サービスロボットが家庭内で物体を探索する際、空間的な先験情報を活用することで探索コストを削減できます。しかし物体の配置場所は住人の特性によって異なる場合があります。本研究では、個人の行動パターンを反映した長期的なデータを自宅で収集することの難しさと、そのプライバシー侵害性に対処するため、いつ個人化が有効かを検討し、「PerSim」と呼ばれる剛性ゲート付きハイブリッドポリシーを提案しています。 PerSimは、住人の特性に条件付けられた空間的事前知識と、集団全体の頻度ベースラインを組み合わせ、物体の配置行動が変動的である場合のみ個人化を実施するという戦略です。研究チームは人間のキャリブレーションを施したシミュレーションパイプラインを採用し、多様な家庭レイアウトにおける物体配置の遷移を生成・検証し、Big Five性格検査の連続ベクトルを注入することで部屋レベルの事前知識と部屋内の共起線索を出力する予測器を訓練しました。 200人を対象とした統合的な人間研究では、二層検証により、合成された遷移が行動学的に妥当であると評価され（平均3.85/5、p<1e-6）、また盲検化されたA/B比較において、個人化は特に低剛性物体に対して有効性が認められ（p=0.005）、一方で普遍的に配置される物品に対しては集団ベースラインが優れていることが明らかになりました。オフライン目的テストでは、未知の連続特性ベクトルに対して、最近傍の離散構成マッチングを上回る有意な改善が観察され、五次元特性空間での補間の有効性が示されました。最終的にデジタルツインの家庭環境では、PerSimが部屋訪問努力と部屋内線索確認を組み合わせることで期待探索コストを削減し、孤立した予測指標を超えた包括的な利得を実現しています。