机器人能力和意愿对跨任务基于信任的决策的影响
本文评估了一种人机协作方案，该方案结合了任务分配和动作规划推理的层次，使用贝叶斯推理预测他的人类伴侣的下一个目标，并实时重新规划自己的行动，实现了预期的适应性，取得了良好的人 - 机表现优化。
Feb, 2018
该研究基于情境评估，提出了一种新颖的解决方案，可以在人机团队合作中帮助机器人预测和模拟人类决策，并通过沟通协调达到信念一致，提高问题解决效率和鲁棒性。
Oct, 2022
本文探究了人类认知负荷、信任和拟人化在人机交互中的关系，并通过 “匹配配对” 游戏测试了人们对 Husky 和 Pepper 两款机器人在高认知负荷下的信任度和其物理拟人形态以及错误率对人们的评价和行为的影响。研究发现人们的认知负荷越高，信任度越低；在高错误率下，人们对 Pepper 的信任更高，在错误率低的情况下，人们对 Husky 的信任更高，表明物理拟人化和变量错误率对人机交互有一定的影响。
Sep, 2019
为了社交互动，机器人必须准确地解释人类意图并预测其潜在结果。本文探讨了人工心智理论（ATM）方法以推断和解释人类意图，在实时中选择消除危险的机器人行为，并采用基于仿真的 ATM 方法和 “像我一样” 的策略来分配人类的意图和行为，从而在时间受限的情况下成功地检测和行动。该算法已经作为现有的机器人认知体系结构的一部分实施，并通过模拟、人 - 机混合配置和真实场景进行了鲁棒性、精度和实时响应的测试。
Mar, 2024
共享自主能力使机器人能够推断用户的意图并协助完成任务。然而，当用户想要完成机器人不了解的新任务时，共享自主将阻碍其性能。本文提出机器人可以检测到其意图表述能力的不足并将控制权交还给用户来实现任务，从而使机器人能够进行无阻碍的任务执行并学习到新的意图来更新自己的意图库，并展示了该方法的良好表现和能够实现的全生命周期学习。
Apr, 2021
本文介绍了一种学习他人低层次和高层次心智状态的神经网络模型，并表明把高层次认知附加到低层次状态模型中可以使模型更快、更准确地进行意图预测，并提高学习表现。
Oct, 2022
研究了如何将在一个环境中学到的知识传递到另一个环境中的关键问题，并通过学习人类期望机器人执行哪些任务的中间表示方法，来提高机器人学习效率，从而为人类与机器人的互动打下基础。
May, 2022
研究通过计算建模和优化技术，提升人工智能与人类队伍的协同性能，其中人类和机器智能代理由于环境知识不完整而发挥亚最优能力，并采用在线贝叶斯方法推断人们愿意接受机器的协助，实验结果显示协作方式与团队性能、用户信任和对机器的好感度存在显著关联。
Mar, 2024