Shaping Expressiveness in Robotics: The Role of Design Tools in Crafting Embodied Robot Movements
CHArt Laboratory, Department of Psychology, University Paris8（巴黎第八大学心理学系CHArt实验室）；Lab of INIT Robots, Department of Mechanical Engineering, École de technologie supérieure（École de technologie supérieure机械工程系INIT机器人实验室）；Department of Dance, Université du Québec à Montréal（魁北克大学蒙特利尔分校舞蹈系）；Costech Laboratory, Department of Humanities and Social Sciences, Université technologique de Compiègne（Compiègne技术大学人文与社会科学系Costech实验室）
本文提出一种以运动为中心的设计教学法，通过跨学科方法和定制工具，帮助工程师创建更具表现力的机器人手臂运动。
2026-02-04 cs.RO
RMG: Real-Time Expressive Motion Generation with Self-collision Avoidance for 6-DOF Companion Robotic Arms
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对6-DOF陪伴机械臂的实时表达性运动生成问题，提出由人类舞蹈映射数据集、双空间生成模型和无碰撞优化组成的RMG规划器，可在0.5秒内生成满足约束的平滑泛化运动。
2025-03-13 cs.RO
ExpressMM: Expressive Mobile Manipulation Behaviors in Human-Robot Interactions
Autonomous Systems and Biomechatronics Laboratory（自主系统与生物机械实验室）；Department of Mechanical and Engineering（机械与工程系）；University of Toronto（多伦多大学）
本文提出ExpressMM框架，结合视觉语言模型和低层策略生成表达性机器人行为，支持中断交互，提升人机协作任务中的沟通效果与社会适应性。
2026-04-23 cs.RO
Generative Expressive Robot Behaviors using Large Language Models
Google DeepMind（谷歌DeepMind）；Hoku Labs（Hoku实验室）
针对现有机器人表现力行为生成方法扩展性差、需专用数据集的问题，提出利用大语言模型的少样本思维链提示将人类指令转为参数化控制代码，生成可适配组合的表现力机器人行为，经实验验证用户认可度高。
2024-01-30 cs.RO
ExFace: Expressive Facial Control for Humanoid Robots with Diffusion Transformers and Bootstrap Training
School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学）
ExFace通过扩散变换器和Bootstrap训练，实现了高精度的人形机器人表情控制，提升准确性和流畅度，并在实际应用中表现出良好的实时性能。
2025-04-20 cs.RO
Learning Expressive Humanoid Locomotion from Monocular Runway Videos for Robot Fashion Shows
Vilnius University（维尔纽斯大学）；Kent State University（肯特州立大学）
提出端到端框架，将单目跑道视频转化为可部署的人形机器人步态策略，使Booster K1在物理试验中稳定执行富有表现力的猫步动作。
2026-09-24 cs.RO
Hierarchical Intention-Aware Expressive Motion Generation for Humanoid Robots
Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
针对人机交互中意图识别与实时表达性运动生成问题，提出融合ICL意图推理和扩散模型的分层框架，并通过物理平台验证其鲁棒性与社交一致性。
2025-09-27 cs.RO
Employing Laban Shape for Generating Emotionally and Functionally Expressive Trajectories in Robotic Manipulators
