导航认知地图(Cognitive Maps):Minecraft中三维(3D)路径数据的统计分析方法

《Psychometrika》:Navigating Cognitive Maps: Statistical Analysis of 3D Path Data in Minecraft

【字体: 大 中 小 】 时间:2026年01月14日 来源:Psychometrika 3.1

编辑推荐:

  摘要:理解空间导航(spatial navigation)与记忆形成对探索人类如何在复杂环境中学习与适应至关重要。为研究这些过程,研究人员采用Minecraft记忆与导航任务(Minecraft Memory and Navigation Task, MMN)

  
摘要:理解空间导航(spatial navigation)与记忆形成对探索人类如何在复杂环境中学习与适应至关重要。为研究这些过程,研究人员采用Minecraft记忆与导航任务(Minecraft Memory and Navigation Task, MMN),在虚拟开放世界环境中收集详细的三维(three-dimensional, 3D)路径数据。在统计学上,研究人员开发了一种新方法,将复杂的高维3D运动数据转换为函数表示(functional representation),以实现不同被试与环境间的标准化比较与分析。研究人员应用函数聚类(functional clustering)与回归(regression)等技术识别导航模式及其与认知地图(cognitive map)发展和记忆保持(memory retention)的关系。分析揭示了两点重要发现:第一,训练期间采取适度探索行为的被试对物体位置的保持能力更优;第二,低效的导航策略与较差的空间记忆和导航表现强相关。这些发现凸显了该方法在推动动态3D环境中导航行为与认知过程研究方面的有效性。
论文解读:《Navigating Cognitive Maps: Statistical Analysis of 3D Path Data in Minecraft》
一、研究背景与意义
传统空间导航与认知地图(cognitive map)研究多使用迷宫或固定路径的城市模型,难以还原真实世界中导航的变异性与复杂性,且常用线性统计量无法捕捉认知地图形成过程中动态的学习过程与策略转换。为克服上述局限,研究人员采用开放世界三维(3D)实验框架——Minecraft记忆与导航任务(Minecraft Memory and Navigation Task, MMN),模拟具生态效度的环境以考察个体如何导航、学习并保持空间信息。本研究的方法学贡献在于提出了一套新颖的统计流程,利用Dijkstra算法计算带地形约束的最优路径,定义"代价差曲线(cost difference curve)"将高维3D轨迹转化为密集观测的函数型数据(functional data),进而通过函数聚类(functional clustering)与标量对函数回归(scalar-on-functional regression, SoFR)揭示导航策略与空间记忆保持之间的关系。该研究发表于《Psychometrika》。
二、主要关键技术方法
研究招募182名健康成人被试,完成MMN任务(两个训练阶段自由探索12个物体位置,一个测试阶段召回放置物体位置),每秒记录玩家3D坐标(x,y,z)及事件时间戳。关键技术方法包括:(1)基于Minecraft地形约束(相邻块水平/对角连通、垂直爬升≤2块下降≤3块、上升代价高于下降)构建加权图,应用Dijkstra算法计算任意两物体间Dijkstra距离(D(bstart, bend))作为最优路径代价(optimal cost, OC);(2)将训练中物体间移动段(segment)的实际累积代价(actual cost, AC)与OC做差得到代价差ΔCis(t)=ACis(t)?OCis(t),非负),按统一时间域[0,T](T=100)插值归一化为标准化代价差曲线ΔC'is(t);(3)用三次B样条基(cubic B-spline basis, K=10)展开曲线提取系数,进行K-means聚类确定4类导航模式;(4)按最优路径代价70为界区分低代价与高代价段,对每名被试求低代价段平均代价差曲线,结合标量协变量(人口学、游戏经验、聚类比例、移除曲线计数即高代价段数、平均段耗时)拟合SoFR模型预测三项测试表现:正确定位物体数Y1、正确放置平均耗时Y2、正确放置平均Dijkstra距离偏差Y3。
