A Shared Control Framework for Mobile Robots with Planning-Level Intention Prediction
Member, IEEE（IEEE会员）；Senior Member, IEEE（IEEE高级会员）
针对移动机器人共享控制中人类意图理解问题，提出含规划级意图预测的共享控制框架，联合建模意图域预测与路径重规划为马尔可夫决策过程并通过深度强化学习求解，仿真训练无需人类参与，能降低操作员工作量并提升安全性。
2026-10-27 cs.RO
Capability-Aware Arbitration for Semantic Intent-Based Shared Control
Colorado School of Mines（科罗拉多矿业大学）；University of Pennsylvania（宾夕法尼亚大学）
提出一种能力感知共享控制框架，利用VLM意图置信度与VLA能力置信度通过Sigmoid仲裁分配机器人权限，实验表明该方法在任务成功率（92%）和用户体验上优于基线，有效缓解过度帮助。
2026-09-23 cs.RO
Timely Negotiation and Correction of Shared Intentions With Body Motion
TU Berlin（柏林工业大学）
目前的机器人架构建模的互动行为不太适合的双重任务，顺序离散的行动和即时纳入信息。此外，对于基于身体运动的通信，动作也可以作为协商交互替代方案的线索，并使及时的干预成为可能。本文提出了一种基于稳定的异宿通道网络的动力系统，它提供了丰富的参数集，以不间断地调制运动，同时保持一个紧凑的状态图抽象适合推理，规划和推理。
2019-01-16 cs.RO
Do Robots Need Body Language? Comparing Communication Modalities for Legible Motion Intent in Human-Shared Spaces
MIT Media Lab（麻省理工学院媒体实验室）；New England Innovation Academy（新英格兰创新学院）
研究探讨不同沟通方式对理解四足机器人导航意图的影响，评估表达性动作、灯光、文本和音频等模态对预测准确性、信心和信任度的作用。
2026-04-03 cs.CY cs.HC cs.RO
Intention estimation from gaze and motion features for human-robot shared-control object manipulation
Honda Research Institute EU（本田欧洲研究院）；Honda R&D Co., Ltd. Innovative Research Excellence（本田研发株式会社创新卓越研究中心）
共享控制可以通过协助执行用户的意图来帮助远程操作的对象操纵。为此，需要鲁棒且及时的意图估计，这依赖于行为观察。在这里，提出了一个意图估计框架，该框架使用自然注视和运动特征来预测当前动作和目标对象。该系统是在一个模拟的环境中进行训练和测试，在一个相对混乱的场景中产生的拾取和放置序列，用双手，可能移交给另一只手。验证是在不同的用户和手，实现良好的准确性和预测的早期性。单个特征的预测能力的分析显示了抓握触发和凝视特征在当前动作的早期识别中的优势。在目前的框架中，相同的概率模型可以用于两只手并行和独立工作，而基于规则的模型，提出了确定由此产生的双手动作。最后，这种方法的局限性和前景更复杂，全双手操作进行了讨论。
2022-08-18 cs.AI cs.HC cs.LG
DoRO: Disambiguation of referred object for embodied agents
TCS Research（塔塔咨询服务公司研究院）
机器人任务指令通常涉及机器人必须在环境中定位（地面）的引用对象。虽然任务意图理解是自然语言理解的重要组成部分，但在解决任务基础时可能出现的歧义方面所做的努力较少。现有的作品使用基于视觉的任务接地和模糊检测，适合于固定视图和静态机器人。然而，对于移动机器人来说，这个问题被放大了，因为事先不知道理想的视图。此外，单个视图可能不足以定位给定区域中的所有对象实例，这导致不准确的模糊性检测。只有当机器人能够传达它所面临的模糊性时，人类干预才是有帮助的。在这篇文章中，我们提出了DoRO（被引用对象的消歧），一个系统，可以帮助一个具体的代理消除被引用对象的歧义，提出一个合适的查询时需要的。给定目标所在的区域，DoRO通过在探索和扫描该区域时聚合来自多个视图的观察结果来找到该对象的所有实例。然后，它使用来自固定对象实例的信息引发适当的查询。使用AI2Thor模拟器进行的实验表明，DoRO不仅可以更准确地检测歧义，而且还可以从视觉语言基础中获得更准确的信息，从而提出详细的查询。
