R175–85
3D 打印绞盘作动器的真实参数分布，落在域随机化区间里吗
框架用同一台打印机打 12–15 个同款绞盘（capstan）作动器，实测它们的传动比误差、摩擦力矩、回差的分布；这个分布是否被 sim-to-real 训练时惯用的域随机化区间覆盖？覆盖不到的那部分，策略会怎样失效？
你自己的那一点ROBO046T 的整条逻辑是"低成本作动器有制造缺陷 → 用域随机化把它盖住 → 策略就能迁移"。但它从头到尾没有测过那个缺陷到底有多大：域随机化的区间是拍出来的，不是量出来的。你要做的是把这个链条的第一环补上——先测出真实分布，再回答"随机化区间是过宽（白白牺牲性能）还是过窄（策略会在某些个体上崩）"。这个问题对所有用消费级 3D 打印做传动的机器人都成立，不止四足。
擦过2026 ROBO046T（Grand Award）"Capstan-Driven Quadruped Control via RL"——12 自由度、15 kg 四足，摘要原文写 capstan actuators fabricated through 3D printing or plastic molding at roughly $50 per actuator，以及 applying extensive domain randomization to ensure robustness to hardware variability。注意它的核心量化结果 velocity tracking error of 5.6% in MuJoCo 是仿真里的数，实机只给了 peak velocity of 2.0 m/s。mine_isef --cat ROBO "quadruped" 五届仅 3 项（2026 ROBO046T、2024 ROBO008T、2022 ROBO051），且 tolerance/reproducibility 五届零命中。
约束最大风险是测量分辨率不够——如果你的测力/测角手段的不确定度和作动器之间的差异同量级，测到的就是你自己的噪声。最便宜的规避：不要去买六轴力矩传感器（工业件货期常 4–8 周，直接判不可行），改用"标准力臂 + HX711 称重传感器 + 光电编码器"的静态标定台，成本 <¥600、一周内到货，并用一个刚性金属件做重复性基线，先证明台架本身的重复性优于被测量一个量级。展台可展示：作动器实物与台架都是干燥固体，无液体无电池，实物完全合规。
R271–81
打印出来的壁虎干黏附贴片，撕多少次就不行了
框架对 3D 打印的壁虎式干黏附微结构做循环加载—脱附试验：法向/切向黏附力随循环次数如何衰减？粉尘污染与表面粗糙度分别贡献多少衰减？衰减是可逆的（清洁后恢复）还是不可逆的（微结构塌陷）？
你自己的那一点ROBO033 的摘要通篇没有一个黏附力数值——它主张 can climb walls better than previous designs by major research groups like NASA，却既没给单位面积黏附力，也没给循环寿命。而它自己承认 Gecko-like adhesives also tend to particularly struggle on rough surfaces。攀爬机器人真正的工程门槛不是"第一次能不能贴住"，是"贴一千次之后还能不能贴住"。你贡献的是这条被所有人跳过的寿命曲线，以及一个别人能照着复现的试验规程。
擦过2026 ROBO033（Grand + Special）"Clutch - A Gecko-Like Climbing Robot"——混合静电+干黏附攀爬机器人，摘要原文 Using a recently proposed manufacturing technique, the adhesives can be manufactured out of a 3d printer。mine_isef "adhesive" 与 "gecko" 五届各仅 1 项命中，都是它自己。durability fatigue cycles 五届无相关命中。
约束强烈建议只做干黏附部分，砍掉静电增强。静电黏附要几 kV 电源——加速电压 <10 kV 虽只需 Form 3、可在校内进行，但会给你凭空增加一整条审批与安全论证，而你要测的衰减机理在纯干黏附上已经完整。第二个坑是预载荷不可控：干黏附力对预压力极其敏感，手工按压会让数据全是噪声，必须做一个由步进电机+丝杆驱动的定预载夹具（约 ¥400，一周到货）。粉尘污染实验请用粒径可控的固体标准粉在密闭盒内进行，且干燥粉末禁止出现在展台——展台只放测试后的贴片样本与曲线图。展台可展示：贴片与拉力曲线可展示，静电部分若保留则电源不得上台。
R373–83
那 42 厘米，跳一百次还剩多少
