7up55的博客

本文研究基于BERT语言模型的制造过程命名实体识别（NER）方法，针对制造领域科学文本的特点，对多种预训练BERT模型进行微调，并引入Optuna进行超参数优化。研究采用包含12类实体的制造领域数据集，使用IOBES标注方案，实验结果表明，在科学文本上预训练的SciBERT模型在制造NER任务中表现最优，整体F1分数达到0.92，较基线模型FabNER提升4.5%。文章还分析了各类别的识别性能差异，探讨了数据增强、模型融合和外部知识引入等优化方向，并展望了该模型在知识图谱构建、智能问答和文本摘要中的应用前景

本文探讨了情感计算与制造业命名实体识别两个前沿研究方向。在情感计算方面，通过EmRefl ect聊天机器人实验验证了基于VAD（效价-唤醒-支配）模型的情感构建理论，分析了不同词库规模对情感识别的影响，并总结了用户反馈与实验局限性；在制造业实体识别方面，提出基于BERT语言模型的方法，结合RDF表示实现从自然语言到机器可理解知识的转化。研究表明，情境感知的情感计算架构和领域适配的预训练模型对提升人机交互质量具有重要意义，并展望了其在心理健康支持与工业智能化中的应用前景。

本文介绍了一种基于情感构建理论的情感感知聊天机器人EmReflect的设计与实现。该系统采用VAD（效价-唤醒度-支配度）多维情感模型，通过自然语言处理技术分析用户文本输入中的情感词汇，并结合情境实例、动机实例和期望表示来生成情感反射性回复。系统架构借鉴社会模拟代理模型，利用NRC-VAD词库（包含20007个英语单词）进行情感值计算，实现对用户情感状态的动态预测与响应。文章详细阐述了系统的模块组成、工作流程及数据集选择，展示了如何通过语言与情感概念的关联提升人机交互的情感化水平。

本文探讨了机器人反馈在认知治疗中的影响以及基于建构情绪理论的情感机器人系统的设计与实现。研究显示，机器人的回传信号能显著改变患者任务策略，但对完成时间无显著影响，且患者可能因机器人缺乏权威性而产生‘作弊’行为。同时，基于建构情绪理论的聊天机器人通过效价-唤醒-支配（VAD）模型识别和生成情绪化回应，展现出在情感交互中的潜力。未来需在个性化定制、多模态交互及伦理规范方面进一步优化，以提升机器人在心理健康支持中的应用价值。

本研究探讨了社交机器人在认知治疗中提供反馈暗示对痴呆症患者的影响。通过对比人类治疗师与机器人治疗师在有无‘SOCIABLE’反馈行为下的患者表现，发现机器人反馈虽可被患者识别并影响反应时间，但导致错误次数显著增加，提示患者可能过度依赖反馈。研究揭示了机器人反馈机制设计的重要性，并提出了优化策略，为未来社交机器人在医疗康复领域的应用提供了重要参考。

本文综述了机器人技术在疼痛治疗与管理中的应用现状，重点分析了社交辅助机器人（SARs）在儿童、痴呆患者等群体中的干预效果。研究基于PRISMA协议筛选出17篇相关文献，发现NAO和Paro等商用机器人在分散注意力、提供触觉刺激等方面有助于缓解疼痛或焦虑，多数研究显示统计学显著改善。然而，当前研究仍处于早期阶段，存在样本量小、人口统计信息不足、测量方法局限等问题。未来需扩大样本、优化机器人设计、结合多种测量手段，并遵循标准化研究模型，以推动机器人在疼痛管理中的有效性和广泛应用。

本文探讨了强化学习框架在提升机器人情感共情能力方面的应用，以及机器人技术在疼痛治疗与管理中的潜力。通过深度强化学习，机器人能够从人类教师中学习情绪与面部表情的关联，并在互动中动态调整表情与言语，增强共情表现。实验表明，具备共情行为的机器人在用户评价中显著更受欢迎。同时，社交辅助机器人在缓解程序性疼痛和慢性疼痛（尤其是痴呆患者）中展现出积极效果，主要基于疼痛分散、闸门控制和皮肤刺激等理论。尽管该领域前景广阔，但仍面临研究样本小、成本高、伦理安全等挑战。未来需结合临床研究方法，优化算法，降低成本，推动机器人在医

