💻 computer science

StARS: Socially Appropriate Robot Actions via a Recommender System-Driven Approach

Das Paper stellt StARS vor, ein modellagnostisches Framework, das Techniken von Empfehlungssystemen nutzt, um die inter-subjektive Variabilität in der Mensch-Roboter-Interaktion zu adressieren, indem es personalisierte, sozial angemessene Roboteraktionen generiert, die auf individuelle Nutzernormen und spezifische Kontexte zugeschnitten sind.

Ursprüngliche Autoren: Erencem Ozbey, Fethiye Irmak Dogan, Jin Huang, Hatice Gunes

Veröffentlicht 2026-07-27

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Erencem Ozbey, Fethiye Irmak Dogan, Jin Huang, Hatice Gunes

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreten einen Raum voller Menschen und ein freundlicher Roboter versucht, behilflich zu sein. Für uns mag „Hilfsbereitschaft“ für jeden gleich aussehen, aber in der Welt der Mensch-Roboter-Interaktion (HRI) sind soziale Regeln überraschend persönlich. Was der eine als charmant und hilfreich empfindet, findet der andere vielleicht gruselig oder sogar gefährlich. Dies ist das schwierige Rätsel, das Wissenschaftler zu lösen versuchen: Wie bringen wir Robotern bei, den Raum und die spezifische Person darin zu lesen?

Das Paper geht dies an, indem es einen cleveren Trick aus einer Technologie entlehnt, die wir alle jeden Tag nutzen: das Empfehlungssystem. Wissen Sie, wie Netflix oder Spotify Musikvorschläge machen? Sie raten nicht einfach, was alle mögen; sie schauen darauf, was Sie in der Vergangenheit speziell mochten, gemischt mit dem, was Menschen, die Ihnen ähnlich sind, genossen haben. Die Forscher erkannten, dass die Entscheidung, ob eine Roboteraktion „sozial angemessen“ ist, der Auswahl eines Films sehr ähnlich ist. Es ist keine einzige universelle Wahrheit; es ist eine Frage des persönlichen Geschmacks. Indem sie Roboteraktionen wie „Artikel“ und Menschen wie „Nutzer“ behandeln, können sie Mathematik, die für Filmempfehlungen entwickelt wurde, nutzen, um dem Roboter zu helfen, genau herauszufinden, was ein spezifischer Mensch in einem bestimmten Moment von ihm erwartet.

Das Problem: Einheitsgröße passt nicht jedem

Lange Zeit wurden Roboter darauf trainiert, nach dem Verhalten zu handeln, das der „Durchschnittsmenschen“ als angemessen empfunden wird. Wenn 51 % der Menschen fanden, dass das Schwenken eines Arms durch einen Roboter in Ordnung sei, dann tat der Roboter dies. Doch die Autoren weisen auf einen entscheidenden Fehler in diesem Ansatz hin: Soziale Angemessenheit ist nicht universell. Auf einer belebten Party liebt vielleicht eine Person, dass ein Roboter ihr ein Getränk serviert, während eine andere dies für eine Stolperfalle oder eine Verletzung der Privatsphäre hält. Wenn ein Roboter ständig basierend auf dem „Durchschnitt“ falsch rät, werden die Menschen genervt sein, das Vertrauen verlieren und die Interaktion mit ihm einstellen.

Das Paper argumentt, dass wir aufhören müssen, nach einem „perfekten“ Roboterverhalten zu suchen, und statfangen müssen, Roboter zu bauen, die sich an Ihre spezifischen Vorlieben anpassen können.

Die Lösung: StARS (Socially Appropriate Robot Actions)

Um dies zu lösen, entwickelte das Team ein neues Framework namens StARS. Stellen Sie sich StARS als einen „persönlichen Stylisten“ für das Verhalten eines Roboters vor. Anstatt nur die Szene (den Raum, die Menschen, die Objekte) zu betrachten, schaut StARS darauf, wer zuschaut.

So funktioniert es, erklärt durch eine einfache Analogie:
Stellen Sie sich vor, Sie versuchen zu erraten, welche Pizza-Belegung ein Freund mag.