框架让仿生跳跃机器人连续跳 100–300 次，记录每次的起跳高度与弹性肌腱的力—位移滞回环。跳高的批次内标准差是多少？弹性元件的储能效率随循环次数如何漂移？六种髌骨（patella）型面之间的差异，是否大于同一型面自身的跳次波动？
你自己的那一点ROBO017 的结论是"改变髌骨型面会 modestly affected the efficiency of the jump"——"modestly" 这个词本身就是缺口：一个"微小"的差异，如果没有跳次重复性作为对照，就无法与噪声区分。而且它只报告了单次成绩 The 32cm robot was able to clear a height of 42 cm。你要做的事非常干净：先把噪声带测出来，再回头判断它那六条曲线的排序是否稳定。顺带你会得到一条它完全没碰的量——弹性肌腱的疲劳漂移，橡胶/TPU 储能元件在几百次循环内的模量变化是真实且可测的。
擦过2026 ROBO017（Special Award）"Hopper: A Biomimetic Jumping Robot"——摘要原文 A mathematical model was developed to evaluate the theoretical performance of the robot and design 6 patella profiles with different force curves，The model accurately predicted the force curves, jump heights。mine_isef "jump" 与 "tendon" 五届各仅命中它一项；repeatability 五届零命中。
约束主要风险是结构在你测完之前先坏了——跳跃机器人的落地冲击会打坏 3D 打印件，300 次循环内换件是大概率事件，而换件本身会改变测量。规避方式：把易损的落地脚设计成可更换的独立零件并全部同批打印，同时在数据里显式标注换件时刻；另外准备两台同规格样机做机间对照（材料成本约 ¥800，耗材一周内到货）。测跳高用高帧率手机 + 标定标尺即可，不需要买运动捕捉。展台可展示：整机是固体、电池小于 100 Wh，实物可上台但不得在展台上通电跳跃，演示靠视频。
R465–83
三根线拉出来的姿态，松开再拉回来还是同一个姿态吗
框架对腱驱动连续体机械臂做正反行程的迟滞与重复定位精度测量：同一组绳长指令，从不同方向逼近，末端位置差多少？迟滞环的宽度与 3D 打印的层向、绳材（钢丝 / Dyneema / 尼龙）、负载分别是什么关系？
你自己的那一点ROBO013（2026）自述采集的数据是 which combinations of pulls on the three wires of the arm contribute to different motions——即它做了单向的绳长→姿态映射。腱驱动系统真正的工程问题是这个映射不是函数：走过去和走回来会落在不同位置。谁都知道存在迟滞，但没人在这类低成本打印臂上量过它有多大、由什么主导。你的产出是一张"迟滞宽度 vs 设计参数"的表——它直接决定这类臂能不能开环控制。
擦过2026 ROBO013（Special Award）"Animatronic Octopus Tentacle"——对数螺线仿章鱼腕足、三绳驱动、3D 打印。相关的还有 2026 ROBO022（Grand + Special）FlexiGripper，它同样只报告单向的力/负载能力。mine_isef "hysteresis" 五届零命中。
约束这条的新颖性上限被学术文献压着——连续体机器人的迟滞建模在期刊上是成熟话题（这也是本条 h 取 9 的原因），所以必须把主张限定在"消费级 FDM 打印 + 廉价绳材"这个具体制造域，而不是宣称提出了新的迟滞理论。测量端很便宜：末端贴 ArUco 标记 + 一台固定的普通摄像头，标定后平面定位精度可到亚毫米，总成本 <¥300、一周到货。不要买激光跟踪仪。展台可展示：机械臂是固体，实物可上台。
R570–80
3.5 公斤是这一根手指，还是随便哪一根手指
框架用同一副模具浇注 8–10 根同款硅胶软手指，测量它们在同一气压下的弯曲角与指尖出力的个体间离散度；再让其中几根做 5,000–20,000 次充放气循环，看出力与气密性怎样退化。个体间差异和循环退化，哪个先吃掉设计余量？
你自己的那一点ROBO022 报告 each soft finger can carry loads of up to 3.5 kg ... with a tip chamber force output of 4.5 N——"each" 这个词承诺了一致性，但摘要里既没有样本量也没有分布。软体机器人的现实是：手工浇注的气密腔体，个体差异常常大于设计迭代带来的改进量；气泡位置、脱模应力、硅胶批次都会进来。同时软体作动器的寿命几乎从不被 ISEF 项目报告。你把"一致性"和"寿命"这两件被 up to 一词掩盖过去的事做成数据。
