StARS：推薦システム駆動アプローチによる社会的に適切なロボット行動

ケンブリッジ大学の研究チームは、ヒューマン・ロボット・インタラクション（HRI）における社会的に適切な行動生成の課題に取り組む新しいフレームワーク「StARS」を提案した。適切性は人によって異なるため、個人差を捉える手法が必要である。研究チームは、推薦システムに着想を得て、この問題を選好モデリングとして再定義。アノテータをユーザ、コンテキスト/シーンをアイテム、候補行動の適切性スコアをターゲットとして扱う。

StARSはモデル非依存のフレームワークで、様々なシーンエンコーダやバックボーンと統合可能であり、基盤モデルを再設計せずにパーソナライゼーションを実現する。協調フィルタリングと学習可能なシーン表現を組み合わせ、各ユーザの候補行動に対するパーソナライズされた適切性スコアを生成する。具体的には、協調フィルタリングの考え方をソーシャルロボティクス領域に応用し、類似した状況における異なるユーザの行動選好を分析することで、新しい状況での適切性を予測する。また、学習可能なシーン表現により、環境の重要な特徴を自動抽出でき、手動による特徴設計の手間を省く。

評価はMannersDB+とSocNav1の2つのソーシャルロボティクスデータセットで実施され、さらに疎な選好フィードバックに対するロバスト性も分析された。結果は、StARSが全データセットおよびバックボーンにおいて、パフォーマンスとアノテータとの一致度を一貫して向上させ、ユーザ規範に沿ったパーソナライズされた行動選択を支援することを示した。少ないユーザフィードバックでも高い予測精度を維持し、ロバスト性の高さが証明された。

本研究のもう一つの重要な点は、そのオープン性と再現性である。研究チームはStARSの完全なコードをGitHub（https://github.com/Cambridge-AFAR/StARS.git）で公開しており、他の研究者が結果を再現し、改良を加えることが容易である。さらに、本成果はロボティクス分野の重要な国際会議であるIROS 2026に採択され、その学術的価値が認められた。

要約すると、StARSは推薦システムの手法をソーシャルロボティクスに導入することで、社会的に適切な行動生成における個人差の問題を解決し、より自然でパーソナライズされたロボットの社会的インタラクションを実現する新しい道を開いた。将来的には、サービスロボットやアシストロボットなど、より多くの応用シーンへの展開が期待され、人とロボットのインタラクションをより知的で思いやりのあるものに進化させる可能性を秘めている。