Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
Istituto Italiano di Tecnologia（意大利技术研究院）；Institut de Robòtica i Informàtica Industrial（机器人与信息技术研究所）；MaLGa Center, DIBRIS, Università degli Studi di Genova（MaLGa中心，DIBRIS，热那亚大学）
本文提出了一种基于Koopman算子的模型预测控制方法，用于快速生成布料折叠轨迹，结合物理仿真和高效的核基Koopman算子回归，以提高折叠任务的效率和精度。
2026-05-18 cs.LG cs.RO math.DS
Non Normalized Shared-Constraint Dynamic Games for Human-Robot Collaboration with Asymmetric Responsibility
University of California at Berkeley（加州大学伯克利分校）
本文提出非归一化的共享约束动态博弈框架，用于人机协作导航，通过滚动时域最优控制实现安全约束的不对称责任分配。
2025-12-09 cs.RO
Online Learning of Human Constraints from Feedback in Shared Autonomy
Aalto University（阿尔托大学）；University of Manchester（曼彻斯特大学）
针对共享自主协作中人类因物理约束行为各异的问题，提出可学习适配人类物理约束、契合人类工效学偏好与局限的增强型辅助智能体，以减轻人类负荷与不适、提升协作任务表现。
2024-03-05 cs.HC cs.LG cs.RO
Shared Control in Human Robot Teaming: Toward Context-Aware Communication
UC San Diego（加州大学圣迭戈分校）
在人机交互领域中，共享控制系统的研究越来越多。共享控制是指一个人和智能体以协作的方式为任务的执行做出贡献，通常是通过为机器人提供控制输入。共享控制中最重要的事情之一是人与机器人之间的通信性质，这可以帮助人类-机器人团队处理各种具有挑战性的情况。在本文中，我们确定了共享控制的关键挑战，其中更好的沟通设计可能是有用的，包括当遇到新的情况和背景，解决偏好和性能之间的紧张关系，并减轻认知负担和中断。通过使用四个示例共享控制方案，我们探讨了精心设计的人机通信策略如何帮助解决每一个挑战。我们希望本文将提请注意这些挑战，并协助研究人员在推进共享控制系统的发展。
2022-03-19 cs.RO
A Unified Approach to 3 Basic Challenges in Shared Autonomy
我们讨论了共享自治面临的一些挑战。特别是，我们探索了1）不可靠网络上的共享自治，2）我们如何对单个人类操作员进行建模（与人类操作员的平均值相比），以及3）我们的方法如何自然地建模并将滑动自治集成到联合人机系统中。我们包括一个完整的背景部分。
2015-08-06 cs.RO
Shared Autonomy in Web-based Human Robot Interaction
bits-pilani（皮拉尼比特斯学院（注：此处为常见简称，完整应为Birla Institute of Technology and Science, Pilani，中文通常译为“比特拉理工学院”或简称“皮拉尼BITS”，但根据原文直接提取“bits-pilani”））
在本文中，我们的目标是通过实现共享的自主权，通过Web界面，实现人与机器人的工作平衡。共享自主性将用户输入与机器人的自主能力相结合，从而提高了机器人的整体性能。在网页上仅向用户呈现相关信息降低了操作者的认知负荷。通过我们的网络界面，我们提供了一种机制，操作员直接使用显示的信息进行交互，通过应用点和点击范例。此外，我们提出了我们的想法，采用一个人-机器人相互适应的共享自治设置，通过我们的Web界面，有效的团队协作。
2020-02-19 cs.RO
BlenDAgger: Blended Shared Control for Interactive Imitation Learning
Carnegie Mellon University（卡内基梅隆大学）
BlenDAgger通过共享控制混合策略与人类动作，在干预中提升模仿学习性能，实验显示自主性能显著优于HG-DAgger，并提高过渡平滑度和数据收集效率。
2026-09-30 cs.LG cs.RO
Safe Motion Planning for a Mobile Robot Navigating in Environments Shared with Humans
Center of Ubiquitous Computing（普适计算中心）；Faculty of Information Technology and Electrical Engineering（信息技术与电气工程学院）；University of Oulu（奥卢大学）；Politecnico di Milano（米兰理工大学）