擦过2026 ROBO022（Grand + Special）"FlexiGripper"——双腔硅胶手指 + 鱼椎骨式内骨骼，mine_isef "silicone" 五届仅此一项，"gripper" 仅两项（另一项是 2025 ROBO060 双臂机器人）。
约束采购与工艺都很安全（铂金硅胶 + 3D 打印模具 + 微型气泵 + 压力传感器，合计约 ¥1,200，一周内到货），真正的风险是你的浇注工艺不稳定会把结论变成"我手艺差"。规避：先用刚性 3D 打印模具（不要硅胶模），全部在同一天、同一批硅胶、同一真空脱泡流程下完成，并记录每根的质量作为协变量——若离散度与质量强相关，那就是工艺；若无关，才是设计固有的。循环试验用电磁阀 + 定时器自动跑，无人值守。注意硅胶未固化前是液体，仅限实验阶段；固化后的手指是固体，展台可展示。
R662–80
平均偏差 5 毫米——是相对谁量的
框架廉价红外多摄像头动捕系统报出的精度，其参考基准是什么？把参考链拆开：用一根已知长度的刚性标定杆（长度不确定度可溯源）、一条由步进平台产生的已知轨迹，分别评估该类系统的尺度误差、随机噪声、与飞行速度相关的动态滞后，并给出各自的不确定度分量。
你自己的那一点ROBO001 的关键主张是 The MoCap achieved an average deviation of 5 mm——但偏差是相对什么测的，摘要没说。这是标定链断裂的经典形态：如果参考本身就是这套系统自洽的重投影残差，那 5 mm 只是拟合优度而非精度。更要命的是它的应用场景是 speeds of up to 25 km/h 的竞速——静态精度和 7 m/s 下的动态精度完全是两回事（曝光时间造成的运动模糊会直接变成位置偏差）。你要建立的是"廉价动捕在动态条件下的误差预算"，这对所有想用它做 sim-to-real 的人都是前置条件。
擦过2026 ROBO001（Grand Award）"RL-Based Nanocopter Racing Using a Custom MoCap"，摘要写明系统 costing no more than 100 Swiss Francs、教室大小的飞行空间。另可对照 2026 ROBO030（Grand Award）CareBotix，其 maintained 5–10 cm localization error 同样没有说明真值来源。
约束这是本组里可行性最低的一条（F=6），原因是你必须先有一个比被测系统好一个量级的真值，而这正是最贵的东西。可行的最便宜路径：不要试图给三维空间提供真值，改为把问题降维——用一台步进电机丝杆平台在一条直线上产生已知位移（重复定位精度 ~20 µm，成本约 ¥700，一周到货），只评估该轴向；动态误差用同一平台在不同速度下往返。明确声明"三维全空间精度未评估"，这比含糊地宣称 5 mm 诚实得多。展台：无人机不得通电上台，展示对象是标定杆、平台照片与误差预算表——本条的产出天然是数据，展台限制影响为零。
R778–88
把大模型放进导航回路，杀死你的是尾延迟不是均值
框架测量"感知 → LLM 推理 → 运动指令"这条闭环的端到端延迟分布，重点是 P95/P99 尾部而非均值。以行人 1.2 m/s 的步速换算：多长的延迟尾部会让一次"前方有台阶"的提示来不及？两级 LLM 串联相比单级，尾延迟被放大了多少倍？
你自己的那一点ROBO066T 是 2025 年的 Grand + Special，整篇摘要里没有一个数字——它描述了 a two-stage LLM Aggregator fuses agent data and user intent（第一个 LLM 生成场景摘要，第二个据此产生运动指令），却从未回答这条链路要花多久。对一个引导盲人行走的系统而言，延迟就是安全指标本身，而且串联两次网络推理会让尾部而非均值爆炸（两个长尾分布相加）。你把这个从未被量化的安全边界量出来，并给出"在给定步速下可接受的最大 P99 延迟"这一设计判据。
擦过2025 ROBO066T（Grand + Special）"AI-Based Navigational Aid for Visually Impaired"（IntelliCane）——两级 LLM 聚合 + YOLO + 深度图，摘要零量化结果。2026 ROBO042（Grand Award）ScoutCane 是同一问题域的后继者，报告 37 of 40 trials 成功、3× faster navigation，但同样未报告延迟。mine_isef "latency" 五届仅命中 2026 ROBO021（湿地机器人，control latency of ≤92 ms，那是本地 PID 不是 LLM）。
