A Mechanistic Model for Collective Motion from Sensorimotor Regularities

Resumen Técnico: Un Modelo Mecanicista para el Movimiento Colectivo a partir de Regularidades Sensoriomotoras

Enunciado del Problema
El comportamiento colectivo en animales (por ejemplo, bandadas, cardúmenes, enjambres) ha sido modelado tradicionalmente utilizando marcos de partículas autopropulsadas (SPP). Si bien los modelos SPP reproducen con éxito fenómenos a nivel de grupo como la polarización y el molinillo mediante fuerzas de interacción abstractas, son fundamentalmente descriptivos en lugar de mecanicistas. Sus parámetros (radios de interacción, fuerzas de alineación) se ajustan a patrones observados y carecen de correspondencia con cantidades biológicas medibles. Además, los modelos SPP a menudo asumen que los agentes tienen acceso directo a las posiciones y cabeceos de sus vecinos, una suposición contradicha por trabajos empíricos recientes (por ejemplo, Sayin et al.) que muestran que los mecanismos sensoriales y cognitivos, en lugar de la alineación directa, median la interacción. Existe la necesidad de un modelo fundamentado en el nivel sensorimotor —operando sobre lo que los organismos pueden percibir, estimar y ejecutar físicamente— para explicar cómo se produce el comportamiento colectivo y cómo varía entre especies.

Metodología
Los autores presentan un modelo mecanicista basado en el marco InterCONexión Activa (AICON), extendido desde la robótica al movimiento colectivo. A diferencia de los enfoques basados en reglas o impulsados por políticas, AICON genera comportamiento a través de la composición dinámica de regularidades sensoriomotoras.

• Arquitectura: Cada agente mantiene estimadores probabilísticos recursivos para su propia pose y, para cada vecino, para la posición y la visibilidad.
• Percepción: Los agentes perciben a los vecinos mediante dos señales angulares dentro de un campo de visión limitado ($\psi$): acimut ($\phi$) y tamaño aparente ($\gamma$). Estas codifican información direccional y de distancia sin requerir detección de profundidad explícita.
• Estimación de Estado: Los agentes mantienen estimaciones internas de estado inciertas. Cuando un vecino sale del campo de visión, el estimador propaga la última creencia hacia adelante, acumulando incertidumbre (memoria). Si la memoria está desactivada, las estimaciones se descartan al volver a entrar.
• Selección de Acción: Los agentes no siguen fuerzas de interacción prescritas. En su lugar, minimizan una única función de costo diferenciable: la desviación esperada de una distancia social deseada ($d_0$) a través de todos los vecinos estimados.
  $$g_i = \sum_{j \in V_i} E[| \|x_j\| - d_0 |]$$
  A través del descenso de gradiente en este costo, emergen naturalmente tres gradientes de comportamiento distintos:
  1. Ajuste de Posición: Moverse para reducir el error de distancia.
  2. Sensores Activos: Moverse para reducir la incertidumbre de estimación (triangulación).
  3. Reorientación: Girar para mantener a los vecinos dentro del campo de visión, preservando la visibilidad y reduciendo la incertidumbre.
• Restricciones: Los agentes están sujetos a restricciones físicas de giro ($|\omega| \le \omega_{max}$), que representan la agilidad de giro.

Configuración Experimental
Se realizaron simulaciones con $N=250$ agentes en un entorno continuo 2D utilizando cinemática de unicycle. El estudio varió cinco parámetros sensoriomotores clave (Tabla 1):

1. Campo de Visión ($\psi$): $\{90^\circ, 180^\circ, 270^\circ, 360^\circ\}$
2. Agilidad de Giro ($\omega_{max}$): $\{0.1, 0.3, 0.6, 0.9\}$
3. Ruido de Acimut ($\sigma_\phi$): $\{0.001, 0.01, 1, 10, 100\}$
4. Ruido de Tamaño Aparente ($\sigma_\gamma$): $\{0.001, 0.01, 1, 10, 100\}$
5. Ruido de Proceso ($Q$): $\{0.01, 0.1, 1, 10\}$

El comportamiento se cuantificó utilizando métricas para polarización, compacidad espacial (Área Circular Relativa), desplazamiento global, cohesión y fragmentación direccional. Se realizó un análisis de sensibilidad global basado en la varianza (índices de Sobol) para determinar la influencia de los parámetros.

