从专注度数值到电机指令:TurboPi 脑电油门实践 | 一方天地

2026-11-04 构建 Python

从专注度数值到电机指令:TurboPi 脑电油门实践

上一篇实验手记讨论了一个测量问题:单通道 EEG 能否帮助识别持续注意任务中的状态变化?现有样本不足以训练和验证走神识别模型。后续的小车实验把问题收窄到控制层:如果头环上位机已经给出一个持续更新的专注度数值,怎样把它接入小车,又让驾驶员始终掌握行驶意图?

手柄给方向,头环给输出上限

最终版的链路是:头环上位机通过 UDP 7070 发送专注度,电脑接收并检查数据,结合键盘或手柄输入算出四轮指令,再通过 TurboPi 的 SetBrushMotor 接口发送。驾驶入口只处理电机控制,摄像头保留为独立工具。

手柄决定前后、转向和平移,专注度决定这些动作能使用多大的输出。摇杆推满时可达到当前上限,轻推则按幅度降低。多个方向同时输入时,四轮指令按比例缩放,让最大的轮输出也不超过上限,同时保留轮间比例。摇杆回中时,程序直接请求四轮归零。

这里的「速度」是操作层面的说法。程序调的是电机输出指令,没有用车轮编码器闭环控制物理速度。相同指令在不同地面、电量或负载下,实际车速可能不同。

用个人基线定义油门区间

开始驾驶前,默认用约 20 秒内的有效专注度中位数作为基线,校准至少需要 25 个不同的数据包。设当前读数为 A,基线为 B,默认满幅输出上限为:

上限 = 20 + 60 × clamp((A − B) / 20, 0, 1)

以基线 55 为例,读数为 55、65、75 时,对应的输出上限分别是 20、50、80。这些是控制指令值。有效读数处于基线以下时,满推仍保留 20 的输出,避免小车在正常读数波动时频繁停起。起步从 20 开始,后续变化以约 0.4 秒的时间尺度平滑。

平滑只用于正常行驶中的输出变化。驾驶员松手、急停或信号失效时,停车指令绕过平滑。真实头环读数为 0 时,系统按无效信号处理,而不是把它送进低速映射。

停车条件与通信边界

手柄模式要求完成校准、收到有效头环数据、摇杆回中,再按 A 启用。B 用于急停。头环超过 0.6 秒没有有效数据、手柄超过 0.25 秒没有更新、窗口失焦或控制接口异常时,电脑端会停用驾驶并尝试发送四轮零输出。手柄模式下,即使信号恢复,也需要再次回中并按 A,避免恢复通信时按原输入自行起步。

这套处理依赖控制链路能够把零输出送到车端。当前没有部署车端断线看门狗,彻底断网时,电脑无法保证停车命令送达。这个边界需要和本地急停分开看,后者测试通过并不能证明断网停车有效。

验证做到哪一步

演示入口用合成专注度检查校准、映射和控制接口,真实入口只读取头环数据,不自动切换到演示源。日志记录专注度、基线与电机输出,便于检查一次输出变化经过了哪些步骤。合成 UDP 包可以验证解析、校验和、校准及控制逻辑,现有项目记录未确认真实佩戴条件下的端到端实车验收。

这次实践完成的是把现成的头环分值接入一条可复核的驾驶控制链路。分值在这里充当油门输入,并不提供对走神识别准确率的验证。下一轮实车验收可以把摇杆回中、头环超时与车端断网分别测量,记录从触发条件到车辆实际停止的时间。

本文由一方天地发布 · 查看完整体验