约束几乎没有采购风险（树莓派/笔记本 + 摄像头 + LLM API，API 费用几百元即可覆盖数万次调用），主要风险是结果被网络波动主导而不是被架构主导。规避：必须同时测三种配置——云端 API、本地小模型（CPU 上跑量化小模型）、以及纯视觉基线（无 LLM），并把网络 RTT 作为可分离的分量单独记录，否则你测的是运营商而不是系统。ISEF AI 政策提醒：本课题以 LLM 为研究对象完全合规，但任何 AI 生成的代码必须显式引用并保留提示词日志。展台可展示：产出是延迟直方图与尾部曲线，不依赖现场演示。
R874–84
自训练模型赢了 9 个百分点，其中有几个点是架构挣的
框架把"自训练模型 vs 现成模型"的性能差拆开：多少来自训练数据域匹配，多少来自架构/超参，多少来自测试集本身太小？做法是把基线也放到同一数据域上重训，并对每个对比给出自助法置信区间。
你自己的那一点ROBO014T 的核心证据是 the custom-trained model achieved an F1 score of 0.96, while the stock model achieved an F1 score of 0.87。但 stock YOLO 是在 COCO 这种地面视角数据上训的，而测试是航拍视角——这个基线从一开始就不该赢。这不是这一个项目的毛病，而是本类目的系统性问题：把"我的模型 vs 未经领域适配的现成模型"当作贡献的证据。你做的是一个方法学纠正：给出公平基线的构造规程，并在 2–3 个公开数据集上量出"不公平基线平均高估了多少个百分点"。这个数字本身就是可引用的结论。
擦过2025 ROBO014T（Grand Award）"Coordinated Drones for Object Detection"——同一摘要还写了多机测试 achieving a perfect F1 score of 1.00, meaning no detections were missed or incorrect，满分 F1 是测试集过小的直接证据。同类形态还有 2025 ROBO054（Special） 的 YOLOv8 92.5% vs RT-DETR 87.07%（此项做了五折交叉验证与消融，是本类目里少见的规范对照，可作为你的正面样板）。
约束纯软件，笔记本 CPU 可行，但必须挑选算得动的规模——用 YOLO 的 nano 档 + 子采样数据集，或直接用公开的检测结果文件做重评估。真正的风险是"这算不算机器人学"：必须把结论落回机器人任务（例如"高估的 9 个百分点对应到搜救覆盖率意味着什么"），否则会被判为机器学习方法学而非 ROBO。VisDrone 等数据集公开可下载，无采购周期。展台可展示：全部是图表。
R971–89
12 张图上的 3.5 个百分点，能撑起一个结论吗
框架给目标检测的 mAP 建立小样本置信区间：在 n = 10 / 30 / 100 / 300 张测试图的规模下，mAP 的自助法置信区间有多宽？要让"A 比 B 高 3.5 个百分点"这一判断在 95% 置信下成立，最少需要多少张测试图？把它做成一张可查的"最小样本量表"。
你自己的那一点ROBO004 是极诚实的项目——它自己写了 The limited final dataset of only 12 labeled multispectral images by the deadline likely affected generalization for both models——但它仍然基于这 12 张图给出了 showing RGB pretraining led to superior final detection accuracy 的结论。问题不在这个学生，在于整个类目没有工具去判断"这个差是不是噪声"。同一届 ROBO041 的 successful 9/9 times（真实 95% 置信下限只有约 66%）是同一个病。你的产出不是批评谁，而是给出那张表——任何后来者可以直接查"我这个样本量能支持多大的差"。
擦过2025 ROBO004（Grand Award）"Designing a Plant Disease Suppression Robot"（mAP@50：28.5% vs 25.0%，n=12）；2025 ROBO041（Grand + Special）"Engineering an Intelligent ROV for Coral Research"（the water sampler was successful 9/9 times）；2026 ROBO028T（Grand） 的野外验证是 a 3-D model overlaid with 9 defects。mine_isef "confidence interval statistical significance" 五届仅 6 项弱命中，无一以统计效力为主题。
