Human-Robot Interaction in a Shared Augmented Reality Workspace
UCLA Center for Vision, Cognition, Learning, and Autonomy (VCLA)（加州大学洛杉矶分校视觉、认知、学习与自主中心（VCLA））
我们设计和开发了一个新的共享增强现实（AR）工作空间的人机交互（HRI），它建立了一个双向的人类代理和机器人之间的通信。在原型系统中，共享的AR工作空间实现了共享感知，因此物理机器人不仅可以在自己的视图中感知虚拟元素，还可以通过感知人类代理的凝视和姿势来推断人类代理的效用-在AR中感知和交互所需的成本。这种新的HRI设计还提供了共享操作，其中物理机器人可以作为主动代理控制和更改AR中的虚拟对象;至关重要的是，机器人可以主动与人类代理交互，而不是纯粹被动地执行接收到的命令。在实验中，我们设计了一个资源收集游戏，定性地演示了机器人如何感知，处理和操纵AR和定量评估HRI的功效使用共享的AR工作空间。我们进一步讨论了该系统如何可能有利于未来的HRI研究，否则具有挑战性。
2020-12-09 cs.HC cs.RO
Likable or Intelligent? Comparing Social Robots and Virtual Agents for Long-term Health Monitoring
TH Köln - University of Applied Sciences（科隆应用技术大学）；Cologne Cobots Lab（科隆协作机器人实验室）
本研究通过八周家庭实验比较社交机器人与虚拟代理在老年人长期健康监测中的表现，发现机器人更可爱而虚拟代理更智能，为相关研究奠定基础。
2025-02-21 cs.HC cs.RO
Human Autonomy and Sense of Agency in Human-Robot Interaction: A Systematic Literature Review
Chair for Communication Science（沟通科学系）
本文通过系统综述22项实证研究，识别出影响人机交互中人类自主性和主体感的五类因素（机器人适应性、沟通风格、拟人化、机器人存在和个体差异），并指出当前研究在定义和操作化上的不足，为设计支持自主性的机器人提供了指导。
2026-02-27 cs.HC cs.RO
Designing a minimalist socially aware robotic agent for the home
Indiana University（印第安纳大学）；Instituto Gulbenkian de Ciencia（古尔本基安科学研究所）
我们提出了一个极简的社会机器人，依赖于长时间序列的低分辨率数据，如机械振动，温度，照明，声音和碰撞。我们的目标是开发一个实验系统，用于培养社会定位的机器人代理人，其行为库被空间的社会秩序所包含。为了实现这一目标，我们正在设计机器人，这些机器人使用简单的传感器和运动反馈程序来识别不同类别的人类活动，然后将每个类别与一系列适当的行为相关联。我们使用Katie系列机器人，构建在iRobot Create平台上，Arduino Uno和Raspberry Pi。我们描述了它的传感器的能力和探索性的测试，使我们能够开发什么样的对象（传感器数据）对应于已知的和可观察的人类受试者的假设。我们使用机器学习方法对来自100多个实验的三种社交场景进行分类，证明使用我们的极简机器人的低分辨率传感器可以高精度地检测社交场景。
2014-06-26 cs.HC cs.RO
Analyzing Reluctance to Ask for Help When Cooperating With Robots: Insights to Integrate Artificial Agents in HRC
Interactive Robotics Group, Massachusetts Institute of Technology（麻省理工学院交互机器人组）；Department of Aeronautics and Astronautics（航空与航天系）；Department of Autonomous and Intelligent Systems（自主与智能系统系）；Faculty of Informatics, UPV/EHU（信息学院）
本研究通过人机协作装配任务的用户研究，分析人类求助行为及对不同类型辅助智能体与援助方式的看法，为未来用户辅助智能体设计提供关键参考。
2025-09-01 cs.HC cs.RO
Mind in the Machine: Perceived Minds Induce Decision Change
最近关于人类机器人交互的研究探讨了人们是否倾向于与他人保持一致，以扩展到人工代理（赫兹和Wiese，2016）。然而，很少有人知道机器人作为一个有思想的感知会在多大程度上影响人们的决定。基于心智感知理论，目前的研究提出，人工智能体可以诱导决策改变的程度，个人认为他们有头脑。通过改变机器人表达行为（代理）或感觉（经验）能力的程度，我们专门研究了机器人和社会影响力的心灵归因的潜在机制。我们的研究结果表明，感知经验和感知代理的人工代理引起的社会影响力的交互作用。这些发现为自主机器人对个人决策的影响提供了初步见解，并为理解机器人决策的潜在动态奠定了基础。
