Identifying Functions and Behaviours of Social Robots during Learning Activities: Teachers' Perspective
University of Waterloo（滑铁卢大学）；Monash University（莫纳什大学）；Centre Inria Bordeaux - Sud-Ouest（法国国家信息与自动化研究所波尔多-西南研究中心）
随着人工智能的进步，研究人员越来越多地探索社交机器人在教育中可以发挥的潜在功能。由于教师是使用和应用教育技术的关键利益相关者，我们进行了一项研究，以了解教师对社交机器人如何支持课堂上各种学习活动的看法。通过采访，机器人木偶，和小组头脑风暴会议与五个小学和中学教师从当地学校在加拿大，我们采取社会技术的角度来概念化可能的机器人功能和行为，以及它们可能对当前的学习活动的设计，计划和执行的方式的影响。总体而言，教师积极响应的想法，引入社会机器人作为学习活动的技术工具，设想在使用教师机器人和学生机器人互动的差异。此外，Engestrom的活动系统模型-分析人类需求，任务和结果的框架-说明了与课堂学习活动相关的一些紧张关系。我们讨论了教师所设想的细粒度机器人功能和行为，以及它们如何解决当前的紧张局势-为改进学习活动的社交机器人的设计提供建议。
2021-10-30 cs.HC cs.RO
Improving Human-Robot Teaching by Quantifying and Reducing Mental Model Mismatch
Bielefeld University（比勒费尔德大学）；Honda Research Institute Europe（本田欧洲研究所）
本文提出MMM分数与基于LLM的意图反馈机制，用于量化并减少人类教师与机器人学习者之间的心智模型失配；150人实验证明其优于表现反馈和无反馈。
2025-01-08 cs.HC cs.RO
What Can Robots Teach Us About Trust and Reliance? An interdisciplinary dialogue between Social Sciences and Social Robotics
CY Cergy Paris University（赛尔吉巴黎大学）；ENSEA（法国高等电力学院）；CNRS（法国国家科学研究中心）；Université Paris 8（巴黎第八大学）；Inria（法国国家信息与自动化研究所）；Université de Lorraine（洛林大学）
本文主张融合社会科学与社会机器人学视角，通过跨学科对话探讨人机交互中信任的形成、检验与显现，以构建更扎实且适应性强的信任理解框架。
2025-07-17 cs.RO
Insights from Interviews with Teachers and Students on the Use of a Social Robot in Computer Science Class in Sixth Grade
Chair for Individual and Technology (iTec), RWTH Aachen University（个人与技术研究所（iTec），亚琛工业大学）
本文通过访谈六年级师生，探究社交机器人在计算机科学课堂中的使用需求与功能期望，发现师生虽普遍持开放态度但需求差异显著，并据此讨论了相应的设计挑战。
2025-08-19 cs.HC cs.RO
Multiperspective Teaching of Unknown Objects via Shared-gaze-based Multimodal Human-Robot Interaction
University of Tübingen（图宾根大学）；Technical University of Munich（慕尼黑工业大学）
为了在多方面的情况下成功部署机器人，了解机器人及其环境是必不可少的。随着最先进的物体检测器性能的提高，机器人在其交互域内检测物体的能力也在增强。然而，它将机器人绑定到一些经过训练的类，并阻止它适应预定义场景之外的不熟悉环境。在这种情况下，人类可以在数量庞大的交互实体中帮助机器人，并通过充当教师来传授必要的专业知识。我们提出了一种新的管道，有效地利用人类的目光和增强现实在人机协作的上下文中教机器人在其周围环境中的新对象。通过交织凝视（引导机器人的注意力到感兴趣的对象）与增强现实（传达各自的类信息），我们使机器人能够快速获得大量的自动标记的训练数据自己。在一个迁移学习的方式训练，我们展示了机器人的能力，检测最近学习的对象和评估不同的机器学习模型和学习过程的影响，以及所涉及的训练数据的量。我们的多模态方法被证明是一种有效而自然的方法，可以根据一些实例来教授机器人新的对象，并允许它检测没有训练数据集的类。此外，我们将我们的数据集公开提供给研究社区，其中包括RGB和深度数据，内在和外在相机参数以及感兴趣的区域。
2023-03-01 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
Using Social Robots to Teach Language Skills to Immigrant Children in an Oslo City District
