Towards Online Robot Interaction Adaptation to Human Upper-limb Mobility Impairments in Return-to-Work Scenarios
Human-Robot Interfaces and Interaction (HRII) Laboratory, Istituto Italiano di Tecnologia(人类-机器人接口与交互(HRII)实验室,意大利技术研究院)
针对工作环境对上肢残疾人士缺乏包容性的问题,提出将特定关节运动模型集成到分层最优控制器的人机交互框架,经测试能使交互个性化,适应受损运动范围,鼓励关节使用。
2026-07-14 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
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
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
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
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
Use of a Socially Assistive Robot as a Online Shopping Digital Skills Assistan
Heriot-Watt University(赫瑞-瓦特大学)
本工作提出将社交辅助机器人作为在线购物数字技能助手,通过分析在线食品购物用例中决策过程的伦理问题,为共同设计会议中机器人的决策机制提供参考。
2023-04-04 cs.HC cs.RO
Online Visual Robot Tracking and Identification using Deep LSTM Networks
University of Bonn(波恩大学)
在许多应用中,协作机器人在共同的任务上工作是必要的。在机器人团队中实现协作的挑战之一是相互跟踪和识别。我们提出了一种新的管道在线视觉为基础的检测,跟踪和识别机器人与已知的和相同的外观。我们的方法在有限的硬件上实时运行的观察员机器人。与以前的机器人跟踪和识别工作不同,我们使用基于递归神经网络的数据驱动方法来学习顺序输入和输出之间的关系。我们将数据关联问题表述为多分类问题。深度LSTM网络在模拟数据集上进行训练,并在少量真实数据集上进行微调。在两个具有挑战性的数据集上进行的实验,一个是合成数据集,一个是真实数据集,其中包括长期遮挡,显示出有希望的结果。
2018-10-16 cs.CV 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
Pick the Right Co-Worker: Online Assessment of Cognitive Ergonomics in Human-Robot Collaborative Assembly
Istituto Italiano di Tecnologia(意大利技术研究院);Politecnico di Milano(米兰理工大学)
人机协同装配系统提高了工作场所的效率和生产力,但可能会增加工人的认知需求。本文提出了一个在线和定量的框架来评估认知工作负荷与同事,无论是人类操作员或工业协作机器人与不同的控制策略的相互作用。该方法监测操作员的注意力分布和上半身运动学受益于输入图像的低成本立体摄像机和尖端的人工智能算法(即头部姿态估计和骨骼跟踪)。三个实验方案的变化,工作站功能和交互方式的设计,以测试我们的在线方法对国家的最先进的离线测量的性能。结果证明,我们的视觉为基础的认知负荷评估有潜力被整合到新一代的协作机器人技术。后者将使人类认知状态监测和机器人控制策略适应,以改善人类舒适度,人体工程学和对自动化的信任。
2022-07-08 cs.HC cs.RO
A Longitudinal Study of Child Wellbeing Assessment via Online Interactions with a Social Robot
University of Cambridge(剑桥大学)
本文通过40名儿童与Nao机器人的三次在线互动,验证了机器人介导互动可纵向评估儿童心理健康,并揭示性别对评估效果及机器人感知的影响。
2025-02-14 cs.HC 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
Casting Everything to Online API Services? A Survey of Integrating Localized Speech Recognition Models in Robotic Systems
Institute of Science Tokyo(东京科学研究所);Eindhoven University of Technology(埃因霍温理工大学)
综述自动语音识别技术在机器人系统中的集成,涵盖其从传统到深度学习模型的演变、相关数据集与工具包,介绍基于 ASR 模型家族等的部署策略及实际平台,指出挑战与未来方向,助力社交机器人研究人员探索人机交互领域。
