HARMONIC: A Multimodal Dataset of Assistive Human-Robot Collaboration
Carnegie Mellon University（卡内基梅隆大学）；University of Washington（华盛顿大学）
我们提出了人类和机器人自然交互协作（HARMONIC）数据集的多模态观测。这是一个大型的多模态数据集，人类与机器人手臂在一个共享的自主设置中进行交互，旨在模仿辅助进食。该数据集提供了24个不同的人用6自由度（DOF）机器人手臂参与辅助进食任务的人类，机器人和环境数据视图。从每个参与者那里，我们记录了双眼的视频，来自头戴式摄像机的以自我为中心的视频，操纵杆命令，来自用于操作操纵杆的前臂的肌电图，第三人称立体视频，还包括作为这些记录的直接结果的几个特征，例如投射到以自我为中心的视频上的眼睛注视、身体姿势、手部姿势和面部关键点。这些数据流是专门收集的，因为它们已被证明与人类的心理状态和意图密切相关。这个数据集可能对研究意图预测、人类心理状态建模和共享自主性的研究人员感兴趣。数据流以各种格式提供，如视频和人类可读的CSV和YAML文件。
2020-07-31 cs.HC cs.RO
A Dialogue-Based Human-Robot Interaction Protocol for Wheelchair and Robotic Arm Integrated Control
Saint Louis University（圣路易斯大学）
本文提出一种基于对话的人机交互协议，通过轮椅和机械臂的集成控制提升脊髓损伤和上肢障碍患者的生活质量。
2026-02-05 cs.HC cs.RO
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
Customized Handling of Unintended Interface Operation in Assistive Robots
Northwestern University（西北大学）；Shirley Ryan AbilityLab（雪莉·瑞安能力实验室）
我们提出了一个辅助系统的原因，在机器人遥操作过程中，以提供适当的纠正意外的行为有关的人的预期行动。我们在机器人遥操作过程中与控制界面的人的物理交互建模，并明确区分预期和测量的物理动作。通过使用基于模型的推理技术对未观察到的意图进行推理，我们的辅助系统提供了对用户发出的命令的自定义更正。我们验证我们的算法与10人的人类受试者的研究中，我们评估所提出的援助范例的性能。我们的研究结果表明，协助范例有助于显着减少任务完成时间，模式切换的数量，认知工作量，和用户的挫折感，提高整体用户满意度。
2020-11-05 cs.AI cs.RO
Design of Fuzzy Logic Parameter Tuners for Upper-Limb Assistive Robots
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
针对上肢辅助外骨骼机器人超参数需频繁手动调节的问题，本文提出基于专家规则的模糊逻辑控制器，根据肌肉激活动态调节增益参数，并在三项任务中验证其能有效减少人机对抗。
2024-05-03 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
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
TEGA: A Tactile-Enhanced Grasping Assistant for Assistive Robotics via Sensor Fusion and Closed-Loop Haptic Feedback
Department of Civil and Coastal Engineering, University of Florida（土木与海岸工程系，佛罗里达大学）；Nvidia（英伟达）
TEGA通过融合EMG意图到力推断与触觉传感，提供闭环触觉反馈，提升残疾用户抓取稳定性与任务成功率。
2026-03-05 cs.RO
Gaze-Guided 3D Hand Motion Prediction for Detecting Intent in Egocentric Grasping Tasks
Delft University of Technology（代尔夫特理工大学）
提出一种视线引导的3D手部运动预测方法，结合历史运动与环境数据，利用向量量化变分自编码器和自回归生成Transformer预测手部姿态以检测抓取意图，显著提升了少输入帧下的预测能力。
2025-03-27 cs.AI cs.CV cs.RO
This Was (Not) Intended: How Intent Communication and Biometrics Can Enhance Social Interactions With Robots
TU Wien（维也纳工业大学）；University of Duisburg-Essen（杜伊斯堡-埃森大学）
