Steering AI-Driven Personalization of Scientific Text for General Audiences
Northwestern University（西北大学）；Cornell University（康奈尔大学）；Center for Advanced AI, Accenture（Accenture高级人工智能中心）；Accenture Labs（Accenture实验室）
设计了AI工具TranSlider，通过交互式滑块引导LLM生成不同个性化程度的科学文本翻译，研究发现不同个性化偏好影响用户的理解和阅读体验，并为人机对齐界面设计提供启示。
2025-08-10 cs.AI cs.HC
Rhythm Is a Dancer: Designing Interactive Rhythm Feedback for Beginner Dancers
LMU Munich（慕尼黑大学）；TU Wien（维也纳工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道莱布尼茨理工大学）
本研究提出SkeletonDance系统，基于运动学习理论和教师访谈，通过自动检测节奏缺陷并模拟拍手反馈，帮助初学者重建节奏并增强练习信心，同时揭示了先前经验对客观效果的影响。
2026-09-30 cs.HC
"My Grade is Wrong!": A Contestable AI Framework for Interactive Feedback in Evaluating Student Essays
Nanyang Technological University（南洋理工大学）；Hubei University of Technology（湖北工业大学）；Hohai University（河海大学）；Shenzhen University（深圳大学）
针对教育场景中交互式反馈耗时长、大语言模型交互式推理能力不足的问题，本文提出融合多智能体与计算论证的可申诉AI框架CAELF，经500篇作文实验验证可有效提升LLM交互反馈效果，助力教育交互式反馈普及。
2024-09-11 cs.AI cs.HC
SoniWeight Shoes: Investigating Effects and Personalization of a Wearable Sound Device for Altering Body Perception and Behavior
本研究通过SoniWeight Shoes可穿戴设备，探究不同声音条件对多维度身体感知的影响及个体差异的调节作用，复现既往发现并为个性化声觉化策略提供方向，同时公开数据集与工具。
2024-03-11 cs.HC
REFINE: Real-world Exploration of Interactive Feedback and Student Behaviour
EPFL（瑞士联邦理工学院洛桑）
本文提出REFINE系统，通过多智能体反馈机制实现高效互动反馈，提升学生参与度与反馈质量。
2026-03-31 cs.AI cs.HC
Smart Device Development for Gait Monitoring: Multimodal Feedback in an Interactive Foot Orthosis, Walking Aid, and Mobile Application
Frankfurt University of Applied Sciences（法兰克福应用科学大学）；University of Cadiz（加的斯大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Arizona State University（亚利桑那州立大学）；Instituto de Investigación e Innovación Biomédica de Cádiz (INiBICA)（加的斯生物医学研究与创新研究所）
本文提出了一种结合智能足垫和前臂拐杖的模块化传感器系统，通过多模式触觉反馈提升步态监测的实用性与用户适应性。
2025-12-15 cs.HC
Interactive Sensor Dashboard for Smart Manufacturing
本文介绍了工业4.0智能传感器仪表板的开发，包括2D和3D可视化模块。在2D模块中，我们描述了传感器和可视化模块之间的物理连接以及在2D屏幕上渲染数据。介绍了一项用户研究，参与者使用四种类型的图表回答了几个问题。我们分析了四个图形在屏幕上的眼睛注视模式，正确答案的数量和响应时间。对于3D模块，我们开发了一个VR数字孪生传感器数据可视化。一个用户的研究提出了评估效果的不同反馈方案的定量和定性指标的互动在虚拟环境中。我们比较了视觉和触觉反馈和视觉和触觉反馈的多模态组合的VR环境。我们发现，触觉反馈显着提高了定量指标的互动比没有反馈的情况下，而多模态反馈显着提高了定性指标的互动。
2020-05-08 cs.HC
Conversate: Supporting Reflective Learning in Interview Practice Through Interactive Simulation and Dialogic Feedback
针对面试练习缺乏有效反馈的问题，研究推出基于LLM的Conversate网页应用，提供交互式模拟与对话式反馈，支持用户反思性学习以提升面试技能。
2024-11-01 cs.HC
