本文探讨了基于可组合团队层级的生成模型，利用贝叶斯推理预测智能体在空间随机游戏中的行为。研究表明，结合低层次和高层次心智状态的神经网络模型能提高意图预测的准确性。同时，分析了现代自然语言处理系统中的社交智能，指出GPT-3在社交智能方面的不足，并呼吁研究互动人工智能的社会属性，以促进人类社会的健康发展。

本研究提出了一种对话上下文感知的语音识别模型，能够有效利用上下文信息，提升系统的训练和表现。通过多种方法的联合优化，显著提高了语音理解的准确性，尤其在意图和参数预测方面。实验结果表明，该模型在多个公开数据集上表现优异。

本文介绍了一种神经网络模型MToMnet，用于学习他人的心智状态，提升意图预测的速度和准确性。研究综述了机器心智理论（ToM）的进展，强调标准评估和大规模数据集的重要性。MToMnet在信念预测中表现优异，展示了深度学习在理解人类心理状态方面的潜力。

本文介绍了机器理论心智（ToM）的研究进展，重点讨论了Symbolic ToM方法、神经网络架构和多模态心智问答基准。研究表明，结合低层次和高层次心智状态的模型能提高意图预测的准确性。同时，探讨了大型语言模型在社交推理中的能力及其与人类认知的相似性，强调了标准评估和数据集的重要性。

该文综述人机物体交接研究，涵盖基于学习的动态交接、多指手系统、大规模无标记数据集、类人双臂运动生成、合成抓取数据、视觉递送策略、注视意图预测及多模态远程操作，以推动自然高效的人机协作。

该文综述了自动驾驶轨迹预测的多项研究，涵盖MemoNet、记忆增强网络、LSTM编解码器、神经运动规划器、分层模仿学习和图神经网络等方法，用于预测车辆与行人意图及轨迹，提升复杂场景下规划的安全性与准确性。

该文综述多项研究：利用手机加速度计步态数据构建随机森林模型进行身份识别，准确率达0.9679；IADA框架通过小数据训练意图预测模型；智能手表传感器预测情绪准确率93.75%；声学线索多任务模型预测话轮转换；腕部传感器动作触发感知系统预测日常意图；结合ChatGPT生成文本与T2M-GPT合成IMU数据以增强HAR模型；惯性传感器深度学习步态识别准确率超93.5%；多模态数据预测人类意图；共享运动线索解读行为意图；以及社交信号预测数据集与框架。

该研究提出了一个新的评估框架，用于提升人工智能设计需求的可靠性运动预测系统。同时，该研究还提出了意图预测层，以提升输出的可解释性和生成更平衡的结果。通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。