💻 computer science

A Mechanistic Model for Collective Motion from Sensorimotor Regularities

Dieser Beitrag stellt ein mechanistisches Modell kollektiver Bewegung vor, das auf individuellen sensorimotorischen Regularitäten – insbesondere der Peilung, der scheinbaren Größe und der Schätzung des internen Zustands – basiert und zeigt, dass vielfältige Gruppenverhalten aus lokalen Gradientenabstiegsaktionen bezüglich der gewünschten sozialen Distanz entstehen und nicht aus abstrakten Wechselwirkungskräften, wodurch Verhaltensübergänge mit messbaren biologischen Parametern wie dem Gesichtsfeld und sensorischem Rauschen verknüpft werden.

Ursprüngliche Autoren: Vito Mengers, Bao Duc Cao, Oliver Brock

Veröffentlicht 2026-05-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Vito Mengers, Bao Duc Cao, Oliver Brock

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine riesige Vogelschar oder einen Fischschwarm vor, die sich als eine einzige große, fließende Form bewegen. Seit Jahrzehnten versuchten Wissenschaftler, diese Magie zu erklären, indem sie taten, als wäre jedes Tier ein kleiner Roboter, der einer einfachen Regel folgt: „Dreh dich, um die Richtung deines Nachbarn zu entsprechen." Sie nannten dies „Modelle selbst angetriebener Partikel". Es funktionierte auf Computern gut, war aber so, als würde man eine Symphonie beschreiben, indem man sagt: „Jeder spielt einfach dieselbe Note." Es beschrieb, was geschah, aber es erklärte nicht, wie die Tiere es tatsächlich taten.

Dieser Artikel sagt: Hör auf, die Regeln zu erraten. Lass uns die Sinne betrachten.

Die Autoren, Forscher aus Berlin, entwickelten ein neues Modell basierend auf einer einfachen Wahrheit: Tiere haben keinen magischen „Gruppenverstand" oder eine direkte Leitung zu den Gedanken ihrer Nachbarn. Sie haben nur ihre Augen, ihr Gehirn und ihren Körper. Sie können Dinge sehen, sie können Vermutungen darüber anstellen, wo Dinge sind, und sie können ihren Körper drehen.

Hier ist die Geschichte ihrer Entdeckung, erklärt durch alltägliche Analogien.

Der alte Weg vs. der neue Weg

Der alte Weg (Die magische Regel): Stellen Sie sich eine Tanzfläche vor, auf der jeder angewiesen wird: „Wenn du jemanden siehst, kopiere seine Bewegung." Der Tanz sieht real aus, aber die Tänzer folgen nur einem Skript. Wenn man das Skript ändert, ändert sich der Tanz, aber das Skript entspricht nicht dem, wie echte Menschen tatsächlich tanzen.
Der neue Weg (Das sensorimotorische Modell): Stellen Sie sich eine überfüllte Party vor, auf der Sie mit niemandem sprechen können. Sie haben nur Ihre Augen. Sie möchten in der Nähe Ihrer Freunde bleiben (eine „soziale Distanz"), aber Sie können sie nicht perfekt sehen. Sie müssen raten, wo sie sind, und wenn Sie sie aus den Augen verlieren, müssen Sie sich daran erinnern, wo sie zuletzt waren. Sie drehen Ihren Körper, um sie in Ihrem Blickfeld zu behalten.

Die Autoren bauten eine Computersimulation, in der 250 „Agenten" (digitale Tiere) genau das tun. Sie haben keine Regel, um sich mit Nachbarn „auszurichten". Sie haben nur ein Ziel: „Bleibe etwa 50 Schritte von meinen Freunden entfernt."

Wie die Magie geschieht

Die Agenten nutzen drei einfache Werkzeuge, um dieses Ziel zu erreichen, und das komplexe Gruppenverhalten entsteht automatisch:

Die Augen (Sichtfeld): Genau wie Sie haben diese Agenten ein begrenztes Sichtfeld. Sie können nicht hinter sich sehen. Wenn ein Freund aus ihrem Sichtfeld läuft, muss der Agent raten, wo er ist.
Das Gehirn (Gedächtnis & Raten): Die Agenten behalten eine „mentale Karte" davon, wo ihre Freunde sind. Wenn sie einen Freund nicht sehen können, löschen sie ihn nicht von ihrer Karte; sie werden nur etwas weniger sicher darüber, wo er ist. Dies ist Gedächtnis.
Der Körper (Drehbegrenzungen): Echte Tiere können sich nicht sofort um 360 Grad drehen. Sie haben eine Begrenzung, wie schnell sie sich drehen können.