2022-07-28 cs.AI cs.RO
CLUE: Crossmodal disambiguation via Language-vision Understanding with attEntion
Institut des Systèmes Intelligents et de Robotique (ISIR)（智能系统与机器人研究所）；Sorbonne Université Paris（索邦大学巴黎）
CLUE通过语言-视觉理解实现跨模态歧义消除，利用显式空间信号决定何时提问，提升人机交互的准确性与效率。
2026-02-09 cs.RO
Robot Trajectron V3: A Probabilistic Shared Control Framework for SE(3) Manipulation
KU Leuven（鲁汶大学）；Flanders Make（法兰德斯制造）
针对远程操作机器人手臂执行高自由度操作任务的难题（认知要求高、易出错、依赖低带宽接口），提出概率共享控制框架RT-V3，通过贝叶斯推理结合用户意图先验与实时命令估计后验分布，实验证明其在多方面表现出色，优于基线方法。
2026-07-13 cs.RO
Robot-stated limitations but not intentions promote user assistance
Sheffield Robotics, University of Sheffield（谢菲尔德大学谢菲尔德机器人中心）；Department of Psychology, University of Sheffield（谢菲尔德大学心理学系）
人机交互（HRI）的研究通常是建立在机器人帮助人类实现人类主导的目标或共享任务的前提下。然而，在HRI期间有许多情况下，机器人可能需要人类的帮助来完成共享任务或实现目标。我们使用ROBO-GUIDE模型作为案例研究，并从社会心理学的见解，研究机器人的个性如何影响用户合作。一项针对364名参与者的研究表明，人们可能更喜欢使用讨人喜欢的社交机器人，而不是那些看起来更有能力的机器人;这一结果反映了人类人际关系中已知的社会决策。这项工作进一步证明了社会心理学在开发社交机器人和探索HRI方面的价值。
2016-06-08 cs.HC cs.RO
PINT: A Unified Model with Shared Predictive Intent for Robot Manipulation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongguancun Academy（中关村学院）；Fudan University（复旦大学）；Tsinghua University（清华大学）
PINT是一种带共享预测意图的机器人操作统一模型，通过分块级预测意图协调VLM、VGM与AE，经两阶段训练后，在RoboTwin 2.0-Hard、LIBERO-Plus及真实双臂任务上的ID与OOD性能均优于对比模型。
2026-10-14 cs.RO
Robot Trajectron V2: A Probabilistic Shared Control Framework for Navigation
KU Leuven（卢森堡大学）；University of Washington（华盛顿大学）
提出机器人轨迹预测器V2（RT-V2），一种概率共享控制框架，通过联合建模意图先验与实时后验，在合成、人机交互和脑机接口实验中实现优于现有技术的意图估计与安全高效导航。
2025-09-24 cs.RO
Learning Arbitration for Shared Autonomy by Hindsight Data Aggregation
University of Stuttgart（斯图加特大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们提出了一个框架的取放任务的遥操作。我们定义了一个共享的控制策略，允许混合之间的直接用户控制和自主控制的基础上，用户的意图推断。共享自治系统的主要挑战之一是定义仲裁功能，它决定何时让自主智能体接管。在这项工作中，我们提出了一个模型和训练方法来学习仲裁功能。我们的模型是基于一个递归神经网络，作为输入的状态，意图预测分数和用户命令，以产生用户和机器人命令之间的仲裁。这项工作扩展了我们以前在共享自治的可区分政策方面的工作。为了进一步训练端到端的共享自治系统，需要策略的可区分性。在这项工作中，我们提出了训练的仲裁功能，通过使用数据从用户执行的任务与共享控制。我们提出了初步的结果，通过远程操作的夹具在虚拟环境中使用预先训练的运动生成和意图预测。我们将我们的数据聚合训练过程与手工仲裁函数进行比较。我们的初步结果显示了该方法的有效性，并揭示了我们认为在共享自治系统中需要用户适应性的局限性。
2019-06-28 cs.RO
