本文提出了一个框架，该框架将信任纳入人工智能团队合作的场景中，在这个场景下，一个智能体必须与人类合作完成任务。在任务过程中，智能体需要通过互动和观察来推断人类对其的信任程度，并调整自己的行为以最大化团队的表现。为了实现这一目标，我们建议从人类参与的实验中收集数据，定义不同的设置（基于信任水平），并为每个设置学习最优策略。然后，我们创建一个模块来推断当前的设置（取决于信任的数量）。最后，我们在实际场景中验证了这个框架，并分析了这种可适应行为对信任的影响。

Oct, 2022

本研究提出了一种应用于团队协作的体系结构，通过结合基于知识的和基于数据驱动的推理和学习，能够实现协作对象的行为预测、适应性、透明性和更好的性能。

Aug, 2022

提供代理工具以协调和沟通，通过 STEAM 构建团队，以探讨面临的不确定性，并在多个复杂领域中应用，实现降低团队沟通负担，提高团队协作效率的目的。

Sep, 1997

该研究提出了一种基于行为树的动态角色分配和协同任务规划的新型架构，使用混合整数线性规划来指定团队中个体的角色或协作，各种指标作为 MILP 成本允许体系结构支持协作的各个方面，并通过增强现实用户界面实现了人 - 系统之间的双向通信，以协调处理不同操作阶段的工人，并通过主观评估证明了该架构的高可用性和适用性。

Jan, 2023

研究人机协作中的不完全适应现象，提出一种基于博弈论的人机部分适应模型，实验结果显示该模型显著提高了人机团队的性能。

Jan, 2017

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

这篇论文研究在智能制造中的人工智能协作所涉及的挑战，提出了一个以知识图谱、跟踪和场景分析为基础的软件架构，并使用关系化机器学习对生产过程中的知识进行捕捉，从而进行上下文特定的行动推荐，以实现优化产品质量和防止身体伤害。

Jan, 2022

通过使用一种标准的强化学习方案以及经理人的学习，我们提出了一种能够改善混合团队（即人类与人工智能系统共同工作的团队）性能的方法，并展示了这个经理人在多个格子环境下的最优表现。

Mar, 2024

人工智能的快速发展导致了在各个领域中人工智能与人类合作的增长趋势。通过提供人工智能和人类之间动态情境感知交互的新框架，该研究对于理解人工智能与人类混合团队中的情境感知交互有着重要意义。

Aug, 2023

采用基于非单调逻辑推理以及少量有限数据所学的其他代理行为预测模型的架构，通过支持在线选择、适应和学习模型以及在部分可观测性和有限通信存在下与队友协作来解决无先协调时代理与队友协作问题，实验证明该模型的性能在简单和复杂情况下都优于或与最先进的数据驱动基线相当，特别是在有限的训练数据、部分可观测性和团队组成的变化存在下。

Jun, 2023