受人类启发的社交机器人情境选择性多模态记忆
人工智能
2026-04-15 v1
摘要
记忆是社交互动的基本要素，使人类能够回想起有意义的过去经历，并根据情境调整行为。然而，大多数当前的社交机器人和具身代理人依赖于非选择性、基于文本的记忆，限制了其支持个性化、情境感知互动的能力。我们受认知神经科学启发，提出一种面向社交机器人的情境选择性、多模态记忆架构，捕获和检索文本和视觉事件痕迹，优先处理具有高情感显著性或场景新奇性的时刻。通过将这些记忆与 individual 用户关联，我们的系统实现社交个性化回想和更自然、 grounded 的对话。我们使用精选的社交情景数据集评估选择性存储机制，实现了0.506的斯皮尔曼相关系数，超过人类一致性（ρ=0.415），并优于现有的图像记忆可预测性模型。在多模态检索实验中，我们的融合方法在unimodal text 或 image 检索中实现了最高13%的Recall@1提升。运行时评估确认，该系统保持实时性能。定性分析进一步表明，所提出的框架比基线模型产生更丰富、更具社交相关性的响应。这项工作推进了社交机器人记忆设计，通过桥接人类启发的选择性和多模态检索，增强了面向长期、个性化的人机相互作用。
引用
@article{arxiv.2604.12081,
title = {Human-Inspired Context-Selective Multimodal Memory for Social Robots},
author = {Hangyeol Kang and Slava Voloshynovskiy and Nadia Magnenat Thalmann},
journal= {arXiv preprint arXiv:2604.12081},
year = {2026}
}
备注
Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)