TASC: Task-Aware Shared Control for Relational Telemanipulation
KU Leuven, Dept. Mechanical Engineering, Research unit Robotics, Automation and Mechatronics（KU莱顿机械工程系，机器人、自动化与机电一体化研究单位）；KU Leuven, Dept. Electrical Engineering, Research unit Processing Speech and Images（KU莱顿电气工程系，语音与图像处理研究单位）
提出TASC框架，通过视觉构建开放词汇交互图推断任务级用户意图，并基于空间约束提供共享控制辅助，提升关系遥操作效率与泛化能力。
2026-06-19 cs.RO
Human-Centered Shared Autonomy for Motor Planning, Learning, and Control Applications
Translational Neurorobotics Laboratory（转化神经机器人实验室）；Department of Electrical, Computer, and Biomedical Engineering（电气、计算机与生物医学工程系）；University of Rhode Island（罗德岛大学）；Human-Centered AI (HCAI) Labs（以人为本的人工智能实验室）
本文综述以人为中心的共享自主性AI框架，涵盖运动规划、学习与控制，提出自适应共享自主性范式，并展望LLM与推理代理的未来方向。
2025-06-19 cs.HC cs.RO
An Intent-based Task-aware Shared Control Framework for Intuitive Hands Free Telemanipulation
Colorado School of Mines（科罗拉多矿业学院）；GAC R&D Center Silicon Valley（广汽硅谷研发中心）
提出一种基于意图的任务感知共享控制框架，通过理解人类意图并遵循硬性运动约束实现仲裁，在免提遥操作中平衡任务完成与操作者控制权，提升直观辅助。
2021-05-31 cs.RO
Robot Trajectron: Trajectory Prediction-based Shared Control for Robot Manipulation
KU Leuven（鲁汶大学）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）
提出Robot Trajectron，利用手臂运动起始几秒的轨迹预测，结合共享控制减轻操作员认知负担，在意图估计和共享控制任务中验证有效性。
2024-02-04 cs.LG cs.RO
Estimating Human Intent for Physical Human-Robot Co-Manipulation
人类团队在使用共享的心理模型进行操作任务时，可以非常有效地进行适应和协作。然而，在协作操作任务期间，人类可以使用相同的共享心智模型来执行鲁棒的低级别力和运动控制，而机器人则不存在。为了让机器人能够自然、高效地与人类执行协作任务，理解和预测人类的意图是必要的。然而，人类很难预测和建模。我们已经完成了一项探索性研究，记录了20个人的运动和力量，以更好地了解他们如何移动以及如何预测他们的运动。在本文中，我们将展示如何使用过去的运动数据来预测人类的意图。为了预测人类的意图，我们将其等同于人类团队在短时间内的速度，我们使用了神经网络。以200 Hz的频率使用前150个时间步长，可以预测接下来50个时间步长的人类意图，均方误差为0.02（m/s）^2。我们还表明，人类的意图，可以估计在一个人-机器人二元。这项工作是重要的第一步，使未来的工作集成人类意图估计机器人控制器执行短期协作轨迹。
2017-05-30 cs.RO
Minimal Intervention Shared Control with Guaranteed Safety under Non-Convex Constraints
Aalto University（阿alto大学）
本文提出了一种考虑约束的辅助控制器，通过在线计算控制动作，确保递归可行性、严格约束满足和最小偏离用户意图，适用于非凸约束的现实场景。
2026-03-17 cs.HC cs.RO cs.SY
Haptic Shared Control in Steering Operation Based on Cooperative Status Between a Driver and a Driver Assistance System
Ritsumeikan University（立命馆大学）
