轮式康：一个基于车轮控制的游戏平台，用于研究人类传感器运动控制

人传运动控制系统非常坚固^1，虽然传感是分布式的，可变的，稀疏的，量化的，噪声和延迟^{的2，3，4;,3,4}中枢神经系统的计算速度⁵慢5、6、7;^,6,7和肌肉驱动疲劳和饱和^8。提出了许多计算理论模型来解释复杂的人类传感器^,运动控制过程^{,4、9、10、11、12、13、14，9}这是一个在人类到达和响应^{,12,1310,11415、16,}中^{权衡利向的过程}。¹⁴例如，反馈控制理论预测最佳控制策略^12，贝叶斯理论模型传感器运动学习17，18，19和信息理论传感器运动基础^17,18,1920，21。^20,21与丰富的理论模型相比，能够操纵多个反馈回路重要成分的实验平台缺乏开发。部分原因在于，设计一个平台来桥接和测试传感器运动控制的这些方面需要各种各样的专业知识，从电机控制理论、信号处理和交互，一直延伸到计算机图形和编程。研究人员经常开发自己的定制硬件/软件系统来描述人类传感器运动控制性能，这会限制跨研究组比较/对比和集成数据集的能力。开发一个易于使用和验证的系统可以扩大传感器运动控制的定量特性。

本文介绍了 WheelCon 平台，这是一个新颖、免费和开源的平台，用于为虚拟环境设计视频游戏，无创地模拟了 Fitts 定律到达游戏和山地自行车任务，并完成了陡峭、曲折和颠簸的轨迹。Fitts 的到达任务定律量化了速度和精度之间的权衡，其中达到距离尺度上宽度目标所需的时间为^22，23,23。”山地自行车任务”是追求和补偿性跟踪任务的结合，是人类传感器运动性能研究的两个经典组成部分，特别是在研究反馈回路方面。

WheelCon 包含每个理论中提出的高要求的基本组件：延迟、量化、噪声、干扰和多个反馈回路。它是研究人类感官运动控制中的以下不同问题的潜在工具：

• 人类传感器运动系统如何处理神经信号的延迟和量化，这从根本上受到大脑^24、25,中有限资源（如空间和代谢成本^）的限制;
• 人类皮层的神经相关性与传感器运动控制如何²⁶;
• 人类如何处理传感器运动控制中不可预知的外部干扰²⁷;
• 分层控制回路如何分层和集成在人类传感器运动系统^{16、28、29,28,中};
• 人类视觉反馈30的延迟和量化^{的结果，反射} 反馈³¹ 在传感器运动控制中产生的结果;
• 延迟和量化下传感器运动学习的最佳策略和策略 16、17、24、29 。^16,17,24,29

WheelCon 与方向盘集成，可以模拟在这些问题中操作变量的游戏条件，例如信令延迟、量化、噪声和干扰，同时记录动态控制策略和系统错误。它还允许研究人员研究传感器运动控制中的分层架构。在骑山地自行车的示例中，此任务涉及两个控制层：高层计划和低层反射。对于可见的干扰（即小径），我们会在干扰到达之前进行规划。对于事先未知的干扰（即小颠簸），控制依赖于延迟反射。反馈控制理论认为，有效的分层架构可以整合上层的目标、计划、决策与下层的传感、反射和^动作24。WheelCon 提供实验工具，分别用于测试这种分层架构（图1），从而在平面图和反射层中分别诱导明显干扰。

我们提供一个廉价，易于使用和灵活的编程平台，WheelCon，弥合了理论和实验神经学研究之间的差距。具体说来，它可用于检查延迟、量化、干扰、潜在的速度精度权衡的影响。可以在控制循环中操作的变量显示在表1 中。它还可用于研究人类传感器运动控制中不同控制层的决策和多路复用能力。此外，WheelCon与非侵入性神经记录（如脑电图（EEG））兼容，用于测量^,传感器运动^{控制32、33、34、35,33,34}期间的神经反应，以及非侵入性脑刺激技术（如颅电刺激（tES）和颅磁刺激（TMS），以操纵神经³⁵活动36、37。^36,37