Designing robots with the context in mind -- One design does not fit all
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Delft University of Technology(代尔夫特理工大学)
机器人的视觉品质影响着人们对机器人特性的感知,并影响着用户对机器人的行为和态度。近年来,社会辅助机器人(SAR)在各种环境和功能中与各种用户交互的需求不断增长。由于SAR类型具有功能差异,因此用户体验必须因使用环境、功能、用户特征和环境条件而异。尽管如此,SAR制造商通常针对不同的环境设计和部署相同的机器人实施例。我们认为,特区的视觉设计需要一个更科学的方法,考虑到他们在未来社会中的多个不断变化的角色。在这项工作中,我们定义了四个上下文层:SAR存在的域,物理环境,其预期的用户,和机器人的角色。通过在线调查问卷,我们收集了潜在用户对四种不同SAR的期望特性和视觉质量的期望:辅助生活/退休住宅设施的服务机器人,医院环境的医疗助理机器人,COVID-19官员机器人和家用个人助理机器人。结果表明,用户的期望不同的机器人的期望特性和预期的视觉质量为每个上下文和用例。
2022-11-08 cs.RO
Understanding Robot Minds: Leveraging Machine Teaching for Transparent Human-Robot Collaboration Across Diverse Groups
Carnegie Mellon University(卡内基梅隆大学)
本文提出一种适用于多样化群体的机器教学算法,利用团队信念表示教授不同学习者组成的团队,发现团队信念策略能更好适应多样化团队,而个体信念策略适合同质且缺乏经验的群体,强调需实时评估并调整教学策略。
2024-04-23 cs.RO
Creating a Robot Coach for Mindfulness and Wellbeing: A Longitudinal Study
University of Cambridge(剑桥大学)
社交机器人开始通过帮助促进身心健康而融入日常生活。本文研究了使用社交机器人提供正念课程。我们创建了一个远程操作的机器人平台,使经验丰富的人类教练能够通过实时的复制上身和头部姿势,以虚拟的方式进行训练。教练还能够从机器人的角度看待世界,并通过机器人与参与者交谈和倾听。我们研究了参与者如何在5周内与遥控机器人正念教练互动,并与另一组参与者与人类教练的互动进行了比较。这两种类型的教练提供的正念课程引起了参与者对所有课程的积极反应。我们发现,参与者对与人类教练的互动在各个方面的评价都很高。然而,有一个纵向变化的评级与遥控机器人的互动方面的运动和对话。我们还发现,参与者的性格特征--焦虑和神经质--影响了机器人教练的看法。
2020-06-11 cs.HC cs.RO
One Body, Two Minds: Variable Autonomy Approach for a Co-embodied Robotic Hand
KTH Royal Institute of Technology(瑞典皇家理工学院);INCAR Robotics AB(INCAR Robotics AB公司)
提出共体可变自主性方法,让人类与机器人共享同一身体并在任务阶段切换自主级别,通过用户研究验证了该方法在辅助机器人中的有效性。
2026-06-25 cs.RO
I've Changed My Mind: Robots Adapting to Changing Human Goals during Collaboration
Department of Computer Science, Yale University(计算机科学系,耶鲁大学)
本文提出了一种机器人在协作中适应变化的人类目标的方法,通过跟踪动作序列和递推时间规划提高目标预测准确性。
2025-11-19 cs.RO
Robot-Assisted Mindfulness Practice: Analysis of Neurophysiological Responses and Affective State Change
University of Tokyo(东京大学)
正念是有目的地关注当下的状态,冥想是获得这种状态的技术。本研究旨在开发一种通过脑机接口(BCI)系统促进正念训练的机器人助手。为了实现这一目标,我们收集了来自两组参与冥想与非冥想人类机器人交互(HRI)的受试者的EEG信号,并评估了大脑半球的不对称性,这被认为是情绪状态的一个明确指标。此外,使用自我报告的情感状态,我们努力解释不对称性的变化,实验前后的情绪变化的基础上。我们发现,与早期的冥想研究不同,α和θ频段的额中枢激活不受机器人引导的正念练习的影响,然而,冥想组的枕叶γ频段的右侧活动明显更大,这归因于增加的感官意识和开放式监测。此外,时间对参与者自我报告的影响有显着的主效应,表明与机器人互动后情绪得到改善,无论互动类型如何。我们的研究结果表明,在机器人引导的冥想过程中,EEG反应有望实时检测和向用户反馈正念状态,但所经历的神经生理学变化可能会因冥想练习和招募的工具而异。这项研究是第一个报告在机器人正念练习过程中EEG变化的研究。我们相信,我们的研究结果来自生态有效的环境,可以用于开发未来的BCI系统,该系统与社交机器人集成用于健康应用。
2020-08-12 cs.HC cs.RO
Mind the Context: Continual Learning of Socially Appropriate Robot Actions via Environmental-Social Disentanglement
