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
Robot's Inner Speech Effects on Trust and Anthropomorphic Cues in Human-Robot Cooperation
University of Palermo（巴勒莫大学）
内心言语是人类一种重要而又难以捉摸的心理过程，指的是人们日常生活中与自己进行的一种隐蔽的内心对话。我们认为，编程一个机器人与公开的自我对话系统，它模拟人类的内部语音，可能会提高人类的信任，通过提高机器人的透明度和拟人化。因此，本研究的目的是探讨当人类与机器人合作时，机器人的内部言语（这里指的是公开的自我对话）是否会影响人类的信任和拟人化。一组参与者与机器人合作。在合作过程中，机器人会自言自语。为了评估机器人的内部语音是否会影响人类的信任，在与机器人进行合作会话之前（前测试）和之后（后测试），向每个参与者发放了两份问卷。初步结果表明，在测试前和测试后评估的参与者的答案之间的差异，表明机器人的内部语言影响人类的信任。事实上，参与者的信任水平和机器人拟人化功能的感知增加后，与机器人的实验互动。
2021-09-20 cs.RO
A Joint Motion Model for Human-Like Robot-Human Handover
Bielefeld University of Applied Sciences（比勒费尔德应用科学大学）；Bielefeld University（比勒费尔德大学）
未来，机器人将出现在日常生活中。这些辅助机器人的开发是一个挑战。辅助机器人的一项基本任务是拿起物体并将其交给人类。通过与用户互动，可预测性、安全性和可靠性等软因素成为发展的重要因素。以前的工作表明，当机器人的行为和移动像人类时，与机器人的合作更容易被接受。在本文中，我们提出了一个运动模型的基础上的运动轮廓的各个关节。这些运动轮廓是基于人-人切换中的关节运动的观察和测量。我们实现了这个关节运动模型（JMM）上的人形和非人形工业机器人显示主体的运动。特别注意的是动作的可识别性和人类相似性。结果表明，与传统模型相比，人们能够识别类似人类的运动，并将JMM的运动感知为更像人类。此外，事实证明，线性关节空间轨迹和JMM之间的差异在工业机器人中比在人形机器人中更明显。
2018-08-28 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
Communication-Aware Heterogeneous Graph Learning for Decentralized Multi-Human Multi-Robot Task Allocation
提出CommHG框架，通过通感异构图和协作多智能体强化学习联合优化去中心化多人类多机器人任务分配与通信，实验显示在多达16机器人、6人类、112任务规模下优于最强基线。
2026-09-29 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
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
Bipedal Robot Walking Control Using Human Whole-Body Dynamic Telelocomotion
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
对于在搜索和救援等要求严格的情况下部署的人形机器人来说，需要高度智能的决策和熟练的感觉运动技能。一个很有前途的解决方案是通过遥操作将机器人和人类连接起来，从而利用人类的能力。为了创建无缝操作，本文提出了一个动态的telelocomotion框架，该框架将人类飞行员的步态与双足机器人的行走相结合。首先，我们介绍了一种方法来产生一个虚拟人步行模型从人类飞行员的步进行为，作为参考的机器人行走。第二，通过向人类飞行员和机器人施加力来同步行走参考和机器人行走的动力学，以实现两个系统之间的动力学相似性。这使得人类飞行员能够持续感知并消除行走参考和机器人之间的任何干扰。一个一致的步骤放置策略的机器人推导出保持动态相似性，通过步骤过渡。使用我们的人机界面，我们证明了人类飞行员可以实现稳定和同步的遥操作的模拟机器人，通过步进到位，步行和干扰抑制实验。这项工作为将人类的智能和反应转移到人形机器人上迈出了基本的一步。
2022-09-14 cs.RO
SymBridge: A Human-in-the-Loop Cyber-Physical Interactive System for Adaptive Human-Robot Symbiosis
Shandong University（山东大学）；ShanghaiTech University（上海科技大学）；The University of Hong Kong（香港大学）；LEJU(Shenzhen) Robotics Co., Ltd（LEJU（深圳）机器人有限公司）
SymBridge 是首个融合增强现实的人在环信息物理交互系统，通过多分辨率人体运动特征与环境可供性实现实时自适应人机交互，并利用人类反馈持续优化机器人模型，有效推动人机共生研究。