Norwegian Computing Center（挪威计算中心）
社交机器人已被证明有助于儿童的语言教育。这可以很好地帮助移民儿童，他们需要额外的帮助来学习他们的父母不理解的第二语言上学。我们提出了一个长期的研究，正在进行盲援助移民儿童在挪威语技能差，以提高他们的词汇设置。这包括额外的工具，以帮助家长跟进，并提供额外的帮助在家里。
2020-11-12 cs.HC cs.RO
LEADOR: A Method for End-to-End Participatory Design of Autonomous Social Robots
KTH（瑞典皇家理工学院）
人机交互（HRI）中的简化设计（PD）通常仅限于开发的早期阶段，随后的机器人行为由工程师硬编码或用于很少实现自主性的绿野仙踪（WoZ）系统。我们提出了LEADOR（Led-by-Experts Automation and Design Of Robots）一种端到端的PD方法，用于领域专家协同设计，自动化和评估社交机器人。LEADOR从典型的PD开始，协同设计机器人的交互规范、状态和动作空间。然后，它通过现场在线教学阶段取代传统的离线编程或WoZ，在该阶段，领域专家可以现场编程或教机器人如何在嵌入交互环境中时表现。我们相信，这种现场教学可以通过在WoZ设置中添加学习组件来最好地实现，以捕获专家的隐含知识，因为他们直观地响应情况的动态。机器人逐渐学习适当的、专家批准的策略，最终实现完全自主，即使在敏感和/或不明确的环境中也是如此。然而，LEADOR对用于促进这一学习过程的确切技术方法是不可知的。在机器人设计中广泛纳入领域专家代表了既定的负责任的创新实践，在教学阶段和自主操作时都为系统提供了可信度。这种专家参与与专注于现场开发的结合也意味着LEADOR支持社交机器人的相互塑造方法。我们借鉴了两个以前出版的，基础性的作品，从这个（概括）的方法已经得出，以证明这种方法的可行性和价值，提供具体的例子，在其应用和识别的限制和机会时，在新的环境中应用这个框架。
2021-05-14 cs.RO
Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education
Institute of Information Systems, Zurich University of Applied Sciences（苏黎世应用科学大学信息系统研究所）；Center for Cognitive Interaction Technology, Bielefeld University（比勒费尔德大学认知交互技术中心）
研究针对生成式社交机器人在高等教育辅导中的风险，基于知识的设计要求开发Teachy Mini系统，经初步评估，该系统在负责任辅导行为及个性化等方面表现更佳，虽在部分方面与对照无显著差异，但显示出基于知识的设计对学习效果有积极作用。
2026-07-27 cs.AI cs.RO
Towards Transparency of TD-RL Robotic Systems with a Human Teacher
University of Naples Federico II（那不勒斯费德里科二世大学）；Istituto Italiano di Tecnologia（意大利技术研究院）
对自主和灵活的HRI的高要求意味着在机器人控制中部署机器学习（ML）机制的必要性。事实上，使用ML技术，如强化学习（RL），使得机器人在学习过程中的行为对观察用户不透明。在这项工作中，我们提出了一个情感模型，以提高在人-机器人协作场景的RL任务的透明度。我们提出的架构支持RL算法，其情感模型能够接收人类反馈并根据学习过程表现出情感反应。该模型完全基于时间差（TD）误差。该架构在一个隔离的实验室中进行了测试，设置简单。研究结果强调，通过情感反应显示其内部状态足以使机器人对人类老师透明。人们也更喜欢与反应灵敏的机器人互动，因为它们习惯于通过情感和社交信号来理解自己的意图。
2020-05-12 cs.HC cs.RO
Dance Teaching by a Robot: Combining Cognitive and Physical Human-Robot Interaction for Supporting the Skill Learning Process
Federal University of Uberlandia（乌贝兰迪亚联邦大学）
这封信提出了一个物理的人机交互场景，其中机器人指导和执行教师的角色在一个定义的舞蹈训练框架。提出了一种综合的认知和物理性能反馈，以辅助技能学习过程。直接接触合作的设计是通过一个自适应的阻抗为基础的控制器，调整根据合作伙伴的性能在任务中。在衡量成绩方面，采用渐进式教学的概念设计了一个评分系统。系统根据用户的练习次数和表现历史来调整难度。使用所提出的方法和基线常数控制器，比较实验表明，PT呈现出更好的性能在技能学习的初始阶段。对受试者对舒适度、安心度和机器人性能的感知的分析显示出p <0.01水平的显著差异，有利于PT算法。
2018-10-29 cs.RO math.OC physics.app-ph
How Do Human Users Teach a Continual Learning Robot in Repeated Interactions?
