🧬 biology

Active Sensing Subserves Task-Level Control

Dieser Artikel schlägt vor, dass aktives Sensieren nicht primär durch sensorische Ziele wie die Reduktion von Unsicherheit angetrieben wird, sondern vielmehr als notwendige Strategie für eine robuste Steuerung auf Aufgabenebene entsteht, bei der Organismen zwischen diskreten Modi des „Explorierens" und „Exploitierens" wechseln, um sensorisches Feedback zu gestalten – ein biologisches Prinzip, das die Gestaltung technischer Robotersysteme erheblich voranbringen könnte.

Ursprüngliche Autoren: Andrew Lamperski, Debojyoti Biswas, Eric S. Fortune, John Guckenheimer, Kathleen Hoffman, Noah J. Cowan

Veröffentlicht 2026-05-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Andrew Lamperski, Debojyoti Biswas, Eric S. Fortune, John Guckenheimer, Kathleen Hoffman, Noah J. Cowan

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einen Besenstiel auf Ihrer Handfläche im Gleichgewicht zu halten. Um ihn aufrecht zu halten, müssen Sie Ihre Hand ständig bewegen. Doch hier kommt die Wendung: Ihre Hand bewegt sich nicht nur, um zu verhindern, dass der Besen umfällt; sie bewegt sich auch, um den Besen besser zu fühlen.

Dieser Artikel argumentiert, dass im Tierreich „aktives Wahrnehmen" (Bewegen, um Informationen zu sammeln) nicht nur ein Luxus zum Lernen über die Welt ist. Stattdessen ist es ein notwendiger Überlebenskniff, der automatisch aufgrund des Aufbaus unserer Körper und Gehirne stattfindet.

Hier ist die Aufschlüsselung ihrer Entdeckung, unter Verwendung einfacher Analogien:

1. Das Problem: Der „taube" Sensor

Die meisten biologischen Sensoren (wie unsere Augen, Ohren oder der elektrische Sinn eines Fisches) sind adaptiv. Das bedeutet, sie sind hervorragend darin, Veränderungen wahrzunehmen, werden aber gegenüber Dingen, die gleich bleiben, „taub".

Die Analogie: Denken Sie daran, in einen Raum mit starkem Kaffeegeruch zu gehen. Anfangs riechen Sie ihn intensiv. Zehn Sekunden später „passt" sich Ihre Nase an, und Sie hören auf, ihn zu bemerken, obwohl der Kaffee immer noch da ist.
Die Konsequenz: Wenn ein Tier völlig still steht, werden seine Sensoren für seine eigene Position „blind". Es kann nicht feststellen, wo es sich relativ zur Welt befindet. Um die Kontrolle zu behalten, muss es sich bewegen, um neue Veränderungen zu erzeugen, die seine Sensoren erfassen können.

2. Die Lösung: Der Tanz zwischen „Erkunden" und „Ausnutzen"

Der Artikel schlägt vor, dass Tiere sich nicht einfach zufällig bewegen. Sie wechseln zwischen zwei distincten Modi, wie ein Fahrer, der den Gang wechselt:

Der „Ausnutzen"-Modus (Die Temporegelung):
- Ziel: Die Aufgabe effizient erledigen (z. B. in einem bewegten Boot bleiben, eine Beute verfolgen).
- Aktion: Das Tier bewegt sich langsam und gleichmäßig, um Fehler auszugleichen. Es versucht, relativ zu seinem Ziel still zu bleiben.
- Analogie: Sie fahren auf einer geraden Autobahn, die Hände ruhig, und versuchen einfach nur, in Ihrer Spur zu bleiben. Sie schauen nicht viel herum, weil Sie wissen, wo Sie sind.
Der „Erkunden"-Modus (Der Check-up):
- Ziel: Die Sensoren wecken.
- Aktion: Das Tier macht schnelle, ruckartige oder größere Bewegungen. Dies erzeugt einen „sensorischen Schlupf" (eine Diskrepanz zwischen dem Ort, an dem es sich befindet, und dem, was es fühlt), der die Sensoren wieder zum Leben erweckt.
- Analogie: Sie fahren im Nebel. Sie können nicht gut sehen, also tippen Sie auf die Bremsen oder weichen leicht aus, um zu sehen, wie das Auto reagiert und um einen besseren Eindruck von der Straße zu bekommen. Sie bewegen sich speziell, um Informationen zu erhalten.

