AI kunne forudsige dit næste træk ved at se dit øje stirre

Vores øjne forråder ofte vores hensigter. Tænk på pokerspillere, der gemmer deres "fortæller" bag solbriller eller målmænd, der overvåger angriberens blik for at forudsige, hvor de vil skyde.

I sport, brætspil, og kortspil, spillere kan se hinanden, som skaber et ekstra lag af socialt gameplay baseret på blik, kropssprog og andre nonverbale signaler.

Digitale spil mangler fuldstændig disse signaler. Selv når vi spiller mod andre, der er få midler til at formidle implicit information uden ord.

Imidlertid, den seneste stigning i tilgængeligheden af ​​kommercielle eyetrackere kan ændre dette. Eye trackere bruger et infrarødt kamera og infrarøde LED'er til at vurdere, hvor brugeren ser på skærmen. I dag, det er muligt at købe nøjagtige og robuste eyetrackere for så lidt som 125 A$.

Eye tracking til spil

Eye trackere sælges også indbygget i bærbare computere og VR-headset, åbner op for mange muligheder for at inkorporere eye tracking i videospil. I en nylig anmeldelsesartikel, vi tilbød et katalog over den brede vifte af spilmekanik, der er muliggjort af eye tracking.

Dette banede vejen for, at vi kunne undersøge, hvordan sociale signaler udsendt af vores øjne kan inkorporeres i spil mod andre spillere og kunstig intelligens.

For at udforske dette, vi brugte den digitale version af brætspillet Ticket to Ride. I spillet, spillere skal bygge baner mellem bestemte byer på brættet. Imidlertid, fordi modstandere kan blokere din vej, du skal gøre dit bedste for at holde dine intentioner skjult.

I en bordopstilling, hvis du ikke er forsigtig, din modstander kan finde ud af din plan baseret på, hvordan du ser på brættet. For eksempel, forestil dig, at dit mål er at bygge en rute mellem Santa Fe og Seattle. Vores naturlige tendens er at se frem og tilbage mellem de byer, overvejer alternative ruter og de ressourcer, som du har på kortene i dine hænder.

I vores seneste avis, vi fandt ud af, at når mennesker kan se, hvor deres modstandere kigger, de kan udlede nogle af deres mål – men kun hvis modstanderen ikke ved, at deres øjne bliver overvåget. Ellers, de begynder at bruge forskellige strategier for at forsøge at bedrage deres modstander, herunder at se på en lokkerute eller se over hele brættet.

Kan AI bruge disse oplysninger?

Vi ville se, om et spil AI kunne bruge disse oplysninger til bedre at forudsige andre spilleres fremtidige bevægelser, bygger på tidligere modeller for intentionsgenkendelse i AI.

De fleste spil-AI'er bruger spillerens handlinger til at forudsige, hvad de kan gøre næste gang. For eksempel, i figuren nedenfor til venstre, Forestil dig, at en spiller gør krav på ruter for at gå fra Sante Fe til en ukendt destination på kortet. AI'ens opgave er at bestemme, hvilken by der er destinationen.

Når du er i Santa Fe, alle mulige destinationer er lige sandsynlige. Efter at have ankommet til Denver, det bliver mindre sandsynligt, at de vil til Oklahoma City, fordi de kunne have taget en meget mere direkte vej. Hvis de så rejser fra Denver til Helena, så bliver Salt Lake City meget mindre sandsynligt, og Oklahoma City endnu mindre.

I vores model, vi udvidede denne grundlæggende model for også at overveje, hvor denne afspiller søger.

Ideen er enkel:Hvis spilleren ser på en bestemt rute, jo mere sandsynligt vil spilleren forsøge at gøre krav på den rute. Som et eksempel, overveje højre side af figuren. Efter at have været i Denver, vores eye-tracking-system ved, at spilleren har kigget på ruten mellem Seattle og Helena, mens du ignorerer andre dele af kortet. Dette fortæller os, at det er mere sandsynligt, at de tager denne rute og ender i Seattle.

Vores AI øger den relative sandsynlighed for denne handling, mens de mindsker andre. Som sådan, dens forudsigelse er, at det næste træk vil være til Helena, i stedet for til Salt Lake City. Du kan læse mere om detaljerne i vores papir.

Eksperimentering

Vi evaluerede, hvor godt vores AI kunne forudsige det næste træk i 20 Ticket To Ride-spil for to spillere. Vi målte nøjagtigheden af ​​vores forudsigelser, og hvor tidligt i spillet de kunne laves.

Resultaterne viser, at den grundlæggende model for intentionsgenkendelse korrekt forudsagde det næste træk 23 % af tiden. Imidlertid, da vi tilføjede blik til blandingen, nøjagtigheden mere end fordoblet, stigende til 55 %.

Yderligere, blikmodellen var i stand til at forudsige den korrekte destinationsby tidligere end grundmodellen, med AI, der brugte blik, der genkendte intentioner halvandet minut tidligere end den uden blik. Disse resultater viser, at brug af blik kan bruges til at forudsige handling meget bedre og hurtigere end blot at bruge tidligere handlinger alene.

Nylige upublicerede resultater viser, at blikmodellen også virker, hvis den observerede ved, at vedkommende bliver observeret. Vi har fundet ud af, at de bedrageristrategier, som spillere anvender for at gøre det sværere for andre spillere at bestemme deres hensigter, ikke narrer AI'er lige så godt, som de narrer mennesker.

Hvor skal du næste gang?

Denne idé kan anvendes i andre sammenhænge end spil. For eksempel, samarbejdsmontage mellem robotter og mennesker på en fabrik.

I disse scenarier, en persons blik vil naturligvis føre til tidligere og mere præcis forudsigelse af robotten, potentielt øge sikkerheden og føre til bedre koordinering.

Denne artikel blev oprindeligt publiceret på The Conversation. Læs den originale artikel.