A Mechanistic Model for Collective Motion from Sensorimotor Regularities

Résumé Technique : Un Modèle Mécaniste du Mouvement Collectif Fondé sur des Régularités Sensorimotrices

Énoncé du Problème
Le comportement collectif chez les animaux (par exemple, les bancs de poissons, les essaims d'insectes, les vols d'oiseaux) a traditionnellement été modélisé à l'aide de cadres de particules auto-propulsées (SPP). Bien que les modèles SPP reproduisent avec succès des phénomènes de niveau de groupe tels que la polarisation et le tourbillonnement (milling) grâce à des forces d'interaction abstraites, ils sont fondamentalement descriptifs plutôt que mécanistes. Leurs paramètres (rayons d'interaction, forces d'alignement) sont ajustés aux motifs observés et ne correspondent pas à des quantités biologiques mesurables. De plus, les modèles SPP supposent souvent que les agents ont un accès direct aux positions et aux orientations de leurs voisins, une hypothèse contredite par des travaux empiriques récents (par exemple, Sayin et al.) montrant que les mécanismes sensoriels et cognitifs, plutôt que l'alignement direct, médiatisent l'interaction. Il existe un besoin d'un modèle ancré au niveau sensorimoteur — opérant sur ce que les organismes peuvent réellement percevoir, estimer et exécuter physiquement — pour expliquer comment le comportement collectif est produit et comment il varie entre les espèces.

Méthodologie
Les auteurs présentent un modèle mécaniste basé sur le cadre Active InterCONnect (AICON), étendu de la robotique au mouvement collectif. Contrairement aux approches basées sur des règles ou pilotées par des politiques, AICON génère le comportement par la composition dynamique de régularités sensorimotrices.

• Architecture : Chaque agent maintient des estimateurs probabilistes récursifs pour sa propre pose et, pour chaque voisin, pour la position et la visibilité.
• Perception : Les agents perçoivent les voisins via deux indices angulaires dans un champ de vision limité ($\psi$) : le gisement ($\phi$) et la taille apparente ($\gamma$). Ces indices encodent des informations directionnelles et de distance sans nécessiter de détection de profondeur explicite.
• Estimation d'État : Les agents maintiennent des estimations internes incertaines de leur état. Lorsqu'un voisin quitte le champ de vision, l'estimateur propage la dernière croyance vers l'avant, accumulant l'incertitude (mémoire). Si la mémoire est désactivée, les estimations sont abandonnées lors de la réentrée.
• Sélection d'Action : Les agents ne suivent pas de forces d'interaction prescrites. Au lieu de cela, ils minimisent une unique fonction de coût différentiable : l'écart attendu par rapport à une distance sociale désirée ($d_0$) à travers tous les voisins estimés.
  $$g_i = \sum_{j \in V_i} E[| \|x_j\| - d_0 |]$$
  Par descente de gradient sur ce coût, trois gradients comportementaux distincts émergent naturellement :
  1. Ajustement de Position : Se déplacer pour réduire l'erreur de distance.
  2. Détection Active : Se déplacer pour réduire l'incertitude d'estimation (triangulation).
  3. Réorientation : Tourner pour maintenir les voisins dans le champ de vision afin de préserver la visibilité et réduire l'incertitude.
• Contraintes : Les agents sont soumis à des contraintes physiques de virage ($|\omega| \le \omega_{max}$), représentant l'agilité de virage.

Configuration Expérimentale
Des simulations ont été réalisées avec $N=250$ agents dans un environnement continu 2D utilisant une cinématique de type unicycle. L'étude a fait varier cinq paramètres sensorimoteurs clés (Tableau 1) :

1. Champ de Vision ($\psi$) : $\{90^\circ, 180^\circ, 270^\circ, 360^\circ\}$
2. Agilité de Virage ($\omega_{max}$) : $\{0.1, 0.3, 0.6, 0.9\}$
3. Bruit de Gisement ($\sigma_\phi$) : $\{0.001, 0.01, 1, 10, 100\}$
4. Bruit de Taille Apparente ($\sigma_\gamma$) : $\{0.001, 0.01, 1, 10, 100\}$
5. Bruit de Processus ($Q$) : $\{0.01, 0.1, 1, 10\}$

Le comportement a été quantifié à l'aide de métriques pour la polarisation, la compacité spatiale (Surface Circulaire Relative), le déplacement global, la cohésion et la fragmentation directionnelle. Une analyse de sensibilité globale basée sur la variance (indices de Sobol) a été réalisée pour déterminer l'influence des paramètres.