Die Magie: Tiere wechseln unglaublich schnell zwischen diesen beiden Modi. Wenn ihr interner „Unsicherheitsmesser" zu hoch wird (sie sind sich nicht sicher, wo sie sind), wechseln sie zu Erkunden, um eine Fixierung zu erhalten. Sobald sie wissen, wo sie sind, wechseln sie zurück zu Ausnutzen, um die Aufgabe zu beenden.

3. Warum die Natur dies tut (Roboter aber nicht)

Ingenieure bauen Roboter normalerweise mit „perfekten" Sensoren, die nicht taub werden. Sie verwenden eine Regel namens Trennungsprinzip:

Zuerst berechnet der Roboter genau, wo er sich befindet.
Dann entscheidet er, wie er sich bewegen soll.

Die Natur macht dies nicht. Da biologische Sensoren „adaptiv" sind (sie werden taub), kann der Roboter nicht berechnen, wo er sich befindet, ohne sich zuerst zu bewegen.

Die Behauptung des Artikels: Aktives Wahrnehmen ist kein separater Schritt, um die Welt zu „lernen". Es ist eine unvermeidbare Nebenwirkung des Versuchs, einen Körper mit adaptiven Sensoren zu kontrollieren. Sie müssen wackeln, um zu wissen, wo Sie sind, und Sie wackeln, weil Sie Ihre Bewegung kontrollieren müssen.

4. Das Beispiel des „schwach elektrischen Fisches"

Die Forscher untersuchten einen kleinen Fisch namens Eigenmannia, der in einem bewegten Rohr (einem Unterschlupf) schwimmt.

Der Fisch hat einen elektrischen Sinn, der „taub" wird, wenn das Wasser still steht.
Um im Rohr zu bleiben, muss der Fisch ständig hin und her wackeln.
Wenn das Wasser dunkel ist (schwer zu sehen), wackelt der Fisch mehr (mehr „Erkunden"-Modus), um sicherzustellen, dass er nicht aus dem Rohr driftet.
Dies beweist, dass die Bewegung nicht nur zum „Schauen" dient; sie ist mathematisch erforderlich, um den Fisch stabil zu halten.

5. Die große Erkenntnis

Der Artikel argumentiert, dass wir Tierbewegungen auf die falsche Weise betrachtet haben. Wir dachten, Tiere bewegten sich, um „Informationen zu sammeln".
Die neue Sichtweise: Tiere bewegen sich, um ihre Aufgabe zu kontrollieren, und das Sammeln von Informationen ist nur ein notwendiges Nebenprodukt dieser Bewegung.

Alte Sichtweise: „Ich bewege meinen Kopf, um den Ball besser zu sehen."
Neue Sichtweise: „Ich bewege meine Hand, um den Ball zu fangen, und mein Gehirn ist gezwungen, meinen Kopf zu wackeln, damit meine Sensoren nicht taub werden, damit ich meine Hand tatsächlich kontrollieren kann."

Die Autoren schlagen vor, dass wir, wenn wir bessere Roboter bauen wollen, ihnen nicht einfach bessere Kameras geben sollten. Wir sollten ihnen beibringen, zu „wackeln" (zwischen Erkunden und Ausnutzen zu wechseln), genau wie Tiere es tun, denn so bleibt man in Kontrolle, wenn Ihre Sensoren nicht perfekt sind.

Technisches Fazit: Aktives Sensieren dient der Aufgabenebenen-Steuerung

Problemstellung
Traditionelle Definitionen von aktivem Sensieren beschreiben es als Energieaufwand (typischerweise Bewegung), um sensorische Ziele zu erreichen, wie etwa die Minimierung der Unsicherheit über den Zustand eines Organismus oder die Reduzierung des sensorischen Vorhersagefehlers. Diese Perspektive geht jedoch davon aus, dass die Informationsgewinnung der primäre Antrieb für Bewegung ist. Die Autoren identifizieren eine Wissenslücke: Wie entstehen aktive Sensierbewegungen in biologischen Systemen, die auf adaptive Sensoren angewiesen sind (Sensoren, die konstante Basislinien ablehnen und hauptsächlich auf Änderungen in Reizen reagieren)? Adaptives Sensieren ist zwar vorteilhaft für die Empfindlichkeit über weite dynamische Bereiche, erzeugt jedoch ein fundamentales Beobachtbarkeitsproblem. In terms dynamischer Systeme machen adaptive Sensoren das System im Gleichgewicht lokal unbeobachtbar und schließen theoretisch eine stabile geschlossene Regelkreissteuerung aufgabengebundener Verhaltensweisen aus, wenn das System statisch bleibt. Die Arbeit hinterfragt, ob aktives Sensieren durch „Informationsziele" getrieben wird oder ob es eine unvermeidbare Konsequenz der physikalischen und regelungstheoretischen Einschränkungen ist, die durch die Steuerung auf Aufgabenebene auferlegt werden.

