本文介绍一个通用的、广泛涉及机器人、计算机科学、运筹学和人工智能等领域的任务分配问题，包括机器人、任务和周围环境状态的多个版本，并探讨了解决该问题的现有方法，包括基于优化和市场的方法。

Jul, 2022

通过去中心化强化学习，提出一种多智能体团队任务分配的决策框架，考虑负载管理，鼓励闲置并避免不必要的资源使用。开发了一个衡量智能体在协作中重要性的指标，推断团队在处理潜在的过载情况时的弹性。

Jul, 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

本研究通过利用人类 - 任务相似性的弱先验信息来启动模型训练，改善任务分配的准确性，尤其是在人类决策者存在错误和偏见的情况下，在合成数据和社交媒体毒性检测任务上得到了实证验证。

May, 2023

在一项 196 名参与者的实验研究中，我们发现，无论人类是否意识到辅助作业的人工智能模型，通过代理任务来协同完成工作可以提高任务的表现和满意度，同时提高自我效能感，这为 AI 担负更多的管理责任是人 - AI 协作的有效形式提供了初步证据。

Mar, 2023

本文通过建立数据集，利用深度强化学习求解器，采用新的鲁棒混合整数线性规划模型，解决了不确定自主清洁系统中多机器人混合任务分配的问题，并且可以在保持性能的情况下，防止系统出现最坏情况，同时提供了一个基准数据集。

Mar, 2023

人类和自主系统作为混合团队操作时，通过引入 AI 经理（通过强化学习学习团队的行为模型），在最大程度提高团队的综合性能的同时，最大限度减少 AI 经理介入的频率。

Feb, 2024

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

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

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