基于ROS的服务员社交机器人的个性化人机交互架构
本文介绍了利用社会认知中的温暖和能力作为两个基本维度,结合机器人社会属性量表(RoSAS)和Godspeed模型,实现对人和机器人交互过程中的感知和偏好进行研究及预测的方法。结果发现,RoSAS中的温暖和能力对人类在机器人交互中的行为偏好具有较强的预测力。
Aug, 2020
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
本文主要探讨在当前和未来的自动机器学习系统中,人与计算机交互如何发生(包括开发、部署和维护阶段的HCI),不同类型的用户和利益相关方对HCI的期望是否存在差异,如何管理HCI以使自动机器学习获得人的信任和广泛接受,以及随着自动机器学习系统变得更加自主和学习能力增强,HCI的基本特性是否会发生变化。研究关键领域包括自动化机器学习,人机交互,用户界面设计,人工智能信任等方面。
May, 2022
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
通过定量和定性研究,本文探讨了以个体人类特质为依据对机器人个性的重要性,并证明通过声音和语言特征可以准确地描绘机器人的外向性和内向性。此外,通过收集对不同机器人个性的喜好和信任评分,我们得出结论,无论被测试者个人特质如何,人们更喜欢和信任外向型机器人,对Robo-Barista(机器咖啡师)而言,这一点尤其如此。同时,我们发现个体对机器人的态度和倾向对Robo-Baristas的信任有影响,因此在设计人机交互研究时,除了考虑机器人的个性、角色和交互环境外,个体态度也是重要的考虑因素。
Jul, 2023
通过分类功能和社交干扰以及探讨机器人架构的要求,本文旨在为人工智能代理提供处理不同类型交互干扰的能力,以实现在多方社交情境和用户个性化之外,对于为人工代理赋予社交能力的扩展。
Aug, 2023
对于服务机器人来说,关键是能够尽早地察觉到接近的人有意互动,以便主动采取友好行为,从而提升用户体验。我们通过一个自监督训练的序列到序列分类器来解决这个感知任务,主要研究了在这种情况下表示人的目光的特征的益处。在一个新的数据集上进行的大量实验证明,包含目光线索显著提高了分类器的性能(AUROC从84.5%增加到91.2%),能够实现准确分类的距离从2.4米提高到3.2米。我们还量化了系统在无外部监督的情况下适应新环境的能力。定性实验证明了与服务员机器人的实际应用。
Apr, 2024
通过自然语言提示和来自机器人操作系统(ROS)的上下文信息,我们提出了一个直观的非专业人士机器人编程框架。该框架集成了大型语言模型(LLMs),使非专业人士能够通过聊天界面向系统表达任务要求。它具有与ROS集成的AI代理与大量开源和商用LLMs的连接、从LLM输出中提取行为和执行ROS动作/服务的自动化提取、支持三种行为模式(顺序、行为树、状态机)、模仿学习以将新的机器人行为添加到可能的动作库中以及通过人类和环境反馈实现LLM反思的功能。大量实验证实了该框架在各种场景(包括长时间视野任务、桌面重新排列和远程监督控制)中的鲁棒性、可扩展性和多功能性。为了促进我们框架的使用和支持我们结果的可复制性,我们已经将我们的代码开源。您可以在以下网址访问:this https URL
Jun, 2024