Integrating Intrinsic and Extrinsic Explainability: The Relevance of Understanding Neural Networks for Human-Robot Interaction
University of Hamburg(汉堡大学)
可解释的人工智能(XAI)可以帮助培养对智能和自主系统的信任和接受。此外,理解智能体行为的动机会导致机器人和人类之间更好、更成功的合作。然而,不仅人类可以从机器人的解释中受益,机器人本身也可以从向他提供的解释中受益。目前,大多数注意力都集中在解释深度神经网络和黑盒模型上。然而,这些方法中的许多不适用于人形机器人。因此,在这份立场文件中,目前的问题,适应XAI方法来解释neurorobotics的描述。此外,NICO,一个开源的人形机器人平台,介绍了如何由机器人本身的内在解释和外部的解释提供的环境,使有效的机器人行为的互动。
2020-10-09 cs.AI cs.RO
Knowledge Acquisition and Completion for Long-Term Human-Robot Interactions using Knowledge Graph Embedding
Sapienza University of Rome(罗马第一大学)
在人机交互(HRI)系统中,一个具有挑战性的任务是共享操作环境的表示,融合符号知识和感知,用户和机器人之间。通过现有的HRI管道,用户可以教机器人一些概念,以增加他们的知识库。不幸的是,来自用户的数据通常不够密集,无法构建一致的表示。此外,现有的方法是不能够逐步建立自己的知识库,这是非常重要的,当机器人必须处理动态上下文。为此,我们提出了一个架构,从用户和环境中收集数据的长期运行的持续学习。我们采用知识图谱嵌入技术来概括所获得的信息,逐步扩展机器人的内部表示的环境的目标。我们评估的整体持续学习架构的性能,通过测量的机器人的学习实体和关系来自未知的情况下,通过一系列的增量学习会话的能力。
2023-01-17 cs.AI cs.RO
DTRT: Enhancing Human Intent Estimation and Role Allocation for Physical Human-Robot Collaboration
CAS Engineering Laboratory for Intelligent Industrial Vision, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所CAS工程视觉实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对物理人机协作中意图估计与角色分配不足的问题,提出基于双Transformer的分层架构DTRT,融合人类运动与力数据,利用CVAE和微分博弈实现准确预测与动态调整,实验验证其优越性。
2025-05-26 cs.AI cs.RO
Co-GAIL: Learning Diverse Strategies for Human-Robot Collaboration
Stanford University(斯坦福大学)
Co-GAIL通过协同优化人类策略与机器人策略,从人人协作演示中学习多样化且鲁棒的人机协作策略,并在多个任务中优于现有方法。
2023-09-20 cs.AI cs.RO
Improved Trust in Human-Robot Collaboration with ChatGPT
University of Florida(佛罗里达大学)
本文设计基于 ChatGPT 的 RoboGPT 系统,用自然语言控制 7 自由度机械臂完成协作装配,并通过人体实验证明其能增强沟通与信任。
2023-04-25 cs.AI cs.HC cs.RO
Human-Robot Collaboration via Deep Reinforcement Learning of Real-World Interactions
Imperial College London(帝国理工学院)
我们提出了一个机器人设置真实世界的测试和评估的人-机器人和人-人的协作学习。利用Soft Actor-Critic算法的样本效率,我们实现了一个机器人平台,该平台能够与人类合作伙伴一起学习非平凡的协作任务,而无需在模拟中进行预训练,并且仅使用30分钟的真实世界交互。这使我们能够通过真实世界的交互来研究人与机器人和人与人的协作学习。我们提出了初步的结果,表明最先进的深度学习方法可以使人机协作学习更接近人类相互交互。
2019-12-02 cs.AI cs.LG cs.RO
Why Did the Robot Cross the Road? A User Study of Explanation in Human-Robot Interaction
Georgia Institute of Technology(佐治亚理工学院);H2O.ai
这项工作记录了一项试点用户研究,评估了对比,因果和示例解释在支持人类理解人工智能在一个假设的普通人类机器人交互HRI场景的有效性。在这样做的过程中,这项工作将可解释的AI XAI置于社会科学的背景下,并建议在社会科学的指导下改进HRI解释。
2020-11-30 cs.AI cs.HC cs.RO
Adapting Robot's Explanation for Failures Based on Observed Human Behavior in Human-Robot Collaboration