在本文中，机器人导航与人类共享的环境被认为是，并提出了一个成本函数，可以利用$\text{RRT}^\text{X}$，随机采样为基础的重新规划算法，保证渐近最优，允许一个安全的运动。成本函数是由危险指数加权的路径长度，该危险指数基于使用线性随机模型（假设恒定的纵向速度和变化的横向速度）和基于GMM/GMR的模型（在人类轨迹的实验数据集上计算）执行的人类运动的预测。所提出的方法是使用在现实世界中收集的人类轨迹的数据集进行验证。
2022-06-15 cs.RO
A Study of Shared-Control with Force Feedback for Obstacle Avoidance in Whole-body Telelocomotion of a Wheeled Humanoid
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
远程操作已经成为完全自主系统的替代解决方案，用于在类人机器人上实现人类水平的能力。具体来说，具有全身控制的遥操作是一种很有前途的免提策略来命令类人机器人，但需要更多的体力和脑力。为了缓解这一限制，研究人员提出了共享控制方法，将机器人决策纳入其中，以帮助人类完成低级任务，进一步减少操作工作量。然而，共享控制方法的轮式人形telelocomotion在全身水平上还有待探索。在这项工作中，我们研究了全身反馈如何影响不同的共享控制方法在不同环境中避障的性能。提出了一种基于时间导数的S形函数（TDSF），以产生更直观的障碍物力反馈。进行了全面的人体实验，结果得出结论，力反馈增强了在陌生环境中的全身远程运动性能，但可能会降低在熟悉环境中的性能。通过触觉传达机器人的意图显示了进一步的改进，因为操作员可以利用力反馈进行短距离规划，并利用视觉反馈进行长距离规划。
2022-09-12 cs.RO
Human-Robot Mutual Adaptation in Shared Autonomy
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）
共享自主性将用户输入与机器人自主性相结合，以控制机器人并帮助用户完成任务。我们的工作旨在提高这样一个人-机器人团队的性能：机器人试图引导人类走向一个有效的策略，有时违背人类自己的偏好，同时仍然保持他的信任。我们通过一个原则性的人-机器人相互适应的形式主义来实现这一点。我们将人类的有界记忆适应模型集成到部分可观察的随机决策模型中，使机器人能够适应适应性强的人类。当人类适应性强时，机器人会引导人类采取一个好的策略，也许人类事先不知道。当人类固执而不适应时，机器人会遵从人类的偏好，以保持他们的信任。在共享自治设置中，与许多其他常见的人机协作设置不同，只有机器人的动作可以改变世界的物理状态，人类和机器人的目标并不完全可观察。我们解决这些挑战，并显示在人类受试者的实验中，提出的相互适应形式主义提高人类-机器人团队的性能，同时保持高水平的用户信任的机器人，相比，有机器人严格遵循参与者的偏好的常见方法。
2017-01-26 cs.RO
Human-Robot Interaction in a Shared Augmented Reality Workspace
UCLA Center for Vision, Cognition, Learning, and Autonomy (VCLA)（加州大学洛杉矶分校视觉、认知、学习与自主中心（VCLA））
我们设计和开发了一个新的共享增强现实（AR）工作空间的人机交互（HRI），它建立了一个双向的人类代理和机器人之间的通信。在原型系统中，共享的AR工作空间实现了共享感知，因此物理机器人不仅可以在自己的视图中感知虚拟元素，还可以通过感知人类代理的凝视和姿势来推断人类代理的效用-在AR中感知和交互所需的成本。这种新的HRI设计还提供了共享操作，其中物理机器人可以作为主动代理控制和更改AR中的虚拟对象;至关重要的是，机器人可以主动与人类代理交互，而不是纯粹被动地执行接收到的命令。在实验中，我们设计了一个资源收集游戏，定性地演示了机器人如何感知，处理和操纵AR和定量评估HRI的功效使用共享的AR工作空间。我们进一步讨论了该系统如何可能有利于未来的HRI研究，否则具有挑战性。
2020-12-09 cs.HC cs.RO
Towards Shared Embodied Intelligence in Humanoid Robots through Optimization Development and Testing of the Human Aware ergoCub Robot
GenerativeBionics（生成生物技术）；Artificial and Mechanical Intelligence（人工与机械智能）；School of Computer Science, University of Manchester（曼彻斯特大学计算机科学学院）；Humanoid Sensing and Perception（人形感知与感知）；iCub Tech Facility（iCub技术设施）；DiMEILA, Istituto Nazionale Assicurazione Infortuni sul Lavoro (INAIL)（DiMEILA，意大利国家职业伤害保险机构（INAIL））
提出一种融合共享智能与具身认知的架构，通过优化机器人硬件与控制以符合人体工学指标，实现人机物理协作，并以ergoCub人形机器人为具体实现。