2026-07-14 cs.RO eess.AS
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
CoBOS: Constraint-Based Online Scheduler for Human-Robot Collaboration
Czech Institute of Informatics, Robotics, and Cybernetics(捷克信息学、机器人学和自动控制研究所)
本文提出CoBOS,一种基于约束的在线调度器,集成于行为树反应式执行框架,使机器人适应人类活动选择与延迟,减轻压力并提升效率,模拟实验(56000次)显示其优于其他方法4-10%。
2025-05-27 cs.AI cs.RO
Task-Space Control Interface for SoftBank Humanoid Robots and its Human-Robot Interaction Applications
SoftBank Robotics Europe(软银欧洲机器人公司);University of Montpellier–CNRS LIRMM(蒙彼利埃大学-法国国家科学研究中心蒙彼利埃信息与机器人实验室);Beijing Advanced Innovation Center for Intelligent Robots and Systems, Beijing Institute of Technology(北京理工大学智能机器人与系统高精尖创新中心);CNRS-AIST Joint Robotics Laboratory(法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室)
我们提出了一个开源的软件接口,称为mc_naoqi,它允许执行全身任务空间二次规划为基础的控制,在mc_rtc框架,软银机器人欧洲人形机器人。我们描述了控制界面,相关的机器人描述包,机器人模块和样品全身控制器。我们演示了使用这些工具在模拟与人类模型的机器人交互。最后,我们展示并讨论了使用开发的开源工具运行的人与机器人密切接触的互动实验与真正的人类受试者从援助方案的启发。
2020-10-09 cs.HC cs.RO
FaceBots: Steps Towards Enhanced Long-Term Human-Robot Interaction by Utilizing and Publishing Online Social Information
UAE University(阿联酋大学);New York Institute of Technology(纽约理工学院);Aristotle University(亚里士多德大学);University of Paderborn(帕德博恩大学)
我们的项目旨在通过创建具有面部识别和自然语言对话能力的实体机器人,支持创建可持续和有意义的长期人机关系,这些机器人利用并发布网络(Facebook)上的社交信息。我们的主要实验假设是,如果人类和机器人逐渐创建一个共享的情景记忆池,他们可以共同引用(共享记忆),如果他们都嵌入到他们都认识和遇到的其他人类和机器人的社交网络中(共享朋友),这种关系可以显著增强。在本文中,我们提出了这样一个机器人,我们将看到实现两个重要的新奇。
2009-04-30 cs.AI cs.CV cs.RO
Understanding the Uncertainty Loop of Human-Robot Interaction
LMU Munich(慕尼黑大学);Honda Research Institute Europe(本田欧洲研究院)
最近,人机交互领域越来越受欢迎,因为机器人在日常任务中支持人类的可能性范围很广。支持机器人的一种形式是社交辅助机器人,其专门用于与人类通信,例如,作为服务机器人或私人伴侣。当它们通过人工智能理解人类时,这些机器人会在某个时候对人类的当前状态做出错误的假设,并给出意想不到的反应。在人与人的对话中,意外的反应经常发生。然而,目前还不清楚这些机器人应该如何行动,如果他们知道人类没有预料到他们的反应,甚至显示出他们的反应的不确定性摆在首位。为此,我们探讨了不同形式的潜在的不确定性,在人类机器人对话和类人如何可以,通过语言和非语言的线索,沟通这些不确定性。
2023-03-14 cs.HC cs.RO
An Approach to Elicit Human-Understandable Robot Expressions to Support Human-Robot Interaction
LMU Munich(慕尼黑大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Honda Research Institute EU(本田欧洲研究所)
本文提出结合人类模仿、扮演与手势引出的两阶段方法,为非人形机器人生成并验证人类可理解的非语言表达,并通过6-DoF机械臂研究验证其有效性。
2024-10-01 cs.HC cs.RO
Human Posture Recognition and Gesture Imitation with a Humanoid Robot
ENSTA Paris-Tech(巴黎高等先进技术研究院(ENSTA ParisTech))