Utrecht University(乌得勒支大学);University of Cambridge(剑桥大学)
该研究针对社交机器人在多样上下文场景下的持续学习问题,提出EDD框架解耦环境与社会知识,缓解遗忘,性能优于现有基线,相关代码已公开。
2026-08-14 cs.RO
Functional advantages of an adaptive Theory of Mind for robotics: a review of current architectures
机器人领域已经取得了巨大的进步,但是,主要的挑战仍然存在,包括构建具有自适应心理理论(ToM)的机器人。在本论文中,七个当前的机器人架构的人机交互,以及四个主要的功能优势,配备一个自适应的ToM机器人。本论文的目的是确定ToM功能以何种方式集成到所分析的架构中以及集成的频率,以及它们是否为机器人提供相关的功能优势。我们的评估表明,不同的方法被用来实现ToM功能的机器人架构。此外,虽然用于错误信念理解和跟踪的ToM通常是内置的社交机器人架构,但用于主动性、主动感知和学习的ToM并不常见。尽管如此,在机器人中实现更好的自适应ToM功能的进展是有必要的,以使它们能够充分利用具有类似于人类的ToM的优势。
2019-08-31 cs.AI cs.HC cs.RO
Joint Mind Modeling for Explanation Generation in Complex Human-Robot Collaborative Tasks
Center for Vision, Cognition, Learning, and Autonomy, UCLA(加州大学洛杉矶分校视觉、认知、学习与自主中心);Massachusetts Institute of Technology(麻省理工学院)
人类合作者可以通过推断彼此的精神状态(例如,目标、信念和愿望)。这种意识沟通最大限度地减少了合作者的心理状态之间的差异,是人类ad-hoc团队成功的关键。我们认为,与人类用户合作的机器人应该表现出类似的教学行为。因此,在本文中,我们提出了一种新的可解释的AI(XAI)框架,用于在人机协作中实现类似人类的通信,其中机器人构建了人类用户的分层思维模型,并基于其对用户精神状态的在线贝叶斯推断来生成对自己思维的解释。为了评估我们的框架,我们进行了一个实时的人机烹饪任务的用户研究。实验结果表明,我们的方法生成的解释显着提高了机器人的协作性能和用户感知。代码和视频演示可以在我们的项目网站上找到:https://xfgao.github.io/xCookingWeb/。
2020-07-24 cs.AI cs.HC cs.RO
Transferring Adaptive Theory of Mind to social robots: insights from developmental psychology to robotics
University of Essex(埃塞克斯大学)
尽管最近在社会机器人领域取得了进展,但重要的限制限制了它的进步,并推迟了机器人在日常场景中的应用。在本文中,我们提出了发展计算模型的启发,我们的知识,人类婴儿的社会适应能力。我们相信这可以在架构层面提供解决方案,以克服当前系统的限制。具体来说,我们提出了自适应心理理论(ToM)系统在机器人技术中支持的功能优势(即,为信念理解、主动性和准备、主动感知和学习进行心理化),并将其置于实际应用的背景中。我们回顾目前的计算模型主要是基于模拟和目的论的理论,和机器人的实现,以确定在当前的机器人架构的ToM功能的局限性,并提出了一个可能的未来发展途径。最后,我们提出了未来的研究,以创建创新的计算模型集成性能的仿真和目的论的方法,以提高机器人的自适应ToM能力,其目的是增强人与机器人的互动,并允许在未开发的环境,如灾难和建筑工地的机器人的应用。为了实现这一目标,我们建议将未来的研究导向机器人和发展心理学领域之间的现代串扰。
2019-08-31 cs.AI cs.HC cs.RO
Theory of Mind for Explainable Human-Robot Interaction
本文提出将理论思维视为可解释人工智能的一种形式,通过XAI框架评估其在人机交互中的应用,并强调以用户为中心的解释方法。
2026-02-19 cs.AI cs.RO
Enhancing Robot Assistive Behaviour with Reinforcement Learning and Theory of Mind
Artificial Intelligence Research Institute (IIIA-CSIC)(人工智能研究 institute(IIIA-CSIC));Department of Electrical Engineering and Information Technologies(电气工程与信息科技系);University of Naples Federico II(那不勒斯费德里科二世大学)
本研究提出结合Q-learning与心智理论(ToM)的双层架构,通过56人真实场景实验验证,具备ToM能力的自适应机器人能显著提升用户表现、辅助接受度及意图识别感知。
2024-11-11 cs.AI cs.HC cs.RO
Mind Meets Robots: A Review of EEG-Based Brain-Robot Interaction Systems
KTH Royal Institute of Technology(瑞典皇家理工学院);University of Bergen(卑尔根大学)