2026-05-26 cs.RO
Balancing Shared Autonomy with Human-Robot Communication
Paul G. Allen School of Computer Science and Engineering, University of Washington（保罗·G·艾伦计算机科学与工程学院，华盛顿大学）
与人类共享自主权的机器人代理应该利用人类的领域知识，并在完成任务时考虑他们的偏好。这些额外的知识可以大大提高计划效率和用户满意度，但如果与机器人沟通是繁重和不自然的，这些好处就会失去。在本文中，我们将展示如何通过共享自主权的镜头来观察humanrobot语言，解释了人类在决定如何合作和明确地做出指示时所做的效率与认知负荷权衡。
2018-05-20 cs.CL cs.RO
Towards a large-scale fused and labeled dataset of human pose while interacting with robots in shared urban areas
Toronto Metropolitan University（多伦多都会大学）
本文通过融合标注MOT17和NCLT数据集构建了城市共享区域人机交互人体姿态数据集，利用YOLOv7进行姿态估计，并引入MSJE新指标克服距离偏差，验证了该方法在室内外场景的有效性。
2024-01-28 cs.LG cs.RO
Haptic Feedback Improves Human-Robot Agreement and User Satisfaction in Shared-Autonomy Teleoperation
Boston University（波士顿大学）
共享自主遥操作可以保证安全，但这样做通过减少人类操作员的控制权限，这可能会导致降低水平的人-机器人协议和用户满意度。本文提出了一种新的触觉共享自主遥操作范式，使用触觉反馈通知用户的内部状态的共享自主范式，同时仍然保证安全。这与触觉共享控制不同，触觉共享控制使用触觉反馈来通知用户的动作，但是给予人类操作员对机器人的动作的完全控制。我们进行了一项用户研究，其中12名用户驾驶一架模拟无人机在搜索和救援任务中没有任何帮助或帮助提供的触觉共享控制，共享自主权，或触觉共享自主权。所有的辅助遥操作方法都使用控制屏障功能来找到既安全又尽可能接近人类生成的控制命令的控制命令。对于具有触觉反馈的辅助遥操作条件，我们向用户施加与人类生成的控制和安全控制之间的差异成比例的力。我们发现，触觉共享的自主性提高了用户的任务性能和满意度。我们还发现，辅助遥操作中的触觉反馈可以提高用户的态势感知。最后，结果表明，加入触觉反馈共享自主遥操作可以提高人与机器人的一致性。
2021-03-05 cs.RO cs.SY eess.SY
Human-Centered Cooperative Control Coupling Autonomous and Haptic Shared Control via Control Barrier Function
Nara Institute of Science and Technology（奈良科学技术大学）
本文提出一种结合自主控制与力反馈共享控制的协作框架，通过控制屏障函数提升远程操作任务的精度和效率。
2025-11-25 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 Quality Diversity Approach to Automatically Generating Human-Robot Interaction Scenarios in Shared Autonomy
University of Southern California（南加州大学）
人类和机器人之间交互的规模和复杂性的增长突出了对新的计算方法的需求，以自动评估新的算法和应用。探索人类和机器人在模拟中交互的各种场景可以提高对机器人系统的理解，并避免在现实世界中出现潜在的代价高昂的故障。我们将这个问题描述为质量多样性（QD）问题，其目标是通过同时探索环境和人类行为来发现不同的故障场景。我们专注于共享自治域，其中机器人试图推断人类操作员的目标，并采用QD算法MAP-Elites生成两个已发布的算法在这一领域的场景：通过事后优化和线性策略混合共享自治。一些生成的场景证实了以前的理论发现，而另一些则令人惊讶，并带来了对最先进实现的新理解。我们的实验表明，MAP-Elites优于蒙特卡洛模拟和优化的方法，有效地搜索场景空间，突出了它的承诺，自动评估的算法在人机交互。
2021-06-21 cs.RO
Trust-Preserved Human-Robot Shared Autonomy enabled by Bayesian Relational Event Modeling
School of Electrical and Computer Engineering, Georgia Institute of Technology（电子与计算机工程学院，佐治亚理工学院）；Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科技大学）