本文综述了社交机器人在情感理解与共情能力方面的两项关键研究：一是基于Pepper机器人的情感识别实验，验证了非语言线索对提升情感识别准确性的积极作用，最高可达0.98的效价分类准确率，并探讨其在临床病理监测中的应用潜力；二是通过强化学习框架（DQN）训练机器人学习面部表情与情感的关联，实现情感共情行为，在真实机器人测试中显著提升用户交互体验。研究还分析了当前局限性，并提出未来方向，包括扩大样本、多模态融合、个性化定制及伦理规范，为社交机器人的情感智能化发展提供了理论基础与实践路径。

本研究探讨了辅助社交机器人在人机交互中识别人类情绪的能力，采用国际情感图片系统（IAPS）作为标准情感诱发工具，并结合Pepper机器人在静态、一致和不一致行为下的交互实验。通过Openface提取面部与注视特征，使用KNN、RF和SVM分类器进行情感分类，结果表明KNN在不同行为条件下均表现出高准确率，尤其在一致与不一致行为下超过0.95。研究还发现机器人行为影响用户情感感知，特别是不一致行为减轻了消极情绪的感知。该工作为机器人情感识别算法选择与交互行为设计提供了重要参考。

本文提出了一种基于神经网络与逆强化学习相结合的NN-RRT*路径规划器，通过NRTIRL框架实现机器人在复杂人机交互环境中的拟人化导航。该方法利用神经网络建模非线性成本函数，结合演示路径学习社会自适应行为特征，并在RRT*基础上优化路径生成。实验结果表明，相比RTIRL和PRTIRL，NRTIRL在同伦率、不相似度和特征差异等指标上表现更优，能生成更接近人类导航习惯的路径，具有良好的应用前景。

本文介绍了一种室内移动机器人社交陪伴导航系统及基于NN-RRT*的NRTIRL路径规划器。该系统通过YoloV5与DeepSort实现行人检测与跟踪，结合距离和角度计算完成视觉跟随控制，并引入表情、语音等社交模块提升人机互动体验。同时，提出NRTIRL方法，利用神经网络与逆强化学习从专家示范中学习社会导航行为，使路径更拟人化。实验验证了系统的实时性与导航的社会适应性，为机器人在复杂人类环境中的和谐共存提供了有效解决方案。

本文介绍了社交机器人的多模态交互框架与室内移动机器人伴行导航系统。多模态交互框架涵盖用户画像、情感识别、意图预测和手势识别模块，采用PyramidBox、SSR-Net、VGG16注意力机制、BERTbase等先进算法，实现对用户身份、情绪、意图和动作的全面感知。伴行导航系统基于SOT deepsort算法，结合YoloV5、深度相机和差分轮模型，实现快速稳定的单目标跟随。系统已在医疗、商业、教育等场景中展现应用潜力，未来将朝多传感器融合、个性化服务与安全伦理方向发展。

本文介绍了社交机器人情感模型的构建与多模态感知认知框架的设计与应用。通过控制位点与人格参数化方法，结合三维情感模型，实现了对内向和外向人格情感特征的精准模拟，并通过问卷实验验证了模型的有效性。同时，提出了一种包含用户画像、情感识别、意图预测和手势识别的多模态感知认知框架，支持机器人在复杂社会场景中的自然交互。以医院场景为例，展示了该框架在实际应用中的流程与潜力。未来可通过拓展应用场景、融合深度学习与行为决策机制，进一步提升社交机器人的拟人化与智能化水平。

本文探讨了社交机器人在不同场景下的情感表达与个性定制，提出了可定制个性情感模型（CPAM），通过改进情绪、刺激与个性之间的交互机制，实现对机器人情感变化的精准模拟。文章分析了家庭与学校场景中机器人的差异化行为，引入自我反馈调节机制，并结合用户评价与动作影响，构建动态情感模型。通过实验验证，CPAM能有效模拟不同个性群体的情绪响应，提升用户交互体验。研究为社交机器人在家庭陪伴、学校教育等场景中的个性化应用提供了理论支持和技术路径。

本文深入解析了3D人脸重建与机器人差异化行为表达两项前沿技术。3D人脸重建采用基于多级损失的弱监督模型，无需3D标签即可实现高精度、强鲁棒性的重建效果，并在人脸识别、虚拟现实和医学诊断中具有广泛应用前景。机器人差异化行为表达则通过构建融合个性、用户反馈与自我调节机制的情感系统，使机器人能在家庭、学校、医疗等不同场景中展现出自然丰富的运动、语音与面部表情行为，显著提升人机交互质量。两项技术展示了人工智能在感知与交互层面的重要进展。