Methodik
Die Autoren verfolgen einen vielschichtigen Ansatz, der mathematische Theorie, computergestützte Modellierung und empirische Analyse biologischer Daten kombiniert:

Theoretische Modellierung: Sie nutzen ein vereinfachtes Template-Modell zweiter Ordnung für den Locomotor-Plant des schwach elektrischen Fisches (Eigenmannia virescens). Dieses Modell integriert einen adaptiven Sensor, der auf die zeitliche Ableitung des sensorischen Reizes reagiert ( $y = \gamma(x_1)x_2$ ). Die Autoren zeigen mathematisch, dass für ein solches System eine Stabilisierung auf einen Gleichgewichtspunkt ohne aktive Sensierbewegungen unmöglich ist. Stabilität kann nur um zeitvariierende Bewegungen (Grenzzyklen) herum erreicht werden.
Computersimulationen: Die Autoren simulieren Steuerungsstrategien und vergleichen:
- Persistente Anregung (PE): Eine klassische regelungstheoretische Strategie, bei der reichhaltige, variierende Eingaben kontinuierlich angewendet werden, um die Parameteridentifizierbarkeit sicherzustellen.
- Moduswechsel (Erkunden/Ausnutzen): Eine heuristische Strategie, bei der die Steuerung zwischen einem „Ausnutzungs"-Modus (Minimierung des Verfolgungsfehlers durch langsame, kompensatorische Bewegungen) und einem „Erkundungs"-Modus (Erzeugung schneller, aktiver Sensierbewegungen zur Reduzierung der Zustandsunsicherheit) wechselt.
- Diese Simulationen nutzen eine nicht-konvexe Optimierungslandschaft, wobei die Kostenfunktion Verfolgungsfehler und Steuerungsaufwand (Energie) einschließt, aber keinen expliziten Term für Informationsgewinn enthält.
Empirische Analyse: Die Autoren analysieren erneut Zeitreihendaten einer vielfältigen Gruppe von Organismen (von Nematoden bis zu Menschen), die Station-Halte-Aufgaben durchführen. Sie quantifizieren Verhaltensmodi und Wechsel-Dynamiken, insbesondere wie sensorische Salienz (z. B. Lichtlevel für das Sehen oder Störungen für den Elektrosinn) die Häufigkeit von Übergängen zwischen den Modi beeinflusst.

Hauptbeiträge

Neudefinition des Ursprungs aktiven Sensierens: Die Arbeit schlägt vor, dass aktives Sensieren nicht notwendigerweise durch ein sensorisches Ziel (wie die Minimierung von Unsicherheit) getrieben wird, sondern unvermeidbar aus den Anforderungen der Steuerung auf Aufgabenebene entsteht, wenn das System auf adaptive Sensoren angewiesen ist. Die Kombination aus zielgerichteter Verhaltensweise, geschlossener Regelkreissteuerung und geometrischen/dynamischen sensorischen Einschränkungen erzwingt die Erzeugung von Selbstbewegungen, die das Aufgabenziel nicht direkt erreichen, sondern die Ausführung der Aufgabe ermöglichen.
Das Rahmenwerk des Moduswechsels zwischen Erkunden und Ausnutzen: Die Autoren charakterisieren tierisches Verhalten als schnellen Wechsel zwischen zwei unterschiedlichen Steuerungsrichtlinien:
- Ausnutzungs-Modus: Langsame, kompensatorische Bewegungen, die darauf ausgelegt sind, sensorisches Gleiten (Fehler) zu minimieren und das Aufgabenziel direkt zu erreichen.
- Erkundungs-Modus: Schnelle, aktive Sensierbewegungen, die darauf ausgelegt sind, sensorisches Gleiten zu erhöhen und die Zustandsschätzung zu verbessern.
- Dieser Wechsel wird durch interne Schätzungen der Unsicherheit ausgelöst; wenn die Unsicherheit einen Schwellenwert überschreitet, wechselt das System in den Erkundungs-Modus, um sie zu reduzieren.
Überlegenheit des Moduswechsels gegenüber persistenter Anregung: Theoretische Ergebnisse zeigen, dass die Moduswechsel-Strategie klassischen Methoden der persistenten Anregung überlegen ist. In Simulationen erzielt der Moduswechsel einen geringeren Verfolgungsfehler und reduzierten Steuerungsaufwand (Energiekosten) im Vergleich zur kontinuierlichen Anregung, insbesondere in nicht-konvexen Optimierungslandschaften, in denen die Kostenfunktion die Informationsgewinnung nicht explizit belohnt.
Kritik am Trennungsprinzip: Die Arbeit argumentiert, dass das ingenieurtechnische „Trennungsprinzip" (Zustandsschätzung getrennt von der Steuerung) für Systeme mit adaptiven Sensoren versagt. Im Gegensatz zu technischen Systemen, die absolute, nicht-adaptive Sensoren verwenden, müssen biologische Systeme Sensierung und Aktuation integrieren, wodurch die Erzeugung aktiver Sensierbewegungen zu einem notwendigen Teil der Steuerungsrichtlinie selbst wird.