Die überraschenden Ergebnisse

Als die Forscher diese einfachen biologischen Einstellungen änderten, veränderte sich das Gruppenverhalten vollständig – ohne dass sich irgendwelche „Gruppenregeln" änderten.

Der „Ring"-Tanz: Wenn die Agenten gute Augen haben und sich schnell drehen können, bilden sie perfekte, sich drehende Ringe.
Das „Mühlen"-Chaos: Wenn die Agenten verwirrt sind (hohes „sensorisches Rauschen", wie bei nebligen Gläsern), hören sie auf, Ringe zu bilden, und kollabieren zu einem dichten, sich drehenden Klumpen.
Die „Strom"-Spaltung: Wenn die Agenten ein sehr schmales Sichtfeld haben (wie durch einen Strohhalm zu schauen) und kein Gedächtnis, bricht die Gruppe in separate Linien auseinander, wobei jede der Person direkt vor ihr folgt.
Der „parallele" Fluss: Wenn sie ein schmales Sichtfeld, aber ein gutes Gedächtnis haben, teilen sie sich in parallele Ströme auf und bleiben organisiert, obwohl sie nicht alle sehen können.

Die große Lektion: Es geht um den Körper, nicht um die Regeln

Das wichtigste Ergebnis ist, dass die Art und Weise, wie sich die Gruppe verhält, vollständig von den physischen und sensorischen Grenzen des Individuums abhängt.

Stellen Sie es sich so vor: Wenn Sie versuchen, eine Gruppe von Katzen zu hüten, bewegen sie sich anders als eine Gruppe von Hunden, nicht weil Katzen und Hunde unterschiedliche „Hütregeln" haben, sondern weil Katzen anders sehen, sich anders drehen und sich anders erinnern.

Der Artikel zeigt, dass:

Sensorisches Rauschen: Wenn die Augen eines Tieres „rauschend" (unscharf) sind, wird die Gruppe ungeordnet.
Drehagilität: Wenn ein Tier steif ist und sich nicht schnell drehen kann, bildet die Gruppe große, langsame Kreise. Wenn es agil ist, sind die Kreise eng und schnell.
Gedächtnis: Wenn ein Tier vergisst, wohin seine Freunde gegangen sind, wenn sie sich hinter einer Wand verstecken, fällt die Gruppe auseinander. Wenn es sich erinnert, bleibt die Gruppe zusammen.

Warum das wichtig ist

Dieses Modell beweist, dass man keine komplexen, unsichtbaren „Wechselwirkungskräfte" benötigt, um zu erklären, warum Tiere zusammenbewegen. Man muss nur ihre sensorimotorischen Regelmäßigkeiten verstehen – wie sie sehen, wie sie raten und wie sie sich bewegen.

Die Autoren kommen zu dem Schluss, dass Unterschiede zwischen Arten (warum Heuschrecken anders schwärmen als Vögel) nicht darauf zurückzuführen sind, dass sie unterschiedlichen sozialen Regeln folgen. Es liegt daran, dass sie unterschiedliche Körper, unterschiedliche Augen und unterschiedliche Erinnerungen haben. Das „kollektive Verhalten" ist einfach das natürliche Ergebnis vieler Individuen, die versuchen, in der Nähe ihrer Freunde zu bleiben, während sie mit ihren eigenen physischen Einschränkungen umgehen.

Kurz gesagt: Die Gruppe ist nicht klug wegen eines geheimen Codes, sondern weil die Individuen das Beste aus den Sinnen und Körpern machen, die sie haben.

Technische Zusammenfassung: Ein mechanistisches Modell für kollektive Bewegung basierend auf sensorimotorischen Regularitäten