本文综述了2018-2023年87项基于EEG的脑-机器人交互(BRI)研究,提出包含脑、机器人和交互三实体的BRI系统模型,探讨交互模式本质,揭示挑战并为未来人-机器人交互研究提供设计空间。
2024-03-25 cs.HC cs.RO
Pragmatic Embodied Spoken Instruction Following in Human-Robot Collaboration with Theory of Mind
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);Johns Hopkins University(约翰霍普金斯大学);Brown University(布朗大学)
针对嘈杂语音下的人机协作指令跟随难题,提出基于心智理论的神经符号模型SIFToM,利用视觉语言模型进行务实推断,在模拟和真实环境中显著提升性能并接近人类水平。
2025-10-06 cs.AI cs.HC cs.MA
MindEye-OmniAssist: A Gaze-Driven LLM-Enhanced Assistive Robot System for Implicit Intention Recognition and Task Execution
Hubei Key Laboratory of Brain-Inspired Intelligent Systems, Huazhong University of Science and Technology(脑启发智能系统湖北省重点实验室,华中科技大学);Key Laboratory of the Ministry of Education for Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(图像处理与智能控制教育部重点实验室,人工智能与自动化学院,华中科技大学);state key laboratory of intelligent vehicle safety technology, chongqing changan automobile co ltd(智能车辆安全技术 state key laboratory,重庆长安汽车有限公司);Science and technology innovation center, China ship development and design centre(科技创新中心,中国船舶工业设计研究中心)
本文提出视线驱动的LLM增强型辅助机器人系统MindEye-OmniAssist,通过结合LLM与视觉基础模型实现开放式隐式意图识别,并在真实实验中取得41/55的任务成功率,提升了辅助系统的通用性与有效性。
2025-08-19 cs.HC cs.RO
Dynamic Bayesian Network Modelling of User Affect and Perceptions of a Teleoperated Robot Coach during Longitudinal Mindfulness Training
University of Southampton(南安普顿大学);University of Cambridge(剑桥大学)
本文针对5周远程机器人正念训练,构建DBN建模人格、幸福感、面部AU与课程评分的时序依赖,并用于后两周预测、缺失插补及新参与者推断。
2022-06-12 cs.HC cs.RO
On the Utility of Model Learning in HRI
UC Berkeley(加州大学伯克利分校);TUM(慕尼黑工业大学);CalTech(加州理工学院)
机器人技术的基础是基于模型和无模型学习之间的争论:机器人应该建立一个明确的世界模型,还是直接学习一个策略?在HRI的上下文中,要建模的世界的一部分是人类。一种选择是机器人将人类视为黑盒子,并学习他们如何直接行动的策略。但它也可以将人类建模为代理人,并依赖于“心理理论”来指导或偏向学习(灰框)。我们贡献了一个表征的性能,这些方法的自动驾驶任务的乐观情况下,有一个理想的心理理论,以及在不同的情况下,其中机器人的心理理论背后的假设为人类是错误的,因为他们不可避免地会在实践中。
2020-05-22 cs.LG cs.RO stat.ML
Theory of Mind abilities of Large Language Models in Human-Robot Interaction : An Illusion?
Arizona State University(亚利桑那州立大学)
本文研究大型语言模型在人机交互中是否真正具备心智理论能力,通过感知行为识别任务和扰动测试揭示其高分表现源于对上下文扰动的脆弱性,而非真正具备心智理论。
2024-01-17 cs.AI cs.HC cs.RO
Folk-ontological stances toward robots and psychological human likeness
University of Milano-Bicocca(米兰比可卡大学)
本文借助科学实在论争论梳理人们理解机器人心灵的民间本体论立场,并论证这些立场会影响机器人的人类相似性感知,推动人机交互研究的民间本体论转向。
2024-06-17 cs.HC cs.RO
CoSTAR: Instructing Collaborative Robots with Behavior Trees and Vision
Johns Hopkins University(约翰斯·霍普金斯大学)