Ergebnisse

Mathematische Notwendigkeit: Die Analyse des Modells mit adaptivem Sensor beweist, dass ohne aktive Sensierbewegungen (speziell Bewegungen, die einen zeitvariierenden Reiz erzeugen) das System unbeobachtbar ist und nicht auf einen festen Punkt stabilisiert werden kann.
Verhaltensbelege: Empirische Daten bestätigen, dass Tiere aus verschiedenen Taxa (einschließlich Glas-Messerfischen, Kakerlaken und Menschen) diskrete Epochen schneller „Erkundungs"-Bewegungen aufweisen, die mit langsamen „Ausnutzungs"-Bewegungen durchsetzt sind.
Effekte der sensorischen Salienz: Geringere sensorische Salienz (z. B. Dunkelheit oder elektrosensorische Störungen) führt zu einer signifikanten Zunahme der Häufigkeit von Übergängen in den „Erkundungs"-Modus und zu einem höheren Anteil an Zeit, die in hochgeschwindigkeitsaktivem Sensieren verbracht wird, was der Hypothese entspricht, dass Unsicherheit den Wechsel antreibt.
Leistungssteigerungen: Simulationen zeigen, dass durch Unsicherheit getriggerte Wechselstrategien eine bessere Leistung (niedrigere Kosten) erzielen als Strategien der kontinuierlichen Anregung, selbst wenn die Kostenfunktion nur Verfolgungsfehler und Steuerungsaufwand bestraft, nicht jedoch den Informationsgewinn.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass das aktuelle Verständnis von aktivem Sensieren unvollständig ist, da es sich auf Informationsziele konzentriert. Stattdessen argumentieren die Autoren, dass aktives Sensieren eine notwendige Konsequenz der Steuerung in Systemen mit adaptiven Sensoren ist. Diese Erkenntnis legt nahe, dass die Robustheit und Anmut tierischen Verhaltens, das technische Systeme oft in Bezug auf Robustheit und Anpassungsfähigkeit übertrifft, trotz inferiorer Hardware, auf diese spezifische Steuerungsarchitektur zurückzuführen ist.

Die Autoren behaupten, dass technische Systeme, die typischerweise auf dem Trennungsprinzip und nicht-adaptiven Sensoren basieren, eine kritische Komponente biologischer Intelligenz verpassen. Durch die Übernahme adaptiver Sensoren, aktiven Sensierens und Moduswechsel-Steuerungsrichtlinien könnten robotische Systeme potenziell ähnliche Niveaus an Robustheit und Effizienz erreichen. Die Arbeit positioniert diese Erkenntnisse nicht als neuen Optimierungsalgorithmus für die Informationsgewinnung, sondern als einen fundamentalen Wandel in der Gestaltung von Steuerungssystemen für verkörperte Agenten: Die Anerkennung, dass die „Pflanze" (der Körper und seine Sensoren) und der Regler untrennbar miteinander verbunden sind und dass Bewegung manchmal nicht erforderlich ist, um den Zustand zu ändern, sondern um den Zustand beobachtbar zu machen.