Resumo Técnico: StARS – Ações de Robôs Socialmente Apropriadas via uma Abordagem Baseada em Sistemas de Recomendação

1. Declaração do Problema

A adequação social na Interação Humano-Robô (HRI) não é universal; ela exibe uma variabilidade significativa entre sujeitos. A mesma ação de um robô em um contexto idêntico pode ser percebida como útil por um usuário e intrusiva ou insegura por outro. As abordagens existentes geralmente dependem de classificações humanas agregadas ou representações compartilhadas de adequação, o que suaviza desacordos significativos e falha em capturar as normas individuais dos usuários. Essa limitação dificulta a implantação de robôs em ambientes de proximidade (ex: lares, cuidados de saúde) onde a personalização é essencial.

O desafio central abordado é como modelar e prever ações socialmente apropriadas que se alinhem com preferências específicas de usuários, particularmente quando o feedback de preferência é esparso e caro de coletar. Os autores reformulam a geração de ações socialmente apropriadas como um problema de modelagem de preferência, inspirando-se em sistemas de recomendação (RS) para tratar anotadores como usuários, cenas como itens e pontuações de adequação como alvos.

2. Metodologia: O Framework StARS

Os autores propõem o StARS (Socially Appropriate Robot Actions), um framework agnóstico a modelos que integra Filtragem Colaborativa (CF) com representações de cena aprendíveis.

A. Formulação do Problema

Em vez de prever uma pontuação agregada $y_{i,a}$ para uma cena $i$ e uma ação $a$, o StARS prevê uma pontuação personalizada $\hat{y}_{u,i,a}$ para um usuário específico $u$. O sistema aprende a partir de um conjunto de dados $D$ de anotações $(u, i, a, y_{u,i,a})$.

B. Arquitetura e Componentes

O StARS aumenta um codificador de cena diferenciável $\phi_\theta$ com um módulo de Filtragem Colaborativa baseado em Fatoração de Matriz (MF). A função de predição $f(u, i, x_i, a)$ combina:

1. Fatores Latentes: Embeddings de usuário compartilhados ($p_u$) e embeddings de cena compartilhados ($q_i$) aprendidos via MF para capturar tendências sistemáticas de classificação.
2. Embeddings de Ação: Embeddings específicos da ação ($r_a$) para lidar com múltiplas ações candidatas.
3. Fusão de Resíduo: Para mitigar a esparsidade de dados e incorporar informações de conteúdo, o framework funde sinais colaborativos com características de conteúdo da cena $h_i = \phi_\theta(x_i)$:
   • Fusão de Resíduo de Cena: Um embedding de cena híbrido $\bar{q}_i = q_i + h_i$ enriquece o embedding de item colaborativo com características de conteúdo (ex: layout espacial, relações de objetos).
   • Fusão de Resíduo de Interação: A predição final incorpora a interação usuário-cena ($p_u \odot \bar{q}_i$) e adiciona o termo de resíduo da característica de conteúdo $h_i$. Isso fornece um atalho de conteúdo independente do usuário, estabilizando as predições quando os fatores colaborativos são fracamente estimados (regime esparso).

A equação final de predição é:
$$\hat{y}_{u,i,a} = \left( (p_u \odot \bar{q}_i) + h_i \right)^\top r_a + b_u + b_i + b$$
onde os termos $b$ representam offsets globais, de usuário e de cena.

C. Estratégia de Treinamento

O StARS emprega um protocolo de treinamento de duas etapas:

1. Pré-treinamento do Codificador de Cena: O codificador de cena $\phi_\theta$ é pré-treinado com uma cabeça linear temporária para prever a adequação da ação apenas a partir das características da cena.
2. Otimização Conjunta End-to-End: O codificador pré-treinado é congelado (ou ajustado) e otimizado conjuntamente com os parâmetros de CF ($p_u, q_i, r_a, b$) usando o objetivo completo de predição personalizada.

3. Principais Contribuições

• Reformulação de HRI: O artigo reformula a geração de ações socialmente apropriadas como um problema de estimativa de preferência usando técnicas de sistemas de recomendação, modelando explicitamente o desacordo entre usuários em vez de agregá-lo.
• Framework Agnóstico a Modelos: O StARS é projetado para ser integrado a vários codificadores de cena (ex: MLPs, Transformers, Redes Neurais de Grafo) e backbones sem redesenhar o modelo subjacente.
• Robustez ao Feedback Esparso: O framework aborda especificamente o desafio do feedback de preferência esparso ao utilizar filtragem colaborativa para inferir padrões específicos de usuários a partir de dados limitados.
• Validação Empírica: A abordagem é avaliada em dois conjuntos de dados distintos: MannersDB+ (ações de nível de tarefa doméstica) e SocNav1 (navegação socialmente complacente).

let 4. Resultados Experimentais

Os autores avaliaram o StARS contra vários modelos de backbone (MLP, ResMLP, DCNv2, GraceAE, FT-Transformer para MannersDB+; GCN, GIN, GraphSAGE, GGNN, RGCN, GAT para SocNav1) usando validação cruzada de cinco dobras.

• Melhoria de Desempenho (RQ1): Em todos os backbones e conjuntos de dados, a integração do componente de CF (StARS) superou consistentemente os modelos base.
  • No MannersDB+, as variantes do StARS mostraram reduções substanciais no RMSE (ex: de ~1.27 para ~1.13 para MLP) e aumentos significativos na correlação de Pearson ($r$) e no Coeficiente de Correlação de Concordância de Lin (CCC).
  • No SocNav1, as variantes do StARS alcançaram menores MSE e maiores métricas de correlação em todas as arquiteturas de Redes Neurais de Grafo.
• Consistência e Sistematicidade (RQ2): A análise estatística (testes t pareados com correção de Holm) confirmou que as melhorias foram sistemáticas e não artefatos de dobras ou modelos específicos. Os ganhos foram estatisticamente significativos ($p < 0.05$) em todas as configurações testadas.
• Robustez à Esparsidade (RQ3): Experimentos de curva de aprendizado demonstraram que o StARS fornece ganhos substanciais de desempenho mesmo com dados de treinamento limitados (regimes de baixos dados). O desempenho melhora rapidamente com as primeiras anotações, sugerindo que o método é eficiente em termos de dados e adequado para cenários onde a coleta de feedback personalizado é custosa.

5. Significância e Alegações

O artigo afirma que o StARS demonstra a viabilidade de métodos de sistemas de recomendação como uma abordagem escalável para a tomada de decisão personalizada em robótica.

• Personalização sem Redesenho: O framework permite a seleção de ações específicas do usuário sem exigir um redesenho do backbone de percepção ou de tomada de decisão subjacente, suportando um comportamento mais adaptável em HRI real.
• Variabilidade Estruturada: Os resultados sugerem que a variação nos julgamentos de adequação social é estruturada e pode ser efetivamente capturada através da modelagem de interação usuário-cena, em vez de ser ruído aleatório.
• Eficiência de Dados: A abordagem oferece um caminho prático para a personalização em HRI onde os dados são escassos, implicando que um pequeno número de interações iniciais pode gerar estimativas de preferência específicas do usuário significativas.

Os autores concluem que, embora o StARS foque na adequação social, a formulação de RS poderia se estender a outras tarefas de HRI centradas em personalização, como montagem colaborativa ou assistência adaptativa, desde que mecanismos de feedback apropriados estejam em vigor.