为了使协作机器人变得有用,不是机器人专家的最终用户必须能够指示它们执行各种任务。考虑到这一目标,我们开发了一个系统,用于最终用户创建具有广泛功能的强大任务计划。CoSTAR:任务自动化和识别协作系统是我们在汉诺威工业博览会2016年KUKA创新奖竞赛中的获奖作品,今年的重点是柔性制造。CoSTAR的独特之处在于它如何创建自然的抽象,使用感知来表示世界,用户可以理解并利用这种方式来编写有能力和强大的任务计划。我们基于行为树的任务编辑器将来自已知对象分割和姿态估计的高级信息与空间推理和机器人动作相集成,以创建强大的任务计划。我们描述了该系统的跨平台设计和实现多个工业机器人,并评估其适用于各种各样的用例。
2016-11-18 cs.RO
Experiments in Artificial Culture: from noisy imitation to storytelling robots
Bristol Robotics Laboratory(布里斯托尔机器人实验室);University of the West of England(西英格兰大学);University of Plymouth(普利茅斯大学)
本文介绍了一系列的实验,在集体社会机器人,跨越10年以上,长期的目标是建立体现模型(方面)的文化进化。最初的实验表明,在一组被编程为模仿彼此行为的社交机器人(我们称之为Copybots)中出现了行为传统。这些实验表明,真实物理机器人免费提供的嘈杂(即不完美的保真度)模仿自然会引起社会学习的变化。最近的实验工作通过基于模拟的内部模型扩展了机器人的认知能力,为它们配备了简单的人工思维理论。有了这种扩展的能力,我们在目前的工作中探索社会学习,而不是通过模仿,而是通过机器人讲故事,努力模拟这种非常人性化的文化传播模式。在本文中,我们给出了这些实验的方法和灵感,实验和他们的结果,并概述了可能的方向,这项研究计划。我们希望本文不仅能激发讨论,还能为使用Storybots进行测试的假设提供建议。
2021-06-22 cs.RO
Bi-Directional Mental Model Reconciliation for Human-Robot Interaction with Large Language Models
本文提出一种基于大语言模型的双向心智模型协调框架,通过半结构化自然语言对话使人类与机器人能够迭代识别并传达缺失的任务上下文,从而在交互中逐步达成共享心智模型。
2025-03-10 cs.RO
A Brief Wellbeing Training Session Delivered by a Humanoid Social Robot: A Pilot Randomized Controlled Trial
Queensland University of Technology(昆士兰科技大学);Monash University(莫纳什大学)
本研究通过试点随机对照试验验证了自主人形社交机器人提供简短正念呼吸训练的可行性,并发现性别与心理困扰水平对参与者与机器人讨论话题的舒适度存在交互影响。
2023-08-12 cs.HC cs.RO
Improving robot understanding using conversational AI: demonstration and feasibility study
本研究提出基于四级解释(LOE)和对话式AI平台的自适应对话机制,以弥合人机心智模型差异,提升机器人理解能力,并通过协作任务演示和用户可行性研究验证其效果。
2025-01-21 cs.HC cs.RO
Optometrist's Algorithm for Personalizing Robot-Human Handovers
BITS-Pilani(贝拉理工学院);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出使用验光师算法交互式个性化机器人-人类交接,通过调整速度、位置和力度参数,实验表明该方法能提升交互流畅性并获得用户积极评价。
2023-08-29 cs.RO
Proceedings of the SREC (Social Robots in Therapy and Care) Workshop at HRI 2019
机器人辅助治疗(RAT)已成功地用于人类机器人交互(HRI)研究,通过将社交机器人纳入医疗干预措施,凭借其在社交和情感方面吸引人类用户的能力。用于这些任务的机器人在设计时必须考虑到几个用户组,包括接受治疗的个人和负责治疗的护理专业人员。这些机器人还必须能够感知它们的使用环境,识别人类的行为和意图,并遵循治疗目标进行有意义的个性化治疗。有效的互动需要机器人能够协调,及时的行为来响应社会线索。这意味着能够估计和预测人机交互过程中的参与度、注意力、意向性和情绪状态。社交机器人在治疗和护理方面的另一个挑战是,不同用户在干预期间可能有各种各样的需求和条件,即使他们可能有相同的病理,他们目前的需求和治疗目标也可能有很大的不同。因此,机器人将其行为和交互场景适应与其交互的患者的特定需求,偏好和要求变得至关重要。这种个性化应该根据机器人行为和干预场景来考虑,并且必须反映用户的需求,偏好和要求。
2019-09-05 cs.RO
DECAF: a Discrete-Event based Collaborative Human-Robot Framework for Furniture Assembly
Università di Padova(帕多瓦大学);MERL(三菱电机研究实验室)
本文提出DECAF框架,将人机协作家具装配形式化为离散事件马尔可夫决策问题,并利用强化学习为机器人推导最优策略,以应对人类不可控行为并实现高效协作装配。
2024-08-28 cs.RO
Exercise with Social Robots: Companion or Coach?
