在實際應用中，機器人使用強化學習算法時必須確保安全。安全機器人強化學習（SRRL）對於人機共存至關重要，包括安全探索、安全價值對齊和安全協作等人性化框架。互動行為如ChatGPT可促進人機溝通，增進SRRL效能。然而，互動行為的SRRL仍需關注韌性、效率、透明度和適應性等挑戰。 PubMed DOI

研究發現使用大型語言模型（LLMs）控制機器人情感行為，預測並即時展示情緒，讓機器人展示一致面部表情，讓人覺得更像人類、情感適當，並留下正面印象。結果顯示LLMs能有效生成和控制機器人情感，可能增進治療、陪伴或客戶服務等情境下的人機互動。 PubMed DOI

大型語言模型對機器人任務規劃有幫助，但執行任務時有困難。提出多層模型，逐層分解任務以改善處理。視覺語言模型可幫助環境感知，整合任務目標與環境數據，進行精確運動規劃。語義對齊方法可增強任務可執行性。無人載具實驗驗證了此方法對應機器人任務規劃與執行的有效應對。 PubMed DOI

這個研究旨在幫助代理人更好地理解自然語言指令，探索使用大型語言模型在決策任務中的應用。新方法CPMI整合LLMs和輔助模組，提升了在執行指令方面的表現，尤其在數據有限的情況下。 PubMed DOI

這篇論文探討了在人機合作環境中運用大型語言模型（LLMs）如GPT進行口語溝通的方法。介紹了一個以GPT為核心的機器人代理在Unity VR環境中的模擬框架。透過12位參與者的使用者研究，探討了GPT-4在多機器人環境中的效用。研究結果顯示，使用者可能對與機器人互動有先入為主的看法，但透過自然語言溝通的探索，可以帶來更有效的互動。同時提供了寶貴的教訓和未來研究的建議。 PubMed DOI

本文探討了如何透過大型語言模型（LLM）推動人機互動，並超越傳統的可解釋人工智慧（XAI）範式，考慮LLM的認知解釋。作者方法著重於認知建模、遺傳算法、神經網絡、因果循環動力學和特徵實現等解決方案，使XAI更具目的性和持續性。研究結果顯示，在信息處理中應用LLM需要特定結構條件，尤其在戰略規劃情境下，可加速集體問題解決。這研究有助於各領域發展可解釋的LLM。 PubMed DOI

Teriyaki是一個結合象徵性任務規劃和機器學習的框架，利用像GPT-3這樣的大型語言模型。這個方法旨在解決動態人機協作中的問題，透過逐步生成計劃行動提高效率，同時達成規劃和執行。初步結果顯示有希望的成果，包括更高的問題解決率、更短的計劃時間，以及縮短計劃可用性等待時間。 PubMed DOI

這篇論文提出一種新方法，利用大型語言模型（LLMs）、AI代理和開放地理數據，提升城市騎乘安全。方法包括分析城市風險和現有騎乘設施的數據，並透過數據預處理和提示工程，創建友好的系統，提供騎乘安全見解。過程分為數據準備、代理協調和決策執行三步，確保開源工具有效整合，促進城市規劃者和騎士的可及性。研究顯示結合LLMs和AI代理的潛力，能改善騎乘實踐和城市交通規劃。 PubMed DOI

這篇論文提出一個系統，透過自然語言對話提升人機互動，讓機器人能夠從經驗中學習。系統利用大型語言模型（LLMs）協調機器人行為，生成Python程式碼來控制動作和感知，這些程式碼根據人類指令和環境反饋生成。當LLM誤解指令時，會調用另一個專注於改善程式碼的LLM來學習錯誤。改進的互動會儲存於機器人記憶中，未來能更好處理類似請求。該系統已整合進人形機器人ARMAR-6，並透過模擬和實測評估其有效性，顯示機器人能夠逐步學習並應用知識。 PubMed DOI

隨著人工智慧的快速進步，服務機器人在日常生活中越來越普遍，這要求它們能準確識別人類意圖。現有方法在複雜環境中常常無法達標。為了解決這個問題，我們提出了一個基於大型語言模型和知識圖譜的意圖識別框架（LKIRF）。這個框架結合了大型語言模型和知識圖譜，提升了服務機器人的意圖識別能力。實驗結果顯示，LKIRF在各種場景中的預測準確性超越傳統方法，並增強了意圖推理的透明度和可解釋性。 PubMed DOI