社会辅助机器人（SAR）是一种机器人，旨在复制护理人员，教练或教师的角色，提供情感，认知和社交线索以支持特定群体。SAR正变得越来越普遍，尤其是在老年护理领域。有效的沟通，显式和隐式的，是一个关键方面的人机交互涉及SAR。意图沟通是SAR与人类进行有效沟通的必要条件。生物识别技术可以提供有关一个人的身份或情绪的重要信息。通过将这些生物特征信号与意图的沟通联系起来，SAR可以深入了解用户，并相应地调整他们的交互。可靠和强大的生物传感和分析系统的发展是SAR成功的关键。在这项工作中，我们专注于四个不同的方面来评估涉及SAR的意图的沟通，现有的作品，以及我们对未来的作品和应用的展望。
2023-03-20 cs.RO
Do Mistakes Matter? Comparing Trust Responses of Different Age Groups to Errors Made by Physically Assistive Robots
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本研究探讨物理辅助机器人在洗澡和喂食任务中犯错对不同年龄组用户信任的影响，发现错误对信任的影响因年龄和任务而异，老年人对机器人的信任比年轻人更能抵御错误。
2024-08-23 cs.RO
Communicating Robot's Intentions while Assisting Users via Augmented Reality
Honda Research Institute Europe（欧洲本田研究院）
针对辅助机器人协作中用户难预判机器人意图的问题，提出用增强现实传达机器人意图与预期动作的方案，以实现流畅直观的人机交互。
2023-08-21 cs.HC cs.RO
Real-Time sEMG-Based Telecontrol of an Assistive Robotic Arm Using a 1D Convolutional Neural Network
Polytechnique Montréal（蒙特利尔综合理工大学）
研究上肢运动障碍者用sEMG控制辅助机器人手臂的问题，核心方法是基于一维卷积神经网络，主要贡献是实现高分类性能、稳定实时行为，证明sEMG遥操作可行性，强调整合多技术的重要性，为后续研究指明方向。
2026-10-05 cs.RO
Neuromuscular Modeling for Locomotion with Wearable Assistive Robots -- A primer
University of Twente（特文特大学）；McGill University（麦吉尔大学）；Jewish Rehabilitation Hospital（犹太康复医院）
本文为可穿戴辅助机器人的神经肌肉建模提供入门指南，涵盖运动神经力学、模型及控制器，旨在促进神经生理学与生物机电工程协作，实现直观控制。
2024-07-19 cs.RO
Enhancing Robot Assistive Behaviour with Reinforcement Learning and Theory of Mind
Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究 institute（IIIA-CSIC））；Department of Electrical Engineering and Information Technologies（电气工程与信息科技系）；University of Naples Federico II（那不勒斯费德里科二世大学）
本研究提出结合Q-learning与心智理论（ToM）的双层架构，通过56人真实场景实验验证，具备ToM能力的自适应机器人能显著提升用户表现、辅助接受度及意图识别感知。
2024-11-11 cs.AI cs.HC 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
Improving Robotic Arms through Natural Language Processing, Computer Vision, and Edge Computing
Saint Louis University（圣路易斯大学）
本文提出一种结合边缘计算、自然语言处理和计算机视觉的辅助机器人原型，利用LLM和视觉系统协同解释并执行自然语言复杂指令，实验表明该系统在意图识别与物体操作上表现优异，显著提升了残疾用户的交互体验。
2024-10-10 cs.RO
Credit Assignment Safety Learning from Human Demonstrations
Ecole Polytechnique Federal de Lausanne（洛桑联邦理工学院）
辅助机器人技术（例如用于导航的辅助轮椅）的一个关键需求是需要通过用户交互来学习任务意图和安全保证，以确保安全的任务性能。对于用户的目标不容易定义的任务，从用户演示中学习是实现学习的关键步骤。然而，大多数机器人学习从演示（LfD）方法主要依赖于最佳演示，以成功地学习控制策略，这可能是具有挑战性的新手用户获得。最近的工作确实使用次优和失败的演示来了解任务意图;很少有人关注学习安全保证以防止重复失败，这对辅助机器人至关重要。此外，交互式人类-机器人学习旨在最小化人类用户的努力以促进在现实世界中的部署。因此，要求用户标记来自演示的不安全状态或关键帧不应该是学习的必要要求。在这里，我们提出了一种算法来学习一个安全价值函数从一组次优和失败的演示，用于生成一个实时的安全控制过滤器。重要的是，我们开发了一种信用分配方法，该方法从失败的演示中提取失败状态，而不需要人为标记或预先指定的不安全区域的知识。此外，我们扩展我们的配方，允许用户特定的安全功能，通过将用户定义的安全排名，我们可以根据用户的喜好生成安全水平集。通过使用次优和失败的演示和开发的信用分配配方，我们使学习的安全价值函数，需要从用户的努力最小，使其更可行的广泛使用的人机交互学习任务。