Der alte Weg: Sie fragen 100 Leute, was sie mögen, nehmen den Durchschnitt und raten „Salami“, weil das am populärsten ist. Ihr Freund hasst aber Salami.
Der StARS-Weg: Sie schauen sich die vergangenen Pizza-Bestellungen Ihres Freundes an. Sie bemerken auch, dass Ihr Freund meistens die gleichen Beläge mag wie sein bester Freund, der Pilze liebt. StARS kombiniert diese Hinweise. Es sagt: „Dieser spezifische Mensch möchte in dieser spezifischen Situation wahrscheinlich Pilze, auch wenn die Menge Salami möchte.“

Technisch gesehen nutzt StARS eine Methode namens Collaborative Filtering. Das ist dieselbe Mathematik, die Netflix verwendet. Es erstellt eine riesige mentale Tabelle, in der es verfolgt:

Nutzer: Die verschiedenen Personen (Annotatoren), die die Roboteraktionen bewertet haben.
Artikel: Die verschiedenen Roboteraktionen (wie „Essen servieren“ oder „aus dem Weg gehen“).
Kontext: Die Szene (eine Küche, ein Flur, ein Park).

Durch die Analyse dieser Tabelle lernt StARS verborgene Muster. Es könnte erkennen, dass „Nutzer A“ Roboter in engen Fluren immer als zu nah empfindet, während „Nutzer B“ sie als zu weit weg wahrnimmt. Dann nutzt es diese Muster, um vorherzusagen, was dieser spezifische Nutzer in einer neuen Situation als angemessen empfinden würde, selbst wenn der Roboter ihn noch nie zuvor getroffen hat.

Was sie herausgefunden haben

Die Forscher testeten StARS auf zwei verschiedenen Datensätzen: einen über Roboter, die Hausarbeit im Wohnzimmer erledigen (MannersDB+), und einen über Roboter, die sich durch Menschenmengen bewegen (SocNav1). Sie probierten es mit vielen verschiedenen „Gehirn“-Modellen (Backbones) aus, um zu sehen, ob es generell funktioniert.

Die Ergebnisse waren durchweg positiv:

Bessere Genauigkeit: Als sie StARS zu ihren Robotermodellen hinzufügten, verbesserten sich die Vorhersagen signifikant. Beispielsweise sank die Fehlerrate (RMSE) beim Wohnzimmer-Datensatz für ihr bestes Modell von etwa 1,27 auf 1,09.
Bessere Übereinstimmung: Die Vermutungen des Roboters stimmten viel enger mit der menschlichen Meinung überein. Die Korrelation (ein Maß dafür, wie gut die Meinung des Roboters mit der des Menschen übereinstimmte) sprang auf dem Wohnzimmer-Datensatz von etwa 0,30 auf 0,57.
Es funktioniert mit wenig Daten: Eine der größten Herausforderungen bei der Personalisierung ist, dass man nicht für jeden einzelnen Menschen viele Daten hat. Das Team fand heraus, dass StARS sehr gut darin ist, aus nur wenigen Beispielen zu lernen. Selbst als sie dem System nur 10 % der verfügbaren Daten gaben, erzielte es immer noch enorme Verbesserungen gegenüber der alten „Durchschnitts“-Methode. Je mehr Daten sie hinzufügten, desto besser wurde der Roboter, aber der größte Sprung geschah bereits früh.

Warum das wichtig ist

Das Paper legt nahe, dass wir nicht das gesamte Denken eines Roboters neu gestalten müssen, um ihn persönlicher zu machen. Stattdessen können wir einfach eine „Empfehlungsschicht“ über jedes bestehende Robotergehirn legen. Dies macht es möglich, Roboter in echten Haushalten und Krankenhäusern einzusetzen, in denen jeder Mensch anders ist.

Die Autoren merken vorsichtig an, dass sie das Problem sozialer Roboter nicht für immer „gelöst“ haben. Soziale Situationen sind komplex und es gibt nach wie vor viel Mehrdeutigkeit. Ihre Arbeit deutet jedoch darauf an, dass die Behandlung von sozialer Angemessenheit als ein Problem des persönlichen Geschmacks – statt als eine universelle Regel – ein leistungsstarker und dateneffizienter Weg ist, um Roboter zu erschaffen, die tatsächlich zu uns passen. Indem sie die gleiche Logik verwenden, die Ihnen hilft, Ihr nächstes Lieblingslied zu finden, könnten wir endlich Roboter bekommen, die genau wissen, wie sie sich in Ihrer Gegenwart verhalten sollen.