Enhancing Model Assessment in Vision-based Interactive Machine Teaching through Real-time Saliency Map Visualization
交互式机器教学系统允许用户通过用户引导的训练和模型评估的迭代过程来创建定制的机器学习模型。它们主要提供每个标签或类别的置信度分数作为用户评估的反馈。然而，我们观察到，这样的反馈并不一定足以让用户确认模型的行为。特别是，置信度得分并不总是提供对数据中哪些特征用于学习的充分理解，这可能导致创建错误训练的模型。在这篇演示论文中，我们提出了一个基于视觉的交互式机器教学界面，在评估阶段具有实时的【形】显着图可视化。这种可视化可以提供当前模型利用每个图像帧的哪些区域进行分类的反馈，从而更好地指导用户在迭代教学中纠正相应的概念。
2021-08-26 cs.HC
Interactive Region-of-Interest Discovery using Exploratory Feedback
在本文中，我们提出了一个地理空间数据管理框架IRIDEF捕获和分析用户的探索性反馈，丰富的指导机制，在互动分析的背景下。我们讨论了探索性反馈可以是决策反馈时，后者是稀缺或不可用的代理。IRIDEF通过探索性反馈识别感兴趣区域（ROI），并突出显示每个ROI中的一些有趣和看不见的POI。这些亮点使用户能够塑造他/她未来与系统的交互。我们以数据分析管道的形式详细介绍了我们提出的框架的组件，并介绍了每个组件的效率和有效性。我们还讨论了IRIDEF的评估计划和未来方向。
2021-07-29 cs.DB cs.HC
V(is)owel: An Interactive Vowel Chart to Understand What Makes Visual Pronunciation Effective in Second Language Learning
本研究提出交互式元音图表V(is)owel，通过将舌头运动映射到图表提供视觉反馈，实验表明其能有效改善第二语言发音并激励练习。
2025-07-08 cs.HC
Impact of Feedback Type on Explanatory Interactive Learning
University College Dublin（都柏林大学）
解释性交互学习（XIL）收集用户对视觉模型解释的反馈，以实现基于人在回路（HITL）的交互学习场景。不同的用户反馈类型将对用户体验和与收集反馈相关联的成本具有不同的影响，因为不同的反馈类型涉及不同级别的图像注释。虽然XIL已被用于提高多个领域的分类性能，但不同用户反馈类型对模型性能和解释准确性的影响尚未得到很好的研究。为了指导未来的XIL工作，我们比较了图像分类任务中两种不同用户反馈类型的有效性：（1）指示算法忽略某些虚假图像特征，以及（2）指示算法专注于某些有效图像特征。我们使用的解释，从一个服从加权类激活映射（GradCAM）为基础的XIL模型，以支持这两种反馈类型。我们发现，识别和注释虚假的图像特征，一个模型发现显着的结果在优越的分类和解释精度比用户反馈，告诉模型专注于有效的图像特征。
2022-09-26 cs.AI cs.HC
MAP: Multi-user Personalization with Collaborative LLM-powered Agents
Department of Computer Sciences University of Wisconsin--Madison（威斯康星大学麦迪逊分校计算机科学系）
针对多用户场景下LLM智能体的偏好适配与指令冲突问题，提出含三阶段的以用户为中心的个性化工作流，并构建多智能体系统MAP落地该流程，用户研究验证了其有效性与可用性。
2025-03-18 cs.AI cs.HC cs.RO
Feed-O-Meter: Investigating AI-Generated Mentee Personas as Interactive Agents for Scaffolding Design Feedback Practice
KAIST（韩国科学技术院）
Feed-O-Meter通过AI代理帮助学生练习设计反馈，提升其反馈能力和反思能力。
2025-12-02 cs.HC
Efficient Personalization of Generative User Interfaces
Carnegie Mellon University（卡内基梅隆大学）；Purdue University（普渡大学）
本文研究了生成用户界面个性化难题，提出基于历史设计师偏好样本的高效方法，在技术评估中优于预训练模型，并能生成更多用户偏好界面。
2026-09-15 cs.AI cs.CV cs.HC
NARRA-Gym for Evaluating Interactive Narrative Agents
University of Notre Dame（诺丁汉大学）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Pennsylvania（宾夕法尼亚大学）；Lehigh University（莱恩大学）；Massachusetts Institute of Technology（麻省理工学院）；Bake AI UC Santa Barbara（加州大学圣芭芭拉分校）；University of Washington（华盛顿大学）
