StARS：基於推薦系統的方法實現社交上合適的機器人行為

來自劍橋大學的研究團隊提出了一種名為StARS的新框架，旨在解決人機交互（HRI）中社交合適行為生成的非普遍性問題。不同的人可能對同一機器人行為給出截然不同的評價，因此需要一種能夠捕捉個體差異的方法。受推薦系統啓發，研究者將這一問題重新定義為偏好建模：將標註者視為用户，上下文/場景視為項目，候選機器人行為的合適性得分作為目標。

StARS是一個模型無關的框架，可以集成多種場景編碼器和骨幹網絡，無需重新設計底層模型即可實現個性化。它通過協同過濾與可學習場景表示的融合，為每個用户生成針對候選行為的個性化合適性評分。具體來説，StARS將協同過濾的思想應用於社交機器人領域，通過分析不同用户對相似場景的行為偏好來預測新場景下的合適性。同時，可學習的場景表示能夠自動提取環境中的關鍵特徵，避免了手動設計特徵的不便。

該方法在兩個社交感知機器人數據集（MannersDB+和SocNav1）上進行了全面評估，並分析了在稀疏偏好反饋下的魯棒性。實驗結果表明，StARS在所有數據集和骨幹網絡上均一致性地提升了性能及與標註者的一致性，實現了與用户規範相符的個性化行動選擇。即使在只有少量用户反饋的情況下，StARS仍能保持較好的預測精度，展現出強大的魯棒性。

這項研究的另一個亮點是其開放性和可重複性。研究團隊已將StARS的完整代碼公開於GitHub（https://github.com/Cambridge-AFAR/StARS.git），方便其他研究者復現結果並在此基礎上進行改進。此外，該工作已被IROS 2026接收，這是機器人領域的重要國際會議，進一步證明了其學術價值。

總結來説，StARS通過將推薦系統方法引入社交機器人領域，成功解決了社交合適行為生成中的個體差異問題，為機器人實現更自然、更個性化的社交互動提供了新的思路。未來，該框架有望擴展到更多應用場景，如服務機器人、輔助機器人等，推動人機交互向更智能、更貼心的方向發展。