许多社会机器人技术研究人员正在解决的一个问题是如何在机器人中创建更类似人类的行为，以使人类与机器人之间对人类伴侣更直观的合作。但是，为了开发类似人类的协作机器人系统，首先必须更好地理解人类的协作。人类的合作是我们所有人都熟悉的事情，但是从运动学的角度来看，对此并不了解。例如，一种尚未进行彻底研究的动态，但自然而然地发生在人类的合作中，例如领导者追随者的动态。在我们先前的研究中，我们解决了在协作达到任务期间人类二元组中领导者的角色分配的问题，结果暗示，在个人实验中表现较高的受试者自然会在身体协作中承担领导者的角色。在这项研究中，我们通过观察协作任务变得更加复杂时观察到领导者的前进动力如何改变了人类二元组中的领导者角色分配研究。在这里，这项研究是针对达到任务的，在执行2D达到任务时，二元组中的一个主题面临着避免障碍的额外任务，而他们的伴侣则不知道障碍。我们发现，受试者在整个任务中都改变了角色，以便成功完成任务，但是考虑到整个任务领导者，表现较高的人总是在表现较低的人中始终占主导地位，无论他们是否知道其他任务是否避免障碍。

开发人类机器人协作控制模型的一个重要因素是它们对人类伴侣的接受程度。创建可接受的控制模型的一种这样的方法是尝试模仿机器人中的类似人类的行为，以使他们的行为对人类更加直观。为了调查任务复杂性如何影响人类机器人合作伙伴的感知和接受，我们提出了一种新型的基于人类的机器人控制模型，以避免障碍，该模型可以解释通常在人类协作中发生的领导者陪伴动力学。使用避免障碍的场景评估了建议的控制方法的性能和接受，在该方案中，我们将单个任务和协作任务之间的任务绩效与机器人合作伙伴的不同领导者动力学角色进行了比较。评估结果表明，机器人控制方法能够复制人类行为，以提高受试者协作的总体任务绩效。但是，关于机器人合作伙伴的接受，参与者的意见混合在一起。与针对不太复杂的任务开发的类似控制方法的研究结果相比，新的结果表明，即使从动态角度来看，控制方法适应了更复杂的任务，对拟议的控制模型的接受程度较低。这表明，手头协作任务的复杂性不仅增加了更复杂的控制模型的需求，而且还增加了具有社会胜任的控制模型的需求。

Teleperation已成为全自动系统，以实现人类机器人的人体水平能力的替代解决方案。具体而言，全身控制的远程运行是指挥类人动物的有前途的无提手术策略，但需要更多的身体和心理努力。为了减轻这一限制，研究人员提出了共享控制方法，结合了机器人决策，以帮助人类完成低级任务，从而进一步减少了运营工作。然而，尚未探索用于全身级别的人型类人形端粒体的共享控制方法。在这项工作中，我们研究了全身反馈如何影响不同环境中不同共享控制方法的性能。提出了时间衍生的Sigmoid功能（TDSF），以产生障碍物的更直观的力反馈。进行了全面的人类实验，结果得出的结论是，力反馈增强了在不熟悉的环境中的全身端粒化表现，但可以在熟悉的环境中降低性能。通过触觉传达机器人的意图显示出进一步的改进，因为操作员可以将力反馈用于短途计划和视觉反馈进行长距离计划。

远程运行是一种广泛采用的策略，用于控制需要高度灵巧运动和关键高级智力的复杂任务的机器人操纵器。经典的远程操作方案基于操纵杆的控制，或基于更直观的接口，这些界面将用户臂运动直接映射到一个机器人臂的运动中。当执行给定任务需要可重新配置的多个机器人ARM系统时，这些方法会限制。实际上，两个或多个机器人臂的同时进行近距离运行可以扩展操纵单元的工作空间，或增加其总有效载荷或提供其他优势。在可重新配置的多臂系统的不同阶段中，每个机器人可以充当独立的手臂，也可以充当一对合作的手臂，或者是虚拟大型机器人手的手指之一。该手稿提出了一个新型的远程注射框架，可以使个人和组合任何数量的机器人臂控制。多亏了设计的控制体系结构，人类操作员可以直观地选择提出的控制方式和操纵器，以使任务方便地通过用户界面执行。此外，通过Tele-Tele-Inverance范式，该系统可以通过让机器人模仿人类操作员的手臂阻抗和位置参考来解决需要物理互动的复杂任务。拟议的框架已通过8个主题，控制4个弗兰卡·埃米卡·熊猫机器人，并用7多杆执行远程触发任务。实验的定性结果向我们展示了我们框架的有希望的适用性。