本文提出NARRA-Gym，一个可执行评估环境，用于评估LLM在多轮交互中生成连贯故事的能力，通过模拟情感种子生成完整故事并记录完整模型在环轨迹，验证了不同模型在故事质量、鲁棒性和用户适应性上的差异。
2026-05-08 cs.CL cs.CY cs.HC
RLHF-Blender: A Configurable Interactive Interface for Learning from Diverse Human Feedback
University of Konstanz（康斯坦茨大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出可配置交互式界面 RLHF-Blender，通过模块化实验框架支持系统研究演示、排序、比较和自然语言指令等多种人类反馈对奖励学习的影响，弥补了标准化工具不足的问题。
2023-08-08 cs.HC cs.LG
Soliciting Human-in-the-Loop User Feedback for Interactive Machine Learning Reduces User Trust and Impressions of Model Accuracy
University of Florida（佛罗里达大学）
混合主动系统允许用户交互式地提供反馈，以潜在地提高系统性能。人工反馈可以纠正模型错误并更新模型参数，以动态适应不断变化的数据。此外，许多用户希望能够有更高的控制水平，并修复他们所依赖的系统中的感知缺陷。然而，向自治系统提供反馈的能力如何影响用户信任，这在很大程度上是一个尚未探索的研究领域。我们的研究调查了提供反馈的行为如何影响用户对智能系统及其准确性的理解。我们提出了一个对照实验，使用一个模拟的目标检测系统与图像数据，研究交互式反馈收集对用户印象的影响。结果表明，提供人在回路反馈降低了参与者对系统的信任和他们对系统准确性的感知，无论系统准确性是否响应他们的反馈而提高。这些结果强调了在设计智能系统时考虑最终用户反馈对用户信任的影响的重要性。
2020-08-28 cs.AI cs.HC cs.LG
From "Thumbs Up" to "10 out of 10": Reconsidering Scalar Feedback in Interactive Reinforcement Learning
Tufts University School of Engineering, Computer Science（塔夫茨大学工程学院计算机科学系）；Tufts University School of Engineering, Mechanical Engineering（塔夫茨大学工程学院机械工程系）
本文提出STEADY方法，通过处理标量反馈提升机器人抓取任务中的学习效果，证明标量反馈在适当处理下对强化学习有益。
2025-12-12 cs.HC cs.RO
ChatMPC: Natural Language based MPC Personalization
本文提出ChatMPC方法，通过自然语言聊天在MPC框架内实时更新控制规范，以较低用户负担实现控制系统个性化，并在自主机器人实验中验证了其有效性。
2023-09-13 cs.HC cs.SY eess.SY
ConstitutionMaker: Interactively Critiquing Large Language Models by Converting Feedback into Principles
Google Research（谷歌研究院）
研究提出交互式工具 ConstitutionMaker，通过将用户自然语言反馈自动转化为指导模型行为的原则（宪法）并插入提示中，帮助用户更高效、低负担地优化大型语言模型聊天机器人的输出。
2023-10-24 cs.AI cs.HC
Interactive Modeling of Concept Drift and Errors in Relevance Feedback
在探索性搜索中，用户在给出相关反馈时往往不确定反馈的正确性，这可能导致噪声甚至错误的反馈。另外，用户的搜索意图可能是不稳定的，因为用户在搜索期间不断地学习和重新制定她的搜索假设。这可能导致反馈中的明显概念漂移。我们制定了一个贝叶斯回归模型，预测每个用户反馈的准确性，从而找到反馈数据集中的离群值。此外，我们引入了一个时间轴界面，可视化的反馈历史给用户，并给她的建议，过去的反馈可能需要调整。该界面还允许用户调整模型做出的反馈准确性推断。仿真实验表明，新的用户模型的性能优于一个简单的基线，性能接近的oracle，给出了少量的额外的用户交互。用户研究表明，所提出的建模技术，结合时间轴接口，使用户更容易注意到和纠正错误，在他们的反馈，并发现新的项目。
2016-03-08 cs.HC cs.IR
Towards Interactive Reinforcement Learning with Intrinsic Feedback
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本文针对强化学习与脑机接口领域间未被充分探索的神经活动作为内在反馈的关键关联，提出教程式综述，涵盖其动机、方法、开放问题与基础概念，以推动相关研究的理解与应用。
2023-08-23 cs.AI cs.HC cs.LG
Vibrotactile Preference Learning: Uncertainty-Aware Preference Learning for Personalized Vibration Feedback