这项研究提出了不同的方法,静态和动态手势分析和模仿与社会机器人Nao
2020-03-21 cs.CV cs.RO
User Study Exploring the Role of Explanation of Failures by Robots in Human Robot Collaboration Tasks
KTH Royal Institute of Technology(KTH皇家理工学院)
尽管机器人可以做的事情有了很大的进步,但由于非结构化人类环境中的高度随机性,它们在人机协作任务中仍然会遇到失败。此外,人类对机器人及其能力的不熟悉可能导致此类故障重复发生。这使得故障解释的能力对机器人来说非常重要。在这项工作中,我们描述了一个用户的研究,将不同的机器人故障的人机协作(HRC)的任务,旨在填补一个货架。我们包括不同类型的故障和重复发生的这种故障在人类和机器人之间的长期互动。故障解决涉及人-机器人双向切换形式的人为干预。通过这样的研究,我们的目的是测试不同的解释类型和解释过程中的互动和记录人类。
2023-03-28 cs.HC cs.RO
Negotiation-based Human-Robot Collaboration via Augmented Reality
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)
有效的人机协作(HRC)需要人类和机器人队友之间的广泛沟通,因为他们的行为可能会产生冲突,协同作用,或两者兼而有之。我们开发了一种新颖的增强现实(AR)界面,以弥合人类和机器人队友之间的沟通差距。在我们的AR接口的基础上,我们为HRC开发了一个AR介导的基于协商的(ARN)框架。我们已经进行了实验,在模拟和真实的机器人在办公室环境中,多个移动机器人的工作交付任务。这些机器人无法独自完成任务,有时需要人类队友的帮助,因此人机合作是必要的。结果表明,与非AR基线方法相比,ARN显着减少了人类-机器人团队的任务完成时间。
2020-03-13 cs.MA cs.RO
Learning Human-like Hand Reaching for Human-Robot Handshaking
Technical University of Darmstadt(达姆施塔特工业大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
人类进行的第一个也是最重要的非语言互动之一是握手。它对第一印象有影响,因为触摸可以传达复杂的情绪。这使得握手成为社交机器人的一项重要技能。在本文中,我们提出了一个新的框架,学习达到行为的人与机器人握手行为的人形机器人只使用第三人称的人与人的互动数据。这对于无法通过动觉教学进行演示的不可反向驱动机器人特别有用。我们的方法可以很容易地执行不同的人形机器人。这消除了重新训练的需要,这在与人类交互伙伴一起训练时尤其繁琐。我们通过将学到的行为应用于两个不同的人形机器人,它们具有相似的自由度,但形状和控制限制不同。
2021-03-25 cs.HC cs.RO
Proceedings of the 2020 Workshop on Assessing, Explaining, and Conveying Robot Proficiency for Human-Robot Teaming
Carnegie Mellon University(卡内基梅隆大学);Brigham Young University(杨百翰大学)
本记录包含2020年评估,解释和传达人机协作机器人能力研讨会的会议记录,该研讨会与2020年ACM/IEEE人机交互国际会议(HRI)一起举行。该研讨会原定于3月23日在英国剑桥举行,但由于COVID-19大流行而改为一系列在线讲座。
2020-05-12 cs.HC cs.RO
A Review of Verbal and Non-Verbal Human-Robot Interactive Communication
NCSR Demokritos(德谟克利特国家科学研究中心)
在本文中,人与机器人交互通信的概述,包括人类与机器人交互的语言和非语言方面。以下的历史介绍,和流体人机通信的动机,提出了十个必要的,这提供了一个组织轴最近以及未来的人机通信研究。然后,十个迫切需要详细审查,最终形成一个统一的讨论,和一个前瞻性的结论。
2014-01-20 cs.CL cs.RO
Plan or not: Remote Human-robot Teaming with Incomplete Task Information
根据人与机器人之间的物理距离,人机交互可以分为两类:远程和近端。在近距离交互中,人与机器人通常进行紧密的协调;在远程交互中,由于通信约束,人与机器人的耦合程度较低。因此,在远程交互中为机器人提供自动化变得更加重要。到目前为止,在远程人机交互自动化的人的因素的研究已被限制在各种形式的监督,其中的机器人基本上是被用作一个智能移动操作平台的传感能力。在本文中,我们调查纳入一般规划能力的机器人,以促进对等的人类-机器人团队,其中的人类和机器人被视为队友,在物理上分离。人类和机器人共享相同的全局目标,并合作实现它。请注意,人类可能会对这种机器人自主性感到不舒服,这可能会降低团队性能。P2P团队和监督团队之间的一个重要区别是,当任务信息完全指定时,P2P团队中的自主机器人可以单独实现目标。然而,不完全性往往存在,这意味着信息不对称。虽然信息不对称有时是可取的,但它也可能导致机器人选择不适当的动作,从而对团队性能产生负面影响。我们的目标是研究各种权衡,例如,心理工作量和态势感知,这两种类型的远程人机合作之间。
