Robot Error Awareness Through Human Reactions: Implementation, Evaluation, and Recommendations
Johns Hopkins University（约翰斯·霍普金斯大学）
针对传统机器人错误检测方法灵活性不足、响应慢的问题，本研究结合用户行为信号、反馈与错误上下文构建主动检测系统，实验证明其检测更可靠快速、用户评价更优，为HRI系统的机器人错误感知提供建议。
2025-01-13 cs.HC cs.RO
The Bystander Affect Detection (BAD) Dataset for Failure Detection in HRI
Cornell Tech（康奈尔科技学院）；Accenture Labs（埃森哲实验室）
对于机器人来说，要修复自己的错误，它必须首先知道自己犯了错误。人们发现错误的一种方式是从旁观者的隐含反应中--他们的困惑、傻笑或咯咯的笑声暗示我们发生了意想不到的事情。为了使机器人能够检测到旁观者对任务失败的反应并采取行动，我们开发了一种新的方法来引起旁观者对人类和机器人错误的反应。使用46个不同的刺激视频，具有各种各样的人类和机器的任务失败，我们收集了来自54名参与者的2452个网络摄像头视频的人类反应。为了测试所收集数据的可行性，我们使用旁观者反应数据集作为深度学习模型BADNet的输入，以预测故障发生。我们测试了不同的数据标记方法，并了解了它们如何影响模型性能，实现了90%以上的精度。我们讨论的策略，以模拟旁观者的反应和预测失败，以及如何将这种方法可以用于在现实世界中的机器人部署，以检测错误和提高机器人的性能。作为这项工作的一部分，我们还贡献了旁观者反应的“旁观者影响检测”（BAD）数据集，支持开发更好的预测模型。
2023-03-08 cs.HC cs.RO
Full-Body Collision Detection and Reaction with Omnidirectional Mobile Platforms: A Step Towards Safe Human-Robot Interaction
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在本文中，我们开发的估计和控制方法，快速反应的全向移动平台和他们的环境之间的碰撞。为了实现对外力的全身检测，我们使用了位于机器人传动系统中的扭矩传感器。使用基于模型的技术，我们估计，具有良好的精度，碰撞力的位置，方向和大小，我们开发了一个导纳控制器，实现了低有效质量的反应。对于实验测试，我们使用的设施包含一个校准的碰撞假人和我们的完整的移动平台。我们随后探讨碰撞与假人碰撞对一个固定的基地和基地碰撞对一个固定的假人。总的来说，我们实现了快速反应时间和减少冲击力。概念验证实验展示了移动平台的各个部分，包括车轮，与人类安全碰撞。
2015-01-20 cs.RO
Artificial Hormone Reaction Networks: Towards Higher Evolvability in Evolutionary Multi-Modular Robotics
Karl-Franzens University Graz（格拉茨卡尔·弗朗岑斯大学）
机器人控制器软件的半自动或自动合成既令人满意又具有挑战性。通过应用人工进化来合成相当简单的行为，例如避免碰撞，已经多次展示。然而，这种合成的难度随着机器人应该执行的任务的复杂性的增加而大大增加。我们试图解决这个问题的复杂性与人工稳态激素系统（AHHS），它提供了内在的，稳态的过程和（瞬态）内在的，变异的行为。通过使用AHHS，对预定义的控制器拓扑或关于应用领域的信息的需要被最小化。我们研究了控制器的原理设计和激素网络大小如何影响人工进化的整体性能（即，进化性）。这是通过比较AHHS的两种变体来完成的，这两种变体在突变时显示出不同的效果。我们进化了一个机器人的控制器，该机器人由五个自主合作的模块组成。期望的行为是通过使用模块的主铰链导致快速运动的步态形式。
2010-11-17 cs.AI cs.NE cs.RO
Reflex: Enabling Fast and Predictive Vision-Language-Action Models for Reaction-Critical Manipulation
Shanghai Jiao Tong University（上海交通大学）
针对现有VLA模型忽略动态交互场景的问题，提出面向反应关键型操作的ReflexBench基准与无需大规模机器人数据预训练的ReflexVLA模型，其可提升动态操作性能并保持静态操作精度。
2026-08-17 cs.AI cs.RO
A Data-Driven Approach for Contact Detection, Classification and Reaction in Physical Human-Robot Collaboration
Roma Tre University（罗马第三大学）；University of Cassino and Southern Lazio（卡西诺和南拉齐奥大学）
本文考虑的情况下，机器人和人类操作员共享相同的工作空间，机器人都能够进行自主任务，并与人类进行物理交互，以实现共同的目标。在这种情况下，由于任务和环境的复杂性，人类行为的不确定性以及对彼此行为的典型缺乏意识，可能会发生人与机器人之间的有意和意外接触。在这里，基于递归神经网络（RNN）的两阶段策略被设计为检测有意和意外接触：在第一阶段检测与人的接触的发生，而在第二阶段执行有意和意外之间的分类。然后分别由机器人执行准入控制策略或回避动作。该方法也适用于机器人同时与人类和环境交互的情况，其中后者的交互扳手通过高斯混合模型（GARCH）建模。控制障碍函数（CBF）包括，在控制级，以保证满足机器人和任务的约束，同时执行适当的交互策略。该方法已被验证的一个真正的设置组成的Kinova的1002机器人。