本文提出基于贝叶斯关系事件建模的信任保留协同自主策略，通过动态推断人类信任提升人机协作效率与用户接受度。
2025-11-26 cs.RO
Trajectory-Safe Orienteering for Human-Robot Shared Environments
Università di Trento（特伦托大学）；University of Trento（特伦托大学）
本研究提出DeCoST方法，通过两阶段解耦离散-连续优化与服务时间引导轨迹，解决共享空间中带时间窗口和可变利润的定向问题，确保无碰撞轨迹并保持任务质量。
2026-09-29 cs.RO
A General Arbitration Model for Robust Human-Robot Shared Control with Multi-Source Uncertainty Modeling
Duke University（杜克大学）；Colorado School of Mines（科罗拉多矿业学院）
遥操作中的共享控制充分利用了人和机器人的优势，在降低遥操作机器人的难度和提高任务性能方面具有很大的优势。共享控制中的一个基本问题是如何有效地将控制权分配给人和机器人。由于研究者主观地按照相互矛盾的原则来确定仲裁策略，导致了仲裁策略的不一致性。我们将这种不一致性归因于人-机器人系统中多资源不确定性的不可克服性。为了填补这一空白，我们开发了一个多源的不确定性模型，适用于各种类型的不确定性在现实世界中，然后一个通用的仲裁模型，综合融合的不确定性和调节仲裁权重分配给机器人代理。除了传统的宏观性能指标，我们引入了客观和定量的机器人的帮助和友好性的指标，评估辅助机器人的合作在微观和宏观层面。仿真和实验结果表明，新的仲裁模型比现有的策略更有效和友好，并对处理多源不确定性具有鲁棒性。有了这个新的仲裁模型，我们希望在实际和复杂的遥操作任务中越来越多地采用人机共享控制。
2020-03-11 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
Humanoid Hanoi: Investigating Shared Whole-Body Control for Skill-Based Box Rearrangement
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（协作机器人与智能系统研究所，俄勒冈州立大学）
本文提出了一种基于共享全身控制器的技能型方块重组框架，通过数据聚合提升长时域鲁棒性，并在Humanoid Hanoi基准上验证了其有效性。
2026-10-14 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
A Workload Adaptive Haptic Shared Control Scheme for Semi-Autonomous Driving
University of Michigan（密歇根大学）；U.S. Army Ground Vehicles System Center（美国陆军地面车辆系统中心）；Toyota Research Institute（丰田研究院）
触觉共享控制用于管理半自动驾驶中人与自主智能体之间的控制权限分配。然而，现有的触觉共享控制方案没有充分考虑人类代理。为了填补这一研究空白，本研究提出了一种触觉共享控制方案，适应人类操作员的工作量，眼睛在道路上和输入扭矩的实时。我们对24名参与者进行了人在回路实验。在实验中，一个人类操作员和一个自主导航模块以固定的速度共享一个模拟的概念性高机动性多用途轮式车辆（HMMWV）的控制。与此同时，人类操作员执行目标检测任务进行监视。自主性对上述人为因素既可以是适应性的，也可以是非适应性的。结果表明，自适应触觉控制方案导致显着降低工作量，更高的信任，自主性，更好的驾驶任务的性能和更小的控制努力。
2020-03-31 cs.HC cs.RO
Design and Evaluation of an Augmented Reality Head-Mounted Display Interface for Human Robot Teams Collaborating in Physically Shared Manufacturing Tasks
Monash University（莫纳什大学）；University of British Columbia（不列颠哥伦比亚大学）
我们提供了一个可穿戴的增强现实（AR）系统，我们已经开发的人类-机器人团队工作的任务，需要在共享的物理工作空间的实验评估。AR技术的最新进展已经促进了用于许多人机交互应用的更直观的用户界面的开发。虽然人们预计AR可以为机器人助手提供更直观的界面，帮助人类工人在各种制造场景中工作，但机器人技术的现有研究在很大程度上仅限于远程操作和编程。工业5.0设想人类和机器人在团队中合作。事实上，有许多工业任务可以从人机协作中受益。一个主要的例子是高价值复合材料制造。与我们的行业合作伙伴合作开发这个示例应用程序，我们评估了我们的AR界面设计，用于人类-机器人团队中的共享物理工作空间协作。我们使用建立指标对我们的界面进行了多维分析。我们的用户研究结果（n=26）表明，主观上，AR界面感觉更新颖，标准的操纵杆界面对用户来说感觉更可靠。然而，AR界面被发现可以减少物理需求和任务完成时间，同时提高机器人的利用率。此外，用户选择与机器人合作的自由度也可能影响系统的感知可用性。
