Hierarchical Intention-Aware Expressive Motion Generation for Humanoid Robots
Department of Computer Science, University College London(计算机科学系,伦敦大学学院)
针对人机交互中意图识别与实时表达性运动生成问题,提出融合ICL意图推理和扩散模型的分层框架,并通过物理平台验证其鲁棒性与社交一致性。
2025-09-27 cs.RO
Bayesian Intention for Enhanced Human Robot Collaboration
Massachusetts Institute of Technology(麻省理工学院)
本文提出贝叶斯意图(BI)框架,通过多模态信息建模人类行为与场景相关性,实现UR5机器人协作中2.69毫秒实时意图预测与碰撞避免,显著提升精确率、F1分数和准确率。
2024-10-01 cs.RO
HINT-Blimp: Human INTent Inference from Multimodal Cues for Robotic Blimps
Lehigh University(理海大学);Swarthmore College(斯沃斯莫尔学院);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种基于多模态稀疏信号(推力与语音)的人机交互框架,利用参数化线性动态系统和粒子滤波在线推断人类意图,并在机器人飞艇上验证,300次试验中86%在五次交互内识别目标,并能生成避障轨迹。
2026-09-29 cs.RO
IDAGC: Adaptive Generalized Human-Robot Collaboration via Human Intent Estimation and Multimodal Policy Learning
Chinese Academy of Sciences(中国科学院);Institute of Automation(自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Zhejiang University(浙江大学);Beijing Zhongke Huiling Robot Technology Co., LTD(北京中科创联机器人科技有限公司)
本文提出IDAGC框架,利用多模态数据和CVAE估计人类意图,自动切换协作模式并学习多任务策略,以克服现有人机协作方法局限于单一模式的问题。
2025-07-07 cs.RO
Adaptive Motion Planning via Contact-Based Intent Inference for Human-Robot Collaboration
Department of Mechanical Engineering, Texas A&M University(机械工程系,德克萨斯A&M大学);Department of Civil and Environmental Engineering, Texas A&M University(土木与环境工程系,德克萨斯A&M大学)
针对人机协作中机器人需适应人类意图的问题,提出接触信息自适应运动规划框架,通过力估计和接触检测推断意图并在线修正运动,实验验证了其有效性。
2025-10-09 cs.RO
What Are You Looking at? Detecting Human Intention in Gaze based Human-Robot Interaction
University of Antwerp(安特卫普大学)
在基于凝视的人机交互(HRI)中,确定人的意图以进行进一步的交互是很重要的。凝视意图通常被建模为固定。然而,当看一个物体时,它是不自然的,并且很难长时间保持注视在一个点上。扫视可以在人仍然聚焦于对象时发生。人类意图的预测将在扫视期间丢失。此外,当人类意图在对象上时,由于不同的噪声源,注视可能位于对象限界框之外,这将导致错误的否定预测。在这项工作中,我们提出了一种新的方法来检测人类是否专注于HRI应用中的对象。我们通过比较假设注视与实际注视之间的相似性来确定注视意图。我们使用地球移动器的距离(EMD)来衡量相似性和1最近邻分类对象的人正在看。我们的实验结果表明,相比固定,我们的方法可以成功地确定人类的意图,即使在扫视眼球运动,并提高分类精度与嘈杂的凝视数据。我们还证明,在与机器人的互动,所提出的方法可以获得成功的预测内的对象选择的高精度。
2019-09-17 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
On the Feasibility of EEG-based Motor Intention Detection for Real-Time Robot Assistive Control
School of Engineering and Applied Science, University of Pennsylvania(宾夕法尼亚大学工程与应用科学学院)
本研究验证了基于EEG的运动意图检测在实时机器人辅助控制中的可行性,通过切空间投影特征与SVM分类器,在预录制和机器人回路中分别达到86.88%和70%的准确率。
2024-03-13 cs.RO
