Learning from Demonstration (LfD) constitutes one of the most robust methodologies for constructing efficient cognitive robotic systems. Despite the large body of research works already reported, current key technological challenges include those of multi-agent learning and long-term autonomy. Towards this direction, a novel cognitive architecture for multi-agent LfD robotic learning is introduced, targeting to enable the reliable deployment of open, scalable and expandable robotic systems in large-scale and complex environments. In particular, the designed architecture capitalizes on the recent advances in the Artificial Intelligence (AI) field, by establishing a Federated Learning (FL)-based framework for incarnating a multi-human multi-robot collaborative learning environment. The fundamental conceptualization relies on employing multiple AI-empowered cognitive processes (implementing various robotic tasks) that operate at the edge nodes of a network of robotic platforms, while global AI models (underpinning the aforementioned robotic tasks) are collectively created and shared among the network, by elegantly combining information from a large number of human-robot interaction instances. Regarding pivotal novelties, the designed cognitive architecture a) introduces a new FL-based formalism that extends the conventional LfD learning paradigm to support large-scale multi-agent operational settings, b) elaborates previous FL-based self-learning robotic schemes so as to incorporate the human in the learning loop and c) consolidates the fundamental principles of FL with additional sophisticated AI-enabled learning methodologies for modelling the multi-level inter-dependencies among the robotic tasks. The applicability of the proposed framework is explained using an example of a real-world industrial case study for agile production-based Critical Raw Materials (CRM) recovery.
Between Sense and Sensibility: Declarative narrativisation of mental models as a basis and benchmark for visuo-spatial cognition and computation focussed collaborative cognitive systems
University of Bremen（不来梅大学）
“\emph{sensing}”和“\emph{sensibility}”之间有什么区别？换句话说，什么样的认知过程介导了感知能力和可感知印象的形成-例如，抽象，类比，假设和理论的形成，信念和他们的修正，论点的形成-在特定领域的问题解决中，还是在日常生活，工作和简单地在环境中走动的常规活动中？如何才能知识和推理的能力，表现出人类在特定的问题背景下，被用来作为一个模型和基准的发展与人类的援助，保证和授权的协作认知（互动）系统？我们提出这些问题的背景下，一系列的辅助技术与\emph{visuo-spatial perception and cognition}任务，包括方面，如常识，创造力，专业领域的知识和解决问题的思维过程的应用。正在考虑的辅助技术包括：（a）人类活动解释;（b）高级认知旋转;（c）建筑和数字媒体创作等领域以人为本的创造性设计;（d）地理信息系统的定性分析。计算叙事不仅提供了丰富的认知基础，但他们也作为一个基准的功能性能在我们的发展计算认知辅助系统。我们认为，有关空间，行动和变化的计算叙事提供了一个有用的模型\emph{visual}和\emph{spatio-temporal thinking}在广泛的解决问题的任务和应用领域，协作认知系统可以提供一个辅助和授权功能。
MACBT: A Multi-Agent Cognitive Behavioral Therapy Decision Support System with Longitudinal Memory
Tsinghua University（清华大学）；Hangzhou Municipal Health Commission（杭州市卫生健康委员会）；Hangzhou Women’s Hospital (Hangzhou Maternity and Child Health Care Hospital)（杭州市妇产科医院（杭州市妇幼保健院））；Hangzhou Fushu Health Technology Co., Ltd（杭州福树健康科技有限公司）
A Vision Based Framework Integrating Attention and Action Cues for Interpretable Cognitive Workload Assessment in Human-Robot Collaborative Assembly
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；College of Future Technology, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）未来技术学院）
Trust and Cognitive Load During Human-Robot Interaction
Edinburgh Center For Robotics, Heriot-Watt University（赫瑞-瓦特大学爱丁堡机器人中心）；CITEC, Bielefeld University（比勒费尔德大学CITEC）
本文提出了一个探索性的研究，以了解人类的认知负荷，信任和拟人化之间的关系，在人机交互。为了理解这种关系，我们创建了一个\say{Matching the Pair}游戏，参与者可以与两种机器人类型之一合作，哈士奇或胡椒。我们的目标是了解人类是否会信任机器人作为队友，而在游戏的情况下，需要高水平的认知负荷。使用人形机器人与技术机器人，我们还研究了物理拟人化的影响，我们还测试了机器人出错率对后续判断和行为的影响。我们的研究结果表明，信任和认知负荷之间呈反比关系，这表明随着参与者认知负荷的增加，他们的信任度下降。我们还发现了机器人类型，错误率和参与者的信任评级之间的三重交互作用的影响。我们发现，参与者认为胡椒更值得信赖的哈士奇机器人相比，在玩游戏后，两个机器人在高错误率的条件下。相反，当哈士奇被描述为具有低错误率时，它被认为比胡椒更值得信赖。我们的研究结果是有趣的，并呼吁进一步调查的物理拟人化的影响，结合可变的错误率的机器人。
SENSAR: A Visual Tool for Intelligent Robots for Collaborative Human-Robot Interaction
在智能机器人和人类之间建立共同点需要将机器人的意图、行为和知识传达给人类，以建立信任并确保共享环境中的安全。本文介绍了SENSAR（Seeing Everything iN Situ with增强现实），一个增强现实机器人系统，使机器人能够在真实世界的背景下与渲染的图形交流他们的感官和认知数据，允许用户理解，纠正和验证机器人对世界的感知。我们的系统旨在通过建立人类和机器人的感知对齐的共同点来支持人机交互研究。
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；INESC-ID（INESC-ID（系统与计算机工程研究所））；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）
在社会机器人中，机器人需要能够被人类理解。特别是在协作任务中，他们必须分享共同的知识。例如，在教育场景中，学习者分享他们的知识，他们必须调整自己的行为，以确保他们被其他人理解。学习者的行为表现是为了表明他们的理解，教师的适应是为了确保学习者的知识是必要的。这种能力需要一个模型，他们自己的心理状态，由他人认为：\textit{"has the human understood that I(robot) need this object for the task or should I explain it once again ?"}在本文中，我们讨论了认知架构的重要性，使二阶相互建模的人与机器人的互动教育环境。
Understanding and Modeling Perceived Cognitive and Physical Strain Dynamics for Planning-Oriented Human-Robot Collaboration in Prefabricated Construction
Department of Civil, Environmental, and Geospatial Engineering, Michigan Technological University（土木、环境与地理空间工程系，密歇根技术大学）
Human-Like Robot Impedance Regulation Skill Learning from Human-Human Demonstrations
Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong（机械与自动化工程系，T-Stone机器人研究院，香港中文大学）；College of Science and Technology, Ningbo University（科学与技术学院，宁波大学）；Idiap Research Institute（Idiap研究机构）