2021-06-12 cs.RO
Enhancing Human-robot Collaboration by Exploring Intuitive Augmented Reality Design Representations
Oklahoma State University（俄克拉荷马州立大学）
随着使用增强现实（AR）来增强工作环境中人类代理和机器人系统之间的交互的持续增长，机器人必须以信息丰富但直接的方式传达其意图。这提高了人类代理在工作环境中的信任感和安全感，同时也减少了任务完成时间。为此，我们讨论了一套指导方针，为人机交互（HRI）系统的AR界面的系统设计。此外，我们开发的设计框架将依赖于这些指导方针，并作为寻求进一步探索这一方向的研究人员的基础。我们开发了一系列的设计，视觉上代表机器人的计划路径和反应，我们进行了一项用户调查，涉及14名参与者进行评估。受试者被给予不同的设计表示审查和评级的基础上，他们的直观性和信息。整理的结果表明，我们的设计表示显着提高了参与者的容易理解机器人的意图超过基线的机器人的建议导航路径，计划手臂轨迹，和反应。
2023-03-09 cs.HC cs.RO
RFM-HRI : A Multimodal Dataset of Medical Robot Failure, User Reaction and Recovery Preferences for Item Retrieval Tasks
Cornell University, Cornell Tech（康奈尔大学，康奈尔科技）
RFM-HRI数据集通过多模态数据研究医疗机器人故障下的用户反应与恢复偏好，揭示故障对情感和控制的影响，并为安全关键场景的故障恢复提供基础。
2026-03-05 cs.HC cs.RO
Embodiment-Aware Inference-Time Search for Human Reaction Selection in Humanoid Retargeting
Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所）
本研究针对人形机器人重定向的反应选择问题，提出推理时反应搜索框架，通过生成式反应模型采样并结合交互与具身可行性评估，提升重定向反应可行性且无需重训，具身依赖性显著。
2026-10-14 cs.RO
Quantifying Uncertainties of Contact Classifications in a Human-Robot Collaboration with Parallel Robots
Leibniz University Hannover（汉诺威莱布尼茨大学）
针对并联机器人人机协作中碰撞与夹持误分类可能加剧危险的问题，提出基于物理特征和前馈神经网络的分类不确定性量化方法，以区分可靠预测并选择安全反应。
2023-08-18 cs.RO cs.SY eess.SY
Safe Collision and Clamping Reaction for Parallel Robots During Human-Robot Collaboration
Leibniz University Hannover（汉诺威莱布尼茨大学）
针对并联机器人在人机协作中的碰撞与夹挤风险，提出基于外力估计、阻抗回缩及双FNN识别夹挤链并张开结构的安全反应策略，实验表明可在130 ms内终止接触。
2023-08-18 cs.RO cs.SY eess.SY
Reacting like Humans: Incorporating Intrinsic Human Behaviors into NAO through Sound-Based Reactions to Fearful and Shocking Events for Enhanced Sociability
Sharif University of Technology（谢里夫理工大学）；University of Padova（帕多瓦大学）
本文提出并实现了一个集成声音分类、LSTM-MDN动作生成和YOLO物体检测的恐惧模块，使NAO机器人能对突发巨响做出类人恐惧反应并定位声源，实验证明其能提升机器人社交性，且非专家期望更高。
2024-06-05 cs.AI cs.LG cs.RO
Using Virtual Reality to Simulate Human-Robot Emergency Evacuation Scenarios
The Pennsylvania State University（宾夕法尼亚州立大学）；The University of California, Merced（加州大学默塞德分校）
本文介绍了我们最近的努力，使用虚拟现实来模拟威胁紧急疏散的情况下，机器人引导一个人到出口。我们之前的工作已经证明，在紧急疏散期间，即使机器人出现故障，人们也会遵循机器人的指导。然而，由于物理现场紧急疏散实验是困难和昂贵的，因为我们想评估许多不同的因素，我们有动力开发一个系统，沉浸在模拟环境中的人，以鼓励真正的主题反应。我们正在努力完成实验，验证我们的方法的有效性。
2022-10-16 cs.AI cs.HC cs.RO
VLA-RAIL: A Real-Time Asynchronous Inference Linker for VLA Models and Robots
China Mobile (Hangzhou) Information Technology Co., Ltd.（中国移动（杭州）信息技术有限公司）