Vision- and tactile-based continuous multimodal intention and attention recognition for safer physical human-robot interaction
本文提出结合简单触觉传感器与机器人摄像头进行姿态和注视分析,实现连续多模态意图与注意力识别,在Baxter上以86%的F1分数区分有意接触与意外碰撞,并通过特征降维提升泛化能力与安全性。
2023-04-19 cs.RO
Model-Based Testing, Using Belief-Desire-Intentions Agents, of Control Code for Robots in Collaborative Human-Robot Interactions
University of Bristol(布里斯托大学);University of the West of England(西英格兰大学)
机器人助手的软件需要进行验证,以确保其安全性和功能正确性。模拟测试允许验证中的高度真实性。然而,在执行大部分代码的同时,生成涵盖人机交互(HRI)任务中有趣的预见和不可预见场景的测试仍然是一个挑战。我们建议使用的信念,愿望,意图(BDI)代理在测试环境中,以增加模拟机器人的现实主义和人性化的刺激水平。人工智能,如代理理论,可以用于更智能的测试生成。在机器人操作系统(ROS)和Gazebo中实现了一个自动化测试平台,用于模拟人形机器人和人之间的协同工作台装配任务。验证了此任务的需求,并发现了一些意外的设计问题,从而可能导致代码改进。我们的研究结果突出了BDI代理的实用性,自动生成有效的和人性化的测试,以获得高的代码覆盖率,相比手写的定向测试,伪随机生成,和其他变体的基于模型的测试生成。此外,BDI代理允许覆盖HRI系统的组合行为,比编写用于模型检验的时序逻辑属性更容易。
2016-03-02 cs.RO
How to Communicate Robot Motion Intent: A Scoping Review
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)
本文通过范围综述提出机器人运动意图传达模型,从意图类型、信息和位置三个维度系统化现有研究,并据此分类文献以揭示关键模式与未来研究方向。
2023-08-08 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
Controlling Intent Expressiveness in Robot Motion with Diffusion Models
Sorbonne Université, CNRS, Institut des Systèmes Intelligents et de Robotique (ISIR)(索邦大学、国家科学研究中心、智能系统与机器人研究所)
本文提出一种基于信息势场和两阶段扩散模型的运动生成框架,实现从高度可读到高度模糊的连续可控意图表达,在2D和3D任务中性能与SOTA相当。
2025-10-14 cs.RO
Adaptable Human Intention and Trajectory Prediction for Human-Robot Collaboration
Peking University(北京大学);Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
为了实现安全、高效的人机协作,对人类行为进行高保真预测至关重要。做出准确预测的挑战在于人类行为的随机性和异质性。本文介绍了一种通过多任务模型来预测人的轨迹和意图的方法,该模型适用于不同的人类主体。提出了一种非线性递归最小二乘参数自适应算法(NRLS-PAA)实现在线自适应。实验结果验证了该方法的有效性和灵活性。特别是,在线自适应可以将新的人类受试者的轨迹预测误差减少28%以上。所提出的人类预测方法具有高度的灵活性、数据效率和通用性,可以支持快速集成HRC系统以完成用户指定的任务。
2019-09-11 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
A Service Robot in the Wild: Analysis of Users Intentions, Robot Behaviors, and Their Impact on the Interaction
Dalle Molle Institute for Artificial Intelligence (IDSIA)(戴尔·莫勒人工智能研究所)
本文研究服务机器人通过预测用户意图并主动执行递送手势对交互的影响,基于1777名用户的真实世界数据发现主动发起交互能提高用户参与度,并公开数据集以促进复现。
2024-10-04 cs.RO
Hierarchical Adaptive Control for Collaborative Manipulation of a Rigid Object by Quadrupedal Robots
University of Southern California(南加州大学)
本文提出一种用于四足机器人协作操作刚性物体的分层控制系统,包含自适应力计算、基于QP的力分配与接触点优化、以及分散式移动操作控制器,成功在仿真中实现不同地形下操作18kg未知物体并保持稳定。
2023-07-28 cs.RO