KTH Royal Institute of Technology(皇家理工学院);Lancaster University(兰卡斯特大学)
本研究通过解读人机协作中人类行为预测用户困惑,构建数据驱动预测器预测困惑,并提出基于该预测器调整机器人故障解释详细程度的机制,以提升协作自然性与效率。
2025-04-13 cs.AI cs.HC cs.RO
Game-Theoretic Modeling of Human Adaptation in Human-Robot Collaboration
Carnegie Mellon University(卡内基梅隆大学)
在人类-机器人团队中,人类通常从一个不准确的机器人能力模型开始。当它们与机器人交互时,它们推断机器人的能力并部分适应机器人,即,他们可能会根据观察到的结果和机器人的动作改变自己的动作,而不复制机器人的策略。我们提出了一个博弈论模型的人的部分适应机器人,在那里的人响应机器人的行动,通过最大化的奖励函数,随着时间的推移而改变随机,捕捉他们的期望机器人的能力的演变。然后,机器人可以使用这个模型来最佳地决定采取行动,向人类展示其能力,并在人类当前拥有的信息下采取最佳行动。我们证明了在一定的可观测性假设下,最优策略可以有效地计算。我们通过一个人类受试者的实验表明,该模型显着提高人类机器人团队的性能相比,政策,假设完全适应人类的机器人。
2017-04-06 cs.RO
Safe and Efficient Exploration of Human Models During Human-Robot Interaction
Carnegie Mellon University(卡内基梅隆大学)
许多人机协作任务要求机器人在人类周围保持安全并高效工作。由于机器人只能在自己的人类模型中保持安全,我们希望机器人学习一个好的人类模型,以便安全有效地行动。本文研究的方法,使机器人能够安全地探索空间的人-机器人系统,以改善机器人的模型的人,这将因此允许机器人访问一个更大的状态空间,更好地与人类一起工作。特别地,我们在基于能量函数的安全控制框架下引入主动探索,研究不同主动探索策略的效果,最后分析安全主动探索对解析模型和神经网络模型的影响。
2022-08-01 cs.RO
Optimization of Humanoid Robot Designs for Human-Robot Ergonomic Payload Lifting
Istituto Italiano di Tecnologia(意大利理工学院);The University of Manchester(曼彻斯特大学)
当人类和人形机器人进行物理协作时,人机工程学是需要考虑的关键因素。假设一个给定的人形机器人,几个控制架构存在现今解决人体工程学物理人机协作。本文进一步考虑机器人的硬件参数作为优化变量的问题的合作有效载荷升降。机器人的运动学和动力学参数化变量保证了它们的物理一致性,并且在优化问题中考虑了人体模型。通过利用所提出的建模框架,交互的人机工程学被最大化,这里由代理的能量消耗给出。机器人运动学,动力学,硬件约束和人类的几何形状时,考虑解决相关的优化问题。所提出的方法是用来确定最佳的硬件参数的ergoCub机器人,人形拥有一定程度的具身智能与人类的人机交互的设计。对于优化问题,起点是iCub人形机器人。所获得的机器人设计达到负载的高度范围为0.8-1.5米的iCub机器人,其范围被限制在0.8-1.2米。机器人的能量消耗减少了约33%,同时,人类的人机工程学得到了保留,从而改善了整体交互。
2022-11-24 cs.RO
Human-Recognizable Robotic Gestures
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong(香港中文大学)
为了让机器人适应人类的空间和人类的日常活动,机器人应该能够理解来自人类对话伙伴的信息。同样,人类也必须理解机器人传达的信息,包括非语言信息。我们进行了一项基于网络的视频研究,其中参与者对拟人化机器人产生的标志性手势和表情进行了解释。在呈现的15个手势中,我们发现6个机器人手势可以被人类观察者准确识别。这些是点头,鼓掌,拥抱,表达愤怒,走路和飞行。我们从人类和动物行为的文献中回顾了这些手势的意义。最后,我们讨论了这些手势的设计,旨在与人类进行互动的社交机器人的可能影响。
2012-12-26 cs.AI cs.HC cs.RO
Human-Robot Mutual Adaptation in Shared Autonomy
Carnegie Mellon University(卡内基梅隆大学);National University of Singapore(新加坡国立大学)
共享自主性将用户输入与机器人自主性相结合,以控制机器人并帮助用户完成任务。我们的工作旨在提高这样一个人-机器人团队的性能:机器人试图引导人类走向一个有效的策略,有时违背人类自己的偏好,同时仍然保持他的信任。我们通过一个原则性的人-机器人相互适应的形式主义来实现这一点。我们将人类的有界记忆适应模型集成到部分可观察的随机决策模型中,使机器人能够适应适应性强的人类。当人类适应性强时,机器人会引导人类采取一个好的策略,也许人类事先不知道。当人类固执而不适应时,机器人会遵从人类的偏好,以保持他们的信任。在共享自治设置中,与许多其他常见的人机协作设置不同,只有机器人的动作可以改变世界的物理状态,人类和机器人的目标并不完全可观察。我们解决这些挑战,并显示在人类受试者的实验中,提出的相互适应形式主义提高人类-机器人团队的性能,同时保持高水平的用户信任的机器人,相比,有机器人严格遵循参与者的偏好的常见方法。
