控制器进行前馈补偿，从而削弱未知扰动对系统性能的影响；滑模控制则通过设计合适的滑模面和趋近律，使系统状态在有限时间内趋近预定滑模流形，并利用滑模运动对参数不确定性和匹配扰动的鲁棒性提高闭环系统抗干扰能力。将扰动估计与滑模控制相结合，可以在复杂外部扰动和模型不确定条件下改善机器人速度跟踪精度与姿态稳定性能。

讲座进一步介绍了事件触发控制机制，其主要目标是在保证系统稳定性和控制性能的同时降低计算和通信资源消耗。传统数字控制系统一般采用周期采样方式，即按照固定时间间隔不断获取系统状态并更新控制输入，这种方式设计简单，但当系统状态变化缓慢时仍会产生大量重复计算和数据传输。事件触发控制则通过定义状态误差、测量误差或性能指标相关的触发条件，仅在触发条件满足时重新计算和更新控制量，在未触发阶段保持上一控制输入或预测控制状态，从而减少不必要的控制器更新次数。对于脑控机器人而言，系统同时承担脑电采集、脑电识别、无线通信、状态估计、路径规划和底层运动控制等多项计算任务，因此计算资源和通信带宽具有明显约束。将事件触发机制与滑模抗扰控制结合，可以在维持闭环系统稳定性和扰动抑制能力的前提下，有效降低控制器更新频率，并改善系统计算效率与网络资源利用率。相关研究还可进一步通过智能优化算法协调控制精度、收敛速度和触发频率等多目标性能指标，实现控制性能与资源消耗之间的综合优化。

在此基础上，讲座进一步讨论了网络化脑控机器人系统中的信息安全问题。当脑电采集设备、边缘计算设备、上位控制器和机器人本体通过无线网络或开放通信链路进行数据交换时，系统不仅面临通信延迟、数据丢包和带宽受限等传统网络问题，还可能受到窃听、数据篡改和恶意攻击。脑电数据具有较高的个人隐私敏感性，而机器人状态信息和控制命令一旦遭到非法修改，则可能直接影响机器人真实运动，因此网络空间攻击可能进一步转化为物理系统安全风险。针对上述问题，讲座介绍了动态量化、信息加密以及加密域控制等研究思路，即在数据传输之前对脑电信息、机器人状态量及控制指令进行安全编码，并尽可能在密文或安全计算框架下完成必要的控制运算，从而减少敏感信息在开放网络中的暴露。由此形成的安全脑控控制框架同时考虑物理扰动和网络攻击两个层面的风险，使“抗干扰”由传统控制意义上的外部扰动抑制进一步拓展到网络环境下的信息安全和控制安全。

讲座还涉及大型语言模型辅助语义纠错及其在脑控机器人中的应用。传统SSVEP脑机接口通常采用有限类别的离散控制模式，每一种脑电模式对应一个预先定义的机器人动作，例如前进、转向或停止，这种控制方式虽然实现简单，但在复杂机器人任务中表达能力有限。如果通过脑机接口进行字符或自然语言输入，脑电信号噪声、个体差异和分类误差又可能导致部分字符识别错误，使原始输入无法直接转换为可靠机器人任务指令。将大型语言模型引入脑控系统后，可利用其上下文建模和语义推理能力对BCI输出进行语法修正、语义纠错和任务意图解析，并进一步将自然语言目标转换为机器人可执行的任务序列。这种方法实现了从传统“脑电模式—固定动作”映射向“脑电输入—语言语义理解—任务规划—机器人执行”的层级式控制转变，使脑机接口能够承担更加高层的人机交互任务，也在一定程度上降低了脑电分类误差对最终机器人行为的直接影响。

