StARS：基于推荐系统的方法实现社交上合适的机器人行为
本文提出StARS框架，将社交合适的行为生成重新定义为偏好建模问题，借鉴推荐系统思想，融合协同过滤与可学习场景表示，生成个性化的机器人行为评分。在MannersDB+和SocNav1数据集上，StARS显著提升了性能与标注者一致性，支持根据用户规范进行个性化行动选择。
来自剑桥大学的研究团队提出了一种名为StARS的新框架，旨在解决人机交互（HRI）中社交合适行为生成的非普遍性问题。不同的人可能对同一机器人行为给出截然不同的评价，因此需要一种能够捕捉个体差异的方法。受推荐系统启发，研究者将这一问题重新定义为偏好建模：将标注者视为用户，上下文/场景视为项目，候选机器人行为的合适性得分作为目标。
StARS是一个模型无关的框架，可以集成多种场景编码器和骨干网络，无需重新设计底层模型即可实现个性化。它通过协同过滤与可学习场景表示的融合，为每个用户生成针对候选行为的个性化合适性评分。具体来说，StARS将协同过滤的思想应用于社交机器人领域，通过分析不同用户对相似场景的行为偏好来预测新场景下的合适性。同时，可学习的场景表示能够自动提取环境中的关键特征，避免了手动设计特征的不便。
该方法在两个社交感知机器人数据集（MannersDB+和SocNav1）上进行了全面评估，并分析了在稀疏偏好反馈下的鲁棒性。实验结果表明，StARS在所有数据集和骨干网络上均一致性地提升了性能及与标注者的一致性，实现了与用户规范相符的个性化行动选择。即使在只有少量用户反馈的情况下，StARS仍能保持较好的预测精度，展现出强大的鲁棒性。
这项研究的另一个亮点是其开放性和可重复性。研究团队已将StARS的完整代码公开于GitHub（https://github.com/Cambridge-AFAR/StARS.git），方便其他研究者复现结果并在此基础上进行改进。此外，该工作已被IROS 2026接收，这是机器人领域的重要国际会议，进一步证明了其学术价值。
总结来说，StARS通过将推荐系统方法引入社交机器人领域，成功解决了社交合适行为生成中的个体差异问题，为机器人实现更自然、更个性化的社交互动提供了新的思路。未来，该框架有望扩展到更多应用场景，如服务机器人、辅助机器人等，推动人机交互向更智能、更贴心的方向发展。