实验
本节介绍为探究相关研究问题而开展的实验，并说明评测数据集、指标及实现细节。
环境与社会情境解耦
为评估所提策略在域增量学习中的效果，我们将显式解耦双分支网络（Explicit Disentanglement Dual-Branch Network，EDD）与三类先进基线方法进行了比较：
- 面向社会适宜性的机器人专用持续学习方法。
- 近期的域增量计算机视觉方法。
- 预训练视觉—语言模型。
各基线模型的详细信息及选用理由见相应的对比表。
整体适宜性预测
我们将 EDD 的整体适宜性预测性能与基线方法进行了比较。EDD 取得了最低的均方根误差（RMSE），以及最高的 Pearson 相关系数（PCC）和一致性相关系数（CCC），表明与所比较的基线相比，它能够更准确、更稳定地预测动作适宜性。
FedLGR 的误差最高，PCC 和 CCC 接近于零，说明它在参与比较的模型中整体表现最弱。DARE++ 取得了最强的基线相关性，其次是 DUCA。包括 Qwen2.5-3B-Instruct、LLaVA-OV-0.5B 和 DeepSeek-1.3B-Chat 在内的视觉—语言模型方法，其 PCC 和 CCC 均较低。
持续学习消融实验
我们在不同训练范式下比较了 EDD 的各项消融版本。双分支持续学习，即本文提出的方法，相较于不使用图像分解的单分支消融版本，误差更低、PCC 和 CCC 更高，并且遗忘程度更低（以反向迁移（BWT）衡量）。
不使用回放的微调会使两种架构的性能都出现下降：RMSE 上升，PCC 和 CCC 降低，BWT 则升高。
联合训练版本能够同时访问所有域，可作为经验上的性能上限，并取得最佳整体准确率。与单分支持续学习模型相比，双分支持续学习模型的表现更接近这一上限。
总体而言，与基线方法及未解耦变体相比，EDD 在所有指标上都表现出稳定的优势，与人工提供的适宜性评分更加一致，遗忘程度也更低。这些结果表明，EDD 能够更好地在域增量场景下学习社会适宜的机器人动作。
解耦策略的影响
我们比较了双分支网络所采用的不同图像分解策略。在所有数据划分中，边界框策略都取得了最低的 RMSE 以及最高的 PCC 和 CCC。
机器人近景与不进行分解所得的 RMSE 相近，且二者都低于剪影方法。不进行分解时，相关性始终高于机器人近景和剪影方法。
在所有变体中，遗忘指标 BWT 均保持较低水平。边界框和机器人近景策略取得了最低的 BWT，表明它们在跨域学习中的遗忘程度低于剪影和不分解策略。
总体而言，各方法的表现相对接近，其中边界框策略取得了最低的预测误差和最强的相关性。
讨论、结论与未来工作
本研究揭示了社会适宜机器人持续学习中的一个重要发现：明确区分环境线索与社会线索，有助于模型在域发生变化时学习动作适宜性。
在本研究设定中，我们通过显式解耦双分支框架处理这两类线索。该框架在输入层面将线索分离，并采用基于回放的复习机制训练双分支架构，从而将二者融合起来。
结果表明，EDD 框架优于多种先进基线方法，并且在互补指标上生成的适宜性评分与人工评分更加一致。这种显式分离还支持有针对性地分析解耦策略和域顺序如何影响社会适宜动作的持续学习性能。
未来仍有多个研究方向值得探索。EDD 可以扩展到当前单一机器人实体之外，并进一步考察其在机器人实体发生变化时的稳健性。
未来工作还可以在真实世界环境中评估 EDD，以检验其能否推广到合成场景之外。这包括研究从合成环境到真实环境的迁移稳健性，以及全景分割不完善对环境—社会分解效果的影响。
EDD 的结构也为可解释性研究提供了空间。未来可以分析每个分支究竟学到了什么，以及预测分别依赖哪些环境线索和社会线索。
另一个有前景的方向是自适应融合：模型可根据任务情境（例如机器人要执行的动作）和交互环境（例如家庭或办公室）动态调整两个分支的作用。
常见问题
什么是显式解耦双分支网络？ EDD 是一种双分支框架，在输入层面分离环境线索与社会线索，并将二者融合，以学习社会适宜的机器人动作。
与参与评测的基线方法相比，EDD 的表现如何？ EDD 取得了最低的 RMSE 以及最高的 PCC 和 CCC，表明其适宜性预测更加准确、稳定。
哪种图像分解策略表现最好？ 在所评估的数据划分中，边界框策略取得了最低的预测误差和最强的相关性。
未来工作的主要方向有哪些？ 未来工作包括机器人实体变化、真实世界评测、合成到真实环境的稳健性、可解释性，以及根据任务和交互情境进行自适应融合。