University of Waterloo（滑铁卢大学）；University of Hertfordshire（赫特福德大学）
本文采用以人为中心的方法，通过40名参与者和200次会话研究人类教导持续学习机器人的风格差异，发现个体教学风格存在显著差异需个性化适应，且现有受约束实验设置不足以评估真实交互。
2023-06-30 cs.HC cs.LG cs.RO
Robots and Children that Learn Together : Improving Knowledge Retention by Teaching Peer-Like Interactive Robots
Department of Computing, Sheffield Hallam University（谢菲尔德哈姆大学计算机系）；LOHA Health Ltd（LOHA健康有限公司）
本研究引入交互式强化学习作为认知模型，使类同伴机器人可被儿童教授。实验表明，相比独立练习，教机器人能显著提高知识保持，尤其对低先验知识儿童，并首次证明多机器人课堂部署的可行性。
2025-06-23 cs.AI cs.HC cs.RO
Multimodal Robot Programming by Demonstration: A Preliminary Exploration
Johns Hopkins University（约翰斯·霍普金斯大学）
近年来，与最终用户（如工厂工人）密切合作的工业机器人数量有所增加。协作机器人的使用越来越多，部分原因是终端用户机器人编程方法的可用性，这些方法允许不是机器人程序员的用户教机器人任务动作。演示编程（PbD）是这样一种最终用户编程方法，其使用户能够通过代替演示期望的机器人行为来绕过使用程序设计语言指定机器人运动的复杂性。演示通常通过物理引导机器人完成任务动作所需的动作来提供，这一过程称为动觉教学。动觉教学使用户能够直接演示机器人的配置空间中的任务行为，使其成为一种流行的终端用户机器人编程方法，以其低认知负担而闻名的协作机器人。然而，由于动觉教学限制了程序员的教学动作演示，它无法利用人类在提供物理任务演示时自然使用的其他模式的信息，例如凝视和语音。将多模态信息引入传统的动觉编程工作流程中，通过突出程序的关键方面、减少歧义和提高机器人学习者的情境意识，具有增强机器人学习的潜力，并且可以提供对人类程序员的意图和困难的洞察。在这个扩展的摘要中，我们描述了一个初步的研究多模态动觉演示和未来的方向，使用多模态演示，以提高机器人学习和用户编程经验。
2023-01-17 cs.HC cs.RO
Teach Me What You Want to Play: Learning Variants of Connect Four through Human-Robot Interaction
The Pennsylvania State University（宾夕法尼亚州立大学）
本文研究了如何使用博弈论表示来表示和学习如何玩互动游戏，如连接四。我们结合了学习的演示，主动学习和游戏理论，允许机器人利用其发展中的代表性的游戏进行问答会话与一个人，从而填补其知识的空白。本文演示了一种方法，用于教机器人的游戏连接四个及其变体的获胜条件，使用一个单一的演示和几个试验的例子与问答会议由机器人领导。我们的研究结果表明，机器人可以学习任意的获胜条件的游戏，几乎没有先验知识的获胜条件，然后玩游戏与人类利用学习的获胜条件。我们的实验还表明，一些问题是更重要的学习游戏的获胜条件。我们相信这种方法可以广泛应用于各种互动学习场景。
2021-01-13 cs.AI cs.RO
High-level programming and control for industrial robotics: using a hand-held accelerometer-based input device for gesture and posture recognition
University of Coimbra（科英布拉大学）；University of Porto（波尔图大学）
目的-大多数工业机器人仍然使用典型的示教过程进行编程，通过使用机器人示教器。这是一项繁琐且耗时的任务，需要一些技术专长，因此需要新的机器人编程方法。本文的目的是提出一个机器人系统，允许用户指示和编程的机器人与高层次的抽象从机器人语言。设计/方法/方法-该论文详细介绍了一种机器人系统，该系统允许用户，特别是非专家程序员，以直观的方式指导和编程机器人，只是向它展示它应该做什么。这是使用两个最自然的人机界面（手势和语音），力控制系统和几个代码生成技术。将特别注意手势的识别，其中从Wii遥控器中嵌入的运动传感器（三轴加速度计）提取的数据用于捕获人手的行为。使用统计方法和人工神经网络识别手势（动态手位置）以及手动姿势（静态手位置）。实用意义-本文的主要贡献是，它提供了一个实用的方法来编程机器人通过手势和语音，提高工作效率，节省时间。独创性/价值-本文提出了一种替代典型的机器人教学过程中，扩展的概念，人机交互和同事的情况。由于大多数公司没有工程资源对其机器人制造系统进行更改或添加新功能，因此该系统对中小型企业来说是一个主要优势。
2013-09-09 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
Teaching Introductory HRI: UChicago Course "Human-Robot Interaction: Research and Practice"
The University of Chicago（芝加哥大学）
本文介绍了芝加哥大学HRI入门课程的设计、教学结构与学习目标，该课程通过前沿文献讨论与一学期的协作研究项目，为学生提供人机交互研究的实践入门。
2024-03-27 cs.HC cs.RO
WCM: World-Cognition Model for Generalizable Human-Robot Interaction
针对机器人在物理任务交互困难的问题，提出基于SLAK架构和异步运行时的世界认知模型（WCM），引入人在回路教学模式，经思维链监督改进模型，在九个现实世界人机交互任务中平均成功率达73.8%。