Technisches Resümee: StARS – Sozial angemessene Roboteraktionen über einen durch ein Empfehlungssystem gesteuerten Ansatz

1. Problemstellung

Soziale Angemessenheit in der Mensch-Roboter-Interaktion (HRI) ist nicht universell; sie weist eine signifikante inter-subjektive Variabilität auf. Dieselbe Roboteraktion in einem identischen Kontext kann von einem Nutzer als hilfreich und von einem anderen als aufdringlich oder unsicher wahrgenommen werden. Bestehende Ansätze verlassen sich oft auf aggregierte menschliche Bewertungen oder geteilte Repräsentationen von Angemessenheit, was bedeutsame Unstimmigkeiten glättet und es versäumt, individuelle Nutzernormen zu erfassen. Diese Einschränkung behindert den Einsatz von Robotern in Umgebungen mit geringer Distanz (z. B. Haushalte, Pflege), in denen Personalisierung essenziell ist.

Die zentrale Herausforderung besteht darin, wie sozial angemessene Aktionen modelliert und vorhergesagt werden können, die mit spezifischen Nutzerpräferenzen übereinstimmen, insbesondere wenn das Feedback zu Präferenzen spärlich und kostspielig in der Erhebung ist. Die Autoren formulieren die Generierung sozial angemessener Aktionen als ein Präferenzmodellierungsproblem um und lassen sich dabei von Empfehlungssystemen (Recommender Systems, RS) inspirieren, indem sie Annotatoren als Nutzer, Szenen als Items und Angemessenheitswerte als Zielgrößen behandeln.

2. Methodik: Das StARS-Framework

Die Autoren schlagen StARS (Socially Appropriate Robot Actions) vor, ein modellagnostisches Framework, das kollaboratives Filtern (Collaborative Filtering, CF) mit lernbaren Szenenrepräsentationen integriert.

A. Problemformulierung

Anstatt einen aggregierten Score $y_{i,a}$ für eine Szene $i$ und eine Aktion $a$ vorherzusagen, sagt StARS einen personalisierten Score $\hat{y}_{u,i,a}$ für einen spezifischen Nutzer $u$ voraus. Das System lernt aus einem Datensatz $D$ von Annotationen $(u, i, a, y_{u,i,a})$ .

B. Architektur und Komponenten

StARS erweitert einen differenzierbaren Szenen-Encoder $\phi_\theta$ um ein Modul für kollaboratives Filtern basierend auf der Matrixfaktorisierung (MF). Die Vorhersagefunktion $f(u, i, x_i, a)$ kombiniert:

Latente Faktoren: Gemeinsame Nutzer-Embeddings ( $p_u$ ) und gemeinsame Szenen-Embeddings ( $q_i$ ), die mittels MF gelernt wurden, um systematische Bewertungstendenzen zu erfassen.
Aktions-Embeddings: Aktionsspezifische Embeddings ( $r_a$ ), um mehrere Kandidatenaktionen zu handhaben.
Residual Fusion: Um Datenknappheit zu mildern und Inhaltsinformationen einzubeziehen, fusioniert das Framework kollaborative Signale mit Szeneninhalt-Merkmalen ( $h_i = \phi_\theta(x_i)$ $h_{i} = ϕ_{θ} (x_{i})$ ):
- Scene Residual Fusion: Ein hybrides Szenen-Embedding $\bar{q}_i = q_i + h_i$ bereichert das kollaborative Item-Embedding mit Inhaltsmerkmalen (z. B. räumliche Anordnung, Objektbeziehungen).
- Interaction Residual Fusion: Die endgültige Vorhersage beinhaltet die Nutzer-Szene-Interaktion ( $p_u \odot \bar{q}_i$ ) und fügt das Inhaltsmerkmal $h_i$ als Residualterm hinzu. Dies bietet eine nutzerunabhängige Inhalts-Abkürzung, die Vorhersagen stabilisiert, wenn kollaborative Faktoren schwach geschätzt werden (Sparse-Regime).

Die endgültige Vorhersagegleichung lautet:
$\hat{y}_{u,i,a} = \left( (p_u \odot \bar{q}_i) + h_i \right)^\top r_a + b_u + b_i + b$
wobei die $b$ -Terme globale, Nutzer- und Szenen-Offsets darstellen.

C. Trainingsstrategie

StARS verwendet ein zweistufiges Trainingsprotokoll:

Pre-Training des Szenen-Encoders: Der Szenen-Encoder $\phi_\theta$ wird mit einem temporären linearen Kopf vortrainiert, um die Angemessenheit einer Aktion allein aus den Szenenmerkmalen vorherzusagen.
End-to-End Joint Optimization: Der vortrainierte Encoder wird eingefroren (oder feinjustiert) und gemeinsam mit den CF-Parametern ( $p_u, q_i, r_a, b$ ) unter Verwendung des vollständigen personalisierten Vorhersageziels optimiert.

