虛擬奶牛爲何能爲人機交互帶來鉅變

一款參與者在其中放牧虛擬牛的視頻遊戲進一步加深了我們對人類如何在移動和導航方面做出決策的理解,它不僅可以幫助我們更有效地與人工智能互動,甚至還能改進未來機器人的移動方式。

來自澳大利亞麥考瑞大學、意大利南方高等師範學校、那不勒斯費德里科二世大學和博洛尼亞大學以及英國倫敦大學學院的研究人員把這款視頻遊戲當作一項研究的一部分,以更多地瞭解動態感知運動原語(DPMPs)如何用於模擬人類決策。

DPMP 是一種數學模型,能幫我們理解我們是如何依據周圍的情況來協調自身動作的。DPMPs 已被用於幫助我們理解我們如何做出導航決策以及在執行不同任務時如何移動。

這在包含其他人以及固定和移動對象組合的複雜環境中尤爲重要,比如您可能在繁忙的人行道或者運動場上所見到的那種情況。

此前,人們覺得我們的大腦會迅速繪製出周圍環境的詳細地圖,然後規劃怎麼在其中移動。

但如今越來越多的研究表明,我們並非制定詳盡的計劃,而是自然而然地行動,將我們的目標考慮在內,併爲沿途遭遇的任何阻礙預留空間。

在發表於《皇家學會開放科學》的此項研究裡,參與者被要求去完成兩項放牧任務,把一頭牛或者一羣牛趕進圍欄。

研究人員追蹤了玩家圍捕奶牛的次序,還把這些信息輸入到他們的 DPMP 裡,來查看該模型能不能模擬人類玩家的行爲。

主要作者、博士候選人艾曼·本·卡姆魯丁(Ayman bin Kamruddin)稱,該團隊的 DPMP 模型能夠精準地模擬玩家的移動方式,並且能預測他們的選擇。

“在多目標任務中,人們選擇目標時出現了三種模式:他們所選的第一頭牛在角度距離上與他們最近,後續所有的牛在角度距離上都與之前所選的牛最近,而且在兩頭牛當中進行選擇時,他們極有可能選擇離圍控區中心最遠的那頭牛,”理查森教授說道。

一旦我們給 DPMP 提供了這三條決策規則,它就能預測將近 80%關於接下來驅趕哪頭牛的選擇,並且還能夠預測參與者在多頭牛的新情形下的行爲表現。

趕牛遊戲在這類研究中常常被運用,因爲它們模擬了人們需要管控其他主體的現實生活場景。

過去,它們以對目標動物的鳥瞰圖爲基礎,這就引發了一個問題:這種對遊戲場地不自然的看法是否扭曲了研究結果,因爲它致使參與者做出了與在真實情形下不同的決定,僅僅是由於他們擁有一個完整的概覽。

爲解決此問題,該團隊開發了一種新型的趕畜遊戲,將參與者的視野限制在人類執行任務時以第一人稱視角通常所能看到的範圍,這與許多角色扮演視頻遊戲非常相似。

來自麥考瑞大學績效與專業研究中心的資深作者邁克爾·理查森教授說道,視角的改變具有重要意義。

“雖然之前的研究表明,分佈式概率運動規劃(DPMPs)可用於預測人羣行爲或跟蹤移動目標,但我們的研究是首次探討該模型是否可以擴展到解釋人類如何引導虛擬角色或機器人,”他說。

“這是爲設計更具響應性和智能性的系統提供信息的又一舉措。

“我們的研究發現突出了,如果機器人和人工智能要更好地模仿人類的移動、行爲和互動方式,將智能決策策略納入動態人羣運動規劃(DPMP)模型的重要性。

“這也表明,DPMP 可能在現實生活場景中有用,例如管理人羣和規劃疏散、在虛擬現實中培訓消防員,甚至在搜索和救援任務中,因爲它們可以幫助我們預測人們將如何反應和移動。”