触觉共享控制有望实现人类和自动化系统之间的顺利协作，因为触觉促进了相互通信。一种共享给定任务的方法对于实现有效的共享控制是重要的。因此，应考虑人类操作员和自动化系统之间的适当合作关系。本文提出了一种方法来评估操作员和自动化系统之间的合作状态，在触觉共享控制的转向操作使用伪功率对每个代理的扭矩和车辆的横向速度作为每个代理的贡献车辆运动。该方法允许我们基于两个轴来估计合作状态：主动持有者和两个代理之间的意图一致性。提出了一种基于估计的协作状态的车道保持辅助系统（LKAS）的控制方法，使驾驶员能够平稳地改变车道。提出了一种基于协作状态估计的增益整定控制方法，以降低意图不一致时辅助系统的伪功率。还提出了一种用于切换跟随车道以匹配驾驶员和辅助系统的意图的方法。使用驾驶模拟器进行用户研究，以证明所提出的方法的有效性。结果表明，所提出的方法有利于顺利驾驶员发起的车道变化，而不会显着影响驾驶员的扭矩或方向盘角度，同时显着提高车道保持性能。
2015-04-22 cs.RO
SAFe-Copilot: Unified Shared Autonomy Framework
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；TRI（丰田研究机构）；MIT LIDS（麻省理工学院领导力与决策科学实验室）
本文提出SAFe-Copilot统一共享自主框架，利用视觉语言模型在语义层面推断驾驶员意图并仲裁人机控制，在模拟、人类调查和Bench2Drive基准上均显著优于纯自主方法。
2025-11-06 cs.RO
HI-GVF: Shared Control based on Human-Influenced Guiding Vector Fields for Human-multi-robot Cooperation
College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）；School of Robotics, Hunan University（湖南大学机器人学院）
针对人-多机器人协作中领导者-跟随者模式限制自主性且遥操作负担重的问题，提出HI-GVF分层共享控制框架，融合意图、保证稳定与避障，并通过多接口消防实验验证其性能提升。
2025-02-17 cs.RO
A Model-Agnostic Approach for Semantically Driven Disambiguation in Human-Robot Interaction
KTH Royal Institute of Technology（瑞典皇家理工学院）；Georgia Institute of Technology（佐治亚理工学院）
本文提出一种模型无关的语义驱动消歧方法，利用知识嵌入模型和迭代预测的信息丰富澄清机制，解决人机交互中欠明确指令导致的物体搜索歧义问题，使机器人在首次尝试即可高效定位目标。
2025-04-02 cs.RO
Impedance Modulation for Negotiating Control Authority in a Haptic Shared Control Paradigm
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；University of Michigan（密歇根大学）
团队成员之间的沟通和合作可以通过身体互动得到显著增强。成功的合作需要将各个合作伙伴的意图纳入共同的行动计划，这可能涉及就意图和作用进行持续的谈判。本文提出了一种自适应触觉共享控制框架，其中人类驾驶员和自动化系统通过电动方向盘物理连接。凭借触觉反馈，驾驶员和自动化系统可以监控彼此的动作，并且仍然可以直观地表达他们的控制意图。本文的目的是开发一个自动化系统的系统模型，可以改变它的阻抗，使控制权可以直观地和顺利地在两个代理之间转换。为此，我们定义了一个代价函数，不仅确保了安全的协作任务，但也考虑到辅助行为的自动化系统。我们采用一种基于修正最小二乘法的预测控制器来调节自动化系统的阻抗，使得代价函数达到最优。结果表明，所提出的方法的意义，谈判的控制权，特别是当人类和自动化是在一个非合作模式。此外，自适应触觉共享控制的性能与传统的固定自动化阻抗触觉共享控制范例进行了比较。
2020-03-20 cs.RO cs.SY eess.SY
Understanding Shared Control for Assistive Robotic Arms
Westphalian University of Applied Sciences（威斯特伐利亚应用科学大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
独立于人类照顾者或完全自主的机器人，过着自主的生活，是运动障碍者维护人类尊严和自我价值的关键因素。辅助机器人解决方案-特别是机器人手臂-经常被部署在家庭护理中，使运动障碍患者能够独立执行ADL。然而，虽然辅助机器人手臂可以帮助他们执行ADL，但由于需要一次控制多个DoF和必要的模式切换，目前可用的控制非常复杂和耗时。这项工作概述了辅助机器人手臂的共享控制方法，旨在提高运动障碍人士的易用性。我们确定了未来研究的三个主要要点：少即是多，挑选和放置事项，以及沟通意图。