2025-09-19 cs.RO
Human-Aware Physical Human-Robot Collaborative Transportation and Manipulation with Multiple Aerial Robots
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
针对现有物理人机交互多聚焦单机器人、多空中机器人研究进展少的问题，提出含负载外力估计器、6D导纳控制器及人感知力分配的方法，通过仿真与实验首次实现四旋翼机群与人类协作完成负载全6自由度操作。
2024-12-03 cs.RO
Human-in-the-loop Robotic Manipulation Planning for Collaborative Assembly
Osaka University（大阪大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
提出了一种面向人机协同装配的机器人操作规划器。与以往研究一个独立的、完全配备人工智能的自主系统的方法不同，本文探讨了机器人和人之间的子任务分配，并研究了一个用于协同装配的人在回路机器人系统。该系统通过利用机器人和人类的优势，避免他们的缺点，分配装配的子任务。系统中的机器人将执行拾取和放置任务，并为人类提供工件。人类合作者将工作的精细操作，如对齐，固定，拧，等约束为基础的增量操作规划方法，提出了产生的机器人的运动。所提出的系统的性能证明，要求一个人和双臂机器人协作组装一个内阁。实验结果表明，所提出的系统和规划器是有效的，高效的，可以帮助人类舒适地完成装配任务。
2019-09-25 cs.RO
Surena-V: A Humanoid Robot for Human-Robot Collaboration with Optimization-based Control Architecture
本文介绍了人形机器人Surena-V，其通过配备气压触觉传感器和基于优化的控制架构（如ZMP修正与作用点外力检测），实现了更敏捷的环境交互与稳定的人机协作。
2025-01-28 cs.RO
Towards Safe Multi-Level Human-Robot Interaction in Industrial Tasks
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Foxconn Interconnect Technology（富士康互联科技）；Zhejiang University（浙江大学）
本文提出三个独立安全模块（视觉监控、接触监控、分层意图跟踪），实现工业协作机器人在多层级人机交互中的安全保障，并探讨了基于人类行为建模的未来研究方向。
2023-08-06 cs.RO
Robot human interface for housekepeer with wireless capabilities
University Of Baghdad（巴格达大学）
本文介绍了一个管家机器人人机界面的设计与实现。它基于使机器人理解人类需求而不使人类经历机器人工作的细节的想法，例如，机器人执行工作的方式或机器人用于规划路径以到达工作区域的方法。界面命令基于自然人类语言的习惯用法，并以用户向机器人提供几个命令及其执行日期/时间的方式设计。
2018-07-12 cs.RO
Intrinsically motivated reinforcement learning for human-robot interaction in the real-world
为了实现自然的社会性人机交互，机器人学习类似人类的社会技能是必不可少的。然而，学习这些技能是出了名的困难，因为人们教机器人的直接指令有限。在本文中，我们提出了一个内在动机的强化学习框架中，一个代理获得的内在动机为基础的奖励，通过行动条件预测模型。通过使用所提出的方法，机器人学习的社会技能，从人与机器人在真实的不受控制的环境中收集的互动经验。结果表明，机器人不仅获得了类似人类的社交技能，而且在测试数据集上做出了更多类似人类的决策，而不是直接获得任务成就奖励的机器人。
2018-04-14 cs.RO
Compact Real-time avoidance on a Humanoid Robot for Human-robot Interaction
Istituto Italiano di Tecnologia（意大利理工学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Yale University（耶鲁大学）
随着机器人离开工厂，进入控制较少的领域，可能与人类共享空间，安全是至关重要的，对身体表面和周围环境的多模态感知是至关重要的。从人类的近个人空间表示中获得灵感，我们提出了一个人形机器人上的框架，该框架动态地维护这样的保护性安全区，由以下主要组件组成：（i）采用基于深度学习的算法的人类2D关键点估计管道，在这里使用视差扩展到3D;（ii）机器人身体部位周围的分布式近个人空间表示;（iii）到达控制器，其将在飞行中进入机器人的安全区的所有障碍物并入到任务中。初步实验表明，机器人和人体部位之间保持了有效的安全裕度。所提出的解决方案是灵活且通用的，因为可以选择性地调节单个机器人和人体部位周围的安全区--在这里，我们证明了与身体其他部位相比，对人体头部的回避更强。我们的系统实时的工作，并且是独立的，没有外部传感设备，只使用机载摄像头。