2021-10-09 cs.RO
Constraint-Aware Intent Estimation for Dynamic Human-Robot Object Co-Manipulation
University of Pennsylvania（宾夕法尼亚大学）
本文提出一种约束感知的实时意图估计与控制框架，利用动态系统模型和粒子滤波预测人类意图，并通过可变阻抗控制实现安全有效的人机协同操作。
2024-08-30 cs.RO
Learning Multimodal Confidence for Intention Recognition in Human-Robot Interaction
Southeast University（东南大学）
针对人机协作中多模态融合意图识别的不确定性问题，提出结合贝叶斯融合与批量置信度学习的BMCLOP框架，在六自由度机器人实验中性能优于基线方法。
2024-05-23 cs.HC cs.LG cs.RO
Graceful User Following for Mobile Balance Assistive Robot in Daily Activities Assistance
Nanyang Technological University（南洋理工大学）；Rehabilitation Research Institute of Singapore（新加坡康复研究所）；Tan Tock Seng Hospital（陈笃生医院）
本文提出一种家用移动平衡辅助机器人MRBA及其优雅用户跟随控制方法，通过三自由度机械臂、人机接口和带扰动抑制的LQR控制器，实现康复训练与日常活动辅助。
2023-04-18 cs.RO cs.SY eess.SY
A Personalized Household Assistive Robot that Learns and Creates New Breakfast Options through Human-Robot Interaction
University of Waterloo（滑铁卢大学）
本文提出一种家用辅助机器人认知架构，结合感知学习、记忆模型与任务规划，使Fetch机器人能从用户学习个性化早餐选项并创造全新早餐方案。
2023-06-30 cs.AI cs.HC cs.RO
AnyUser: Translating Sketched User Intent into Domestic Robots
College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院）；National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University（湖南大学国家机器人视觉感知与控制技术工程研究中心）
AnyUser通过相机图像上的自由形式草图（可选语言）实现直观的家庭任务指令，利用多模态输入生成无需先验地图或模型的可执行机器人动作，通过大量评估验证其在不同模拟家庭场景中的高准确性和真实环境中的可靠性。
2026-04-06 cs.CV cs.HC cs.RO
Multimodal Uncertainty Reduction for Intention Recognition in Human-Robot Interaction
TU Darmstadt（达姆施塔特工业大学）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；Goethe University（歌德大学）
辅助机器人可以通过支持日常生活活动来提高老年人的生活质量和个人独立性。为了保证人与机器人之间安全直观的交互，需要自动识别人类意图。由于人类多模态地传达他们的意图，使用多个模态进行意图识别不仅可以增加对单个模态失败的鲁棒性，而且特别地减少了关于要预测的意图的不确定性。这是可取的，特别是在机器人和潜在的脆弱的人类之间的直接交互的情况下，最小的不确定性，以及关于这种实际的不确定性的知识是必要的。因此，在现有的方法相比，在这项工作中，多模态意图识别的新方法，重点是通过分类器融合的不确定性降低。对于四个考虑的模态语音，手势，注视方向和场景对象的个人意图分类器进行训练，所有这些输出的概率分布在所有可能的意图。通过使用贝叶斯方法独立意见池组合这些输出分布，可以减少关于要识别的意图的不确定性。该方法在一个7自由度的机器人手臂的协作人机交互任务进行评估。结果表明，融合分类器，结合多种形式优于各自的基础分类器，提高精度，鲁棒性，减少不确定性。
2019-07-04 cs.HC cs.LG cs.RO
Gaze-based intention estimation: principles, methodologies, and applications in HRI
Honda Research Institute Europe（本田欧洲研究所）
该综述梳理了视觉运动控制的心理学原理，探讨了眼动追踪及基于眼动的模型在人机交互意图识别中的主流方法与应用，并指出了系统设计需考虑的人因问题与局限性。