在这项研究中，提出了一个自适应对象可变形性不足的人类机器人协作运输框架。提出的框架使通过对象传输的触觉信息与从运动捕获系统获得的人类运动信息结合在一起，以在移动协作机器人上产生反应性的全身运动。此外，它允许基于算法在共同转移过程中以直观而准确的方式旋转对象，该算法使用躯干和手动运动检测人旋转意图。首先，我们通过使用由Omni方向移动基础和协作机器人组组成的移动操纵器，通过对象变形范围的两个末端（即纯粹的铝制杆和高度变形绳）来验证框架。接下来，将其性能与12个受试者用户研究中部分可变形对象的共同携带任务中的录取控制器进行了比较。该实验的定量和定性结果表明，所提出的框架可以有效地处理物体的运输，而不管其可变形性如何，并为人类伴侣提供直观的援助。最后，我们在不同的情况下展示了我们的框架的潜力，在不同的情况下，人类和机器人使用可变形的床单共同传输了手工蛋白。

人类不断受到他人的行为和观点的影响。至关重要的是，人类之间的社会影响是由互惠构成的：我们更多地遵循一直在考虑我们意见的人的建议。在当前的工作中，我们研究了与社会类人机器人互动时相互影响的影响是否可以出现。在一项联合任务中，人类参与者和人形机器人进行了感知估计，然后在观察伴侣的判断后可以公开修改它们。结果表明，赋予机器人表达和调节其对人类判断的易感水平的能力代表了双刃剑。一方面，当机器人遵循他们的建议时，参与者对机器人的能力失去了信心。另一方面，参与者不愿透露他们对易感机器人缺乏信心，这表明出现了支持人类机器人合作的社会影响力的相互机制。

本文对人机对象切换的文献进行了调查。切换是一种协作的关节动作，其中代理人，给予者，给予对象给另一代理，接收器。当接收器首先与给予者持有的对象并结束时，当给予者完全将物体释放到接收器时，物理交换开始。然而，重要的认知和物理过程在物理交换之前开始，包括在交换的位置和时间内启动隐含协议。从这个角度来看，我们将审核构成了上述事件界定的两个主要阶段：1）预切换阶段和2）物理交流。我们专注于两位演员（Giver和Receiver）的分析，并报告机器人推动者（机器人到人类切换）和机器人接收器（人到机器人切换）的状态。我们举报了常用于评估互动的全面的定性和定量度量列表。虽然将我们的认知水平（例如，预测，感知，运动规划，学习）和物理水平（例如，运动，抓握，抓取释放）的审查重点，但我们简要讨论了安全的概念，社会背景，和人体工程学。我们将在人对人物助手中显示的行为与机器人助手的最新进行比较，并确定机器人助剂的主要改善领域，以达到与人类相互作用相当的性能。最后，我们提出了一种应使用的最小度量标准，以便在方法之间进行公平比较。

当代机器人主义者的主要目标之一是使智能移动机器人能够在共享的人类机器人环境中平稳运行。为此目标服务的最基本必要的功能之一是在这种“社会”背景下有效的导航。结果，最近的一般社会导航的研究激增，尤其是如何处理社会导航代理之间的冲突。这些贡献介绍了各种模型，算法和评估指标，但是由于该研究领域本质上是跨学科的，因此许多相关论文是不可比较的，并且没有共同的标准词汇。这项调查的主要目标是通过引入这种通用语言，使用它来调查现有工作并突出开放问题来弥合这一差距。它首先定义社会导航的冲突，并提供其组成部分的详细分类学。然后，这项调查将现有工作映射到了本分类法中，同时使用其框架讨论论文。最后，本文提出了一些未来的研究方向和开放问题，这些方向目前正在社会导航的边界，以帮助集中于正在进行的和未来的研究。

