Theatre in the Loop: A Rehearsal-Based, Collaborative Workflow for Expressive Robotic Behaviours
University of Nottingham(诺丁汉大学);Nottingham Trent University(诺丁汉特伦特大学);Makers of Imaginary Worlds(想象世界制造者)
提出“剧场在环”框架,通过导演引导的即兴操控工作流,为艺术表演开发表达性机器人行为,并构建可复用运动模板数据集,初步验证了可行性,为跨学科团队提供协作模型。
2025-08-05 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
Safety Evaluation of Robot Systems via Uncertainty Quantification
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
在本文中,我们提出了一种在线和数据驱动的方式量化机器人系统的传播不确定性的方法。特别是在人机协作中,在运行时间内跟踪安全合规性至关重要:将危险情况错误地分类为安全可能会导致严重的事故。根据官方规定(例如ISO标准),工业机器人应用的安全性取决于关键参数,例如人类和机器人之间的距离和相对速度。然而,只有在对这些参数的可靠性进行测量的情况下,才能确保安全。虽然文献中存在不同的风险检测和缓解方法,但迄今为止,还缺少一种可用于在线评估安全限制的措施,并简明地表明情况是安全还是危险。出于这一动机,我们介绍了一种可推广的方法来计算传播的测量不确定性的任意参数,捕获的累积不确定性源于传感器设备和环境干扰的系统。为了证明我们的方法提供了正确的结果,我们在模拟中进行验证实验。此外,我们采用我们的方法在两个现实世界的设置,并演示如何量化传播的不确定性的关键参数,有利于评估安全在线人机协作。
2023-02-21 cs.RO
Decision-Aware Uncertainty Evaluation of Vision-Language Model-Based Early Action Anticipation for Human-Robot Interaction
本文提出了一种系统评估基于视觉语言模型的短期动作识别在人机交互中的不确定性方法,通过引入时间前缀评估协议和校准度量标准,揭示了部分观测下的误校准模式和失败模式,为信心门控的人机交互模块提供了可靠性证据。
2026-03-12 cs.RO
Towards Uncertainty Unification: A Case Study for Preference Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出不确定性统一偏好学习框架(UUPL),通过统一人类与机器人不确定性增强高斯过程偏好学习,实验证明其预测准确性和用户评分达到最先进水平。
2025-05-05 cs.RO
Uncertainty, Vagueness, and Ambiguity in Human-Robot Interaction: Why Conceptualization Matters
Knowledge Technology Group, Department of Informatics, University of Hamburg(汉堡大学信息学院知识技术组)
本文探讨了人机交互中不确定性、模糊性和歧义的概念差异与联系,提出一致的概念基础以提升理论发展和方法设计。
2026-03-10 cs.AI cs.HC 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
A Modal-Space Formulation for Momentum Observer Contact Estimation and Effects of Uncertainty for Continuum Robots
Department of Mechanical Engineering, Vanderbilt University(机械工程系,范德比尔特大学)
本文提出基于模态空间表示的广义动量观测器接触估计方法,结合实时形状感知和约束优化辨识接触力螺旋,并通过仿真实验验证其在连续体机器人动态接触检测中的有效性。
2025-05-05 cs.RO
HiCRISP: An LLM-based Hierarchical Closed-Loop Robotic Intelligent Self-Correction Planner
Shanghai Jiao Tong University(上海交通大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Oxford(牛津大学)
针对 LLM 机器人系统执行中难以自校正的问题,本文提出分层闭环框架 HiCRISP,可监控并修正高层规划与低层动作错误,虚拟和真实基准实验验证了其优越性能。
2024-04-08 cs.RO
