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

研究了人类与机器人进行任务协作时的语言交流方式问题，提出了一种方法，使机器人能够通过口头命令或状态传递行为进行最佳决策，并通过实验验证了使用口头命令是在保持用户信任的同时提高有效沟通的最佳方式。

Jun, 2017

通过让人形机器人玩井字棋的学习方法，成功探索了多模态深度强化学习、机器人视觉感知和交互等方向，并利用语音、视觉和手势等方式让机器人在该游戏中实现了高效而自然的交互。

Nov, 2016

我们提出通过整合非语言提示来增强社交机器人的共情能力。我们的主要贡献是设计和标记了四种共情的非语言提示：语音、行动（手势）、面部表情和情绪，用于社交机器人中。这些提示是利用大型语言模型（LLM）生成的。我们为机器人开发了基于 LLM 的对话系统，并评估其与人类咨询师定义的社交提示的一致性。初步结果表明，机器人的回应呈现出明显的模式，如对平静和积极社交情绪如 'joy' 和 'lively' 的偏好以及频繁点头示意。尽管存在这些倾向，我们的方法已经导致开发出了能够感知上下文并进行更真实互动的社交机器人。我们的工作为未来关于人机交互的研究奠定了基础，强调了在创建社交和共情机器人方面，语言和非语言提示的重要作用。

Aug, 2023

本文提出将非语言暗示转化为人机交互设计的解决方案，通过遵循沟通学的五个人类感官系统（视觉，听觉，触觉，嗅觉，味觉）的非语言暗示准则来实现。并论述了将这些准则应用到人机交互设计模式的设计中，并给出了研究方向，以推进人机交互领域的非语言沟通和改进人机沟通的方向。

Apr, 2023

采用深度学习生成模型来生成机器人情感表情，通过几个手动设计的机器人身体表达生成一个新的符合上下文感知的表达。评估结果表明，生成的表情与手动设计的表情没有显著差异，且能达到不同目标情绪的效果。

May, 2022

本文研究了情感 - 语言交流在人机交互中的影响以及差异性结果训练对于人和机器之间的相互学习的影响，发现使用差异性结果训练以及探索 - 开发政策选择可以显著提高人和机器之间的相互学习，这对于社交辅助机器人在认知干预和教育应用等治疗场景中具有重要意义。

Jul, 2024

在不同环境和语境下，研究了人与机器人之间的口语交流并提出了自适应语音的模型，研究表明，良好的声学质量与可理解性和用户体验正相关，而距离远、分散背景声音会降低可理解性和用户满意度。经过评估表明，自适应声音参数相比固定声音参数具有更好的可理解性和用户体验。

May, 2024

使用深度强化学习，通过神经网络作为状态 - 动作映射，通过量化分析系统显著性分析来确定机器人学习的关键状态以实现迈步技能学习，其中包括平衡恢复，慢跑，奔跑，步态和奔跑。

Jun, 2023

通过将大型语言模型（LLMs）整合到社交机器人中，本研究旨在解决传统基于脚本互动的对话方法在维持有趣的对话方面存在的局限性。我们引入了一个完全自动化的对话系统，利用 LLMs 生成具有有表情的机器人回应，与机器人的个性一致。我们结合两种模式的机器人行为：1）具有多种表现风格的文本转语音（TTS）引擎，和 2）用于机器人的动作库。我们开发了一个定制的最先进的情感识别模型，用于动态选择机器人的语调，并利用 LLM 输出中的表情符号作为生成机器人动作的线索。通过一个志愿者与社交机器人进行对话的试验，我们研究和分析了他们的反馈，对聊天记录进行了严格的错误分析，以阐明设计和实现问题。反馈普遍积极，参与者评论机器人具有共情力、乐于助人、自然和娱乐性。最负面的反馈是由于自动语音识别（ASR）错误，这对对话的影响有限。然而，我们观察到了一类较小的错误，如 LLM 的自我重复或虚构信息和人类回答的产生，这可能会破坏对话，引发了 LLM 应用中的重要问题。

Feb, 2024