2023-02-09 cs.AI cs.HC cs.RO
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
CoRI: Communication of Robot Intent for Physical Human-Robot Interaction
Carnegie Mellon University（卡内基梅隆大学）；Honda Research Institute USA（本田研究所美国）
提出 CoRI 流水线，由运动规划与视觉感知自动生成机器人动作说明；用户研究表明其在辅助喂食、洗浴和剃须任务中显著提升意图与运动细节传达清晰度。
2025-08-29 cs.RO
Bidirectional Intent Communication: A Role for Large Foundation Models
TU Chemnitz（开姆尼茨工业大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Technical University of Munich（慕尼黑工业大学）；Centre for Applied Autonomous Sensor Systems (AASS), Örebro University（厄勒布鲁大学应用自主传感系统中心）
本文提出Bident框架，利用多模态基础模型实现双向人机意图通信，通过语音和注视等输入及言语和手势输出，支持个性化教育和医疗保健等应用。
2024-08-20 cs.HC cs.RO
An Optimal Assistive Control Strategy based on User's Motor Goal Estimation
ATR Computational Neuroscience Labs（ATR计算神经科学实验室）
在这项研究中，我们提出了一个最佳的辅助控制策略，使用估计用户的运动意图作为终端成本函数。我们通过观察人类用户的关节角度，角速度和肌肉活动在很短的时间内估计的运动意图。从观察到的用户的运动数据中提取任务相关的低维特征空间。我们假设与不同目标任务相关的离散数量的最优控制律是预先计算的。然后，基于线性Bellman组合方法，通过混合预先计算的最优控制律，得到最优辅助策略。基于表示用户的移动意图的低维特征值来导出确定如何混合控制律的系数。为了验证我们提出的方法，我们进行了篮球投掷任务。在这些实验中，受试者被要求将篮球扔进一个放置在不同投掷距离的篮筐中。该方法利用用户的运动意图来估计投掷点到篮筐的距离，并利用该方法得到最优控制策略。结果表明，受试者的篮球投掷成绩有较大提高。
2019-09-05 cs.RO
Multimodal Human-Intent Modeling for Contextual Robot-to-Human Handovers of Arbitrary Objects
Departmant of Computer Science, Purdue University（计算机科学系，普渡大学）
本文提出一种统一方法，利用人类口头和非口头命令选择目标物体，并情境化人类隐性和显性偏好以生成机器人抓取和顺从交接运动，通过真实实验和用户研究验证了其在任意日常物体交接任务中的有效性。
2025-08-05 cs.RO
Adaptor: Advancing Assistive Teleoperation with Few-Shot Learning and Cross-Operator Generalization
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；IO-AI TECH
Adaptor通过少样本学习和跨操作者泛化方法，提升辅助远程操作中意图识别的鲁棒性，实验表明其在真实和模拟基准上表现优异，具备低方差和跨操作者泛化能力。
2026-04-10 cs.RO
A Reactive performance-based Shared Control Framework for Assistive Robotic Manipulators
University of Málaga（马拉加大学）；Istituto Italiano di Tecnologia（意大利理工学院）
本文提出一种基于局部性能加权的新型AAN反应式共享控制框架，用于辅助机器人夹持器，可按需为用户提供帮助，实验验证其能提升性能、降低误差且不影响力学参数。
2023-11-06 cs.RO
Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion
Department of Automation, University of Science and Technology of China（自动化系，中国科学技术大学）；Department of Automation, Hefei University of Technology（自动化系，合肥工业大学）；National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统国家重点实验室）
针对共享自主系统中机器人意图不透明导致用户控制效率低的问题，提出通过可理解运动隐式传达机器人信念，并基于置信度自适应分配控制权，实验证明该方法显著提升用户对机器人信念的理解并减少控制负担。
