何时个性化家庭物体搜索：刚性门控混合策略

服务机器人在搜索家庭物体时依赖空间先验来降低搜索成本，但物体位置可能随居民特征而变化。收集纵向的、特定特征的居家轨迹具有侵入性且难以扩展。我们研究了个性化何时有帮助，并提出了PerSim，一种刚性门控混合策略，它结合了特征条件先验和群体频率基线，仅在放置行为可变时进行个性化。为了扩展居民条件动态，我们采用了一个经过人类校准的模拟流程来生成和验证不同家庭布局中的物体放置转换，并训练了一个预测器，注入连续的Big Five向量以输出房间级先验和房间内共现线索。在一项统一的人类研究（N=200）中，双层验证表明：（i）合成转换在行为上被认为是合理的（平均3.85/5，p < 1e-6），并且（ii）在盲法A/B比较中，个性化主要对低刚性物体有利（p=0.005），而群体频率基线对于普遍放置的物品仍然很强，从而产生了何时个性化的决策规则。在离线客观测试中，我们观察到在未见过的连续特征向量上，与最近离散配置匹配相比，有微小但显著的改进（p=0.035），支持在五维特征空间中进行插值。最后，在家庭数字孪生中，我们表明PerSim通过结合房间访问努力和房间内线索检查来降低预期搜索成本，展示了超越孤立预测指标的端到端收益。