- 机器人中的均匀与对数正态运动：对机器人运动的感知偏好
研究分析人们对协作机器人的运动方式的偏好，探讨工业机器人的运动与人体运动之间的主要差异，并基于对数正态原理开发了模拟人类运动的程序。通过实施不同的速度轮廓在两个工业机器人中进行测试，以研究人们对不同运动方式的偏好及与机器人互动时的感知。
- 人机协作对组装任务成功率、时间完成、错误率、负荷、手势和接受度的影响
该研究调查了协作机器人在简单和复杂组装任务中的合作效果，发现与协作机器人一起工作可以减少任务复杂度对工作负荷和产出质量的影响，但会增加完成任务所需的时间和手势数量，研究结果可帮助开发人员和利益相关者了解在生产链中引入协作机器人的影响。
- 利用高斯过程进行虚拟环境中人机交互的安全运动预测
通过使用高斯过程模型来预测人手运动并基于手势和凝视开发人类意图检测策略，本研究旨在提高协作机器人的效率，并改善人类用户的安全性。对比结果显示，预测模型使机器人时间提高了 3％，安全性提高了 17％；与凝视结合使用时，使用高斯过程模型的预测使 - 学习用非语言表达传达功能状态，以提高人机协作
通过调节非语言音频表达的声学参数值，基于强化学习算法和人类反馈，研究评估了协作机器人内部状态的非语言音频表达对用户是否准确理解机器人状态的影响。
- 合作装配场景中，协作机器人的生产节奏、控制定位与情绪状态之间的动态探索
通过研究协作机器人的生产节奏对参与者的经验性控制和情绪状态的影响，本研究发现在情绪状态和经验性控制方面没有差异，但考虑到其他心理变量，结果表明需要考虑个人的心理特征以提供差异化和优化的交互体验。
- 工业人机协作中的凝视检测与分析
在这项研究中，通过研究人与机器人协同组装任务过程中的注视行为，发现注视机器人的目光往往是协同活动开始的前兆，为提升人机协同体验提供了潜在的改进方法。
- HOI4ABOT: 人物物体交互预测人类意图阅读协作机器人
通过提出一种高效且鲁棒的基于 Transformer 的模型，实现对人机交互中人物 - 物体交互的检测和预测，从而增强机器人的主动协助能力，提高人机协作的效率和直观性。实验证明机器人的预测能力对于更好的人机交互至关重要。
- 基于迁移学习的适应性工人 - 机器人交互的鲁棒活动识别
该论文提出了一种迁移学习方法，用于识别建筑工人的活动，需要比较少量的数据和计算时间，同时具有较好的分类准确性。研究表明，该方法可以在建筑领域中鲁棒地识别活动，对协作机器人的广泛应用具有重要意义。
- 建筑智能协作机器人的信任：定性实证分析
通过分析与建筑从业者的半结构化访谈结果，本文探讨了建筑中值得信赖的人工智能驱动协作机器人的特征。研究发现，尽管先前作者们进行的系统文献综述识别出的关键信任因素得到了领域专家和最终用户的共鸣，但财务考虑因素和由于变革带来的不确定性也是阻碍人们 - 利用结构方程模型评估建筑 AI 动力协作机器人的信任
此研究旨在调查影响建筑工程专业人员对人工智能驱动的协作机器人的信任的关键技术和心理因素。通过对 600 名建筑行业从业人员进行全国范围的调查，研究深入了解了促进该技术有效采用、培养和培训熟练劳动力的未来机会，结合结构方程模型分析表明，安全和 - 融合手部和身体骨架进行装配中的人体动作识别
提出了一种结合较少详细的人体骨骼和高度详细的手部骨骼，通过使用注意力从两种骨骼类型中提取和组合重要信息的方法，以增强装配场景中的动作识别效果。
- 物体信息如何提高基于骨架的人体动作识别在装配任务中的表现
本文探讨了如何将目标物体信息融入基于骨架的行为识别，以提高人员 - 机器人协作的效率和智能化水平，并在 IKEA ASM 数据集的实验中证明了该方法能够提高目前先进方法的性能。
- 广义对象搜索
通过利用部分可观察的马尔可夫决策过程来建模对象搜索，结合人类世界（例如，八叉树和相关性）和人机交互中的结构（例如，空间语言）进行建模，可以实现一种实用且高效的广义对象搜索系统。
- 使用模仿学习和力控制的可普适的人机协作装配
本文介绍了一种基于演示学习和姿态估计的人机协作装配系统，使机器人能够适应于人类操作中的不确定性，我们的实验表明，系统能成功地适应于不同的目标位置。
- 通过迁移学习增强现实世界人机合作团队表现
本项研究将迁移学习集成在深度强化学习代理中，以此从专家那里传递知识提高人 - 机器协作质量。实验发现，这种方式不仅缩短了任务训练时间，而且明显提升了团队表现和主观感受，并能为透明和可解释的机器人行为设计提供有趣的见解。
- ECCV工业人机协作中的姿态预测
我们提出了一种新的可分离稀疏图卷积网络 (SeS-GCN) 用于姿势预测，并在人机合作场景下进行了测试，也提出了一个新的基准测试集 CHICO，SeS-GCN 在人体姿势预测和碰撞检测方面均具有较高的准确度。
- 实时近似贝叶斯推断下的直观高效人 - 机协作
本文介绍了一个利用 Approximate Bayesian Computation 方法进行人类到机器人配合中人类 reaching intent（手臂运动轨迹）预测的方案，并且进行实际的实验，验证了该方案的有效性和实用性。
- 将机器人的表示与人类对齐
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。
- 人机协作过程的分层架构
本文提出 FlexHRC + 用于高度可变的工厂任务中提供协作机器人更高的自主性，包括三个层次的感知、表示和行动，并在家具组装和物体定位任务中展开了实验。
- 适用于协助车间任务的灵活人机合作模型
本文提出了一种名为 FlexHRC 的传感、表示、规划和控制架构，可用于人机灵活协作，以便制造业从协作机器人的关键好处中获益。该架构依赖于可穿戴传感器用于人类动作识别，AND/OR 图用于表示和推理合作模型，以及任务优先框架用于将动作计划与