2026-07-16 cs.HC cs.RO
Tactile-Based Human Intent Recognition for Robot Assistive Navigation
Electrical & Computer Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电气与计算机工程系）；Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院）
针对机器人辅助导航中传统接口不直观的问题，本文提出Tac-Nav系统，利用圆柱形触觉皮肤并结合CK-SVM算法实现鲁棒的人体导航意图识别，在模拟和真实数据上均优于基线模型，且用户偏好度更高。
2025-09-19 cs.RO
Robots Taking Initiative in Collaborative Object Manipulation: Lessons from Physical Human-Human Interaction
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Ljubljana（卢布尔雅那大学）
本文研究物理人-人交互中基于力信号的协商机制，提出新任务与分类法，提取力-运动学特征以识别意图并构建实时分类器，推动机器人在协作操作中发挥主动性。
2023-07-30 cs.RO
Learning Human-Aware Robot Policies for Adaptive Assistance
Stony Brook University（石溪大学）；Peking University（北京大学）
本文提出一种通过交互推断人类意图与效用函数的机器人自适应辅助框架，结合运动预测与渐进式效用推断，在多种任务中提升了任务成功率、效率和用户满意度。
2024-12-27 cs.RO
Assistive Tele-op: Leveraging Transformers to Collect Robotic Task Demonstrations
NVIDIA（英伟达）；Georgia Institute of Technology（佐治亚理工学院）
在机器人和人类操作员之间共享自主权可以促进机器人任务演示的数据汇集，以不断改进学习模型。然而，人类和机器人之间沟通未来意图和原因的方式是不同的。我们提出了辅助远程操作，虚拟现实（VR）系统，用于收集机器人任务演示，显示自主轨迹预测，以传达机器人的意图。当机器人移动时，用户可以在需要时在自主控制和手动控制之间切换。这使得用户能够以高成功率和比手动遥控操作系统更容易的方式收集任务演示。我们的系统是由Transformers供电的，它可以提供一个潜在的状态和行动的窗口到未来-几乎没有增加计算时间。一个关键的见解是，如果用户认为模型预测的动作不合适，则可以在Transformer序列中的任何位置注入人类意图。在每一个时间步，用户可以（1）什么都不做，并允许自主操作继续，同时观察机器人的未来计划序列，或者（2）接管并立即规定一组不同的动作，以将模型推回到轨道上。我们在https://sites.google.com/view/assistive-teleop上提供视频和其他补充材料。
2021-12-09 cs.RO
Sequential Decision Fusion for Environmental Classification in Assistive Walking
Southern University of Science and Technology（南方科技大学）；The University of British Columbia（不列颠哥伦比亚大学）
动力假肢可以有效地帮助截肢者在平地上行走，但这些设备在复杂的环境中使用不方便。假肢需要了解截肢者的运动意图，以帮助他们在复杂的环境中行走。最近，研究人员发现，他们可以使用视觉传感器对环境进行分类，并预测截肢者的运动意图。以往的研究者在离线分析中能够准确地对环境进行分类，但忽略了减少相应的时延。为了提高环境分类的准确率和降低分类时延，提出了一种新的决策融合方法。通过构造隐马尔可夫模型和设计转移概率矩阵，对环境分类的序贯决策进行融合。我们通过邀请身体健全的受试者和截肢者进行室内和室外实验来评估我们的方法。实验结果表明，我们的方法可以更准确地分类环境，比以前的方法具有更少的时间延迟。除了分类环境，所提出的决策融合方法还可以优化未来人体运动意图的顺序预测。
2019-08-21 cs.RO
The Effect of Trust and its Antecedents on Robot Acceptance
University of Southern California（南加州大学）
本研究通过亚马逊土耳其机器人实验（n=239）探究信任及其前因对机器人接受度的影响，发现可信度与信任依次中介第一印象与行为意图的关系。
2023-11-11 cs.HC cs.RO
Applied Exoskeleton Technology: A Comprehensive Review of Physical and Cognitive Human-Robot Interaction
Institute for Intelligent Systems Research and Innovation (IISRI), Deakin University（迪肯大学智能系统研究与创新研究所（IISRI））