Mirror Skin: In Situ Visualization of Robot Touch Intent on Robotic Skin
Saarland University, Saarland Informatics Campus(萨尔兰大学,萨尔兰信息技术校区);Honda Research Institute Europe(本田欧洲研究院)
镜肤通过高分辨率视觉反馈提升机器人触觉意图的传达,提高交互准确性并减少响应时间。
2026-09-23 cs.HC cs.RO
Communicating human intent to a robotic companion by multi-type gesture sentences
Czech Technical University in Prague(布拉格捷克理工大学);Czech Institute of Informatics, Robotics, and Cybernetics(捷克信息学、机器人与控制论研究所)
提出手势伪语言结合CosyPose与行为树,实现多类型手势向机器人传达意图并支持操作模式切换,使7自由度机械臂执行时间降低60%。
2023-03-08 cs.RO
DTRT: Enhancing Human Intent Estimation and Role Allocation for Physical Human-Robot Collaboration
CAS Engineering Laboratory for Intelligent Industrial Vision, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所CAS工程视觉实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对物理人机协作中意图估计与角色分配不足的问题,提出基于双Transformer的分层架构DTRT,融合人类运动与力数据,利用CVAE和微分博弈实现准确预测与动态调整,实验验证其优越性。
2025-05-26 cs.AI cs.RO
An intent-based approach for creating assistive robots' control systems
Warsaw University of Technology(华沙理工大学)
当前机器人技术的研究水平要求对机器人控制器的开发采用通用的方法。在辅助机器人领域,人机交互起着重要的作用。特别是,人类产生的意图,影响机器人控制系统。在文章中,提出了一种方法来创建辅助机器人的控制系统,该系统对用户通过语音命令、按钮或操作员控制台传递的意图做出反应。整个方法被应用到由定制的TIAGo机器人和附加硬件组件组成的实际系统中。在该平台上进行的示例性实验说明了辅助机器人中人机界面多样化的动机。
2021-12-02 cs.RO cs.SE
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
HAIR: Head-mounted AR Intention Recognition
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
人类团队表现出隐式和显式的意图共享。为了进一步发展人机协作,意图识别是至关重要的。目前的方法依赖于一个巨大的传感器套件和周围的机器人来实现意图识别。这使得直观的人机协作纯粹依赖于这种庞大的系统,由于其复杂性和成本,这些系统不适合大规模的真实世界场景。在本文中,我们提出了一个意图识别系统,这是纯粹基于一个便携式盔装显示器。此外,还支持机器人意图可视化。我们提出的实验,以显示我们的人类目标估计组件的质量和一些基本的互动与工业机器人。HAIR应该提高机器人和人类之间的互动质量,而不是让人类同事脖子上的头发竖起。
2021-02-22 cs.HC cs.RO
LIT: Large Language Model Driven Intention Tracking for Proactive Human-Robot Collaboration -- A Robot Sous-Chef Application
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对长时序人机协作中机器人需频繁提示确认动作的问题,提出语言驱动意图追踪LIT方法,通过LLM与VLM预测人类意图实现主动协作,在烹饪任务中验证了人机配合流畅性。
2024-06-19 cs.CV cs.RO
Hierarchical Deep Learning for Intention Estimation of Teleoperation Manipulation in Assembly Tasks
University of California, Riverside(加州大学河滨分校);Honda Research Institute(本田研究所)
本文提出一种分层深度学习方法,通过多尺度分层信息和多窗口预测机制,在装配任务遥操作中实现低层动作与高层任务的快速准确意图估计,并在VR仿真中验证其有效性。
2024-03-28 cs.AI cs.LG cs.RO
Underwater Intention Recognition using Head Motion and Throat Vibration for Supernumerary Robotic Assistance