Department of Computer Science, University of Colorado Boulder（计算机科学系，科罗拉多大学博尔德分校）
本研究采用拉班记谱法为机械臂生成具有功能与情感表达性的轨迹，通过引入犹豫运动变体并结合拉班形状增强情感轨迹，经人类受试者研究验证了其在改善人机沟通透明度与效率方面的有效性。
2025-06-23 cs.RO
Learning,Generating and Adapting Wave Gestures for Expressive Human-Robot Interaction
MINES ParisTech（巴黎高等矿业学院）；Honda Research Institute Europe（本田欧洲研究所）；Idiap Research Institute（Idiap研究所）
本研究提出了一种新的模仿学习的方法，随机产生的人类一样的节奏波手势和他们的调制有效的非语言交流，通过概率公式，使用联合角度数据从人类示威。这是通过学习和调节手势的整体表情特征（例如，手臂姿势、挥动频率和幅度）。该方法进行了评估，涉及一个机器人与6自由度的机械手模拟机器人实验。结果表明，该方法提供了有效的编码和调制的节奏动作，并确保其执行的变化。
2020-03-04 cs.RO
eBear: An Expressive Bear-Like Robot
University of Denver（丹佛大学）；Purdue University（普渡大学）；University of North Texas（北德克萨斯大学）
本文提出了一个拟人化的机器人熊的人与机器人的互动，包括语言和非语言通信的探索。该机器人是由一个具有10个自由度的机械面板和一个配备LCD显示器的嘴组成的混合面。熊的面部表情是根据面部动作编码系统的描述以及达尔文描述的一些动物般的手势设计的。嘴部运动是通过将情绪与语音合成来实现的。用户接受调查已经进行了评估的可爱性，这些面部行为所表现出的电子熊。提出了多核学习方法，融合不同的特征来识别用户的面部表情。实验结果表明，所研制的类熊机器人能够感知基本的面部表情，并能向人类传递情感。
2015-11-20 cs.RO
Anatomy of Uncertainty: Expressive Descriptors of Robot Motion for Nonverbal Human-Robot Communication
School Of Art, Design and Media, Nanyang Technological University（南洋理工大学艺术、设计与传媒学院）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航天工程学院）
研究人机协作中机器人运动表达不确定性问题，引入数学框架，利用拉班动作分析，通过十一个描述符对五个运动原语参数化，经人体研究验证，为编码机器人运动不确定性及自主轨迹生成奠定基础。
2026-09-24 cs.RO
Controlling Intent Expressiveness in Robot Motion with Diffusion Models
Sorbonne Université, CNRS, Institut des Systèmes Intelligents et de Robotique (ISIR)（索邦大学、国家科学研究中心、智能系统与机器人研究所）
本文提出一种基于信息势场和两阶段扩散模型的运动生成框架，实现从高度可读到高度模糊的连续可控意图表达，在2D和3D任务中性能与SOTA相当。
2025-10-14 cs.RO
WAFFLE: A Wearable Approach to Bite Timing Estimation in Robot-Assisted Feeding
Carnegie Mellon University（卡内基梅隆大学）；Cornell University（康奈尔大学）
针对机器人辅助进食中咬食时机估计的技术难题，提出可穿戴系统WAFFLE结合传感器数据与监督回归模型预测咬食时机，经多场景多人群验证其有效性与泛化性，提升进食自主性。
2025-10-04 cs.RO
Toward an Expressive Bipedal Robot: Variable Gait Synthesis and Validation in a Planar Model
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Laban/Bartenieff Institute of Movement Studies（拉班/芭特妮芙动作研究学院）