2018-01-17 cs.RO
Design of conversational humanoid robot based on hardware independent gesture generation
随着老年人和残疾人护理需求的不断增长，智能和移动设备（如机器人）提供护理和支持解决方案的机会越来越多。为了自然地协助人类并与人类互动，机器人必须具备有效的对话能力。伴随口语句子的手势是人与人之间会话交流中的一个重要因素。人形机器人也必须使用手势，如果他们能够丰富的互动暗示和提供他们的人形外观。然而，用于姿势生成的当前系统不动态地提供人类自然理解的真实物理姿势。本文提出了一种用于人形机器人生成手势以及说出的句子的方法。我们强调，我们的手势生成架构可以应用于任何类型的人形机器人通过使用labanotation，这是一个现有的系统，用于记录人类的舞蹈动作。Labanotation的手势符号可以通过计算转换，以兼容一系列具有蹒跚物理特征的机器人。本文介绍了一种解决方案，作为一个综合系统的对话机器人的语音和手势可以相互补充，在人机交互。
2019-05-21 cs.RO
Humanoid Robots and Humanoid AI: Review, Perspectives and Directions
Frontier AI Research Centre, Macquarie University（前沿人工智能研究中心，麦考瑞大学）
本文综述约30款人形机器人，提出向人形AI及新一代AI人形机器人转变的范式，展望从类人外观向具人性、人性化规范及技术进步的未来方向。
2025-10-12 cs.RO
Toward Achieving Formal Guarantees for Human-Aware Controllers in Human-Robot Interactions
University of Texas at Austin（得克萨斯大学奥斯汀分校）
随着人机交互的主要目标是支持人类的目标，有必要正式合成机器人控制器，可以提供所需的服务。综合技术的好处是为规范的满足提供了形式化的保证。有可能将这些技术应用于设计机器人控制器，其规格与人类的需求相结合。本文探讨了使用形式化的方法来构建人类感知的机器人控制器，以支持人类的生产力要求。我们通过人类工作量知情模型和反应合成来解决这些类型的场景。这种策略使我们能够合成控制器，满足正式规格表示为线性时序逻辑公式。我们提出了一个案例研究中，我们的原因，工作交付和皮卡任务，使机器人提高工人的生产力，但不高的工作积压引起的压力。我们证明我们的控制器使用丰田HSR，移动机械手机器人。结果表明，实现了一个强大的机器人控制器，保证正确的原因和反应，在与人类合作伙伴的协作任务。
2019-03-04 cs.RO
Guided Exploration of Human Intentions for Human-Robot Interaction
National University of Singapore（新加坡国立大学）
机器人对人类意图的理解对于流畅的人机交互至关重要。然而，意图不能直接观察到，必须从行为中推断出来。我们学习一个以意图为潜在变量的适应性人类行为模型。然后，我们将人类行为模型嵌入到有原则的概率决策模型中，该模型使机器人能够（i）积极探索以推断人类意图，以及（ii）选择最大化其性能的行动。此外，机器人从人类专家的示范行动中学习，以进一步改善探索。初步的仿真实验表明，我们的方法，应用于自动驾驶，提高了效率和安全性的驾驶在常见的交互式驾驶场景。
2019-01-19 cs.RO
Human-Robot Team Performance Compared to Full Robot Autonomy in 16 Real-World Search and Rescue Missions: Adaptation of the DARPA Subterranean Challenge
Monash University（莫纳什大学）；CSIRO（澳大利亚联邦科学与工业研究组织）
人类-机器人团队中的人类操作员通常被认为是任务成功的关键。为了探索操作员输入对任务成功和团队绩效的直接和感知影响，基于DARPA地下挑战进行了16次真实任务（10小时）。这些任务是部署一个不同的机器人团队进行搜索任务，以定位和识别人工制品，如攀登绳，钻头和代表人类幸存者的人体模型。评价了两个条件：与没有人类操作员输入的自主任务（Robot-Autonomy）相比，人类操作员可以控制具有最先进自主性的机器人团队（Human-Robot Team）。人类-机器人团队通常处于定向自主模式（70%的任务时间），发现更多的物品，穿越更远的距离，覆盖更多独特的地面，并且在安全相关事件之间有更长的时间。人类-机器人团队在找到第一件神器方面更快，但对机器人团队的信息反应较慢。在常规条件下，伪影、距离和覆盖范围的评分相当。干预的原因包括创建路点以优先考虑高产地区，并在容易出错的空间中导航。在观察到机器人的自主性后，操作员报告说，机器人的能力和信任度有所提高，但即使在执行任务表现出色之后，机器人的行为也并不总是透明和可以理解的。