Department of Computer Science（计算机科学系）；University of Southern California（南加州大学）
本文提出Vibrotactile Preference Learning，通过高斯过程基于的不确定性感知偏好学习捕捉用户特定的振动参数偏好空间，通过预期信息增益指导查询选择，实现高效探索参数空间，实验表明其能有效学习个性化偏好并保持用户交互舒适低负荷。
2026-04-23 cs.AI cs.HC cs.LG
MetaBGM: Dynamic Soundtrack Transformation For Continuous Multi-Scene Experiences With Ambient Awareness And Personalization
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文提出 MetaBGM 框架，通过两阶段方法把连续场景与用户状态数据转为音乐描述文本，驱动音频模型实时生成环境感知、个性化的动态背景音乐。
2024-09-05 cs.AI cs.HC cs.MM
PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation
Nara Institute of Science and Technology（奈良科学技术研究所）；The University of Tokyo（东京大学）；Simulacra Inc.（Simulacra公司）
PREFINE通过模拟用户批评和生成用户特定评分标准，实现无需用户反馈的个性化故事生成，提升个性化效果并保持通用质量。
2026-03-17 cs.AI cs.HC
Visual Probing and Correction of Object Recognition Models with Interactive user feedback
Technical University Kaiserslautern（凯泽斯劳滕工业大学）
随着最先进的机器学习和深度学习技术的出现，多个行业正在向该领域迈进。这些技术的应用是高度多样化的，从自然语言处理到计算机视觉。目标识别是计算机视觉领域中的一个这样的领域。虽然被证明具有很高的准确性，但这些模型仍有可以改进的地方。事实上，这在自动驾驶或癌症检测等现实用例中非常重要，这些用例高度敏感，并且期望此类技术几乎没有不确定性。在本文中，我们试图可视化对象识别模型中的不确定性，并通过用户反馈提出了一个校正过程。我们进一步展示了我们对VAST 2020 Mini-Challenge 2提供的数据的方法。
2020-12-29 cs.CV cs.HC
On Interactive Machine Learning and the Potential of Cognitive Feedback
U.S. Naval Research Laboratory（美国海军研究实验室）
为了提高生产力、能力和数据利用率，许多国防应用正在将最先进的机器学习和AI集成到其架构中。特别是对于国防应用，由于质量控制、问责制和复杂的主题专业知识不容易被人工智能自动化或复制，因此在循环中拥有人类分析师是非常重要的。然而，许多应用程序的过渡非常缓慢。这可能在很大程度上是由于缺乏信任，可用性和生产力，特别是在适应不可预见的类和任务上下文的变化时。交互式机器学习是一个新兴的领域，其中机器学习实现通过直观的人机界面进行训练、优化、评估和利用。在本文中，我们介绍了交互式机器学习，并解释其优势和局限性的背景下，国防应用。此外，我们解决了几个交互式机器学习的缺点，通过讨论如何认知反馈可以告知功能，数据和结果的最先进的状态。我们定义了三种技术，认知反馈可以采用：自我报告，隐式认知反馈，和建模的认知反馈。每种技术的优点和缺点进行了讨论。
2020-03-23 cs.AI cs.HC cs.LG
InterFeedback: Unveiling Interactive Intelligence of Large Multimodal Models via Human Feedback
Show Lab, National University of Singapore（新加坡国立大学Show实验室）
本文提出InterFeedback交互式评估框架及基准，通过人类反馈测试大型多模态模型的交互智能，发现包括OpenAI-o1在内的先进模型仍难以有效利用反馈改进回答，指出需发展增强LMM反馈利用能力的方法。
2025-11-07 cs.AI cs.CL cs.CV
An Evaluation Framework for Interactive Recommender System
传统的推荐系统向用户呈现相对静态的推荐列表，其中反馈通常限于接受/拒绝或评级模型。然而，这些简单的反馈模式可能仅提供关于用户为什么喜欢或不喜欢项目以及用户已经考虑了项目的哪些方面的有限见解。交互式推荐系统提供了一个机会，通过允许用户与推荐交互，提供反馈并实时影响结果，使用户参与到这个过程中。评估用户交互的影响通常需要大量的用户研究，这是耗时的，并且给研究人员有限的机会来调整他们的解决方案，而不必进行多轮的用户反馈。另外，用户体验和设计方面可能对用户反馈具有显著影响，这可能导致不一定评估整体解决方案中的一些底层算法决策的质量。因此，我们提出了一个评估框架，旨在模拟用户与推荐交互。我们制定的指标来评估质量的交互式的框架，一旦模拟完成后输出。虽然模拟不足以评估完整的解决方案，但结果可以帮助研究人员在进入用户研究阶段之前调整他们的解决方案。