2022-03-16 cs.RO
Stackelberg Meta-Learning Based Shared Control for Assistive Driving
New York University（纽约大学）
提出Stackelberg元学习算法，通过快速适应少量驾驶数据生成行为模型，在避障场景中辅助驾驶员，节省时间并鲁棒于有界理性与错误。
2024-03-15 cs.RO
A Barrier Pair Method for Safe Human-Robot Shared Autonomy
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
共享自治提供了一个框架，其中人类和自动化系统（如机器人）共同控制系统的行为，从而为各种应用（包括人机交互）提供有效的解决方案。然而，在共享自治的一个具有挑战性的问题是安全性，因为人类的输入可能是未知的和不可预测的，这影响了机器人的安全约束。如果人类输入是通过与机器人的物理接触施加的力，它也会改变机器人的行为以保持安全。我们提出了一个两层的控制框架，以解决在实时应用程序中的共享自治的安全问题。在第一层中，我们使用人类输入测量的历史来推断人类希望机器人做什么，并根据该推断来定义机器人的安全约束。在第二层中，我们制定了一个快速探索的随机树的障碍对，与每个障碍对组成的障碍函数和控制器。使用这些屏障对中的控制器，机器人能够在人类输入的干预下保持其安全操作。该控制框架允许机器人帮助人类，同时防止他们遇到安全问题。我们证明了所提出的控制框架上的两连杆机械手机器人的模拟。
2021-12-01 cs.RO math.OC
Human-AI Shared Control via Policy Dissection
Centre for Perceptual and Interactive Intelligence（感知与交互智能中心）；ETH Zurich（苏黎世联邦理工学院）；University of Edinburgh（爱丁堡大学）；University of California Los Angeles（加利福尼亚大学洛杉矶分校）
人机共享控制允许人类与人工智能交互和协作，以完成复杂环境中的控制任务。以往的强化学习（RL）方法试图通过目标条件化设计来实现人类可控的策略，但代价是重新设计奖励函数和训练范式。受神经科学方法研究灵长类动物运动皮层的启发，我们开发了一种简单而有效的基于频率的方法，称为\textit{Policy Dissection}，将学习到的神经控制器的中间表示与代理行为的运动学属性对齐。在不修改神经控制器或重新训练模型的情况下，所提出的方法可以将给定的RL训练策略转换为人机交互策略。我们评估所提出的方法上的RL任务的自动驾驶和运动。实验结果表明，在驾驶任务中，通过策略分解实现的人-AI共享控制可以显著提高不可见交通场景中的性能和安全性。在人类参与的情况下，运动机器人也表现出灵活的可控运动技能，即使它们只被训练向前移动。我们的研究结果表明，通过解释自主智能体的学习表示来实现人类-AI共享自主性是有希望的方向。演示视频和代码将在https://metadriverse.github.io/policydissect上提供。
2023-03-02 cs.AI cs.RO
Hierarchical Planning and Policy Shaping Shared Autonomy for Articulated Robots
McGill University（麦吉尔大学）；Simon Fraser University（西蒙菲莎大学）
本文提出一种面向关节型机器人的共享自主框架，结合分层规划、策略塑造和条件VAE建模人类内部状态，实现从完全自主到完全手动的滑动自主，并在伐木归堆机任务中验证了其对不同技能水平和噪声非合作人类的有效性。
2023-07-04 cs.RO
Human-Robot Shared Control for Surgical Robot Based on Context-Aware Sim-to-Real Adaptation
University of Bristol（布里斯托大学）；Bristol Robotics Lab（布里斯托机器人实验室）；Imperial College London（帝国理工学院）；Polytechnic University of Milan（米兰理工大学）；Shanghai Jiao Tong University（上海交通大学）；Worcester Polytechnic Institute（伍斯特理工学院）
人-机器人共享控制融合了人和机器人的优势，是实现高效手术的有效途径。示教学习（LfD）技术可用于自动化构建共享控制框架的一些手术子任务。然而，机器人需要足够的数据量来学习操纵。使用手术模拟器收集数据是一种资源需求较少的方法。通过模拟到真实的适应，从模拟器中学习到的操纵可以转移到物理机器人上。为此，我们提出了一个模拟到真实的适应方法来构建一个人-机器人共享控制框架的机器人手术。在本文中，所需的轨迹是从模拟器使用LfD方法生成的，而基于动态运动基元（DMPS）的方法是用来将所需的轨迹从模拟器的物理机器人平台。此外，角色自适应机制的开发，使机器人可以调整其角色，根据手术上下文预测的神经网络模型。该框架的有效性进行了验证达芬奇研究工具包（dVRK）。用户研究结果表明，自适应人机共享控制框架，远程控制器的路径长度，总的离合次数和任务完成时间可以显着减少。所提出的方法优于传统的手动控制通过遥操作。
