提出了一种建模和预测人类行为的方法，将人类建模为图形模型中的节点，并为每个人学习多模态概率分布，以预测日常交互中的未来行为。

Mar, 2018

论文提出了 Motron 模型，一种用于人机交互中的多模态运动预测的概率图结构模型，并在现实场景中的多个数据集中验证了其在运动预测方面的优越性。

Mar, 2022

本文提出了一种最小干预的安全控制器，通过使用到达性分析构建实时控制器，实现单车道场景中无碰撞互动的自动驾驶汽车交通合作，并验证其有效性及安全性。

Dec, 2018

本文介绍一个从人与人互动学习到人机互动的方法，通过使用隐马尔可夫模型作为潜在空间先验，并结合变分自编码器来建模互动代理之间的联合分布。利用从人与人互动中学习到的互动动力学来学习人机互动，并将人类观测结果作为训练基础，从而预测更准确的机器人轨迹。进一步通过逆运动学调整生成的机器人动作，以确保与人之间的期望物理接近性，结合了关节空间学习的便利性和准确的任务空间可达性。在富含接触的互动中，我们利用 HMM 分割来调节机器人的刚度以实现柔顺的互动。通过用户评测，我们验证了所提方法在一个人形机器人上的有效性。尽管仅通过两个人的数据进行训练，我们的方法在不同人类之间表现出很好的泛化性能。实验结果表明，用户认为我们的方法更具人性化、及时性和准确性，并且较其他基准方法更具优势。

Nov, 2023

通过让人形机器人玩井字棋的学习方法，成功探索了多模态深度强化学习、机器人视觉感知和交互等方向，并利用语音、视觉和手势等方式让机器人在该游戏中实现了高效而自然的交互。

Nov, 2016

使用变分循环神经网络模拟人与机器人在协作搬运任务中的运动轨迹，通过利用互动记录中的信息，预测出与人类协作顺畅的运动方案，结果表明相较于基线的采样规划算法，变分循环神经网络在任务相关指标上表现更佳并且更接近人类示范，同时在人 - 机器人共同操作对真实机器人进行测试中也取得成功。

Sep, 2022

本文提出使用贝叶斯框架观察人类行为对模型准确性的影响，从而实现安全的机器人预测和运动规划。该方法可以建立一种概率保障的安全证书，并以四轴飞行器为例进行演示。

May, 2018

该论文提出了一种新颖的基于学习的多模态融合框架 (BMCLOP) 用于辅助老年人，该框架结合贝叶斯多模态融合方法和批量置信度学习算法，提高准确性、降低不确定性并在交互条件下获得更可靠的结果。

May, 2024

本研究提出了一种基于马尔可夫决策模型的方法，针对人与机器人合作中存在的不确定性，自动推导出可能的人类行为策略，并提出了一种基于部分可观察的马尔可夫决策过程的机器人计划算法。实验结果表明该方法可实现合作任务的稳定性和高效性。

Feb, 2023

本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

Apr, 2018