人类是高效的，但在运动中却富有表现力。人类的行走行为可以用于在各种各样的表面上行走而不会跌倒，并且通过可变的步态风格将内部状态传达给其他人。这为创造类似表现力的双足机器人提供了灵感。为此，风格步态生成框架中的指南针式欠驱动的平面三维模型。步态设计是使用基于模型的轨迹优化与可变约束。对于有限范围的优化参数，可以为该模型生成360个步态的大集合。特别是，步长和成本函数是不同的，以产生不同的周期性步行步态。从这些得到的步态中，使用具身运动分析，用与人类活动相关的风格动词识别和标记6种步态，例如，"lope"和"saunter"。这些标签已经通过在Amazon Mechanical Turk中进行用户研究进行了验证，从而证明使用此框架可以生成视觉上可区分的有意义的步态。这为创建具有可变社交能力运动轮廓的双足人形机器人奠定了基础。
2018-09-13 cs.RO
A Robot's Expressive Language Affects Human Strategy and Perceptions in a Competitive Game
Carnegie Mellon University（卡内基梅隆大学）
随着机器人越来越多地被赋予社交和沟通能力，它们将在更多的环境中与人类互动，包括合作和竞争。我们探讨人类与机器人的关系的背景下，竞争激烈的Stackelberg安全游戏。我们改变了人形机器人的表达语言（以“鼓励”或“劝阻”的口头评论的形式），并测量对参与者的理性，策略优先级，情绪和对机器人的看法的影响。我们了解到，一个机器人对手，使令人沮丧的评论导致人类玩游戏不那么理性，并认为机器人更消极。我们还贡献了一个简单的开源自然语言处理框架，用于生成表达性的句子，这是用来生成我们的自主社交机器人的语音。
2019-10-24 cs.HC cs.RO
Co-Optimization of Tool Orientations, Kinematic Redundancy, and Waypoint Timing for Robot-Assisted Manufacturing
提出一种并发可扩展的轨迹优化方法，同时优化工具朝向、运动学冗余和路径点定时，利用基于分解的核外并行数值方案提升机器人辅助制造的平滑度与效率。
2024-12-20 cs.RO
End-User Puppeteering of Expressive Movements
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种提线木偶式机器人接口，使用户通过操控木偶即可直观编程机器人表达性动作，并展示初步用户研究结果。
2023-12-03 cs.HC cs.RO
Multi-Domain Motion Embedding: Expressive Real-Time Mimicry for Legged Robots
Robotic Systems Lab, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院机器人系统实验室）；Computational Robotics Lab, ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院计算机器人实验室）；ETH Zürich（苏黎世联邦理工学院）
本文提出多域运动嵌入方法，通过结合小波编码器和概率嵌入，实现对运动结构和非结构特征的统一表示，从而提升机器人实时模仿复杂轨迹的保真度和泛化能力。
2026-09-15 cs.RO
ELEGNT: Expressive and Functional Movement Design for Non-anthropomorphic Robot
Apple（苹果公司）
本文提出ELEGNT框架，通过台灯式机器人探索运动设计中的表现性与功能性平衡，用户研究表明表现性驱动运动显著提升参与度和感知品质，尤其在社会任务中。
2025-01-21 cs.HC cs.RO
Walking Stabilization Using Step Timing and Location Adjustment on the Humanoid Robot, Atlas
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）；Virginia Tech（弗吉尼亚理工大学）
虽然人类能够从导致大的跟踪误差的外部干扰和不确定性中恢复过来，但人形机器人还没有可靠地模仿这种水平的鲁棒性。关键是要有能力结合传统的“脚踝战略”平衡与步骤的时间和位置调整技术。这样，机器人就能够快速地走到必要的位置继续行走。在这项工作中，我们提出了一个新的摆动加速算法来调整步骤的时间，允许机器人设置脚更快地从当前捕获点动态方向的错误中恢复，和一个新的算法来调整所需的脚步，扩大基地的支持，利用中心的压力（CoP）基于脚踝的平衡策略。然后，我们利用所需的质心力矩枢轴（CMP）来计算我们的逆动力学为基础的全身控制器的动量变化率。我们目前的模拟和实验结果使用这项工作，并讨论性能限制和潜在的改进。
2017-12-27 cs.RO
Unconscious and Intentional Human Motion Cues for Expressive Robot-Arm Motion Design