Southern University of Science and Technology(南方科技大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出可穿戴式头部运动与喉部振动多模态检测方案,结合机器学习识别潜水员意图并转换为水下额外机械肢控制指令。
2023-08-16 cs.HC cs.RO
Effective Explanations for Belief-Desire-Intention Robots: When and What to Explain
LASR Lab, TU Dresden(德累斯顿技术大学LASR实验室);Department of Computing Science, Carl von Ossietzky Universität Oldenburg(奥尔登堡卡尔·冯·奥西特齐克大学计算机科学系)
本文研究BDI机器人在日常清洁任务中何时及如何向用户解释其行为,通过用户偏好调查提出识别意外行为并生成简洁有效解释的两种算法,以提升人机交互体验。
2025-07-02 cs.AI cs.RO
Early Detection of Human Handover Intentions in Human-Robot Collaboration: Comparing EEG, Gaze, and Hand Motion
KTH Royal Institute of Technology(皇家理工学院);Ericsson Research(爱立信研究院)
本文针对人机协作中区分交接意图与其他动作的研究空白,通过多模态分析比较脑电图、gaze和手部运动信号,首次在同一实验环境中系统开发并测试跨模态意图检测器,发现gaze信号在交接意图检测中最早且最准确。
2025-02-17 cs.HC cs.RO
Understanding Contexts Inside Robot and Human Manipulation Tasks through a Vision-Language Model and Ontology System in a Video Stream
University of Alberta(阿尔伯塔大学)
日常生活中的操作任务,如倒水,在特定的操作情境下有意识地展开。随着时间的推移,能够处理这些日常生活活动(ADL)中的上下文知识可以帮助我们理解操纵意图,这对于智能机器人在各种操纵动作之间平稳过渡至关重要。在本文中,建模的预期概念的操作,我们提出了一个视觉数据集下的严格约束的知识域的机器人和人类的操作,其中操作的概念和关系存储在一个本体系统的分类方式。此外,我们提出了一个计划,以产生一个组合的视觉注意力和不断发展的知识图谱充满常识知识。我们的计划与现实世界的摄像机流和融合基于注意力的视觉语言模型与本体系统。实验结果表明,该方案可以成功地代表一个预期的对象操作过程的机器人和人类的演变。该方案允许机器人通过观看实时视频来模仿人类的有意行为。我们的目标是进一步发展这个计划,为现实世界的机器人智能人机交互。
2020-03-02 cs.CV 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
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
Guessing human intentions to avoid dangerous situations in caregiving robots
RoboLab, University of Extremadura(罗沃实验室,埃斯特雷马杜拉大学)
本研究针对看护社交机器人需规避人类危险的需求,提出基于人工心理理论(ATM)与“类我”策略的危险检测算法,可实时选动作消险,经三类场景验证具高鲁棒性、精度与实时性。
2024-07-09 cs.AI 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
A Review on Robot Manipulation Methods in Human-Robot Interactions
Institute of Intelligent Systems Research and Innovation (IISRI), Deakin University(迪肯大学智能系统研究与创新研究所);Harvard Paulson School of Engineering and Applied Sciences, Harvard University(哈佛大学哈佛保尔森工程与应用科学学院)
本文综述了人机交互中机器人操作算法的近期自主与自适应学习方法,重点比较了Reinforcement Learning和Imitation Learning的主要特征与流行算法及其在复杂环境中的应用。
2023-09-09 cs.HC cs.RO
IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Nanjing University(南京大学);University of Science and Technology of China(中国科学技术大学);Dexmal
针对现有VLA模型缺乏隐式意图推理能力的问题,提出IntentionVLA框架,通过课程训练和紧凑推理输出指导动作生成,在意图指令和分布外任务上显著提升成功率,并支持零样本人机交互。