三、研究结果
3.1 Navigation in 3D environments: Past work and challenges
指出3D路径数据高维、强时空自相关、受游戏垂直移动限制(攀爬/跌落惩罚)及地形障碍影响,传统PCA、DTW及状态空间模型不直接适用,需引入环境约束感知的路径代价度量。
3.2 Defining optimal paths
详述将Minecraft世界建模为3D网格块(node)与可行走边(edge)的加权图,边权公式d(b1,b2)=√((Δx)2+(Δy)2)+|Δz|×(2+0.5×sgn(Δz)),上升代价高于水平及下降,Dijkstra算法求最短路径代价作为环境基准距离。
3.3 Cost difference during object–location learning
将训练路径按物体间转移切分为段(segment),定义段内实际代价ACis(t)、最优代价OCis(t)=D(st,sT),得代价差曲线ΔCis(t)≥0。经时间域统一插值归一化后保留曲线形态信息,解耦地形与物体位置影响,便于跨段比较。
3.4 Clustering cost difference curves
对5572条归一化代价差曲线做B样条展开+K-means(K=4,Silhouette验证),得到四类导航簇:Cluster 1(80.74%)高效近最优直达路径;Cluster 2(14.82%)中途偏离但逐渐修正,体现探索学习;Cluster 3(2.17%)全程持续低效徘徊犹豫;Cluster 4(2.26%)初期迷失但快速纠正靠拢最优。训练2相比训练1,Cluster 1比例上升(78.6%→82.9%)、Cluster 2下降(16.9%→12.7%),表明熟悉度提升效率;Env4的Cluster 1比例最低(76.8%),说明其地形更具挑战促探索;首段(first segment)Cluster 1比例最高(90.6%,选最近目标),末段(last segment)Cluster 3/4比例升高(各约4%),反映找最后物体难度增大。
3.5 Functional regression analysis
SoFR模型R2分别为Y1:0.2958、Y2:0.2602、Y3:0.2523。男性(p=0.0569)与更高Minecraft技能(专家>中级>新手,p<0.05)显著提升正确回忆物体数Y1;高Cluster 3/4比例倾向降低Y1(p≈0.07~0.09)。高"移除曲线计数"(多次走非最优长距段)反而与测试中较短正确定位耗时Y2负相关(β=-2.7311,p=0.0246),暗示非常规路线带来更广环境熟悉度。平均段耗时正向预测Y2(p<1e-5),反映个体节奏一致性。Env4放置偏差大于Env1(p=0.0056);高Cluster 2比例与更小放置偏差Y3相关(β=-3.1647,p=0.0493),支持适度探索助记地标周边信息。Y3回归中函数系数β(t)末端(最后约20%时间域)显著负向,即训练末端在目标附近做小幅探索(代价差略大)的被试测试放置更精确,说明局部精细探索促进位置编码。
四、讨论与结论翻译总结
研究人员证明整合Dijkstra算法、代价差分析、函数聚类和函数回归的新统计方法可有效量化受3D约束(如有限垂直移动)偏离最优导航的程度。函数聚类揭示从高效到徘徊的四类导航模式,训练期适度探索(Cluster 2)关联测试更高物体位置记忆精度,低效导航(Cluster 3/4高占比)关联较差空间记忆。Minecraft技能、性别及游戏视角经验(第三人称视角经验者可能因更广空间觉察力表现更好,纯第一人称玩家在此任务中反而较差)影响表现。高移除曲线计数与测试中更快定位相关,提示探索性非常规路线加深环境整体熟悉度;训练末端靠近目标时的局部探索行为预测测试更高放置精度。未来方向含测试阶段行为分析、鲁棒/局部函数聚类、环境地标与接近角度效应、延迟记忆及更广人群推广。结论:在Minecraft开放世界中,适度和局部探索行为促进认知地图构建与物体—位置联结保持,而持续性低效导航策略预示较差空间记忆;所提函数型数据分析框架为复杂3D动态环境中导航行为与认知过程研究提供了有效量化工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号