💻 computer science

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

该论文介绍了 StARS，这是一个利用推荐系统技术来解决人机交互中个体差异性的模型无关框架，旨在生成符合特定用户规范和特定情境的个性化且符合社交礼仪的机器人动作。

原作者： Erencem Ozbey, Fethiye Irmak Dogan, Jin Huang, Hatice Gunes

发布于 2026-07-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Erencem Ozbey, Fethiye Irmak Dogan, Jin Huang, Hatice Gunes

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正走进一个挤满了人的房间，一个友好的机器人正试图提供帮助。对我们来说，“乐于助人”的表现对每个人可能看起来都一样，但在人机交互（HRI）的世界里，社交规则出奇地具有个人色彩。一个人认为迷人且有帮助的行为，在另一个人眼中可能显得诡异甚至危险。这就是科学家们试图解决的棘手难题：如何教会机器人既能“察言观色”，又能理解其中特定的人。

这篇论文通过借鉴我们每天都在使用的技术——推荐系统，提出了一个聪明的技巧。你知道 Netflix 或 Spotify 是如何向你推荐电影或歌曲的吗？它们不仅仅是猜测所有人喜欢什么，而是结合了你过去喜欢的物品，以及与你相似的人所喜爱的物品。研究人员意识到，判断一个机器人动作是否“符合社交礼仪”，实际上与挑选一部电影非常相似。这并不是一个单一的普遍真理，而是一种个人品味的问题。通过将机器人的动作视为“物品”，将人类视为“用户”，他们可以利用专门用于电影推荐的数学方法，帮助机器人弄清楚某个特定的人到底希望它做什么。

问题所在：并非一招走天下

长期以来，机器人的行为准则一直是基于“平均水平”的人类认知来学习的。如果 51% 的人认为机器人挥动手臂没问题，机器人就会这么做。但作者指出，这种方法存在一个重大缺陷：社交得体性并非普适的。在热闹的聚会上，一个人可能很喜欢机器人为他端上一杯饮料，而另一个人可能认为这会造成绊脚风险或侵犯隐私。如果机器人一直根据“平均值”来瞎猜，人们会感到厌烦、失去信任，并停止与之互动。

论文认为，我们不应该再试图寻找一种“完美”的机器人行为，而应该开始构建能够适应“你”特定偏好的机器人。

解决方案：StARS（社交得体机器人动作框架）

为了解决这个问题，研究团队创建了一个名为 StARS 的新框架。你可以把 StARS 想象成机器人的“私人造型师”。StARS 不仅仅观察场景（房间、人群、物体），它还会观察“谁”正在看着它。

它是如何工作的，我们可以用一个简单的类比：
想象你在猜测一位朋友会喜欢哪种披萨配料。

传统方式： 你询问了 100 个人他们的喜好，取了个平均值，然后猜“意大利腊肠”，因为这是最受欢迎的。但你的朋友讨厌腊肠。
StARS 方式： 你查看了这位朋友过去的披萨订单。同时你注意到，这位朋友通常和他的好朋友口味一致，而他的好朋友非常喜欢蘑菇。StARS 结合了这些线索。它会说：“在这个特定的情境下，这个特定的人可能想要蘑菇，即便人群中大家都想要意大利腊肠。”

从技术层面讲，StARS 使用了一种叫做**协同过滤（Collaborative Filtering）**的方法。这正是 Netflix 使用的数学原理。它构建了一个巨大的思维表格，记录了：

用户： 对机器人动作进行评分的不同人（标注者）。
物品： 不同的机器人动作（例如“递送食物”或“让路”）。
上下文： 场景（厨房、走廊、公园）。

通过分析这个表格，StARS 能够学习隐藏的模式。它可能会发现，“用户 A”总是在狭窄的走廊里觉得机器人离得太近，而“用户 B”则认为机器人离得太远。然后，它会利用这些模式来预测在遇到一个新场景时，那个特定用户会认为什么是得体的，即使机器人以前从未见过这个人。