VLA-RAIL通过异步推理和轨迹平滑技术，提升机器人动作执行的连续性和速度，提高任务成功率。
2025-12-31 cs.AI cs.RO cs.SY
Autonomous Planning Based on Spatial Concepts to Tidy Up Home Environments with Service Robots
College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院）
服务机器人在家庭环境中的整理任务在机器人应用中具有挑战性，因为它们涉及与环境的各种交互。特别是，机器人不仅需要抓取、移动和释放各种家用物体，而且还需要规划放置物体的顺序和位置。在本文中，我们提出了一种新的规划方法，可以有效地估计的顺序和位置的对象整理通过学习的概率生成模型的参数。该模型允许机器人学习的对象和地方的同现概率的分布整理使用在整洁的环境中收集的多模态传感器信息。此外，我们还开发了一个自动机器人系统来执行清理操作。我们通过实验模拟来评估所提出的方法的有效性，该实验模拟再现了2018年世界机器人峰会国际机器人竞赛的Tidy Up Here任务的条件。仿真结果表明，所提出的方法，使机器人能够连续整理多个对象，并取得了最好的任务得分之间所考虑的基线整理方法。
2021-02-10 cs.AI cs.RO
Robot Dream
Innopolis University（因诺波利斯大学）；Kazan Federal University（喀山联邦大学）
在这份立场文件中，我们提出了一种新的方法，神经生物学合理的实施情绪反应和行为的实时自主机器人系统。我们使用的工作隐喻是哺乳动物生命的“白天”和“夜晚”阶段。在“白天”阶段，机器人系统存储入站信息，并由一个轻量级的基于规则的系统实时的控制。与此相反，在“夜间”阶段，存储的信息被传输到超级计算系统，以更新现实的神经网络：情感和行为策略。
2016-03-09 cs.AI cs.RO
Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning
University Duisburg-Essen（杜伊斯堡-埃森大学）
本文提出将目标条件自回归生成模型与采样模型预测控制相结合，用于拥挤环境中的实时机器人导航，通过预测人群反应实现主动避障，并在仿真和真实平台上验证了其在降低碰撞率和缩短路径长度方面的优势。
2024-08-07 cs.AI cs.RO
Ant Robotics: Covering Continuous Domains by Multi-A(ge)nt Systems
在这项工作中，我们提出了一个算法，覆盖连续连接域的蚂蚁一样的机器人非常有限的能力。机器人可以用信息素标记来标记访问过的地方，并感知当地邻居的信息素水平。在多个机器人的情况下，这些信息素标记可以被所有机器人感知，并提供机器人之间（间接）通信的唯一方式。机器人被假定为是无记忆的，并且没有全局信息，如域地图，它们自己的位置（绝对或相对），总标记面积百分比，最大信息素水平等。尽管机器人的简单，我们表明，他们能够通过运行一个非常简单的行为规则，以确保有效覆盖任意连接域，包括非平面和多维的。我们的算法的新颖之处在于，与以前提出的方法不同，我们的算法在连续域上工作，而不依赖于一些“诱导”的底层图，这有效地减少了问题的离散情况下的图覆盖。该算法保证了任何连接域的完全覆盖。我们还证明了该算法是噪声免疫的，即，它能够处理任何初始信息素分布（噪声）。此外，该算法提供了一个有界的恒定时间之间的两个连续访问的机器人，因此，是适合巡逻或监视应用。
2012-06-19 cs.AI cs.MA cs.RO
CoboGuider: Haptic Potential Fields for Safe Human-Robot Interaction
Space Center of Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究院空间中心）；Center for Design, Manufacturing and Materials（设计、制造与材料中心）
现代工业仍然依赖于人工制造操作，安全的人机交互是当今的一大兴趣。速度和间隔监控（SSM）通过在机器人操作期间保持保护性间隔距离，实现紧密高效的协作场景。本文重点介绍了一种新的方法，以加强SSM的安全要求，通过引入触觉反馈的机器人细胞工作者。触觉刺激根据人的反应时间和机器人和操作员的瞬时速度，提供危险动作和接近机器人的早期警告。进行了初步的实验，以确定参与者的反应时间时，他们暴露于触觉刺激在一个合作的环境与控制条件。在第二个实验中，我们评估了我们的方法到一个研究案例中，人类工人和协作机器人进行协作行星齿轮装配。结果表明，所应用的方法增加了44%的机器人的末端执行器和手之间的平均最小距离相比，操作员只依赖于视觉反馈。此外，没有触觉支持的参与者多次未能保持保护性分离距离。
2021-12-16 cs.RO
A multi-modal table tennis robot system
University of Tübingen（蒂宾根大学）
本文提出一种改进的多模态乒乓球机器人系统，包含6自由度KUKA机械臂及多类相机，通过开发新颖的多模态标定与更准确的旋转估计方法，并结合事件相机与脉冲神经网络实现高精度球检测。
2023-11-25 cs.AI cs.RO
Effect of Active and Passive Protective Soft Skins on Collision Forces in Human-robot Collaboration
Czech Technical University in Prague（布拉格捷克理工大学）；Blue Danube Robotics GmbH（蓝多瑙河机器人有限公司）
