Nuestros ojos a menudo traicionan nuestras intenciones. Piense en los jugadores de póquer que esconden sus "señales" detrás de las gafas de sol o en los porteros que vigilan la mirada del delantero para predecir dónde dispararán.

En deportes, juegos de mesa, y juegos de cartas, los jugadores pueden verse, que crea una capa adicional de juego social basada en la mirada, lenguaje corporal y otras señales no verbales.

Los juegos digitales carecen por completo de estas señales. Incluso cuando jugamos contra otros, hay pocos medios de transmitir información implícita sin palabras.

Sin embargo, el reciente aumento en la disponibilidad de rastreadores oculares comerciales puede cambiar esto. Los rastreadores oculares utilizan una cámara de infrarrojos y LED de infrarrojos para estimar dónde está mirando el usuario en la pantalla. Hoy en día, Es posible comprar rastreadores oculares precisos y robustos por tan solo 125 dólares australianos.

Seguimiento ocular para juegos

Los rastreadores oculares también se venden integrados en portátiles y cascos de realidad virtual. abriendo muchas oportunidades para incorporar el seguimiento ocular en los videojuegos. En un artículo de revisión reciente, ofrecimos un catálogo de la amplia gama de mecánicas de juego posibles gracias al seguimiento ocular.

Esto allanó el camino para que investiguemos cómo las señales sociales emitidas por nuestros ojos pueden incorporarse en los juegos contra otros jugadores y la inteligencia artificial.

Para explorar esto, Usamos la versión digital del juego de mesa Ticket to Ride. En el juego, los jugadores deben construir pistas entre ciudades específicas en el tablero. Sin embargo, porque los oponentes pueden bloquear tu camino, debe hacer todo lo posible para mantener ocultas sus intenciones.

En un entorno de mesa, si no tienes cuidado, tu oponente podría averiguar tu plan basándose en cómo miras el tablero. Por ejemplo, imagina que tu objetivo es construir una ruta entre Santa Fe y Seattle. Nuestra tendencia natural es mirar hacia adelante y hacia atrás entre esas ciudades, considerando rutas alternativas y los recursos que tienes en las cartas en tus manos.

En nuestro artículo reciente, Descubrimos que cuando los humanos pueden ver hacia dónde miran sus oponentes, pueden inferir algunos de sus objetivos, pero solo si ese oponente no sabe que sus ojos están siendo monitoreados. De lo contrario, comienzan a emplear diferentes estrategias para tratar de engañar a su oponente, incluyendo mirar una ruta de señuelo o mirar por todo el tablero.

¿Puede la IA usar esta información?

Queríamos ver si la IA de un juego podía usar esta información para predecir mejor los movimientos futuros de otros jugadores, basándose en modelos anteriores de reconocimiento de intenciones en IA.

La mayoría de las IA del juego utilizan las acciones del jugador para predecir lo que pueden hacer a continuación. Por ejemplo, en la figura de abajo a la izquierda, imagina que un jugador está reclamando rutas para ir desde Santa Fe a algún destino desconocido en el mapa. La tarea de la IA es determinar qué ciudad es el destino.

Cuando en Santa Fe, todos los destinos posibles son igualmente probables. Después de llegar a Denver, es menos probable que quieran ir a Oklahoma City, porque podrían haber tomado una ruta mucho más directa. Si luego viajan de Denver a Helena, entonces Salt Lake City se vuelve mucho menos probable, y Oklahoma City incluso menos.

En nuestro modelo, aumentamos este modelo básico para considerar también hacia dónde está mirando este jugador.

La idea es simple:si el jugador está mirando una ruta determinada, es más probable que el jugador intente reclamar esa ruta. Como ejemplo, considere el lado derecho de la figura. Después de ir a Denver, nuestro sistema de seguimiento ocular sabe que el jugador ha estado mirando la ruta entre Seattle y Helena, ignorando otras partes del mapa. Esto nos dice que es más probable que tomen esta ruta y terminen en Seattle.

Nuestra IA aumenta la probabilidad relativa de esta acción, mientras que disminuyen otros. Como tal, su predicción es que el próximo movimiento será para Helena, en lugar de a Salt Lake City. Puede leer más sobre los detalles en nuestro artículo.

Experimentación

Evaluamos qué tan bien nuestra IA podía predecir el próximo movimiento en 20 juegos de dos jugadores de Ticket To Ride. Medimos la precisión de nuestras predicciones y cuán temprano en el juego podrían hacerse.

Los resultados muestran que el modelo básico de reconocimiento de intenciones predijo correctamente el próximo movimiento el 23% de las veces. Sin embargo, cuando agregamos mirada a la mezcla, la precisión más del doble, aumentando al 55%.

Más lejos, el modelo de mirada pudo predecir la ciudad de destino correcta antes que el modelo básico, con la IA que usaba la mirada reconociendo intenciones un minuto y medio antes que la que no tenía mirada. Estos resultados demuestran que el uso de la mirada se puede usar para predecir acciones mucho mejor y más rápido que simplemente usar acciones pasadas.

Resultados recientes no publicados muestran que el modelo de la mirada también funciona si la persona que está siendo observada sabe que está siendo observada. Hemos descubierto que las estrategias de engaño que emplean los jugadores para dificultar que otros jugadores determinen sus intenciones no engañan a las IA tan bien como a los humanos.

¿A dónde vamos ahora?

Esta idea se puede aplicar en contextos distintos a los juegos. Por ejemplo, Montaje colaborativo entre robots y humanos en una fábrica.

En estos escenarios, la mirada de una persona conducirá naturalmente a una predicción más temprana y precisa por parte del robot, potencialmente aumentando la seguridad y conduciendo a una mejor coordinación.

Este artículo se publicó originalmente en The Conversation. Lea el artículo original.