Uncertainty Estimation for Safe Human-Robot Collaboration using Conservation Measures
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
我们提出了一种在线和数据驱动的不确定性量化方法,以实现安全的人机协作应用程序的开发。系统的安全性和风险评估与测量的准确性密切相关:独特的参数通常无法通过已知模型直接访问,因此必须进行测量。然而,由于传感器的有限性能,甚至未知的环境干扰或人类,测量通常会受到不确定性的影响。在这项工作中,我们量化这些测量的不确定性,利用守恒措施,这是定量的,系统特定的属性是恒定的,随着时间的推移,空间,或其他状态空间维度。我们的方法的关键思想在于在运行时参考守恒方程的传入数据的即时数据评估。特别是,我们估计违反先验已知的,特定领域的守恒性质,并考虑它们作为测量不确定性的后果。我们在人机协作的背景下验证了我们的方法,从而突出了我们对在真实世界条件下成功开发安全机器人系统的贡献的重要性,例如,在工业环境中。此外,我们展示了如何获得的不确定性值可以直接映射到任意的安全限制(例如,ISO 13849),允许在运行时监控安全标准的遵守情况。
2022-09-01 cs.RO
Adaptive Safety-critical Control with Uncertainty Estimation for Human-robot Collaboration
Queen’s University Belfast(贝尔法斯特女王大学)
针对人机协作中人类行为不确定带来的安全风险,提出融合 TVIBLF 与 AECBF 的自适应安全关键控制框架及二次惩罚最短路径方法,确保机器人在意外情况下仍满足安全约束并稳定切换跟踪与避碰模式。
2023-08-19 cs.RO
Uncertainty Aware-Predictive Control Barrier Functions: Safer Human Robot Interaction through Probabilistic Motion Forecasting
University of Verona, Department of Engineering for Innovation Medicine(威尼斯大学创新医学工程学院)
本文提出UA-PCBFs框架,将概率人手运动预测及不确定性估计与控制屏障函数结合,以动态安全裕度提升人机交互流畅性,并经真实实验证明可减少安全空间侵犯。
2025-08-28 cs.AI cs.RO
Uncertainty-aware Risk Assessment of Robotic Systems via Importance Sampling
Institute for Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院人形机器人与智能系统研究所(IAR))
针对机器人系统中时间与空间测量不确定性导致的风险,本文提出概率化不确定性感知评估方法,并利用重要性采样提升罕见危险事件估计的统计显著性。
2023-08-27 cs.RO
Multimodal Safe Control for Human-Robot Interaction
Carnegie Mellon University(卡内基梅隆大学)
针对离散模式及模式内均存在不确定性的人机交互场景,提出基于能量函数的MMSSA安全控制器,在不降低效率的同时提升安全性。
2024-07-01 cs.RO
Mathematical Models of Adaptation in Human-Robot Collaboration
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Human-Computer Interaction Institute, Carnegie Mellon University(卡内基梅隆大学人机交互研究所);Department of Computer Science, National University of Singapore(新加坡国立大学计算机科学系);Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
一个孤立运行的机器人需要对其世界模型中的不确定性进行推理,并调整自己的行动以应对这种不确定性。同样,与人互动的机器人需要对人类内部状态的不确定性进行推理,以及随着人类适应机器人,这种状态可能会如何变化。本文总结了我们自己在这方面的工作,其中描述了不同的方式,概率规划和博弈论算法可以使这样的推理与人合作的机器人系统。我们开始与一般制定的问题作为一个两个球员的游戏不完全信息。然后,我们阐述了这个一般公式中的不同假设,我们解释了这些如何导致令人兴奋的和多样化的机器人行为,在各种制造,个人机器人和辅助护理环境中与实际的人类受试者进行实时交互。
2017-08-04 cs.RO
SPARCS: Structuring Physically Assistive Robotics for Caregiving with Stakeholders-in-the-loop
