Resumen Técnico: StARS – Acciones Robóticas Socialmente Apropiadas mediante un Enfoque Basado en Sistemas de Recomendación

1. Planteamiento del Problema

La adecuación social en la Interacción Humano-Robot (HRI) no es universal; exhibe una variabilidad inter-sujeto significativa. La misma acción de un robot en un contexto idéntico puede ser percibida como útil por un usuario y como intrusiva o insegura por otro. Los enfoos actuales suelen depender de calificaciones humanas agregadas o representaciones compartidas de la adecuación, lo que suaviza los desacuerdos significativos y no logra capturar las normas individuales de los usuarios. Esta limitación dificulta el despliegue de robots en entornos de proximidad cercana (por ejemplo, hogares, atención médica) donde la personalización es esencial.

El desafío central abordado es cómo modelar y predecir acciones socialmente apropiadas que se alineen con las preferencias de usuarios específicos, particularmente cuando la retroalimentación de preferencias es dispersa y costosa de recolectar. Los autores reformulan la generación de acciones socialmente apropiadas como un problema de modelado de preferencias, inspirándose en los sistemas de recomendación (RS) para tratar a los anotadores como usuarios, a las escenas como ítems y a las puntuaciones de adecuación como objetivos.

2. Metodología: El Marco de Trabajo StARS

Los autores proponen StARS (Socially Appropriate Robot Actions), un marco de trabajo agnóstico al modelo que integra el Filtrado Colaborativo (CF) con representaciones de escena aprendibles.

A. Formulación del Problema

En lugar de predecir una puntuación agregada $y_{i,a}$ para una escena $i$ y una acción $a$, StARS predice una puntuación personalizada $\hat{y}_{u,i,a}$ para un usuario específico $u$. El sistema aprende de un conjunto de datos $D$ de anotaciones $(u, i, a, y_{u,i,a})$.

B. Arquitectura y Componentes

StARS aumenta un codificador de escena diferenciable $\phi_\theta$ con un módulo de Filtrado Colaborativo basado en la Factorización de Matrices (MF). La función de predicción $f(u, i, x_i, a)$ combina:

1. Factores Latentes: Embeddings de usuario compartidos ($p_u$) y embeddings de escena compartidos ($q_i$) aprendidos mediante MF para capturar tendencias sistemáticas de calificación.
2. Embeddings de Acción: Embeddings específicos de la acción ($r_a$) para manejar múltiples acciones candidatas.
3. Fusión de Residuos: Para mitigar la dispersión de datos e incorporar información de contenido, el marco fusiona señales colaborativas con características de contenido de la escena ($h_i = \phi_\theta(x_i)$):
   • Fusión de Residuos de Escena: Un embedding de escena híbrido $\bar{q}_i = q_i + h_i$ enriquece el embedding de ítem colaborativo con características de contenido (por ejemplo, disposición espacial, relaciones de objetos).
   • Fusión de Residuos de Interacción: La predicción final incorpora la interacción usuario-escena ($p_u \odot \bar{q}_i$) y añade la característica de contenido $h_i$ como un término residual. Esto proporciona un atajo de contenido independiente del usuario, estabilizando las predicciones en regímenes donde los factores colaborativos están débilmente estimados (régimen disperso).

La ecuación de predicción final es:
$$\hat{y}_{u,i,a} = \left( (p_u \odot \bar{q}_i) + h_i \right)^\top r_a + b_u + b_i + b$$
donde los términos $b$ representan los desplazos globales, de usuario y de escena.

C. Estrategia de Entrenamiento

StARS emplea un protocolo de entrenamiento de dos pasos:

1. Pre-entrenamiento del Codificador de Escena: El codificador de escena $\phi_\theta$ se pre-entrena con una cabeza lineal temporal para predecir la adecuación de la acción únicamente a partir de las características de la escena.
2. Optimización Conjunta de Extremo a Extremo: El codificador pre-entrenado se congela (o se ajusta finamente) y se optimiza conjuntamente con los parámetros de CF ($p_u, q_i, r_a, b$) utilizando el objetivo completo de predicción personalizada.