School of Engineering University of Hyogo（工程学院 京都大学）；Faculty of Informatics Kansai University（信息学院 关西大学）；Graduate School of Engineering University of Hyogo（工学研究院 京都大学）
本研究以Geister游戏为平台分析人类无意识与有意图的棋子移动动作，据此设计分阶段机器人手臂动作，发现后期撤回阶段的时间安排对印象形成至关重要，且实体机器人呈现能增强运动线索的可解读性。
2025-11-05 cs.HC cs.RO
EMOTION: Expressive Motion Sequence Generation for Humanoid Robots with In-Context Learning
Apple（苹果公司）
针对现有机器人非语言交流方法表现力不足的问题，提出基于大语言模型上下文学习的EMOTION框架，可生成符合社交场景的手势动作，实验显示其效果在特定场景下媲美甚至超越人类操作，并给出相关设计启示。
2024-10-30 cs.AI cs.RO
Design Activity for Robot Faces: Evaluating Child Responses To Expressive Faces
University of Nevada, Reno（内华达大学雷诺分校）
本文研究儿童绘制个性化数字面孔对儿童-机器人互动的影响，通过设计活动让儿童绘制自定义机器人面孔，并比较通用面孔与个性化面孔的社会智能感知，发现儿童绘制的机器人面孔能显著提升感知社会智能。
2025-04-10 cs.HC cs.RO
Influencing Incidental Human-Robot Encounters: Expressive movement improves pedestrians' impressions of a quadruped service robot
University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对偶然人机相遇影响因素研究不足的问题，通过222名被试的真实环境实验，证实受犬类启发的四足服务机器人肢体语言可积极提升行人感知，为服务机器人交互设计提供新方向。
2023-11-08 cs.HC cs.RO
Theatre in the Loop: A Rehearsal-Based, Collaborative Workflow for Expressive Robotic Behaviours
University of Nottingham（诺丁汉大学）；Nottingham Trent University（诺丁汉特伦特大学）；Makers of Imaginary Worlds（想象世界制造者）
提出“剧场在环”框架，通过导演引导的即兴操控工作流，为艺术表演开发表达性机器人行为，并构建可复用运动模板数据集，初步验证了可行性，为跨学科团队提供协作模型。
2025-08-05 cs.HC cs.RO
Using Socially Expressive Mixed Reality Arms for Enhancing Low-Expressivity Robots
University of Southern California（南加州大学）
表现力--使用多种方式来传达机器人的内部状态和意图--对于交互至关重要。然而，由于成本、安全和其他限制，许多机器人缺乏高度的物理表现力。本文探讨了使用混合现实来增强机器人有限的表现力，通过添加虚拟手臂，扩展机器人的表现力。手臂能够进行一系列非物理约束的手势，在一项受试者间研究（$n=34$）中进行了评估，参与者与社交辅助机器人一起参与混合现实数学任务。研究结果表明，虚拟手臂增加了更高程度的感知情感，乐于助人，和物理存在的机器人。报告较高感知物理存在的用户也发现机器人具有更高程度的社交存在，易用性，有用性，并且对使用混合现实机器人持积极态度。实验结果也证明了用户能够区分虚拟手势的效价和意图。
2019-11-30 cs.HC cs.RO
Believing in BERT: Using expressive communication to enhance trust and counteract operational error in physical Human-Robot Interaction
Bristol Robotics Laboratory（布里斯托机器人实验室）；Department of Computer Science, University of Bristol（布里斯托大学计算机科学系）
战略是必要的，以减轻意外行为的影响，在协作机器人，并研究开发解决方案是缺乏的。我们的目的是探索情感互动的好处，而不是一个更有效的，更少的错误倾向，但非交流的。实验采取了煎蛋任务的形式，参与者范围广泛，直接与BERT 2互动，BERT 2是一个人形机器人助手。有显着的影响设计，结果表明，效率是不是最重要的方面的性能为用户;一个有个性的，表现力的机器人被认为是更好的一个更有效的，尽管相当大的权衡所花费的时间来执行任务。我们的研究结果还表明，一个表现出类似人类特征的机器人可能会让用户不愿意“伤害它的感情”;他们甚至可能为了避免这种情况而撒谎。