本文提出了一种基于多级损失的弱监督学习模型，用于从无3D标签的自然图像中实现高精度的3D人脸重建。通过引入可微渲染器SoftRas和先进的人脸分割模型Focus，有效解决了传统方法中3D数据稀缺、遮挡与大姿态干扰等问题。模型采用光度损失、地标损失、身份损失和正则化损失构成多级监督信号，在VGGFace2和CelebA数据集上进行训练与评估。实验结果表明，该方法在重建质量、精度和鲁棒性方面均优于传统3DMM及其他弱监督方法，具有良好的应用前景。未来工作将聚焦于复杂场景优化、实时重建及多模态数据融合。

本文提出了一种基于生成对抗网络（GAN）的移动机器人动态避障运动规划方法，通过构建以机器人为中心的感知区域，结合A*和DWA算法进行全局与局部路径规划，并利用GAN框架学习人类避障策略，生成符合人类习惯的主动避障点。该方法在不同场景下表现出良好的适应性、实时性和导航效率，有效减少对行人的干扰，提升机器人在人机共存环境中的导航性能。实验结果表明，所提方法在违规次数、导航时间和轨迹自然度方面优于传统算法，具有广泛的应用前景。

本文研究了医院病房药品配送机器人的设计与动态避障算法的优化。通过改进RRT-Connect算法和引入行人不适函数的Risk-RRT算法，提升了机械臂抓取精度与导航安全性。结合深度相机点云配准确定抓取姿态，并提出基于GAN框架的模仿学习避障策略，使机器人在人机集成环境中能高效、自然地避障。实验表明，所提方法在检测准确率、避障成功率及行人舒适度方面均优于传统算法，验证了其在复杂医疗场景中的可行性与优越性。

本文探讨了人机交互中凝视提示效应及机器人存在形式对交互的影响，实验表明凝视提示效应稳定且不受物理存在形式影响，同时发现性别在机器人喜爱度评价上存在显著差异。此外，提出了一种基于移动操作机器人的高效药品识别与配送系统，通过轻量级神经网络提升检测效率，结合点云匹配实现精准抓取，并改进Risk-RRT算法增强导航性能。实验验证了系统在识别、抓取和导航方面的有效性，为缓解医疗资源压力提供了可行方案。未来研究将聚焦于机器人设计优化、个性化交互系统开发及医疗系统的实际应用与集成。

本研究探讨了在人机交互中机器人的实体存在是否影响注视提示效应的强度。通过对比实体机器人与虚拟代理条件下的实验数据，发现无论机器人以何种形式呈现，均存在显著的注视提示效应，且实体存在对反应时间、拟人化感知或生动性评分无显著影响。结果表明，在简单注视任务中，实体存在并非关键因素，虚拟代理的研究结果可有效推广至实际机器人交互场景，为人机交互设计和研究方法提供了重要启示。

本研究探讨了通过触摸机器人手部以吸引其注意力的交互场景，设计并评估了四种不同的机器人反应行为。实验使用Nao和Pepper机器人，结合手臂动作、身体后仰和目光注视等元素，分析参与者对反应的偏好及其与人格特质、机器人大小等因素的关系。结果表明，大多数参与者更倾向于被触摸手向后移动的反应，且机器人大小显著影响反应接受度。此外，研究还分析了人们触摸机器人的位置、方式及动机，并提出了个性化反应设计和未来研究方向，如意外接触场景和注视目标的优化。

本文探讨了提升社交机器人用户参与度的策略及人机触摸交互的研究。通过个性化互动、多媒体存储、对话记录、提醒功能和勋章奖励等方式增加用户粘性；同时实验研究了人类对Nao与Pepper机器人手部触摸的自然反应偏好，分析了触摸位置、方式及参与者个性特质的影响。结果表明，合理的触摸反馈设计能提升交互自然度，机器人尺寸与用户个性也影响体验。未来将在真实场景中进一步验证并优化策略与反应行为，推动社交机器人更好地融入人类生活。

本文探讨了提升社交机器人用户参与度的十二大心理学策略，包括可变奖励、新手运气、超常刺激、控制错觉等，结合行为心理学与技术设计，提出在社交机器人中应用游戏化、习惯养成、认知偏差利用等方法，以增强用户互动与黏性。文章还提供了策略总结表格与流程图，为社交机器人设计提供系统性指导。

