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，旨在解決人機互動（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。受推薦系統啟發，研究者將這一問題重新定義為偏好建模：將標註者視為使用者，上下文/場景視為專案，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，可以整合多種場景編碼器和骨幹網路，無需重新設計底層模型即可實現個性化。它透過協同過濾與可學習場景表示的融合，為每個使用者生成針對候選行為的個性化合適性評分。具體來說，StARS將協同過濾的思想應用於社交機器人領域，透過分析不同使用者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資料集（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在所有資料集和骨幹網路上均一致性地提升了效能及與標註者的一致性，實現了與使用者規範相符的個性化行動選擇。即使在只有少量使用者反饋的情況下，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的完整程式碼公開於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。

總結來說，StARS透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、更個性化的社互動動提供了新的思路。未來，該框架有望擴充套件到更多應用場景，如服務機器人、輔助機器人等，推動人機互動向更智慧、更貼心的方向發展。