何時個性化家庭物品搜索：一種基於剛性的門控混合策略
服務機器人在搜索家庭物品時依賴於空間先驗知識來降低搜索成本，但物品的位置可能因居民特徵而異。收集特定特徵的縱向居家軌跡具有侵入性且難以擴展。本文研究了何時個性化有幫助，並提出了PerSim——一種剛性門控混合策略，結合了特徵條件先驗和人羣頻率基線，僅在放置行為多變時進行個性化。通過人類校準的模擬流程生成並驗證了不同家庭佈局中的物品放置轉換，並訓練了一個預測器，輸入連續的大五人格向量以輸出房間級先驗和房間內共現線索。一項統一的用户研究（N=200）表明，合成轉換在行為上合理，並且個性化主要適用於低剛性物品，而人羣頻率基線對普遍放置的物品仍然有效。離線測試顯示在未見過的連續特徵向量上性能優於最近離散配置匹配。在家庭數字孿生中，PerSim通過結合房間訪問努力和房間內線索檢查降低了預期搜索成本。
服務機器人在家庭環境中搜索物品時，通常依賴空間先驗知識來減少搜索時間。然而，物品的放置位置往往因居民的個人習慣和性格特徵而異。例如，外向的人可能將遙控器放在客廳顯眼處，而內向的人則可能將其收進抽屜。傳統的個性化方法需要收集大量家庭軌跡數據，這不僅侵犯隱私，而且難以在不同家庭中推廣。針對這一問題，來自多所大學的研究團隊提出了一種名為PerSim的剛性門控混合策略，旨在決定何時進行個性化搜索。
PerSim的核心思想是結合兩種信息來源：一是基於居民性格特徵（如大五人格）的條件先驗，二是基於人羣統計的頻率基線。當物品的放置行為在多個人之間變化較大時（即低剛性），PerSim會啓用個性化先驗；而對於幾乎所有家庭都放在固定位置的物品（高剛性），則使用通用基線。這種門控機制避免了不必要的個性化計算，同時保留了關鍵場景下的適應性。
為了模擬居民特徵對物品放置的影響，研究人員開發了一套人類校準的仿真流程。他們生成了不同家庭佈局中的物品放置轉換數據，並邀請參與者評估這些合成轉換的行為合理性。在200人的統一用户研究中，合成轉換獲得了平均3.85/5的合理性評分（p<1e-6），表明仿真數據質量可靠。進一步的A/B測試顯示，參與者明顯更偏好對低剛性物品進行個性化搜索（p=0.005），而對於高剛性物品，人羣基線表現同樣優秀。
在離線客觀測試中，PerSim使用連續大五人格向量作為輸入，與基於最近離散配置匹配的方法相比，在未見過的特徵向量上取得了小幅但顯著的改進（p=0.035）。這表明PerSim能夠在大五人格的五維空間中進行有效的插值，而不僅僅是匹配最接近的已知配置。
最終，在家庭數字孿生仿真中，PerSim通過結合房間訪問成本和房間內線索檢查，將預期搜索成本降低了顯著比例。這一結果展示了端到端的性能提升，超越了僅僅優化單個預測指標的方法。該研究為服務機器人如何在實際家庭中平衡個性化和通用性提供了實用指南，有助於推動機器人在真實世界中的部署。