STARS：用自监督图自编码器从时空动态学习社会表征，提升低数据社交导航
STARS 是一种自监督表示学习方法，将多智能体交互建模为时空图并用图变分自编码器压缩为节点潜在表示。在 SEAN-T 和 SocialNav-SUB 两个数据集上，冻结表征加线性探针取得有竞争力的下游性能，尤其 SNS 行人动作分类上 STARS-He 在 100% 标注数据时宏 F1 达到 0.503，远超非结构化基线约 0.3。该论文为预印本，尚未经同行评审。研究显示图结构先验可缓解 HRI 数据稀缺问题，对低数据社交导航有潜在价值。
STARS 能否通过自监督图自编码器从物理时空动态中学习可复用的社会表征，并在低标注数据条件下支持主观感知预测和行人动作分类等下游任务？
社交机器人需要同时推理空间路径与社会规范，但现有空间模型缺乏社会理解，社会模型难以处理连续时空动态。HRI 数据通常规模小、跨传感器和任务碎片化，从零训练大模型易过拟合，非结构化模型在低数据下难以泛化。
此前轨迹预测方法常用 GNN 建模人群拓扑，但优化目标是最小化空间位移误差，学到的表征偏向未来空间构型而非可复用社会语义。基础模型和 VLA 控制器依赖大规模统一数据集，难以直接用于小规模 HRI 数据；非结构化 MLP 或自编码器在 SNS 等关系型任务上表现不佳。
STARS 将固定时长交互场景构建为完整时空图，节点为机器人和行人，边为时序相对 SE(2) 位姿及其差分；采用消息传递图神经网络变分自编码器，以自监督方式重建边特征和部分节点特征，得到每节点潜在表示。编码器冻结后，仅训练线性探针适配下游任务。提供同质图（STARS-Ho）和异质图（STARS-He）两种变体，异质版本显式建模节点类型和边类型注意力。
在 SEAN-T 感知预测任务（主管评分：能力、意外、意图）和 SNS 动作分类任务（avoid, follow, not consider）上，所有结果平均 10 个随机种子，使用冻结编码器加线性探针。SEAN-T 能力 100% 标注数据：STARS-Ho 0.799±0.02，STARS-He 0.794±0.02，MLP 0.797±0.02，自编码器 0.742±0.02，随机森林 0.718±0.08；意外：STARS-Ho 0.741±0.03，STARS-He 0.709±0.04，MLP 0.720±0.09，自编码器 0.739±0.06；意图：STARS-Ho 0.734±0.02，STARS-He 0.721±0.03，MLP 0.703±0.01，自编码器 0.664±0.02。SNS 宏 F1 100% 标注数据：STARS-He 0.503±0.02，STARS-Ho 0.475±0.02，自编码器 0.332±0.01，MLP 0.293±0.00；1% 标注数据 STARS-He 已达 0.362±0.06，而 MLP 为 0.294±0.00。跨数据集迁移：STARS-He 仅用 SEAN-T 预训练在 SNS 上 100% 标注数据宏 F1 为 0.497，联合预训练为 0.503；仅用 SNS 预训练在 SEAN-T 能力/意外/意图为 0.801/0.710/0.729，联合预训练为 0.794/0.709/0.721。监督端到端异质图在 SNS 100% 标注数据宏 F1 为 0.445，低于 STARS-He 的 0.503。定性分析显示 SNS 潜在空间在 avoid 和 follow 动作上形成明显聚类。
作者承认，图自编码器和消息传递会平滑高频成对几何信息，因此潜在表征对节点级意图预测有效，但对需要精确关系几何的边中心任务（如群体检测）效果较差；将不同数据集标准化为统一图可能丢失数据集特有细节。评估仅使用固定时长窗口和已处理轨迹，限于两个整理好的社交导航数据集。论文未报告在真实机器人上的部署验证、在线分割、噪声感知下的表现以及预训练算力成本。
该方法的图结构自监督表征可嵌入移动机器人、服务机器人、配送机器人的社交导航栈，用于行人意图分类、主观感知预测和低标注数据快速适配。预期 1 到 3 年内，若能在真实传感器数据流、在线图构建和多机器人平台上完成验证，可被机器人公司用于提升人机交互安全性；3 年以上可能成为 HRI 基础表征组件。前提是解决从处理轨迹到原始感知的迁移，并积累更多跨环境 HRI 数据。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。