在这项工作中，我们介绍了一个自适应控制框架，用于具有未知变形行为的对象的人类机器人协作运输。提出的框架将通过对象传输的触觉信息和从运动捕获系统获得的人体的运动学信息作为输入，以在移动协作机器人上创建反应性的全身运动。为了通过实验验证我们的框架，我们在部分可变形的对象的共同投资任务中将其性能与入学控制器进行了比较。我们还展示了框架的潜力，同时共同传输刚性（铝杆）和高度变形（绳索）对象。一个由Omni方向移动基础，协作机器人组和机器人手组成的移动操纵器被用作实验中的机器人合作伙伴。 12个受试者实验的定量和定性结果表明，所提出的框架可以有效地处理不明变形的对象，并为人类伴侣提供直观的援助。

In this paper, we propose a unified whole-body control framework for velocity-controlled mobile collaborative robots which can distribute task motion into the arm and mobile base according to specific task requirements by adjusting weighting factors. Our framework focuses on addressing two challenging issues in whole-body coordination: 1) different dynamic characteristics of the mobile base and the arm; 2) avoidance of violating both safety and configuration constraints. In addition, our controller involves Coupling Dynamic Movement Primitives to enable the essential capabilities for collaboration and interaction applications, such as obstacle avoidance, human teaching, and compliance control. Based on these, we design an adaptive motion mode for intuitive physical human-robot interaction through adjusting the weighting factors. The proposed controller is in closed-form and thus quite computationally efficient. Several typical experiments carried out on a real mobile collaborative robot validate the effectiveness of the proposed controller.

人类的感知基于无意识的推论，其中感觉输入与先前的信息集成在一起。这种现象被称为上下文依赖性，有助于面对外部世界的不确定性，并在先前的经验上构建了预测。另一方面，人类的感知过程固有地是由社会互动塑造的。但是，上下文依赖性的机制如何影响到迄今为止未知。如果使用以前的经验 - 先验 - 在单个环境中是有益的，那么它可能代表了其他代理商可能没有相同先验的社会场景中的问题，从而在共享环境上造成了感知的错误。本研究解决了这个问题。我们研究了与人形机器人ICUB的互动环境中的上下文依赖性，该机器人是刺激示威者。参与者在两个条件下重现了机器人所示的长度：一个具有社交性的ICUB，另一个与ICUB充当机械臂。机器人的不同行为显着影响了感知的先验使用。此外，社会机器人通过提高准确性并减少参与者的总体感知错误，从而对感知性能产生积极影响。最后，观察到的现象是按照贝叶斯的方法加深和探索共同感知的新概念进行了建模的。

人类可以利用身体互动来教机器人武器。当人类的动力学通过示范引导机器人时，机器人学习了所需的任务。尽管先前的工作重点是机器人学习方式，但对于人类老师来说，了解其机器人正在学习的内容同样重要。视觉显示可以传达此信息；但是，我们假设仅视觉反馈就错过了人与机器人之间的物理联系。在本文中，我们介绍了一类新颖的软触觉显示器，这些显示器包裹在机器人臂上，添加信号而不会影响相互作用。我们首先设计一个气动驱动阵列，该阵列在安装方面保持灵活。然后，我们开发了这种包裹的触觉显示的单一和多维版本，并在心理物理测试和机器人学习过程中探索了人类对渲染信号的看法。我们最终发现，人们以11.4％的韦伯（Weber）分数准确区分单维反馈，并以94.5％的精度确定多维反馈。当物理教授机器人臂时，人类利用单维反馈来提供比视觉反馈更好的演示：我们包装的触觉显示会降低教学时间，同时提高演示质量。这种改进取决于包裹的触觉显示的位置和分布。您可以在此处查看我们的设备和实验的视频：https：//youtu.be/ypcmgeqsjdm