Knowledge Technology Universität Hamburg(汉堡大学知识技术系)
在本文中,我们调查的角色,社会机器人可以采取与人类合作伙伴的体育锻炼。在相关的工作中,机器人或虚拟智能代理人扮演教练或讲师的角色,而在其他方法中,它们被用作激励辅助工具。可以说,这是机器人在社会锻炼领域的两个“范例”。我们设计了一个在线问卷,以测试人们希望看到的机器人的首选角色是同伴还是教练。问卷要求人们想象与机器人一起工作,并使用三个问卷:(1)CART-Q,用于判断教练-运动员关系,(2)心理感知问卷和(3)系统可用性量表(SUS)。我们提出的方法,一些初步的结果,以及我们打算未来的工作,个人机器人教练。
2021-03-24 cs.HC cs.RO
Socially Assistive Robots: A Technological Approach to Emotional Support
Sunway University(双威大学)
本研究开发了一种基于社交辅助机器人技术的情绪支持机器人,利用面部识别和手势分析检测悲伤情绪,并通过拥抱和AI对话提供共情互动,实验验证了其可行性和有效性。
2024-11-07 cs.HC cs.RO
Motivating Physical Activity via Competitive Human-Robot Interaction
University of Washington(华盛顿大学);Massachusetts Institute of Technology(麻省理工学院)
该项目旨在通过创建一个机器人竞争者来激励竞争性人机交互的研究,该机器人竞争者可以在某些场景中挑战人类用户,例如体育锻炼和游戏。考虑到这一目标,我们介绍了击剑比赛,人类机器人的竞争,用于评估机器人竞争者的能力和用户体验。我们通过迭代多智能体强化学习开发了机器人竞争者,并表明它可以很好地对抗人类竞争者。我们的用户研究还发现,我们的系统能够不断创造具有挑战性和愉快的互动,显着增加人类受试者的心率。大多数人类受试者认为该系统是娱乐性的,并希望提高他们的锻炼质量。
2022-02-14 cs.AI cs.HC cs.MA
Social Robot Mediator for Multiparty Interaction
University of Manchester(曼彻斯特大学);Honda Research Institute Japan(日本本田研究所)
本文概述了多方交互中社交机器人中介的研究现状与挑战,强调了融入心理学原理及实现心智理论以读取群体心理状态、从而有效提升中介效果的潜力。
2023-10-20 cs.HC cs.RO
Knowing Who Knows What: Designing Socially Assistive Robots with Transactive Memory System
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文首次将交互记忆系统(TMS)理论应用于社交辅助机器人设计,提出三阶段沟通框架以改善多利益相关者决策,增强透明度和群体融入能力。
2023-05-09 cs.HC cs.RO
Learning Human Rewards by Inferring Their Latent Intelligence Levels in Multi-Agent Games: A Theory-of-Mind Approach with Application to Driving Data
University of California, Berkeley(加利福尼亚大学伯克利分校)
奖励函数作为一种识别人的能动性并使人的行为合理化的激励表示方法,在人机交互中对人的行为建模具有重要意义。逆强化学习是从演示中获取奖励函数的有效方法。然而,将其应用于多智能体环境时一直具有挑战性,因为智能体之间的相互影响必须进行适当的建模。为了应对这一挑战,以前的工作要么利用均衡解决方案的概念,假设人类是完全理性的优化与无限的智慧或预先分配人类的互动策略先验。在这项工作中,我们主张,人类是有限理性的,并有不同的智力水平时,推理别人的决策过程中,这样一个内在的和潜在的特点,应占奖励学习算法。因此,我们利用这样的见解,从理论的心灵,并提出了一个新的多智能体逆强化学习框架,原因人类的潜在智力水平在学习过程中。我们验证了我们的方法在零和和一般和游戏与合成代理,并说明了一个实际的应用程序来学习人类司机的奖励功能,从真实的驾驶数据。我们比较我们的方法与两个基线算法。实验结果表明,通过对人类潜在智力水平的推理,该方法具有更大的灵活性,能够更好地提取出解释人类驾驶行为的奖励函数。
2021-03-07 cs.AI cs.RO
Clustering Social Touch Gestures for Human-Robot Interaction
University of East Anglia(东英吉利大学);San Francisco State University(旧金山州立大学);Arizona State University(亚利桑那州立大学)
本文通过45名参与者对36个社交触摸标签的分组与标注,利用层次聚类分析手势相似性,得出9个手势聚类,为社交机器人的触摸感知与交互设计提供依据。
2023-04-03 cs.HC cs.RO
Theory of Mind Based Assistive Communication in Complex Human Robot Cooperation
Technical University Darmstadt(达姆施塔特工业大学);Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