2022-12-11 cs.RO
Human-Aware Navigation Planner for Diverse Human-Robot Contexts
LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）；CNRS（法国国家科学研究中心）；Artificial and Natural Intelligence Toulouse Institute (ANITI)（图卢兹人工与自然智能研究所）
随着越来越多的机器人被部署到人类环境中，人类感知的导航规划器需要处理室内和室外环境中发生的多种情况。在本文中，我们提出了一个可调的人类感知机器人导航规划，可以处理各种humanrobot上下文。我们提出了规划器的架构，并讨论了功能和一些实现细节。然后，我们提出了一个详细的分析，各种模拟humanrobot的情况下，使用建议的规划师，以及一些定量的结果。最后，我们展示了在一个真实的机器人上部署我们的系统后，在现实世界中的情况下的结果。
2021-06-18 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
Repairing Human Trust by Promptly Correcting Robot Mistakes with An Attention Transfer Model
Kent State University（肯特州立大学）
在人机协作（HRC）中，人类对机器人的信任是人类对机器人以期望的性能执行任务的期望。更高级别的信任增加了人类操作员分配任务、共享计划的意愿，并减少了机器人执行过程中的中断，从而促进了人类与机器人在身体和精神上的整合。然而，由于现实世界的干扰，机器人不可避免地会犯错误，降低人类的信任并进一步影响协作。信任是脆弱的，当机器人表现出无法执行任务时，容易引发信任丧失，使得信任维护具有挑战性。为了维护人类的信任，在这项研究中，信任修复框架的基础上开发的人对机器人的注意力转移（H2 R-AT）模型和用户的信任研究。这一框架的基本原理是，及时纠正错误可以恢复人们的信任。通过H2 R-AT，机器人可以定位人类的语言问题，并迅速纠正错误，以避免早期任务失败，并最终提高人类的信任。用户信任研究测量行为修正前后的信任状态，量化信任损失。针对错误动作、错误区域、错误姿势和错误空间关系4种典型错误设计了机器人实验，验证了H2 R-AT在机器人行为矫正中的准确性;进行了$252$参与者的用户信任研究，评估了矫正前后信任水平的变化。通过纠错准确率和信任度的提高来评价人工信任修复的有效性。
2021-06-29 cs.RO
Effect of Adapting to Human Preferences on Trust in Human-Robot Teaming
University of Michigan（密歇根大学）；Air Force Research Laboratory（空军研究实验室）；Miami Herbert Business School（迈阿密赫伯特商学院）
研究通过贝叶斯逆向强化学习使人机协作中的机器人实时适应人类偏好，提出三种交互策略，发现自适应学习策略能显著提升人类对机器人的信任度。
2023-09-11 cs.RO
Whole-Body Geometric Retargeting for Humanoid Robots
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genova（热那亚大学）；The University of Manchester（曼彻斯特大学）
人形机器人遥操作允许人类将他们的认知能力与设备相结合，以执行需要高强度、机动性和灵活性的任务。本文提出了一个框架，用于遥操作的人形机器人使用一种新的方法，通过逆运动学的机器人模型的运动重定向。所提出的方法增强了重定向的可扩展性，即，它允许由不同的人类用户远程操作不同的机器人，而对所提出的系统的改变最小。我们的框架，使人类操作员和人形机器人之间的配置空间级别的直观和自然的互动。我们验证了我们的方法，展示全身重定向与多个机器人模型。此外，我们提出了实验验证，通过遥操作实验，使用两个国家的最先进的全身控制器的人形机器人。
2019-09-22 cs.RO
Planning with Verbal Communication for Human-Robot Collaboration
Carnegie Mellon University（卡内基梅隆大学）；Cornell University（康奈尔大学）
人类合作者通过语言和非语言沟通有效地协调他们的行动。我们认为，人类-机器人团队也应该如此。我们提出了一种形式主义，使机器人之间做一个任务，并发出一个话语，以最佳的决定。我们专注于两种类型的话语：口头命令，机器人表达它希望人类队友如何表现，以及状态传达动作，机器人解释为什么它会这样做。人类受试者的实验表明，使机器人发出口头命令是最有效的形式沟通的目标，同时保持用户的信任机器人。交流为什么信息应该明智地处理，因为许多参与者质疑机器人陈述的真实性。
