采用深度学习生成模型来生成机器人情感表情，通过几个手动设计的机器人身体表达生成一个新的符合上下文感知的表达。评估结果表明，生成的表情与手动设计的表情没有显著差异，且能达到不同目标情绪的效果。

May, 2022

本研究采用强化学习方法建立了一个多模态情感交互框架，利用人类用户的情感状态作为交互的奖励因素，优化了机器人的行为策略，并针对用户进行个性化情感交互来增强社交场景下机器人的自然性和吸引力。

Oct, 2021

研究通过比较两个游戏机器人的表现来探究机器人决策解释对人类感知的影响，发现机器人提供解释并不能改变机器人的可信度、智能、好感度和安全性评级，但提供解释的机器人被认为更有生命力和人性化。这项研究表明，机器人决策解释具有提高人机交互及其各种效果的潜力，需要进行进一步评估。

Apr, 2022

研究调查了 745 名受访者，旨在了解不同应用中关于情感技能的期望和偏好。结果表明，在设计情感智能对话代理时，应根据应用的上下文和性质考虑适应性和情境感知。

Oct, 2023

本文采用机器学习中的深度学习模型，结合 FaceChannel 框架研究了不同图像条件对基于面部表情的情绪识别的影响，这对于确保机器人在不同环境下保持一致的识别水平非常重要。

Oct, 2022

本文是对强化学习智能体情感计算模型的首次综述。 主要聚焦于智能体 / 机器人的情感，而大多数忽略了人类用户的情感。 情感在决策制定中起着重要作用，通过影响动机和行动选择来识别其功能。 因此，计算情感模型通常根据代理决策制定体系构建，其中强化学习是重要的子类。 研究基于 RL 的代理​​情感对三个研究领域有用。 面向计算机学习研究人员，情感模型可以提高学习效率。 面向交互式 ML 和人机交互（HRI）社区，情感可以传达状态并增强用户投入。 最后，它使情感建模（AM）研究人员能够在成功的 AI 代理类中探索其情感理论。 该调查提供了情感理论和 RL 的背景。 它系统地解决了以下问题：1）可以从哪些基础维度（例如，稳态，评估）推导出情感，以及如何在 RL 智能体中建模这些维度； 2）从这些维度推导出什么类型的情感； 3）这些情感如何影响代理​​的学习效率或在社交信号方面有用。 我们还系统地比较了评估标准，并将其与重要的 RL 子域（例如，固有的动机和基于模型的 RL）联系起来。 简而言之，此调查为希望在其 RL 代理中实现情感的工程师提供了实用的概述，并确定了未来情感 - RL 研究的挑战和方向。

May, 2017

研究了人类与机器人面部交互的音响 - 语调协调程度，发现主观和客观对人形化的感知程度与音声 - 语调协调程度呈正相关。

Jan, 2022

使用个性化的机器学习框架，利用深度学习的先进技术对自闭症儿童的情感状态和参与度进行自动感知，进而在机器人辅助自闭症治疗中提供更高效的监测和总结治疗进展的潜力。

Feb, 2018

本文研究了情感 - 语言交流在人机交互中的影响以及差异性结果训练对于人和机器之间的相互学习的影响，发现使用差异性结果训练以及探索 - 开发政策选择可以显著提高人和机器之间的相互学习，这对于社交辅助机器人在认知干预和教育应用等治疗场景中具有重要意义。

Jul, 2024

研究了个体差异在团队合作的虚拟现实游戏中表达感情倾向方面的影响，通过多重线性回归确定了个性变量和表达情感之间的合理相关性，为情感计算和游戏用户研究提供了有价值的信息。

Sep, 2023