2026-08-05 cs.AI cs.HC cs.LG
Conservative Bias in Multi-Teacher Learning: Why Agents Prefer Low-Reward Advisors
School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）；Escuela de Ingeniería, Universidad Central de Chile（智利中央大学工程学院）
本文揭示了多教师学习中智能体偏好保守低奖励顾问的现象，发现其受保守偏见主导，并在特定阈值下失效，同时在概念漂移情况下显著优于基线Q学习。
2025-12-23 cs.AI cs.RO
Teaching Unknown Objects by Leveraging Human Gaze and Augmented Reality in Human-Robot Interaction
本研究提出结合眼动追踪与增强现实的多模态人机交互系统，让人类通过视线指导机器人学习未知物体，使机器人摆脱对预训练数据集的依赖，检测性能达到当前最优水平且不受预设类别限制。
2023-12-12 cs.AI cs.CV cs.HC
TEAM: a parameter-free algorithm to teach collaborative robots motions from user demonstrations
École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Schindler AG（迅达集团）
针对工业协作机器人演示学习需手动调参的问题，提出基于概率运动基元、Jensen-Shannon散度和贝叶斯优化的无参数TEAM算法，并经现场测试验证其高精度与非专家易用性。
2023-09-26 cs.RO cs.SY eess.SY
Adding More Value Than Work: Practical Guidelines for Integrating Robots into Intercultural Competence Learning
Indiana University Bloomington（印第安纳大学布卢明顿分校）；Honda Research Institute Japan（本田研究院日本）
本文通过设计研讨会探讨了如何将社交机器人有效整合到K-12学校中，提出机器人在课堂中的适用场景和角色，以及如何在不取代教师的情况下补充教学，并考虑伦理问题。
2026-02-08 cs.HC cs.RO
Vocal Sandbox: Continual Learning and Adaptation for Situated Human-Robot Collaboration
Stanford University（斯坦福大学）
提出Vocal Sandbox框架，通过多模态教学和轻量级学习算法实现情境化人机协作的持续学习，在礼品袋组装和定格动画任务中显著提升性能并减少监督。
2024-11-04 cs.AI cs.CL cs.HC
Using Machine Teaching to Boost Novices' Robot Teaching Skill
King’s College London（伦敦国王学院）
本文提出利用MT算法训练新手提升机器人教学能力的框架，实验证明该训练能显著提高新手的教学效果并具备泛化与保留能力。
2024-09-23 cs.RO
TeachingBot: Robot Teacher for Human Handwriting
本文提出自适应机器人教学系统TeachingBot，通过概率建模捕捉个人书写风格并生成个性化教学轨迹，结合变阻抗控制动态调整引导力度，实验证明其能有效提升学习者书写水平与参与度。
2025-07-05 cs.RO
COACH: Cooperative Robot Teaching
School of Computing（计算学院）；Smart Systems Institute（智能系统研究所）；National University of Singapore（新加坡国立大学）
知识和技能可以从人类教师转移到人类学生。然而，这种直接转移通常不适用于物理任务，因为它们需要一对一的交互，并且人类教师的数量不足。机器学习使机器人能够成为专家，并扮演教师的角色，在这种情况下提供帮助。在这项工作中，我们正式合作机器人教学马尔可夫博弈，由四个关键要素：目标任务，学生模型，教师模型，和互动的教学过程。在适度的假设下，马尔可夫博弈简化为一个部分可观测的马尔可夫决策过程，具有有效的近似解。我们说明了我们的方法在两个合作的任务，一个在模拟的视频游戏和一个真正的机器人。
2023-02-13 cs.RO
How Should We Teach Robots? A Comparison of Kinesthetic, Joystick, and Gesture-Based Teaching
Czech Institute of Informatics, Robotics and Cybernetics (CIIRC CTU)（捷克信息学、机器人学与控制研究所（CIIRC CTU））
通过用户研究比较动觉引导、摇杆遥操作和手势教学三种示范方式，评估其在操作任务中的成功率、工作负载和常见错误。
2026-05-27 cs.RO
Understanding Teacher Gaze Patterns for Robot Learning
University of Texas at Austin（德克萨斯大学奥斯汀分校）
已知人类注视是操纵任务期间潜在人类意图和目标的强有力指示器。这项工作研究了人类教师向机器人演示任务的凝视模式，并提出了这些模式可用于增强机器人学习的方法。使用动觉教学和视频演示，我们确定新的意图揭示凝视行为在教学过程中。这些被证明是翔实的各种问题，从参考框架推理分割的多步任务。基于我们的研究结果，我们提出了两个概念验证算法，表明凝视数据可以提高多步任务的子任务分类高达6%，奖励推理和策略学习为单步任务高达67%。我们的研究结果提供了一个自然的人类凝视模型的基础，在机器人学习从示范设置和利用人类的目光，以提高机器人学习目前的开放性问题。