2023-03-03 cs.HC cs.RO
Multi-Agent Embodied Autonomous Driving (MAEAD): From V2X Information Exchange to Shared World Models
Lingnan University, Hong Kong（岭南大学（香港））
本文综述了从单车智能向多智能体具身系统转变的自动驾驶技术，通过共享世界模型实现感知共享、意图推断和协同规划，并指出了在仿真评估、实时安全保证等方面的研究空白。
2026-08-20 cs.CV cs.RO
DiSCo: Diffusion Sequence Copilots for Shared Autonomy
University of California, Los Angeles（加州大学洛杉矶分校）
DiSCo通过扩散策略规划与用户动作一致的动作序列，提升复杂系统控制性能，适用于模拟驾驶和机械臂任务。
2026-08-11 cs.HC cs.RO
Designing Intent: A Multimodal Framework for Human-Robot Cooperation in Industrial Workspaces
Aalto University（阿alto大学）；TU Wien（维也纳技术大学）
本文提出一个基于SAT框架的多维设计空间，用于工业人机协作中意图沟通，涵盖内容、规划视野和模态，旨在指导多模态策略设计并奠定透明交互工具包基础。
2025-06-18 cs.HC cs.RO
Confidence-based Intent Prediction for Teleoperation in Bimanual Robotic Suturing
Department of Mechanical Engineering, Imperial College London（机械工程系，帝国理工学院伦敦分校）；Department of Surgery & Cancer, Imperial College London（外科与癌症系，帝国理工学院伦敦分校）；Department of Engineering and Design, University of Sussex（工程与设计系，Sussex大学）；Department of Bioengineering, Imperial College London（生物工程系，帝国理工学院伦敦分校）
针对机器人手术遥操作面临的挑战，提出一种在高低层预测操作员意图的交互式控制策略，结合Transformer手势分类与基于置信度的意图同化控制器，显著提升了任务完成时间和用户满意度。
2025-04-29 cs.HC cs.RO
Gaze2Act: Gaze-Conditioned Vision-Language-Action Policies for Interactive Robot Manipulation
MARS Lab, Nanyang Technological University（MARS实验室，南洋理工大学）
提出Gaze2Act框架，通过将人类注视作为动态意图信号，结合跨视角语义匹配和策略级条件化，实现机器人对复杂交互任务的精确操作。
2026-05-28 cs.RO
End-to-end Optimization of Belief and Policy Learning in Shared Autonomy Paradigms
University of Rhode Island（罗德岛大学）
BRACE框架通过整合信念信息与策略学习，提升了机器人在复杂目标模糊场景中的自主性和效率，实现了更高的成功率和路径效率。
2026-01-30 cs.AI cs.HC cs.LG
What Is My Robot Thinking? Design Considerations for Transparent and Trustworthy Shared Autonomy
Kahlert School of Computing, University of Utah（犹他大学计算学院）；Robotics Center, University of Utah（犹他大学机器人中心）
通过用户实验研究共享自主系统中界面透明度（反馈模态和信息丰富度）对协调与信任的影响，发现反馈提高意图对齐、减少纠正干预，视觉优于听觉，信息丰富度偏好依赖任务复杂度，揭示完整信念分布并不一致提升对齐或信任。
2026-06-23 cs.RO
Shared Autonomy through LLMs and Reinforcement Learning for Applications to Ship Hull Inspections
