自动化的崛起为制造过程的高效性提供了机会，但往往会损害灵活性，无法及时响应市场需求的变化和对定制化的需求。人机协作通过结合机器的强大和精确性以及人类的智慧和感知能力来解决这些挑战。本文概念化和提出了一个基于机器学习的自主机械臂的实施框架，该框架包括人机循环原则，并利用扩展现实（XR）促进人与机器之间的直观交流和编程。此外，概念框架预见到人类直接参与机器学习过程，从而实现更高的适应性和任务通用化。本文突出强调支持所提出框架的关键技术，强调全面发展数字生态系统的重要性。此外，我们回顾了扩展现实在人机协作中的现有实施方法，展示了多样的观点和方法论。讨论了挑战和未来展望，深入探讨了扩展现实在工业领域实现更自然的人机交互和融合的主要障碍和潜在研究方向。

Mar, 2024

提出了一种基于交互式支持系统，结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识，并实现用户反馈与决策透明解释，减轻人类负担且尊重其专业性和主观能动性的方法，以及用于工业质量控制中的良品检测任务的模式分类算法。

Mar, 2022

通过将人类的安全、可靠性和人本性纳入架构考量，我们提出了一种结合了人工智能（主动学习、预测、可解释人工智能）、虚拟现实、决策和用户反馈的架构，专注于人机协同效应，并在三个真实案例中进行了验证，以促进制造业向产业 5.0 的演进。此外，我们将所提出的架构与大数据价值协会参考架构模型相一致。

Mar, 2022

机器人自动化领域正在经历一种新趋势，将工人替换为机器人和机器人作为有帮助的同事，这对组件制造商来说是一个巨大的挑战。

Feb, 2024

该研究探讨了在艺术创作中将人类专业知识与 AI 模型相结合，以实现更具表现力、细腻和多模态的生成作品的方法，并提出 Human-in-the-Loop 的设计，以增加人类与 AI 之间的互动，从而帮助未来的 AI 系统更好地理解我们自己的创造和情感过程。

Oct, 2021

我们提出了一种用于最新深度学习为基础的机器人程序优化器的解释用户界面（XUI），它提供了不同的用户体验以应对用户的不同技能水平，同时引入了可解释的人工智能（XAI）功能以促进深度学习方法在实际应用中的应用。为了评估 XUI 对任务性能、用户满意度和认知负荷的影响，我们提出了初步用户调查的结果，并提出了一个大规模后续研究的研究设计。

Apr, 2024

在工业 4.0 中，网络物理系统 (CPS) 产生大量数据，可以被人工智能 (AI) 用于预测维护和生产计划等应用。然而，尽管已经证明了 AI 的潜力，但其在制造业等领域的广泛应用仍受限。本文通过综合审查最近的文献、标准和报告，确定了一些关键挑战：系统集成、数据相关问题、管理与劳动力有关的问题以及确保可信 AI。定量分析突出了实践者需要重视但尚需学术界进一步研究的特定挑战和主题。本文简要讨论了这些挑战的现有解决方案，并提出了未来研究的方向。我们希望这项调查能够成为评估 CPS 中应用 AI 的成本效益影响的从业者资源，也能够帮助研究人员解决这些紧迫问题。

May, 2024

本文总结了 2022 年 MECC 会议上，产业、学术界和政府专家围绕如何更好地将人工智能整合到制造系统中展开的讨论，并从无缝人机集成、基础设施缺口以及大学、产业和政府机构之间的协调改进三个方面阐述了目前人工智能在制造系统中取得成功的挑战和机遇。

Mar, 2023

该研究讨论了 AutoAI 或 AutoML 对数据科学实践的影响，并发现未来的数据科学工作将是人类和 AI 系统之间协作的结果，其中自动化和人类专业知识是不可或缺的。

Sep, 2019

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