2018-11-02 cs.HC cs.RO
A Systematic Literature Review of Experiments in Socially Assistive Robotics using Humanoid Robots
University of Tsukuba（筑波大学）
我们进行了系统的文献综述，以发现人形机器人是如何被应用于社会辅助机器人实验。我们检索了24篇论文，其中16篇被纳入进行更深入的分析。为了进行这种分析，我们使用了一个受基于行为的机器人启发的概念框架。我们想知道是哪个机器人（大多数使用机器人NAO），应用程序的目标是什么（教学，协助，演奏，指导），如何控制机器人（在大多数实验中手动），机器人表现出什么样的行为（对触摸做出反应，指向身体部位，唱歌，跳舞，等等），机器人使用了什么样的执行器（总是电机，有时扬声器，几乎没有任何其他类型的致动器）和机器人使用什么类型的传感器（在许多研究中，机器人根本不使用任何传感器，在其他研究中，机器人经常使用相机和/或麦克风）。本研究的结果可用于设计针对类人社会辅助机器人的软件框架，特别是在软件产品线工程项目的背景下。
2017-11-15 cs.RO
Age-Appropriate Robot Design: In-The-Wild Child-Robot Interaction Studies of Perseverance Styles and Robot's Unexpected Behavior
Jagiellonian University（雅盖隆大学）；Aarhus University（奥胡斯大学）
研究通过在博物馆和学校的工作坊观察42名儿童，探讨了机器人意外行为对儿童-机器人交互的影响，并提出了设计适龄社交机器人学习交互的指南。
2023-10-19 cs.RO
M2HRI: An LLM-Driven Multimodal Multi-Agent Framework for Personalized Human-Robot Interaction
University of Virginia（弗吉尼亚大学）
提出M2HRI框架，通过个性、长期记忆和情境化协调机制赋予每个机器人独特身份，实验表明该方法能提升交互自然性和协调性。
2026-06-23 cs.RO
Systematic and Realistic Testing in Simulation 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）
柔性制造和家庭护理等行业将因机器人助手的出现而发生变革。要保证这些机器人系统的安全和功能健全，就需要进行严格的核查和验证。我们建议在模拟测试中使用覆盖驱动验证（CDV），以自动和系统的方式来指导测试过程。我们使用两层测试生成方法，首先计算抽象测试序列，然后将其具体化（例如，数据和变量被实例化），以降低测试生成问题的复杂性。为了证明我们的方法的有效性，我们开发了一个机器人代码的测试平台，运行在ROS-Gazebo中，实现了对象切换作为人机交互（HRI）任务的一部分。通过在仿真中模拟人、环境、传感器和执行器，生成测试以真实的方式模拟机器人的代码。我们比较了无约束，约束和基于模型的测试生成的优点，在测试中实现彻底的探索代码，有趣的人机交互的组合。我们的研究结果表明，CDV与系统的测试生成相结合，实现了非常高的自动化程度在HRI机器人控制代码的基于仿真的验证。
2016-07-13 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
A Survey of Multi-Agent Human-Robot Interaction Systems
University of Waterloo（滑铁卢大学）
本文介绍了人机交互（HRI）领域的文献综述，特别是包含两个以上代理的系统（即，具有多个人和/或多个机器人）。我们确定了三个核心方面的“多代理”HRI系统是有用的，了解这些系统如何不同的二元系统和彼此。这些是团队结构，代理之间的交互方式，以及系统的计算特性。在这些核心方面，我们提出了五个属性的HRI系统，即团队规模，团队组成，交互模式，通信方式，和机器人控制。这些属性用于表征和区分一个系统与另一个系统。我们填充产生的类别与最近的文献中的例子，以及他们的应用程序的简要讨论，并分析这些属性如何不同的情况下，二元人类-机器人系统。我们总结了当前文献中的主要观察结果，并确定了这一领域未来研究的挑战和有前途的领域。为了实现机器人成为社会的一部分并与人类无缝交互的愿景，需要扩展对多人-多机器人系统的研究。这些系统不仅需要几个代理之间的协调，它们还涉及多代理和间接的互动，这是缺乏二元HRI系统。在HRI系统中添加多个代理需要先进的交互方案，行为理解和控制方法，以允许人类和机器人之间的自然交互。此外，在人机混合团队中对人类行为理解的研究也需要更多的关注。这将有助于制定和实施有效的机器人控制策略，在HRI系统中有大量的异构机器人和人类;团队组成反映了许多现实世界的场景。