Dept. of Information Engineering University of Pisa, Italy Pisa, Italy（信息工程系 乌迪内大学 乌迪内，意大利）
本文针对海事领域复杂高风险环境下的人机协作需求，提出结合LLMs、人在回路多智能体框架和基于行为树的模块化任务管理器的共享自主方案，初步验证了其降低认知负荷等效果，为海事人机协作自主系统奠基。
2025-09-05 cs.RO
Diffusion-SAFE: Diffusion-Native Human-to-Robot Driving Handover for Shared Autonomy
Stanford University（斯坦福大学）
Diffusion-SAFE通过基于扩散模型的闭环框架实现安全的人机协同驾驶交接，支持从演示中直接进行安全评估和计划生成，实验显示在模拟和真实赛车中均取得高交接成功率。
2026-03-06 cs.RO
RICO-MR: An Open-Source Architecture for Robot Intent Communication through Mixed Reality
University of Genoa（热那亚大学）
本文提出RICO-MR开源架构，利用混合现实和头戴式显示器向人类队友传达机器人意图，具备模块化、可重用和可扩展特性，支持独立使用或集成开发，适用于多机器人与人类的复杂协作场景。
2023-09-09 cs.RO
Robust Robot-assisted Tele-grasping Through Intent-Uncertainty-Aware Planning
Colorado School of Mines（科罗拉多矿业学院）；Duke University（杜克大学）
在遥操作中，研究主要集中在目标接近，我们处理更具挑战性的对象操作任务，通过推进共享控制技术。由于特定操作任务的精细运动约束要求，适当地操作对象是具有挑战性的。虽然这些运动约束是任务成功的关键，但在观察模糊的人体运动时，它们往往是微妙的。非具体化问题和人类和机器人手之间的物理差异带来了额外的不确定性，进一步夸大了对象操作任务的复杂性。此外，还缺乏规划和建模技术，可以有效地结合人类和机器人代理的运动输入，同时考虑人类意图的模糊性。为了克服这一挑战，我们建立了一个多任务机器人抓取模型，并开发了一个意图不确定性感知的抓取规划器，以生成鲁棒的抓取姿势，给出了模糊的人类意图推理输入。有了这些经过验证的建模和规划技术，预计将扩展远程操作机器人的功能和采用实际的远程操作场景。
2020-05-19 cs.RO
Design and Implementation of a Human-Robot Joint Action Framework using Augmented Reality and Eye Gaze
Monash University（莫纳什大学）；University of Victoria（维多利亚大学）
当人类共同完成一项联合任务时，每个人都会建立一个关于情况及其演变的内部模型。有效的协作取决于这些个体模型如何重叠以在团队成员之间形成共享的心理模型，这对于人机团队中的协作过程非常重要。准确的共享心智模型的开发和维护需要个人意图的双向沟通以及解释其他团队成员意图的能力。为了实现有效的人机协作，提出了一种新的人机协作联合行动框架的设计与实现，该框架利用增强现实（AR）技术和用户眼睛注视实现意图的双向交流。我们通过一项有37名参与者的用户研究测试了我们的新框架，发现我们的系统提高了任务效率、信任度和任务流畅性。因此，使用AR和眼睛凝视来实现双向通信是改善影响人类和机器人之间协作的核心组件的一种有前途的方法。
2022-08-25 cs.RO
Natural Gradient Shared Control
Machine Learning and Robotics Lab, University of Stuttgart（斯图加特大学机器学习与机器人实验室）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们提出了一个形式主义的共享控制，这是定义一个政策，融合用户控制和自主控制的问题。共享自治系统带来的挑战是在允许机器人支持用户的同时保持用户控制权限。这可以通过强制约束或在意图明确时采取最佳行动来实现。我们提出的解决方案依赖于自然梯度出现的机器人和共享政策之间的分歧约束。我们近似的Fisher信息采样学习机器人的政策和计算局部梯度，以增加用户控制时，必要的。对操作任务进行的用户研究表明，我们的方法可以更有效地完成任务，同时保持对一些基线方法的控制权。
2020-07-30 cs.RO
A Supervised Machine Learning Approach to Operator Intent Recognition for Teleoperated Mobile Robot Navigation
