A behaviour-centric digital twin framework for animal monitoring: from managed enclosures to landscapes

Seit Jahrzehnten ist die Art und Weise, wie wir Tiere beobachten, ein Spiel der Fragmente. In Zoos, Wildreservaten und Rehabilitationszentren verlassen sich Forscher auf stationäre Kameras, um das Verhalten zu beobachten. Eine Kamera in einer Ecke sieht die linke Seite eines Teiches; eine andere auf einem Pfosten sieht die rechte. Jedes Objektiv erfasst nur einen Ausschnitt der Welt, aber keine einzelne Kamera sieht das gesamte Bild. Wenn Wissenschaftler versuchen zu verstehen, wie ein Tier seinen Raum nutzt, müssen sie diese unzusammenhängenden Ansichten oft manuativ zusammensetzen oder, schlimmer noch, sie verwechseln einen toten Winkel mit einem Ort, den das Tier schlichtweg nicht mag. Dieser Ansatz ist nicht nur unvollständig; er ist oft auch störend. Die Installation neuer Kameras in einem besetzten Gehege erfordert Bohren, Verkabelung und wiederholte menschliche Präsenz, was genau die Tiere stresst, die eigentlich untersucht werden sollen. Idealerweise sollte das Überwachungssystem perfekt sein, bevor das erste Werkzeug den Boden berührt, und die Daten sollten die tatsächliche Welt des Tieres widerspiegeln, nicht nur die begrenzte Sicht der Kamera.

Hier tritt das Konzept eines „digitalen Zwilling“ in die Geschichte ein. Stellen Sie sich eine perfekte, virtuelle Kopie eines physischen Ortes vor, die mit denselben Dimensionen, Texturen und Lichtverhältnissen wie das Original gebaut wurde. In der Technik werden diese Zwillinge verwendet, um Maschinen zu testen, bevor sie gebaut werden. In der Ökologie beginnen sie dabei zu helfen, Populationen zu verstehen, aber sie wurden selten dazu eingesetzt, einzelne Tiere in ihren täglichen Lebensräumen zu beobachten. Ein neues Framework, das von Forschern bei Vantara, einem Zentrum für Wildtierrettung und -rehabilitation in Indien, entwickelt wurde, zielt darauf ab, diese Lücke zu schließen. Sie haben ein System geschaffen, das ein Zoo-Gehege in eine lebendige, interaktive Karte verwandelt. Dieses System zeichnet nicht nur Video auf; es versteht den dreidimensionalen Raum, weiß genau, was jede Kamera sehen kann und was nicht, und übersetzt jede Bewegung in eine präzise Position auf einer Karte, die die wahre Welt des Tieres repräsentiert.

Die Forscher wandten dieses Framework auf zwei spezifische Gehege in ihrem Zentrum an: eines für Amerikanische Schwarzbären und eines für Zwergflusspferde. Für das Schwarzbärengehege, das fast 1.000 Quadratmeter umfasst, bauten sie einen detaillierten virtuellen Nachbau unter Verwendung von Satellitenbildern, Drohnenfotos und Bodenuntersuchungen. Dieses digitale Modell umfasst das Gelände, einen Teich, Felswände, Kletterstrukturen und sogar die spezifischen Bäume und Stämme, die die Sicht blockieren könnten. Sie platzierten virtuelle Kameras an exakt denselben Stellen, an denen die realen Kameras installiert waren, wobei sie Höhe und Winkel imitierten. Bevor das System mit echten Daten betraut werden konnte, führte das Team einen strengen Selbsttest durch. Sie generierten tausende synthetische, computergenerierte Bewegungen für zwei virtuelle Bären und schufen so eine „Ground Truth“ (Grundwahrheit) darüber, wo sich die Tiere befinden sollten. Anschließend speisten sie diese gefälschten Bewegungen durch ihr Erkennungssystem, um zu sehen, ob die Software die Positionen präzise rekonstruieren konnte.

Die Ergebnisse dieser Simulation waren präzise. Wenn das System die Daten einer einzelnen Kamera betrachtete, konnte es den Standort eines Bären mit einem mittleren Fehler von etwa 19 Zentimetern bestimmen. Die wahre Stärke des Systems zeigte sich jedoch, als es die Ansichten mehrerer Kameras kombinierte. Durch die Fusion der Daten aus verschiedenen Blickwinkeln sank der Fehler auf nur 7 Zentimeter. Diese Fusion ermöglichte es, die Tiere in 94,8 % der Zeit, in der sie aktiv waren, zu erfassen, wodurch die „toten Winkel“, die die traditionelle Überwachung plagen, effektiv eliminiert wurden. Entscheidend war auch, dass das System zwischen einem wirklich leeren Raum und einem Raum, der lediglich nicht einsehbar war, unterscheiden konnte. Bei älteren Methoden, wenn eine Kamera eine Ecke des Geheges nicht sehen konnte, interpretierte die Software dies möglicherweise als Vermeidung dieser Ecke durch das Tier. Dieses neue Framework markiert diese verborgenen Bereiche als „nicht beobachtbar“ und stellt sicher, dass die Daten das widerspiegeln, was tatsächlich gesehen wurde, und nicht das, was man verpasst hat.