当与人类合作时,机器人不仅要关心它的环境和任务,还要理解合作伙伴的推理。为了支持其人类伙伴执行复杂任务,机器人可以分享它所知道的信息。然而,简单地传达所有信息将使人类烦恼和分心,因为他们可能已经意识到,而不是所有信息都与当前情况相关。人类何时需要信息以及需要什么类型的信息的问题通过基于心理理论的沟通概念来解决,该概念根据相关性评估和人类信仰的估计来选择信息共享行动。我们将其集成到通信助理中,以在合作环境中支持人类并评估性能优势。我们设计了一个人类机器人寿司制作任务,这对人类来说是一个挑战,并产生不同的情况下,人类是不知道的,沟通可能是有益的。我们评估的影响,以人为本的沟通理念的性能与用户研究。与没有信息交换的情况相比,有帮助的参与者可以更早地从无意识中恢复过来。这种方法比其他方法更好地尊重通信成本和平衡中断。通过提供适合特定情况的信息,机器人不会指示,而是使人类能够做出正确的决定。
2021-09-03 cs.RO
Dance Teaching by a Robot: Combining Cognitive and Physical Human-Robot Interaction for Supporting the Skill Learning Process
Federal University of Uberlandia(乌贝兰迪亚联邦大学)
这封信提出了一个物理的人机交互场景,其中机器人指导和执行教师的角色在一个定义的舞蹈训练框架。提出了一种综合的认知和物理性能反馈,以辅助技能学习过程。直接接触合作的设计是通过一个自适应的阻抗为基础的控制器,调整根据合作伙伴的性能在任务中。在衡量成绩方面,采用渐进式教学的概念设计了一个评分系统。系统根据用户的练习次数和表现历史来调整难度。使用所提出的方法和基线常数控制器,比较实验表明,PT呈现出更好的性能在技能学习的初始阶段。对受试者对舒适度、安心度和机器人性能的感知的分析显示出p <0.01水平的显著差异,有利于PT算法。
2018-10-29 cs.RO math.OC physics.app-ph
Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind
University of Essex(埃塞克斯大学);Università Milano-Bicocca(米兰比可卡大学);Istituto di Scienze e Tecnologie della Cognizione, Consiglio Nazionale della Ricerche(国家研究委员会认知科学与技术研究所)
本文提出心智理论深度学习模型,通过自我观察决策过程同时学习低级意图与高级信念归因,实验证明该发展协同机制能提升预测准确性,为社交机器人设计提供启示。
2024-07-25 cs.AI cs.LG cs.NE
Personalized Affect-Aware Socially Assistive Robot Tutors Aimed at Fostering Social Grit in Children with Autism
University of Southern California(南加州大学)
情感感知的社会辅助机器人(SAR)导师有很大的潜力,以增加和民主化的专业治疗干预自闭症谱系障碍(ASD)的儿童从不同的社会经济背景。然而,大多数关于ASD SAR的研究都是关于认知和/或社交技能的教学,而不是解决用户在现实世界社交情况下的情感需求。为了弥合这一差距,这项工作的目的是开发个性化的情感意识SAR导师,以帮助减轻社交焦虑和培养社会砂砾-社会技能发展的成长心态-在自闭症儿童。我们提出了一种新的范式,将临床验证的接受和承诺培训(ACT)与个性化的SAR干预。这项工作为开发个性化的情感感知SAR干预措施铺平了道路,以支持ASD儿童独特而多样的社会情感需求和挑战。
2021-03-29 cs.HC cs.RO
ToP-ToM: Trust-aware Robot Policy with Theory of Mind
University College London(伦敦大学学院);The University of Manchester(曼彻斯特大学)
针对人机协作场景中机器人仅追求团队绩效会采用反向心理策略破坏人类信任的问题,提出结合心理理论的信任感知机器人策略,通过推断人类信任信念设计动态奖励函数指导策略学习,有效平衡信任维护与团队绩效。
2023-11-07 cs.AI cs.RO
Latent Theory of Mind: A Decentralized Diffusion Architecture for Cooperative Manipulation
National University of Singapore(新加坡国立大学);Stanford University(斯坦福大学)
本文提出 LatentToM 去中心化扩散策略,通过自我/共识嵌入、层理论对齐与潜在心智推断,使多机械臂无需显式通信即可协作操作。
2025-05-14 cs.RO
Robot Mindreading and the Problem of Trust
Department of Philosophy, Universidad de los Andes(安第斯大学哲学系)
本文提出了三个问题的信念,愿望和意图的归属机器人。第一个问题是人类是否真的参与了机器人的读心术。如果他们这样做了,这就提出了第二个问题:机器人读心术是否会促进对机器人的信任?这两个问题都是经验性的,我表明,现有的证据是不足以回答他们。现在,如果我们假设这两个问题的答案都是肯定的,那么第三个也是更重要的问题就出现了:开发人员和工程师是否应该为了提高透明度的既定目标而推广机器人读心术?我担心的是,通过试图让机器人更容易理解大脑,他们正在放弃理解自动决策过程的项目。增强思维可读性的功能往往会使决定自动决策的因素变得更加不透明。目前消除不透明性的策略并没有增强思维的可读性。本文的最后一部分讨论了不同的方法来分析这种明显的权衡,并建议一个可能的解决方案必须采用可容忍的不透明程度,这取决于务实的因素连接到机器人的预期用途所需的信任程度。