3. Zentrale Beiträge

Reformulierung der HRI: Die Arbeit definiert die Generierung sozial angemessener Aktionen als ein Präferenzschätzungsproblem unter Verwendung von Techniken aus Empfehlungssystemen um und modelliert explizit die inter-nutzerbezogene Diskrepanz, anstatt sie zu aggregieren.
Modellagnostisches Framework: StARS ist darauf ausgelegt, mit verschiedenen Szenen-Encodern (z. B. MLPs, Transformer, Graph Neural Networks) und Backbones integriert zu werden, ohne das zugrunde liegende Modell neu entwerfen zu müssen.
Robustheit gegenüber Feedback-Knappheit: Das Framework adressiert gezielt die Herausforderung des spärlichen Präferenz-Feedbacks, indem es kollaboratives Filtern nutzt, um nutzerspezifische Muster aus begrenzten Daten abzuleiten.
Empirische Validierung: Der Ansatz wird auf zwei unterschiedlichen Datensätzen evaluiert: MannersDB+ (häusliche Aufgaben auf Aktionsebene) und SocNav1 (sozial konforme Navigation).

4. Experimentelle Ergebnisse

Die Autoren evaluierten StARS gegen verschiedene Backbone-Modelle (MLP, ResMLP, DCNv2, GraceAE, FT-Transformer für MannersDB+; GCN, GIN, GraphSAGE, GGNN, RGCN, GAT für SocNav1) unter Verwendung einer fünffachen Kreuzvalidierung.

Leistungssteigerung (RQ1): Über alle Backbones und Datensätze hinweg führte die Integration der CF-Komponente (StARS) konsistent zu besseren Ergebnissen als die Basismodelle.
- Auf MannersDB+ zeigten StARS-Varianten substantielle Redukktionen des RMSE (z. B. von ~1,27 auf ~1,13 bei MLP) und signifikante Steigerungen der Pearson-Korrelation ( $r$ ) sowie von Lin's Concordance Correlation Coefficient (CCC).
- Auf SocNav1 erreichten StARS-Varianten niedrigere MSE-Werte und höhere Korrelationsmetriken über alle getesteten Graph Neural Network Architekturen hinweg.
Konsistenz und Systematik (RQ2): Statistische Analysen (gepaarte t-Tests mit Holm-Korrektur) bestätigten, dass die Verbesserungen systematisch waren und keine Artefakte spezifischer Folds oder Modelle darstellten. Die Gewinne waren statistisch signifikant ( $p < 0,05$ ) über alle getesteten Konfigurationen hinweg.
Robustheit gegenüber Spärlichkeit (RQ3): Lernkurven-Experimente zeigten, dass StARS selbst bei begrenzten Trainingsdaten (Low-Data-Regime) erhebliche Leistungssteigerungen bietet. Die Leistung verbesserte sich schnell mit frühen Annotationen, was darauf hindeutet, dass die Methode dateneffizient und für Szenarien geeignet ist, in denen die Erhebung personalisierter Rückmeldungen kostspielig ist.

5. Bedeutung und Ansprüche

Die Arbeit behauptet, dass StARS die Lebensfähigkeit von Empfehlungssystem-Methoden als skalierbaren Ansatz für die personalisierte Entscheidungsfindung in der Robotik demonstriert.

Personalisierung ohne Redesign: Das Framework ermöglicht eine nutzerspezifische Aktionsauswahl, ohne dass der zugrunde liegende Wahrnehmungs- oder Entscheidungs-Backbone neu entworfen werden muss, was ein adaptiveres Verhalten in der realen HRI unterstützt.
Strukturierte Variabilität: Die Ergebnisse legen nahe, dass die Variation in den Urteilen zur sozialen Angemessenheit strukturiert ist und effektiv durch die Modellierung der Nutzer-Szene-Interaktion erfasst werden kann, anstatt lediglich zufälliges Rauschen zu sein.
Dateneffizienz: Der Ansatz bietet einen praktischen Weg für die Personalisierung in der HRI, in der Daten knapp sind, was impliziert, dass eine geringe Anzahl früher Interaktionen bereits aussagekräftige Schätzungen der nutzerspezifischen Präferenzen liefern kann.

Die Autoren kommen zu dem Schluss, dass sich die RS-Formulierung von StARS, obwohl sie sich auf soziale Angemessenheit konzentriert, auch auf andere personalisierungszentrierte HRI-Aufgaben wie kollaborative Montage oder adaptive Assistenz ausweiten könnte, sofern geeignete Feedback-Mechanismen vorhanden sind.