2016-06-22 cs.HC cs.RO
Walking Control Based on Step Timing Adaptation
Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Google X（谷歌X）；K. N. Toosi University of Technology（托西斯理工大学）；New York University（纽约大学）
步距调整可以提高仿人机器人步态的鲁棒性，但步距调整往往被忽略，因为步距调整在多步优化时会产生非凸问题。在本文中，我们认为，这是没有必要的，以确保步态的可行性，并表明它是足够的，只需选择下一步的时间和位置优化步行。利用这一见解，我们提出了一种新的步行模式发生器，最佳选择步骤的位置和时间在每个控制周期。与文献中的标准方法相比，我们的方法在计算上是简单的，但可以保证任何可行的状态在未来仍然是可行的。我们提出了一种摆动脚适应策略，并集成了模式发生器与逆动力学控制器，不显式控制的质量中心，也没有脚的压力中心。这对于对足部压力中心具有有限控制权限的机器人（例如具有点足或被动踝关节的机器人）特别有用。广泛的模拟与被动脚踝的人形机器人上展示的能力的方法在各种步行的情况下，包括外部推动和脚滑移，并强调步定时适应稳定行走的重要性。
2020-03-18 cs.RO
Generating Natural and Expressive Robot Gestures through Iterative Reinforcement Learning with Human Feedback using LLMs
University of New South Wales（新南威尔士大学）；Universidad Central de Chile（智利中央大学）
针对社交机器人手势生成僵硬问题，提出将ChatGPT集成到Pepper机器人中生成共语手势，并引入基于人类反馈的迭代强化学习（RLHF）优化手势，实验表明RLHF提升了手势的表现力、相关性和流畅性。
2026-06-18 cs.AI cs.RO
Expressive Whole-Body Control for Humanoid Robots
UC San Diego（加州大学圣迭戈分校）
针对人形机器人直接模仿人类动作存在自由度与物理能力差距的问题，提出Exbody方法，通过上半身模仿参考动作、双腿仅跟随速度的策略，结合仿真训练与Sim2Real迁移，实现机器人在现实中完成多样富有表现力的动作。
2024-03-06 cs.LG cs.RO
TimelyDAgger: Timing-Aware Expert Querying for VLA Policy Improvement
TimelyDAgger通过结合Bridge-PCA特征监控与反馈引导阈值自适应，优化机器人门控DAgger的专家接管时机，提升VLA策略训练效果，并在多数设置下实现更高成功率。
2026-10-05 cs.RO
Terrain-Dependent Intra-Cycle Leg Timing for Effective Locomotion on Granular Slopes
University of Southern California（南加州大学）
针对颗粒斜坡上腿式机器人运动性能下降问题，提出基于阻力测量的交互模型，揭示锚定延迟和滑移是主因，并构建失效相图以指导安全操作。
2026-10-06 cs.RO
VGFM: Expressive Robot Policies via Dense Value Guidance in Flow Matching
Cornell University（康奈尔大学）
VGFM提出一种离线强化学习框架，利用条件流匹配模型在动作空间中实现密集值引导，避免时间反向传播，在OGBench任务上展现高效且可扩展的策略学习性能。
2026-09-15 cs.LG cs.RO
Hybrid Attention Estimation Pipeline for Adaptive HRI Using an Expressive Robotic Head
Technological University of Uruguay（乌拉圭科技大学）；Ostfalia University of Applied Sciences（奥斯特法利亚应用科技大学）
该研究提出结合几何与语义感知层的混合注意力估计流程，通过有限状态机调节自适应人机交互，经10人40次试验验证其交互启动可靠、暂停行为一致且输出信息非冗余。
2026-08-04 cs.AI cs.RO
Dense Temporal Motion Retargeting for Legged Robots
ETH Zurich（苏黎世联邦理工学院）；Korea University（高丽大学）
