💻 computer science

A Mechanistic Model for Collective Motion from Sensorimotor Regularities

本文提出了一种基于个体感觉运动规律（即方位、表观尺寸和内部状态估计）的集体运动机制模型，证明多样化的群体行为源于对理想社会距离的局部梯度下降动作，而非抽象的相互作用力，从而将行为转变与视野和感官噪声等可测量的生物参数联系起来。

原作者： Vito Mengers, Bao Duc Cao, Oliver Brock

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Vito Mengers, Bao Duc Cao, Oliver Brock

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一大群鸟或一鱼群，它们作为一个巨大的、流动的形态协同移动。几十年来，科学家们试图通过假设每只动物都是一个遵循简单规则的小机器人来解释这种神奇现象：“转向以匹配邻居的方向。”他们称之为“自驱动粒子模型”。这在计算机模拟中效果良好，但就像通过说“每个人都演奏同一个音符”来描述一场交响乐一样。它描述了发生了什么，却未能解释动物们实际上是如何做到的。

这篇论文指出：停止猜测规则。让我们关注感官。

作者来自柏林的研究人员，基于一个简单的事实构建了一个新模型：动物并没有神奇的“群体思维”，也没有直接通往邻居思想的线路。它们只有眼睛、大脑和身体。它们能看到事物，能对事物位置做出推测，并能转动身体。

以下是他们发现的故事，通过日常类比进行解释。

旧方法与新方法

旧方法（魔法规则）： 想象一个舞池，每个人被告诫：“如果你看到某人，就模仿他的动作。”舞蹈看起来是真实的，但舞者只是在遵循剧本。如果你改变剧本，舞蹈就会改变，但剧本并不符合真实人类跳舞的方式。
新方法（感觉运动模型）： 想象一个拥挤的派对，你无法与任何人交谈。你只有眼睛。你想保持在朋友附近（一种“社交距离”），但你无法完美地看到他们。你必须猜测他们在哪里，如果你失去了他们的视线，你必须记住他们最后出现的位置。你转动身体以保持他们在你的视野中。

作者构建了一个计算机模拟，其中 250 个“代理”（数字动物）正是这样做的。它们没有“与邻居对齐”的规则。它们只有一个目标：“保持在离朋友大约 50 步的距离。”

魔法如何发生

代理使用三种简单的工具来实现这一目标，复杂的群体行为会自动涌现：

眼睛（视野）： 就像你一样，这些代理的视野有限。它们看不到身后。如果朋友走出它们的视线，代理就必须猜测他们在哪里。
大脑（记忆与推测）： 代理会保留朋友位置的“心理地图”。如果它们看不到朋友，并不会从地图中删除他们；只是对朋友位置的确定性降低一点。这就是记忆。
身体（转向限制）： 真实的动物无法瞬间旋转 360 度。它们的转向速度有限制。

令人惊讶的结果

当研究人员改变这些简单的生物设定后，群体行为完全改变了——而无需改变任何“群体规则”。

“环形”舞蹈： 如果代理拥有良好的视力并能快速转向，它们会形成完美的旋转圆环。
“搅动”混乱： 如果代理感到困惑（高“感官噪声”，就像戴着雾蒙蒙的眼镜），它们就不再形成圆环，而是坍缩成一个密集的旋转团块。
“流”分裂： 如果代理的视野非常狭窄（就像通过吸管看东西）且没有记忆，群体会分裂成独立的线条，每条线都跟随正前方的人。
“平行”流动： 如果它们视野狭窄但记忆良好，它们会分裂成平行的流，即使无法看到所有人，也能保持有序。

核心教训：关键在于身体，而非规则

最重要的发现是，群体的行为方式完全取决于个体的物理和感官限制。

这样想：如果你试图驱赶一群猫，它们的移动方式会与一群狗不同，这并不是因为猫和狗有不同的“驱赶规则”，而是因为猫看到的不同、转向的方式不同、记忆的方式也不同。

该论文表明：

感官噪声： 如果动物的眼睛“嘈杂”（模糊），群体就会变得无序。
转向敏捷性： 如果动物僵硬且无法快速转向，群体就会形成巨大而缓慢的圆圈。如果它很敏捷，圆圈就会紧密而快速。
记忆： 如果动物忘记了朋友躲在墙后去了哪里，群体就会分崩离析。如果它记得，群体就会保持在一起。

为何这很重要

该模型证明，你不需要复杂的、不可见的“相互作用力”来解释动物为何协同移动。你只需要理解它们的感觉运动规律——它们如何看、如何推测、如何移动。

作者得出结论，物种之间的差异（为什么蝗虫群聚的方式与鸟类不同）并不是因为它们遵循不同的社会规则。而是因为它们拥有不同的身体、不同的眼睛和不同的记忆。“集体行为”只是许多个体在应对自身物理限制的同时，努力靠近朋友所产生的自然结果。