软电子皮肤是将工业机械手转变为协作机器人的手段之一。对于已经适合物理人机协作的操纵器，软皮肤可以使它们更安全。在这项工作中，我们研究了两个协作机械手（UR 10 e和KUKA LBR iiwa）和一个经典的工业机械手（KUKA Cybertech），在存在或不存在的工业防护皮肤（AIRSKIN）的影响后的行为。此外，我们隔离的被动填充和主动贡献的传感器对机器人的反应的影响。我们提出了总共2250碰撞测量和研究的冲击力，接触时间，夹紧力，和脉冲。数据集是公开的。我们总结我们的结果如下。对于瞬态碰撞，被动蒙皮特性使碰撞力降低了约40%。在准静态接触期间，皮肤覆盖物的效果-主动或被动-不能与协作机器人的碰撞检测和反应隔离。我们系统地比较了不同的设置和经验确定的安全速度与ISO/TS 15066的处方。在某些情况下，高达ISO/TS 15066规定速度的四倍可以符合冲击力限制，因此被认为是安全的。我们提出了一个扩展的公式有关的冲击力和允许的速度，考虑到刚度和可压缩厚度的保护罩，导致更好的预测碰撞力。同时，这项工作强调了现场测量的必要性，因为我们研究的所有因素-主动/被动皮肤的存在，安全停止设置，机器人碰撞反应，冲击方向，当然还有速度-都会影响冲击后的力演变。
2022-05-19 cs.RO
VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference
MIT（麻省理工学院）；NVIDIA（英伟达）；Tsinghua University（清华大学）；UC Berkeley（加州大学伯克利分校）；UCSD（加州大学圣地亚哥分校）；Caltech（加州理工学院）
VLASH通过未来状态感知的异步推断框架，实现高效、准确的实时VLAs控制，显著提升反应速度和任务执行精度。
2026-07-28 cs.AI cs.LG cs.RO
Neuromorphic Robot Dream
Innopolis University（因诺波利斯大学）；Kazan Federal University（喀山联邦大学）
在本文中，我们提出了下一步，我们的方法，神经生物学合理的实施情绪反应和行为的实时自主机器人系统。我们使用的工作隐喻是哺乳动物生命的“白天”和“夜晚”阶段。在“白天阶段”，机器人系统存储入站信息，并由一个轻量级的基于规则的系统实时的控制。与此相反，在“夜间阶段”，存储的信息被传输到超级计算系统，以更新现实的神经网络：情感和行为策略。
2016-07-27 cs.AI
Towards Integrating Formal Verification of Autonomous Robots with Battery Prognostics and Health Management
Heriot-Watt University（赫瑞-瓦特大学）；University of Liverpool（利物浦大学）
电池是自主机器人的关键部件。它的性能限制了机器人的安全性和可靠性。与液体燃料不同，电池作为一种化学装置，具有复杂的特征，包括（i）连续充电时容量衰减;（ii）在给定功率需求下，随着荷电状态（SOC）下降，放电率增加。现有的形式化验证研究的自主机器人，考虑能源的限制，形式化的能源组成部分，在一个通用的方式，这样的电池功能被忽略。在本文中，我们建立了一个无人机（UAV）检查任务的风电场和通过概率模型检验在PRISM显示（i）如何电池的功能可能会影响验证结果显着在实际情况下;和（ii）如何电池的功能，连同动态环境和电池安全策略，共同影响验证结果。潜在的解决方案，明确集成电池性能和健康管理（PHM）与自主机器人的形式化验证也进行了讨论，以激励未来的工作。
2019-08-22 cs.AI cs.RO cs.SY
The role of successful human-robot interaction on trust -- Findings of an experiment with an autonomous cooperative robot
KUKA（库卡）；Ulm University（乌尔姆大学）
本文的基础是一个实验，15名参与者直接与自主机器人进行交互。参与者的任务是在两种不同的设置中携带一张桌子，以及一个机器人，该机器人旨在支持老年人完成繁重的任务。通过收集和分析观察，定量和定性数据的相互作用进行了调查，特别强调在机器人的信任。总体目标是更好地理解人们在日常场景中与功能机器人接触时的情感和评价反应。这项研究表明，成功的合作任务完成有积极的影响信任和其他相关的评价，如感知适应性关于机器人的行为。
2021-04-14 cs.RO
Human-Robot Interaction and Perceived Irrationality: A Study of Trust Dynamics and Error Acknowledgment
University of Nevada Reno（内华达大学里诺分校）
本研究通过四阶段调查，发现机器人承认错误能显著提升人类信任与推荐意愿，为人机交互中设计更透明可信的机器人系统提供了实证依据。
2026-09-09 cs.HC cs.RO cs.SE
i-Sim2Real: Reinforcement Learning of Robotic Policies in Tight Human-Robot Interaction Loops
Robotics at Google（谷歌机器人部门）
