A Mechanistic Model for Collective Motion from Sensorimotor Regularities

Riepilogo Tecnico: Un Modello Meccanicistico per il Movimento Collettivo basato su Regolarità Sensorimotorie

Enunciato del Problema
Il comportamento collettivo negli animali (ad esempio, stormi, banchi, sciami) è stato tradizionalmente modellato utilizzando framework di particelle auto-propulse (SPP). Sebbene i modelli SPP riproducano con successo fenomeni a livello di gruppo come la polarizzazione e la formazione di mulinelli attraverso forze di interazione astratte, sono fondamentalmente descrittivi piuttosto che meccanicistici. I loro parametri (raggi di interazione, intensità di allineamento) sono adattati a modelli osservati e mancano di corrispondenza con quantità biologiche misurabili. Inoltre, i modelli SPP spesso assumono che gli agenti abbiano accesso diretto alle posizioni e alle direzioni dei vicini, un'ipotesi contraddetta da recenti lavori empirici (ad esempio, Sayin et al.) che dimostrano come i meccanismi sensoriali e cognitivi, piuttosto che l'allineamento diretto, medino l'interazione. Vi è la necessità di un modello radicato nel livello sensorimotorio — operante su ciò che gli organismi possono effettivamente percepire, stimare ed eseguire fisicamente — per spiegare come viene prodotto il comportamento collettivo e come varia tra le specie.

Metodologia
Gli autori presentano un modello meccanicistico basato sul framework Active InterCONnect (AICON), esteso dalla robotica al movimento collettivo. A differenza di approcci basati su regole o guidati da politiche, AICON genera il comportamento attraverso la composizione dinamica di regolarità sensorimotorie.

• Architettura: Ogni agente mantiene stimatori probabilistici ricorsivi per la propria posa e, per ogni vicino, per posizione e visibilità.
• Percezione: Gli agenti percepiscono i vicini tramite due indici angolari all'interno di un campo visivo limitato ($\psi$): azimut ($\phi$) e dimensione apparente ($\gamma$). Questi codificano informazioni direzionali e di distanza senza richiedere una misurazione esplicita della profondità.
• Stima dello Stato: Gli agenti mantengono stime interne incerte dello stato. Quando un vicino esce dal campo visivo, lo stimatore propaga l'ultima credenza in avanti, accumulando incertezza (memoria). Se la memoria è disabilitata, le stime vengono scartate al rientro.
• Selezione dell'Azione: Gli agenti non seguono forze di interazione prescritte. Invece, minimizzano una singola funzione di costo differenziabile: la deviazione attesa da una distanza sociale desiderata ($d_0$) su tutti i vicini stimati.
  $$g_i = \sum_{j \in V_i} E[| \|x_j\| - d_0 |]$$
  Attraverso la discesa del gradiente su questo costo, emergono naturalmente tre gradienti comportamentali distinti:
  1. Regolazione della Posizione: Spostarsi per ridurre l'errore di distanza.
  2. Sensing Attivo: Spostarsi per ridurre l'incertezza di stima (triangolazione).
  3. Riorientamento: Girare per mantenere i vicini all'interno del campo visivo, preservando la visibilità e riducendo l'incertezza.
• Vincoli: Gli agenti sono soggetti a vincoli fisici di sterzata ($|\omega| \le \omega_{max}$), che rappresentano l'agilità di sterzata.

Setup Sperimentale
Le simulazioni sono state condotte con $N=250$ agenti in un ambiente continuo 2D utilizzando cinematiche unicycle. Lo studio ha variato cinque parametri sensorimotori chiave (Tabella 1):

1. Campo Visivo ($\psi$): $\{90^\circ, 180^\circ, 270^\circ, 360^\circ\}$
2. Agilità di Sterzata ($\omega_{max}$): $\{0.1, 0.3, 0.6, 0.9\}$
3. Rumore sull'Azimut ($\sigma_\phi$): $\{0.001, 0.01, 1, 10, 100\}$
4. Rumore sulla Dimensione Apparente ($\sigma_\gamma$): $\{0.001, 0.01, 1, 10, 100\}$
5. Rumore di Processo ($Q$): $\{0.01, 0.1, 1, 10\}$

Il comportamento è stato quantificato utilizzando metriche per polarizzazione, compattezza spaziale (Area Circolare Relativa), spostamento globale, coesione e frammentazione direzionale. È stata eseguita un'analisi di sensibilità basata sulla varianza globale (indici di Sobol) per determinare l'influenza dei parametri.