2022-12-10 cs.RO
Robotic Behavior Prediction Using Hidden Markov Models
University of Florida（佛罗里达大学）
在许多情况下，机器人拥有类似于理性人类的预测能力是有益的。其中一些情况包括协作机器人，对抗情况下的机器人，以及动态避障。本文提出了一种方法来建模的动态代理的行为，以赋予机器人的能力，以预测代理的行动和识别代理正在执行的行为在实时的。实现的行为建模的方法使用隐马尔可夫模型（HALGOT）的动态代理的不可观察的状态进行建模。介绍了行为建模的背景和理论。真实的机器人模拟预测的行为和动作的动态代理在静态环境中的实验结果。
2014-12-01 cs.RO
Robotic Vision for Human-Robot Interaction and Collaboration: A Survey and Systematic Review
Australian Research Council Centre of Excellence for Robotic Vision（澳大利亚研究理事会机器人视觉卓越中心）；Queensland University of Technology（昆士兰科技大学）；Monash University（莫纳什大学）；University of Oxford（牛津大学）
本综述系统性回顾了过去10年310篇文献，全面分析了机器人视觉在人机交互与协作中的应用趋势、方法、数据集及未来挑战，指出该领域在动作识别和物体交接等方面取得进展，但计算机视觉新技术转化不足。
2023-07-28 cs.RO
Age-Related Differences in the Perception of Eye-Gaze from a Social Robot
Örebro University（奥雷布罗大学）
研究探讨社会机器人通过指示性眼动改善老年人社会感知能力，旨在设计适应年龄差异的非语言交流方案。
2026-03-09 cs.RO
EmbodiedLGR: Integrating Lightweight Graph Representation and Retrieval for Semantic-Spatial Memory in Robotic Agents
Department of Electronics, Information, and Bioengineering (DEIB), Politecnico di Milano（电子、信息与生物工程系（DEIB），米兰理工大学）
本文提出EmbodiedLGR-Agent，通过参数高效VLM构建语义-空间记忆，实现高效的环境记忆表示与检索，实验证明其在推理和查询时间上达到SOTA，且在实际部署中表现出良好的实用性。
2026-09-07 cs.RO
Building Second-Order Mental Models for Human-Robot Interaction
University of Colorado Boulder（科罗拉多大学博尔德分校）
人类形成的其他代理人的心理模型-封装了人类对代理人目标，意图，能力等的信念-为交互创造了一个潜在的基础。这些心理模型有可能影响人类在交互过程中的决策以及人类对交互的主观评估。在本文中，我们调查了现有的方法来建模人类如何看待机器人，然后确定了一个潜在的方法，通过直接从他们的行动推断一个人的机器人代理模型，以改善这些估计。然后，我们进行了一项在线研究，在网格世界环境中收集数据，涉及人类移动化身通过虚拟代理。通过我们的分析，我们证明了参与者的行动选择泄露了他们对虚拟代理的心理模型的信息。最后，我们讨论了这些发现的影响，以及这种方法改善人机交互的潜力。
2019-09-14 cs.HC cs.MA cs.RO
Toward Self-Repairing Ubiquitous Robots Using Goal-Oriented Agentic AI in Human-Robot Interactions
IT-University of Copenhagen（哥本哈根信息技术大学）
本文提出一种目标导向智能体AI架构，通过情境对话使非专家完成物理硬件修复，实验显示95%完成率，但物理交互降低了社会存在感与信任。
2026-09-23 cs.RO
Do Mistakes Matter? Comparing Trust Responses of Different Age Groups to Errors Made by Physically Assistive Robots
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本研究探讨物理辅助机器人在洗澡和喂食任务中犯错对不同年龄组用户信任的影响，发现错误对信任的影响因年龄和任务而异，老年人对机器人的信任比年轻人更能抵御错误。
2024-08-23 cs.RO
Intelligent Agent-Based Stimulation for Testing Robotic Software in Human-Robot Interactions