仿真到现实迁移是机器人强化学习的一个强大范例。在仿真中训练策略的能力使得能够以低成本快速地进行安全探索和大规模数据汇集。然而，在机器人策略的仿真到现实迁移中的现有工作通常不涉及任何人-机器人交互，因为准确地模拟人类行为是一个开放的问题。在这项工作中，我们的目标是利用模拟的力量来训练机器人策略，这些策略在部署时能够熟练地与人类进行交互。但是有一个鸡和蛋的问题-如何收集人类与物理机器人交互的例子，以便在没有能够与人类交互的机器人的情况下模拟人类行为？我们提出的方法，迭代模拟到真实（i-S2 R），试图解决这个问题。i-S2 R从一个简单的人类行为模型引导，并在模拟训练和现实世界中部署之间交替进行。在每一次迭代中，人类行为模型和策略都被细化。对于所有的训练，我们应用一种新的进化搜索算法，称为黑盒梯度传感（BGS）。我们评估我们的方法在现实世界中的机器人乒乓球设置，机器人的目标是尽可能长时间地与人类球员合作。乒乓球是一项高速、动态的任务，需要两名球员对彼此的动作做出快速反应，这为人机交互研究提供了一个具有挑战性的测试平台。我们在一个工业机器人手臂上展示了结果，该手臂能够与人类球员合作打乒乓球，平均连续打22次，最多打150次。此外，对于80%的玩家来说，拉力赛的长度比模拟到真实加微调（S2 R +FT）的基线长70%到175%。有关我们的系统运行视频，请访问https://sites.go…
2022-11-22 cs.RO
Exploratory Experiments on Programming Autonomous Robots in Jadescript
Università degli Studi di Parma（帕尔马大学）
本文介绍了探索性实验，以验证自主机器人使用面向代理的程序设计语言编程的可能性。通过各种类型的传感器对环境进行适当的感知，并通过有效的致动器对外部事件做出及时的反应，对于为机器人提供足够的自主性至关重要。面向代理的编程范式与这方面相关，因为它提供了语言级的抽象来处理事件和命令执行器。本文介绍了一种新的面向Agent的程序设计语言Jadescript，并介绍了它的一些新特性。一个简单的案例研究应用程序的探索性实验，以显示所提出的方法的有效性，并使用该语言来编程自主机器人。
2020-07-23 cs.AI cs.MA cs.PL
Ground contact and reaction force sensing for linear policy control of quadruped robot
针对四足机器人控制复杂且计算繁重的问题，研究通过强化学习训练线性策略，并将地面接触与反作用力数据加入观测空间，显著提升了策略的生存能力、抗干扰稳定性及对未训练条件的适应性。
2025-03-03 cs.AI cs.RO
"Why the face?": Exploring Robot Error Detection Using Instrumented Bystander Reactions
Cornell University, Cornell Tech（康奈尔大学，康奈尔科技）；Cornell University（康奈尔大学）；Accenture Labs（埃森哲实验室）
本文提出通过颈部装置捕捉面部表情，开发NeckNet-18模型实现机器人错误检测，提升社交互动能力。
2025-11-29 cs.HC cs.RO
Physical Simulation of Inarticulate Robots
École normale supérieure（巴黎高等师范学院）
在这篇笔记中，我们研究的结构和无关节机器人的行为。我们介绍一个机器人，通过连续旋转移动。对机器人的结构进行了详细的分析、仿真和讨论。
2011-04-08 cs.RO
Voice Over Body? Older Adults' Reactions to Robot and Voice Assistant Facilitators of Group Conversation
RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所革新智能统合研究中心）
智能代理有很大的潜力，促进老年人之间的群体对话。然而，关于如何设计用于此目的和用户组的代理知之甚少，特别是在代理实施例方面。为此，我们进行了一个混合方法的研究，老年人的声音和身体的反应，在一组会话促进剂。比较了具有相同底层人工智能（AI）和语音系统的两种代理形式：人形机器人和语音助手。一项初步研究（共n=24）和一项实验研究比较声音和身体形态（n=36）进行了老年人和有经验的人类主持人。研究结果显示，人工的代理，无论其形式，是有益的社会不舒服的任务，会话促进。即便如此，健谈的性格类型对“身体”机器人版本的体验较差。设计的影响和补充反应，特别是代理的声音，也进行了讨论。
2022-12-08 cs.HC cs.RO
RAMP: Reaction-Aware Motion Planning of Multi-Legged Robots for Locomotion in Microgravity
Tohoku University（东北大学）
微重力下的机器人机动性对于扩大人类对外层空间的利用和探索是必要的。生物启发的多腿足式机器人是安全和精确运动的一种可能的解决方案。然而，在微重力下的机器人的动态运动可能会导致故障，由于过度的运动反应所造成的夹持器分离。我们提出了一种新的反应感知运动规划（RAMP），以提高运动的安全性，在微重力环境下，通过减少机器人的动量变化，降低失去与地面接触的风险。RAMP通过低反作用力摆动轨迹（LRECT）最大限度地减少摆动动量，同时将此动量分配到整个身体，确保支撑夹持器的零速度并最大限度地减少运动反作用力。我们验证了所提出的方法与动态模拟表明RAMP的能力，以产生一个安全的运动，而不分离的支持抓手，导致机器人到达其指定的位置。我们在使用空气悬浮系统的实验中进一步验证了RAMP，证明反作用力显着降低，并提高了微重力下的移动性。
2023-01-19 cs.RO
On the causality between affective impact and coordinated human-robot reactions