在讲座后半部分，内容进一步延伸至具身智能、视觉—语言—动作模型（Vision-Language-Action，VLA）及人形机器人等前沿方向。具身智能强调智能体必须通过自身感知系统和运动机构持续与物理环境交互，并在感知、认知、决策和行动闭环中形成面向真实世界的智能能力。VLA模型则试图在统一模型中实现视觉环境理解、自然语言任务解析和机器人动作生成，使机器人能够根据图像信息和语言指令直接输出操作行为。对于脑控机器人而言，这一技术发展具有重要意义。未来脑机接口不一定需要持续承担低层次运动控制，而可能主要承担用户高级意图输入，例如目标选择、任务确认和关键决策；大型语言模型或VLA模型负责解析任务语义、理解场景并生成动作计划；机器人本体则依托视觉感知、导航、运动规划和鲁棒控制完成具体执行。由此可以形成“人脑负责意图表达—人工智能负责认知与规划—机器人负责物理执行”的分层协同体系，从而显著提高脑控系统的操作效率和任务复杂度上限。

总体而言，本次讲座所介绍的脑控机器人并不是单一的脑机接口应用，而是一个典型的跨学科网络化智能控制系统。其完整技术链路可以概括为：首先利用SSVEP、P300等脑机接口范式获取和识别用户神经活动，通过多通道EEG采集、信号预处理、特征提取和模式分类完成控制意图解码；随后可借助大型语言模型进行语义纠错、任务理解和高层规划；在机器人执行层，通过扰动观测器、滑模控制等方法抑制外部扰动和模型不确定性，并利用事件触发机制降低不必要的通信与计算开销；在网络化环境中进一步通过动态量化、加密传输和安全控制机制保护脑电数据、系统状态及控制指令；最终由机器人感知环境、执行动作并通过状态反馈形成闭环。由此构成了“脑神经活动—信息感知—智能解码—安全通信—鲁棒控制—机器人执行—环境反馈”的完整技术体系。

从学术发展角度看，脑控机器人研究的核心问题已经由早期的“能否利用脑电控制机器人”逐渐转变为“能否在复杂环境和资源约束条件下实现稳定、实时、安全和智能的脑控交互”。其关键研究内容也由单纯提高脑电识别准确率扩展到神经信号处理、语义理解、抗扰控制、资源调度、网络安全以及机器人自主决策等多个层面。随着脑机接口、大模型、具身智能和机器人控制技术进一步融合，未来脑控系统有望由简单离散指令控制向高层任务意图交互发展，并在康复机器人、辅助机器人、助老助残设备、人机协同制造以及复杂特种作业等领域形成更加广泛的应用。这也表明，脑机接口真正进入实际机器人系统后，其研究重点不再是某一个独立算法性能的提升，而是整个“人—脑—机—环境”闭环在感知准确性、控制稳定性、计算效率、信息安全和自主智能等多个维度上的系统协同优化。
我把你这两页手写笔记逐行看了一遍，又按其中比较明确的关键词——“脑控机器人、SSVEP、P300、事件触发、滑模控制、抗干扰、加密、LLM语义纠错”等——查了公开资料。整体上，这场讲座的脉络其实很清楚：

它真正讲的不是简单的“用脑子控制机器人”，而是研究怎样把人的脑电意图，可靠、安全、低延迟地变成机器人的运动，并且让机器人即使受到噪声、外界扰动、网络攻击等影响，仍然能够稳定工作。

我还查到一份与你笔记内容高度吻合的公开报告资料：安徽大学博士研究生朱子铭的报告《基于脑控机器人的加密抗干扰控制方法研究》。公开摘要中出现的“脑控机器人、事件触发、滑模控制、外部扰动、隐私泄露、动态量化、加密域计算”等内容，几乎正好对应你笔记里的关键词。仅凭这两张照片我不能百分之百确认就是同一场报告，但研究内容高度一致。(搜狐)

一、讲座首先讲了：AI正在从“会回答问题”走向“能控制真实机器”

你第一页开头记到了“大模型”“LLM语义纠错”“多传感器标定、融合定位”“无人系统”“智能机器人”等内容。

这一部分应该是在给后面的脑控机器人铺背景。

过去人工智能比较典型的是：

输入文字/图像 → AI计算 → 输出文字或分类结果。

现在则越来越走向：

人 → AI → 机器人 → 真实世界。

也就是所谓具身智能、人机融合智能。

大语言模型虽然能够理解自然语言，但会存在歧义、错误理解甚至“幻觉”。而机器人不像聊天软件，说错一句话可能问题不大；机器人如果把“向左移动”理解成“向右移动”，就可能撞到障碍物。