约束可行性极高、原创性有天花板——统计学界早有相关工作，这是 h 取 9 的原因。必须把主张限定在"机器人视觉任务在 ISEF 可达数据规模下"这个具体语境，并且必须用真实的机器人数据复现（例如自己采一小批多光谱或深度图像），否则会退化成纯统计练习、Fit 掉下来。计算量小，笔记本 CPU 足够；无采购。展台可展示：图表 + 那张最小样本量表，本身就是很好的展板内容。
R1068–86
+0.4% 的提升，和换个随机种子的波动比哪个大
框架在类增量学习设定下，固定算法与数据，只改变随机种子与任务出现顺序，重复 20–30 次，测出末任务准确率的噪声带有多宽。然后回答：近两届获奖工作报告的 +0.4% / +2.5% / +2.7% 提升，有几个落在噪声带之内？
你自己的那一点2025 年本类目有两篇持续学习的获奖作品，ROBO019 明确报告 achieved significant gains in last task accuracy over the state-of-the-art with +2.5%. +2.7%, and over the baseline with +0.4%——+0.4% 被称为 "significant gains"，却没有任何种子重复。持续学习恰恰是对任务顺序极端敏感的设定（同一算法换个任务序列，末任务准确率摆动几个点是常态）。你要做的不是提出新算法，而是给这个子领域画出噪声底线，并明确说明"低于 X 个百分点的提升在本设定下不可辩护"。
擦过2025 ROBO019（Grand Award）"Improving Generalizability in Continual Learning"（SSLA + 频域高低通增强，评测于 CIFAR-100 / Tiny-ImageNet / Skin23）与 2025 ROBO013（Special Award）"Continual Learning by Navigating Parameter Space"（EWC + Range Matrix，结论是 the structure of the last Fully Connected (FC) Layer significantly affects accuracy）。mine_isef "continual" 五届仅此两项，"reproducibility" 五届零命中。
约束算力是唯一的硬约束——纯 CPU 笔记本跑 30 次 CIFAR-100 的类增量实验不现实。规避方式必须写进方案：改用缩减设定（CIFAR-100 的 20 类子集 + ResNet-18 的窄化版本，或直接用 CIFAR-10 分 5 任务），并显式声明结论限定于该规模；同时把重复次数优先分配给"任务顺序"而非"种子"，因为前者的方差更大、信息量更高。预算内可租用几十小时云 GPU（约 ¥300–800），但必须先在本地把单次实验压到 20 分钟以内再上云，否则会烧完预算。无实物采购。展台可展示：小提琴图/噪声带图，无展示风险。
R1171–81
0.9784 对 0.7214，两个数是在同一张试卷上考出来的吗
框架把跨基准比较拉回同一评测协议：在完全相同的测试划分、相同的正负样本比例、相同的评价脚本下重新测量自研模型与被引基准的 AUROC。协议对齐后，那 0.257 的差距还剩多少？测试集的正负比、片段长度、重叠窗口分别贡献了多少虚假优势？
你自己的那一点ROBO046T 的核心证据是 achieving a 0.9784 AUROC score that surpasses the 0.7214 benchmark set by Cornell while on lower parameters。但 0.7214 是别人在别的划分、别的评测脚本下得到的数——拿自己的留出集成绩去和一个外部数字相减，这个减法在方法学上不成立。AUROC 对类别不平衡尤其敏感，鲸鱼叫声检测的正样本比例稍微一变，AUROC 就能移动零点几。你贡献的是一次协议对齐的重评测，外加一份"跨基准比较什么时候合法"的判据清单。
擦过2025 ROBO046T（Grand + Special）"MobyGlobal: A Real-Time Whale Detection Network"——ESP32 + 水听器浮标，CBAM 模型，训练数据来自 Cornell 与 Watkins Marine Mammal Database。这两个数据集都公开可得，无需复现浮标硬件。
约束数据可得性是最大变量——务必在开题前先把数据集下载成功（Cornell 的鲸鱼检测数据与 Watkins 库均公开，但注册与格式转换会花时间，预留 2 周）。第二个风险是"你重测出来差距依然很大"，那也是一个完全可发表的结果（说明原结论稳健），这条课题不会因为结果方向而报废。音频模型在 CPU 上训练可行（梅尔谱 + 小型 CNN）。无实物采购。展台可展示：ROC 曲线与协议对照表；浮标实物不需要，也就不受禁液体影响。