2019-04-16 cs.HC cs.IR
Quantifying the Effect of Feedback Frequency in Interactive Reinforcement Learning for Robotic Tasks
Robotics and Interactive Systems – UPSSITECH, University Paul Sabatier（机器人与交互系统——UPSSITECH，保罗·萨巴蒂埃大学）
研究探讨了反馈频率对机器人任务中交互强化学习效率的影响，通过不同复杂度的机械臂逆运动学学习实验，发现反馈频率需随任务熟练度动态调整，无单一最优频率。
2023-03-15 cs.AI cs.HC cs.LG
PresentCoach: Dual-Agent Presentation Coaching through Exemplars and Interactive Feedback
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
PresentCoach通过双智能体系统，结合典范和交互反馈，提供高效的演示技能指导，提升学习者在教育和专业领域的表现能力。
2025-11-24 cs.AI cs.HC
LLM-Powered Virtual Patient Agents for Interactive Clinical Skills Training with Automated Feedback
本文提出为LLM虚拟病人引入动作空间以支持非文本动态交互，并集成虚拟导师提供即时个性化反馈，从而为医学生提供低成本、可及的OSCE备考平台。
2025-08-19 cs.HC cs.MA
Hone as You Read: A Practical Type of Interactive Summarization
Western University（西安大略大学）
我们提出了HARE，一个新的任务，读者的反馈是用来优化文档摘要，在正常的阅读流程中的个人兴趣。这项任务与交互式摘要有关，其中个性化摘要是在用户可能多次阅读相同句子的长反馈阶段之后产生的。然而，这一过程严重地打断了阅读的流程，使得悠闲阅读变得不切实际。我们建议在阅读过程中收集最小侵入性的反馈，以适应用户的兴趣和实时增强文档。在无监督摘要评估的最新进展的基础上，我们提出了一个合适的度量标准，并使用它来评估各种方法。我们的方法范围从简单的推理到偏好学习，他们的分析提供了对这一重要任务的深入了解。人的评价还支持HARE的实用性。复制此工作的代码可在https://github.com/tannerbohn/HoneAsYouRead上获得。
2021-05-06 cs.CL cs.HC
Interactive Groupwise Comparison for Reinforcement Learning from Human Feedback
Aalto University（阿尔托大学）；University of Cambridge（剑桥大学）；University of Trento（特伦特大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出交互式组间比较方法，通过可视化和主动学习提升强化学习从人类反馈中学习的奖励和策略效果。
2025-11-27 cs.HC cs.LG
A Comparative Analysis of Interactive Reinforcement Learning Algorithms in Warehouse Robot Grid Based Environment
University of Lincoln（林肯大学）
本文在虚拟网格仓库环境中比较了Q-learning与SARSA两种交互式强化学习算法的性能，由同一人提供反馈以确保公平，旨在评估它们在复杂仓库任务中的训练效果。
2024-07-16 cs.HC cs.RO
DxHF: Providing High-Quality Human Feedback for LLM Alignment via Interactive Decomposition
Aalto University（阿alto大学）；ETH Zürich（苏黎世联邦理工学院）；KTH Royal Institute of Technology（皇家理工学院）
本文提出交互式分解界面 DxHF，通过拆解、关联并视觉标注回复论断来降低长文本比较负担，实验显示其平均提升反馈准确率 5%，尤其改善低确定性用户的判断。
2025-07-24 cs.AI cs.HC
Beyond Centralization: User-Controlled Federated Recommendations in Practice
Centrum Wiskunde & Informatica（数学与计算机科学中心）；Universidad Autónoma de Madrid（马德里自治大学）
本文提出一个实时联邦推荐系统，允许用户在本地控制推荐目标，通过53天的部署发现用户更偏好个性化推荐，并通过即时反馈理解自身行为对推荐的影响。
2026-04-10 cs.HC cs.IR
A Deep Reinforcement Learning Approach for Interactive Search with Sentence-level Feedback
Walmart Global Tech（沃尔玛全球技术）；Emory University（埃默里大学）