本文探讨了社交机器人在动态环境中吸引路人注意力的行为设计实验，评估了控制、挥手、自我指向、说话和多模态五种条件下的吸引效果，并分析了强吸引率、弱吸引率和说服力等指标。实验结果表明，多模态和说话行为在吸引注意力方面表现最佳，且注意力系统在复杂环境下具备较高的检测率。此外，文章引入行为主义与学习理论，特别是斯金纳的可变奖励系统和多巴胺驱动行为机制，提出将心理学策略应用于社交机器人以提升用户参与度和互动质量。通过结合可变奖励、刺激信号设计和个性化互动，社交机器人可在家庭、教育、服务等场景中增强用户体验，推动技术普

本文探讨了社交机器人的意向姿态及其在产品推广中的系统设计。通过实验研究发现，iCub机器人的类人行为能够显著增强人们采用意向姿态的趋势，且该趋势对具身性和交互变化具有鲁棒性。研究还设计并实现了基于事件驱动的注意力系统和多类型手势系统，有效提升了机器人吸引潜在顾客的能力。实验评估表明，两步指向手势在吸引注意力方面效果最佳。最后，文章总结了当前成果，并展望了未来在社交认知理论与机器人系统优化方面的研究方向。

本研究探讨了人形机器人的具身性和交互对其意向立场采用的影响。通过三个实验结合InStance Test（IST）评估参与者在接触类人行为机器人前后心理状态归因的变化。结果表明，无论是在物理具身交互、观看人机交互视频还是无交互视频情境下，类人行为均显著提升意向立场的采用，且社交场景下的归因倾向更强。研究验证了类人行为对意向立场影响的鲁棒性，为社会认知研究和社交机器人设计提供了理论依据与实践指导。

本研究探讨了机器人动作的类人性和交互情境对人类意向性归因的影响。通过在虚拟环境中进行交互任务实验，结合InStance Test和Godspeed问卷测量，发现交互场景显著提升参与者对机器人的意向性归因，而机器人动作的类人性影响不显著。研究表明，交互性在人机交互中比动作质量更具影响力，为未来人机交互设计提供了理论依据。

本文综述了人机交互中的两个关键研究方向：运动干扰效应与意向性归因。在运动干扰研究中，探讨了不同速度下机器人运动对人类手臂运动的影响，发现中低速时不一致运动易引发显著干扰，影响任务精度与安全；在意向性归因研究中，通过交互式虚拟任务发现，交互本身显著增强人们对机器人的心理状态归因，且该过程受行为类型与情境调节。研究为优化人机协作策略、提升交互自然性提供了理论依据，并展望了在工业、医疗、教育和服务领域的应用前景。

本研究探讨了人类运动学习的建模与评估以及运动干扰与运动速度的关系。通过虚拟镜像游戏和捏握操作器采集数据，采用自由能模型、LSTM网络和基于树的机器学习方法对运动学习进行建模与预测，结果表明模型具有良好的拟合与预测能力。同时发现运动速度显著影响运动干扰程度，快速运动可降低干扰。研究成果在个性化康复治疗和优化人机协作安全性方面具有广泛应用潜力。未来将通过扩大样本、完善模型和拓展应用场景进一步深化研究。

本文探讨了机器人面部自我意识与人类运动学习的前沿研究。通过基于条件生成对抗网络（CGAN）的方法，机器人能够根据电机角度生成面部图像，实现面部自我意识，并通过FID和部分镜像测试进行评估。同时，研究利用捏合操作器与虚拟现实镜像游戏对人类运动学习进行建模，结合自由能模型与机器学习算法分析运动学数据，为中风康复提供新思路。两项技术的融合为社交机器人、康复机器人及个性化医疗方案的发展提供了创新方向。

本文探讨了机器人交互与自我认知领域的两项重要研究进展：一是通过情感行为增强透明交互式强化学习中人机协作的效率与理解；二是提出基于条件生成对抗网络（CGAN）的机器人面部自我认知方法，实现从电机角度参数生成面部图像，并通过PCA区分自我与他人面部。研究构建了Zeno机器人面部数据集并验证了模型的有效性，结果表明该方法能支持实时自我认知。未来方向包括扩大参与者样本、优化奖励机制及提升模型在复杂社交场景中的表现。

本研究提出了一种基于情感行为的透明交互式强化学习方法，通过设计指向情感（恐惧、希望）和反馈情感（悲伤、喜悦）来增强机器人学习过程的可读性与可预测性。在基于Mastermind游戏的教学场景中，比较了仅响应用户反馈的条件（C1）与同时表达动作不确定性情感的条件（C2）。初步用户研究表明，C2条件下参与者更倾向于认为机器人从反馈中学习，显示出更高的透明度趋势，但统计上未达显著差异。尽管同理心水平在两组间相似，结果仍支持情感表达对人机信任与互动的潜在促进作用。未来工作将扩大样本、优化模型并拓展至教育和服务机器人应