2017-01-26 cs.RO
Improving Human-Robot Collaboration via Computational Design
George Mason University(乔治梅森大学)
当机器人进入我们的日常生活时,人类和机器人周围的共享空间对于有效的人机协作至关重要。共享空间的设计应满足人类的偏好和机器人的效率。本作品以厨房设计为例,说明良好的空间设计在促进这种合作中的重要性。给定厨房边界、柜台和食谱,该方法计算出符合厨房设计规则要求的柜台的最佳放置,并提高人机协作。关键的技术挑战是优化方法通常评估数千个设计,并且作为评估函数的一部分的运动规划的计算成本昂贵。我们使用一个分散的运动规划器,可以有效地解决多智能体运动规划。我们的研究结果表明,优化的厨房设计可以提供显着的性能改善人机协作。
2023-03-20 cs.AI cs.GR cs.RO
SENSAR: A Visual Tool for Intelligent Robots for Collaborative Human-Robot Interaction
在智能机器人和人类之间建立共同点需要将机器人的意图、行为和知识传达给人类,以建立信任并确保共享环境中的安全。本文介绍了SENSAR(Seeing Everything iN Situ with增强现实),一个增强现实机器人系统,使机器人能够在真实世界的背景下与渲染的图形交流他们的感官和认知数据,允许用户理解,纠正和验证机器人对世界的感知。我们的系统旨在通过建立人类和机器人的感知对齐的共同点来支持人机交互研究。
2020-11-09 cs.RO
ARROCH: Augmented Reality for Robots Collaborating with a Human
SUNY Binghamton(纽约州立大学宾汉姆顿分校);OPPO US Research Center(OPPO美国研究中心)
人机协作通常需要广泛的通信,例如,使用自然语言和手势。增强现实(AR)为弥合机器人与人之间的沟通鸿沟提供了另一种方式。然而,目前大多数基于AR的人机通信方法是单向的,专注于人类如何适应机器人的行为,并限于单机器人域。在本文中,我们开发了AR机器人与人类协作(ARROCH),这是一种新的算法和系统,支持室内多房间环境中的双向,多转向,人-多机器人通信。人类可以透过障碍物观察机器人的当前状态和意图,并提供反馈,而机器人的行为则会调整为人类-多机器人团队合作。实验已经进行了真正的机器人和人类参与者使用协作交付任务。结果表明,ARROCH在用户体验和团队效率方面都优于标准的非AR方法。此外,我们还使用Unity(用于AR和人体模拟)和Gazebo(用于机器人模拟)开发了一个新的模拟环境。仿真结果表明,ARROCH的优越性基于AR的基线在人机协作。
2022-02-25 cs.RO
Human-centered AI with focus on Human-robot interaction (Book chapter)
University of Salerno(萨莱诺大学)
本章基于以人为本人工智能原则,首次提出“双重金字塔”框架,系统梳理从微观一对一交互到宏观社会层面的人机交互人类需求,并关联联合国可持续发展目标。
2025-07-05 cs.AI cs.HC cs.RO
Robots that Take Advantage of Human Trust
Stanford University(斯坦福大学)
人类通常认为机器人是理性的。我们相信机器人会在给定目标的情况下采取最优行动;因此,当我们不确定机器人的目标是什么时,我们会将机器人的行动解释为相对于我们对其目标的估计而言是最优的。当机器人直接优化其目标时,这种方法是有意义的,并使人类能够了解机器人试图实现的目标。然而,我们的观点是,当机器人意识到人类通过信任机器人的行为是理性的来学习时,智能机器人不会像人类期望的那样行事;相反,它们利用人类的信任,并利用这种信任更有效地优化自己的目标。在本文中,我们正式建模的人与机器人交互(HRI)的情况下,人类不知道机器人的目标,使用一个两人游戏。我们制定了不同的方式,机器人可以模拟不确定的人,并比较这个游戏的解决方案时,机器人有保守,乐观,理性和信任的人类模型。在离线线性二次案例研究和实时用户研究中,我们表明信任人类模型可以自然地导致机器人的交流行为,从而影响最终用户并增加他们的参与。
2019-09-12 cs.RO
Doing Right by Not Doing Wrong in Human-Robot Collaboration
University of Freiburg(弗莱堡大学)
随着机器人系统越来越能够在日常生活中帮助人类,我们必须考虑这些人工智能体使人类合作者感到不安全或不公平对待他们的机会。机器人可以表现出对人类造成身体伤害的反社会行为,或者复制不公平的行为,复制甚至放大历史和社会偏见,这对与它们互动的人类有害。在本文中,我们讨论这些问题,考虑社会机器人操作和公平的机器人决策。我们提出了一种学习公平和社交行为的新方法,不是通过复制积极的行为,而是通过避免消极的行为。在这项研究中,我们强调了在机器人操作中融入社会性的重要性,以及在人机交互中考虑公平性的必要性。
2022-02-05 cs.AI cs.LG cs.RO
Does human-robot trust need reciprocity?