2020-03-02 cs.AI cs.CY cs.HC
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
Mastering the working sequence in human-robot collaborative assembly based on reinforcement learning
University of Virginia(弗吉尼亚大学)
提高人机协作的工作效率是制造系统人机协作的一个长期目标。为了适应工业4.0的趋势,建立智能制造系统,HRC系统中的Co-robot需要更好的设计,以更具自组织性,并通过自学习找到超人的能力。受Google Deep Mind开发的Alphago Zero等令人印象深刻的机器学习算法的启发,本文将人机协同装配工作过程格式化为棋盘,并利用棋盘中的棋步选择来类比人机在HRC装配工作过程中的决策。为了获得最优的工作顺序策略,以最大限度地提高工作效率,机器人训练与自我发挥算法的基础上强化学习,没有指导或超出游戏规则的领域知识。一个神经网络也被训练来预测移动选择的优先级的分布以及一个工作序列是否是一个导致最大的HRC效率。一个可调的办公桌组件被用来证明建议的HRC组装算法和它的效率。
2020-07-08 cs.RO cs.SY eess.SY
Somatic Safety: An Embodied Approach Towards Safe Human-Robot Interaction
University of Nottingham(诺丁汉大学);University of Southampton(南安普顿大学);KTH Royal Institute of Technology(瑞典皇家理工学院);Coventry University(考文垂大学)
本研究通过舞者与协作机器人的接触即兴艺术探索,提出“躯体安全”的具身心智安全方法,指出需优化机器人握持设计、使其识别人类隐性安全线索,主张安全应通过结合反思的迭代躯体体验习得。
2025-03-21 cs.HC cs.RO
DAC-h3: A Proactive Robot Cognitive Architecture to Acquire and Express Knowledge About the World and the Self
Universitat Pompeu Fabra(庞培法布拉大学);Institute for Bioengineering of Catalonia(加泰罗尼亚生物工程研究所);The Barcelona Institute of Science and Technology(巴塞罗那科学技术学院);Institució Catalana de Recerca i Estudis Avançats(加泰罗尼亚研究与高级研究学院)
本文介绍了一种认知架构的人形机器人从事积极的,混合的主动探索和操纵的环境,其中的主动性可以来自人类和机器人。该框架基于大脑和心灵的生物学理论,集成了反应式交互引擎,一些最先进的感知和运动学习算法,以及规划能力和自传体记忆。作为一个整体,架构驱动机器人的行为来解决符号基础问题,获得语言能力,执行目标导向的行为,并表达自己在世界上的经验的口头叙述。我们验证了我们的方法在人机交互实验与iCub人形机器人,表明所提出的认知架构可以应用于实时的在一个现实的情况下,它可以与天真的用户。
2017-09-18 cs.AI cs.RO
I, Quantum Robot: Quantum Mind control on a Quantum Computer
Dipartimento di Matematica Pura ed Applicata(纯数学与应用数学系)
描述量子机器人的逻辑不是正统的量子逻辑,而是一种演绎演算,它再现了量子任务(计算过程和动作),并考虑了量子叠加和量子纠缠。采用量子元语言控制量子机器人是实现智能量子机器人的一种途径。量子元语言的物理实现可能是在大脑信号中使用相干态。
2009-05-28 cs.AI cs.LO cs.RO
Evaluating and Personalizing User-Perceived Quality of Text-to-Speech Voices for Delivering Mindfulness Meditation with Different Physical Embodiments
University of Southern California(南加州大学)
通过两阶段人类受试者研究评估正念冥想中TTS声音的用户感知质量,发现个性化微调TTS声音能显著提升质量,使其接近人类声音水平。
2024-01-07 cs.AI cs.HC cs.RO
A Knowledge Driven Approach to Adaptive Assistance Using Preference Reasoning and Explanation
Franklin & Marshall College(富兰克林与马歇尔学院);Massachusetts Institute of Technology(麻省理工学院);Occidental College(西方学院)
社会辅助机器人(SAR)需要通过解释其推理来提供其行为的透明度。此外,推理和解释应该代表用户的偏好和目标。为了满足这种可解释的推理和表示的需要,我们建议机器人使用类比心理理论来推断用户正在尝试做什么,并使用提示引擎根据用户正在尝试做什么来找到适当的帮助。如果用户不确定或困惑,机器人会向用户提供由解释合成器生成的解释。解释帮助用户理解机器人对用户偏好的推断,以及机器人为什么决定提供它所提供的帮助。知识驱动的方法提供了关于偏好、帮助和解释的推理的透明度,从而促进了用户反馈的结合,并允许机器人学习和适应用户。