University of Bristol（布里斯托大学）；University of the West of England（西英格兰大学）
机器人软件测试的挑战超出了传统的软件测试。需要为并发运行的多个程序和硬件生成有效、真实和有趣的测试，并将其部署到有人员的动态环境中。我们调查使用的信念-欲望-意图（BDI）代理作为测试生成模型，在域中的人-机器人交互（HRI）的模拟。这些模型提供了合理的代理，因果关系和推理机制，用于规划，模拟智能和自适应机器人，以及由人类指导的智能测试环境。我们引入了强化学习（RL），使用基于覆盖反馈的奖励函数来自动探索BDI模型。我们的方法进行评估，使用协同制造的例子，在测试中的机器人软件是间接刺激通过一个模拟的人类同事。我们得出结论，BDI代理提供了直观的模型，在HRI域的测试生成。我们的研究结果表明，RL可以完全自动化BDI模型探索，导致非常有效的覆盖导向测试生成。
2016-07-13 cs.RO cs.SE
Generating Explanations for Autonomous Robots: a Systematic Review
University of León（莱昂大学）
本文系统性综述了为自主机器人生成解释的策略与XAR趋势，指出可解释性系统虽取得进展但仍无法完全覆盖复杂行为，且在理论概念和评估方法上存在不足。
2025-01-30 cs.RO
Multi-Agent Strategy Explanations for Human-Robot Collaboration
Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文研究人机协作中的多智能体策略解释方法，利用通用多智能体规划器生成策略条件化关键状态的可视化与文本解释，并通过用户研究验证其能帮助用户更高效地与机器人协作。
2024-07-01 cs.RO
EmoACT: a Framework to Embed Emotions into Artificial Agents Based on Affect Control Theory
Università degli studi di Genova（热那亚大学）
本研究开发了基于情感控制理论（ACT）的平台无关框架EmoACT，将其在人形机器人中实现，发现情感展示频率影响用户感知，恰当表达可增强机器人的情感与认知能动性，提升人机交互效果。
2025-04-16 cs.RO
From Social Reasoning to Embodied Interaction: An Agentic Framework for Social Robots
ShanghaiTech University（上海科技大学）；InstAdapt
提出ARISE框架，在Sophia人形机器人上统一社会推理与具身交互，通过多模态理解、记忆和流式执行实现自然协调的社交行为，显著提升交互质量并降低延迟。
2026-10-06 cs.RO
Human-Robot Interaction in GenAI Architectures via the Agent-Client Protocol
Machine Perception and Intelligent Robotics Group (MAPIR-UMA), Malaga Institute for Mechatronics Engineering and Cyber-Physical Systems (IMECH.UMA), University of Malaga（机器感知与智能机器人组（MAPIR-UMA），马拉加机电一体化工程与网络物理系统研究所（IMECH.UMA），马拉加大学）
研究针对GenAI推动下机器人架构中HRI层碎片化问题，提出采用代理-客户端协议（ACP），结合MCP构建三层解耦架构，消除架构依赖，支持异构界面，提供协作HRI能力，经实验验证了架构的互操作性和实时人在回路工作流程。
2026-07-17 cs.RO
LEO-RobotAgent: A General-purpose Robotic Agent for Language-driven Embodied Operator
Zhejiang University, Hangzhou 310000, P. R. China（浙江大学，杭州310000，中华人民共和国）
本文提出LEO-RobotAgent框架，旨在通过语言驱动实现机器人在复杂场景中完成多样化任务，具备强泛化能力、鲁棒性和高效性，降低人机交互门槛。
2026-04-15 cs.RO
ARIS: Agentic and Relationship Intelligence System for Social Robots
Monash University（墨尔本大学）
ARIS通过整合多模态推理、图基社会世界模型和检索增强生成技术，提升社交机器人在多轮交互和社会关系推理中的能力，实验显示其在智能感知和用户亲和力方面表现更优。
2026-05-01 cs.RO
Robotic Agentic Platform for Intelligent Electric Vehicle Disassembly
