本文研究了两种先进的基于计划的计划识别方法在现实环境中的应用。我们发现这些方法在识别人类行为目标时存在困难，因为人类行为通常不是完全理性的。为了克服这个问题，我们提出了一种通过分类方法进行扩展的方法，该方法通过训练观察行为数据，不仅优于完全基于计划的和纯数据驱动的目标识别方法，而且能够更可靠地识别正确目标，特别是当只看到少量观察时，这大大提高了混合目标识别方法在智能辅助系统中的实用性。

Jan, 2023

本文提出了一种基于论证的方法，用于为可解释的人工智能系统生成关于其行动选择过程的解释，并附加有关冲突解决的信息；我们还应用该方法于清洁工作场景。

Sep, 2020

本文提出了一种新的认知模型，作为 AGI 代理的主要组成部分，并包括操作模型和意图。该模型基于全面的双重原则，提出了以可重用性和简单性为形式的 AGI 设计和认知下的约束或效率。最终的认知模型是多个模型实例的动态操作记忆。

Jan, 2023

这篇论文提出了一种名为 “Cyber-Physical POMDP” 的模型，将目标导向通信和网络控制相结合，以实现分散的移动机器人的协调，通过联合训练可以显着提高总体性能并可导致通信行动的隐式协调。

Feb, 2023

复杂的机器人行为通常需要多种机器人和人工智能技术和组件的整合。使用一个形式化的框架来模拟组件之间的交互可以解决认知机器人面临的重大挑战之一。本文将现有的一个形式化框架扩展，以模拟机器人系统的复杂集成推理行为，从符号规划到策略和转换系统的在线学习，并允许更灵活地建模不同推理组件之间的交互。

Oct, 2023

对于患有认知障碍的人来说，管理过渡计划是一个主要问题。因此，找到一种自动化生成这样的计划的方法将成为这个群体的有用工具。本文具体提出并比较了不同的方法来合并由多个操作代理执行的具有未知相似性的目标和动作序列生成的计划，并介绍了一种分布式推荐系统作为一个有用的认知助手，为给定的操作代理提供可应用于特定目标的计划，该推荐系统是基于其他操作代理执行不同计划的已知结果生成的。这里提供了执行的总体框架（代理系统）和应用于该问题的不同合并算法。该提出的代理系统将作为对患有智力障碍（如自闭症）的人有用的认知助手。

Jan, 2024

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

通过将有限理性概念与信息论观点相结合，将其融入博弈论框架中以预测自己及其它机器人或人类邻近代理的行为以及在其计算限制下采取行动，模拟与实际实验都证明这种方法可以帮助机器人推理其他代理的不同智能水平并计算出合理的策略。

Oct, 2022

该文章重点讨论解释目标驱动型智能代理人和机器人的方法，强调透明度、可理解性和持续学习的策略。它提出了可行的目标驱动可解释代理人和机器人的实现路径和要求。

Apr, 2020

本文基于 CONAIM 模型，以增量方式学习程序，并通过增加学习过程的奖励函数提高认知代理的认知复杂性，从而解决了复杂任务。

Apr, 2023