外骨骼和矫形器是可穿戴的移动系统，为用户提供机械益处。尽管在过去的几十年里有了显著的改进，但该技术还没有完全成熟，无法用于繁重和非编程的任务。为了弥补这一不足，需要分析和改进这一技术的不同方面。许多研究试图解决外骨骼的一些方面，例如机制设计、意图预测和控制方案。然而，大多数作品都集中在设计或应用的特定元素，而没有提供一个全面的审查框架。本研究旨在分析和调查该技术的改进和广泛采用的贡献方面。为了解决这个问题，在引入辅助设备和外骨骼之后，将从物理人机交互（HRI）的角度研究主要设计标准。为了建立一个智能的HRI策略，使用户直观的控制，认知HRI将调查后，简要介绍了各种方法，他们的控制策略。这项研究将通过概述不同类别的已知辅助设备的几个例子来进一步发展。并将讨论一些外骨骼选择和可能缓解当前限制的指导方针。
2023-03-22 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
Robotic Cane as a Soft SuperLimb for Elderly Sit-to-Stand Assistance
Southern University of Science and Technology（南方科技大学）
许多研究人员已经确定机器人技术是许多发达国家和发展中国家面临的人口老龄化问题的潜在解决方案。如果是这样，我们应该如何通过设计解决老年辅助机器人的认知接受和环境控制？在本文中，我们提出了一个探索性的设计环境的SuperLimb（多余的机器人肢体）系统，涉及一个机械驱动的机器人拐杖在家里的运动辅助，符合人机交互的充气背心，和一个深度传感器周围的意图检测。建议的系统旨在为老人在家中的床边、椅子上和厕所上提供从坐到站的过渡期间的主动协助。我们提出了一个修改后的生物力学模型与线性手杖机器人的闭环控制实施。我们验证了所提出的环境SuperLimb系统的设计可行性，包括生物力学模型，我们的结果显示了减少下肢努力和老年人跌倒风险的优势，但使用深度传感和模型调整的检测精度仍需要进一步研究。尽管如此，我们总结了经验指南，以支持环境设计的老年辅助SuperLimb系统下肢功能增强。
2020-02-29 cs.LG cs.RO
Non-invasive Cognitive-level Human Interfacing for the Robotic Restoration of Reaching & Grasping
Imperial College London（帝国理工学院）；MRC London Institute of Medical Sciences（英国医学研究理事会伦敦医学科学研究所）；Data Science Institute（数据科学研究所）
辅助和可穿戴机器人技术有可能支持患有不同类型运动障碍的人变得独立并成功地完成日常生活活动。然而，这些机器人系统的成功依赖于有意义地解码人类行动意图并适当地执行它们的能力。神经接口已经被探索用于这种系统中，取得了一些成功，然而，它们往往是侵入性的，需要几个月的训练期。我们提出了一个机器人系统，用于人类增强，能够驱动用户的手臂和手指，有效地恢复达到，抓住和操纵物体的能力;仅通过用户的眼球运动控制。我们结合可穿戴眼动追踪，环境的视觉背景和人类行为的结构语法，以创建一个认知水平的辅助机器人设置，使用户能够完成日常生活活动，同时保存可解释性和用户的代理。接口在5分钟内完成磨损、校准和准备使用。用户通过额外的5分钟互动学习控制和成功使用系统。用5名健康参与者对该系统进行测试，在6项任务中首次尝试的平均成功率为$96.6\%$。
2021-02-25 cs.AI cs.RO
Comparing Apples to Oranges: LLM-powered Multimodal Intention Prediction in an Object Categorization Task
University of Hamburg（汉堡大学）
本文研究利用大语言模型在人与机器人协作分类任务中预测人类意图，提出融合手势、姿势、表情、环境状态和语言线索的分层多模态方法，并在五个LLM上验证了其推理潜力。
2025-04-08 cs.AI cs.HC cs.RO
Gaze-based, Context-aware Robotic System for Assisted Reaching and Grasping
Imperial College London（帝国理工学院）
辅助机器人系统致力于支持那些有运动障碍的人，使他们能够再次移动并恢复功能。这些系统的主要问题是其低级控制的复杂性，以及如何将其转换为更简单，更高级的命令，这些命令对于人类用户来说是简单和直观的。我们已经创建了一个多模态系统，由不同的传感，决策和驱动方式组成，从而实现直观的人在回路辅助机器人。该系统从用户的凝视中获取线索，解码他们的意图并实现低级运动动作以实现高级任务。这导致用户只需查看感兴趣的对象，机器人系统就可以帮助他们够到这些对象，抓住它们，并使用它们与其他对象进行交互。我们提出了我们的3D凝视估计的方法，和基于语法的实现与机器人系统的动作序列。对8名受试者的3D凝视估计进行了评价，显示总体准确度为$4.68\pm0.14cm$。用5个受试者测试了完整的系统，示出了达到凝视点动作的$100\%$的成功实施和96%的拾取和放置任务的完全实施，以及$76\%$的拾取和倾倒任务。最后，我们提出了一个讨论我们的结果和未来的工作是需要改进的系统。
