Gra wideo, w której uczestnicy hodowali wirtualne bydło, pogłębiła naszą wiedzę na temat sposobu, w jaki ludzie podejmują decyzje dotyczące ruchu i nawigacji, i może pomóc nam nie tylko w skuteczniejszej interakcji ze sztuczną inteligencją, ale nawet ulepszyć sposób, w jaki roboty poruszają się w przyszłości.
Naukowcy z Uniwersytetu Macquarie w Australii, Scuola Superiore Meridionale, Uniwersytetu Federico II w Neapolu i Uniwersytetu w Bolonii we Włoszech oraz University College London w Wielkiej Brytanii wykorzystali grę wideo w ramach badania, aby lepiej zrozumieć, w jaki sposób dynamika percepcyjna prymitywy motoryczne (DPMP) można wykorzystać do naśladowania procesu podejmowania decyzji przez człowieka.
DPMP to model matematyczny, który może pomóc nam zrozumieć, w jaki sposób koordynujemy nasze ruchy w odpowiedzi na to, co dzieje się wokół nas. DPMP zostały wykorzystane, aby pomóc nam zrozumieć, w jaki sposób podejmujemy decyzje nawigacyjne i jak poruszamy się podczas wykonywania różnych zadań.
Staje się to szczególnie ważne w złożonych środowiskach, w których znajdują się inne osoby oraz kombinacja nieruchomych i ruchomych obiektów, np. na ruchliwej ścieżce lub na boisku sportowym.
Wcześniej zakładano, że nasze mózgi szybko tworzyły szczegółowe mapy naszego otoczenia, a następnie planowały, jak się w nich poruszać.
Jednak coraz większa liczba badań potwierdza obecnie pogląd, że zamiast sporządzać szczegółowy plan, poruszamy się naturalnie, biorąc pod uwagę nasz cel i uwzględniając wszelkie przeszkody, które napotykamy po drodze.
W nowym badaniu opublikowanym w najnowszym wydaniu Otwarta nauka Towarzystwa Królewskiegouczestników poproszono o wykonanie dwóch zadań związanych z pasterstwem, polegających na przeniesieniu pojedynczej krowy lub grupy krów do zagrody.
Naukowcy śledzili kolejność, w jakiej gracze trzymali krowy w zagrodzie, i wprowadzali te informacje do swojego DPMP, aby sprawdzić, czy model może symulować zachowanie ludzkich graczy.
Główny autor, doktorant Ayman bin Kamruddin twierdzi, że opracowany przez zespół model DPMP był w stanie dokładnie naśladować sposób poruszania się graczy, a także przewidywać ich wybory.
„W zadaniu obejmującym wiele celów, podczas wybierania celów przez ludzi pojawiły się trzy wzorce: pierwsza wybrana krowa była najbliżej nich pod względem odległości kątowej, wszystkie kolejne krowy znajdowały się najbliżej wybranej krowy pod względem odległości kątowej od wybranej wcześniej przez nich krowy, a przy wyborze między dwiema krowami najprawdopodobniej wybierały tę, która znajdowała się najdalej od środka strefy przechowawczej” – mówi profesor Richardson.
„Kiedy dostarczyliśmy programowi DPMP te trzy zasady podejmowania decyzji, był on w stanie przewidzieć prawie 80 procent wyborów dotyczących następnej stada krów, a także przewidzieć, jak uczestnicy zachowaliby się w nowych sytuacjach z wieloma krowami”.
W tego typu badaniach często wykorzystuje się gry pasterskie, ponieważ naśladują rzeczywiste sytuacje, w których ludzie muszą kontrolować innego agenta.
W przeszłości opierały się one na widoku zwierząt docelowych z lotu ptaka, co rodziło pytanie, czy ten nienaturalny widok pola gry nie wypacza wniosków, powodując, że uczestnicy podejmowali inne decyzje niż w rzeczywistej sytuacji po prostu dlatego, że mieli pełny przegląd.
Aby rozwiązać ten problem, zespół opracował nowy typ gry pasterskiej, która ograniczałaby pole widzenia uczestników do tego, co normalnie mógłby zobaczyć człowiek z perspektywy pierwszej osoby, podobnie jak w wielu grach wideo polegających na odgrywaniu ról.
Starszy autor, profesor Michael Richardson z Centrum Badań nad Efektywnością i Wiedzą Specjalną Uniwersytetu Macquarie, twierdzi, że zmiana perspektywy ma ważne implikacje.
„Chociaż poprzednie badania wykazały, że DPMP można wykorzystać do przewidywania zachowań tłumu lub śledzenia poruszającego się celu, nasze jest pierwszym badaniem, w którym sprawdzamy, czy model można rozszerzyć, aby wyjaśnić, w jaki sposób człowiek prowadzi wirtualną postać lub robota” – mówi.
„To kolejny krok w informowaniu o projektowaniu bardziej responsywnych i inteligentnych systemów.
„Nasze odkrycia uwypukliły znaczenie włączenia inteligentnych strategii podejmowania decyzji do modeli DPMP, jeśli roboty i sztuczna inteligencja mają lepiej naśladować sposób, w jaki ludzie się poruszają, zachowują i wchodzą w interakcje.
„Sugerują również, że DPMP mogą być przydatne w rzeczywistych sytuacjach, takich jak zarządzanie tłumem i planowanie ewakuacji, szkolenie strażaków w rzeczywistości wirtualnej, a nawet w misjach poszukiwawczo-ratowniczych, ponieważ mogą pomóc nam przewidzieć, jak ludzie zareagują i będą się poruszać. „