R1276–86
它说经典滤波器怕结构化噪声，然后它只测了随机噪声
框架构造一个结构化噪声的点云离群基准——真实深度相机的系统性伪影（飞点/mixed pixel、多径反射、镜面高光造成的成片错误、低反射率区域的条带）——在这个基准上重新比较高阶环路滤波、SOR、ROR。当噪声不再是均匀随机注入时，那个"显著更高的 F1"还在吗？
你自己的那一点ROBO016 自己在动机里写了经典滤波器 can struggle when point density varies, thin structures are present, or noise is structured instead of random——但它的实验是 synthetic datasets (plane, sphere, and torus) with 5–10% injected outliers, as well as on the Stanford Bunny dataset，注入式离群点恰恰是随机的。也就是说，它把结构化噪声写成了卖点，却只在随机噪声上验证。这是一个由论文自己指出、又被自己跳过的验证缺口，攻击起来极其干净：你不需要否定它的算法，只需要把它自己承诺的那个场景补上。
擦过2026 ROBO016（Grand Award）"Higher-Order Cycles in 3D Outlier Detection"。mine_isef "point cloud" 五届 11 项弱命中，无一以噪声结构或基准构造为主题。
约束需要一台深度相机来生成真实伪影——这是唯一的采购项，且必须提前查货期。Intel RealSense D435 国内现货约 ¥1,300–1,800、一周内到货；若采购受阻，退路是使用公开的 RGB-D 数据集（如带有真实传感器噪声的室内扫描数据）配合人工标注离群点，可行性不受影响。第二个风险是离群点的真值标注：结构化噪声没有天然标签，必须设计可辩护的标注规程（例如用高精度扫描或多帧一致性投票产生参考），这一环没想清楚不要启动。展台可展示：全部是可视化与曲线；相机是干燥固体，可上台。
R1369–87
8 个人的数据，训练集和测试集里是不是同一批人
框架在人体活动/跌倒识别任务上，系统比较三种数据划分——随机帧划分、随机片段划分、受试者独立划分——同一模型的 F1 相差多少？把"随机划分带来的性能虚高"量化成一个可换算的修正系数，并给出识别泄漏的检查清单。
你自己的那一点ROBO021 报告 precision of 0.931, recall of 0.9, and F1 of 0.915, suggesting its ability to generalize well——"generalize well" 这个推论要成立，前提是测试受试者没在训练集里出现过，而摘要没有说明划分方式，只说数据来自 8 individuals in 8 locations。同届 ROBO011T 的 Fall detection runs an ML ensemble on IMU data, nearing perfect accuracy 是同样的形态。人体传感数据的个体内相关性极强，随机划分会让相邻帧同时进入训练和测试——这是这个子领域最著名的翻车方式，而本类目连续两届无人提及。
擦过2025 ROBO021（Grand Award）"Fall Detection With 4D Radar and Deep Learning"（8 人 8 场景 80,000 帧、23 种非跌倒动作 + 16 种跌倒动作）与 2025 ROBO011T（Grand Award）"ML IMU Processing and Visual Monitoring for PD"（GaitGuardian）。mine_isef "leakage cross-validation subject" 五届零命中。
约束不要自己采人体数据——那会触发 IRB（须在招募前批准），且 2027 版明令禁止向受试者反馈数据或给出建议，会把 3–4 个月窗口吃掉一大块。用公开的带受试者 ID 的活动识别数据集（IMU 类的公开数据集有多个，含受试者标注），全程离线、无人类受试者、无需 IRB。这一点必须在方案里写清楚，否则会被合规审查卡住。原创性有天花板（该问题在人体活动识别文献中已知，故 h=9），必须把贡献锚定在"给机器人/可穿戴类竞赛项目提供可直接套用的修正系数与检查清单"，而不是宣称首次发现泄漏。CPU 可算，无采购。展台可展示：纯图表。
R1474–84
三个电极、99.9%——那到底是脑电还是肌电
