本稿では、家庭用ロボットのオブジェクト再配置の問題を解決するために、ユーザーの好みを学び、部分的に整理された環境にオブジェクトを配置する新しいベンチマークPARSECを紹介します。 PARSECは、72人のユーザーからクラウドソーシングされた11万の再配置の例を含み、93のオブジェクトカテゴリと15の環境を特徴としています。本稿では、さまざまな場所に配置できるオブジェクトを考慮して、柔軟なユーザーの好みを処理するLLMベースのパーソナライズされた再配置モデルであるContextSortLMを提案します。 PARSECベンチマークでは、ContextSortLMと既存のパーソナライズされた再配置アプローチを評価し、108人のオンライン評価者のクラウドソーシング評価を通じて、モデル予測のユーザーの好みとの一致を評価します。その結果、複数のシーンコンテキストソースを活用したパーソナライズされた再配置モデルが単一のコンテキストソースに依存するモデルよりも優れていることがわかり、ContextSortLMは他のモデルよりもユーザーの配置をよりよく再現し、オンライン評価者がすべての環境カテゴリで上位2位にランク付けされていることを確認しました。最後に、さまざまな環境カテゴリにわたる環境の意味をモデル化することに関連する困難を強調し、今後の研究のための推奨事項を提示します。