Department of Computer Science, University of Colorado, Boulder（科罗拉多大学博尔德分校计算机科学系）
本文提出RAPID平台，通过感知驱动操作、灵活自动化和AI辅助机器人编程，解决电动汽车电池包拆解的自动化问题，实验评估了三种快拆策略并引入代理AI规范以提升人机协作效率。
2026-10-28 cs.RO
Your Robot Will Feel You Now: Empathy in Robots and Embodied Agents
School of Computing Science, Simon Fraser University（计算科学学院，西蒙弗雷泽大学）；School of Interactive Arts and Technology, Simon Fraser University（交互艺术与技术学院，西蒙弗雷泽大学）
本文综述了人类机器人交互和具身对话代理领域中共情行为和模型的研究，探讨如何将这些经验应用于当今基于语言的代理系统。
2026-02-12 cs.AI cs.CV cs.RO
The Future of Intelligent Healthcare: A Systematic Analysis and Discussion on the Integration and Impact of Robots Using Large Language Models for Healthcare
本文系统分析了大语言模型与医疗机器人集成的需求、伦理挑战及未来方向，旨在应对人口老龄化和专业人员短缺问题。
2024-11-05 cs.AI cs.ET cs.HC
MistyPilot: Enabling Social-Robot Control through Multi-Agent LLM Skill Orchestration
State University of New York at Buffalo（纽约州立大学布法罗分校）
该研究提出多智能体大语言模型框架MistyPilot，可解释自然语言指令并编排Misty社交机器人技能，经评估其在多项任务上准确率高、方差低，用户反馈积极，代码将公开。
2026-08-18 cs.AI cs.RO
Assistax: A Multi-Agent Hardware-Accelerated Reinforcement Learning Benchmark for Assistive Robotics
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出Assistax基准，利用JAX硬件加速和基于多智能体强化学习的辅助机器人任务，实现高达370倍加速，并测试机器人的零样本协调能力。
2026-07-22 cs.AI cs.LG cs.MA
A behavioural transformer for effective collaboration between a robot and a non-stationary human
University of Edinburgh（爱丁堡大学）；Honda Research Institute Europe（欧洲本田研究院）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出基于元学习框架的行为变换器BeTrans，利用条件变换器处理人机协作中人类行为非平稳性问题，在模拟环境中实现比SOTA更快的适应与有效协作。
2023-07-25 cs.AI cs.LG cs.RO
Utility Theory based Cognitive Modeling in the Application of Robotics: A Survey
College of Engineering and Computer Science, The University of Tulsa（工程与计算机科学学院，塔尔萨大学）
本文综述了基于效用理论的认知建模在机器人应用中的发展与现状，探讨了其在多代理系统中的作用及未来研究方向。
2026-03-09 cs.AI cs.MA cs.NE
Empirical Investigation of Factors that Influence Human Presence and Agency in Telepresence Robot
The Graduate University for Advance Studies, SOKENDAI（综合研究大学院大学）；National Institute of Informatics, NII（国立信息学研究所）