提出密集时间运动重定向（DTMR），联合优化时机与控制，通过GPU并行MPC实现，在仿人机器人上优于基线，速度快19倍，并成功迁移至真实机器人。
2026-10-01 cs.RO
DFM: Deep Fourier Mimic for Expressive Dance Motion Learning
ETH Zurich（苏黎世联邦理工学院）；Sony Group Corporation（索尼集团公司）；ETH AI Center（苏黎世联邦理工学院人工智能中心）
针对娱乐机器人舞蹈动作表现力不足及无法兼顾辅助任务的问题，提出深度傅里叶模仿（DFM），结合频域动作表示与强化学习，放宽局部周期约束，实现平滑动作过渡并支持移动与视线控制，提升交互性。
2025-02-25 cs.RO
Contact-timing and Trajectory Optimization for 3D Jumping on Quadruped Robots
University of Southern California（南加州大学）
在长时间的飞行阶段进行高度敏捷的杂技动作需要完美的时机，高精度和全身运动的协调。为了解决这些挑战，我们提出了一种新的方法的时机和轨迹优化框架进行侵略性的3D跳跃的足式机器人。在我们的方法中，我们首先利用一个有效的优化框架，使用简化的刚体动力学来解决接触时间和机器人身体的参考轨迹。该模块的解决方案，然后用于制定一个完整的身体轨迹优化的基础上完全非线性动力学的机器人。这种组合使我们能够有效地优化接触时间，同时确保跳跃轨迹可以在机器人硬件中有效地实现。我们首先验证了A1机器人模型上的各种3D跳跃任务，如双后空翻的高海拔2米的建议框架的效率。实验验证，然后成功地进行了各种积极的三维跳跃运动，如对角跳，桶滚，双桶滚从一个盒子的高度分别为0.4米和0.9米。
2022-08-24 cs.RO cs.SY eess.SY
Human-Robot Commensality: Bite Timing Prediction for Robot-Assisted Feeding in Groups
Cornell University（康奈尔大学）；University of Southern California（南加州大学）；Rutgers University（罗格斯大学）；Cornell Tech（康奈尔理工学院）
我们开发了数据驱动的模型来预测机器人在社交用餐场景中何时应该进食。对于行动不便的人来说，能够与朋友和家人一起独立吃饭被认为是最难忘和最重要的活动之一。虽然现有的机器人系统为行动不便的人提供食物，但专注于单独用餐，而共同用餐，即一起吃饭的行为，通常是选择的做法。与其他人共享膳食引入了机器人的社会适当的咬定时的问题，即机器人在不破坏共享膳食的社会动态的情况下进食的适当定时。我们的关键见解是，考虑到社交线索的微妙平衡的咬时机策略可以在社交用餐场景中的机器人辅助喂食过程中实现无缝互动。我们通过收集一个包含30组三人一起吃饭的人与人的共同性数据集（HHCD）来解决这个问题。我们使用这个数据集来分析人与人之间的相互依赖行为，并在社交用餐场景中开发咬时间预测模型。我们还将这些模型转移到人类-机器人的共同性场景中。我们的用户研究表明，当我们的算法使用用餐者之间的多模态社会信号线索来模拟咬时间时，预测得到了改善。HHCD数据集、用户研究视频和代码可在https://emprise.cs.cornell.edu/hrcom/上获得
2022-11-17 cs.AI cs.HC cs.LG
Real-time Motion Generation and Data Augmentation for Grasping Moving Objects with Dynamic Speed and Position Changes
Hitachi, Ltd.（株式会社日立制作所）；Institute for AI and Robotics, Future Robotics Organization（未来机器人组织人工智能与机器人研究所）；Waseda University（早稻田大学）
本文提出一种基于时间序列下采样与填充的低成本数据增强方法，使机器人能够对未学习速度及动态位置变化的移动物体生成鲁棒抓取运动。
2023-09-22 cs.RO
Teaching Robots to Span the Space of Functional Expressive Motion
UC Berkeley（加州大学伯克利分校）；University of Utah（犹他大学）
我们的目标是使机器人能够以情感的方式执行功能性任务，无论是响应用户的情感状态，还是表达他们的信心水平。先前的工作已经提出了学习独立的成本函数，从用户反馈的每个目标的情绪，使机器人可以优化它旁边的任务和环境特定的目标，它遇到的任何情况。然而，这种方法在建模多种情绪时效率低下，并且无法推广到新的情绪。在这项工作中，我们利用了这样一个事实，即情绪并不是相互独立的：它们是通过一个潜在的空间的价-唤醒-支配（VAD）。我们的关键思想是学习一个模型，用于如何将轨迹映射到带有用户标签的VAD上。考虑到轨迹映射和目标VAD之间的距离，允许这个单一模型表示所有情绪的成本函数。因此，1）所有用户反馈都可以有助于学习每种情绪; 2）机器人可以为空间中的任何情绪生成轨迹，而不仅仅是几个预定义的轨迹;以及3）机器人可以通过将用户生成的自然语言映射到目标VAD来对用户生成的自然语言做出情感响应。我们介绍了一种方法，交互式学习映射轨迹到这个潜在的空间，并在模拟和用户研究中进行测试。在实验中，我们使用了一个简单的真空机器人以及卡西机器人。