Italian Institute of Technology(意大利理工学院)
信任是人与人和人与机器人交互的标志之一。大量证据表明,人类之间的信任需要互惠。相反,人机交互(HRI)的研究主要依赖于一个单向的信任观,专注于机器人的可靠性和性能。目前的论文认为,互惠也可能在人类和机器人之间相互信任和成功合作的出现中发挥关键作用。我们将收集和讨论揭示人机信任中相互维度的作品,为HRI中信任的双向和动态视图铺平道路。
2021-10-18 cs.RO
Rude Humans and Vengeful Robots: Examining Human Perceptions of Robot Retaliatory Intentions in Professional Settings
Australian Catholic University(澳大利亚天主教大学);Queensland University of Technology(昆士兰科技大学);Monash University(莫纳什大学)
该研究通过2×3在线第一人称视角视频实验,考察专业工作场景中人类对机器人报复意图的感知,发现人们期望机器人遵循社会期望,且机器人面对无礼时表现得更有气度会带来积极感知,为社交机器人设计提供参考。
2025-03-21 cs.AI cs.HC cs.RO
Safety Assurances for Human-Robot Interaction via Confidence-aware Game-theoretic Human Models
UC Berkeley(加州大学伯克利分校)
人机交互安全方法的一个突出挑战是在保持对人类行为变化的鲁棒性的同时减少其保守性。在这项工作中,我们建议,机器人使用的信心,意识到人类行为的博弈论模型时,评估安全的人机交互。通过将人类和机器人之间的影响以及人类的理性视为未观察到的潜在状态,我们可以简洁地推断出人类遵循博弈论交互模型的程度。我们利用这个模型来限制在安全验证过程中的一组可行的人类控制,使机器人能够自信地在线调节其安全监视器的保守性。在模拟的人类-机器人场景和消融研究的评估表明,充满信心的游戏理论模型的安全监视器,使安全和有效的人机交互。此外,与真实的交通数据的评估表明,我们的安全监测是保守性低于传统的安全方法在真实的人类驾驶场景。
2021-10-30 cs.RO
The Robot in the Room: Influence of Robot Facial Expressions and Gaze on Human-Human-Robot Collaboration
University of Hamburg(汉堡大学)
机器人面部表情和凝视是增强人机交互(HRI)的重要因素,但它们对人类协作和感知的影响还没有得到很好的理解,例如,在协作游戏场景中。在这项研究中,我们设计了一个合作的三元HRI游戏的情况下,两个参与者一起工作,插入到一个形状分类器的对象。一名与会者担任了导游。向导指导扮演演员角色的另一位参与者将遮挡的物体放入分类器。一个人形机器人发出指令,观察互动,并显示社交线索,以引起两个参与者的行为变化。我们测量了人类的合作作为任务完成时间的函数,以及参与者对机器人的感知,将其行为评为智能或随机。参与者还通过填写Godspeed问卷来评估机器人。我们发现,与中性面部表情相比,当机器人在游戏开始时表现出快乐的面部表情时,人类的合作程度更高。我们还发现,当机器人在游戏结束时表现出积极的面部表情时,参与者认为机器人更聪明。机器人的行为也被认为是智能的,当它在互动开始时将目光投向向导,而不是演员。这些发现为机器人面部表情和凝视如何影响人类在协作中的行为和感知提供了见解。
2023-03-24 cs.RO
Human-Human & Human-Robot Interaction Transformer (H2INT) for Robot Navigation in Dense and Uncertain Crowds
School of Automation, Beijing Institute of Technology(北京理工大学自动化学院);State Key Laboratory of Autonomous Intelligent Unmanned Systems(自主智能无人系统国家重点实验室)
本文提出H2INT强化学习框架,通过分层关系编码与课程学习提升密集不确定人群中机器人导航的安全性与鲁棒性,可迁移至不同人群布局,经仿真与真实机器人部署验证有效。
2026-09-07 cs.RO
InteRACT: Transformer Models for Human Intent Prediction Conditioned on Robot Actions
Cornell University(康奈尔大学)
针对人机操作中意图与动作相互依赖导致的预测难题,提出InteRACT架构,利用人机动作对应关系从人人交互数据迁移学习,预训练并微调条件意图预测模型,显著优于边缘基线并开源了新数据。
2024-06-02 cs.AI cs.LG cs.MA
Human Leading or Following Preferences: Effects on Human Perception of the Robot and the Human-Robot Collaboration
University of Waterloo(滑铁卢大学)
本研究提出整合人类主导/跟随偏好与绩效的主动式任务规划框架,经用户研究验证可提升人机协作绩效与人类积极感知,还发现领导/跟随风格与协作效果存在值得探究的关联。
2024-10-28 cs.RO
Human-Robot Collaboration: A Non-Verbal Approach with the NAO Humanoid Robot
本研究探讨NAO仿人机器人在厨房备餐等场景下,通过手势、肢体动作和视觉提示等非语言方式提供反馈以增强人机交互与安全性,发现多提示结合可提升交流效果,为未来机器人设计提供参考。
