2026年10月20日，一篇題為《Human-Robot Interaction via Meta-Learning Based Mode Recognition and Adaptive Control》（基於元學習模式識別與自適應控制的人機交互）的論文以預印本形式提交至 arXiv，編號為 arXiv:2610.28761v1，作者為 Nuo Chen 與 Ya-Jun Pan，學科分類為機器人學（cs.RO）。該論文關注物理人機交互（HRI）中的一個核心難題：在人機協作任務中，人類可能處於主動引導（active guiding）狀態，也可能處於被動跟隨（passive following）狀態，而這兩種交互模式對應着截然不同的控制目標。機器人若不能準確判斷當前處於哪種模式，就難以選擇合適的控制策略。
論文指出，現有的大多數方法依賴預先定義的切換閾值來區分交互模式。這類基於閾值的方法雖然實現簡單，但性能對測量噪聲較為敏感——當力傳感器或位置測量存在噪聲時，閾值判斷容易出現誤判，進而導致控制目標切換錯誤，影響交互的安全性與流暢性。為克服這一侷限，作者提出了一個包含三項關鍵貢獻的新框架。
第一項貢獻是一個通過元學習（meta-learning）訓練的神經網絡（NN），用於在無需人工設定閾值的情況下識別人類意圖。特別值得注意的是，作者將控制器中與力相關的參數（force-dependent parameters）成功納入識別網絡，從而顯著提升了模式識別準確率：被動模式的識別率從 90.1% 提升至 99.1%，主動模式的識別率從 79.8% 提升至 97.1%。這一改進表明，把控制層面的物理信息反饋給學習型識別模塊，可以有效彌補純數據驅動方法在噪聲條件下的不足。
第二項貢獻是引入了一個自適應元學習控制器，用於補償人類施加的擾動，並能夠針對不斷變化的交互力進行在線自適應調整。第三項貢獻是設計了一種多軌跡元學習（multiple-trajectory meta-learning）算法，聯合學習環境基表示（environment-basis representation）與力相關參數，使控制器能夠高效應對未建模動態（unmodeled dynamics）。
作者在摘要中表示，實驗結果證明該框架在實現穩健、精確的控制性能的同時，還能提供可靠的模式識別，從而支持安全且具備自適應能力的物理人機交互。需要説明的是，該論文目前為 arXiv 預印本（v1 版本於 2026 年 10 月 20 日 18:03:20 UTC 提交，全文約 4,975 KB），尚未經過同行評審，相關結論仍需後續獨立驗證；其 DOI（https://doi.org/10.48550/arXiv.2610.28761）由 DataCite 發放，註冊狀態為待定。