2017-06-14 cs.RO
Modelling of Walking Humanoid Robot With Capability of Floor Detection and Dynamic Balancing Using Colored Petri Net
University of Tabriz（大不里士大学）
大多数人形机器人具有高度复杂的结构，并且设计与人类非常相似的机器人是极其困难的。在本文中，建模的一般和全面的控制算法的人形机器人的着色Petri网。为了保持机器人的动态平衡，在算法中采用了陀螺仪和加速度计传感器的组合。图像处理主要用于识别两个基本问题：一是检测机器人必须跟随的目标或物体;二是检测地面表面，使步行机器人能够像人一样保持平衡，并显示其最佳性能。所提出的模型给出了高层次的人形机器人的操作。
2014-04-10 cs.RO
Optimal Robot Path Planning In a Collaborative Human-Robot Team with Intermittent Human Availability
University of Waterloo（滑铁卢大学）
本文研究人类间歇可用的人机协作场景下机器人最优路径规划问题，提出基于预算和关键出发时间的新方法，在保证最优解的同时扩展了问题规模，并在城市路网上验证了其优于基线算法的性能。
2023-07-10 cs.RO
EgoEngine: From Egocentric Human Videos to High-Fidelity Dexterous Robot Demonstrations
Georgia Institute of Technology（佐治亚理工学院）；Tsinghua University（清华大学）
提出EgoEngine框架，通过视觉和动作桥接，将自我中心人类视频转化为高保真机器人数据，首次实现零样本灵巧策略学习。
2026-06-12 cs.RO
Visual Proactivity: Enhancing Human-Robot Collaboration Through Intent Communication
Institut de Robotica y Informatica Industrial (CSIC-UPC)（工业机器人信息研究所（CSIC-UPC））；Universitat Politecnica de Catalunya - BarcelonaTech (UPC)（加泰罗尼亚理工大学）
本文提出视觉主动性方法，通过视觉反馈让机器人主动沟通意图，在人机交接场景中验证其能增强透明度和协作流畅性。
2026-09-21 cs.RO
Come Closer: The Effects of Robot Personality on Human Proxemics Behaviours
Heriot-Watt University（赫瑞-瓦特大学）
本研究通过固定机器人接待员Charlie，探讨内向与外向个性对人际距离的影响，发现内向机器人引发更近的接近距离，并提出新的人机交互近身空间分区。
2023-09-06 cs.RO
Maximising Coefficiency of Human-Robot Handovers through Reinforcement Learning
Istituto Italiano di Tecnologia（意大利技术研究院）；Politecnico di Milano（米兰理工大学）；Northumbria University（诺森比亚大学）
针对人机交接中机器人利他行为可能降低交互体验的问题，提出基于人机协同效率奖励的强化学习方法，优化机器人交互参数，提升用户舒适度与信任度。
2023-06-12 cs.RO
Prediction of Human Trajectory Following a Haptic Robotic Guide Using Recurrent Neural Networks
School of Integrated Technology（融合技术学院）；Yonsei Institute of Convergence Technology（延世大学融合技术研究院）；Yonsei University（延世大学）
社交智能是使机器人能够与人协作的重要要求。特别是，人类路径预测是机器人的基本能力，因为它防止与人类的潜在碰撞，并允许机器人安全地进行更大的运动。在本文中，我们提出了一种方法，用于预测的轨迹的人以下的触觉机器人指南，而不使用的视线，这是有价值的辅助机器人，帮助视障人士。我们应用基于循环神经网络的深度学习方法，使用多模态数据：（1）人类轨迹，（2）机器人引导的运动，（3）从人类和机器人之间的物理交互测量的触觉输入数据，（4）人类深度数据。我们通过室内实验收集了实际的人体轨迹和多模态响应数据。我们的模型在仅使用机器人数据和观察到的人类轨迹时表现优于基线结果，并且在使用额外的触觉和深度数据时显示出更好的结果。
2019-03-04 cs.RO