研究发现

研究人员在两个不同的数据集上测试了 StARS：一个关于机器人在客厅做家务的数据集（MannersDB+），以及一个关于机器人在人群中导航的数据集（SocNav1）。他们尝试了多种不同的“大脑”模型（骨干网络）以测试其通用性。

结果始终是积极的：

更高的准确度： 当我们将 StARS 添加到机器人模型中时，预测效果显著提升。例如，在客厅数据集中，对于表现最好的模型，其误差率（RMSE）从大约 1.27 下降到了 1.09。
更好的契合度： 机器人的猜测与人类观点匹配得更加紧密。在客厅数据集中，相关性（衡量机器人观点与人类观点匹配程度的指标）从约 0.30 跳升至 0.57。
小样本下的高效性： 个性化面临的最大挑战之一是，你无法获得每个人的大量数据。团队发现，StARS 非常擅长从极少量的示例中学习。即使我们只提供了可用数据的 10%，它相比于传统的“平均值”方法仍取得了巨大的进步。随着数据的增加，机器人变得越来越聪明，但最大的飞跃发生在早期阶段。

为什么这很重要

论文指出，我们不需要彻底重新设计机器人的思考方式来使其具备个性。相反，我们可以在现有的任何机器人“大脑”之上，直接添加一个“推荐层”。这使得在每个个体都各不相同的真实家庭和医院中部署机器人成为可能。

作者也谨慎地指出，他们并没有永远“解决”社交机器人的问题。社交场合是复杂的，仍然存在很多模糊性。然而，他们的工作表明，将社交得体性视为一个个人偏好问题，而非一个普遍规则，是让机器人真正融入我们的一个强大且高效的数据驱动方法。通过使用这种能帮你找到下一首心仪歌曲的逻辑，我们或许终于能拥有那些懂得如何与“你”相处的机器人。

技术摘要：StARS —— 基于推荐系统驱动方法的社交适宜机器人动作

1. 问题陈述

人类与机器人交互（HRI）中的社交适宜性并非普适的；它表现出显著的个体间差异。在相同的语境下，同一个机器人的动作对于一位用户可能被视为有帮助，而对于另一位用户则可能被视为具有侵入性或不安全。现有的方法通常依赖于聚合的人类评分或共享的适宜性表征，这些方法会抹平有意义的分歧，且无法捕捉到个体的用户规范。这种局限性阻碍了机器人在近距离环境（如家庭、医疗保健）中的部署，因为在这些场景中，个性化至关重要。

核心挑战在于如何建模并预测符合特定用户偏好的社交适宜动作，特别是在偏好反馈稀疏且收集成本高昂的情况下。作者将社交适宜动作生成重新表述为一个偏好建模问题，从推荐系统（RS）中汲取灵感，将标注者视为用户，场景视为项目，并将适宜性评分视为目标。

2. 方法论：StARS 框架

作者提出了 StARS（Socially Appropriate Robot Actions），这是一个将协同过滤（CF）与可学习场景表征相结合的模型无关框架。

A. 问题公式化

StARS 不是预测场景 $i$ 和动作 $a$ 的聚合评分 $y_{i,a}$ ，而是预测特定用户 $u$ 的个性化评分 $\hat{y}_{u,i,a}$ 。该系统从包含 $(u, i, a, y_{u,i,a})$ 的数据集 $D$ 中学习。

B. 架构与组件

StARS 通过基于矩阵分解（MF）的协同过滤模块增强了可微场景编码器 $\phi_\theta$ 。预测函数 $f(u, i, x_i, a)$ 结合了以下内容：

潜在因子： 通过 MF 学习的共享用户嵌入（ $p_u$ ）和共享场景嵌入（ $q_i$ ），用以捕捉系统的评分倾向。
动作嵌入： 动作特定的嵌入（ $r_a$ ），用以处理多个候选动作。
残差融合： 为了缓解数据稀疏性并结合内容信息，该框架将协同信号与场景内容特征（ $h_i = \phi_\theta(x_i)$ $h_{i} = ϕ_{θ} (x_{i})$ ）进行融合：
- 场景残差融合： 混合场景嵌入 $\bar{q}_i = q_i + h_i$ 丰富了协同项目嵌入中的内容特征（例如空间布局、物体关系）。
- 交互残差融合： 最终预测结合了用户-场景交互（ $p_u \odot \bar{q}_i$ ），并添加内容特征 $h_i$ 作为残差项。这提供了一个独立于用户的场景快捷路径，在协同因子估计较弱时（稀疏机制下）能稳定预测。

