RLSLMは、社会的に意識の高いエージェントが人間の多く集まる環境を快適に移動するための能力を提供するハイブリッド強化学習フレームワークです。従来のルールベースのアプローチは解釈可能性を持つものの、一般化や柔軟性に欠ける一方、データ駆動型手法は複雑な行動を学習しますが効率が悪く、人間の直感と整合しにくいです。RLSLMは、実証実験に基づく社会的移動モデルを強化学習の報酬関数に統合し、人間の快適性を定量化するオリエンテーション感受性の社会的快適性フィールドを生成します。これにより、最小限のトレーニングで社会的に整ったナビゲーションポリシーが実現され、個人やグループのスペースへの侵入を回避可能です。VRを活用した人間とエージェントの相互作用実験では、RLSLMが従来のルールベースモデルよりも優れたユーザー体験を提供することが示されています。この研究は、認知科学と機械学習を効果的に統合する人間中心の方法論を提案します。