2022-06-04 cs.RO
Shared Control Based on Extended Lipschitz Analysis With Application to Human-Superlimb Collaboration
Massachusetts Institute of Technology（麻省理工学院）
本文提出基于扩展Lipschitz分析的人机共享控制方法，通过添加新变量降低Lipschitz商，将可预测情况分配给机器人反应控制，不可预测情况交由人类，并应用于偏瘫患者进食任务中的超数肢体协作。
2023-09-01 cs.RO
Demonstrating HumanTHOR: A Simulation Platform and Benchmark for Human-Robot Collaboration in a Shared Workspace
Tsinghua University（清华大学）；Fuzhou University（福州大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出 HumanTHOR 具身仿真平台，通过 VR 支持共享工作空间中的人在回路人机协作，并构建日常任务基准与用户研究，验证其可有效评估不同机器人算法能力，为未来 HRC 研究提供基础。
2024-06-10 cs.HC cs.RO
Operation and Imitation under Safety-Aware Shared Control
Northwestern University（西北大学）；Shirley Ryan AbilityLab（雪莉·瑞恩能力实验室）
我们描述了一个共享的控制方法，可以在不了解任务的情况下，用于改善人类对动态系统的控制，用作训练机制，并与模仿学习结合使用，以生成重新创建新行为的自主策略。我们的算法引入了自主性，通过强制执行安全和稳定性约束来帮助人类伙伴。自主智能体没有所需任务的先验知识，因此仅在关注系统安全时才添加控制信息。我们评估了我们的方法与人类受试者的研究，包括20名参与者的有效性。我们发现，我们的共享控制算法显着提高了用户能够成功地执行新的行为的速度。实验结果表明，我们的安全意识共享控制算法的好处也扩展到人类的合作伙伴的系统和他们的控制技能的理解。最后，我们展示了如何结合我们的安全意识共享控制算法和模仿学习可以用来自主地重新创建演示的行为。
2019-05-26 cs.RO
Uncertainty-based Arbitration of Human-Machine Shared Control
本文提出基于自动化不确定性的机人类共享控制仲裁方法，通过调整自主级别提升任务完成的容错能力，实验显示共享控制方法在任务完成误差容忍度上提升超5倍。
2015-11-18 cs.RO cs.SY eess.SY
Human-Centered Autonomous Vehicle Systems: Principles of Effective Shared Autonomy
Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
打造高效、舒适、安全的自动驾驶汽车比历史上人们所认为的要困难得多。原因在于，简单地说，自动驾驶汽车必须与人类互动。这种互动不是机器人问题，也不是机器学习问题，也不是心理学问题，也不是经济学问题，也不是政策问题。它是所有这些问题的集合。它挑战了我们对人类在最坏情况下的局限性和人工智能系统在最好情况下的能力的假设。这项工作提出了一套以人为本的方式设计和建造自动驾驶汽车的原则，这种原则不会逃避人性的复杂性，而是拥抱它。我们描述了我们以人为本的自动驾驶汽车（HCAV）的开发，作为在实践中实施这些原则的说明性案例研究。
2018-10-03 cs.AI cs.CV cs.HC
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
A Blended Human-Robot Shared Control Framework to Handle Drift and Latency
Northeastern University（东北大学）
如何最大限度地发挥人机协作团队在灾害响应和搜救任务中的作用仍然是一个具有挑战性的问题。这是由于环境的动态性、不确定性以及人类操作员认知性能的可变性。通过让自主智能体与操作员共享控制，我们可以通过增加操作员的输入并补偿导致性能下降的因素来实现接近最优的性能。但是，该解决方案没有考虑在灾难响应和SAR场景中操作时，在任务完成期间可能发生的潜在硬件故障所导致的人工输入延迟和错误。在本文中，我们提出了使用混合共享控制（BSC）架构来解决这些问题，并研究该架构的性能在约束，动态环境中的差分驱动机器人，有输入延迟和错误的里程反馈。我们进行了验证研究（n=12），我们的控制架构，然后在2个不同的环境中，是未知的人类操作员和自主智能体的用户研究（n=14）。结果表明，BSC架构可以防止冲突和提高运营商的性能，而不需要一个完整的控制转移之间的人类操作员和自主智能体。