2025-03-07 cs.RO
Human Motion Prediction for Human-Robot Collaboration
本文比较了三种人体运动预测方法(GMM聚类、TransFusion、Graph-Mixer)在人机协作中的效果,通过预判人体运动来改进机器人规划,提升动态环境的安全与效率。
2026-09-29 cs.RO
Human-Robot Interaction using VAHR: Virtual Assistant, Human, and Robots in the Loop
American University of Beirut(贝鲁特美国大学);Lebanese American University(黎巴嫩美国大学)
本文提出VAHR系统,通过Alexa实现双向通信以控制多机器人,实验表明其显著降低注意力需求并提升多任务效率,但需提升操作员信任。
2023-03-31 cs.RO
Enabling Robots to Infer how End-Users Teach and Learn through Human-Robot Interaction
Rice University(莱斯大学)
在人机交互(HRI)中,我们希望机器人理解我们,我们希望直观地理解机器人。为了与机器人进行交流和理解,我们可以利用交互,人类和机器人可以观察彼此的行为。然而,人类和机器人应该如何解释这些动作并不总是很清楚:一个给定的交互可能意味着几个不同的事情。在当今的最先进技术中,机器人为人类分配一个单一的交互策略,并根据这个固定的策略向人类学习或教导人类。相反,我们在这里认识到,不同的用户以不同的方式进行交互,因此一种尺寸并不适合所有人。因此,我们认为,机器人应该保持一个分布在可能的人类互动策略,然后推断每个终端用户如何在任务过程中进行交互。当机器人不确定人类的交互策略时,我们正式定义了学习和教学,并使用贝叶斯推理推导出这两个问题的解决方案。在示例和基准模拟中,我们表明我们的个性化方法优于保持固定交互策略的标准方法。
2019-02-02 cs.RO
Human-Robot Collaboration: From Psychology to Social Robotics
KTH Royal Institute of Technology(瑞典皇家理工学院)
随着机器人技术的发展,人机协作的研究越来越受到重视。对于机器人来说,要想自主地与人类互动,他们需要主动做出决策,并将人类伙伴考虑在内。然而,国家的最先进的研究在人力资源管理往往假设一个领导者和追随者的分工,其中一个代理人领导的互动。我们认为,这是由于缺乏一个可靠的代表人类和环境,让自主决策。这个问题可以克服体现的方法,以人权委员会的灵感来自心理学研究的人与人的互动(HHI)。在这项调查中,我们回顾了神经科学和心理学的发现,感觉运动模式,管理HHI和查看他们在机器人的背景下。此外,我们研究了机器人社区向体现HRC方向所取得的进展。我们专注于积极的,物理的人机协作所需的机制。最后,我们讨论了这两个研究领域的异同,指出了未来研究的方向。
2017-05-29 cs.RO
A Review of Communicating Robot Learning during Human-Robot Interaction
Virginia Tech(弗吉尼亚理工大学);Purdue University(普渡大学)
本文综述了人机交互中机器人如何将自身学习过程反馈给人类的方法与成果,强调学习与通信协同设计可提升教学效果、信任和共同适应,并通过案例研究验证了集成方法。
2023-12-01 cs.RO
Movement Information from a Robotic Effector Influences Human Performance During Object Handovers
Queen’s University Belfast(贝尔法斯特女王大学)
本研究通过虚拟现实探讨机器人运动学对人类在交接任务中的表现影响,发现机器人提供早期视觉信息和人类样式的轨迹能提升交互准确性。
2026-11-19 cs.HC cs.RO
SymBridge: A Human-in-the-Loop Cyber-Physical Interactive System for Adaptive Human-Robot Symbiosis
Shandong University(山东大学);ShanghaiTech University(上海科技大学);The University of Hong Kong(香港大学);LEJU(Shenzhen) Robotics Co., Ltd(LEJU(深圳)机器人有限公司)
SymBridge 是首个融合增强现实的人在环信息物理交互系统,通过多分辨率人体运动特征与环境可供性实现实时自适应人机交互,并利用人类反馈持续优化机器人模型,有效推动人机共生研究。
2025-09-19 cs.RO
Human-Aware Physical Human-Robot Collaborative Transportation and Manipulation with Multiple Aerial Robots
New York University, Tandon School of Engineering(纽约大学坦登工程学院)
针对现有物理人机交互多聚焦单机器人、多空中机器人研究进展少的问题,提出含负载外力估计器、6D导纳控制器及人感知力分配的方法,通过仿真与实验首次实现四旋翼机群与人类协作完成负载全6自由度操作。
2024-12-03 cs.RO
Surena-V: A Humanoid Robot for Human-Robot Collaboration with Optimization-based Control Architecture
本文介绍了人形机器人Surena-V,其通过配备气压触觉传感器和基于优化的控制架构(如ZMP修正与作用点外力检测),实现了更敏捷的环境交互与稳定的人机协作。
