LEARNING MODELS TO OPTIMIZE THE PLAYER EXPERIENCE IN ROBOGAMES.

As technology progresses new game experiences emerges. Among these, a new type of game appears, where human players are involved in a physical activity against robotic agents. This type of games has been introduced as Physically Interactive Robogames (PIRG). In this work, we have developed methods and insights for modeling players in a PIRG environment with data from on-board sensors processed in real-time. This new type of game environment has as main characteristic the exploitation of the real world as environment (in both its dynamical, unstructured, and structured aspects), and of one or more real, physical, autonomous robots as game opponents or companions. The ultimate direction for PIRG is to obtain a robotic player purposefully aiming at maximizing human player entertainment. In our work, we provide a panorama of design for such robotic applications, advocating, in the process, the benefits of Machine Learning techniques to tackle the challenges. We present methods and insights for player modeling using Machine Learning techniques, as well as direction for future research to achieve full adaptation. Besides being an interesting field for testing approaches from Machine Learning, a PIRG scenario provides a challenging application for several other disciplines, among which: (general and specific) Artificial Intelligence, Statistics, Human-Robot Interaction, Robotics, Psychology, Design.

Con l'avanzare della tecnologia emergono nuove esperienze di gioco. Tra questi, appare un nuovo tipo di gioco, in cui i giocatori umani sono coinvolti in un'attività fisica contro agenti robotici. Questo tipo di giochi è stato introdotto come Physical Interactive Robogames (PIRG). In questo lavoro, abbiamo sviluppato metodi e approfondimenti per modellare i giocatori in un ambiente PIRG con i dati dei sensori integrati elaborati in tempo reale. Questo nuovo tipo di ambiente di gioco ha come caratteristica principale lo sfruttamento del mondo reale come ambiente (in entrambi i suoi aspetti dinamici, non strutturati e strutturati) e di uno o più robot reali, fisici e autonomi come avversari o compagni di gioco. La direzione finale per PIRG è ottenere un giocatore robotico che mira a massimizzare l'intrattenimento del giocatore umano. Nel nostro lavoro, forniamo un panorama del design per tali applicazioni robotiche, sostenendo, nel processo, i benefici delle tecniche di Machine Learning per affrontare le sfide. Presentiamo metodi e approfondimenti per la modellizzazione dei giocatori utilizzando tecniche di Machine Learning. Oltre ad essere un campo interessante per testare tecniche di Machine Learning, uno scenario PIRG fornisce un'applicazione stimolante per molte altre discipline, tra cui: Intelligenza Artificiale (generale e specifica), Statistica, Interazione uomo-robot, Robotica, Psicologia e Design.