2018-11-23 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
Diffusion for Long-Horizon Multi-Robot Path Planning in Human-Shared Environments
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
研究人类共享环境中多机器人长距离路径规划问题，提出MRRD框架，结合滚动时域、并行扩散推理及冲突搜索机制，纳入时间条件与引导项，实验证明该框架能实时扩展到15个机器人，性能优于现有基线。
2026-07-14 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
Synthesis of Provably Correct Autonomy Protocols for Shared Control
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
我们综合共享控制协议的概率时序逻辑规范。更具体地说，我们开发了一个框架，在这个框架中，人类和自治协议可以发出命令来执行某项任务。我们将这些命令混合到机器人的关节输入中。我们建模的人与机器人之间的交互作为一个马尔可夫决策过程（MDP），代表了共享的控制方案。使用逆强化学习，我们获得了人类的行为和决策的抽象。我们使用随机策略来解释人类决策的随机性，这是由任务规范的复杂性或不完美的界面等因素造成的。我们设计的自治协议，以确保由此产生的机器人的行为满足给定的安全和性能规范的概率时序逻辑。此外，所产生的策略生成的行为尽可能类似于人类命令所诱导的行为。我们有效地解决了潜在的问题，使用拟凸规划。涉及自主轮椅导航和无人机任务规划的案例研究展示了我们的方法的适用性。
2019-05-15 cs.AI cs.LG cs.RO
AURA: Multimodal Shared Autonomy for Real-World Urban Navigation
University of California, Los Angeles（加州大学洛杉矶分校）；Zhejiang University（浙江大学）
AURA通过将城市导航分解为高层人类指令和低层AI控制，减少人工操作负担，提升导航稳定性，并在真实世界中实现44%的接管减少。
2026-04-02 cs.RO
Shared Autonomy via Variable Impedance Control and Virtual Potential Fields for Encoding Human Demonstration
Indian Institute of Technology Gandhinagar（印度甘地讷格尔印度理工学院）；Technische Universität Wien (TU Wien)（维也纳工业大学）；German Aerospace Center (DLR)（德国航空航天中心）
本文提出融合时不变势场运动生成、VIC、力控制与能量罐无源化的共享自主框架，可从人类演示编码复杂安全技能，并经仿真和 Franka 机器人实验验证。
2024-04-08 cs.RO
Adaptive Shared Control with Online Bounded-Rational Human Behavior Estimation
Tampere University（坦佩雷大学）
本文提出一种自适应共享控制方法，利用k级有界理性模型估计人类行为，通过分布感知最佳响应调整机器人辅助，在模拟中降低KL散度和累积成本。
2026-09-10 cs.RO cs.SY eess.SY
Human Preferences and Robot Constraints Aware Shared Control for Smooth Follower Motion Execution
Nagoya University（名古屋大学）；Technical University of Darmstadt（达姆施塔特工业大学）
本文提出一种考虑操作者偏好与从机约束的交替共享控制框架，通过结合手部位姿与机器人可操作性生成抓取位姿，实现手动与自动模式平滑切换，有效降低操作负荷并提升从机运动平滑度。
2023-07-31 cs.RO
Toward Adaptive Cooperation: Model-Based Shared Control Using LQ-Differential Games
Balint Varga（巴林特·瓦尔加）
本文针对人机共享控制中人类自适应行为带来的辨识与设计难题，提出基于线性二次微分博弈的在线辨识与自适应共享控制方法，并通过仿真和人在回路实验验证其有效性。
2024-03-17 cs.RO cs.SY eess.SY
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
Assisting for Open-Ended Tasks: Goal-Oriented Shared Autonomy as a Particle Filter
针对开放式动态目标，提出基于粒子滤波的目标导向共享自主方法，利用基础模型生成语义目标与辅助，用户研究表明可减少遥操作时间并提升满意度。
2026-09-29 cs.RO