最终预测方程为：
$\hat{y}_{u,i,a} = \left( (p_u \odot \bar{q}_i) + h_i \right)^\top r_a + b_u + b_i + b$
其中 $b$ 项代表全局、用户和场景偏移量。

C. 训练策略

StARS 采用两步训练协议：

场景编码器预训练： 场景编码器 $\phi_\theta$ 通过一个临时的线性头进行预训练，仅根据场景特征预测动作的适宜性。
端到端联合优化： 预训练后的编码器被冻结（或进行微调），并使用完整的个性化预测目标与 CF 参数（ $p_u, q_i, r_a, b$ ）进行联合优化。

3. 核心贡献

重构 HRI： 本文利用推荐系统技术将社交适宜动作生成重新定义为偏好估计问题，明确地对用户间的差异进行建模，而非将其聚合。
模型无关框架： StARS 设计用于集成各种场景编码器（如 MLP、Transformer、图神经网络）和骨干网络，而无需重新设计底层模型。
对稀疏反馈的鲁棒性： 该框架专门解决了偏好反馈稀疏的挑战，通过利用协同过滤从有限的数据中推断用户特定的模式。
实证验证： 该方法在两个不同的数据集上进行了评估：MannersDB+（家务任务级动作）和 SocNav1（社交合规导航）。

4. 实验结果

作者使用五折交叉验证，针对各种骨干模型（MannersDB+ 使用 MLP, ResMLP, DCNv2, GraceAE, FT-Transformer；SocNav1 使用 GCN, GIN, GraphSAGE, GGNN, RGCT, GAT）对 StARS 进行了评估。

性能提升 (RQ1)： 在所有骨干网络和数据集上，集成 CF 组件（StARS）一致地优于基础模型。
- 在 MannersDB+ 上，StARS 变体显示出显著的 RMSE 降低（例如，对于 MLP，从 ~1.27 降至 ~1.13）以及 Pearson 相关系数 ( $r$ ) 和 Lin'ness 一致性相关系数 (CCC) 的显著提高。
- 在 SocNav1 上，StARS 变体在所有图神经网络架构中均实现了更低的 MSE 和更高的相关性指标。
一致性与系统性 (RQ2)： 统计分析（经过 Holm 校正的配对 t 检验）证实，这些改进是系统性的，而非特定折数或模型的产物。这些增益在所有测试配置中均具有统计学显著性（ $p < 0.05$ ）。
对稀疏性的鲁棒性 (RQ3)： 学习曲线实验表明，即使在有限的训练数据（低数据机制）下，StARS 也能提供实质性的性能提升。性能随早期标注的增加而迅速提高，表明该方法具有数据效率，适用于收集个性化反馈成本较高的场景。

5. 意义与主张

本文声称 StARS 证明了推荐系统方法作为一种可扩展的机器人个性化决策方法的可行性。

无需重新设计的个性化： 该框架能够在无需重新设计底层感知或决策骨干网络的情况下实现用户特定的动作选择，从而支持更具适应性的现实 HRI 行为。
结构化变异性： 结果表明，社交适宜性判断的变化是具有结构的，可以通过用户-场景交互建模来有效捕捉，而非随机噪声。
数据效率： 该方法为数据稀缺的 HRI 个性化提供了一条切实路径，这意味着少量的早期交互即可产生有意义的用户特定偏好估计。

作者总结道，虽然 StARS 侧重于社交适宜性，但 RS 公式化可以扩展到其他以个性化为中心的 HRI 任务（如协作装配或自适应辅助），前提是具备适当的反馈机制。