本文提出了一种移动超级机器人方法，可在人类机器人结合的行动中进行身体援助。该研究从对超人概念的描述开始。这个想法是开发和利用可以遵循人类机器人操作命令的移动协作系统，通过三个主要组件执行工业任务：i）物理界面，ii）人类机器人互动控制器和iii）超级机器人身体。接下来，我们从理论和硬件的角度介绍了框架内的两个可能的实现。第一个系统称为MOCA-MAN，由冗余的扭矩控制机器人组和Omni方向移动平台组成。第二个称为Kairos-Man，由高付费6多速速度控制机器人组和Omni方向移动平台形成。该系统共享相同的接收界面，通过该接口将用户扳手转换为Loco-andipulation命令，该命令由每个系统的全身控制器生成。此外，提出了一个具有多个和跨性别主题的彻底用户研究，以揭示这两个系统在努力和灵活的任务中的定量性能。此外，我们提供了NASA-TLX问卷的定性结果，以证明超级人物的潜力及其从用户的观点中的可接受性。

Taking advice from others requires confidence in their competence. This is important for interaction with peers, but also for collaboration with social robots and artificial agents. Nonetheless, we do not always have access to information about others' competence or performance. In these uncertain environments, do our prior beliefs about the nature and the competence of our interacting partners modulate our willingness to rely on their judgments? In a joint perceptual decision making task, participants made perceptual judgments and observed the simulated estimates of either a human participant, a social humanoid robot or a computer. Then they could modify their estimates based on this feedback. Results show participants' belief about the nature of their partner biased their compliance with its judgments: participants were more influenced by the social robot than human and computer partners. This difference emerged strongly at the very beginning of the task and decreased with repeated exposure to empirical feedback on the partner's responses, disclosing the role of prior beliefs in social influence under uncertainty. Furthermore, the results of our functional task suggest an important difference between human-human and human-robot interaction in the absence of overt socially relevant signal from the partner: the former is modulated by social normative mechanisms, whereas the latter is guided by purely informational mechanisms linked to the perceived competence of the partner.

在本文中，我们提出了一个框架，将避免避免和故意对机器人操纵器的物理相互作用的框架。随着人类和机器人开始在工作和家庭环境中共存，纯粹的碰撞避免不足，因为人机接触是不可避免的，在某些情况下，需要。我们的工作使操纵器能够预测，检测和采取联系。为此，我们通过速度降低和运动限制，我们允许从机器人的原始轨迹的有限偏差。然后，如果发生联系，机器人可以基于新颖的动态接触阈值算法检测它和操纵。这项工作的核心贡献是动态接触阈值处理，其允许具有车载接近传感器的机械手来跟踪附近的物体并在预期碰撞时减少接触力。我们的框架在物理人体机器人互动过程中引发自然行为。我们在使用法兰卡埃米瓦熊猫机器人手臂上评估我们的系统各种场景;统称，我们的结果表明，我们的贡献不仅能够避免并反应接触，而且还预计它。

When robots interact with humans in homes, roads, or factories the human's behavior often changes in response to the robot. Non-stationary humans are challenging for robot learners: actions the robot has learned to coordinate with the original human may fail after the human adapts to the robot. In this paper we introduce an algorithmic formalism that enables robots (i.e., ego agents) to co-adapt alongside dynamic humans (i.e., other agents) using only the robot's low-level states, actions, and rewards. A core challenge is that humans not only react to the robot's behavior, but the way in which humans react inevitably changes both over time and between users. To deal with this challenge, our insight is that -- instead of building an exact model of the human -- robots can learn and reason over high-level representations of the human's policy and policy dynamics. Applying this insight we develop RILI: Robustly Influencing Latent Intent. RILI first embeds low-level robot observations into predictions of the human's latent strategy and strategy dynamics. Next, RILI harnesses these predictions to select actions that influence the adaptive human towards advantageous, high reward behaviors over repeated interactions. We demonstrate that -- given RILI's measured performance with users sampled from an underlying distribution -- we can probabilistically bound RILI's expected performance across new humans sampled from the same distribution. Our simulated experiments compare RILI to state-of-the-art representation and reinforcement learning baselines, and show that RILI better learns to coordinate with imperfect, noisy, and time-varying agents. Finally, we conduct two user studies where RILI co-adapts alongside actual humans in a game of tag and a tower-building task. See videos of our user studies here: https://youtu.be/WYGO5amDXbQ

