虚拟奶牛如何帮助我们改善人机交互

一款让参与者放牧虚拟牛群的视频游戏加深了我们对人类如何做出运动和导航决策的理解，它不仅可以帮助我们更有效地与人工智能互动，甚至可以改善未来机器人的移动方式。

来自澳大利亚麦考瑞大学、意大利南方高等学校、那不勒斯费德里科二世大学、博洛尼亚大学以及英国伦敦大学学院的研究人员使用该视频游戏作为研究的一部分，以进一步了解如何使用动态感知运动原语(DPMP)来模仿人类的决策。

DPMP是一种数学模型，可以帮助我们了解如何根据周围发生的事情协调我们的行动。DPMP已被用来帮助我们了解如何做出导航决策以及我们在执行不同任务时如何移动。

这在包含其他人以及固定和移动物体的复杂环境中变得尤为重要，例如在繁忙的人行道上或运动场上。

以前，人们认为我们的大脑能够快速绘制周围环境的详细地图，然后规划如何在其中移动。

但如今越来越多的研究支持了这样的观点：我们不需要制定详细的计划，而是自然而然地行动，考虑到我们的目标，并为途中遇到的任何障碍留出余地。

在最新一期《皇家学会开放科学》上发表的这项新研究中，参与者被要求完成两项放牧任务，将一头牛或一群牛赶进围栏。

研究人员追踪了玩家围捕奶牛的顺序，并将信息输入到他们的DPMP中，看看该模型是否能够模拟人类玩家的行为。

主要作者、博士生Ayman bin Kamruddin表示，该团队的DPMP模型能够准确模仿球员的动作并预测他们的选择。

理查森教授说：“在多目标任务中，人们在选择目标时出现了三种模式：他们选择的第一头牛在角距离上距离他们最近；所有后续的牛都与他们之前选择的牛在角距离上最近；当在两头牛之间进行选择时，他们最有可能选择距离隔离区中心最远的那头。一旦我们为DPMP提供这三条决策规则，它就能预测下一步要放牧哪头牛的近80%的选择，还能预测参与者在有多头牛的新情况下会如何表现。”

羊群游戏经常用于此类研究中，因为它们模拟了人们需要控制其他代理人的现实生活情况。

过去，这些结果都是基于对目标动物的空中视角，这引发了一个问题：这种对比赛场地的非自然视角是否会扭曲研究结果，导致参与者仅仅因为拥有完整的概览而做出与真实情况下不同的决策。

为了解决这个问题，该团队开发了一种新型的放牧游戏，将参与者的视野限制在人类以第一人称视角执行任务时通常能看到的范围内，类似于许多角色扮演视频游戏。

麦考瑞大学绩效与专业研究中心的资深作者迈克尔·理查森教授表示，观点的改变具有重要意义。

他说：“虽然之前的研究表明DPMP可用于预测人群行为或跟踪移动目标，但我们的研究是第一项研究该模型是否可以扩展以解释人类如何引导虚拟角色或机器人的研究。这是为设计更具响应性和智能的系统迈出的又一步。如果机器人和人工智能要更好地模仿人们的移动、行为和互动方式，我们的研究结果强调了在DPMP模型中加入智能决策策略的重要性。他们还表示，DPMP在现实生活中可能会很有用，例如管理人群和规划疏散、在虚拟现实中训练消防员，甚至在搜索和救援任务中，因为它们可以帮助我们预测人们的反应和行动。”