2025-10-09 cs.AI cs.CV cs.RO
Multimodal Interaction and Intention Communication for Industrial Robots
Technical University of Munich(慕尼黑工业大学);Bosch Corporate Research(博世公司研究部);Örebro University(厄勒布鲁大学)
本文提出非人形工业机器人通过小型拟人代理进行多模态交互,利用大语言模型增强通信,以提升人机交互的安全与效率。
2025-02-25 cs.HC cs.RO
Intent Representation and Human Distraction Modulate the Effects of Legible Robot Motion in Hallway Navigation
University of Michigan at Ann Arbor(密歇根大学安娜堡分校)
本研究通过两项用户研究,探讨社交机器人走廊导航中意图表示与人类注意力对可读运动的影响,发现交互级意图表示能提升协调性,且部分效果在分心时仍存。
2026-11-13 cs.HC cs.RO
TATIC: Task-Aware Temporal Learning for Human Intent Inference from Physical Corrections in Human-Robot Collaboration
Department of Mechanical Engineering, Texas A&M University(机械工程系,德克萨斯农工大学);Department of Civil and Environmental Engineering, Texas A&M University(土木与环境工程系,德克萨斯农工大学)
TATIC通过结合扭矩接触力估计和任务感知的时序卷积网络,实现从物理修正中推断任务级意图和连续运动参数,提升人机协作中的意图识别与运动适应能力。
2026-03-10 cs.RO cs.SY eess.SY
Disentangled Sequence Clustering for Human Intention Inference
Imperial College London(帝国理工学院)
让机器人具备推断人类意图的能力是有效协作的重要前提。大多数实现这一目标的计算方法得出的概率分布的“意图”的机器人的感知状态的条件。然而,这些方法通常假设人类意图的任务特定标签是先验已知的。为了克服这一限制,我们提出了解纠缠序列聚类变分自编码器(DiSCVAE),一个聚类框架,能够学习这样的意图分布在一个无监督的方式。该框架利用无监督学习的最新进展来解开序列数据的潜在表示,将时变局部特征与时不变全局属性分离。作为一种新的扩展,DiSCVAE还推断出一个离散变量,形成一个潜在的混合模型,从而使这些全局序列的概念,如高层次的意图聚类。我们评估了使用机器人轮椅收集的真实世界的人机交互数据集上的DiSCVAE。我们的研究结果表明,推断出的离散变量与人类的意图相吻合,为协作设置,如共享控制,持有承诺。
2022-08-01 cs.LG cs.RO
Robot-stated limitations but not intentions promote user assistance
Sheffield Robotics, University of Sheffield(谢菲尔德大学谢菲尔德机器人中心);Department of Psychology, University of Sheffield(谢菲尔德大学心理学系)
人机交互(HRI)的研究通常是建立在机器人帮助人类实现人类主导的目标或共享任务的前提下。然而,在HRI期间有许多情况下,机器人可能需要人类的帮助来完成共享任务或实现目标。我们使用ROBO-GUIDE模型作为案例研究,并从社会心理学的见解,研究机器人的个性如何影响用户合作。一项针对364名参与者的研究表明,人们可能更喜欢使用讨人喜欢的社交机器人,而不是那些看起来更有能力的机器人;这一结果反映了人类人际关系中已知的社会决策。这项工作进一步证明了社会心理学在开发社交机器人和探索HRI方面的价值。
2016-06-08 cs.HC cs.RO
Getting to Know One Another: Calibrating Intent, Capabilities and Trust for Human-Robot Collaboration
National University of Singapore(新加坡国立大学)
共同的经验表明,相互了解的代理人能够更好地合作。在这项工作中,我们解决了人机协作中校准意图和能力的问题。特别是,我们专注于机器人试图帮助无法直接传达其意图的人类的场景。此外,两个代理可能具有彼此未知的不同能力。我们采用了决策理论的方法,并提出了TICC-POMDP建模这种设置,与相关的在线求解器。实验表明,我们的方法导致更好的团队表现,无论是在模拟和现实世界的研究与人类受试者。
2020-08-03 cs.AI cs.HC cs.MA
MINT-RVAE: Multi-Cues Intention Prediction of Human-Robot Interaction using Human Pose and Emotion Information from RGB-only Camera Data
