Comment les vaches virtuelles pourraient contribuer à améliorer les interactions homme-robot

Un jeu vidéo dans lequel les participants rassemblent du bétail virtuel a permis de mieux comprendre comment les humains prennent des décisions en matière de mouvement et de navigation. Il pourrait non seulement nous aider à interagir plus efficacement avec l’intelligence artificielle, mais également à améliorer la façon dont les robots se déplacent à l’avenir.

Des chercheurs de l'Université Macquarie en Australie, de la Scuola Superiore Meridionale, de l'Université de Naples Federico II et de l'Université de Bologne en Italie, ainsi que de l'University College London au Royaume-Uni, ont utilisé le jeu vidéo dans le cadre d'une étude visant à mieux comprendre comment la perception dynamique- les primitives motrices (DPMP) peuvent être utilisées pour imiter la prise de décision humaine.

Un DPMP est un modèle mathématique qui peut nous aider à comprendre comment nous coordonnons nos mouvements en réponse à ce qui se passe autour de nous. Les DPMP ont été utilisés pour nous aider à comprendre comment nous prenons des décisions de navigation et comment nous nous déplaçons lors de l'exécution de différentes tâches.

Cela devient particulièrement important dans les environnements complexes contenant d’autres personnes et une combinaison d’objets fixes et mobiles, comme on peut en trouver sur un sentier très fréquenté ou sur un terrain de sport.

Auparavant, on supposait que notre cerveau établissait rapidement des cartes détaillées de notre environnement, puis planifiait comment s'y déplacer.

Mais de plus en plus de recherches soutiennent désormais l’idée selon laquelle plutôt que d’élaborer un plan détaillé, nous avançons naturellement, en tenant compte de notre objectif et en tenant compte des obstacles que nous rencontrons en cours de route.

Dans l'étude, publiée dans Science ouverte de la Royal Societyles participants ont été invités à travailler sur deux tâches de troupeau, en déplaçant soit une seule vache, soit un groupe de vaches dans un enclos.

Les chercheurs ont suivi l'ordre dans lequel les joueurs rassemblaient les vaches et ont introduit les informations dans leur DPMP pour voir si le modèle pouvait simuler le comportement des joueurs humains.

Auteur principal, doctorat. Le candidat Ayman bin Kamruddin affirme que le modèle DPMP de l'équipe était capable d'imiter avec précision la façon dont les joueurs se déplaçaient et également de prédire leurs choix.

« Dans la tâche multi-cibles, trois modèles sont apparus lorsque les gens sélectionnaient leurs cibles : la première vache qu'ils choisissaient était la plus proche d'eux en termes de distance angulaire, toutes les vaches successives étaient les plus proches en distance angulaire de la précédente qu'ils avaient sélectionnée, et lors du choix entre deux vaches, ils étaient plus susceptibles de choisir celle qui était la plus éloignée du centre de la zone de confinement », explique le professeur Richardson.

« Une fois que nous avons fourni au DPMP ces trois règles pour prendre des décisions, il a pu prédire près de 80 % des choix sur les prochaines vaches à rassembler, et également prédire comment les participants se comporteraient dans de nouvelles situations avec plusieurs vaches. »

Les jeux de troupeaux sont fréquemment utilisés dans des études comme celle-ci, car ils imitent des situations réelles dans lesquelles les gens doivent contrôler d'autres agents.

Dans le passé, ils étaient basés sur une vue aérienne des animaux cibles, ce qui soulevait la question de savoir si cette vision non naturelle du terrain de jeu ne faussait pas les résultats, en amenant les participants à prendre des décisions différentes de celles qu'ils prendraient dans une situation réelle simplement. parce qu'ils avaient une vue d'ensemble complète.

Pour résoudre ce problème, l'équipe a développé un nouveau type de jeu de troupeau qui limiterait le champ de vision des participants à ce qu'un humain pourrait normalement voir avec une perspective à la première personne de la tâche, un peu comme celui de nombreux jeux vidéo de rôle.

L'auteur principal, le professeur Michael Richardson du Centre de recherche sur les performances et l'expertise de l'Université Macquarie, affirme que le changement de perspective a des implications importantes.

« Alors que des recherches antérieures ont montré que les DPMP peuvent être utilisés pour prédire le comportement d'une foule ou suivre une cible en mouvement, notre étude est la première à examiner si le modèle peut être étendu pour expliquer comment un humain guide un personnage virtuel ou un robot », dit-il.

« Il s'agit d'une nouvelle étape dans la conception de systèmes plus réactifs et plus intelligents.

« Nos résultats ont mis en évidence l'importance d'inclure des stratégies de prise de décision intelligentes dans les modèles DPMP si les robots et les IA veulent mieux imiter la façon dont les gens se déplacent, se comportent et interagissent.

« Ils suggèrent également que les DPMP pourraient être utiles dans des situations réelles, telles que la gestion des foules et la planification des évacuations, la formation des pompiers à la réalité virtuelle et même dans les missions de recherche et de sauvetage, car ils peuvent nous aider à prédire comment les gens réagiront et se déplaceront. «