В статье рассматривается проблема аутфилдера, которая относится к бейсболисту, который стоит на дальнем поле, чтобы поймать мяч после удара. Это классическая задача в физике и нейробиологии движения, используемая для изучения того, как люди и животные предсказывают движения в динамичной среде и как можно сконструировать автоматизированные системы, имитирующие их.

Джоан Лопес-Молинер, профессор факультета психологии Калифорнийского университета и сотрудник Института неврологии (UBneuro), возглавила исследование и утверждает, что "столкнувшись с этой проблемой, современные модели основаны на управлении передвижением путем постоянного взгляда на мяч, в то время как обычно элитный спортсмен может бежать к мячу. мяч, не глядя на него". "Более того, - добавляет он, - эти модели не позволяют предсказать, куда полетит мяч относительно наблюдателя". Первоначальное исследование было частью докторской диссертации, проведенной Борхой Агуадо, соавтором и бывшим членом группы, который после пребывания в Дармштадте (Германия) в настоящее время является исследователем в Университете Вика.

Модель интегрирует предварительные знания о силе тяжести и физическом размере мяча в визуальную информацию, получаемую в режиме реального времени. "Модель предоставляет сигналы в реальном времени, которые указывают прогнозируемое положение падения мяча и время, оставшееся до его прибытия, с учетом различных условий гравитации. Это позволяет точно предсказать, как игрок будет двигаться, чтобы поймать мяч, с самого начала полета", - описывает Лопес-Молинер, который также координирует исследовательскую группу Vision and Control of Action.

Несмотря на важность гравитации для прогнозирования траекторий, это первый случай, когда этот фактор был включен в такую модель. "Это упущение не учитывает существенного влияния гравитации на траекторию, что отражает пробел в том, как существующие модели учитывают константы окружающей среды", - говорит профессор Калифорнийского университета.

Более того, предыдущие модели не могут объяснить, почему люди воспринимают, находится ли мяч в пределах досягаемости или нет, чтобы решить, начинать ли бежать. "Наша модель действительно учитывает это, поскольку она указывает, куда будет двигаться объект относительно игрока", - говорит исследователь.

Эксперименты с виртуальной реальностью

Чтобы проверить модель, исследователи провели эксперименты в среде виртуальной реальности с эффектом погружения, в которых каждый участник - в защитных очках и с устройством виртуальной реальности в руке - должен был переместиться в положение, в которое, по их мнению, должен был приземлиться виртуальный мяч. Контролируемая среда позволяла моделировать различные условия гравитации и размера шара, показывая, что эмпирические траектории, схемы движения и временные реакции соответствовали предсказаниям модели. "Наша модель точно предсказывает траектории, наблюдаемые участниками в различных условиях. Результаты подчеркивают важность учета экологических констант, таких как гравитация, чтобы лучше понять, как люди взаимодействуют с окружающим миром", - говорит исследователь.

Виртуальная тренировка для спортсменов и астронавтов

Новая модель могла бы стать основой для будущей разработки различных практических приложений, например, в спортивных тренировках. "С одной стороны, поскольку модель включает в себя несколько компонентов - таких как визуальная информация или гравитация, - ее можно было бы применять в обучающих или виртуальных симуляционных платформах. Таким образом, можно было бы увидеть степень чувствительности человека - например, элитного спортсмена - к различным компонентам или обучить его обрабатывать и использовать визуально значимую информацию для оптимизации производительности", - говорит Лопес-Молинер.

Более того, тот факт, что модель может учитывать различные типы гравитации, также может найти применение в аэрокосмическом секторе. "Модель может быть применена в средах с различной гравитацией и потенциально может предсказать эффективность, с которой человек - например, астронавт на космической станции - будет взаимодействовать с движущимися объектами", - говорит профессор.

Исследования с использованием искусственных нейронных сетей

Исследователи уже работают над следующим этапом: внедрением модели в искусственные нейронные сети, вычислительные системы, имитирующие функционирование нейронов в человеческом мозге. Их цель - сравнить производительность людей и искусственных сетей. "Это позволило бы нам иметь более четкое представление о том, как вычисления реализуются на нейронном уровне, поскольку теперь у нас есть модель в вычислительном масштабе, но не нейронная реализация в искусственной нейронной сети. Эти знания могли бы найти очевидное применение в области робототехники", - заключает Лопес-Молинер.