所以讲座里提到的“LLM语义纠错”，实际上解决的是：

人的意图不一定表达得很准确，脑机接口识别结果也不一定百分之百准确，因此可以再增加一个智能语义层，对命令进行理解、检查和纠错。

这个内容并不是我单纯根据笔记猜的。朱子铭所在团队确实参与了一项安徽大学专利：

《一种基于大型语言模型辅助语义纠错的脑控机器人方法》。

其思路就是利用大语言模型理解用户复杂指令，再调用机器人的感知模块和控制模块完成任务。(Google 专利)

所以未来的脑控机器人不会简单变成：

想“左” → 左转。

而更可能发展成：

人脑给出一个高层意图 → AI理解意图 → 机器人自己规划具体动作。

这就是笔记后面为什么又出现了 VLA、具身智能、人形机器人 等概念。

---

二、然后进入脑机接口：到底怎样“读到人的想法”？

这应该是整场讲座的重要基础部分。

你笔记中明确记到了：

EEG、MEG、诱发脑电信号、自发脑电信号、P300、SSVEP、侵入式、半侵入式、非侵入式。

这里首先要澄清一个特别容易误解的地方：

脑控机器人目前并不是“读心术”

现阶段的大多数脑控机器人，并不知道你脑子里正在想什么。

真正做的是：

人为设计一种脑活动 → 检测这种脑活动 → 将它对应成事先规定好的机器人指令。

例如：

看到一个闪烁按钮代表“左转”，另一个闪烁按钮代表“右转”。

人盯着“左转”按钮，大脑视觉皮层产生对应脑电特征。

系统识别出来：

他正在关注左转。

于是发送：

左转指令。

这个过程叫做脑机接口，BCI。

---

三、讲座重点介绍了 SSVEP

你两页笔记里 SSVEP出现很多次，所以它应该是这场报告中真正用于实验的脑机接口方式。

SSVEP全称：

Steady-State Visual Evoked Potential，稳态视觉诱发电位。

原理其实不复杂。

假设屏幕上有几个方块：

左转：8 Hz闪烁

右转：10 Hz闪烁

前进：12 Hz闪烁

停止：15 Hz闪烁

当人持续盯着其中一个频率闪烁时，大脑视觉皮层的脑电信号中会出现与该刺激频率及其谐波相关的成分。

脑电帽把这些信号记录下来。

于是计算机可以判断：

这个人现在盯的是哪一个目标？

再把目标翻译成机器人控制指令。

因此完整过程可以理解为：

视觉刺激

→ 大脑产生SSVEP

→ EEG脑电帽采集

→ 滤波、去噪

→ 特征提取

→ 识别刺激频率

→ 得到人的操作意图

→ 发送机器人指令

→ 机器人运动

这正好对应你笔记里的“SSVEP诱发方式”“脑电信号”“机器人与BCI系统集成”等内容。

SSVEP之所以特别适合脑控机器人，是因为它通常具有比较高的信噪比、识别速度较快，而且用户一般不需要像运动想象BCI那样经过很长时间训练。已有脑控多机器人研究也使用SSVEP完成机器人和机械臂协同任务。(PubMed Central (PMC))

---

四、P300又是什么？

你笔记也明确写到了 P300诱发电位。

它和SSVEP是另外一种思路。

简单理解：

当很多东西不断出现时，如果突然出现一个你特别关注的目标，大约几百毫秒后，脑电信号会出现一种特殊事件相关电位，其中P300是典型成分。

比如屏幕上很多字母不断闪：

A、B、C、D……

你心里一直等“C”。

当C出现时，大脑产生明显反应。

计算机就可以推测：

你选择的是C。

因此P300经常用于脑控打字、选择界面等任务。它和SSVEP、运动想象是EEG脑机接口里很重要的几种范式。(PubMed Central (PMC))

---

五、讲座还比较了“侵入式”和“非侵入式”

