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

通过多模式深度关注循环 Q 网络，机器人在与人交互 14 天后表现出类似人的社交互动技能，同时学会了以可感知和社交接受的方式响应复杂的人类行为。

Feb, 2017

本研究描述了我们开发的智能稳健的 Nadine 社交机器人平台的社交机器人系统，通过整合大型语言模型（LLM）并巧妙利用这类模型的强大推理和遵循指令能力，实现了高级的类人情感和认知能力。这一方法与目前的基于 LLM 的最新技术代理相比是新颖的，因为其没有实现类人长期记忆或复杂的情绪评估。我们构建了一个社交机器人系统，通过多模式输入处理实现生成适当行为，相应识别用户的情节性记忆并模拟机器人与人类伙伴互动导致的情绪状态。特别是，我们引入了一个 LLM 代理框架，SoR-ReAct，作为我们系统中互动模块的核心组件。这一设计推进了社交机器人的发展，旨在提高人机互动的质量。

May, 2024

本文提出了使用多模式深度 Q 网络（MDQN）的方法，通过试错法让机器人从与人类的互动中收集数据并从高维感知信息中学习人类的交互行为，以使机器人能够具备与人类一样的交互技能。在与人类的相互作用 14 天后，本文表明机器人成功地学会了基本的人机交互技能。

Feb, 2017

该论文介绍了一种新型的多层 LLM 接口，用于协助超市机器人为顾客提供服务，并提出了使用多个经过细分调整的小型专用 LLM 来处理不同用户查询的方法，通过与 GPT-4 Turbo 相比较，实验结果表明多层 LLM 机器人在性能、用户满意度、用户 - 代理合作及自我形象等四个关键领域取得了显著改进，同时还提出了一种超市机器人导航的方法，使机器人能够根据聊天机器人的响应将产品引导到正确的货架上，然后通过更低级别的机器人知觉、控制和规划实现物品的自动检索。

Jun, 2024

SocialGym 2 是一个用于社交机器人研究的多智能体导航模拟器，它采用多智能体强化学习技术，以实现多个装备有不同动态限制的机器人在复杂环境中的最优导航策略，并提供各种社交导航指标的测试。

Mar, 2023

该论文探讨了社交机器人在零售业中的使用，重点研究了机器人咨询顾客和进行销售的行为模式，并建议公司需要出台相关规定以保证机器人的公平、诚实和可靠。

Jun, 2022

基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

Sep, 2019

通过将大型语言模型（LLMs）整合到社交机器人中，本研究旨在解决传统基于脚本互动的对话方法在维持有趣的对话方面存在的局限性。我们引入了一个完全自动化的对话系统，利用 LLMs 生成具有有表情的机器人回应，与机器人的个性一致。我们结合两种模式的机器人行为：1）具有多种表现风格的文本转语音（TTS）引擎，和 2）用于机器人的动作库。我们开发了一个定制的最先进的情感识别模型，用于动态选择机器人的语调，并利用 LLM 输出中的表情符号作为生成机器人动作的线索。通过一个志愿者与社交机器人进行对话的试验，我们研究和分析了他们的反馈，对聊天记录进行了严格的错误分析，以阐明设计和实现问题。反馈普遍积极，参与者评论机器人具有共情力、乐于助人、自然和娱乐性。最负面的反馈是由于自动语音识别（ASR）错误，这对对话的影响有限。然而，我们观察到了一类较小的错误，如 LLM 的自我重复或虚构信息和人类回答的产生，这可能会破坏对话，引发了 LLM 应用中的重要问题。

Feb, 2024

我们旨在构建一个系统，不仅利用大型语言模型的灵活对话能力，还利用其先进的规划能力，降低人类对话者的讲话负担并高效地规划行程。我们提出了一种将旅行社的复杂任务划分为多个子任务的方法，将每个子任务作为一个独立阶段进行管理，以有效地完成任务。我们的提出的系统在 2023 年对话机器人比赛的预赛中取得了一定的成功，并报告了比赛中发现的挑战。

Dec, 2023