研究共享自治的方法，提高人类与自主代理合作的绩效和用户体验，提出两种模型无关的强化学习方法来限制自治代理干预的数量，并比基线表现更好。

Dec, 2021

提出了一种模型自由、剩余策略学习算法来实现共享自主，将人与机器人的互补优势结合起来，以实现共同的目标，在 Lunar Lander 和 6-DOF quadrotor reaching task 两个连续控制环境中测试，表明此方法可以显著提高任务绩效。

Apr, 2020

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

本研究通过一个协同迷宫游戏设计，用深度强化学习技术实现了人机共同协作。研究结果证明人机共同协作相互影响，在时间的推进下不断适应并建立起相应策略，这为人机智能的协作提供了可行的方案。

Mar, 2020

本文介绍了一种结合了共享自主系统和学习潜在动作的方法，用于实现精确的援助机器人操作，主要集中在维度减少技术和对象操作方面。

May, 2020

论文提出了一种深度强化学习框架，结合人类输入与半自治控制，通过学习用户意图，帮助用户在实时控制任务中实现目标，成果是一种灵活、实用的辅助系统。

Feb, 2018

该研究提出了一个利用无人干预的关节行动示范学习人类用户模型的框架，以便机器人能够计算出一项与人类的合作任务相适应的鲁棒策略。该框架利用无监督学习算法将示范动作序列聚集到不同的人类类型中，并使用逆强化学习算法学习代表每种类型的奖励函数。最后，该方法得到了验证，并在实验室中演示了同一个人类与小型工业机器人配合完成任务的可能性。

May, 2014

从专家演示的安全任务完成中学习约束条件的方法扩展了逆强化学习（IRL）技术到约束空间，通过利用多任务环境中自然发生的各种演示来学习更紧密的约束条件。

Sep, 2023

共享自主能力使机器人能够推断用户的意图并协助完成任务。然而，当用户想要完成机器人不了解的新任务时，共享自主将阻碍其性能。本文提出机器人可以检测到其意图表述能力的不足并将控制权交还给用户来实现任务，从而使机器人能够进行无阻碍的任务执行并学习到新的意图来更新自己的意图库，并展示了该方法的良好表现和能够实现的全生命周期学习。

Apr, 2021

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