Resultados Clave
El modelo demuestra que una diversa gama de comportamientos colectivos emerge únicamente de variaciones en los parámetros sensoriomotores, sin cambiar la arquitectura de interacción subyacente:

• Comportamientos Emergentes:
  • Anillos Estables: Ocurren con baja incertidumbre y alta agilidad de giro, donde los agentes mantienen estimaciones fiables y un control de distancia preciso.
  • Molinillo: Surge bajo incertidumbre aumentada. Una incertidumbre moderada produce anillos irregulares sueltos; una alta incertidumbre colapsa a los agentes en clusters densos y rotatorios.
  • Fragmentación: Campos de visión estrechos combinados con alto ruido y sin memoria causan fragmentación en grupos a la deriva o corrientes paralelas, ya que los agentes no pueden mantener estimaciones de vecinos ocultos.
• Influencia de Parámetros:
  • Agilidad de Giro ($\omega_{max}$): Gobierna la geometría de la formación (radio del anillo) cuando la estimación es fiable, pero solo afecta la compacidad del grupo bajo alta incertidumbre.
  • Ruido Sensorial: El ruido de acimut perturba la localización direccional (agregación desordenada), mientras que el ruido de tamaño aparente degrada la estimación de distancia (formaciones en espiral hacia adentro). Estos producen firmas conductuales distintas, a diferencia de los modelos de ruido escalar.
  • Memoria: Crítica para la cohesión bajo campos de visión estrechos. Su ausencia conduce a una fragmentación cualitativa incluso con condiciones iniciales idénticas.
• Análisis de Sensibilidad: El campo de visión ($\psi$) y el ruido de proceso ($Q$) son los impulsores directos dominantes del comportamiento colectivo. Los parámetros de ruido sensorial actúan principalmente a través de interacciones (índices de orden total altos). La memoria redistribuye la sensibilidad, haciendo que el sistema dependa menos de cualquier parámetro individual.

Significado y Afirmaciones
El artículo afirma proporcionar una alternativa constructiva a los modelos de partículas descriptivos al fundamentar el comportamiento colectivo en regularidades sensoriomotoras.

• Mecanicista vs. Descriptivo: El modelo explica cómo se produce el comportamiento en lugar de solo qué aspecto tiene. Los parámetros corresponden a cantidades biológicas medibles (por ejemplo, agilidad de giro, ruido sensorial, geometría del campo de visión) en lugar de constantes ajustadas.
• Encarnación y Entorno: Las diferencias en el comportamiento colectivo entre especies se enmarcan como resultados emergentes de diferencias en la encarnación (propiedades sensoriomotoras) y el entorno, en lugar de diferencias en reglas de interacción abstractas.
• Sensores Activos: El modelo produce naturalmente comportamientos de sensores activos (triangulación, reorientación) como consecuencia de minimizar la incertidumbre dentro del bucle sensorimotor, una característica ausente en modelos de respuesta sin memoria o modelos bayesianos abstractos carentes de fundamentación geométrica.
• Poder Predictivo: El marco sugiere que las transiciones conductuales y las rupturas de coordinación pueden predecirse manipulando parámetros biológicos medibles, ofreciendo un camino para transferir predicciones a nuevas especies sin reajuste.

Limitaciones
Los autores señalan que las predicciones entre especies permanecen como una hipótesis que requiere validación frente a datos empíricos. El modelo actual asume que todos los agentes son idénticos y trata las interacciones vecinas como contribuyendo globalmente a la función de costo independientemente de la oclusión (aunque la visibilidad está modulada), lo que puede restringir las estructuras observables. Se sugiere trabajo futuro para incluir interacciones localizadas geométricamente, variación individual y perturbaciones ambientales estructuradas.