2014-12-09 cs.AI cs.RO
Exploring Human-robot Interaction by Simulating Robots
TU Wien(维也纳工业大学)
随着协作机器人进入工业车间、物流和制造业,快速灵活地评估人机交互变得更加重要。虚拟和增强现实的消费者头戴式耳机的可用性降低了虚拟环境的进入门槛。在本文中,我们探讨了不同的方面,使用这样的环境来模拟机器人在用户研究,并提出了第一个发现,从我们自己的研究工作。最后,我们建议方向的应用和使用模拟在人机交互。
2022-09-20 cs.HC cs.RO
Robot Assisted Tower Construction - A Resource Distribution Task to Study Human-Robot Collaboration and Interaction with Groups of People
Cornell University(康奈尔大学);Robinhood(罗宾汉);RoBotany(机器人植物学)
人类与机器人协作或人类与机器人合作的研究主要集中在理解和实现单个机器人与单个人类之间的协作。将人机协作研究扩展到二元体之外,提出了关于机器人如何在组成员之间分配资源以及分配的社会和任务相关后果的新问题。需要方法上的进步,使研究人员能够收集有关涉及多人的人类机器人协作的数据。本文介绍了塔建设,一种新的资源分配任务,允许研究人员检查机器人和人群之间的协作。通过关注机器人的资源分配(建筑任务所需的木块)是否以及如何影响协作动态和结果的问题,我们提供了一个案例,说明如何在实验室研究中应用该任务,其中有124名参与者收集有关涉及多个人类的人类机器人协作的数据。我们强调了任务可以产生的各种见解。特别是,我们发现,资源的分配会影响性能的看法,和人类团队成员之间的人际动态。
2018-12-22 cs.HC cs.RO
Study of the Importance of Adequacy to Robot Verbal and Non Verbal Communication in Human-Robot interaction
Lab-STICC(拉布-STICC研究所)
Robadom项目旨在创造一个家庭护理机器人,帮助和协助人们在日常生活中,无论是在做任务的人或在管理一天的组织。只有被人类接受,机器人才能扮演这种角色。在考虑机器人外观之前,我们决定评估人类与机器人交互期间语言和非语言沟通之间关系的重要性,以确定机器人被接受的情况。我们实现了两个实验,以研究这种接受。第一个实验研究了机器人非语言行为与其语言行为之间的关系。第二个实验研究了机器人提供正确的人机交互的能力。
2012-06-14 cs.HC cs.RO
A Review on Trust in Human-Robot Interaction
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
由于机器人和人机交互领域的敏捷发展,未来的机器人代理旨在扮演队友的角色,并与人类合作执行操作,而不是在特定任务中取代人类帮助人类的工具。这种与机器人合作的概念对人机交互(HRI)提出了新的挑战,这引起了HRI的一个新的研究领域,即人机信任。当人类和机器人作为合作伙伴工作时,如果人类不适当地信任机器人,工作的表现可能会降低。考虑到在不同的HRI领域观察到的人-机器人信任的影响,许多研究人员研究了人-机器人信任领域,并研究了与人-机器人信任相关的各种问题。在这项工作中,我们回顾了过去的工作,人-机器人信任的研究主题的基础上,并讨论了在这一领域的选择趋势。在此基础上,本文最后提出了一些未来研究的思路和方向。
2021-05-20 cs.CY cs.HC cs.RO
Comparison of Lexical Alignment with a Teachable Robot in Human-Robot and Human-Human-Robot Interactions
University of Pittsburgh(匹兹堡大学)
说话者在调整彼此的会话行为的过程中建立融洽关系。融洽产生的可教代理,而指导域材料已被证明是促进学习。过去的工作在教育领域的词汇对齐遭受的局限性,在这两个措施来量化对齐和对齐与代理人的互动类型进行了研究。在本文中,我们应用基于共享表达式(可能由多个单词组成)的数据驱动概念的对齐措施,并将一对一人机(H-R)交互中的对齐与协作人机(H-R)的H-R部分进行比较机器人(H-H-R)交互。我们发现,学生在H-R设置对齐可教机器人比在H-H-R设置和词汇对齐和融洽之间的关系是更复杂的比以前的理论和实证工作预测。
2022-09-23 cs.CL cs.HC cs.RO
Digital Twin-Driven Reinforcement Learning for Obstacle Avoidance in Robot Manipulators: A Self-Improving Online Training Framework