Computer science department of The IT-University of Copenhagen（丹麦技术大学计算机科学系）
本文研究主动与人类共享事件反应的机器人如何改变人类对其情感影响的感知，通过两组实验发现约200ms延迟对观察者影响最大，约100ms延迟最能让人类感到对机器人影响最大。
2025-08-06 cs.RO
Collective Conditioned Reflex: A Bio-Inspired Fast Emergency Reaction Mechanism for Designing Safe Multi-Robot Systems
Kent State University（肯特州立大学）；University of California, Berkeley（加州大学伯克利分校）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
多机器人系统是一组协调的机器人，它们相互协作完成给定的任务。由于操作环境的不确定性，系统可能会遇到紧急情况，例如未观察到的障碍物，移动的车辆和极端天气。蜂群等动物群体会启动集体紧急反应行为，如绕过障碍物和避开捕食者，类似于肌肉条件反射，组织局部肌肉在第一反应中避免危险，而不会延迟通过大脑。受此启发，我们开发了一种类似的集体条件反射机制，用于多机器人系统对紧急情况的反应。本研究基于动物集体行为分析和多智能体强化学习（MARL），提出了一种基于生物启发的应急反应机制--集体条件反射（CCR）。该算法使用物理模型来确定机器人是否正在经历紧急情况;然后，对参与紧急情况的机器人的奖励增加相应的启发式奖励，该启发式奖励评估紧急情况的大小和后果，并决定本地机器人的参与。CCR在三种典型的紧急情况下进行了验证：\textit{turbulence, strong wind, and hidden obstacle}。仿真结果表明，与基线方法相比，CCR方法提高了机器人团队的应急反应能力，反应速度更快，轨迹调整更安全。
2022-08-18 cs.RO
A Comparison Between Joint Space and Task Space Mappings for Dynamic Teleoperation of an Anthropomorphic Robotic Arm in Reaction Tests
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
远程操作（即，控制具有人的运动的机器人）在使人形机器人能够像人一样动态地移动方面证明是有希望的。但如何将人类运动映射到人形机器人很重要，因为人类和人形机器人很少有相同的拓扑结构和尺寸。这项工作提出了一个实验研究，利用反应测试，比较拟议的关节空间映射和拟议的任务空间映射的动态遥操作的拟人机器人手臂，具有人类水平的动态运动能力。实验结果表明，机器人实现了类似的，在某些情况下，人类水平的动态性能与映射的六个参与人类受试者。所有的科目成为熟练的遥控机器人与两个映射实践后，尽管科目和机器人的大小和链接长度比不同，遥控操作需要的科目移动不直观。然而，大多数受试者开发他们的遥操作更快地与任务空间映射比联合空间映射后，类似的实践量。这项研究还表明了潜在的价值的三维任务空间映射，遥操作训练模拟器，和力反馈给人类飞行员直观和动态遥操作的人形机器人的手臂。
2020-11-04 cs.RO
Admittance Control-based Floating Base Reaction Mitigation for Limbed Climbing Robots
Tohoku University（东北大学）
针对足式攀爬机器人在复杂环境中因反作用力过大导致失稳的问题，提出基于导纳控制的新型控制方案，有效降低反作用力与关节力矩并保持轨迹跟踪精度。
2024-09-20 cs.RO
MR-UBi: Mixed Reality-Based Underwater Robot Arm Teleoperation System with Reaction Torque Indicator via Bilateral Control
The University of Osaka（大阪大学）；Kobe University（Kobe大学）
本文提出MR-UBi，一种基于混合现实的水下机械臂遥操作系统，通过反作用力矩指示器集成视觉与触觉反馈，显著提升抓取力矩控制精度、可用性并降低工作负荷。
2025-10-23 cs.RO
Simultaneous Ground Reaction Force and State Estimation via Constrained Moving Horizon Estimation
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对腿足机器人 GRF 与浮动基座状态受噪声和动力学耦合影响的问题，提出带接触互补约束的去中心化 MHE 凸优化融合框架，并在三款机器人上以 200Hz 实现准确估计。
2025-03-17 cs.RO
Deep Learning of Movement Intent and Reaction Time for EEG-informed Adaptation of Rehabilitation Robots
Rutgers University（罗格斯大学）