Problemstellung
Kollektives Verhalten bei Tieren (z. B. Schwärme, Schulen, Herden) wurde traditionell mit Selbstantriebs-Partikel-Modellen (Self-Propelled Particle, SPP) modelliert. Obwohl SPP-Modelle Gruppeneffekte wie Polarisation und Milling erfolgreich durch abstrakte Wechselwirkungskräfte reproduzieren, sind sie grundsätzlich deskriptiv und nicht mechanistisch. Ihre Parameter (Wechselwirkungsradien, Ausrichtungsstärken) werden an beobachtete Muster angepasst und entsprechen keinen messbaren biologischen Größen. Darüber hinaus gehen SPP-Modelle oft davon aus, dass Agenten direkten Zugriff auf Positionen und Kopfrichtungen ihrer Nachbarn haben; eine Annahme, die durch neuere empirische Arbeiten (z. B. Sayin et al.) widerlegt wird, die zeigen, dass sensorische und kognitive Mechanismen statt direkter Ausrichtung die Interaktion vermitteln. Es besteht ein Bedarf an einem Modell, das auf der sensorimotorischen Ebene verankert ist – operierend auf dem, was Organismen tatsächlich wahrnehmen, schätzen und physisch ausführen können –, um zu erklären, wie kollektives Verhalten entsteht und wie es sich zwischen Arten unterscheidet.

Methodik
Die Autoren stellen ein mechanistisches Modell vor, das auf dem Active InterCONnect (AICON)-Rahmenwerk basiert und von der Robotik auf kollektive Bewegung übertragen wurde. Im Gegensatz zu regelbasierten oder politikgesteuerten Ansätzen generiert AICON Verhalten durch die dynamische Komposition sensorimotorischer Regularitäten.

Architektur: Jeder Agent unterhält rekursive probabilistische Schätzer für seine eigene Pose und für jeden Nachbarn für Position und Sichtbarkeit.
Wahrnehmung: Agenten nehmen Nachbarn über zwei winklige Hinweise innerhalb eines begrenzten Sichtfelds ( $\psi$ ) wahr: Peilung ( $\phi$ ) und scheinbare Größe ( $\gamma$ ). Diese kodieren Richtungs- und Distanzinformationen, ohne eine explizite Tiefenwahrnehmung zu erfordern.
Zustandsschätzung: Agenten unterhalten unsichere interne Zustandsschätzungen. Wenn ein Nachbar das Sichtfeld verlässt, propagiert der Schätzer die letzte Überzeugung nach vorne und akkumuliert Unsicherheit (Gedächtnis). Ist das Gedächtnis deaktiviert, werden Schätzungen beim Wiedereintritt verworfen.
Aktionsauswahl: Agenten folgen keinen vorgeschriebenen Wechselwirkungskräften. Stattdessen minimieren sie eine einzige differenzierbare Kostenfunktion: die erwartete Abweichung von einem gewünschten sozialen Abstand ( $d_0$ $d_{0}$ ) über alle geschätzten Nachbarn hinweg.
$g_i = \sum_{j \in V_i} E[| \|x_j\| - d_0 |]$
Durch Gradientenabstieg auf dieser Kostenfunktion entstehen drei unterschiedliche Verhaltensgradienten natürlich:
1. Positionsanpassung: Bewegung zur Reduzierung des Distanzfehlers.
2. Aktives Sensing: Bewegung zur Reduzierung der Schätzunsicherheit (Triangulation).
3. Neuausrichtung: Drehen, um Nachbarn im Sichtfeld zu halten, um die Sichtbarkeit zu erhalten und die Unsicherheit zu verringern.
Randbedingungen: Agenten unterliegen physikalischen Drehbeschränkungen ( $|\omega| \le \omega_{max}$ ), die die Wendigkeit repräsentieren.

Experimenteller Aufbau
Simulationen wurden mit $N=250$ Agenten in einer 2D-kontinuierlichen Umgebung unter Verwendung von Unicycle-Kinematik durchgeführt. Die Studie variierte fünf wichtige sensorimotorische Parameter (Tabelle 1):

Sichtfeld ( $\psi$ ): $\{90^\circ, 180^\circ, 270^\circ, 360^\circ\}$
Wendigkeit ( $\omega_{max}$ ): $\{0.1, 0.3, 0.6, 0.9\}$
Peilrauschen ( $\sigma_\phi$ ): $\{0.001, 0.01, 1, 10, 100\}$
Scheinbare Größenrauschen ( $\sigma_\gamma$ ): $\{0.001, 0.01, 1, 10, 100\}$
Prozessrauschen ( $Q$ ): $\{0.01, 0.1, 1, 10\}$

Das Verhalten wurde mittels Metriken für Polarisation, räumliche Kompaktheit (Relative Kreisfläche), globale Verschiebung, Kohäsion und gerichtete Fragmentierung quantifiziert. Eine globale varianzbasierte Sensitivitätsanalyse (Sobol-Indizes) wurde durchgeführt, um den Parameter-Einfluss zu bestimmen.