3. Contribuciones Clave

• Reformulación de la HRI: El artículo redefine la generación de acciones socialmente apropiadas como un problema de estimación de preferencias utilizando técnicas de sistemas de recomendación, modelando explícitamente el desacuerdo entre usuarios en lugar de agregarlo.
• Marco Agnóstico al Modelo: StARS está diseñado para integrarse con diversos codificadores de escena (por ejemplo, MLP, Transformers, Redes Neuronales de Grafos) y backbones sin necesidad de rediseñar el modelo subyacente.
• Robustez a la Retroalimentación Dispersa: El marco aborda específicamente el desafío de la retroalimentación de preferencias dispersa aprovechando el filtrado colaborativo para inferir patrones específicos de usuario a partir de datos limitados.
• Validación Empírica: El enfoque se evalúa en dos conjuntos de datos distintos: MannersDB+ (acciones de nivel de tarea doméstica) y SocNav1 (navegación socialmente cumplidora).

4. Resultados Experimentales

Los autores evaluaron StARS contra varios modelos de base (MLP, ResMLP, DCNv2, GraceAE, FT-Transformer para MannersDB+; GCN, GIN, GraphSAGE, GGNN, RGCT, GAT para SocNav1) utilizando validación cruzada de cinco pliegues.

• Mejora del Desempeño (RQ1): En todos los backbones y conjuntos de datos, la integración del componente de CF (StARS) superó consistentemente a los modelos base.
  • En MannersDB+, las variantes de StARS mostraron reducciones sustancialas en el RMSE (por ejemplo, de ~1.27 a ~1.13 para MLP) e incrementos significativos en la correlación de Pearson ($r$) y el Coeficiente de Correlación de Concordancia de Lin (CCC).
  • En SocNav1, las variantes de StARS lograron menores MSE y mayores métricas de correlación en todas las arquitecturas de Redes Neuronales de Grafos.
• Consistencia y Sistematicidad (RQ2): El análisis estadístico (pruebas t pareadas con corrección de Holm) confirmó que las mejoras fueron sistemáticas y no artefactos de pliegues o modelos específicos. Las ganancias fueron estadísticamente significativas ($p < 0.05$) en todas las configuraciones probadas.
• Robustez a la Dispersión (RQ3): Los experimentos de curvas de aprendizaje demostraron que StARS proporciona mejoras sustanciales de desempeño incluso con datos de entrenamiento limitados (regímenes de bajos datos). El desempeño mejora rápidamente con las primeras anotaciones, lo que sugiere que el método es eficiente en términos de datos y adecuado para escenarios donde recolectar retroalimentación personalizada es costoso.

5. Significado y Reivindicaciones

El artículo afirma que StARS demuestra la viabilidad de los métodos de sistemas de recomendación como un enfoque escalable para la toma de decisiones personalizada en robótica.

• Personalización sin Rediseño: El marco permite la selección de acciones específicas de usuario sin requerir un rediseño del backbone de percepción o de toma de decisiones subyacente, apoyando un comportamiento más adaptativo en la HRI del mundo real.
• Variabilidad Estructurada: Los resultados sugieren que la variación en los juicios de adecuación social es estructurada y puede capturarse eficazmente mediante el modelado de la interacción usuario-escena, en lugar de ser ruido aleatorio.
• Eficiencia de Datos: El enfoque ofrece un camino práctico para la personalización en HRI donde los datos son escasos, implicando que un pequeño número de interacciones tempranas puede generar estimaciones de preferencias específicas de usuario significativas.

Los autores concluyen que, aunque StARS se centra en la adecuación social, la formulación de RS podría extenderse a otras tareas de HRI centradas en la personalización, como el ensamblaje colaborativo o la asistencia adaptativa, siempre que existan mecanismos de retroalimentación adecuados.