越来越多的证据表明，适应是康复机器人促进运动学习的关键机制。然而，它通常是基于机器人衍生的运动学，这是一个相当主观的性能测量，特别是在存在感觉运动障碍。在这里，我们提出了一种深度卷积神经网络（CNN），它使用脑电图（EEG）作为两个运动学分量的客观测量，这两个运动学分量通常用于评估运动学习和适应：i）启动目标导向运动的意图，ii）该运动的反应时间（RT）。我们评估了我们的CNN从内部实验中获得的数据，其中13名受试者在平面上向四个方向移动康复机械臂，以响应视觉刺激。我们的CNN在意图（意图与无意图）和RT（慢与快）的二进制分类中分别实现了80.08%和79.82%的平均测试准确率。我们的研究结果表明，涉及不同类型的运动学习的个人运动组件可以预测从同步的EEG数据开始之前获得的运动。因此，我们的方法可以实时通知机器人适应，并有可能进一步提高执行康复任务的能力。
2020-02-18 cs.HC cs.NE cs.RO
SafePR: Unified Approach for Safe Parallel Robots by Contact Detection and Reaction with Redundancy Resolution
Institute of Mechatronic Systems, Leibniz University Hannover（机电系统研究所，莱比锡大学汉诺威分校）
SafePR通过接触检测与反应及冗余解算实现安全并行机器人运动，有效避免自碰撞和奇异点，确保人机交互安全。
2025-11-25 cs.RO cs.SY eess.SY
Proprioception and reaction for walking among entanglements
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种针对腿式机器人腿部缠绕的本体感知方法和在摆动相解开腿部的反应策略，使机器人能穿越多种刚度和几何形状的缠绕物，在实验室16次试验中成功14次并适用于户外环境。
2023-09-10 cs.RO
Development of a robotic system for automatic organic chemistry synthesis
Nanyang Technological University（南洋理工大学）
自动化化学合成为研究和工业实验室带来了安全、高效和可重复性的巨大承诺。目前的方法是基于专门设计的自动化系统，其存在两个主要缺点：（i）现有的装置必须被修改以集成到自动化系统中;（ii）这样的系统不灵活，并且将需要大量的重新设计以处理新的反应或程序。在本文中，我们提出了一种基于机器人手臂的系统，该系统通过模仿人类化学家的运动，能够执行复杂的化学反应，而无需对人类使用的现有设置进行任何修改。该系统能够精确地处理、混合、过滤液体，并且非常灵活：可以以最小的努力添加新的技能和程序。我们表明，该机器人能够进行迈克尔反应，达到34%的产率，这是由初级化学家（化学本科生）获得的。
2019-06-19 cs.RO
Comparing Feedback Linearization and Adaptive Backstepping Control for Airborne Orientation of Agile Ground Robots using Wheel Reaction Torque
Robotics Research Center, Department of Electrical Engineering and Computer Science. United States Military Academy（美国军事学院电气工程与计算机科学系机器人研究中心）
在本文中，两种非线性方法稳定的四轮独立驱动和转向（4WIDS）机器人的方向，而在空中进行了分析，实现仿真，并进行了比较。AGRO（敏捷地面机器人）是一种4WIDS检查机器人，可以通过投掷部署到不安全的环境中，并可以使用其四个轮子的反作用扭矩来控制其在空中的方向。之前的工作已在硬件原型上证明，具有手动调整增益的简单PD控制足以在500 ms内稳定方向，但并非最佳。本文的目标是利用非线性控制方法来减少系统的镇定时间和抑制干扰。加入了基于模型的反馈线性化（FL）来补偿非线性科里奥利项。然而，外部干扰，模型不确定性和传感器噪声，FL控制器不能保证稳定性。作为一种替代方案，第二个控制器的开发使用反推方法与自适应补偿器的外部干扰，模型的不确定性，和传感器的偏移。控制器的设计采用李雅普诺夫分析。使用AGRO的全非线性动力学在各向同性转向配置中编写了仿真，其中在其俯仰和横滚上的控制权限被均衡。在相同的初始条件下，将PD+FL控制方法与反推控制方法进行了仿真比较。反推控制器和PD+FL控制器都在250毫秒内稳定了系统。自适应反推控制器也能够实现这种性能与自适应法律启用和补偿偏移噪声正弦干扰。
2020-09-23 cs.RO
Robot Playing Kendama with Model-Based and Model-Free Reinforcement Learning
已经提出了几种基于模型和无模型的方法用于机器人轨迹学习任务。这两种方法各有优缺点。它们通常可以相互补充。许多研究工作试图将基于模型和非模型的方法集成到一个算法中，并在模拟器或准静态机器人任务中表现良好。当算法用于特定的轨迹学习任务时，仍然存在困难。在本文中，我们提出了一个机器人轨迹学习框架，精确的任务，不连续的动态和高速。从人的演示学习的轨迹进行优化DDP和PoWER先后。该框架在Kendama操作任务上进行了测试，这对人类来说也很难实现。结果表明，我们的方法可以规划的轨迹，成功地完成任务。
2020-12-23 cs.RO
Autistic Children's Mental Model of an Humanoid Robot
University of Turin（都灵大学）
本立场文件介绍了一个初步的卡片分类实验的基础上的反应和问题的一组自闭症儿童的工作与人形机器人在自主治疗实验室的结果。
2022-03-14 cs.RO
