本研究探讨社交机器人在饮食建议中的透明度与信任问题，提出通过内在语言增强推理可解释性。研究发现，透明的决策过程能提高对机器人的信任，改善人机互动，尤其在医疗健康领域影响显著。

本研究提出了USER-LLM R1框架，旨在解决社交机器人个性化交互的冷启动问题。该框架通过动态用户分析和模型初始化，结合推理模型与视觉-语言模型，实现个性化响应，显著提升老年用户的参与度和信任度。

本研究提出了AutoMisty框架，旨在解决社交机器人API对无编程经验用户的不可操作性。该框架利用大型语言模型生成可执行的Misty代码，并通过四个智能体模块优化任务管理，实验证明其在代码生成和控制精度方面优于现有方法。

该论文提出了一种基于深度神经网络的社交机器人检测方法，利用元数据和合成少数过抽样技术生成大型标记数据集。研究表明，通过推文文本和用户资料提取，能够有效区分社交机器人与人类用户，分类准确率达到98.52%。此外，BotSSCL框架通过自监督对比学习提升了检测性能和泛化能力。

本研究提出了一种众包方法，收集人类身体语言数据，建立大型数据集并分析情感表达。开发了名为ARBEE的系统，结合身体与面部表情进行情感识别。研究探讨了社交机器人如何通过非语言提示增强共情能力，并利用大型语言模型生成自然对话。通过强化学习，机器人能够模仿人类动作，提升与人类的互动表现。

本文综述了大型语言模型（LLMs）在机器人领域的应用，探讨了其在控制、感知、决策和路径规划等方面的贡献与挑战。提出了结合多模态GPT-4V的框架，以提升机器人在具身任务中的表现，并分析了社交机器人中LLMs的对话能力。同时，探讨了“Attentive Support”概念，强调机器人在群体中提供支持的能力。最后，评估了多模态LLMs在机器人应用中的可靠性，并提出改进机器人决策能力的新方法。

本研究提出了一种适应性人机交互框架，旨在提升社交机器人与不同用户群体的互动效果。该框架结合语音识别和大型语言模型，验证了在年龄识别和用户反馈处理方面的高效性，具有重要的实际应用价值。

该研究开发了智能助手TalkTive，利用backchanneling技术帮助老年人评估神经认知障碍。研究发现，主动反馈更受欢迎，并探讨了非语言提示在社交机器人中的应用，以提升机器人的共情能力和互动质量。通过整合大型语言模型，研究旨在改善机器人对话的自然性和趣味性，强调情感交流在机器人与人类互动中的重要性。

本研究探讨大型语言模型在社交机器人中的应用，涵盖教育、医疗和娱乐等领域。通过创新的协作框架，多个语言模型可在分析、编程和测试中合作，提升机器人开发效率。研究提出的RoboTool系统能够根据自然语言指令生成机器人控制代码，扩展机器人能力。此外，RoboMorph方法利用进化算法优化模块化机器人设计，展示了大型语言模型在机器人设计中的潜力。

本研究建立了多模态情感交互框架，优化机器人行为策略以增强社交场景中的自然性和吸引力。通过实验评估社交机器人的共情能力，设计了语音、手势和面部表情等非语言提示，强调了语言与非语言提示的重要性，并探讨了人机互动中的社交信号与用户印象的关系，为未来的研究奠定基础。

本文探讨了多种基于深度学习的人体轨迹预测方法，包括时空图LSTM网络、动态轨迹预测器和图变换器结构。这些方法通过考虑环境因素和人际交互，显著提高了预测准确性，降低了位移误差，推动了自动驾驶和社交机器人技术的发展。

本文介绍了一种基于3D生成网络的方法，能够生成可控且逼真的说话者头像视频，处理面部表情和头部运动。该方法在多个基准测试中表现优异，并探讨了人机模仿技术、社交机器人反应及基于增强学习的姿势预测模型，展示了机器人运动学习和人类行为模拟的进展。

本研究探讨了大型语言模型（LLMs）在社交机器人中的应用，涵盖教育、医疗和娱乐等领域。研究表明，LLMs在沟通行为选择和意图判断方面表现良好，但在判断人机行为差异上存在不足。文章还讨论了LLMs对人类价值和劳动力市场的影响，以及其伦理挑战和社会影响，强调需要进行监管和设计正义方法的应用。

本文介绍了多种社交机器人导航技术，包括基于对话历史的导航、社交动作潜空间学习和增强学习框架。研究表明，历史对话长度、个性化控制器和人类互动显著影响导航性能，并提出了新的评估标准和方法，以提升机器人在复杂环境中的导航能力。

本文介绍了一种新型机器人神经康复训练系统，结合康复设备和机器学习模型，实现个性化训练。同时探讨了社交机器人在儿童医疗中的应用、老年人陪伴系统的伦理问题，以及多模态情感交互框架的优化，旨在提升人机互动效果。

本文探讨了大型语言模型（LLMs）在机器人和人机交互（HRI）中的应用潜力，实验结果显示其性能与定制模型相当。研究分析了LLMs在心理健康支持和社交机器人对话中的优势与挑战，包括准确性、偏见和隐私问题。未来需要优化LLMs，以提高其在临床实践中的有效性和安全性。

本研究探讨了将大型语言模型（LLMs）整合到社交机器人中的潜力，以改善传统对话方法的局限性。实验结果显示，参与者对机器人的反馈积极，认为其共情力强且自然，但自动语音识别的错误和LLM的自我重复问题仍需解决。研究表明，LLMs在社交机器人中的应用前景广阔，但面临挑战。