2022-08-02 cs.AI cs.RO
Unleashing Infinite Motion: Scaling Expressive Quadrupedal Motion via Generative Video Priors
Amap, Alibaba Group（高德，阿里巴巴集团）
提出Uni-Mo全自动流水线，利用LLM和视频扩散模型生成四足机器人运动数据，通过身份一致性损失提取3D轨迹，训练真实机器人跟踪策略，并发布包含7488个语言标注运动的数据集。
2026-09-10 cs.RO
Online Behavior Modification for Expressive User Control of RL-Trained Robots
Tufts University（塔夫茨大学）
本文提出在线行为修正范式及ACORD算法，使用户能实时控制RL训练机器人的行为风格，在用户研究中实现了与共享自主相当的用户表达控制，同时保留RL的自主性与鲁棒性。
2024-08-15 cs.AI cs.RO
Breathless: An 8-hour Performance Contrasting Human and Robot Expressiveness
Princeton University（普林斯顿大学）
本文介绍了8小时人机共舞表演背后的机器人技术，结合正弦运动、深度学习姿态提取及示教模式力传感即兴动作，通过自定义软件融合音乐，对比人机表现力，成果可在项目网站获取。
2024-11-27 cs.CV cs.RO
Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control
BAAI（北京人工智能研究院）；University of Sydney（悉尼大学）；Harbin Institute of Technology（哈尔滨工业大学）；Hong Kong University of Science and Technology（香港科学与技术大学）；Shanghai Jiao Tong University（上海交通大学）；Peking University（北京大学）
RoboPerform 是首个通过音频直接生成音乐舞蹈和语音手势的人形运动框架，实现了低延迟、高保真的即兴运动表现。
2026-09-16 cs.RO
Enhancing Goal Inference via Correction Timing
Yale University（耶鲁大学）
通过分析纠正时机，研究其在机器人学习中的应用，提升目标推断和任务约束学习效果。
2026-02-20 cs.LG cs.RO
Ain't Misbehavin' -- Using LLMs to Generate Expressive Robot Behavior in Conversations with the Tabletop Robot Haru
The University of British Columbia（不列颠哥伦比亚大学）；Beyond Reason；Honda Research Institute Japan（日本本田研究所）
本文提出将LLMs集成到桌面机器人Haru中构建全自动对话系统，结合TTS引擎、物理动作库与情感识别模型生成富有表现力的行为，试点研究表明反馈积极，并揭示了LLM幻觉等错误对对话的潜在影响。
2024-02-18 cs.AI cs.CL cs.RO
Avant-Satie! Using ERIK to encode task-relevant expressivity into the animation of autonomous social robots
INESC-ID（里斯本系统与计算机工程研究所）；Instituto Superior Técnico（高等技术学院）；University of Lisbon（里斯本大学）
ERIK是一种表达逆运动学技术，以前已经提出和评估算法和有限的用户交互场景。它允许自主社交机器人在跟踪用户的同时传达基于姿势的表达信息。我们开发了一个新的场景，旨在进一步验证前一个场景中一些不支持的说法。我们的实验具有完全自主的Adelino机器人，并得出结论，ERIK可以用来指导用户的选择在执行给定的任务的行动，完全通过其非语言表达队列。
2022-03-02 cs.AI cs.HC cs.RO
See What I Mean? Expressiveness and Clarity in Robot Display Design
Tufts University（塔夫茨大学）