College of Science and Engineering, Hamad Bin Khalifa University(哈马德·本·哈利法大学科学与工程学院)
本文提出仅用RGB数据的MINT-RVAE方法,通过合成序列生成、新损失函数与训练策略缓解类别不平衡,实现帧级人机交互意图预测,AUROC达0.95并超越先前工作。
2025-09-26 cs.CV cs.RO
Towards Dialogue-based Navigation with Multivariate Adaptation driven by Intention and Politeness for Social Robots
University of Hamburg(汉堡大学);SoftBank Robotics Europe(软银机器人欧洲公司)
服务机器人需要表现出适当的社会行为,以便部署在医疗保健,教育,零售等社会环境中,机器人应该具有的一些主要功能是导航和会话技能。如果这个人不耐烦,他可能希望机器人导航得更快,反之亦然。表明礼貌的语言特征可以提供有关一个人的耐心和不耐烦行为的社会线索。本文提出的新颖之处是动态地将礼貌的机器人对话系统导航。理解用户言语中的礼貌可以用来调节机器人的行为和反应。因此,我们开发了一个对话系统,在室内环境中导航,产生不同的机器人的行为和反应的基础上用户的意图和礼貌程度。我们部署和测试我们的系统与胡椒机器人,适应用户的礼貌的变化。
2018-11-14 cs.AI cs.CL cs.RO
Perception-Intention-Action Cycle in Human-Robot Collaborative Tasks
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)(工业机器人与信息研究所(西班牙国家研究委员会-加泰罗尼亚理工大学))
在这项工作中,我们认为,在人机协作(HRC)任务,HRC任务中的感知-动作循环不能完全解释人类和机器人的协作行为,它必须扩展到感知-意图-动作循环,其中意图是一个关键的话题。在某些情况下,代理意图可以被其他代理感知或推断,但在其他情况下,它必须被明确地告知其他代理以成功实现HRC任务的目标。知觉-意图-行动循环包括三个基本的功能过程:知觉-意图、情境意识和行动。感知和意图是情境意识的输入,情境意识评估当前的情境并将其投射到未来的情境中。代理接收此信息,计划并同意要执行的操作,并在执行HRC任务时修改其操作角色。在这项工作中,我们验证了联合物体运输任务中的感知-意图-行动循环,通过使用现实生活和社会力量的力模型对感知-意图-行动循环进行建模。感知的世界被投射到一个力的世界和人类的意图(感知或通知)也被建模为一个力,在HRC任务的行为。最后,我们表明,行动的角色(主从,合作,中立或对手)是固有的任何HRC任务,他们出现在不同的步骤中的一个合作序列的行动执行任务期间。
2022-06-01 cs.AI cs.HC cs.RO
Real-Time Human-Robot Interaction Intent Detection Using RGB-based Pose and Emotion Cues with Cross-Camera Model Generalization
College of Science and Engineering, Hamad Bin Khalifa University(科学与工程学院,哈马德·本·卡西姆大学)
本文提出了一种基于RGB姿态和情绪线索的实时人机交互意图检测方法,通过MINT-RVAE生成意图序列,实现跨摄像头和环境的强泛化能力。
2025-12-18 cs.AI cs.RO
Designing Intent: A Multimodal Framework for Human-Robot Cooperation in Industrial Workspaces
Aalto University(阿alto大学);TU Wien(维也纳技术大学)
本文提出一个基于SAT框架的多维设计空间,用于工业人机协作中意图沟通,涵盖内容、规划视野和模态,旨在指导多模态策略设计并奠定透明交互工具包基础。
2025-06-18 cs.HC cs.RO
HOI4ABOT: Human-Object Interaction Anticipation for Human Intention Reading Collaborative roBOTs
Technische Universität Wien (TU Wien)(维也纳技术大学);Institute of Robotics and Mechatronics (DLR), German Aerospace Center(德国航空航天中心机器人与机电一体化研究所)
本文提出基于Transformer的HOI预测框架HOI4ABOT,使协作机器人能从视频中高效检测并预测人-物交互,在VidHOI数据集上以15.4倍速度优势超越现有方法,并通过真实机器人实验验证了预测能力对人机协作的关键作用。
2024-04-08 cs.CV cs.RO
EDITH: Teaching Robot to Follow Nonverbal Human Intent from Egocentric Vision and Gaze
KAIST(韩国科学技术院);Seoul National University(首尔国立大学)