Über die bloße Verfolgung von Bewegungen hinaus ermöglicht das Framework ein Maß an Planung, das zuvor unmöglich war. Die Forscher nutzten den digitalen Zwilling, um das Kameranetzwerk zu analysieren, bevor überhaupt Hardware installiert wurde – ein Prozess, der in einem bewohnten Gehege ohne Störung der Tiere unmöglich gewesen wäre. Sie berechneten, dass das schließlich installierte Setup aus fünf Kameras 85,1 % des Geheges für mindestens eine Kamera sichtbar machen würde, wobei 57,4 % gleichzeitig von zwei oder mehr Kameras sichtbar sind. Das System identifizierte, dass eine spezifische Kamera, die in der Nähe der Höhlentür positioniert war, ein Spezialist war, der sehr wenig vom allgemeinen Bereich sah, aber essenziell für die Beobachtung des Eingangs war. Es zeigte auch auf, dass eine andere Kamera, die sich am Poolende befand, die kritischste für die allgemeine Abdeckung war; falls diese ausfiele, würde die sichtbare Fläche signifikant sinken. Darüber hinaus konnte der Zwilling vorhersagen, wann die Sonne direkt in die Linsen scheinen würde, was zu Blendungen führt, die das Bild überstrahlen. Er zeigte, dass die nach Süden ausgerichteten Kameras während der Wintersonnenwende bis zu zehn Stunden am Tag durch die Sonne geblendet würden – ein Problem, das nun gelöst werden konnte, indem man den Montagewinkel anpasste oder Infrarotbeleuchtung einsetzte, noch bevor die Kameras eingeschaltet wurden.

Das ultimative Ziel dieser Arbeit ist es, eine kontinuierliche Geschichte für jedes Tier zu erstellen, von der Rehabilitation bis zur Freilassung. Derzeit wird das Leben eines Tieres oft in zwei getrennten Phasen untersucht: der Zeit in einem kontrollierten Gehege und der Zeit in der Wildnis. Dieses Framework schlägt eine Brücke zwischen diesen beiden. Dieselbe digitale Architektur, die zur Überwachung eines Bären im Zoo verwendet wird, könnte angepasst werden, um denselben Bären nach seiner Freilassung in einer weiten Landschaft zu überwachen, indem GPS-Halsbänder und Fotofallen anstelle von stationären CCTV-Kameras genutzt werden. Dies würde es Wissenschaftlern ermöglichen, eine einzige, konsistente Aufzeichnung des Verhaltens eines Individuums zu führen und zu vergleichen, wie es den Raum in Gefangenschaft nutzte im Vergleich dazu, wie es sich in der Wildnis bewegt. Während sich die aktuelle Studie auf die Präzision der Gehegeüberwachung konzentrierte, ist das Design darauf ausgelegt, auf diese größeren, wilderen Umgebungen skalierbar zu sein.

Die Forscher betonen, dass ihre Ergebnisse auf einer hochpräzisen Simulation und einer retrospektiven Analyse eines bereits installierten Kameranetzwerks basieren. Das System wurde in dieser spezifischen Studie noch nicht an Live-Echtzeitaufnahmen der Bären getestet, obwohl die zugrunde liegende Erkennungssoftware bereits auf dem Netzwerk des Zentrums läuft. Der Erfolg der Simulation beweist, dass die mathematischen und geometrischen Grundlagen fundiert sind und eine Fehlermarge etablieren, die klein genug ist, um für die Verhaltensanalyse vertrauenswürdig zu sein. Indem sie die Design- und Testphase in eine virtuelle Welt verlagern, stellt das Framework sicher, dass die physische Installation beim ersten Mal korrekt ist, was den Stress für die Tiere durch wiederholte Bauarbeiten vermeidet. Es transformiert die Tierüberwachung von einer Sammlung fragmentierter, zweidimensionaler Videoclips in eine einheitliche, dreidimensionale Messung des Lebens, in der jeder Schritt erfasst und jeder tote Winkel bekannt ist.