Nghiên cứu đề xuất cách lựa chọn trợ lý cho robot khi xảy ra lỗi trong môi trường không gian, dựa trên các chỉ số cơ hội như trạng thái sinh lý và hiệu suất quá khứ của con người.  

• Phương pháp học tăng cường được áp dụng để tối ưu hóa lựa chọn trợ lý, giúp giảm thiểu “cumulative regret” so với các chính sách tĩnh.  
• - Một bộ dữ liệu thực nghiệm được thu thập từ 17 người tham gia mô phỏng các nhiệm vụ hỗ trợ robot như điều hướng, xử lý mẫu và thao tác.  
• - Các yếu tố như nhịp tim, phản ứng da, mức độ chú ý và tải công việc được sử dụng để dự đoán hiệu suất.  
• - Kết quả cho thấy chính sách học thích ứng vượt trội hơn so với lựa chọn ngẫu nhiên hoặc chính sách tĩnh thông thường.  
• - Phương pháp có tiềm năng ứng dụng rộng rãi trong các hệ thống tự động không hoàn hảo cần sự can thiệp của con người.