Optimization free control and ground force estimation with momentum observer for a multimodal legged aerial robot
Northeastern University（东北大学）；California Institute of Technology（加州理工学院）
本文提出一种面向多模态腿空机器人的无优化控制框架，结合显式参考调节器确保足端无滑动，并利用共轭动量观测器估计地面反作用力，在Husky降阶仿真中验证了其有效性。
2024-11-18 cs.RO cs.SY eess.SY
From Reaction to Anticipation: Proactive Failure Recovery through Agentic Task Graph for Robotic Manipulation
Sheng Xu；Ruixing Jin；Huayi Zhou；Bo Yue；Guanren Qiao；Yunxin Tai；Kui Jia；Guiliang Liu
本文提出AgentChord系统，通过代理任务图实现前瞻性故障恢复，提升机器人操作的可靠性和自主性。
2026-05-12 cs.RO
The Effects of Android Robots Displaying Emotion on Humans: Interactions between Older Adults and Android Robots
University of Siegen（锡根大学）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所（AIST））
机器人通常被视为完成逻辑目标任务的手段。另一方面，Android机器人为完成情感任务提供了新的可能性，因此可以集成到辅助场景中。我们通过让老年人和利益相关者与能够通过面部表情表达情感的Android机器人进行对话来探索这种可能性。这项研究是用一种绿野仙踪的方法进行的，用混合方法收集数据。我们发现，由于机器人的微笑，参与者被鼓励更多地与机器人交谈。与此同时，人们对透明度和操纵提出了许多道德问题。我们的研究可以提供有价值的洞察老年人对表现情感的机器人的反应。
2023-03-23 cs.HC cs.RO
SocialVLA: A Social Perception Gateway for Human-Reaction-Based Failure Detection and Recovery in VLA Manipulation
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
SocialVLA通过融合人类自发反应信号，为VLA操作提供实时失败检测与恢复，实现高精度干预和低延迟响应。
2026-10-05 cs.RO
Real-Time Context-aware Detection of Unsafe Events in Robot-Assisted Surgery
University of Virginia（弗吉尼亚大学）
用于机器人手术的网络物理系统使微创手术具有更高的精度和更短的住院时间。然而，随着软件的复杂性和连接性的增加以及人类操作员在手术机器人的监督中的主要参与，在确保患者安全方面仍然存在重大挑战。本文介绍了一种安全监测系统，该系统在外科医生了解手术任务的情况下，可以实时的【形】检测安全关键事件。我们的方法集成了一个手术手势分类器，推断的操作上下文的时间序列的运动学数据的机器人与库的错误的手势分类器，给定的手术手势可以检测到不安全的事件。我们使用来自两个手术平台的数据进行的实验表明，所提出的系统可以在1，693毫秒的平均反应时间窗口和0.88的F1分数内检测由意外或恶意故障引起的不安全事件，并且在57毫秒的平均反应时间窗口和0.76的F1分数内检测人为错误。
2020-06-18 cs.RO
From One to Many: How Active Robot Swarm Sizes Influence Human Cognitive Processes
University of Konstanz（康斯坦茨大学）；Justus Liebig University（吉森大学）
本研究探究15个机器人集群中不同活跃机器人数量对操作者认知与感知反应的影响，发现多活跃机器人会加快时间流逝感并增强心流，同时随持续时间增加情绪唤醒度与任务难度，为人机协作界面设计提供指导。
2024-03-20 cs.HC cs.RO
Chemistry3D: Robotic Interaction Benchmark for Chemistry Experiments
Tsinghua University（清华大学）；Wuhan University（武汉大学）；South China University of Technology（华南理工大学）
该研究提出基于 NVIDIA Omniverse 的 Chemistry3D 化学实验机器人仿真工具包，支持反应可视化、液体与透明物体模拟及 Sim2Real 验证。
2024-06-12 cs.RO
Learning Contact Dynamics through Touching: Action-conditional Graph Neural Networks for Robotic Peg Insertion
German Research Center for Artificial Intelligence（德国人工智能研究中心）；Osnabrück University（奥斯纳布吕克大学）
本文提出了一种基于动作的图神经网络模型，用于提升机器人圆柱体插入任务中的运动和力矩预测精度。
2026-09-17 cs.LG cs.RO
