مطالعه: گاوهای مجازی می‌توانند تعاملات انسان و روبات را با دقت ۸۰٪ افزایش دهند

یک بازی شامل گاو چرانیدن مجازی بینش‌های جدیدی در مورد تصمیم‌گیری انسان در حرکت و ناوبری فراهم کرده است.

این تمرین بازی ویدئویی بخشی از یک مطالعه بود که هدف آن بررسی چگونگی کاربرد اصول حرکتی ادراکی پویا (DPMPs) برای بازسازی تصمیم‌گیری‌های انسانی بود.

نتایج نشان داد که یک مدل پایه ناوبری DPMP می‌تواند به دقت مسیرهای حرکتی شرکت‌کنندگان را پیش‌بینی کند و حدود ۸۰ درصد از انتخاب‌های آن‌ها را با یک قاعده ساده پیش‌بینی نماید.

این یافته‌ها می‌تواند تعامل با هوش مصنوعی را بهبود بخشد و در کاربردهای روباتیک آینده به کار رود.

محققان دانشگاه مک‌کواری در استرالیا، مدرسه عالی مرینوناله، دانشگاه ناپل فدریکو دوم، دانشگاه بولونیا در ایتالیا، و دانشگاه کالج لندن در بریتانیا این آزمایش را انجام دادند.

ناوبری در زمان واقعی

ناوبری روزمره، مانند راه رفتن در خیابان‌های شلوغ یا بازی‌های ورزشی، شامل رسیدن به اهداف ثابت یا متحرک در حین اجتناب از موانع است.

مدل‌های سنتی به برنامه‌ریزی مسیر شناختی متکی هستند، اما تحقیقات جدید نشان می‌دهد که ناوبری به طور طبیعی نتیجه تأثیرات زمان واقعی اهداف و موانع است.

به گفته محققان، زمانی تصور می‌شد که مغز ما محیط‌مان را با جزئیات زیاد نقشه‌برداری می‌کند و سپس چگونگی ناوبری آن را می‌فهمد. اما، تحقیقات رو به افزایش نظریه‌ای را حمایت می‌کند که ما به طور ارگانیک و با در نظر گرفتن هدف‌مان و مواجهه با موانع احتمالی حرکت می‌کنیم، نه ایجاد یک استراتژی جامع.

با استفاده از DPMPs، محققان می‌توانند این رفتارها را به طور مؤثری در وظایف مختلف، از رسیدن ساده تا هماهنگی چند عاملی پیچیده مدل‌سازی کنند. در وظایف چراندن شبیه‌سازی‌شده، جفتی از شرکت‌کنندگان عوامل مجازی را کنترل می کنند تا اهداف را در اختیار بگیرند.

مطالعات نشان می‌دهد که یک مدل ساده DPMP می‌تواند این رفتارها را بازتولید کند و حرکات عاملی تولید کند که با مسیرهای انسانی مطابقت دارد و مزایای مشابه آموزش مهارت را فراهم کند.

الگوهای انتخاب هدف

دو وظیفه چراندن شامل جابجایی یک گاو یا گروهی از گاوها به درون یک قفس به شرکت‌کنندگان داده شد.

محققان ترتیب رفتارهای شرکت‌کنندگان را دنبال کردند و این داده‌ها را در مدل DPMP خود وارد کردند تا ببینند آیا مدل می‌تواند رفتار شرکت‌کنندگان را شبیه‌سازی کند یا خیر. تیم دریافت که مدل آن‌ها نه تنها به دقت حرکات بازیکنان را بازتاب می‌کند، بلکه می‌تواند تصمیمات آن‌ها را نیز پیش‌بینی کند.

پروفسور مایکل جی. ریچاردسون از دانشگاه مکواری و نویسنده ارشد، در بیانیه‌ای گفت: "در وظیفه چند هدفی، سه الگو هنگام انتخاب هدف‌ها ظاهر شد: گاوی که اول انتخاب کردند، به آنها نزدیک‌ترین بود، تمام گاوهای بعدی نزدیک‌ترین گاو به فاصله زاویه‌ای قبلی که انتخاب شده بود بود، و هنگام انتخاب بین دو گاو، آنها بیشتر به گاوی که در مرکز محدوده محتوی بود انتخاب کردند".

با پیاده‌سازی سه قاعده تصمیم‌گیری، مدل DPMP می‌تواند تقریباً ۸۰ درصد از انتخاب‌های مربوط به گاوهایی که بازیکنان به‌ سراغ می‌روند را پیش‌بینی کرده و واکنش‌های آن‌ها در مواقع مختلف پیش‌بینی کند.

دینامیک چراندن از دید اول شخص

بازی‌های چراندن معمولاً در مطالعات مشابه برای شبیه‌سازی سناریوهای واقعی که در آن افراد دیگر عوامل را مدیت می‌کنند، استفاده می‌شود. نسخه‌های قبلی از نمای هوایی استفاده می‌کردند که ممکن است به دلیل نمای کامل میدان بر تصمیمات تأثیر گذاشته باشد.

برای حل این مسئله، محققان یک بازی جدید چرانی با نمای اول شخص طراحی کردند که مانند بسیاری از بازی‌های ویدئویی نقش‌آفرین است. این بازی چشم‌انداز شرکت‌کنندگان را با نمای طبیعی انسان همسو می‌کند.

ریچاردسون گفت: "در حالی که تحقیقات قبلی نشان داده است که DPMPs می‌توانند برای پیش‌بینی رفتار جمعیت یا دنبال کردن یک هدف متحرک استفاده شوند، مطالعه ما اولین مطالعه‌ای است که بررسی می‌کند آیا مدل می‌تواند توسعه یابد تا توضیح دهد چگونه یک انسان یک شخصیت مجازی یا روبات را هدایت می کند".

تیم ادعا می‌کند که مطالعه نشان‌گر پیشرفت در طراحی سیستم‌های پاسخ‌دهنده و هوشمندتر است. محققان بر نیاز به استراتژی‌های تصمیم‌گیری پیشرفته در مدل‌های DPMP تأکید کردند تا به روبات‌ها و هوش مصنوعی کمک کنند تا بهتر حرکت و تعامل انسانی را بازسازی کنند.

این مدل‌ها می‌توانند در سناریوهای واقعی مثل مدیریت جمعیت، برنامه‌ریزی تخلیه، آموزش آتش‌نشان مجازی و مأموریت‌های جستجو و نجات به کار روند، زیرا امکان پیش‌بینی دقیق‌تر رفتار و حرکت انسانی را فراهم می‌کنند.

جزئیات تحقیقات تیم در مجله Royal Society Open Science منتشر شده است.