Safety of human-robot interaction through tactile sensors and peripersonal space representations
Czech Technical University in Prague（布拉格捷克理工大学）
包括紧密物理人机交互（pHRI）的人机协作是工业和科学的当前趋势。安全准则规定了两种安全模式：（i）功率和力限制以及（ii）速度和分离监测。我们研究了配备人工敏感皮肤和周围保护性安全区（peripersonal space）的机器人对安全pHRI的潜力。
2018-05-18 cs.RO
The Rise and Fall of Robotic World (A case study of WALL-E)
University of Waterloo（滑铁卢大学）
目前的技术趋势表明，机器人将很快与人类互动，并在未来更有效地处理不同的任务。随着人工智能的进步，可以预见，机器人肯定会接管所有的主要和次要工作，将与人类进行社会互动，并将大大减少人类的负担。随着时间的流逝，人类将忘记他们的实相和他们目前自己所做的劳动。这个时代将是机器人的巅峰时代，我们可以称之为机器人崛起的时代。随着机器人的崛起，他们将开始自己决定人类的生活和地球。人类将再次开始尽量减少机器人的影响，并在一些机器人的帮助下控制自己的生活。《瓦力》讲述了一个在地球因灾难而毁灭的时候，人类依靠宇宙飞船上的机器人生存的故事。人类和机器人之间的冲突发生时，人类发现地球是可以生存的，应该回去，但机器人不允许他们。在一些社交机器人的帮助下，人类再次控制并将船带回地球。电影的主要部分是关于一个孤独的机器人生活在地球上，两个机器人的爱，他们的互动。这两个机器人帮助人类搬回地球。
2022-04-08 cs.RO
Trust Calibration and Trust Respect: A Method for Building Team Cohesion in Human Robot Teams
University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校）
人机交互（HRI）和机器人自主性领域的最新进展正在改变世界。今天，机器人被用于各种各样的应用。人类和机器人在人类自主团队（HAT）中一起工作，以完成单独无法轻松完成的任务。HAT中机器人和人类之间的信任对于任务完成和有效的团队凝聚力至关重要。为了优化HRI中人类操作员的性能和安全性，人类的信任应该根据机器人系统的实际性能和可靠性进行调整。HRI中的不良信任校准的成本是最低的，低性能，并且在更高的水平上，它会导致人员伤害或关键任务失败。虽然信任校准的作用对团队凝聚力至关重要，但对于机器人来说，能够评估人类是否由于愤怒、分心或沮丧等其他因素而表现出不信任的迹象也很重要。在这些情况下，机器人选择不校准信任，而是选择尊重信任。尊重信任的决定是由机器人基于其动作（成功和失败）及其对人类的反馈来确定人类是否应该信任机器人的知识来确定的。我们发现，以信任校准线索（TCC）的形式反馈可以有效地改变人类的信任水平。这些信息在帮助机器人做出尊重信任的决定方面可能是有用的。
2021-10-13 cs.RO
Improving Responsiveness to Robots for Tacit Human-Robot Interaction via Implicit and Naturalistic Team Status Projection
Arizona State University（亚利桑那州立大学）
流畅的人与人之间的团队合作通常以没有明确沟通的默契互动为特征。这是因为显性沟通，如语言话语和手势，本质上是中断的。另一方面，隐性互动需要团队情境意识（TSA）来促进，而TSA往往依赖于显性沟通来维持，这就产生了悖论。在本文中，我们考虑隐式和自然的团队状态投影默契的人机交互。内隐性最大限度地减少了干扰，而自然性减少了认知需求，它们共同提高了对机器人的响应能力。我们引入了一个新的过程，这样的团队状态投影通过虚拟阴影，或TPS。我们比较我们的方法与两个基线，使用显式投影维持TSA。通过人为因素研究的结果表明，TPS提供了一个更流畅的人机交互体验，显着提高人类对机器人在默契的团队场景，这表明更好的TSA的响应。参与者承认机器人实施TPS作为一个队友更容易接受和有利。同时，我们证明，TPS是可比的，有时更好，在保持准确的TSA的最佳性能基线
2023-01-24 cs.RO
Towards Partner-Aware Humanoid Robot Control Under Physical Interactions
Istituto Italiano di Tecnologia（意大利技术研究院）；University of Genova（热那亚大学）；University of Manchester（曼彻斯特大学）；DeepMind（深度思维）
物理人机交互的主题得到了很多关注，从机器人社区，因为许多有前途的应用领域。然而，研究机器人和外部代理（如人类或另一个机器人）之间的物理交互，而不考虑两个系统的动态特性，可能会导致充分利用交互的许多缺点。在本文中，我们提出了一个耦合动力学的形式主义，其次是一个健全的方法，利用有益的互动与人形机器人。特别是，我们提出了第一次尝试定义和利用人类帮助机器人完成特定的任务。因此，我们提出了一种基于任务的伙伴感知机器人控制技术。通过两个iCub人形机器人参与物理交互的实验，验证了理论结果。