机器人辅助的微创手术（RMI）缺乏触觉反馈是在手术过程中安全组织处理的潜在障碍。贝叶斯建模理论表明，与没有经验的外科医生相比，在RMIS期间，具有开放或腹腔镜手术经验的外科医生可以发展为组织刚度的先验。为了测试先前的触觉经验是否导致远程操作的力估计能力提高，将33名参与者分配到三个训练条件之一：手动操纵，用力反馈的远程操作或无力反馈的远程操作，并学会了将硅胶样品张紧到一套力值。然后，他们被要求执行张力任务，以及先前未经触觉的任务，而无需反馈而在远程操作下进行不同的力量值。与远程操作组相比，手动组在训练的力量范围之外的张力任务中具有较高的力误差，但在低力水平下，在触诊任务中显示出更好的速度准确性功能。这表明训练方式的动力学会影响远程操作过程中的力估计能力，如果在与任务相同的动态下形成，则可以访问先前的触觉体验。

使机器人能够靠近人类工作，需要一个控制框架，该框架不仅包括用于自主和协调的交互的多感官信息，而且还具有感知的任务计划，以确保适应性和灵活的协作行为。在这项研究中，提出了一种直观的任务堆叠（ISOT）制剂，通过考虑人臂姿势和任务进展来定义机器人的动作。该框架以visuo-tactive信息增强，以有效地了解协作环境，直观地在计划的子任务之间切换。来自深度摄像机的视觉反馈监视并估计物体的姿势和人臂姿势，而触觉数据提供勘探技能以检测和维持所需的触点以避免物体滑动。为了评估由人类和人机合作伙伴执行的所提出的框架，装配和拆卸任务的性能，有效性和可用性，使用不同的评估指标进行考虑和分析，方法适应，掌握校正，任务协调延迟，累积姿势偏差，以及任务重复性。

本文描述了可以用于控制上限假体的人机界面的新框架。目的是从嘈杂的表面肌电图信号中估算人类的电动机意图，并在存在以前看不见的扰动的情况下，对假体（即机器人）执行电动机意图。该框架包括每个自由度的肌肉弯曲模型，一种学习用于估计用户电机意图的模型的参数值的方法，以及使用从肌肉模型获得的刚度和阻尼值来适应的可变阻抗控制器假体运动轨迹和动力学。我们使用人机界面的模拟版本在强大的人类的背景下进行实验评估我们的框架，以执行主要在手腕中攻击一种自由的任务，并以统一力场的形式考虑外部扰动这将手腕从目标上推开。我们证明我们的框架提供了所需的自适应性能，并且与数据驱动的基线相比，可以大大提高性能。

对于机器人来说，在人口稠密地区的自主航行仍然是一项艰巨的任务，因为难以确保在非结构化情况下与行人进行安全互动。在这项工作中，我们提出了一个人群导航控制框架，该框架可在自动驾驶汽车上提供连续避免障碍物和接触后控制。我们建议评估指标，以了解自然人群中的会计效率，控制器响应和人群相互作用。我们报告了不同人群类型的110多种试验的结果：稀疏，流量和混合流量，低 - （<0.15 ppsm），中部（<0.65 ppsm）和高 - （<1 ppsm）的行人密度。我们提出了两种低级避免障碍方法与共享控制基线之间的比较结果。结果表明，在最高密度测试上，相对时间下降了10％，没有其他效率度量降低。此外，自主导航显示与共享控制导航相当，相对混蛋较低，命令的流利度明显更高，表明与人群的兼容性很高。我们得出的结论是，反应性控制器履行了对人群导航的快速和连续适应的必要任务，并且应该与高级计划者一起以进行环境和情境意识。