2019-03-06 cs.HC 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
Towards Probabilistic Inference of Human Motor Intentions by Assistive Mobile Robots Controlled via a Brain-Computer Interface
University of Michigan（密歇根大学）
本文针对BCI控制辅助轮椅速度调节离散化的问题，利用EEG数据和GAN学习运动意图的概率世界状态，并在ROS-Gazebo仿真中构建贝叶斯观察者模型。
2025-01-09 cs.ET cs.HC cs.LG
Wait for me! Towards socially assistive walk companions
Softbank Robotics Europe（软银机器人欧洲公司）；CRF La Chataigneraie（CRF拉沙泰涅赖机构）
本研究的目的是设计一个人形机器人指南作为老年人和康复患者的步行训练器。该系统是基于人形机器人辣椒与合规的方法，允许匹配用户的运动意图的机器人的步伐。这项可行性研究得到了在一个康复中心进行的实验性评估的支持。我们假设Pepper机器人用作辅助伙伴，也可以通过激励老年用户进行体育活动而使他们受益。
2019-04-18 cs.HC 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
The Helping Hand: An Assistive Manipulation Framework Using Augmented Reality and a Tongue-Drive Interfaces
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
提出了一个人在回路系统，使协作操作任务的人与身体残疾。研究表明，随着辅助系统自主性的增强，主体的认知负担也随之减轻。我们的框架从用户那里获得高级意图来指定操作任务。系统处理传感器输入以解释用户的环境。增强现实眼镜提供了以自我为中心的视觉反馈的解释和总结机器人启示的菜单上。舌头驱动系统用作用于触发机器人臂执行任务的输入模态。援助实验比较系统笛卡尔控制和国家的最先进的方法。我们的系统通过简化操作任务，以更快的完成时间实现了具有竞争力的结果。
2018-08-24 cs.RO
Improved Inference of Human Intent by Combining Plan Recognition and Language Feedback
Brown University（布朗大学）；Arizona State University（亚利桑那州立大学）
本文提出D4GR框架，通过语言澄清问题和分层任务模型修正机器人对人类计划与目标的信念，在模拟及真实厨房场景中以更少提问提升含噪条件下的识别准确率。
2023-10-03 cs.AI cs.HC cs.RO
Vision-Based Fuzzy Control System for Smart Walkers: Enhancing Usability for Stroke Survivors with Unilateral Upper Limb Impairments
University of Alberta（阿尔伯塔大学）；Institute for Smart Augmentative and Restorative Technologies and Health Innovations (iSMART)（智能增强与修复技术及健康创新研究所（iSMART））
本文提出一种基于模糊控制算法和肩部外展角度的智能助行器，通过集成力传感器和立体相机，有效解决了单侧上肢损伤中风患者使用传统助行器的困难，显著降低了腕部扭矩并提升了用户舒适度。
2025-02-01 cs.RO cs.SY eess.SY
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
Design Requirements of Generic Hand Exoskeletons and Survey of Hand Exoskeletons for Rehabilitation, Assistive or Haptic Use
Stanford University（斯坦福大学）；Scuola Superiore Sant’Anna（圣安娜高等研究院）
大多数当前的手外骨骼已经被专门设计用于康复、辅助或触觉应用以简化设计要求。中风后康复的临床研究表明，将辅助或触觉应用程序调整到物理治疗会话中可以显着改善运动学习和治疗过程。最近的技术可以导致创建与应用无关的通用手部外骨骼。在本文中，我们的动机是通过回顾当前设备的文献来创建通用外骨骼的指南和最佳实践。首先，我们描述每个应用程序并简要说明其设计要求，然后列出实现这些要求的设计选择。然后，我们通过调查现有的外骨骼的设计选择，并通过突出它们对应用程序类型的影响，详细介绍了每个选择。最后，我们总结了文献中的最佳实践，以在未来创建高效的通用外骨骼的动机。
2019-11-14 cs.HC cs.RO