Hauptergebnisse
Das Modell zeigt, dass eine Vielzahl kollektiver Verhaltensweisen ausschließlich aus Variationen sensorimotorischer Parameter entsteht, ohne die zugrundeliegende Wechselwirkungsarchitektur zu ändern:

Emergente Verhaltensweisen:
- Stabile Ringe: Treten bei geringer Unsicherheit mit hoher Wendigkeit auf, wobei Agenten zuverlässige Schätzungen und präzise Distanzkontrolle aufrechterhalten.
- Milling: Entsteht unter erhöhter Unsicherheit. Moderate Unsicherheit erzeugt lose, unregelmäßige Ringe; hohe Unsicherheit lässt Agenten in dichte, rotierende Cluster kollabieren.
- Fragmentierung: Schmale Sichtfelder kombiniert mit hohem Rauschen und keinem Gedächtnis führen zu einer Fragmentierung in treibende Gruppen oder parallele Ströme, da Agenten keine Schätzungen für verdeckte Nachbarn aufrechterhalten können.
Parameter-Einfluss:
- Wendigkeit ( $\omega_{max}$ ): Bestimmt die Formgeometrie (Ringradius), wenn die Schätzung zuverlässig ist, beeinflusst jedoch nur die Cluster-Strammheit unter hoher Unsicherheit.
- Sensorisches Rauschen: Peilrauschen stört die gerichtete Lokalisierung (ungeordnete Aggregation), während Rauschen der scheinbaren Größe die Distanzschätzung verschlechtert (in sich spiralförmige Formationen). Diese erzeugen unterschiedliche Verhaltenssignaturen, im Gegensatz zu skalaren Rauschmodellen.
- Gedächtnis: Kritisch für Kohäsion unter schmalen Sichtfeldern. Sein Fehlen führt selbst bei identischen Anfangsbedingungen zu einer qualitativen Fragmentierung.
Sensitivitätsanalyse: Sichtfeld ( $\psi$ ) und Prozessrauschen ( $Q$ ) sind die dominanten direkten Treiber kollektiven Verhaltens. Sensorische Rauschparameter wirken primär durch Interaktionen (hohe Total-Order-Indizes). Gedächtnis verteilt die Sensitivität neu und macht das System weniger abhängig von einem einzelnen Parameter.

Bedeutung und Behauptungen
Die Arbeit beansprucht, eine konstruktive Alternative zu deskriptiven Partikelmodellen zu bieten, indem sie kollektives Verhalten in sensorimotorischen Regularitäten verankert.

Mechanistisch vs. Deskriptiv: Das Modell erklärt, wie Verhalten produziert wird, und nicht nur, wie es aussieht. Parameter entsprechen messbaren biologischen Größen (z. B. Wendigkeit, sensorisches Rauschen, Geometrie des Sichtfelds) anstatt angepassten Konstanten.
Embodiment und Umwelt: Unterschiede im kollektiven Verhalten zwischen Arten werden als emergente Ergebnisse von Unterschieden im Embodiment (sensorimotorische Eigenschaften) und der Umwelt verstanden, nicht als Unterschiede in abstrakten Interaktionsregeln.
Aktives Sensing: Das Modell erzeugt natürlich aktives Sensing-Verhalten (Triangulation, Neuausrichtung) als Konsequenz der Minimierung der Unsicherheit innerhalb der sensorimotorischen Schleife, eine Eigenschaft, die in gedächtnislosen Antwortmodellen oder abstrakten Bayesschen Modellen ohne geometrische Verankerung fehlt.
Vorhersagekraft: Der Rahmen legt nahe, dass Verhaltensübergänge und Koordinationszusammenbrüche durch Manipulation messbarer biologischer Parameter vorhergesagt werden können, was einen Weg bietet, Vorhersagen auf neue Arten zu übertragen, ohne eine Neu-Anpassung vornehmen zu müssen.

Einschränkungen
Die Autoren weisen darauf hin, dass Vorhersagen über Arten hinweg eine Hypothese bleiben, die gegen empirische Daten validiert werden muss. Das aktuelle Modell geht davon aus, dass alle Agenten identisch sind und behandelt Nachbarn-Interaktionen als global zum Kostenbeitrag beitragend, unabhängig von Verdeckungen (obwohl die Sichtbarkeit moduliert wird), was beobachtbare Strukturen einschränken könnte. Für die Zukunft wird vorgeschlagen, geometrisch lokalisierte Interaktionen, individuelle Variationen und strukturierte Umwelteinflüsse einzubeziehen.