一款參與者放牧虛擬牛的電玩遊戲加深了我們對人類如何做出運動和導航決策的理解，它不僅可以幫助我們更有效地與人工智慧互動，甚至可以改善機器人未來的移動方式。

來自澳洲麥考瑞大學、Scuola Superiore Meridionale、那不勒斯費德里科二世大學、義大利博洛尼亞大學以及英國倫敦大學學院的研究人員使用了電玩遊戲作為一項研究的一部分，旨在更多地了解如何使用動態知覺運動原語（DPMP）來模仿人類決策。

DPMP 是數學模型這可以幫助我們了解如何協調我們的動作以應對周圍發生的事情。DPMP 已被用來幫助我們了解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物體組合的複雜環境中變得尤為重要，例如您可能會在繁忙的人行道或運動場上發現。

此前，人們認為我們的大腦正在快速繪製周圍環境的詳細地圖，然後計劃如何在其中移動。

但現在越來越多的研究支持這樣一種觀點：我們不是製定詳細的計劃，而是自然地行動，考慮我們的目標並考慮到我們一路上遇到的任何障礙。

該研究發表於英國皇家學會開放科學，參與者被要求完成兩項放牧任務，將一頭牛或一群牛移入圍欄。

研究人員追蹤了玩家圍住乳牛的順序，並將資訊輸入到他們的 DPMP 中，看看模型是否可以模擬人類玩家的行為。

主要作者，博士。候選人艾曼·本·卡姆魯丁 (Ayman bin Kamruddin) 表示，該團隊的 DPMP 模型能夠準確模仿球員的移動方式並預測他們的選擇。

「在多目標任務中，當人們選擇目標時，出現了三種模式：他們選擇的第一頭牛在角距離上最接近他們，所有連續的牛在角距離上最接近他們選擇的前一頭，並且當選擇在兩隻牛之間，它們最有可能選擇距離隔離區中心最遠的一頭，」理查森教授說。

「一旦我們向 DPMP 提供了這三個決策規則，它就可以預測近 80% 的接下來要放牧哪些乳牛的選擇，並且還可以預測參與者在多頭乳牛的新情況下將如何表現。”

羊群遊戲經常在這類研究中使用，因為它們模仿現實生活中人們需要控制其他智能體的情況。

過去，他們基於目標動物的鳥瞰圖，提出了這樣的問題：這個不自然的比賽場地視角是否會扭曲研究結果，因為參與者會做出與真實情況不同的決定？ 。

為了解決這個問題，團隊開發了一種新型的放牧遊戲，它將參與者的視野限制在人類通常可以透過第一人稱視角看到的任務範圍，就像許多角色扮演電玩遊戲一樣。

麥考瑞大學績效與專業研究中心的資深作者麥可‧理查森教授表示，觀點的改變具有重要意義。

「雖然先前的研究表明 DPMP 可用於預測人群行為或遵循移動目標，我們的研究是第一項研究該模型是否可以擴展以解釋人類如何引導虛擬角色或機器人，」他說。

「這是為設計更具響應性和智慧的系統提供資訊的又一步。

「我們的研究結果強調了在 DPMP 模型中包含智慧決策策略的重要性，如果機器人和人工智慧要更好地模仿人們的移動、行為和互動方式。

“他們還表明，DPMP 在現實生活中可能很有用，例如管理人群和規劃疏散、在虛擬現實中培訓消防員，甚至在搜索和救援任務中，因為它們可以幫助我們預測人們的反應和行動。 ”

此內容最初發佈於麥考瑞大學燈塔。