何时个性化家庭物品搜索：一种基于刚性的门控混合策略
服务机器人在搜索家庭物品时依赖于空间先验知识来降低搜索成本，但物品的位置可能因居民特征而异。收集特定特征的纵向居家轨迹具有侵入性且难以扩展。本文研究了何时个性化有帮助，并提出了PerSim——一种刚性门控混合策略，结合了特征条件先验和人群频率基线，仅在放置行为多变时进行个性化。通过人类校准的模拟流程生成并验证了不同家庭布局中的物品放置转换，并训练了一个预测器，输入连续的大五人格向量以输出房间级先验和房间内共现线索。一项统一的用户研究（N=200）表明，合成转换在行为上合理，并且个性化主要适用于低刚性物品，而人群频率基线对普遍放置的物品仍然有效。离线测试显示在未见过的连续特征向量上性能优于最近离散配置匹配。在家庭数字孪生中，PerSim通过结合房间访问努力和房间内线索检查降低了预期搜索成本。
服务机器人在家庭环境中搜索物品时，通常依赖空间先验知识来减少搜索时间。然而，物品的放置位置往往因居民的个人习惯和性格特征而异。例如，外向的人可能将遥控器放在客厅显眼处，而内向的人则可能将其收进抽屉。传统的个性化方法需要收集大量家庭轨迹数据，这不仅侵犯隐私，而且难以在不同家庭中推广。针对这一问题，来自多所大学的研究团队提出了一种名为PerSim的刚性门控混合策略，旨在决定何时进行个性化搜索。
PerSim的核心思想是结合两种信息来源：一是基于居民性格特征（如大五人格）的条件先验，二是基于人群统计的频率基线。当物品的放置行为在多个人之间变化较大时（即低刚性），PerSim会启用个性化先验；而对于几乎所有家庭都放在固定位置的物品（高刚性），则使用通用基线。这种门控机制避免了不必要的个性化计算，同时保留了关键场景下的适应性。
为了模拟居民特征对物品放置的影响，研究人员开发了一套人类校准的仿真流程。他们生成了不同家庭布局中的物品放置转换数据，并邀请参与者评估这些合成转换的行为合理性。在200人的统一用户研究中，合成转换获得了平均3.85/5的合理性评分（p<1e-6），表明仿真数据质量可靠。进一步的A/B测试显示，参与者明显更偏好对低刚性物品进行个性化搜索（p=0.005），而对于高刚性物品，人群基线表现同样优秀。
在离线客观测试中，PerSim使用连续大五人格向量作为输入，与基于最近离散配置匹配的方法相比，在未见过的特征向量上取得了小幅但显著的改进（p=0.035）。这表明PerSim能够在大五人格的五维空间中进行有效的插值，而不仅仅是匹配最接近的已知配置。
最终，在家庭数字孪生仿真中，PerSim通过结合房间访问成本和房间内线索检查，将预期搜索成本降低了显著比例。这一结果展示了端到端的性能提升，超越了仅仅优化单个预测指标的方法。该研究为服务机器人如何在实际家庭中平衡个性化和通用性提供了实用指南，有助于推动机器人在真实世界中的部署。