Cornell University(康奈尔大学);Columbia University(哥伦比亚大学)
物理机器人的现有工作是有限的,在其提供长期援助的能力。这主要是由于(一)缺乏明确界定的问题,(二)任务多样性,以及(三)接触社区利益攸关方的机会有限。我们提出构建物理辅助机器人护理与利益相关者在循环(SPARCS),以解决这些挑战。SPARCS是一个物理机器人部署框架,包括(i)构建块,定义物理机器人部署场景的模型,(ii)结构化工作流,分层工作流,使我们能够回答物理机器人部署的是什么和如何,以及(iii)SPARCS-Box,一个基于网络的平台,以促进所有利益相关者之间的对话。我们收集的临床数据为6个不同残疾的照顾对象,并展示了使用SPARCS设计定义明确的治疗方案,并确定他们的护理要求。所有数据和工作流程都可以在SPARCS-Box上使用。我们证明了实用的SPARCS在建立一个机器人辅助喂养系统的照顾对象之一。我们还进行了实验,以显示该系统的适应性,以不同的浏览场景。最后,我们通过咨询护理人员和护理人员来确定物理机器人的开放性挑战。补充材料可以在https://emprise.cs.cornell.edu/sparcs/上找到。
2022-10-20 cs.RO
AAAI SSS-22 Symposium on Closing the Assessment Loop: Communicating Proficiency and Intent in Human-Robot Teaming
拟议的研讨会重点是理解,建模和提高(a)从人类到机器人的沟通能力和(b)从人类到机器人的沟通意图的有效性。例如,机器人应该如何在新任务中传达预测的能力?它应该如何报告刚刚完成的任务的性能?机器人应该如何根据人类的意图和价值观调整其熟练程度标准?人工智能、机器人技术、HRI和认知科学领域的社区已经解决了相关问题,但对于评估熟练程度和基于意图的交互没有达成一致的标准。由于各种原因,这是人机交互的紧迫挑战。先前的工作表明,一个机器人,可以评估其性能可以改变人类的机器人和控制分配的决定。在机器人领域也有重要的证据表明,准确地设定人类的期望是至关重要的,特别是当熟练程度低于人类期望时。此外,熟练度评估取决于上下文和意图,人类队友可能会增加或减少性能标准,调整对风险和不确定性的容忍度,要求影响注意力分配的预测评估,或以其他方式重新评估或调整意图。
2022-04-05 cs.AI cs.RO
Conformalized Teleoperation: Confidently Mapping Human Inputs to High-Dimensional Robot Actions
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对低维人类输入到高维机器人动作的黑盒映射不确定性难评估的问题,提出结合自适应共形预测校准动作分位数的方法,可检测高不确定性输入与状态,为机器人主动寻求干预奠定基础。
2024-07-10 cs.LG cs.RO
Giving Robots a Voice: Human-in-the-Loop Voice Creation and open-ended Labeling
Max Planck Institute for Empirical Aesthetics(马克斯·普朗克经验美学研究所);University of Augsburg(奥格斯堡大学)
本研究通过人在回路流程为机器人图像匹配声音,并利用开放式标注构建分类法,以预测新机器人的最佳声音,提供定制工具。
2024-02-07 cs.HC cs.RO
Uncertainty Expression for Human-Robot Task Communication
U.S. Naval Research Laboratory(美国海军研究实验室)
针对机器人环境知识不足的问题,本研究构建含三种交互界面的不确定性表达系统以收集用户场景洞察,经用户研究验证排序界面的可用性与效率最优,绘制界面准确性最低。
2025-03-11 cs.HC cs.RO
Human-in-the-loop Robotic Grasping using BERT Scene Representation
Fudan University(复旦大学);Westlake University(西湖大学);Australian National University(澳大利亚国立大学);Westlake Institute for Advanced Study(西湖高等研究院)
当前的自然语言处理技术已经在不同的领域得到了广泛的应用。在本文中,我们提出了一个人在环框架的机器人在混乱的场景中抓取,研究语言接口的把握过程中,它允许用户干预的自然语言命令。这个框架是建立在一个国家的最先进的粗锉基线,在那里,我们取代了场景图表示与文本表示的场景使用BERT。仿真和物理机器人实验表明,该方法优于传统的对象不可知和场景图为基础的方法在文献中。此外,我们发现,通过人为干预,性能可以显着提高。
2022-09-28 cs.HC cs.RO