摘要:虚拟现实(VR)技术越来越多地应用于人机交互(HRI)研究,以增强交互的沉浸感和真实感。然而,VR 融入 HRI 也带来了新的挑战,例如延迟、虚拟与现实环境不匹配以及对人类用户的潜在不利影响。尽管存在这些挑战,但在 HRI 中使用 VR 仍有可能带来许多好处,包括改善沟通、提高安全性以及加强培训和教育。然而,学者们对 VR 在人机交互中应用的最新进展进行回顾的研究很少。为了弥补这一差距,本文概述了在 HRI 中使用 VR 的挑战和好处,以及该领域的当前研究和未来发展方向。研究发现,机器人变得比以往任何时候都更加个性化、互动性和吸引力;随着虚拟现实创新的普及,我们或许能够预见到 VR 将被广泛用于控制机器人,以完成医院、学校和工厂的各种任务。尽管如此,仍存在一些挑战,例如需要更先进的 VR 技术来提供更逼真、身临其境的体验,开发更像人类的机器人模型来改善社交互动,以及需要更好的方法来评估 VR 在人机交互中的有效性。
摘要,如果人类机器人相互作用(HRI)易于执行,则在机器人协助的搜索和救援操作效率将是有效的。可以使用柔软的机器人来完成,与刚性相比,该机器人的性能更好。其中,由于其光滑的性质,可以使用柔软的连续机器人(SCR)。SCRS有两种类型:软连续操作器(SCM)和软蛇机器人(SSR)。尽管这两个机器人在功能上不同,但在结构上是相似的。因此,这些机器人可以模块化和重新配置。SCM可以协助医疗团队进行采摘操作,而SSR可以穿越诸如地震之类的灾难后发生的限制空间。从我们的调查中推断出,文献中并没有很多研究工作侧重于disasaster后情况下的SCR的HRI方法。因此,在这项工作中,我们专注于开发模块化和可重构的SCR的HRI方法。
机器人正在进入我们的世界,并将很快与我们日常生活中的人们互动。为了使机器人执行各种支持任务,并与人类环境(例如房屋,学校和医院)和谐地共存,需要设计和开发它们以与自然和直观的方式与人们进行互动。人类机器人相互作用(HRI)的领域是高度跨学科的,它结合了人类计算机相互作用,机器人技术,心理学,人为的说明,n d o t o t o ts的方法和技术。s the cl as s s wi ll目前分配了研究论文,并主持了有关尖端同行评审的HRI出版物的讨论。在整个学期中,学生将组成一小组团队,并将完成一个课程项目,以解决与HRI相关的研究问题。
摘要:随着系统的增长越来越大,人类操作员经常被忽略。尽管人类机器人互动(HRI)在认知资源方面可能非常苛刻,但现有系统尚未考虑操作员的心理状态(MS)。由于人类不是天前的代理人,这种缺乏可能导致危险情况。现在,神经生理学和机器学习工具的数量越来越多,可以进行有效的操作员的MS监视。因此,在闭环解决方案中向MS发送反馈。涉及一致的自动化计划技术来处理这种过程可能是重要的资产。这篇观点文章旨在为读者提供重要的文献综合,以期实施适应操作员MS的系统,以改善人类机器人操作的安全性和性能。首先,对于远程操作,对这种方法的需求是HRI的示例。然后,定义了几种对这种类型的HRI至关重要的MS,以及相关的电生理标记。将重点放在链接到与任务和任务需求的主要降级MS以及与系统输出(即反馈和警报)链接的附带MS。最后,详细详细介绍了共生HRI的原理,并提出了一种解决方案,将操作员状态向量包括在系统中,使用混合定位性决策框架来驱动这种相互作用。
摘要:这项研究开发了一个全面的机器人系统,称为机器人认知系统,用于复杂的环境,整合了三个模型:参与模型,意图模型和人类 - 机器人相互作用(HRI)模型。该系统旨在通过使机器人准确地检测人类的行为,意图和情感来增强HRI的自然性和舒适性。一种新颖的双臂移动机器人MOBI旨在证明该系统的功效。参与模型利用眼睛凝视,头部姿势和动作识别来确定相互作用启动的合适力矩,以解决潜在的眼神接触焦虑。意图模型采用情感分析和情感分类来推断互动者的意图。与Google DialogFlow集成的HRI模型,根据用户反馈促进了适当的机器人响应。该系统的性能在零售环境方案中得到了验证,这表明了它可以改善HRIS用户体验的潜力。
•FSE所有者根据LCFS报告工具的季度报告燃料交易•HRI:加权平均氢碳强度必须小于150 g/mj,并且在LCFS中注册的公司网络中所有电台中的所有电台中至少可续签40%。•站点可用性:在本季度可以加油/充电的合格小时百分比•HRI:车站在能够将车辆加油至少为95%的费用状态时,被视为“可用”。