框架用公开的运动准备电位（bereitschaftspotential, BP）数据集做一次证伪式实验：把可能承载肌电/眼动/运动伪影的成分分离出来（带阻、ICA 去伪影、以及"只用非运动皮层通道"的对照），逐步剥离之后，运动意图分类准确率还剩多少？若剥离伪影后准确率崩塌，说明原始高分主要由伪影承载。
你自己的那一点ROBO024 报告 A custom 3D-printed EEG headset was developed to capture brain signals with three EEG electrodes placed across the brain's motor cortex，my algorithm has a 99.9% prediction accuracy。BP 是幅度约 10 µV 量级、持续 1–2 秒的缓慢负向偏移，用三个自制电极、在受试者即将做腿部动作时采集——这个场景里肌电与运动伪影的幅度比 BP 大一到两个数量级。99.9% 在这种信噪比下不是好成绩，而是一个红旗。你不是在指控谁，而是在建立一个所有 BCI 类项目都该跑的伪影证伪流程：如果去掉伪影后成绩不掉，结论就更硬；如果掉了，你救了后来者。
擦过2026 ROBO024（Grand + Special）"Mind-Controlled Lower-Limb Pneumatic Exoskeleton"（NeuroGait）——整机 95.2% accuracy in detecting and executing key lower-limb movements。mine_isef "EEG" 五届仅此一项；相关的还有 2023 ROBO069 "NeuroMotus"（脑机接口外骨骼，仅有标题，需自行核对）。
约束绝对不要自己采 EEG。在人身上贴电极属于人类受试者研究，IRB 须在招募前批准，且 2027 版禁止向受试者反馈数据——这会让你在 3–4 个月里损失至少一个月。用公开的 BP / 运动想象 EEG 数据集（多个公开库同时提供 EEG 与 EOG/EMG 参考通道，这正是做伪影分离所必需的），全程离线。选数据集时的硬判据：必须带有独立的 EOG 或 EMG 参考通道，没有参考通道就做不了这个实验，选错数据集这条课题直接死。计算量小，CPU 足够；无采购。展台可展示：纯图表，外骨骼实物不需要。
R1571–89
写着 IP67，做过 IP67 试验吗
框架对学生级机器人常用的密封方案（O 圈 + 3D 打印壳、硅胶灌封、热熔胶、螺纹密封、防水接插件）按 IEC 60529 的 IP67 规程（浸入 1 m 水下 30 分钟）做可复现的进水试验：各方案的通过率是多少？失效发生在哪里（打印层间渗漏 / 密封面变形 / 线缆入口）？温度循环与反复开合会让通过率掉多少？
你自己的那一点ROBO021（2026）在摘要里写 operating at depths of around 15 cm with an IP67-rated enclosure——"IP67-rated" 是一个有标准试验规程的等级声明，而摘要没有任何试验证据。同届 ROBO019 更进一步，声称 AUV 工作在 depths of 1-30m（30 m 对应约 4 个大气压，远超 IP67 的 1 m）。这不是个别现象：水下与户外机器人是本类目的稳定分支（五届检索里 ROV/AUV 相关反复出现），而没有任何一篇报告过密封是怎么验证的。你贡献的是这个分支缺失的那份基础数据，以及一套学校实验室做得起的验证规程。
擦过2026 ROBO021（Grand Award）"An Ellipsoidal Robot for Wetland Monitoring"（成本约 380 美元、trajectory deviation of ≤2.6%、control latency of ≤92 ms）；2026 ROBO019（Grand + Special）"Autonomous AUV for Real-Time Microplastic Imaging"；2025 ROBO041（Grand + Special）Cnidaria ROV。mine_isef "waterproof" 五届零命中。
约束采购完全无风险（O 圈、灌封胶、防水接头、打印耗材，合计 <¥800，一周内到货），风险在判定标准：进水的"有/无"是二值的，n 太小时统计效力极低（这也是 h=9 的部分原因）。规避方式：每种方案至少做 10 个同批试件，并在腔内放置遇水变色的指示纸加上称重法（浸前后质量差）做双重判据，把二值结果升级为连续量。深度只做到 1 m（IP67 规程本身的深度），不要自制压力容器去模拟 30 m——那是有真实爆裂风险的操作，不值得。展台：试验用水绝不能出现在展位上，展示对象是试验后的干燥壳体样本、失效部位显微照片与通过率表格。