本研究探讨了动画与静态图标在机器人协作任务中的影响，发现动画增强信任，静态图标提升任务完成率。
2025-12-11 cs.HC cs.RO
WaveSync: Constrained Wavefront Optimization for Synchronized Co-Speech Gestures in Humanoid Robots
University of Engineering and Technology, Vietnam National University（越南国立大学工程与技术大学）；School of Information Science, Japan Advanced Institute of Science and Technology（日本先端科学技术大学院大学信息科学学院）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）；Department of Robotics, Hanyang University（汉阳大学机器人学系）
提出WaveSync框架，利用大语言模型分解语义并构建重要性波，通过动态运动基元生成手势轨迹，再经波前优化实现手势与语音的峰值同步，同时满足运动学约束，在五组对话场景中优于基线方法。
2026-09-03 cs.RO
Bipedal Robot Running: Human-like Actuation Timing Using Fast and Slow Adaptations
Nagoya Institute of Technology（名古屋工业大学）
该研究通过设计包含快慢适应的中枢模式发生器，结合弹簧-质量模型和仿生双足机器人，实现了类人跑步，并揭示了CPG在调整肌肉激活时机中的作用。
2024-03-14 cs.RO cs.SY eess.SY
Talk, Render, Act: Integrating Social Gesture and Digital Face with Synchronized Speech for Conversational Humanoid Robot
United Arab Emirates University (UAEU)（阿联酋大学）
针对人形机器人交互中语音、面部和手势不协调的问题，提出TRABot框架，通过语义运动原子和组合规划器实现同步，实验证明其在自然性、表现力和多模态连贯性上最优。
2026-10-12 cs.RO
Static Timing Orchestration for Tree-Structured Robot Control Firmware
Shanghai Jiao Tong University（上海交通大学）
针对树结构机器人控制固件的结构化数据依赖问题，提出FineMote框架，通过静态调度机制优化时序性能，在真实平台上验证了其有效性。
2026-08-06 cs.RO cs.SE
Legible and Intuitive Multi-modal Robot State and Intent Communication Validated in Online and Real-world Studies
Chair of Perception for Intelligent Systems, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑工业大学慕尼黑机器人与机器智能研究所智能系统感知教席）；Centre for Applied Autonomous Sensor Systems (AASS), Örebro University（厄勒布鲁大学应用自主传感器系统中心）；Robotics Institute Germany (RIG)（德国机器人研究所）
针对移动非人形机器人，通过在线和真实世界实验，系统比较了低表达单模态LED与高表达多模态（凝视、手势、语音）通信策略，发现多模态更可读直观，且真实环境中可读性和信心下降。
2026-08-07 cs.RO
Interactive Expressive Motion Generation Using Dynamic Movement Primitives
Socially Intelligent Robotics Lab, Institute for Artificial Intelligence, University of Stuttgart（社会智能机器人实验室，人工智能研究所，斯图加特大学）；Collaborative Artificial Intelligence Group, Institute for Visualization and Interactive Systems, University of Stuttgart（协作人工智能小组，可视化与交互系统研究所，斯图加特大学）
为实现社交机器人与人类的自主表现力交互，提出基于动态运动基元实现关键动画原则的方法，构建可学习可调制的运动生成模型，经多平台实验验证可通过单模型生成多样细腻的表情动作。
2025-10-02 cs.GR cs.RO