University of West Attica（西阿提卡大学）；University of Manchester（曼彻斯特大学）；University of Birmingham（伯明翰大学）
面向全/半遥控移动机器人，提出MLOII方法，通过传感器空间数据与监督学习在线推断操作者导航目标，并在模拟探索与巡检任务中验证其性能可比现有最先进方法。
2023-04-27 cs.RO
Disentangled Sequence Clustering for Human Intention Inference
Imperial College London（帝国理工学院）
让机器人具备推断人类意图的能力是有效协作的重要前提。大多数实现这一目标的计算方法得出的概率分布的“意图”的机器人的感知状态的条件。然而，这些方法通常假设人类意图的任务特定标签是先验已知的。为了克服这一限制，我们提出了解纠缠序列聚类变分自编码器（DiSCVAE），一个聚类框架，能够学习这样的意图分布在一个无监督的方式。该框架利用无监督学习的最新进展来解开序列数据的潜在表示，将时变局部特征与时不变全局属性分离。作为一种新的扩展，DiSCVAE还推断出一个离散变量，形成一个潜在的混合模型，从而使这些全局序列的概念，如高层次的意图聚类。我们评估了使用机器人轮椅收集的真实世界的人机交互数据集上的DiSCVAE。我们的研究结果表明，推断出的离散变量与人类的意图相吻合，为协作设置，如共享控制，持有承诺。
2022-08-01 cs.LG cs.RO
SHARE: Sharing Human Actions across Robot Embodiments through Unified Retargeting and Tracking
JD Explore Academy（京东探索学院）
提出AdaMorph统一框架，利用具身感知自适应变换器将人体运动重定向到多种机器人形态，实现零样本泛化。
2026-10-14 cs.RO
Glance-Say: Multimodal Human-Robot Collaboration and Intent Recognition via Sticky Glance
University of Tuebingen（图宾根大学）；Nanyang Technological University（南洋理工大学）；Mercedes-Benz（梅赛德斯-奔驰）
针对运动障碍者，本文提出多模态交互框架，用粘性注视算法稳定基于注视的意图，引入注视-语音交互范式及共享控制方案，实验表明其在目标跟踪、选择精度及任务时长上效果更佳。
2026-07-07 cs.RO
Dreaming to Assist: Learning to Align with Human Objectives for Shared Control in High-Speed Racing
Toyota Research Institute（丰田研究所）
提出Dream2Assist框架，结合循环状态空间模型推断人类意图，使辅助智能体在高速赛车中提供对齐人类目标的专家协助，实验证明其优于基线策略并提升团队性能。
2024-10-14 cs.AI cs.HC cs.RO
Environment Design for Reliable Shared Autonomy with Probabilistic Guarantees
University of Colorado Boulder（科罗拉多大学博尔德分校）
研究共享自主性中工作空间设计对意图推理的影响，通过将其公式化为优化问题并在有界噪声模型下得出概率保证，经模拟实验验证优化布局可提高目标推理可靠性，还展示了集成该框架的现实系统，凸显环境设计的作用。
2026-07-20 cs.RO
Blending Primitive Policies in Shared Control for Assisted Teleoperation
Preferred Networks Inc.（首选网络公司）
运动原语具有适应机器人状态变化的属性，同时保持对原始策略的吸引力。因此，我们调查使用原语作为一种混合机制，考虑到从原始政策的状态偏差是由用户输入。当原语从用户输入中恢复时，它隐式地混合了人类和机器人策略，而不需要它们的权重-称为仲裁。在本文中，我们采用了动态运动原语（DMPs），这使我们能够避免多次演示的需要，并且速度足够快，可以实现大量的实例化，每个实例对应于人类意图的每个假设。用户研究辅助遥操作任务，达到多个目标和动态避障。实现了与传统遥控操作相当的性能，同时显着减少了人为干预，通常超过60%。
2022-04-14 cs.RO
Aligning Learning with Communication in Shared Autonomy
Virginia Tech（弗吉尼亚理工大学）