提出EDITH框架,通过智能眼镜捕捉人类第一人称视角、注视和语言信号,设计分层策略将非语言信号与语言指令结合,实现更自然的人机交互,减少用户表达意图的负担。
2026-10-20 cs.AI cs.RO
Natural grasp intention recognition based on gaze fixation in human-robot interaction
Huazhong University of Science and Technology(华中科技大学);Nagoya University(名古屋大学)
眼动与肢体动作密切相关,因此可以用来推断动作意图。更重要的是,在某些情况下,眼球运动是瘫痪和有严重运动障碍的患者与环境沟通和互动的唯一途径。尽管如此,眼动追踪技术作为一种意图识别方法的应用场景仍然非常有限。本文的目标是实现一种基于自然注视的抓取意图识别方法,使手部运动障碍的用户能够通过直接注视感兴趣的物体来直观地表达他/她想要做什么任务。为此,我们设计了实验来研究不同任务中注视的关系。我们从这些关系中提出了一些定量特征,并对其进行了统计分析。然后设计了一种自然的抓取意图识别方法。实验结果表明,该方法对训练对象的抓取意图识别准确率超过89%.将该方法推广应用于训练集以外的对象,平均准确率超过85%。实际环境下的抓取实验验证了该方法的有效性。
2020-12-16 cs.HC cs.RO
CoBaIR: A Python Library for Context-Based Intention Recognition in Human-Robot-Interaction
University of Bremen(不来梅大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
本文提出CoBaIR这一可适配Python库,通过集成两层贝叶斯网络实现基于情境的人机交互意图识别,兼具可解释性、可扩展性,并可在无数据时作为专家系统、有数据时进行微调。
2023-08-10 cs.HC cs.RO
Cognitive and motor compliance in intentional human-robot interaction
Okinawa Institute of Science and Technology(冲绳科学技术大学院大学)
人-机器人交互中的主体性和主观体验是研究自然认知和自适应机器人对人类环境的适应性时需要考虑的重要方面。虽然一些研究集中在非语言交流和合作,自主物理互动的研究得到较少的关注。从神经机器人的角度,我们探讨了意向性,运动顺应性,认知顺应性和行为涌现之间的关系。我们提出了一个变分模型的预测编码和主动推理的原则,研究意向性和认知的遵守,和间歇控制的概念,电机审议和遵守的基础上扭矩反馈的启发。我们的实验与人形Torobo肖像有趣的角度为生物启发的研究发展和社会过程。
2020-06-30 cs.HC cs.NE cs.RO
Risk-Calibrated Human-Robot Interaction via Set-Valued Intent Prediction
Princeton University(普林斯顿大学)
提出风险校准交互规划框架(RCIP),通过集值风险校准理论和序列级多假设检验控制人机交互中的不确定性风险,在保证统计性能的同时最小化人类澄清成本,实现零样本合作中对动态人类意图的预测与适应。
2024-04-23 cs.RO cs.SY eess.SY
Situational Confidence Assistance for Lifelong Shared Autonomy
UC Berkeley(加州大学伯克利分校)
共享自治使机器人能够推断用户的意图并协助完成它。但是当用户想做一个机器人不知道的新任务时,共享自治会试图帮助他们做一些不是他们意图的事情,从而阻碍他们的表现。我们的关键想法是,机器人可以检测到何时其意图不足以解释用户的输入,并将控制权交还给他们。然后,这使机器人能够观察不受阻碍的任务执行,学习其背后的新意图,并将其添加到该指令集中。我们通过案例研究和用户研究证明,当人类的意图在机器人的曲目中时,我们所提出的方法保持良好的性能,当人类的意图不在机器人的曲目中时,优于先前的共享自治方法,并成功地学习新技能,从而实现基于信心的共享自治的有效终身学习。
2021-04-14 cs.HC cs.LG cs.RO
Estimating Human Intent for Physical Human-Robot Co-Manipulation
人类团队在使用共享的心理模型进行操作任务时,可以非常有效地进行适应和协作。然而,在协作操作任务期间,人类可以使用相同的共享心智模型来执行鲁棒的低级别力和运动控制,而机器人则不存在。为了让机器人能够自然、高效地与人类执行协作任务,理解和预测人类的意图是必要的。然而,人类很难预测和建模。我们已经完成了一项探索性研究,记录了20个人的运动和力量,以更好地了解他们如何移动以及如何预测他们的运动。在本文中,我们将展示如何使用过去的运动数据来预测人类的意图。为了预测人类的意图,我们将其等同于人类团队在短时间内的速度,我们使用了神经网络。以200 Hz的频率使用前150个时间步长,可以预测接下来50个时间步长的人类意图,均方误差为0.02(m/s)^2。我们还表明,人类的意图,可以估计在一个人-机器人二元。这项工作是重要的第一步,使未来的工作集成人类意图估计机器人控制器执行短期协作轨迹。
2017-05-30 cs.RO