家庭内オブジェクト検索をいつパーソナライズするか：剛性ゲート付きハイブリッドポリシー
サービスロボットが家庭内の物体を探す際、空間的先行知識を用いて探索コストを削減するが、物体の位置は居住者の特性によって変化する。本論文では、PerSim（剛性ゲート付きハイブリッドポリシー）を提案する。これは特性条件付き事前分布と人口頻度ベースラインを組み合わせ、配置行動が変動する場合のみパーソナライズを行う。人間による校正済みシミュレーションパイプラインと統合ユーザー研究（N=200）を通じて、パーソナライズは主に低剛性オブジェクトで好まれ、普遍的に配置されるアイテムについては人口頻度ベースラインが有効であることを示した。オフラインテストでは連続特性ベクトル上の最近傍離散構成マッチングよりも有意な改善が見られ、ホームデジタルツイン実験では期待探索コストの削減が確認された。
サービスロボットが家庭環境で物体を探す際、空間的な事前知識を利用して探索時間を短縮するのが一般的です。しかし、物体の配置場所は居住者の性格や習慣に大きく依存します。例えば、外向的な人はリモコンをリビングの目立つ場所に置く一方、内向的な人は引き出しにしまうかもしれません。従来のパーソナライズ手法は、多くの家庭での軌跡データを収集する必要があり、プライバシー侵害やスケーラビリティの問題がありました。この問題に対処するため、複数の大学の研究者チームがPerSimと呼ばれる剛性ゲート付きハイブリッドポリシーを提案しました。
PerSimの核心は、居住者の性格特性（ビッグファイブなど）に基づく条件付き事前分布と、人口統計に基づく頻度ベースラインの二つを組み合わせることです。物体の配置行動が複数の居住者間で大きく変動する場合（低剛性）、PerSimはパーソナライズされた事前分布を有効にします。一方、ほぼ全ての家庭で同じ場所に置かれる物体（高剛性）については、一般的なベースラインを使用します。このゲート機構により、不要なパーソナライズ計算を避けつつ、重要なシナリオでの適応性を確保します。
居住者の特性が物体配置に与える影響をシミュレートするため、研究者は人間による校正済みのシミュレーションパイプラインを開発しました。異なる家庭レイアウトでの物体配置遷移データを生成し、参加者にその動作の妥当性を評価させました。200人を対象とした統合ユーザー研究では、合成遷移の平均妥当性スコアは3.85/5（p<1e-6）であり、シミュレーションデータの信頼性が実証されました。さらに、ブラインドA/B比較テストでは、参加者は低剛性物体に対してパーソナライズ検索を有意に好むことが示されました（p=0.005）。高剛性物体については、人口頻度ベースラインも同様に良好な結果を示しました。
オフラインの客観的テストでは、PerSimは連続的なビッグファイブベクトルを入力として使用し、最近傍の離散構成マッチング手法と比較して、未見の連続特性ベクトルに対して小幅ながら有意な改善を示しました（p=0.035）。これは、PerSimがビッグファイブの5次元空間で効果的に補間でき、既知の構成に単にマッチングする以上の性能を発揮することを意味します。
最後に、ホームデジタルツインシミュレーションにおいて、PerSimは部屋の訪問コストと部屋内部の手がかりチェックを組み合わせることで、期待探索コストを大幅に削減しました。この結果は、個別の予測指標を最適化するだけでは達成できないエンドツーエンドの性能向上を示しています。本研究は、サービスロボットが実際の家庭で汎用性と個別性のバランスをどのように取るかについて実践的なガイドラインを提供し、現実世界でのロボット展開を促進するものです。