Onze ogen verraden vaak onze bedoelingen. Denk aan pokerspelers die hun "vertellen" achter een zonnebril verbergen of keepers die de blik van de spits in de gaten houden om te voorspellen waar ze zullen schieten.

bij sport, bordspellen, en kaartspellen, spelers kunnen elkaar zien, die een extra laag sociale gameplay creëert op basis van blik, lichaamstaal en andere non-verbale signalen.

Digitale games missen deze signalen volledig. Zelfs als we tegen anderen spelen, er zijn weinig middelen om impliciete informatie zonder woorden over te brengen.

Echter, de recente toename van de beschikbaarheid van commerciële eyetrackers kan hier verandering in brengen. Eye-trackers gebruiken een infraroodcamera en infrarood-LED's om in te schatten waar de gebruiker op het scherm naar kijkt. Vandaag de dag, het is mogelijk om nauwkeurige en robuuste eye-trackers te kopen voor slechts A $ 125.

Eye-tracking voor gamen

Eye-trackers worden ook ingebouwd in laptops en VR-headsets verkocht, biedt veel mogelijkheden voor het opnemen van eye-tracking in videogames. In een recent overzichtsartikel, we boden een catalogus aan van het brede scala aan spelmechanica dat mogelijk werd gemaakt door eye-tracking.

Dit maakte de weg vrij voor ons om te onderzoeken hoe sociale signalen die door onze ogen worden uitgezonden, kunnen worden verwerkt in games tegen andere spelers en kunstmatige intelligentie.

Om dit te onderzoeken, we gebruikten de digitale versie van het bordspel Ticket to Ride. In het spel, spelers moeten sporen bouwen tussen specifieke steden op het bord. Echter, omdat tegenstanders je de weg kunnen blokkeren, je moet je best doen om je bedoelingen verborgen te houden.

In een tafelopstelling, als je niet oppast, je tegenstander kan je plan bepalen op basis van hoe je naar het bord kijkt. Bijvoorbeeld, stel je voor dat het je doel is om een ​​route te bouwen tussen Santa Fe en Seattle. Onze natuurlijke neiging is om heen en weer te kijken tussen die steden, rekening houdend met alternatieve routes en de middelen die je in handen hebt.

In onze recente krant we ontdekten dat wanneer mensen kunnen zien waar hun tegenstanders naar kijken, ze kunnen sommige van hun doelen afleiden - maar alleen als die tegenstander niet weet dat hun ogen in de gaten worden gehouden. Anders, ze beginnen verschillende strategieën te gebruiken om hun tegenstander te misleiden, inclusief kijken naar een lokroute of over het hele bord kijken.

Kan AI deze informatie gebruiken?

We wilden zien of een game-AI deze informatie zou kunnen gebruiken om de toekomstige bewegingen van andere spelers beter te voorspellen, voortbouwend op eerdere modellen van intentieherkenning in AI.

De meeste game-AI's gebruiken de acties van de speler om te voorspellen wat ze vervolgens kunnen doen. Bijvoorbeeld, in de afbeelding hieronder aan de linkerkant, stel je voor dat een speler routes claimt om van Sante Fe naar een onbekende bestemming op de kaart te gaan. De taak van de AI is om te bepalen welke stad de bestemming is.

Wanneer in Santa Fe, alle mogelijke bestemmingen zijn even waarschijnlijk. Nadat we in Denver waren aangekomen, het wordt minder waarschijnlijk dat ze naar Oklahoma City willen, omdat ze een veel directere route hadden kunnen nemen. Als ze dan van Denver naar Helena reizen, dan wordt Salt Lake City veel minder waarschijnlijk, en Oklahoma City nog minder.

In ons model is we hebben dit basismodel uitgebreid om ook te kijken waar deze speler naar op zoek is.

Het idee is simpel:als de speler naar een bepaalde route kijkt, hoe groter de kans dat de speler die route probeert te claimen. Als voorbeeld, denk aan de rechterkant van de figuur. Na naar Denver te zijn gegaan, ons eye-tracking systeem weet dat de speler de route tussen Seattle en Helena heeft bekeken, terwijl andere delen van de kaart worden genegeerd. Dit vertelt ons dat het waarschijnlijker is dat ze deze route nemen en in Seattle terechtkomen.

Onze AI vergroot de relatieve kans op deze actie, terwijl anderen afnemen. Als zodanig, zijn voorspelling is dat de volgende stap naar Helena zal zijn, in plaats van naar Salt Lake City. U kunt meer lezen over de details in onze krant.

Experimenteren

We evalueerden hoe goed onze AI de volgende zet kon voorspellen in 20 Ticket To Ride-spellen voor twee spelers. We hebben de nauwkeurigheid van onze voorspellingen gemeten en hoe vroeg in het spel ze konden worden gemaakt.

De resultaten laten zien dat het basismodel van intentieherkenning de volgende zet 23% van de tijd correct voorspelde. Echter, toen we blik toevoegden aan de mix, de nauwkeurigheid meer dan verdubbeld, oplopend tot 55%.

Verder, het blikmodel kon eerder de juiste bestemmingsstad voorspellen dan het basismodel, waarbij de AI die blik gebruikte anderhalve minuut eerder de intenties herkende dan degene zonder blik. Deze resultaten tonen aan dat het gebruik van blik kan worden gebruikt om actie veel beter en sneller te voorspellen dan alleen acties uit het verleden te gebruiken.

Recente niet-gepubliceerde resultaten laten zien dat het blikmodel ook werkt als de geobserveerde persoon weet dat hij wordt geobserveerd. We hebben ontdekt dat de misleidingsstrategieën die spelers gebruiken om het voor andere spelers moeilijker te maken om hun bedoelingen te bepalen AI's niet zo goed voor de gek houden als mensen.

Waar nu heen?

Dit idee kan worden toegepast in andere contexten dan games. Bijvoorbeeld, collaboratieve montage tussen robots en mensen in een fabriek.

In deze scenario's de blik van een persoon zal natuurlijk leiden tot een eerdere en nauwkeurigere voorspelling door de robot, mogelijk de veiligheid verhogen en tot een betere coördinatie leiden.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees het originele artikel.