本文探讨了非人形社交机器人ClassMate的情感表达能力及其在交互式强化学习中的应用。通过在线问卷研究，分析了面部表情、身体动作和声音等不同模态对情感识别的影响，发现多模态交互显著提升情感理解，尤其是副语言线索的关键作用。同时，研究显示在强化学习中融入情感行为可增强用户同理心与系统透明度。未来方向包括优化复杂情绪表达、提升学习效率及多场景应用融合。

本文探讨了人机交互中的非语言策略与非人形社交机器人的情感透明度。通过实验分析发现，机器人的凝视方向在传达社交意图方面比运动轨迹更为重要，而单一感官模式有时足以有效传递情感。研究还指出，在教育等应用场景中需关注长期互动效果与用户年龄差异。未来的研究可拓展至不同机器人设计、复杂路径、多年龄段及医疗、娱乐等应用领域，以提升人机交互的自然性与情感交流能力。

本文探讨了人机交互中的非语言策略与动作传染现象，重点分析了机器人动作如何影响人类的行为以及机器人的注视和接近策略如何传达社交意图。研究发现，机器人的谨慎动作可引发人类伸手动作变慢，表现出动作传染；而社交注视比接近方式更能清晰传达交互意图。通过合理设计机器人的非语言行为，可提升人机交互的效率与质量。

本研究探讨了机器人如何通过调整末端执行器的运动来传达物体的隐藏属性，并影响人类的协作行为。实验结果表明，人类能够以78.75%的准确率正确解读机器人运动所传递的信息，其中对谨慎运动的识别率达90%。同时，机器人的运动风格会引发人类自发的运动适应，表现出明显的运动传染现象。研究验证了运动作为隐式交流渠道在人机交互中的有效性，为未来自然、高效的人机协作系统设计提供了理论依据和实践方向。

本文介绍了一种用于社交辅助机器人实时识别用户需求的模型与架构。通过大量实验筛选出性能最优的随机森林算法，并结合Eye Gaze和Language组件构建多模态融合系统。架构在真实场景中实现了对用户是否需要帮助的准确判断，F1分数达到0.79。文章详细阐述了模型实验、实时处理流程、数据收集与标注方法，并通过评估验证了系统的有效性。同时指出了当前注视模型灵活性不足和多级别标签利用不充分等问题，提出了改进方向和未来发展趋势，包括更智能的注视分析、多级响应机制以及深度学习与强化学习的应用前景。

本文提出了一种用于识别用户何时需要社交机器人帮助的多模态实时架构。该架构结合用户的眼神注视、语言表达和任务进展等多种模态信息，通过独立模型分析与融合模型判断，实现对用户需求的主动识别。研究首先开发了基于相互注视、确认性注视、关键词匹配和任务规划的独立模型，并采用滑动窗口与多种机器学习算法进行决策级融合。实验结果表明，融合模型在召回率和整体性能上优于单一模态模型，尤其以随机森林表现稳定。随后构建了包含数据采集、预处理、模型推理与融合的实时系统，并在实际场景中验证其有效性。尽管存在语言理解不足和复杂情境适应性有

本文提出了一种基于多模态解释的情感人机交互方法，结合逐层相关性传播（LRP）和局部可解释模型无关解释（LIME）技术，实现对面部情感识别过程的可视化与语言化解释。通过VGG16模型提取像素级热图作为视觉反馈，并利用Openface检测动作单元（AUs），结合LIME生成AU贡献解释，以语音形式提供语言反馈。系统在KDEF数据集上达到91.4%的准确率，并在Pepper机器人上实现了实时多模态解释交互。实验结果表明，该方法有助于提升用户对机器人情感识别决策的信任度。未来工作将聚焦于信任评估测试及多模态解释的进

本文研究了人机交互中个人数据的分类方法及其对用户情感交互的影响。通过因子分析将13类个人信息划分为低、中、高三个关注等级，并探讨性别、年龄和人格类型对数据敏感性的影响。同时，提出一个多模态情感交互解释框架，结合LRP热图与LIME语言解释，提升用户对机器人情绪识别过程的理解与信任。研究为机器人设计、数据安全策略及可解释AI应用提供了理论支持与实践指导，并展望未来在多样化场景与新兴技术中的拓展方向。