2019-03-20 cs.RO
Improving Human Legibility in Collaborative Robot Tasks through Augmented Reality and Workspace Preparation
University of Colorado Boulder（科罗拉多大学博尔德分校）
针对人机协作中人类行为预测不准易引发安全问题的痛点，提出通过优化工作空间物体布置与AR投射虚拟障碍提升人类行为可解读性的算法，经两项用户研究验证可改善任务流畅度与安全性。
2023-11-09 cs.RO
Recent Advances in Human-Robot Collaboration Towards Joint Action
Italian Institute of Technology（意大利理工学院）；University of Genoa（热那亚大学）；The University of Manchester（曼彻斯特大学）
到目前为止，机器人作为独立的实体存在，但人类与机器人共生伙伴关系的前景即将到来。尽管最近在硬件方面取得了技术进步，但机器人仍然没有被赋予必要的关系技能，以确保其存在的社会成分。本文借鉴了我们的经验，机器人专家在人-机器人协作（HRC）与人形机器人，并提出了一些最新的进展，实现直观的机器人行为和合作伙伴意识到控制涉及物理交互。
2020-01-02 cs.RO
Human-Robot Gym: Benchmarking Reinforcement Learning in Human-Robot Collaboration
Technical University of Munich（慕尼黑工业大学）
本文提出人机健身房（human-robot gym），一个用于人机协作中安全强化学习的基准套件，包含八个真实任务并配备可证明安全性的防护盾，评估表明其任务具有挑战性，且基于动作的奖励可超越专家，过拟合可忽略。
2024-06-25 cs.RO
Encouraging Human Interaction with Robot Teams: Legible and Fair Subtask Allocations
Virginia Tech（弗吉尼亚理工大学）
最近的作品探索了人类和机器人团队之间的合作。如果人类已经与机器人团队合作，这些方法是有意义的;但是机器人首先应该如何鼓励附近的人类加入他们的团队？受行为经济学的启发，我们认识到人类关心的不仅仅是团队效率--人类对团队动态也有偏见和期望。我们的假设是，包容性机器人划分任务的方式（即，机器人如何将较大的任务分解为子任务分配）对于人类伙伴来说应该是清晰和公平的。在本文中，我们介绍了一种双层优化方法，使机器人团队能够识别高层次的子任务分配和低层次的轨迹，优化易读性，公平性，或两者的组合目标。然后，我们在人类观看或与机器人团队一起玩的研究中测试了我们的算法。我们发现，我们生成清晰团队的方法使人类的角色变得清晰，而且人类通常更喜欢加入清晰团队并与之合作，而不是只为效率而优化的团队。将公平性与易读性结合起来进一步鼓励参与：当人类与机器人一起玩时，我们发现他们更喜欢（可能效率低下的）子任务或努力被平均分配的团队。在这里观看我们的研究视频https://youtu.be/cfN7O5na3mg
2022-05-06 cs.RO
How do Humans take an Object from a Robot: Behavior changes observed in a User Study
KTH Royal Institute of Technology（瑞典皇家理工学院）
该研究通过用户实验观察人类从交互式机器人手中取物的行为，按拉力和用手习惯分类，并揭示反复交互拿取不同物体时的行为变化。
2025-01-03 cs.RO
Fog Robotics for Efficient, Fluent and Robust Human-Robot Interaction
University of Technology Sydney（悉尼科技大学）
机器人和人类之间的主动通信对于有效的人机交互至关重要。为了实现这一目标，云机器人技术（CR）被引入，使机器人增强其能力。它使机器人能够通过共享结果在云中执行广泛的计算。结果包括地图、图像、处理能力、数据、活动和其他机器人资源。但由于数据和流量的巨大增长，CR遭受严重的延迟问题。因此，不太可能扩展大量机器人，特别是在人机交互场景中，其中响应性至关重要。此外，与安全相关的其他问题，如隐私泄露和勒索软件攻击可能会增加。为了解决这些问题，在本文中，我们设想了下一代的社会机器人架构的基础上雾机器人（FR），继承雾计算的优势，以增强未来的社会机器人系统。这些新的架构可以通过将数据推到更接近机器人的位置来提升机器人的灵活性。此外，他们可以通过解决CR的问题来确保人机交互更具响应性。此外，实验结果进一步讨论了考虑的情况下，FR和延迟作为一个主要因素相比，CR模型。
2018-11-14 cs.RO