如今，一个社区开始发现需要人类在场的替代方式，有大量的研究和发展，在先进的远程呈现机器人。人们倾向于感觉更接近和更舒适的远程呈现机器人，因为许多人在机器人中感觉到人类的存在。一般来说，许多人从机器人的脸上感受到代理感，但一些没有手臂和身体运动的远程呈现机器人往往会给人一种存在感。重要的是识别和配置远程呈现机器人如何通过包括人脸和轻微的面部和手臂运动来影响人的存在感和代理感。因此，我们通过基于网络的实验进行了广泛的研究，以确定原型，可以导致舒缓的人类与机器人的互动。实验的特点是视频的远程呈现机器人n = 128，2 × 2之间的参与者研究机器人的脸因素：视频会议，机器人一样的脸;手臂运动因素：移动与静态），以调查显着影响人类的存在和代理与机器人的因素。我们使用了两个远程呈现机器人：一个是负担得起的机器人平台，另一个是用于增强人机交互的修改版本。研究结果表明，当机器人的脸被替换为人类的脸并且没有运动时，参与者感觉到更接近人类的代理。机器人的动作唤起了人类存在的感觉，无论面部是人类还是机器人。
2021-05-25 cs.HC cs.RO
From Agent Autonomy to Casual Collaboration: A Design Investigation on Help-Seeking Urban Robots
The University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）
本文通过17人参与的4场bodystorming焦点小组，从机器人与旁观者双视角提炼非语言求助策略及协助行为影响因素，并为城市求助机器人提出协作设计建议。
2024-03-04 cs.HC cs.RO
From Human Bias to Robot Choice: How Occupational Contexts and Racial Priming Shape Robot Selection
The University of Tennessee（田纳西大学）；University of Kentucky（肯塔基大学）
研究探讨职业背景和种族刻板印象如何影响人机选择，发现浅肤色机器人在医疗和教育领域更受青睐，而深肤色机器人在建筑和体育领域更受欢迎，揭示了社会偏见在机器人选择中的传递机制。
2026-01-16 cs.HC cs.RO
Augmenting Knowledge through Statistical, Goal-oriented Human-Robot Dialog
SUNY Binghamton（纽约州立大学宾汉姆顿分校）；Cleveland State University（克利夫兰州立大学）；University of Washington（华盛顿大学）
一些机器人可以使用自然语言与人类交互，并通过人机对话识别服务请求。然而，很少有机器人能够从这种经验中提高他们的语言能力。在本文中，我们开发了一个对话代理的机器人，能够解释用户的命令使用语义解析器，同时要求澄清问题，使用概率对话管理器。该对话代理能够通过从对话经验中学习来增强其知识库并提高其语言能力，例如，添加新实体并学习引用现有实体的新方法。我们已经在模拟中广泛评估了我们的对话系统，并通过MTurk和真实机器人平台与人类参与者进行了评估。我们证明，我们的对话代理执行更好的效率和准确性相比，基线学习代理。演示视频可以在https://youtu.be/DFB3jbHBqYE上找到
2019-11-12 cs.HC cs.RO
AgentRob: From Virtual Forum Agents to Hijacked Physical Robots
Peking University（北京大学）
AgentRob通过模型上下文协议连接虚拟论坛与物理机器人，实现多代理协作控制，展示了论坛驱动的多机器人协调可行性。
2026-02-14 cs.RO
Towards Agentic Robots: Model, Data, Environment, and Harness
MMLab, The Chinese University of Hong Kong（香港中文大学MMLab）；Fudan University（复旦大学）；NovaXBot；Tsinghua University（清华大学）；Zhejiang University（浙江大学）；Sun Yat-sen University（中山大学）
本文针对智能体机器人领域，梳理从机器人策略到智能体系统的发展，明确其定义与研究分类，探讨开放挑战，旨在推动该领域的清晰认知与新方法构建。
2026-10-15 cs.RO
How Can Robots Trust Each Other For Better Cooperation? A Relative Needs Entropy Based Robot-Robot Trust Assessment Model
University of Georgia（佐治亚大学）
多智能体和多机器人系统中的协作可以帮助智能体构建各种队形、形状和图案，以适应不同的情况，呈现相应的功能和目的。代理之间的关系，如他们的空间接近和功能相似性可以发挥至关重要的作用，代理之间的合作。代理之间的信任水平是评估其关系可靠性和稳定性的重要因素，就像人一样。本文提出了一种新的模型称为相对需求熵（RNE）来评估机器人代理之间的信任。RNE测量个体代理或代理组之间的需求分布距离。为了验证其效用，我们实现和证明我们的信任模型，通过实验模拟一个异构的多机器人分组任务，在一个持久的城市搜索和救援任务组成的任务，在两个级别的难度。结果表明，RNE基于信任的机器人分组可以实现更好的性能和适应性不同的任务执行相比，最先进的基于能量或基于距离的分组模型。