2020-12-05 cs.AI cs.HC cs.RO
Physical Interaction as Communication: Learning Robot Objectives Online from Human Corrections
University of California, Berkeley(加州大学伯克利分校)
当机器人在人类旁边执行任务时,物理交互是不可避免的:人类可能会推,拉,扭曲或引导机器人。最先进的技术将这些相互作用视为机器人应该拒绝或避免的干扰。最好的情况是,这些机器人在人类互动时安全地做出反应;但在人类放手后,这些机器人只是恢复到原来的行为。我们认识到,物理人机交互(pHRI)通常是故意的-人类故意干预,因为机器人没有正确地完成任务。在本文中,我们认为,当pHRI是故意的,它也是信息:机器人可以利用互动来学习它应该如何完成其当前任务的其余部分,即使在人放手。我们将pHRI形式化为一个动态系统,其中人类心中有一个他们希望机器人优化的目标函数,但机器人无法直接存取该目标的参数-它们是人类内部的。在我们提出的框架内,人类的互动成为对真正目标的观察。我们引入近似来实时学习和响应pHRI。我们认识到,并非所有的人类校正都是完美的:用户经常与机器人进行嘈杂的交互,因此我们通过减少无意的学习来提高pHRI的机器人学习效率。最后,我们进行模拟和用户研究的机器人机械手比较我们提出的方法的国家的最先进的。我们的研究结果表明,从pHRI学习导致更好的任务性能和提高人类的满意度。
2021-07-06 cs.LG cs.RO cs.SY
Action in Mind: A Neural Network Approach to Action Recognition and Segmentation
Lund University(隆德大学)
识别和分类人类行为是一项重要的任务,在各种领域,如人机交互,视频分析,监控,视频检索,医疗保健系统和娱乐行业的应用。本文提出了一种新的基于人工神经网络多层结构的人体动作识别方法。每个系统级开发旨在解决动作识别问题的不同方面,包括在线实时处理,动作分割和对象的参与。实验结果的分析在六篇文章中进行了说明和描述。本文提出的动作识别体系结构由预处理层、有序向量表示层和三层神经网络组成。它利用自组织神经网络,如Kohonen特征映射和生长网格作为主要的神经网络层。因此,该架构提出了一种生物学上合理的方法,具有某些特征,如神经元的拓扑组织、横向相互作用、半监督学习和在低维映射中表示高维输入空间的能力。对于每个开发水平,系统用由连续3D身体姿势组成的输入数据训练,并用系统以前从未遇到过的一般化输入数据测试。不同系统级开发的实验结果表明,该系统性能良好,具有相当高的准确率识别人的行动。
2021-04-30 cs.AI cs.CV cs.HC
EMERGE-Policy: A Robot Mind Emerges Beyond a Single Policy
Tsinghua University(清华大学);Nanjing University of Science and Technology(南京理工大学);Xi’an Jiaotong University(西安交通大学);Xidian University(西安电子科技大学);Harbin Institute of Technology(哈尔滨工业大学);Peking University(北京大学);Nanyang Technological University(南洋理工大学)
EMERGE-Policy是一种图结构智能体框架,通过多角色子智能体协作划分功能子任务,无需额外微调即可在公开基准和真实机器人实验中实现出色性能,扩展了机器人策略的应用范围。
2026-09-10 cs.RO
MIND: Instruction-Conditioned Incremental Grounding for Robots
Indiana University Bloomington(印第安纳大学布卢明顿分校);Incheon National University(仁川国立大学)
本研究提出MIND框架,通过指令条件依赖维护机器人的目标房间决策,减少语义评估次数,在ProcTHOR、AI2-THOR及Unitree G1实验中均能保留全部或匹配重计算的决策。
2026-10-15 cs.AI cs.RO
MIND-V: Hierarchical World Model for Long-Horizon Robotic Manipulation with RL-based Physical Alignment
Tsinghua University(清华大学);X Square Robot(X Square机器人);Sun Yat-sen University(中山大学);HKUST(香港科技大学)
提出MIND-V分层世界模型,通过语义推理、行为语义桥接和运动视频生成,结合强化学习物理对齐,实现长期机器人操作视频的物理合理合成。
2026-07-07 cs.CV cs.RO
AToM-Bot: Embodied Fulfillment of Unspoken Human Needs with Affective Theory of Mind
University of California Berkeley(加州大学伯克利分校);Tsinghua University(清华大学)
提出AToM-Bot框架,利用情感心智理论提示的视觉语言模型推断人类状态,无需明确指令即可主动生成并执行具身任务以满足未言明的人类需求,在多项指标中获高评价。
2024-09-23 cs.RO