本研究提出了一种基于大型语言模型的自适应辅导和社会推理架构，旨在提升机器人在辅导和训练中的互动能力。该框架增强了自主决策能力，能够管理复杂互动，推动训练任务，并构建上下文记忆，促进社会智能机器人技术的发展。

本研究提出了一种混合方法，解决儿童与机器人互动中的个性化教育内容生成问题。通过结合规则系统与大型语言模型，进行离线内容生成并人工验证，确保教育质量。研究表明，该方法有效提升儿童的阅读动机，促进更深层次的学习理解。

本研究探讨了利用增强学习和大型语言模型（LLMs）在复杂三维环境中实现机器人智能互动的方法。通过自主探索，机器人能够发现可用对象并高效行动，实验表明其在家居环境中的表现优越。此外，提出的“行动前询问”方法显著提高了机器人在未知环境中的决策能力和样本效率。

本文提出了一种结合Transformer架构和DistilBert语言嵌入的空间语言模型，应用于3D视觉定位和对象预测。研究在ReferIt3D数据集上展示了竞争性表现，并探讨了多模态参考解析任务及其挑战，旨在提升机器人与人类的互动能力。此外，介绍了Chat-3D系统，能够理解3D场景指令并进行复杂推理，表现优于现有模型。

介绍社会认知机器人的跨学科方法，旨在改进机器人与个体互动和对社会的影响。