2021-08-31 cs.AI cs.MA cs.RO
Action Representations in Robotics: A Taxonomy and Systematic Classification
University of Innsbruck（因斯布鲁克大学）
理解和定义“动作”的含义对于机器人技术的研究具有重要意义。当旨在为自主机器人配备强大的操作技能以执行动作时，这一点变得非常明显。不幸的是，迄今为止，我们仍然缺乏对行动概念的明确理解，也缺乏一套最终确定行动特征的既定标准。因此，在本综述中，我们首先回顾了关于行动的概念和意义的现有思想和理论。随后，我们讨论了行动在机器人技术中的作用，并试图根据其在机器人技术研究中的应用给出一个开创性的行动定义。鉴于这个定义，我们然后介绍了一个分类的动作表示在机器人沿着不同的维度。最后，我们提供了一个系统的文献调查机器人的动作表示，我们沿着我们的分类法分类相关文献。在讨论了目前的最新技术水平后，我们得出结论，展望了有前途的研究方向。
2018-09-12 cs.RO
MARC: A multi-agent robots control framework for enhancing reinforcement learning in construction tasks
The University of British Columbia（不列颠哥伦比亚大学）
本文提出MARC多智能体机器人控制框架，基于近端策略优化实现建筑任务中的机器人协作，有效防止碰撞并提升任务执行效率。
2023-05-23 cs.RO
An Android Robot Head as Embodied Conversational Agent
Hochschule der Medien Stuttgart（斯图加特传媒大学）
本文介绍了一种以ChatGPT为核心的安卓机器人头部具身对话代理，结合机器学习与规则动画实现唇形同步，并通过公开展示反馈推动迭代改进。
2023-05-18 cs.RO
Systematic analysis of requirements for socially acceptable service robots
SUPSI（瑞士南部应用科学大学）；Spindox（斯宾多克斯公司）
为提升服务机器人的社会接受度，本文对服务机器人的功能性与非功能性需求开展系统性分类分析，并结合接待机器人案例探讨其所需具备的社会可接受性需求。
2024-09-13 cs.RO
How Age Influences the Interpretation of Emotional Body Language in Humanoid Robots -- long paper version
University of Turin（都灵大学）；University of Bari Aldo Moro（巴里阿尔多莫罗大学）
本文通过实证比较儿童、青年与老年人对 NAO 情绪性肢体语言的解读，揭示不同年龄群体在感知机器人情绪线索上的异同。
2025-07-25 cs.RO
Multi-Robot Cooperative Socially-Aware Navigation Using Multi-Agent Reinforcement Learning
Purdue University（普渡大学）；College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology（北京化工大学机电工程学院）
针对公共空间多机器人社会导航存在的仿真现实差距问题，提出结合时空Transformer与多智能体强化学习的SAMARL基准及对应Dec-POSMDP环境，实验证明其性能优于现有基线与消融模型。
2024-05-15 cs.RO
Robotic Process Automation -- A Systematic Literature Review and Assessment Framework
Institute of Databases and Information Systems, Ulm University（乌尔姆大学数据库与信息系统研究所）
机器人流程自动化（RPA）是基于规则的常规流程的自动化，以提高效率并降低成本。由于过程自动化在工业中的重要性，RPA在科学领域也引起了越来越多的关注。本文通过系统性文献综述（SLR）介绍了RPA领域的最新进展。在本SLR中，根据明确定义的研究问题识别、分类和分析了63篇出版物。此外，从SLR的调查结果，系统地分析，评估和比较现有的以及即将到来的RPA工程的框架。所发现的专题组建议进一步调查，以制定一个更详细的结构研究方法的RPA。
2020-12-22 cs.RO
A Systematic Comparison of Simulation Software for Robotic Arm Manipulation using ROS2
University of Glasgow（格拉斯哥大学）；National Manufacturing Institute in Scotland（苏格兰国家制造研究所）