你的笔记写到了：

侵入、半侵入、非侵入。

这实际上是在讲脑信号怎么采。

非侵入式最容易理解：

在头皮外面戴脑电帽。

优点是安全、方便、成本相对低。

缺点也明显：

信号非常弱，而且会受到眨眼、肌肉、电源、头部运动等影响。

脑电信号本身幅值很小，所以“怎么从噪声中识别人的真实意图”一直是BCI的核心问题。

侵入式则把电极放到颅内、脑表面甚至脑组织附近。

优点是：

信号质量高、空间分辨率高、带宽更大。

问题是：

需要手术，存在长期生物相容性、感染等风险。

你笔记中提到的帕金森病、脑部植入等例子，大概就是在这里作为神经接口和临床神经技术案例出现的。

不过需要注意：

脑深部刺激DBS和脑机接口BCI并不是完全同一种技术。

一个主要侧重“刺激神经”，另一个更多侧重“读取神经活动并控制设备”，但都属于神经工程的重要方向。

---

六、接下来才进入这场讲座真正的科研核心：为什么脑控机器人还需要“抗干扰”？

这是整场报告最值得理解的地方。

假设脑机接口已经成功判断：

我想让机器人前进。

事情并没有结束。

机器人在现实中会遇到：

地面摩擦变化、碰撞、载荷改变、电机误差、模型误差、通信延迟、脑电识别误差、传感器噪声……

尤其如果是你笔记中提到的双轮/两轮腿式机器人，还存在一个更麻烦的问题：

它必须保持平衡。

因此：

脑机接口负责“我想干什么”。

而：

自动控制系统负责“机器人怎样稳定地把这件事做好”。

这两个东西不能混为一谈。

所以比较先进的脑控机器人实际上是：

人脑：高层决策

↓

BCI：意图解码

↓

控制器：计算具体控制量

↓

机器人：稳定执行

这也是为什么这场报告虽然叫“脑控机器人”，里面却会大量出现滑模控制、扰动观测器、事件触发控制这些传统自动控制理论。

---

七、核心技术之一：扰动观测器 + 滑模控制

网上能查到朱子铭等人在 IEEE/ASME Transactions on Mechatronics 上发表的一篇非常吻合的论文：

Event-Triggered Disturbance Rejection Control for Brain-Actuated Mobile Robot: An SSA-Optimized Sliding Mode Approach

研究对象就是：

脑控两轮腿式移动机器人。

研究使用了：

8通道脑机接口 + 5种SSVEP模式。

然后在机器人控制层使用：

扰动观测器 + 滑模控制。 (King’s College London)

可以把扰动观测器理解成一个“实时猜干扰”的模块。

例如机器人理论上应该以：

1 m/s 前进。

突然遇到粗糙地面，速度降低了。

控制器会判断：

系统里多出来了一个未知干扰。

于是估计它有多大，再进行补偿。

也就是：

不知道干扰到底是什么没关系，只要尽量把它估计出来并抵消。

而滑模控制最大的特点之一就是：

对模型误差和外界干扰具有比较强的鲁棒性。

这就是“抗扰控制”的来源。

---

八、为什么又加入“事件触发”？

如果机器人每1毫秒：

采集一次 → 发送一次 → 计算一次 → 更新一次控制器，

当然很稳定。

问题是：

计算量很大，通信量也很大。

尤其脑控机器人可能同时还要：

采脑电、做信号处理、跑AI模型、跑视觉、做导航、控制电机……

所以报告采用了：

事件触发控制 Event-Triggered Control。

普通控制类似：

不管有没有必要，我每隔10毫秒都算一次。

事件触发则是：

系统状态变化不大 → 先不重新计算。

偏差超过阈值 → 再计算一次。

很像手机：

不是每隔一秒自动给服务器上传全部数据，

而是：

“发生重要变化再报告。”

这样既保持控制效果，又降低计算和通信负担。

论文的人在环实验中，5名受试者均能够完成给定任务，同时在保持抗扰性能的情况下，控制计算资源使用量平均减少约 45.90%±2.02%。(King’s College London)