Queen’s University Belfast(贝尔法斯特女王大学);School of Electronics, Electrical Engineering and Computer Science(电子、电气工程与计算机科学学院);Centre for Intelligent Autonomous Manufacturing Systems(智能自主制造系统中心)
本文提出一种结合数字孪生与强化学习的自我改进在线训练框架,使协作机器人能实时生成无碰撞轨迹并适应新环境,在Unfactory Xarm5上验证了策略在线训练的有效性。
2024-03-19 cs.RO cs.SY eess.SY
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
Unsupervised Online Grounding of Natural Language during Human-Robot Interactions
Artificial Intelligence Lab(人工智能实验室);Vrije Universiteit Brussel(布鲁塞尔自由大学)
允许人类通过自然语言与机器人交流需要单词和感知之间的联系。创建这些连接的过程被称为符号接地,并且已经研究了近三十年。虽然已经进行了许多研究,但考虑同义词的基础的并不多,所采用的算法要么只离线工作,要么以监督的方式工作。在本文中,提出了一种基于跨情境学习的接地框架,允许接地的单词和短语,通过相应的感知没有人的监督和在线,即它不需要任何明确的训练阶段,而是更新所获得的映射为每个新遇到的情况。通过一个人类导师和机器人之间的交互实验,并与现有的无监督接地框架进行比较,该框架进行了评估。结果表明,所提出的框架是能够地面的话,通过其相应的感知在线和无监督的方式,同时优于基线框架。
2020-07-05 cs.AI cs.CL cs.LG
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
Anticipating many futures: Online human motion prediction and synthesis for human-robot collaboration
KTH Royal Institute of Technology(瑞典皇家理工学院)
人类和机器人之间流畅而安全的互动需要双方都能预测到对方的行动。人类意图推断的一种常见方法是使用监督分类器对朝向已知目标的特定轨迹进行建模。然而,这些方法没有考虑到未来可能的运动,也没有利用运动学线索,如清晰和可预测的运动。这些方法的瓶颈是缺乏一般人体运动的精确模型。在这项工作中,我们提出了一个有条件的变分自编码器,它被训练来预测一个窗口的未来人类运动给定的窗口过去的帧。使用从RGB深度图像获得的骨架数据,我们展示了这种无监督的方法可以用于在线运动预测长达1660毫秒。此外,我们演示了在线目标预测后的第一个300-500毫秒的运动发作,而不使用目标特定的训练数据。我们的概率方法的优点是可以抽取未来可能运动的样本。最后,我们研究如何运动和运动学线索表示的学习低维流形。
2017-02-27 cs.CV cs.HC cs.RO
Enabling Human-Robot Collaboration via Holistic Human Perception and Partner-Aware Control
University of Genova(热那亚大学);Italian Institute of Technology(意大利理工学院)
随着机器人技术的进步,人类和机器人共存的障碍正在慢慢消除。应用领域,如老年人护理、协同制造、协同操作等,被认为是时代的需要,机器人技术的进步有可能解决许多社会挑战。未来的社会技术系统由混合劳动力组成,人类和机器人合作伙伴之间存在共生关系。本论文试图解决一些研究挑战,使人与机器人协作。特别是,人类合作伙伴的整体感知的挑战,不断沟通他的意图和需求,实时的机器人合作伙伴是成功实现合作任务的关键。为此,我们提出了一个整体的人类感知框架,用于实时监测全身人体运动和动态。另一方面,利用人类合作伙伴的帮助的挑战将导致改善人机协作。在这个方向上,我们试图有条不紊地定义什么是人类合作伙伴的协助,并提出合作伙伴意识的机器人控制策略,赋予机器人有意义地参与协作任务的能力。
2020-04-22 cs.RO cs.SY eess.SY
Online Recognition of Incomplete Gesture Data to Interface Collaborative Robots
University of Coimbra(科英布拉大学)
本文提出一种基于可穿戴传感器的人机交互框架,通过数据降维和主成分分析处理非完整手势数据,实现对24种静态手势和10种动态手势的高准确率在线识别,并成功用于遥操作机器人完成早餐准备任务。
2023-04-13 cs.LG cs.RO eess.SP
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
From Human-Computer Interaction to Human-Robot Social Interaction
University of Batna(巴特纳大学)