仿真软件是机器人研究的强大工具，它允许真实世界的虚拟表示。然而，随着机器人操作系统（ROS）的兴起，有新的仿真软件包，还没有在文献中进行比较。本文提出了一个系统的审查与ROS版本2兼容的仿真软件。重点是机器人手臂操作的研究，因为它代表了工业中最常用的机器人应用及其未来对数字孪生的适用性。为此，我们在类似的参数，任务和场景下对仿真软件进行基准测试，并根据其长期运行的能力，完成任务的成功率，可重复性和资源使用情况对其进行评估。我们发现，没有最好的仿真软件整体，但两个仿真包（点火和Webots）有更高的稳定性比其他，而在资源使用方面，PyBullet和Coppeliasim消耗低于他们的竞争对手。
2022-04-13 cs.RO
Design specifications of the Human Robotic interface for the biomimetic underwater robot "yellow submarine project"
介绍了一种基于Web的水下水电避碰自主航行仿生潜艇的多智能体设计。本文描述了河流水体的地图拓扑接口的性质和机器人潜艇控制的交互式代理的设计。该代理是迁移在Web上，并在XML/HTML界面设计，具有交互能力和在地图上的可见性。本文从数学上描述了用户界面和用于多Agent描述的地图定义语言
2010-06-28 cs.MA cs.RO
A Systematic Literature Review of Computer Vision Applications in Robotized Wire Harness Assembly
Chalmers University of Technology（查尔姆斯理工大学）；Politecnico di Milano（米兰理工大学）；Volvo Car Corporation（沃尔沃汽车公司）；Scania CV AB（斯堪尼亚汽车股份有限公司）
本文系统综述了计算机视觉在机器人化线束装配中的应用，涵盖方法、进展与挑战。
2024-05-21 cs.AI cs.CV cs.RO
MARLIN: Multi-Agent Reinforcement Learning Guided by Language-Based Inter-Robot Negotiation
University of Southampton（南安普顿大学）
MARLIN通过语言引导的多机器人协商与强化学习结合，提升早期训练性能和最终效果，采用语言模型进行高层规划和行动协商。
2026-11-05 cs.RO
Towards open and expandable cognitive AI architectures for large-scale multi-agent human-robot collaborative learning
Institute of Computer Science (ICS), Foundation for Research and Technology - Hellas (FORTH)（希腊研究与技术基金会计算机科学研究所）；University of Crete (UoC)（克里特大学）
示教学习（LfD）是构造高效认知机器人系统的最有效的方法之一。尽管已经报道了大量的研究工作，但当前的关键技术挑战包括多智能体学习和长期自主性。朝着这个方向，一种新的认知架构多智能体LfD机器人学习的介绍，旨在使开放的，可扩展的和可扩展的机器人系统在大规模和复杂的环境中的可靠部署。特别是，所设计的架构利用人工智能（AI）领域的最新进展，通过建立一个联邦学习（FL）为基础的框架，体现了多人多机器人协作学习环境。基本概念化依赖于采用多个AI授权的认知过程（实现各种机器人任务），这些过程在机器人平台网络的边缘节点上运行，而全局AI模型（支持上述机器人任务）通过优雅地组合来自大量人机交互实例的信息，在网络中共同创建和共享。关于关键的新颖性，所设计的认知架构a）引入了一种新的基于FL的形式主义，该形式主义扩展了传统的LfD学习范式以支持大规模的多智能体操作设置，b）阐述以前基于FL的自学习机器人计划，以便将人类纳入学习循环，c）通过额外的复杂的AI支持的学习方法来巩固FL的基本原则，以模拟多个机器人任务之间的相互依赖性。所提出的框架的适用性解释使用敏捷生产为基础的关键原材料（CRM）恢复的一个现实世界的工业案例研究的例子。
2021-03-29 cs.AI cs.HC cs.LG
When Prompts Control Robots: Prompt Injection Attacks in Multi-Agent Robotic Systems
School of Informatics, Computing, and Cyber Systems, Northern Arizona University（北亚利桑那大学信息学、计算与网络安全学院）；Department of Software Science, Tallinn University of Technology（塔林理工大学软件科学系）
本文针对基于LLM的多智能体机器人系统，系统研究了直接和间接提示注入攻击的风险、传播特性及架构对攻击成功率的影响，是该领域的首项系统性研究。
2026-08-05 cs.AI cs.CR cs.MA