2021-11-29 cs.RO
Bridging Teacher Expectations and Robot Learning via Coupling Dynamics
Oakland University（奥克兰大学）
本文提出一种基于耦合动力学的人机教学交互分类量表，应用于相关文献以探究耦合动力学与教师心智模型不匹配对教学有效性及人类感知的影响。
2026-08-26 cs.HC cs.RO
Understanding Acoustic Patterns of Human Teachers Demonstrating Manipulation Tasks to Robots
Microsoft Research（微软研究院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
人类在向其他人教授新技能或任务时，有效地使用口头语言或口头反应形式的音频信号。虽然演示允许人类以自然的方式教授机器人，但仅从轨迹学习并不能利用其他可用的模式，包括来自人类教师的音频。为了有效地利用伴随人类演示的音频提示，首先重要的是要了解存在什么样的信息并通过这些提示传达。这项工作的特点音频从人类教师演示多步操作任务的Sawyer机器人使用三种特征类型：（1）持续时间的语音使用，（2）在语音或韵律的表现力，和（3）语音的语义内容。我们从四个维度对这些特征进行分析，发现教师在（1）演示类型、（2）音频使用说明、（3）子任务和（4）演示错误等不同情况下，通过口语传达相似的语义概念。然而，语音在持续时间和表现力方面的差异性沿着四个维度存在，突出了人类音频携带的丰富信息，潜在地有利于机器人学习从演示方法的技术进步。
2022-11-01 cs.RO
Training People to Reward Robots
Centre for Robotics Research, Department of Engineering, King’s College London, UK（机器人研究中心，工程系，伦敦国王学院，英国）
本文研究用机器教学引导新手教师，在仅8次演示下提升RLfD教学与泛化能力，使机器人训练技能性能提升89%、未见技能提升70%。
2025-05-15 cs.RO
Teaching Robots to Do Object Assembly using Multi-modal 3D Vision
National Institute of Advanced Industrial Science and Engineering（国立先进产业科学技术研究院）；Beihang University（北京航空航天大学）
本文的动机是开发一个智能系统，使用多模态视觉的下一代机械装配。它包括两个阶段，在第一阶段中，人类将装配结构教给机器人，在第二阶段中，机器人使用AI规划找到物体并抓住并装配它们。该系统的关键部分是三维视觉检测的精度，本文提出了多模式的方法来满足要求：AR标记用于教学阶段，因为人类可以主动控制该过程。在机器人执行阶段使用点云匹配和几何约束，以避免意外的噪声。通过实验验证了该方法的准确性和正确性。这项研究是实际的：所开发的方法集成了基于图形模型的运动规划，实现了工业机器人和适用于现实世界的场景。
2016-01-26 cs.RO
OPEN TEACH: A Versatile Teleoperation System for Robotic Manipulation
New York University（纽约大学）；Meta
针对现有机器人遥操作数据采集平台专有、昂贵且适配性差的问题，研究团队提出基于Meta Quest 3的开源通用遥操作系统OPEN TEACH，支持多类机器人实时控制，操作性能更优且采集数据可用于策略学习。
2024-03-12 cs.RO
Teaching is a Process: The TOSS Framework for Modeling Human Teaching Decisions in Human-Interactive Robot Learning
LIACS, Leiden University（莱顿大学LIACS学院）；VU Amsterdam（阿姆斯特丹自由大学）
本研究通过34名参与者的实验揭示人类教学决策的构成，提出TOSS框架，为理解教学决策、模拟神谕及设计机器人学习算法提供数据集与理论基础。
2026-08-24 cs.HC cs.RO
Solving Robot Assembly Tasks by Combining Interactive Teaching and Self-Exploration
Delft University of Technology（代尔夫特理工大学）
许多高精度（拆卸）装配任务仍然由人类执行，而这是自动化的理想机会。本文提供了一个框架，使一个非专家的人类操作员教机械臂做复杂的精度任务。该框架使用一个可变的笛卡尔阻抗控制器来执行从动觉人类演示中学习到的轨迹。可以提供反馈，以交互方式重塑或加速原始演示。板定位通过任务板位置的视觉估计来完成，并通过触觉反馈来细化。我们的框架在Robothon基准拆解挑战上进行了测试，机器人必须执行复杂的精度任务，例如钥匙插入。结果显示，每个操作子任务的成功率都很高，包括盒子处于新姿势的情况。还进行了消融研究，以评估框架的组件。
2022-09-23 cs.RO
Active Robot Curriculum Learning from Online Human Demonstrations
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
提出一种基于课程学习的主动 LfD 方法，通过优化在线人类演示的查询序列引导难度递增，显著提升了机器人的学习性能与样本效率，并改善了人类教学表现、适应性和可迁移性。
2025-03-04 cs.RO
