基于认识逻辑的合作代理研究中探讨了在没有共享模型的情况下，代理能够通过动态规划行动或交流来解决合作中的不一致。研究提出了一种在条件信念逻辑基础上扩展的形式化表示方法，用于显式地表示代理对可行计划和执行状态的嵌套信念，同时提供基于蒙特卡洛树搜索的在线执行算法，包括用于解释计划可行性、宣布意图和提问的通信行动，并通过评估算法的成功率和可扩展性证明，我们的代理能够更好地适应没有共享模型的团队合作。

Jul, 2023

人与机器协作中，提出了一种基于可解释人工智能（XAI）框架的思维感知沟通技术，借助贝叶斯推理算法，机器建立了人类用户的层次化精神模型，并生成自身思维的解释，实验证明该方法显著提高了协作表现和机器被用户感知的程度。

Jul, 2020

本文概述了机器人与人合作的概率规划和博弈论算法的研究，包括不确定性建模和对人类内部状态和变化的推理，以及在多个实际场景下实现的具体行为。

Jul, 2017

本研究提出了一种基于马尔可夫决策模型的方法，针对人与机器人合作中存在的不确定性，自动推导出可能的人类行为策略，并提出了一种基于部分可观察的马尔可夫决策过程的机器人计划算法。实验结果表明该方法可实现合作任务的稳定性和高效性。

Feb, 2023

提出一种基于 answer set programming 的协作装配方法，结合常识推理和丰富的通信行为，用于应对组装过程中的不确定性，适用于现实世界中的协作任务，如家具组装等。

Aug, 2020

为了解决 AI 与人类之间协作中的问题，本文提出了一种新颖的计算问题，即为智能体预测它们自己和它们的合作者缺失的任务知识，通过丰富的感知和对话历史进行沟通和学习，以实现联合任务的完成，结果表明，预测合作者缺失知识是一种更可行的方法，且明确建模合作者对话移动和心理状态可以提供更好的结果。

May, 2023

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

我们提出了一种算法，该算法利用概率生成建模与逻辑计划验证相结合，从人类团队的规划对话的处理形式中推断出最终计划。我们成功地通过人体实验验证了该算法，展示了基于 PR2 机器人的人 - 机协作任务的规划和执行。

Jun, 2013

针对智能机器人的高水平任务计划存在的问题，提出了 “计划可解释性” 和 “可预测性” 的概念，通过条件随机场模型学习标签方案并对新计划进行标签，用以提高机器人计划的可解释性和可预测性，该方法经过了人机交互和实际机器人测试并取得了较好的性能。

Nov, 2015

我们的研究旨在通过一套合理的人机相互适应形式化方法，将有限记忆人类的行为方式融入到部分可观测的随机决策模型中，以改善人机团队的表现并保留对机器人的信任。

Jan, 2017