p Nossos olhos muitas vezes traem nossas intenções. Pense em jogadores de pôquer escondendo seus "sinais" atrás de óculos escuros ou goleiros monitorando o olhar do atacante para prever onde eles atirarão. p Em esportes, jogos de tabuleiro, e jogos de cartas, os jogadores podem ver uns aos outros, que cria uma camada adicional de jogabilidade social baseada no olhar, linguagem corporal e outros sinais não-verbais.

p Os jogos digitais carecem totalmente desses sinais. Mesmo quando jogamos contra outros, existem poucos meios de transmitir informações implícitas sem palavras.

p Contudo, o recente aumento na disponibilidade de rastreadores oculares comerciais pode mudar isso. Os rastreadores oculares usam uma câmera infravermelha e LEDs infravermelhos para estimar para onde o usuário está olhando na tela. Hoje em dia, é possível comprar rastreadores oculares precisos e robustos por apenas A $ 125.

p Rastreamento ocular para jogos

p Rastreadores oculares também são vendidos integrados em laptops e fones de ouvido VR, abrindo muitas oportunidades para incorporar o rastreamento ocular em videogames. Em um artigo de revisão recente, oferecemos um catálogo da ampla gama de mecânicas de jogo possibilitadas pelo rastreamento ocular.

p Isso abriu o caminho para investigarmos como os sinais sociais emitidos por nossos olhos podem ser incorporados em jogos contra outros jogadores e inteligência artificial.

p Para explorar isso, usamos a versão digital do jogo de tabuleiro Ticket to Ride. No jogo, os jogadores devem construir trilhas entre cidades específicas no tabuleiro. Contudo, porque os oponentes podem bloquear seu caminho, você deve fazer o seu melhor para manter suas intenções ocultas.

p Em uma configuração de mesa, se você não for cuidadoso, seu oponente pode descobrir seu plano com base em como você olha para o tabuleiro. Por exemplo, imagine que seu objetivo é construir uma rota entre Santa Fé e Seattle. Nossa tendência natural é olhar para trás e para frente entre essas cidades, considerando rotas alternativas e os recursos que você tem nas cartas em suas mãos.

p Em nosso artigo recente, descobrimos que quando os humanos podem ver para onde seus oponentes estão olhando, eles podem inferir alguns de seus objetivos - mas apenas se o oponente não souber que seus olhos estão sendo monitorados. De outra forma, eles começam a empregar estratégias diferentes para tentar enganar seu oponente, incluindo olhar para uma rota de chamariz ou olhar em todo o tabuleiro.

p A IA pode usar essas informações?

p Queríamos ver se um jogo AI poderia usar essas informações para prever melhor os movimentos futuros de outros jogadores, com base em modelos anteriores de reconhecimento de intenção em IA.

p A maioria dos IAs de jogo usa as ações do jogador para prever o que eles farão a seguir. Por exemplo, na figura abaixo à esquerda, imagine um jogador reivindicando rotas para ir de Sante Fe a algum destino desconhecido no mapa. A tarefa da IA ​​é determinar qual cidade é o destino.

p Quando em Santa Fe, todos os destinos possíveis são igualmente prováveis. Depois de chegar a Denver, torna-se menos provável que queiram ir para Oklahoma City, porque eles poderiam ter tomado uma rota muito mais direta. Se eles viajarem de Denver para Helena, então Salt Lake City se torna muito menos provável, e Oklahoma City ainda menos.

p Em nosso modelo, aumentamos esse modelo básico para também considerar para onde o jogador está olhando.

p A ideia é simples:se o jogador está olhando para uma determinada rota, o mais provável é que o jogador tente reivindicar essa rota. Como um exemplo, considere o lado direito da figura. Depois de ir para Denver, nosso sistema de rastreamento ocular sabe que o jogador está observando a rota entre Seattle e Helena, enquanto ignora outras partes do mapa. Isso nos diz que é mais provável que tomem esse caminho e acabem em Seattle.

p Nossa IA aumenta a probabilidade relativa dessa ação, enquanto diminui outros. Como tal, sua previsão é que o próximo movimento será para Helena, em vez de Salt Lake City. Você pode ler mais sobre os detalhes em nosso artigo.

p Experimentação

p Avaliamos o quão bem nossa IA poderia prever o próximo movimento em 20 jogos para dois jogadores do Ticket To Ride. Medimos a precisão de nossas previsões e quão cedo no jogo elas poderiam ser feitas.

p Os resultados mostram que o modelo básico de reconhecimento de intenção previu corretamente o próximo movimento 23% das vezes. Contudo, quando adicionamos olhar à mistura, a precisão mais que dobrou, aumentando para 55%.

p Avançar, o modelo do olhar foi capaz de prever a cidade de destino correta antes do modelo básico, com a IA que usava o olhar para reconhecer intenções um minuto e meio antes do que sem olhar. Esses resultados demonstram que usar o olhar pode ser usado para prever a ação muito melhor e mais rápido do que usar apenas as ações anteriores.

p Resultados recentes não publicados mostram que o modelo do olhar também funciona se a pessoa que está sendo observada sabe que está sendo observada. Descobrimos que as estratégias de engano que os jogadores empregam para tornar mais difícil para outros jogadores determinar suas intenções não enganam os IAs tão bem quanto enganam os humanos.

p Onde a próxima?

p Essa ideia pode ser aplicada em contextos diferentes dos jogos. Por exemplo, montagem colaborativa entre robôs e humanos em uma fábrica.

p Nestes cenários, o olhar de uma pessoa levará naturalmente a uma previsão mais precoce e precisa do robô, potencialmente aumentando a segurança e levando a uma melhor coordenação. p Este artigo foi publicado originalmente em The Conversation. Leia o artigo original.