Sequentially Teaching Sequential Tasks $(ST)^2$: Teaching Robots Long-horizon Manipulation Skills
Computer Science Department, RWTH Aachen University（鲁尔大学亚琛分校计算机科学系）；Cyber Physical Systems, Indian Institute of Science Bengaluru（印度科学研究院班加罗尔分校）；Alma Mater Studiorum Università di Bologna（博洛尼亚大学）；Cognitive Robotics Department, Delft University of Technology（代尔夫特理工大学认知机器人学系）
（ST）²通过顺序方法帮助机器人学习长周期操作技能，通过分步演示提升教学效率和用户偏好。
2026-01-20 cs.RO
What Can Robots Teach Us About The COVID-19 Pandemic? Interactive Demonstrations of Epidemiological Models Using a Swarm of Brushbots
University of Waterloo（滑铁卢大学）；Amazon Robotics（亚马逊机器人公司）
本文描述了2021年开展的一系列教育活动的方法和成果，这些活动利用机器人群教育高中和大学生流行病学模型以及它们如何为社会和政府政策提供信息。该活动特别关注COVID-19疫情，包括4个在线和3个现场研讨会，学生有机会与20个定制的刷机器人进行互动，这些机器人是小型振动驱动机器人，针对便携性和鲁棒性进行了优化。通过对活动后调查收集的数据进行分析，本文展示了活动如何积极影响学生对指导现实世界决策的科学方法的看法，以及他们对机器人技术的兴趣。
2022-06-15 cs.RO
AIR-Act2Act: Human-human interaction dataset for teaching non-verbal social behaviors to robots
ETRI（韩国电子通信研究院）
为了更好地与用户交互，社交机器人应该理解用户的行为，推断意图，并做出适当的响应。机器学习是实现机器人智能的一种方法。它提供了从经验中自动学习和改进的能力，而不是明确告诉机器人该做什么。社交技能也可以通过观看人际互动视频来学习。然而，人与人之间的交互数据集相对较少，无法学习在各种情况下发生的交互。此外，我们的目标是在老年人护理领域使用服务机器人;然而，还没有为这个领域收集交互数据集。出于这个原因，我们引入了一个人-人交互数据集，用于向机器人教授非语言社交行为。这是唯一一个老年人作为表演者参与的互动数据集。我们招募了100名老年人和两名大学生，在室内环境中进行10次互动。整个数据集有5，000个交互样本，每个样本都包含深度图，身体索引和3D骨骼数据，这些数据是由三个Microsoft Kinect v2摄像头捕获的。此外，我们提供了一个人形NAO机器人的关节角度转换从人类的行为，机器人需要学习。数据集和有用的python脚本可在https://github.com/ai4r/AIR-Act2Act下载。它不仅可以用来教机器人社交技能，还可以用来测试动作识别算法。
2020-09-04 cs.RO
Unpacking Human Teachers' Intentions For Natural Interactive Task Learning
University of Michigan（密歇根大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
交互式任务学习（ITL）是一个新兴的研究议程，研究设计复杂的智能机器人，可以通过自然的人类教师-机器人学习者互动获得新的知识。ITL方法对于设计智能机器人特别有用，这些机器人的行为可以通过与它们合作的人类来调整。各种研究团体都在为ITL提供方法，这项研究的一个很大的子集是\emph{robot-centered}，重点是开发可以快速在线学习的算法。本文从\emph{human-centered}的角度研究ITL问题，为机器人设计提供指导，使人类教师可以自然地教授ITL机器人。在本文中，我们提出了1）互动教学研究（N=10）的定性双向分析，通过它，我们描述了人类教师在教机器人时所打算和执行的动作的各个方面; 2）深入讨论了两个参与者所采用的教学方法，以了解个人适应个人教学风格的必要性;和3）ITL机器人设计的要求，基于我们的分析和通知的计算理论的协作互动，SharedPlans。
2021-07-02 cs.HC cs.RO
Robust Visual Teach and Repeat for UGVs Using 3D Semantic Maps
Simon Fraser University（西蒙弗雷泽大学）
我们提出了一个视觉教和重复（VTR）算法使用语义地标提取的环境对象与固定安装单目摄像机的地面机器人。所提出的算法是鲁棒的相机/机器人，其中一个姿势被定义为平面位置加上围绕垂直轴的方向的起始姿势的变化。VTR由示教阶段和重复阶段组成，在示教阶段中，机器人在规定的路径上移动，在重复阶段中，机器人试图从相同或不同的姿势开始重复相同的路径。大多数可用的VTR算法是姿态相关的，并且当从远离示教阶段的初始姿态开始时，在重复阶段中不能很好地执行。为了实现更鲁棒的姿态独立性，关键是在示教阶段生成包含相机轨迹和周围对象位置的环境的3D语义图。在具体实现中，我们使用ORB-SLAM来采集摄像机的姿态和环境的三维点云，使用YOLOv 3来检测环境中的物体。然后，我们将这两个输出结合起来构建语义映射。在重复阶段，我们重新定位机器人的基础上检测到的对象和存储的语义地图。然后，机器人能够朝着示教路径移动，并在向前和向后方向上重复该路径。我们已经测试了所提出的算法在不同的情况下，并将其与两个最相关的最近的研究。此外，我们比较了我们的算法与两个基于图像的重定位方法。一个是纯粹基于ORB-SLAM，另一个结合了Superglue和RANSAC。结果表明，我们的算法是更强大的姿态变化以及环境的变化。我们的代码和数据可在以下Github页面上找到：https://github.com/mmahdavian/semant…
