2026年10月20日，一篇题为《Human-Robot Interaction via Meta-Learning Based Mode Recognition and Adaptive Control》（基于元学习模式识别与自适应控制的人机交互）的论文以预印本形式提交至 arXiv，编号为 arXiv:2610.28761v1，作者为 Nuo Chen 与 Ya-Jun Pan，学科分类为机器人学（cs.RO）。该论文关注物理人机交互（HRI）中的一个核心难题：在人机协作任务中，人类可能处于主动引导（active guiding）状态，也可能处于被动跟随（passive following）状态，而这两种交互模式对应着截然不同的控制目标。机器人若不能准确判断当前处于哪种模式，就难以选择合适的控制策略。
论文指出，现有的大多数方法依赖预先定义的切换阈值来区分交互模式。这类基于阈值的方法虽然实现简单，但性能对测量噪声较为敏感——当力传感器或位置测量存在噪声时，阈值判断容易出现误判，进而导致控制目标切换错误，影响交互的安全性与流畅性。为克服这一局限，作者提出了一个包含三项关键贡献的新框架。
第一项贡献是一个通过元学习（meta-learning）训练的神经网络（NN），用于在无需人工设定阈值的情况下识别人类意图。特别值得注意的是，作者将控制器中与力相关的参数（force-dependent parameters）成功纳入识别网络，从而显著提升了模式识别准确率：被动模式的识别率从 90.1% 提升至 99.1%，主动模式的识别率从 79.8% 提升至 97.1%。这一改进表明，把控制层面的物理信息反馈给学习型识别模块，可以有效弥补纯数据驱动方法在噪声条件下的不足。
第二项贡献是引入了一个自适应元学习控制器，用于补偿人类施加的扰动，并能够针对不断变化的交互力进行在线自适应调整。第三项贡献是设计了一种多轨迹元学习（multiple-trajectory meta-learning）算法，联合学习环境基表示（environment-basis representation）与力相关参数，使控制器能够高效应对未建模动态（unmodeled dynamics）。
作者在摘要中表示，实验结果证明该框架在实现稳健、精确的控制性能的同时，还能提供可靠的模式识别，从而支持安全且具备自适应能力的物理人机交互。需要说明的是，该论文目前为 arXiv 预印本（v1 版本于 2026 年 10 月 20 日 18:03:20 UTC 提交，全文约 4,975 KB），尚未经过同行评审，相关结论仍需后续独立验证；其 DOI（https://doi.org/10.48550/arXiv.2610.28761）由 DataCite 发放，注册状态为待定。