Résultats Clés
Le modèle démontre qu'une gamme diversifiée de comportements collectifs émerge uniquement des variations des paramètres sensorimoteurs, sans modifier l'architecture d'interaction sous-jacente :

• Comportements Émergents :
  • Anneaux Stables : Se produisent à faible incertitude avec une haute agilité de virage, où les agents maintiennent des estimations fiables et un contrôle précis de la distance.
  • Tourbillonnement (Milling) : Émerge sous une incertitude accrue. Une incertitude modérée produit des anneaux irréguliers lâches ; une forte incertitude effondre les agents en amas denses et rotatifs.
  • Fragmentation : Des champs de vision étroits combinés à un bruit élevé et sans mémoire provoquent une fragmentation en groupes dérivants ou en flux parallèles, car les agents ne peuvent pas maintenir des estimations des voisins occultés.
• Influence des Paramètres :
  • Agilité de Virage ($\omega_{max}$) : Gouverne la géométrie de la formation (rayon de l'anneau) lorsque l'estimation est fiable, mais n'affecte que la densité de l'amas sous forte incertitude.
  • Bruit Sensoriel : Le bruit de gisement perturbe la localisation directionnelle (agrégation désordonnée), tandis que le bruit de taille apparente dégrade l'estimation de la distance (formations en spirale vers l'intérieur). Ces effets produisent des signatures comportementales distinctes, contrairement aux modèles de bruit scalaire.
  • Mémoire : Critique pour la cohésion sous des champs de vision étroits. Son absence conduit à une fragmentation qualitative même avec des conditions initiales identiques.
• Analyse de Sensibilité : Le champ de vision ($\psi$) et le bruit de processus ($Q$) sont les moteurs directs dominants du comportement collectif. Les paramètres de bruit sensoriel agissent principalement par des interactions (indices d'ordre total élevés). La mémoire redistribue la sensibilité, rendant le système moins dépendant de tout paramètre unique.

Signification et Revendications
L'article revendique fournir une alternative constructive aux modèles de particules descriptifs en ancrant le comportement collectif dans des régularités sensorimotrices.

• Mécaniste vs Descriptif : Le modèle explique comment le comportement est produit plutôt que simplement à quoi il ressemble. Les paramètres correspondent à des quantités biologiques mesurables (par exemple, agilité de virage, bruit sensoriel, géométrie du champ de vision) plutôt qu'à des constantes ajustées.
• Incarnation et Environnement : Les différences de comportement collectif entre les espèces sont présentées comme des résultats émergents de différences d'incarnation (propriétés sensorimotrices) et d'environnement, plutôt que de différences dans des règles d'interaction abstraites.
• Détection Active : Le modèle produit naturellement des comportements de détection active (triangulation, réorientation) comme conséquence de la minimisation de l'incertitude dans la boucle sensorimotrice, une caractéristique absente des modèles de réponse sans mémoire ou des modèles bayésiens abstraits dépourvus d'ancrage géométrique.
• Puissance Prédictive : Le cadre suggère que les transitions comportementales et les ruptures de coordination peuvent être prédites en manipulant des paramètres biologiques mesurables, offrant une voie pour transférer des prédictions à de nouvelles espèces sans réajustement.

Limites
Les auteurs notent que les prédictions inter-espèces restent une hypothèse nécessitant une validation par des données empiriques. Le modèle actuel suppose que tous les agents sont identiques et traite les interactions entre voisins comme contribuant globalement à la fonction de coût indépendamment de l'occultation (bien que la visibilité soit modulée), ce qui peut contraindre les structures observables. Des travaux futurs sont suggérés pour inclure des interactions géométriquement localisées, la variation individuelle et des perturbations environnementales structurées.