意图推断远程操作有助于协调操作员目标并与机器人合作伙伴协调行动。 然而,当前的意图推断方法通常忽略了微妙的运动,这些运动可以成为意图突然变化的有力指标。 具体来说,我们的目标是解决1)如果我们能够检测到操作员轨迹中的突然跳跃,2)我们如何适当地使用这些突然跳跃运动来推断操作员的目标状态,3)如何将这些不连续的动态结合起来来推断操作员运动。 我们的框架,称为Psychic,通过跳跃式漂移随机微分方程对这些小指示性运动进行建模,以涵盖不连续和连续的动力学。 Kramers-Moyal(KM)系数允许我们使用一个轨迹来检测跳跃,我们与统计异常值检测算法配对以指定目标过渡。 通过识别跳跃,我们可以对现有目标进行早期检测,并在非结构化场景中发现未定义的目标。 然后,我们的框架应用了使用目标转换的KM系数(SINDy)模型的稀疏识别非线性动力学(SINDy)模型,作为控制输入,以推断操作员在非结构化场景中的运动行为。 我们证明Psychic可以产生概率可到达性集,并将我们的策略与负日志概率模型拟合进行比较。 我们在免提远程操作任务中对600个操作员轨迹进行了回顾性研究,以评估我们的开源包Psychic在离线和在线学习中的功效。