2025-01-28 cs.RO
Towards Safe Multi-Level Human-Robot Interaction in Industrial Tasks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Foxconn Interconnect Technology(富士康互联科技);Zhejiang University(浙江大学)
本文提出三个独立安全模块(视觉监控、接触监控、分层意图跟踪),实现工业协作机器人在多层级人机交互中的安全保障,并探讨了基于人类行为建模的未来研究方向。
2023-08-06 cs.RO
Intrinsically motivated reinforcement learning for human-robot interaction in the real-world
为了实现自然的社会性人机交互,机器人学习类似人类的社会技能是必不可少的。然而,学习这些技能是出了名的困难,因为人们教机器人的直接指令有限。在本文中,我们提出了一个内在动机的强化学习框架中,一个代理获得的内在动机为基础的奖励,通过行动条件预测模型。通过使用所提出的方法,机器人学习的社会技能,从人与机器人在真实的不受控制的环境中收集的互动经验。结果表明,机器人不仅获得了类似人类的社交技能,而且在测试数据集上做出了更多类似人类的决策,而不是直接获得任务成就奖励的机器人。
2018-04-14 cs.RO
Compact Real-time avoidance on a Humanoid Robot for Human-robot Interaction
Istituto Italiano di Tecnologia(意大利理工学院);Czech Technical University in Prague(布拉格捷克理工大学);Yale University(耶鲁大学)
随着机器人离开工厂,进入控制较少的领域,可能与人类共享空间,安全是至关重要的,对身体表面和周围环境的多模态感知是至关重要的。从人类的近个人空间表示中获得灵感,我们提出了一个人形机器人上的框架,该框架动态地维护这样的保护性安全区,由以下主要组件组成:(i)采用基于深度学习的算法的人类2D关键点估计管道,在这里使用视差扩展到3D;(ii)机器人身体部位周围的分布式近个人空间表示;(iii)到达控制器,其将在飞行中进入机器人的安全区的所有障碍物并入到任务中。初步实验表明,机器人和人体部位之间保持了有效的安全裕度。所提出的解决方案是灵活且通用的,因为可以选择性地调节单个机器人和人体部位周围的安全区--在这里,我们证明了与身体其他部位相比,对人体头部的回避更强。我们的系统实时的工作,并且是独立的,没有外部传感设备,只使用机载摄像头。
2018-01-17 cs.RO
Design of conversational humanoid robot based on hardware independent gesture generation
随着老年人和残疾人护理需求的不断增长,智能和移动设备(如机器人)提供护理和支持解决方案的机会越来越多。为了自然地协助人类并与人类互动,机器人必须具备有效的对话能力。伴随口语句子的手势是人与人之间会话交流中的一个重要因素。人形机器人也必须使用手势,如果他们能够丰富的互动暗示和提供他们的人形外观。然而,用于姿势生成的当前系统不动态地提供人类自然理解的真实物理姿势。本文提出了一种用于人形机器人生成手势以及说出的句子的方法。我们强调,我们的手势生成架构可以应用于任何类型的人形机器人通过使用labanotation,这是一个现有的系统,用于记录人类的舞蹈动作。Labanotation的手势符号可以通过计算转换,以兼容一系列具有蹒跚物理特征的机器人。本文介绍了一种解决方案,作为一个综合系统的对话机器人的语音和手势可以相互补充,在人机交互。
2019-05-21 cs.RO
Toward Achieving Formal Guarantees for Human-Aware Controllers in Human-Robot Interactions
University of Texas at Austin(得克萨斯大学奥斯汀分校)
随着人机交互的主要目标是支持人类的目标,有必要正式合成机器人控制器,可以提供所需的服务。综合技术的好处是为规范的满足提供了形式化的保证。有可能将这些技术应用于设计机器人控制器,其规格与人类的需求相结合。本文探讨了使用形式化的方法来构建人类感知的机器人控制器,以支持人类的生产力要求。我们通过人类工作量知情模型和反应合成来解决这些类型的场景。这种策略使我们能够合成控制器,满足正式规格表示为线性时序逻辑公式。我们提出了一个案例研究中,我们的原因,工作交付和皮卡任务,使机器人提高工人的生产力,但不高的工作积压引起的压力。我们证明我们的控制器使用丰田HSR,移动机械手机器人。结果表明,实现了一个强大的机器人控制器,保证正确的原因和反应,在与人类合作伙伴的协作任务。
2019-03-04 cs.RO
Guided Exploration of Human Intentions for Human-Robot Interaction
National University of Singapore(新加坡国立大学)
机器人对人类意图的理解对于流畅的人机交互至关重要。然而,意图不能直接观察到,必须从行为中推断出来。我们学习一个以意图为潜在变量的适应性人类行为模型。然后,我们将人类行为模型嵌入到有原则的概率决策模型中,该模型使机器人能够(i)积极探索以推断人类意图,以及(ii)选择最大化其性能的行动。此外,机器人从人类专家的示范行动中学习,以进一步改善探索。初步的仿真实验表明,我们的方法,应用于自动驾驶,提高了效率和安全性的驾驶在常见的交互式驾驶场景。
2019-01-19 cs.RO
Repairing Human Trust by Promptly Correcting Robot Mistakes with An Attention Transfer Model
