I nostri occhi spesso tradiscono le nostre intenzioni. Pensa ai giocatori di poker che nascondono i loro "racconti" dietro gli occhiali da sole o ai portieri che controllano lo sguardo dell'attaccante per prevedere dove tireranno.

Nello sport, giochi da tavolo, e giochi di carte, i giocatori possono vedersi, che crea un ulteriore livello di gioco sociale basato sullo sguardo, linguaggio del corpo e altri segnali non verbali.

I giochi digitali mancano completamente di questi segnali. Anche quando giochiamo contro gli altri, ci sono pochi mezzi per trasmettere informazioni implicite senza parole.

Però, il recente aumento della disponibilità di eye tracker commerciali potrebbe cambiare questa situazione. Gli eye tracker utilizzano una telecamera a infrarossi e LED a infrarossi per stimare dove l'utente sta guardando sullo schermo. Oggi, è possibile acquistare eye tracker accurati e robusti per soli 125 A$.

Tracciamento oculare per il gioco

Gli eye tracker vengono venduti anche integrati nei laptop e negli auricolari VR, aprendo molte opportunità per incorporare il tracciamento oculare nei videogiochi. In un recente articolo di rassegna, abbiamo offerto un catalogo dell'ampia gamma di meccaniche di gioco rese possibili dall'eye tracking.

Questo ci ha aperto la strada per studiare come i segnali sociali emessi dai nostri occhi possono essere incorporati nei giochi contro altri giocatori e l'intelligenza artificiale.

Per esplorare questo, abbiamo utilizzato la versione digitale del gioco da tavolo Ticket to Ride. Nel gioco, i giocatori devono costruire tracce tra città specifiche sul tabellone. Però, perché gli avversari potrebbero bloccarti la strada, devi fare del tuo meglio per tenere nascoste le tue intenzioni.

In un ambiente da tavolo, se non stai attento, il tuo avversario potrebbe capire il tuo piano in base a come guardi il tabellone. Per esempio, immagina che il tuo obiettivo sia costruire un percorso tra Santa Fe e Seattle. La nostra tendenza naturale è guardare avanti e indietro tra quelle città, considerando percorsi alternativi e le risorse che hai nelle carte in mano.

Nel nostro recente articolo, abbiamo scoperto che quando gli umani possono vedere dove stanno guardando i loro avversari, possono dedurre alcuni dei loro obiettivi, ma solo se quell'avversario non sa che i loro occhi vengono monitorati. Altrimenti, iniziano a utilizzare diverse strategie per cercare di ingannare l'avversario, incluso guardare un percorso esca o guardare tutto il tabellone.

L'intelligenza artificiale può utilizzare queste informazioni?

Volevamo vedere se l'IA di un gioco potesse utilizzare queste informazioni per prevedere meglio le mosse future degli altri giocatori, basandosi su precedenti modelli di riconoscimento delle intenzioni nell'IA.

La maggior parte delle IA di gioco usa le azioni del giocatore per prevedere cosa potrebbe fare dopo. Per esempio, nella figura in basso a sinistra, immagina che un giocatore stia rivendicando percorsi per andare da Sante Fe a una destinazione sconosciuta sulla mappa. Il compito dell'IA è determinare quale città è la destinazione.

Quando a Santa Fe, tutte le possibili destinazioni sono ugualmente probabili. Dopo essere arrivato a Denver, diventa meno probabile che vogliano andare a Oklahoma City, perché avrebbero potuto prendere una strada molto più diretta. Se poi viaggiano da Denver a Helena, allora Salt Lake City diventa molto meno probabile, e Oklahoma City ancora meno.

Nel nostro modello, abbiamo ampliato questo modello di base per considerare anche dove sta guardando questo giocatore.

L'idea è semplice:se il giocatore sta guardando un certo percorso, più è probabile che il giocatore tenterà di rivendicare quella rotta. Come esempio, considera il lato destro della figura. Dopo essere andato a Denver, il nostro sistema di tracciamento oculare sa che il giocatore ha guardato il percorso tra Seattle ed Helena, ignorando altre parti della mappa. Questo ci dice che è più probabile che prendano questa strada e finiscano a Seattle.

La nostra intelligenza artificiale aumenta la probabilità relativa di questa azione, mentre diminuendo gli altri. Come tale, la sua previsione è che la prossima mossa sarà verso Helena, piuttosto che a Salt Lake City. Puoi leggere di più sulle specifiche nel nostro documento.

Sperimentazione

Abbiamo valutato quanto bene la nostra intelligenza artificiale potesse prevedere la prossima mossa in 20 partite a due giocatori di Ticket To Ride. Abbiamo misurato l'accuratezza delle nostre previsioni e quanto presto nel gioco potrebbero essere fatte.

I risultati mostrano che il modello di base del riconoscimento dell'intenzione prevedeva correttamente la prossima mossa il 23% delle volte. Però, quando abbiamo aggiunto lo sguardo al mix, la precisione è più che raddoppiata, aumentando al 55%.

Ulteriore, il modello dello sguardo è stato in grado di prevedere la città di destinazione corretta prima del modello di base, con l'IA che usava lo sguardo riconoscendo le intenzioni un minuto e mezzo prima di quella senza sguardo. Questi risultati dimostrano che l'uso dello sguardo può essere utilizzato per prevedere l'azione molto meglio e più velocemente rispetto al solo utilizzo delle azioni passate.

Recenti risultati non pubblicati mostrano che il modello dello sguardo funziona anche se la persona osservata sa di essere osservata. Abbiamo scoperto che le strategie di inganno che i giocatori impiegano per rendere più difficile agli altri giocatori determinare le loro intenzioni non ingannano le IA così come ingannano gli umani.

Dove il prossimo?

Questa idea può essere applicata in contesti diversi dai giochi. Per esempio, assemblaggio collaborativo tra robot e umani in una fabbrica.

In questi scenari, lo sguardo di una persona porterà naturalmente a una previsione anticipata e più accurata da parte del robot, potenzialmente aumentando la sicurezza e portando a un migliore coordinamento.

Questo articolo è stato originariamente pubblicato su The Conversation. Leggi l'articolo originale.