2022-06-24 cs.RO
ROSY: An elegant language to teach the pure reactive nature of robot programming
Universidade do Minho（米尼奥大学）；INESC TEC（葡萄牙系统与计算机工程研究所）
机器人技术非常有趣，长期以来一直被认为是教授编程的好方法，同时与数学、物理或电子等工程和科学的其他分支建立了鼓舞人心的联系。虽然机器人和编程之间的这种共生关系被认为是非常有益的，但教育方法往往觉得有必要隐藏机器人系统的潜在复杂性，但结果是无法将机器人编程的反应本质传递给未来的机器人专家和程序员。本文介绍了ROSY，一种通过机器人技术教授新手程序员的新语言。它的函数式风格既熟悉高中代数背景，又体现了机器人编程固有的反应性。在更高的抽象层次上工作也教导了将机器人软件分解为交互控制器集合的有价值的设计原则。尽管它很简单，但ROSY是完全有效的Haskell代码，与ROS生态系统兼容。我们通过演示如何轻松清晰地表达非平凡的应用程序，揭示其良好的功能编程基础，并开发支持Web的机器人编程环境，为我们的语言提供了令人信服的案例。
2019-11-08 cs.PL cs.RO
Fast and Robust Bio-inspired Teach and Repeat Navigation
Queensland University of Technology（昆士兰科技大学）
完全自主的移动机器人有许多潜在的应用，但保证强大的导航性能仍然是一个开放的研究问题。对于许多任务，如重复的基础设施检查，物品交付或库存运输，路线重复能力可能是足够的，并提供超过完整导航堆栈的潜在实际优势。以前的教学和重复研究主要通过使用复杂，昂贵的传感器，在困难的条件下实现了高性能，并且通常具有很高的计算要求。生物系统，如小动物和昆虫，如看到蚂蚁，提供了一个概念证明，强大的和可推广的导航可以实现极其有限的视觉系统和计算能力。在这项工作中，我们创建了一个新的异步配方教和重复导航，充分利用里程信息，与校正信号驱动的计算更轻量级的视觉处理比通常需要的。该校正信号也与机器人的电机控制解耦，允许其速率由可用的计算能力调制。我们通过在两个不同的机器人平台上进行广泛的实验来评估这种方法，即Consequential Robotics Miro和Clearpath Jackal机器人，在一系列具有挑战性的室内和室外环境中进行了总计超过6000米的导航试验。当多个最先进的系统由于低分辨率图像、不可靠的里程计或照明变化而失败时，我们的方法继续取得成功，同时需要显著减少的计算。我们还首次展示了多功能的跨平台教学和重复，而无需更改参数，我们学习使用一个机器人导航路线，并使用完全不同的机器人重复该路线。
2021-07-29 cs.RO
On the Effect of Robot Errors on Human Teaching Dynamics
Tufts University（塔夫茨大学）
该研究通过用户实验探究机器人错误的存在及严重程度对人类教学动态三个维度的影响，为交互式学习界面设计和算法优化提供了参考。
2024-09-15 cs.AI cs.HC cs.RO
Task-oriented Motion Mapping on Robots of Various Configuration using Body Role Division
Microsoft（微软）
在机器人教学中，许多工作要么只注重教学任务知识，如几何约束，或运动知识，如完成任务的运动。然而，为了有效地教一个复杂的任务序列的机器人，重要的是要利用任务和运动知识。任务知识提供了序列中每个单独任务的目标，并减少了所需的人类演示的数量，而运动知识包含任务到任务的约束，否则需要专家知识来建模的问题。在本文中，我们提出了一个机构的角色分工的方法，结合了这两种类型的知识，使用一个单一的人类示范。该方法的灵感来自于人体运动的事实，并使用身体结构的类比分解成不同的角色机器人的身体配置：身体部位是主要的模仿人体运动和身体部位的替代调整模仿相对于任务知识。我们的研究结果表明，我们的方法可扩展到不同数量的手臂链接的机器人，引导机器人的配置，以实现即将到来的任务，并可能有利于教学范围的任务序列。
2020-12-30 cs.RO
Wrapping Haptic Displays Around Robot Arms to Communicate Learning
Purdue University（普渡大学）；Virginia Tech（弗吉尼亚理工大学）
人类可以利用物理交互来教机器人手臂。当人类通过动觉引导机器人进行演示时，机器人学会了所需的任务。虽然之前的工作集中在机器人如何学习，但对于人类教师来说，了解他们的机器人正在学习什么同样重要。视觉显示可以传达这些信息;然而，我们假设视觉反馈本身错过了人类和机器人之间的物理联系。在本文中，我们介绍了一类新的软触觉显示，包裹在机器人手臂，添加信号，而不影响互动。我们首先设计了一个气动驱动阵列，保持灵活的安装。然后，我们开发这个包装的触觉显示的单维和多维版本，并探讨在心理生理测试和机器人学习的渲染信号的人类感知。我们最终发现，人们准确地区分单维反馈的韦伯分数为11.4%，识别多维反馈的准确率为94.5%。在对机器人手臂进行物理教学时，人类利用单维和多维反馈提供比视觉反馈更好的演示：我们的包裹式触觉显示减少了教学时间，同时提高了演示质量。这种改进取决于包裹的触觉显示的位置和分布。你可以在这里看到我们的设备和实验的视频：https://youtu.be/yPcMGeqsjdM
2022-12-20 cs.RO
Comparative Analysis of Programming by Demonstration Methods: Kinesthetic Teaching vs Human Demonstration
