数据驱动的任务预测与知识驱动的人机协作规划

该研究提出了一种新的人机协作解决方案，结合图神经网络和马尔可夫决策模型，帮助机器人预测人类决策。

通过情境评估，机器人能够模拟人类决策，提高问题解决效率和鲁棒性。

基于图神经网络的先见性规划方法能够降低规划成本，实验表明规划成本降低了5%至11%。

提出“计划可解释性”和“可预测性”的概念，以提高机器人计划的可解释性和可预测性。

研究表明，预测合作者缺失知识是一种可行的方法，能够改善人机协作效果。

结合任务分配和动作规划推理的层次，使用贝叶斯推理实现人机表现优化。

基于马尔可夫决策模型的方法能够自动推导人类行为策略，提高合作任务的稳定性和高效性。

基于大型语言模型的研究提出了一种强化学习的人机协作方法，显著提高复杂任务的性能。

使用多模态上下文和自然语言处理进行高层次计划预测，提高机器人的可迁移性和任务规划成功率。