本研究探讨共享自主中机器人向人类通信其学习协助的影响，发现通信改变人类干预行为，并据此改进学习算法，使通信与学习结合优于单独使用任一方法。
2024-03-18 cs.RO
Residual Policy Learning for Shared Autonomy
Toyota Technological Institute at Chicago（丰田工业大学芝加哥分校）
共享自治为人机协作提供了一个有效的框架，利用人类和机器人的互补优势来实现共同的目标。许多现有的共享自治方法都做出了限制性的假设，即目标空间、环境动态或人类策略是先验已知的，或者仅限于离散的动作空间，从而阻止了这些方法扩展到复杂的现实世界环境。我们提出了一个无模型的，剩余的策略学习算法共享自治，强调这些假设的需要。我们的智能体经过训练，可以最小限度地调整人类的行为，从而满足一组与目标无关的约束。我们在两个连续的控制环境中测试我们的方法：月球着陆器，一个二维飞行控制域，和一个6自由度的四旋翼达到任务。在人类和代理飞行员的实验中，我们的方法显着提高了任务性能，而没有任何知识的人的目标超出了限制。这些结果突出了无模型深度强化学习的能力，以实现适合于连续控制设置的辅助代理，用户意图的知识很少。
2020-07-10 cs.RO
LUCID: Learning Embodiment-Agnostic Intent Models from Unstructured Human Videos for Scalable Dexterous Robot Skill Acquisition
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
提出LUCID两阶段框架，从互联网规模的非结构化人类视频学习任务意图，并在大规模并行仿真中学习机器人控制，实现零样本迁移到不同具身和场景。
2026-06-11 cs.AI cs.RO
Adaptive Motion Planning via Contact-Based Intent Inference for Human-Robot Collaboration
Department of Mechanical Engineering, Texas A&M University（机械工程系，德克萨斯A&M大学）；Department of Civil and Environmental Engineering, Texas A&M University（土木与环境工程系，德克萨斯A&M大学）
针对人机协作中机器人需适应人类意图的问题，提出接触信息自适应运动规划框架，通过力估计和接触检测推断意图并在线修正运动，实验验证了其有效性。
2025-10-09 cs.RO
Learning Personalized Safety Interventions for Haptic Human-Robot Shared Control
研究针对现有触觉引导系统不足，提出LfH框架，通过从稀疏演示中学习用户偏好的安全干预，基于可微CBF优化层自动调整参数，经实验验证可学习个性化安全干预并减少反馈与偏好的不匹配。
2026-07-23 cs.RO
Airy: Reading Robot Intent through Height and Sky
Hong Kong University of Science and Technology（香港理工大学）；Central Academy of Fine Arts（中央美术学院）；Lingnan University（岭南大学）
Airy 通过两台强化学习机械臂抛床单的比赛，利用竞争、具身熟悉感和感官映射原则，将多智能体AI的决策过程转化为直观可读的公共界面。
2025-10-09 cs.AI cs.RO
Learning a Shared Model for Motorized Prosthetic Joints to Predict Ankle-Joint Motion
University of Goettingen（哥廷根大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）；University Medical Center Goettingen（哥廷根大学医学中心）
主动假肢或矫形器的控制策略使用传感器输入来识别用户的运动意图并生成用于产生期望运动的相应控制命令。在本文中，我们提出了一个基于学习的共享模型，用于预测不同运动模式的踝关节运动，如平地行走，楼梯上升，楼梯下降，斜坡上升和斜坡下降，而不需要对它们进行分类。从髋关节和膝关节角运动中提取的特征用于使用基于前馈神经网络的共享模型连续预测踝关节角度和力矩。我们发现，共享模型是足够的预测踝关节的角度和时刻不同的运动模式，而不明确的模式之间的分类。所提出的策略显示了设计一个高层次的控制器的智能假肢踝关节，可以适应不同的运动模式的潜力。
2021-11-14 cs.LG cs.RO stat.AP