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算机科学学院）
本文通过用户研究比较了人类演示与动觉示教两种编程方法，发现前者平均快8倍、质量更优且工作负荷低2倍。
2024-03-15 cs.RO
Vision-based Teleoperation of Shadow Dexterous Hand using End-to-End Deep Neural Network
Universität Hamburg（汉堡大学）；Tsinghua University（清华大学）
在本文中，我们提出了TeachNet，一种新的神经网络架构的直观和无标记的视觉为基础的机器人灵巧手的遥操作。机器人关节角度直接从人手的深度图像生成，以端到端的方式产生视觉上相似的机器人手姿势。TeachNet的特殊结构与一致性损失函数相结合，处理了人手和机器人手之间的外观和解剖结构差异。从人手的标记深度图像和机器人手的模拟深度图像的现有数据集生成同步的人-机器人训练集。最终的训练集包括Shadow C6机器人手的400 K成对深度图像和关节角度。网络评估结果验证了TeachNet的优越性，特别是在高精度条件下。模拟实验和掌握任务的新手用户的遥操作表明，TeachNet是更可靠和更快的比国家的最先进的基于视觉的遥操作方法。
2019-02-18 cs.RO
Towards Accessible Robot Control: Comparing Kinesthetic Teaching, SpaceMouse Teleoperation, and a Mixed Reality Interface
Stanford University（斯坦福大学）
本研究比较了三种机器人控制方法，发现空间鼠标和混合现实接口表现相近，但任务复杂度增加时成功率下降，凸显了为非专家用户设计更高效可控的遥控系统的重要性。
2026-01-17 cs.RO
Nonverbal Robot Feedback for Human Teachers
University of California, Berkeley（加州大学伯克利分校）
机器人可以从人类的演示中学习偏好，但它们的成功取决于这些演示的信息量。不幸的是，提供信息是非常具有挑战性的，因为在教学过程中，人们通常无法透明地了解机器人已经知道或已经学到了什么。相比之下，人类学生自然会提供丰富的非语言反馈，以揭示他们的理解和参与程度。在这项工作中，我们研究了机器人如何能够同样地提供具有最小破坏性的反馈，但却为人类教师提供了一个更好的机器人学习者的心理模型，从而使他们能够更有效地教学。我们的想法是，在任何时候，机器人都可以指出它认为正确的下一步行动是什么，从而揭示它对人类偏好的当前估计。我们分析了这种反馈是多么有用，无论是在理论上和两个用户的研究-一个与虚拟角色，测试反馈本身，一个与PR 2机器人，使用凝视作为反馈机制。我们发现，反馈可以是有用的，提高教学质量和教师的机器人的能力的理解。
2019-11-06 cs.HC cs.LG cs.RO
What Can Algebraic Topology and Differential Geometry Teach Us About Intrinsic Dynamics and Global Behavior of Robots?
German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）
本文利用代数拓扑与微分几何研究机器人内在动力学，以重力双摆为例展示并分类其周期轨道，揭示无控制机器人系统的全局行为规律。
2023-07-06 cs.RO
End-User Programming of Low- and High-Level Actions for Robotic Task Planning
Univ. Grenoble Alpes（格勒诺布尔大学）
由于从制造环境到个人家庭的最终用户任务的巨大多样性，为通用应用编程机器人极具挑战性。最近的工作集中在使最终用户能够使用演示编程对机器人进行编程。然而，从头开始教机器人新的动作，可以重复用于看不见的任务仍然是一个艰巨的挑战，通常留给机器人专家。我们提出了iRoPro，一个交互式的机器人编程框架，允许最终用户从头开始教机器人新的动作，并重新使用它们与任务规划器。在这项工作中，我们提供了一个系统实现的双臂巴克斯特机器人，（一）允许同时教学的低和高层次的行动演示，（二）包括一个用户界面的动作创建与条件推理和修改，（iii）允许创建和解决以前看不见的问题，使用任务规划的机器人实时执行。我们评估了系统的泛化能力的六个基准任务，并显示如何教的行动可以很容易地重复用于复杂的任务。我们进一步证明了它的可用性与用户的研究（N=21），用户完成了八个任务，教机器人的新动作，重复使用的任务规划。研究表明，任何编程水平和教育背景的用户都可以轻松地学习和使用该系统。
2021-03-26 cs.RO
An Efficient Locally Reactive Controller for Safe Navigation in Visual Teach and Repeat Missions
University of Oxford（牛津大学）
为了实现成功的现场自治，移动机器人需要自由地适应环境的变化。视觉导航系统，如视觉示教和重复（VT&R）通常假设参考轨迹周围的空间是自由的，但如果环境被阻挡，路径跟踪可能会失败，或者机器人可能会与以前看不见的障碍物碰撞。在这项工作中，我们提出了一个本地反应控制器的VT&R系统，允许机器人安全地导航，尽管物理环境的变化。我们的控制器使用本地高程图来计算矢量表示，并以10 Hz的频率输出用于导航的扭曲命令。它们被组合在一个黎曼运动策略（RMP）控制器中，该控制器在CPU上运行需要<2 ms。我们将控制器与ANYmal C机器人上的VT&R系统集成在一起，并在室内杂乱空间和大型地下矿井中进行了测试。我们表明，我们的本地反应控制器保持机器人的安全时，发生物理遮挡或丢失的视觉跟踪，如当靠近墙壁，穿越门口，或穿越狭窄的走廊。视频：https://youtu.be/G_AwNec5AwU
2022-01-11 cs.RO