Risultati Chiave
Il modello dimostra che una vasta gamma di comportamenti collettivi emerge esclusivamente dalle variazioni dei parametri sensorimotori, senza modificare l'architettura di interazione sottostante:

• Comportamenti Emergenti:
  • Anelli Stabili: Si verificano a bassa incertezza con alta agilità di sterzata, dove gli agenti mantengono stime affidabili e un controllo preciso della distanza.
  • Mulinelli: Emergono con l'aumento dell'incertezza. Un'incertezza moderata produce anelli irregolari lassi; un'alta incertezza collassa gli agenti in cluster densi e rotanti.
  • Frammentazione: Campi visivi stretti combinati con alto rumore e nessuna memoria causano la frammentazione in gruppi alla deriva o flussi paralleli, poiché gli agenti non possono mantenere stime dei vicini occlusi.
• Influenza dei Parametri:
  • Agilità di Sterzata ($\omega_{max}$): Governa la geometria della formazione (raggio dell'anello) quando la stima è affidabile, ma influisce solo sulla compattezza del cluster in condizioni di alta incertezza.
  • Rumore Sensoriale: Il rumore sull'azimut interrompe la localizzazione direzionale (aggregazione disordinata), mentre il rumore sulla dimensione apparente degrada la stima della distanza (formazioni a spirale verso l'interno). Questi producono firme comportamentali distinte, a differenza dei modelli di rumore scalare.
  • Memoria: Critica per la coesione sotto campi visivi stretti. La sua assenza porta a una frammentazione qualitativa anche con condizioni iniziali identiche.
• Analisi di Sensibilità: Il campo visivo ($\psi$) e il rumore di processo ($Q$) sono i driver diretti dominanti del comportamento collettivo. I parametri del rumore sensoriale agiscono principalmente attraverso interazioni (alti indici di ordine totale). La memoria ridistribuisce la sensibilità, rendendo il sistema meno dipendente da un singolo parametro.

Significato e Affermazioni
Il documento afferma di fornire un'alternativa costruttiva ai modelli di particelle descrittivi, radicando il comportamento collettivo nelle regolarità sensorimotorie.

• Meccanicistico vs Descrittivo: Il modello spiega come viene prodotto il comportamento piuttosto che solo come appare. I parametri corrispondono a quantità biologiche misurabili (ad esempio, agilità di sterzata, rumore sensoriale, geometria del campo visivo) piuttosto che a costanti adattate.
• Incarnazione e Ambiente: Le differenze nel comportamento collettivo tra le specie sono inquadrati come esiti emergenti di differenze nell'incarnazione (proprietà sensorimotorie) e nell'ambiente, piuttosto che differenze in regole di interazione astratte.
• Sensing Attivo: Il modello produce naturalmente comportamenti di sensing attivo (triangolazione, riorientamento) come conseguenza della minimizzazione dell'incertezza all'interno del ciclo sensorimotorio, una caratteristica assente nei modelli di risposta senza memoria o nei modelli bayesiani astratti privi di fondamento geometrico.
• Potere Predittivo: Il framework suggerisce che le transizioni comportamentali e i collassi del coordinamento possono essere previsti manipolando parametri biologici misurabili, offrendo una via per trasferire previsioni a nuove specie senza ricalibrazione.

Limiti
Gli autori notano che le previsioni interspecifiche rimangono un'ipotesi che richiede validazione rispetto a dati empirici. Il modello corrente assume che tutti gli agenti siano identici e tratta le interazioni tra vicini come globalmente contribuenti alla funzione di costo indipendentemente dall'occlusione (sebbene la visibilità sia modulata), il che potrebbe limitare le strutture osservabili. Si suggerisce un lavoro futuro per includere interazioni localizzate geometricamente, variazione individuale e perturbazioni ambientali strutturate.