Kent State University(肯特州立大学)
在人机协作(HRC)中,人类对机器人的信任是人类对机器人以期望的性能执行任务的期望。更高级别的信任增加了人类操作员分配任务、共享计划的意愿,并减少了机器人执行过程中的中断,从而促进了人类与机器人在身体和精神上的整合。然而,由于现实世界的干扰,机器人不可避免地会犯错误,降低人类的信任并进一步影响协作。信任是脆弱的,当机器人表现出无法执行任务时,容易引发信任丧失,使得信任维护具有挑战性。为了维护人类的信任,在这项研究中,信任修复框架的基础上开发的人对机器人的注意力转移(H2 R-AT)模型和用户的信任研究。这一框架的基本原理是,及时纠正错误可以恢复人们的信任。通过H2 R-AT,机器人可以定位人类的语言问题,并迅速纠正错误,以避免早期任务失败,并最终提高人类的信任。用户信任研究测量行为修正前后的信任状态,量化信任损失。针对错误动作、错误区域、错误姿势和错误空间关系4种典型错误设计了机器人实验,验证了H2 R-AT在机器人行为矫正中的准确性;进行了$252$参与者的用户信任研究,评估了矫正前后信任水平的变化。通过纠错准确率和信任度的提高来评价人工信任修复的有效性。
2021-06-29 cs.RO
Planning with Verbal Communication for Human-Robot Collaboration
Carnegie Mellon University(卡内基梅隆大学);Cornell University(康奈尔大学)
人类合作者通过语言和非语言沟通有效地协调他们的行动。我们认为,人类-机器人团队也应该如此。我们提出了一种形式主义,使机器人之间做一个任务,并发出一个话语,以最佳的决定。我们专注于两种类型的话语:口头命令,机器人表达它希望人类队友如何表现,以及状态传达动作,机器人解释为什么它会这样做。人类受试者的实验表明,使机器人发出口头命令是最有效的形式沟通的目标,同时保持用户的信任机器人。交流为什么信息应该明智地处理,因为许多参与者质疑机器人陈述的真实性。
2017-06-14 cs.RO
Real-Time Human-Robot Interaction for a Service Robot Based on 3D Human Activity Recognition and Human-mimicking Decision Mechanism
The State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所复杂系统管理与控制国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学)
本文描述了一个实时的【形】人-机器人交互系统的服务机器人的基础上三维人体活动识别和仿人决策机制的发展。人机交互(HRI)系统允许一个人使用自然肢体语言与服务机器人进行交互,通过Microsoft Kinect收集包含有关用户的丰富人体运动信息的3D骨骼关节序列。这些信息用于训练三层长短期记忆(LSTM)网络,用于人类动作识别。机器人基于在线LSTM网络测试理解用户意图,并通过机器人手臂或底盘的运动响应用户。此外,在此过程中还融合了类似人类的决策机制,使机器人能够根据任务优先级本能地决定是否中断当前任务。整个系统的框架建立在机器人操作系统(ROS)平台上。我们的服务机器人和用户之间的现实生活中的活动进行互动,以证明开发的HRI系统的有效性。
2019-01-11 cs.HC cs.RO
Visual Proactivity: Enhancing Human-Robot Collaboration Through Intent Communication
Institut de Robotica y Informatica Industrial (CSIC-UPC)(工业机器人信息研究所(CSIC-UPC));Universitat Politecnica de Catalunya - BarcelonaTech (UPC)(加泰罗尼亚理工大学)
本文提出视觉主动性方法,通过视觉反馈让机器人主动沟通意图,在人机交接场景中验证其能增强透明度和协作流畅性。
2026-09-21 cs.RO
Come Closer: The Effects of Robot Personality on Human Proxemics Behaviours
Heriot-Watt University(赫瑞-瓦特大学)
本研究通过固定机器人接待员Charlie,探讨内向与外向个性对人际距离的影响,发现内向机器人引发更近的接近距离,并提出新的人机交互近身空间分区。
2023-09-06 cs.RO
Maximising Coefficiency of Human-Robot Handovers through Reinforcement Learning
Istituto Italiano di Tecnologia(意大利技术研究院);Politecnico di Milano(米兰理工大学);Northumbria University(诺森比亚大学)
针对人机交接中机器人利他行为可能降低交互体验的问题,提出基于人机协同效率奖励的强化学习方法,优化机器人交互参数,提升用户舒适度与信任度。
2023-06-12 cs.RO
Prediction of Human Trajectory Following a Haptic Robotic Guide Using Recurrent Neural Networks
School of Integrated Technology(融合技术学院);Yonsei Institute of Convergence Technology(延世大学融合技术研究院);Yonsei University(延世大学)