本文探讨了人机社会交互领域,结合人机交互与人机交互的研究,整合机器人的情感与能力概念,以提升人机交互效果,并讨论相关挑战。
2014-12-03 cs.HC cs.RO cs.SY
CoGrasp: 6-DoF Grasp Generation for Human-Robot Collaboration
Purdue University(普渡大学)
机器人抓取是机器人学中一个活跃的研究领域,主要集中在物体操作的抓取质量。然而,尽管取得了进步,这些方法没有考虑机器人和人类必须同时抓取相同物体的人机协作设置。因此,生成与同时保持物体的人类偏好兼容的机器人抓握变得必要,以确保安全和自然的协作体验。在本文中,我们提出了一种新的,深神经网络为基础的方法,称为CoGrasp,产生人类感知的机器人掌握的上下文环境中的对象抓取到机器人把握选择过程中的偏好模型。我们验证我们的方法对现有的国家的最先进的机器人抓取方法,通过模拟和真实的机器人实验和用户研究。在真实的机器人实验中,我们的方法在产生稳定的抓握方面实现了约88%的成功率,这也允许人类以社会兼容的方式同时交互和抓握物体。此外,我们对10名独立参与者的用户研究表明,与标准机器人抓取技术相比,我们的方法能够实现安全,自然和社会意识的人机对象的共同抓取体验。
2022-10-06 cs.CV cs.HC cs.LG
Impact-Aware Online Motion Planning for Fully-Actuated Bipedal Robot Walking
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
跟踪具有特定定时的一般步行路径的能力对于双足机器人在复杂环境中避免动态障碍物(例如行人)的操作安全性和可靠性至关重要。本文介绍了一个在线的,全身运动规划器,产生所需的影响意识的运动,全驱动双足机器人行走。所提出的规划器的主要新颖之处在于它能够实时产生所需的运动,尊重离散的冲击动力学和所需的冲击时间。为了得到建议的规划,全驱动双足机器人行走的全阶混合动力学模型,包括连续动力学和离散装载的影响。接下来,介绍了所提出的影响感知在线运动规划器。最后,一个3-D双足机器人的仿真结果证实了所提出的在线碰撞感知规划器的有效性。在线规划器能够在0.6秒内生成一个步行步的全身运动,这比典型的双足步行步短。
2019-10-25 cs.RO
OnEvoMemory: Evolving Memory through Online Robot Rollouts for Pretrained Robot Policies
Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学)
针对现有机器人记忆机制依赖外部模型的问题,提出OnEvoMemory价值引导记忆模块,结合离线初始化与在线试跑优化记忆选择,提升了基础VLA策略在长时程机器人操作中的性能。
2026-08-11 cs.RO
Quad2Plane: An Intermediate Training Procedure for Online Exploration in Aerial Robotics via Receding Horizon Control
University of Bristol(布里斯托大学)
数据驱动的机器人依赖于准确的现实世界表示来学习有用的策略。尽管我们尽了最大的努力,zero-shot仿真到现实迁移仍然是一个未解决的问题,我们经常需要允许我们的代理在线探索,以学习对给定任务有用的策略。对于许多应用领域的机器人在线探索是昂贵和危险的,这是特别真实的固定翼空中机器人。为了应对这些挑战,我们提供了一个用于现场机器人学习的中间解决方案。我们研究了使用不同的平台车辆学习,并提供了一个程序来模仿一个车辆与另一个的行为。我们特别考虑的问题,训练固定翼飞机,昂贵和危险的车辆类型,使用多旋翼主机平台。使用模型预测控制方法,我们设计了一个控制器,能够模仿另一个车辆的行为,在模拟和现实世界。
2022-03-21 cs.RO
Online Dynamic Motion Planning and Control for Wheeled Biped Robots
轮式足式机器人结合了轮式机器人在适当平坦表面上行驶时的效率和足式机器人在跨越或绕过障碍物时的多功能性。本文介绍了一种规划和控制框架,以实现动态移动的轮式机器人。我们提出的车线性倒立摆模型(车LIPM)作为模板模型的滚动运动和欠驱动LIPM的接触变化,而步行。生成的运动然后由一个逆动态全身控制器跟踪,该控制器协调所有关节,包括车轮。该框架具有分层结构,并以模型预测控制(MPC)方式实现。为了验证所提出的混合运动生成方法,在仿真中设计了两种涉及不同类型障碍物的场景。据我们所知,这是第一次,这种在线动态混合运动已被证明对轮式机器人。
2020-03-07 cs.RO
SPARK: Graph-Based Online Semantic Integration System for Robot Task Planning
The University of Tokyo(东京大学)
针对机器人任务执行中语义信息在线更新未被探索的问题,提出SPARK框架,通过从环境线索提取语义信息并在线更新场景图以用于任务规划,增强了机器人在动态环境中执行任务及适应非常规空间线索的能力。
2025-06-25 cs.RO