A System for Human-Robot Teaming through End-User Programming and Shared Autonomy
Massachusetts Institute of Technology（麻省理工学院）；Idiap Research Institute（伊迪亚普研究院）；University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
本文提出一种结合终端用户编程与共享自主的人机协作系统，以机器人承担体力负担、工人提供规划与反馈的方式解决飞机制造中打磨等复杂工业任务的自动化难题，并通过两类打磨任务验证了两种协作工作流程。
2024-01-22 cs.RO
Efficient Human-Aware Task Allocation for Multi-Robot Systems in Shared Environments
Department of Electrical Engineering and Automation, Aalto University（电气工程与自动化系，艾尔沃大学）
本文提出HATA方法，通过引入动态地图MoDs建模人类运动模式，优化共享环境中多机器人任务分配，实验表明任务完成时间最多减少26%。
2025-08-27 cs.RO
Communicating Robot Conventions through Shared Autonomy
Virginia Tech（弗吉尼亚理工大学）
当人类控制机器人手臂时，这些机器人通常需要推断人类期望的任务。先前关于辅助远程操作和共享自主性的研究探索了机器人如何根据人类的操纵杆输入来确定所需的任务。为了执行这种推断，机器人依赖于操纵杆输入和离散任务之间的内部映射：例如，向左按压操纵杆表示人想要盘子，而向右按压操纵杆表示杯子。在人类理解机器人如何解释他们的输入之后，这种方法可以很好地工作-但是没有经验的用户仍然需要通过试验和错误来学习这些映射！在这里，我们认识到，机器人的任务和输入之间的映射是一个约定。机器人可以使用多种同样有效的约定：用途：与其被动地等待人类，我们引入了一种共享自治方法，机器人主动展示其选择的约定。在重复的交互中，机器人干预并夸大手臂的运动，以展示更有效的输入，同时也协助当前的任务。我们将这种方法与最先进的基线进行比较-用户必须自己识别约定-以及书面说明。我们的用户研究结果表明，修改机器人的行为，以揭示其公约优于基线，并减少了人类花在控制机器人的时间。点击这里观看我们的用户研究视频：https://youtu.be/jROTVOp469I
2022-03-03 cs.RO
Goal Set Inverse Optimal Control and Iterative Re-planning for Predicting Human Reaching Motions in Shared Workspaces
Max-Planck-Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Worcester Polytechnic Institute（伍斯特理工学院）
为了实现安全和高效的人机协作，机器人在执行任务时预测人类将如何移动是很重要的。虽然预测人类运动的任务未知的先验是非常具有挑战性的，我们认为，单臂达到已知的任务在协作设置（这是特别相关的制造）的运动确实是可预测的。两个假设是我们预测这种运动的方法的基础：第一，人类执行的轨迹相对于未知的成本函数是最优的，第二，人类对其伴侣运动的适应可以通过迭代重新规划与上述成本函数很好地捕获。因此，我们的方法的关键是学习一个成本函数，它“解释”人类的运动。要做到这一点，我们收集的例子轨迹对参与者使用运动捕捉执行协作装配任务。然后，我们使用逆最优控制从这些轨迹中学习成本函数。最后，我们预测达到运动从人类的当前配置的任务空间的目标区域，通过迭代重新规划的轨迹使用学习的成本函数。我们的规划算法是基于轨迹优化器STOMP，它计划为23自由度的人体运动学模型，并占一个移动的合作者和障碍物的环境中的存在。我们的研究结果表明，在大多数情况下，我们的方法优于基线方法预测运动。我们还表明，我们的方法优于基线预测人体运动时，人类和机器人共享的工作空间。
2016-06-07 cs.RO
A Data-driven Approach Towards Human-robot Collaborative Problem Solving in a Shared Space
Rose-Hulman Institute of Technology（罗斯-霍曼理工学院）
我们正在开发一种人机通信系统，使人们能够以自然的方式与机器人进行通信，并专注于在共享空间中解决问题。我们开发该系统的策略基本上是数据驱动的：我们使用来自多个输入源的数据，并使用各种机器学习技术对关键组件进行训练。我们开发了一个网络应用程序，收集关于两个人如何通信以完成任务的数据，以及一个移动实验室，用于收集关于两个人如何通信以完成物理共享空间中的任务的数据。来自这些系统的数据将用于训练和微调我们系统的第二阶段，其中机器人将通过软件进行模拟。在我们项目的最后阶段将使用物理机器人。我们描述这些工具，测试套件和性能指标，旨在评估和自动化的数据收集过程，以及评估初始数据集。
2017-10-01 cs.HC cs.RO