社交智能是使机器人能够与人协作的重要要求。特别是,人类路径预测是机器人的基本能力,因为它防止与人类的潜在碰撞,并允许机器人安全地进行更大的运动。在本文中,我们提出了一种方法,用于预测的轨迹的人以下的触觉机器人指南,而不使用的视线,这是有价值的辅助机器人,帮助视障人士。我们应用基于循环神经网络的深度学习方法,使用多模态数据:(1)人类轨迹,(2)机器人引导的运动,(3)从人类和机器人之间的物理交互测量的触觉输入数据,(4)人类深度数据。我们通过室内实验收集了实际的人体轨迹和多模态响应数据。我们的模型在仅使用机器人数据和观察到的人类轨迹时表现优于基线结果,并且在使用额外的触觉和深度数据时显示出更好的结果。
2019-03-04 cs.RO
Safety of human-robot interaction through tactile sensors and peripersonal space representations
Czech Technical University in Prague(布拉格捷克理工大学)
包括紧密物理人机交互(pHRI)的人机协作是工业和科学的当前趋势。安全准则规定了两种安全模式:(i)功率和力限制以及(ii)速度和分离监测。我们研究了配备人工敏感皮肤和周围保护性安全区(peripersonal space)的机器人对安全pHRI的潜力。
2018-05-18 cs.RO
The Rise and Fall of Robotic World (A case study of WALL-E)
University of Waterloo(滑铁卢大学)
目前的技术趋势表明,机器人将很快与人类互动,并在未来更有效地处理不同的任务。随着人工智能的进步,可以预见,机器人肯定会接管所有的主要和次要工作,将与人类进行社会互动,并将大大减少人类的负担。随着时间的流逝,人类将忘记他们的实相和他们目前自己所做的劳动。这个时代将是机器人的巅峰时代,我们可以称之为机器人崛起的时代。随着机器人的崛起,他们将开始自己决定人类的生活和地球。人类将再次开始尽量减少机器人的影响,并在一些机器人的帮助下控制自己的生活。《瓦力》讲述了一个在地球因灾难而毁灭的时候,人类依靠宇宙飞船上的机器人生存的故事。人类和机器人之间的冲突发生时,人类发现地球是可以生存的,应该回去,但机器人不允许他们。在一些社交机器人的帮助下,人类再次控制并将船带回地球。电影的主要部分是关于一个孤独的机器人生活在地球上,两个机器人的爱,他们的互动。这两个机器人帮助人类搬回地球。
2022-04-08 cs.RO
Trust Calibration and Trust Respect: A Method for Building Team Cohesion in Human Robot Teams
University of Massachusetts, Lowell(马萨诸塞大学洛厄尔分校)
人机交互(HRI)和机器人自主性领域的最新进展正在改变世界。今天,机器人被用于各种各样的应用。人类和机器人在人类自主团队(HAT)中一起工作,以完成单独无法轻松完成的任务。HAT中机器人和人类之间的信任对于任务完成和有效的团队凝聚力至关重要。为了优化HRI中人类操作员的性能和安全性,人类的信任应该根据机器人系统的实际性能和可靠性进行调整。HRI中的不良信任校准的成本是最低的,低性能,并且在更高的水平上,它会导致人员伤害或关键任务失败。虽然信任校准的作用对团队凝聚力至关重要,但对于机器人来说,能够评估人类是否由于愤怒、分心或沮丧等其他因素而表现出不信任的迹象也很重要。在这些情况下,机器人选择不校准信任,而是选择尊重信任。尊重信任的决定是由机器人基于其动作(成功和失败)及其对人类的反馈来确定人类是否应该信任机器人的知识来确定的。我们发现,以信任校准线索(TCC)的形式反馈可以有效地改变人类的信任水平。这些信息在帮助机器人做出尊重信任的决定方面可能是有用的。
2021-10-13 cs.RO
Improving Responsiveness to Robots for Tacit Human-Robot Interaction via Implicit and Naturalistic Team Status Projection
Arizona State University(亚利桑那州立大学)
流畅的人与人之间的团队合作通常以没有明确沟通的默契互动为特征。这是因为显性沟通,如语言话语和手势,本质上是中断的。另一方面,隐性互动需要团队情境意识(TSA)来促进,而TSA往往依赖于显性沟通来维持,这就产生了悖论。在本文中,我们考虑隐式和自然的团队状态投影默契的人机交互。内隐性最大限度地减少了干扰,而自然性减少了认知需求,它们共同提高了对机器人的响应能力。我们引入了一个新的过程,这样的团队状态投影通过虚拟阴影,或TPS。我们比较我们的方法与两个基线,使用显式投影维持TSA。通过人为因素研究的结果表明,TPS提供了一个更流畅的人机交互体验,显着提高人类对机器人在默契的团队场景,这表明更好的TSA的响应。参与者承认机器人实施TPS作为一个队友更容易接受和有利。同时,我们证明,TPS是可比的,有时更好,在保持准确的TSA的最佳性能基线
2023-01-24 cs.RO
Towards Partner-Aware Humanoid Robot Control Under Physical Interactions
Istituto Italiano di Tecnologia(意大利技术研究院);University of Genova(热那亚大学);University of Manchester(曼彻斯特大学);DeepMind(深度思维)
物理人机交互的主题得到了很多关注,从机器人社区,因为许多有前途的应用领域。然而,研究机器人和外部代理(如人类或另一个机器人)之间的物理交互,而不考虑两个系统的动态特性,可能会导致充分利用交互的许多缺点。在本文中,我们提出了一个耦合动力学的形式主义,其次是一个健全的方法,利用有益的互动与人形机器人。特别是,我们提出了第一次尝试定义和利用人类帮助机器人完成特定的任务。因此,我们提出了一种基于任务的伙伴感知机器人控制技术。通过两个iCub人形机器人参与物理交互的实验,验证了理论结果。
2019-03-20 cs.RO