这个数字很可能就是讲座里一些实验图表想表达的核心之一。

---

九、再往前一步：为什么脑控机器人还要“加密”？

这是这场报告比普通脑控机器人研究更特别的地方。

脑控机器人未来如果远程联网，会传输三种非常敏感的数据：

脑电信号

→ 机器人状态

→ 控制命令

例如：

脑电帽 → 无线网络 → 控制计算机 → 云/边缘端 → 机器人。

如果通信被窃听：

脑电数据可能泄露。

如果通信被篡改：

“向左”可能被修改成“向右”。

对于一个聊天程序，这属于网络安全问题。

对于一辆机器人轮椅或者医疗机器人：

这直接变成了人身安全问题。

而神经数据本身也具有特殊隐私属性。当前神经接口安全研究已经把风险分成数据、身份权限和模型攻击等多个层级。(科学直接)

所以报告研究进一步加入：

信息加密。

公开报告摘要明确提出：

针对不可信网络环境中的脑电信号、机器人状态和控制命令，采用动态量化与加密，并探索在加密域中完成控制计算。(搜狐)

也就是说：

即使有人截获通信，

得到的也不应该是：

前进、速度1m/s。

而是无法直接理解的密文。

---

十、所以“加密抗干扰控制”其实同时解决了三种问题

这是我认为这场讲座最应该记住的地方。

可以把整个研究压缩成这样：

第一层：脑机接口

解决：

人想让机器人干什么？

SSVEP、EEG、P300、脑电解码。

↓

第二层：智能/鲁棒控制

解决：

机器人怎样准确执行？

滑模控制、扰动观测器、速度跟踪、平衡控制。

↓

第三层：网络安全

解决：

别人能不能偷听或篡改？

脑电加密、状态加密、控制指令加密。

↓

再加上：

事件触发

解决：

怎么少通信、少计算，同时保持实时性？

这四块合在一起，才是：

安全、稳定、高效的脑控机器人。

---

十一、你笔记后面为什么又出现 VLA、具身智能、人形机器人？

这其实代表讲座最后在谈未来。

现在的脑控机器人仍然比较“低级”。

例如：

人需要不断选择：

前进 → 左转 → 前进 → 停止 → 抓取。

未来更合理的方式应该是：

人只表达“我要桌子上的水”。

机器人自己利用：

视觉、语言模型、VLA模型、路径规划、机械臂控制，

完成：

找到水 → 判断障碍物 → 规划路线 → 靠近 → 抓取 → 送给用户。

也就是：

脑机接口负责“意图”。

AI负责“理解”。

机器人负责“行动”。

这和现在VLA、具身智能的发展方向是高度一致的。

因此脑机接口不一定永远负责控制机器人每一个轮子的速度。

它更可能逐渐变成：

人的高级意图输入接口。

这可能才是脑控机器人真正有价值的发展方向。

---

十二、把整场讲座压缩成一个流程图，就是这样

人的意图

↓

SSVEP / P300 / 自发脑电

↓

EEG脑电采集

↓

滤波、去噪、特征提取

↓

BCI解码

↓

LLM/AI进行语义纠错和意图理解

↓

生成机器人任务

↓

加密传输

↓

事件触发机制减少通信和计算

↓

扰动观测器估计外界干扰

↓

滑模控制器进行抗扰控制

↓

机器人稳定运动

↓

传感器反馈

↓

再次修正动作

最终形成的是一个：

“人脑—AI—控制器—机器人—环境”闭环系统。

---

这场讲座最核心的结论

如果只让我用三句话概括：

第一，脑控机器人不是“读心”，而是通过SSVEP、P300等可识别脑电模式，把人的有限意图转换成机器指令。

第二，真正困难的不是让机器人“动一下”，而是在脑电噪声、环境扰动、网络延迟和计算资源有限的情况下，让它长期稳定、准确地工作。

第三，这项研究把脑机接口、滑模抗扰控制、事件触发控制和信息加密结合起来，目标是让未来的康复机器人、助残机器人和人机协同机器人同时具备“懂人的意图、动作稳定、通信安全、计算高效”四种能力。 (搜狐)