针对现有交互式搜索RL方法仅关注项目级反馈、忽略句子级细粒度信息的问题，提出融合BERT模型与经验回放机制的DQrank方法，在三个数据集上性能较此前SOTA RL方法至少提升12%。
2023-10-03 cs.AI cs.HC cs.IR
Choose Your Own Question: Encouraging Self-Personalization in Learning Path Construction
Riiid! AI Research（Riiid人工智能研究院）；Yale University（耶鲁大学）；UC Berkeley（加州大学伯克利分校）
学习路径推荐是适应性学习的核心，是交互式教育系统（IES）的教育范式，它根据学生的学习活动历史提供个性化的学习体验。在典型的现有IES中，学生必须完全消费推荐的学习项目才能获得新的推荐。此工作流有几个限制。例如，学生没有机会就IES选择的学习项目提供反馈。此外，做出选择的机制对学生来说是不透明的，限制了学生跟踪学习的能力。为此，我们介绍火箭，一个Tinder般的用户界面的一般类的IES。Rocket提供了人工智能（AI）提取的学习材料特征的可视化表示，允许学生快速决定材料是否满足他们的需求。学生可以选择参与材料，并通过滑动或点击接收新的建议。Rocket为IES用户界面提供了以下潜在的改进：首先，Rocket通过向学生展示决策过程中使用的有意义的AI提取特征的可视化摘要，增强了IES建议的可解释性。其次，Rocket通过利用学生对自身能力和需求的了解，实现学习体验的自我个性化。最后，Rocket为学生提供关于他们学习路径的细粒度信息，为他们提供评估自己技能和跟踪学习进度的途径。我们提出了火箭的源代码，在其中我们强调的独立性和可扩展性的每个组件，并使其公开可用于所有目的。
2020-05-08 cs.AI cs.HC
Improving Multimodal Interactive Agents with Reinforcement Learning from Human Feedback
DeepMind（深度思维）
人工智能的一个重要目标是创建能够与人类自然交互并从他们的反馈中学习的代理。在这里，我们演示了如何使用基于人类反馈的强化学习（RLHF）来改进模拟的、具体的代理，这些代理通过模仿学习训练到基本的能力水平。首先，我们收集了人类在模拟的3D世界中与代理交互的数据。然后，我们要求注释者记录他们认为智能体朝着人类指示的目标前进或倒退的时刻。使用这些注释数据，我们利用了一种新的方法-我们称之为“跨时间布拉德利-特里”（IBT）建模-来构建一个捕获人类判断的奖励模型。经过培训以优化IBT奖励模型提供的奖励的代理在我们的所有指标方面都有所改进，包括在与代理的实时交互期间的后续人类判断。总之，我们的研究结果展示了如何成功地利用人类的判断来改善代理行为，使我们能够在没有程序奖励功能的复杂的具体领域中使用强化学习。代理行为的视频可以在https://youtu.be/v_Z9F2_eKk4上找到。
2022-11-21 cs.HC cs.LG cs.MA
Conformalized Interactive Imitation Learning: Handling Expert Shift and Intermittent Feedback
Robotics Institute, School of Computer Science, Carnegie Mellon University（机器人研究所、计算机科学学院、卡内基梅隆大学）；Departments of Statistics and Machine Learning, Carnegie Mellon University（统计学与机器学习系、卡内基梅隆大学）
针对交互式模仿学习中部署时的分布偏移与间歇性专家反馈问题，提出基于在线共形预测的IQT算法与ConformalDAgger框架，利用校准的预测区间主动查询专家反馈，使机器人更快适应专家策略变化。
2025-04-29 cs.AI cs.HC cs.LG
HapTable: An Interactive Tabletop Providing Online Haptic Feedback for Touch Gestures
Koc University（科奇大学）
我们提出HapTable;一种多模式交互桌面，允许用户通过自然触摸手势与数字图像和对象交互，并相应地接收视觉和触觉反馈。在我们的系统中，手的姿态是由红外摄像机和手势进行分类，使用支持向量机（SVM）分类器。为了显示一组丰富的静态和动态手势的触觉效果，我们有效地集成了机电和静电驱动技术的HapTable，这是一个表面电容式触摸屏的桌面表面。我们将四个压电贴片连接到桌面的边缘，以显示静态手势的振动触觉反馈。为此，通过激光多普勒测振仪在其表面上获得84个网格点的频率响应函数（FRFs）形式的台面振动响应。使用这些FRF，可以在表面上显示静态手势的局部振动触觉反馈。对于动态手势，我们利用静电驱动技术，通过施加电压到其导电层来调制手指皮肤和桌面表面之间的摩擦力。在这里，我们提出了两个这样的应用程序的例子，一个静态和动态手势，以及详细的用户研究。在第一个示例中，用户通过将手放在桌面上并感觉在其下方行进的振动触觉刺激来检测虚拟流动的方向，例如风或水的方向。在第二个示例中，用户旋转桌面上的虚拟旋钮以从菜单中选择项目，同时以摩擦触觉反馈的形式感觉旋钮的止动件和旋转阻力。
2021-03-30 cs.CV cs.GR cs.HC