摘要 人与机器人之间的有效交互对于在协作过程中完成共享任务至关重要。机器人可以利用多种通信渠道与人类互动,例如听觉、语音、视觉、触觉和学习。在人与机器人之间的各种交互方式中,我们的重点是三个新兴前沿,它们对人机交互 (HRI) 的未来方向产生重大影响:(i) 受人与人协作启发的人机协作,(ii) 脑机接口,以及 (iii) 情感智能感知。首先,我们探索人机协作的先进技术,涵盖从合规性和基于绩效的方法到协同和基于学习的策略等一系列方法,包括从演示中学习、主动学习和从复杂任务中学习。然后,我们研究脑机接口在增强 HRI 方面的创新用途,重点关注康复、通信、大脑状态和情绪识别中的应用。最后,我们研究机器人中的情商,重点是通过面部表情、肢体动作和眼球追踪将人类情感转化为机器人,实现流畅、自然的互动。详细介绍并讨论了这些新兴领域的最新发展及其对 HRI 的影响。我们重点介绍了该领域的当代趋势和新兴进步。最后,本文强调了在开发具有自适应行为和人机有效互动的系统时采用多模式方法的必要性,从而提供了对最大限度地发挥 HRI 潜力所必需的各种模式的透彻理解。
运动运动是机器人的基本功能,可以在环境中发挥作用。有两类运动运动的类别:(1)空间中的移动机器人导航,(2)使用机器人臂进行对象操纵,影响环境状态。在我们的研究中,我们正在使用半人体机器人NICO(Kerzel等,2017),这是在人类 - 机器人相互作用的背景下以右臂执行分配的任务所必需的(HRI,请参见图1)。任务的目标是确保机器人执行清晰的运动,即那些更好地揭示机器人意图的人。运动的合法性是文献中开发的一个概念(Stulp等,2015)。它可以被认为是值得信赖的HRI的先决条件之一,这是一个相对较新的研究领域(Kok and Soh,2020)。在这种情况下,类人形机器人代表了成功HRI的最合适选择,主要是因为人类倾向是肛门型机器人(Vernon and Sandini,2024)。
尽管机器人技术和机器学习(ML)最近取得了进步,但我们日常生活中的自主机器人的部署仍然是一个开放的挑战。这是由于多种原因是他们的频繁错误,例如中断人们或延迟反应,以及他们对人言语的有限能力,即在将语音转录到文本等任务中的失败。这些错误可能会破坏相互作用并负面影响人类对这些机器人的看法。要解决这一问题,机器人需要具有检测人类机器人间互动(HRI)故障的能力。err@hri 2024挑战通过在人类机器人相互作用(HRI)(HRI)的基准多模式数据集(HRI)(鼓励研究人员)开发和基准测试多模式机器学习模型以检测这些失败的情况下解决了这一问题。我们创建了一个数据集,其中包含多模式的非语言交互数据,包括与机器人教练的互动视频剪辑中的面部,语音和姿势效果,并带有标签,指示机器人误差,用户尴尬和交互破裂,允许培训和评估预测性模型。挑战邀请群体提交其多模式ML模型以检测机器人误差,并针对各种性能指标进行评估,例如准确性,精度,召回率,F1得分,并在有没有误差的情况下反映了这些度量的时间敏感性。这项挑战的结果将有助于研究领域更好地了解人类机器人相互作用中的机器人故障并设计自动驾驶机器人,这些机器人在成功检测到它们后可以减轻自己的错误。
9 研究方法 126 9.1 定义研究问题和方法 128 9.1.1 您的研究是探索性的还是验证性的?129 9.1.2 您正在建立相关性还是因果关系?130 9.2 在定性、定量和混合方法中进行选择 131 9.2.1 用户研究 132 9.2.2 系统研究 133 9.2.3 观察性研究 134 9.2.4 人种学研究 136 9.2.5 会话分析 138 9.2.6 众包研究 139 9.2.7 单一主题研究 140 9.3 选择研究参与者和研究设计 141 9.3.1 研究设计 142 9.4 定义交互背景 144 9.4.1 研究地点 144 9.4.2 HRI 的时间背景 145 9.4.3 HRI 中的社会互动单位 146 9.5 为您的研究选择机器人 148 9.6 设置交互模式149 9.6.1 绿野仙踪 149 9.6.2 真实与模拟交互 150 9.7 选择适当的 HRI 措施 150 9.8 研究标准 152