简而言之：群体之所以聪明，并非因为某种秘密代码，而是因为个体正利用它们所拥有的感官和身体，尽其所能地行动。

技术摘要：基于感觉运动规律的运动集体性机制模型

问题陈述
动物群体行为（如鸟群、鱼群、虫群）传统上采用自驱动粒子（SPP）框架进行建模。尽管 SPP 模型能够通过抽象的相互作用力成功复现极化、 milling（旋转聚集）等群体层面现象，但其本质是描述性的而非机制性的。其参数（相互作用半径、对齐强度）是拟合观察到的模式得出的，缺乏与可测量生物量之间的对应关系。此外，SPP 模型通常假设智能体能够直接获取邻居的位置和航向，这一假设与近期实证工作（如 Sayin 等人）相悖，后者表明相互作用是由感觉和认知机制而非直接对齐所介导的。因此，亟需一种植根于感觉运动层面的模型——基于生物体实际能够感知、估计和物理执行的层面——来解释集体行为是如何产生的，以及它如何在不同物种间变化。

方法论
作者提出了一个基于**主动互联（Active InterCONnect, AICON）**框架的机制模型，该框架从机器人学扩展至集体运动研究。与基于规则或策略驱动的方法不同，AICON 通过感觉运动规律的动态组合来生成行为。

架构：每个智能体维护自身位姿的递归概率估计器，并为每个邻居维护位置和可见性的估计器。
感知：智能体在有限的视野（ $\psi$ ）内通过两个角度线索感知邻居：方位角（ $\phi$ ）和视在大小（ $\gamma$ ）。这些线索编码了方向和距离信息，而无需显式的深度感知。
状态估计：智能体维持不确定的内部状态估计。当邻居离开视野时，估计器将最后的信念向前传播，累积不确定性（记忆）。如果禁用记忆，则一旦重新进入视野，估计值将被丢弃。
动作选择：智能体不遵循预设的相互作用力。相反，它们最小化单一的可微成本函数：所有估计邻居与期望社交距离（ $d_0$ $d_{0}$ ）的期望偏差。
$g_i = \sum_{j \in V_i} E[| \|x_j\| - d_0 |]$
通过对该成本进行梯度下降，自然涌现出三种不同的行为梯度：
1. 位置调整：移动以减少距离误差。
2. 主动感知：移动以减少估计不确定性（三角测量）。
3. 重定向：转动以保持邻居在视野内，从而维持可见性并减少不确定性。
约束：智能体受物理转向约束（ $|\omega| \le \omega_{max}$ ）限制，代表转向敏捷性。

实验设置
模拟在二维连续环境中使用单轮车运动学进行，包含 $N=250$ 个智能体。研究变化了五个关键的感觉运动参数（表 1）：

视野（ $\psi$ ）： $\{90^\circ, 180^\circ, 270^\circ, 360^\circ\}$
转向敏捷性（ $\omega_{max}$ ）： $\{0.1, 0.3, 0.6, 0.9\}$
方位角噪声（ $\sigma_\phi$ ）： $\{0.001, 0.01, 1, 10, 100\}$
视在大小噪声（ $\sigma_\gamma$ ）： $\{0.001, 0.01, 1, 10, 100\}$
过程噪声（ $Q$ ）： $\{0.01, 0.1, 1, 10\}$

行为通过极化、空间紧凑度（相对圆形面积）、全局位移、内聚性和方向碎片化等指标进行量化。进行了基于全局方差的敏感性分析（Sobol 指数）以确定参数的影响。

主要结果
该模型表明，多样化的集体行为仅源于感觉运动参数的变化而涌现，无需改变底层的相互作用架构：

涌现行为：
- 稳定环：在低不确定性且高转向敏捷性下发生，此时智能体维持可靠的估计和精确的距离控制。
- Milling（旋转聚集）：在不确定性增加时涌现。中等不确定性产生松散的无规则环；高不确定性导致智能体坍缩成密集的旋转簇。
- 碎片化：狭窄的视野结合高噪声且无记忆，会导致智能体因无法维持对被遮挡邻居的估计而分裂成漂移的群体或平行流。
参数影响：
- 转向敏捷性（ $\omega_{max}$ ）：当估计可靠时，它控制群体几何形状（环半径）；但在高不确定性下，仅影响簇的紧密度。
- 感官噪声：方位角噪声破坏方向定位（无序聚集），而视在大小噪声损害距离估计（向内螺旋形成的结构）。与标量噪声模型不同，这些产生了独特的行为特征。
- 记忆：在狭窄视野下对内聚性至关重要。即使初始条件相同，其缺失也会导致定性的碎片化。
敏感性分析：视野（ $\psi$ ）和过程噪声（ $Q$ ）是集体行为的主要直接驱动因素。感官噪声参数主要通过交互作用起作用（高总阶指数）。记忆重新分配了敏感性，使系统对任何单一参数的依赖性降低。

意义与主张
本文声称通过植根于感觉运动规律，为描述性粒子模型提供了一种建设性替代方案。

机制性 vs. 描述性：该模型解释了行为是如何产生的，而不仅仅是它看起来像什么。参数对应于可测量的生物量（如转向敏捷性、感官噪声、视野几何形状），而非拟合常数。
具身性与环境：不同物种间集体行为的差异被框架化为具身性（感觉运动属性）和环境差异的涌现结果，而非抽象相互作用规则的差异。
主动感知：该模型自然地产生了主动感知行为（三角测量、重定向），这是感觉运动回路内最小化不确定性的结果，这一特征在无记忆响应模型或缺乏几何基础的抽象贝叶斯模型中是缺失的。
预测能力：该框架表明，通过操纵可测量的生物参数可以预测行为转变和协调崩溃，为在不重新拟合的情况下将预测转移到新物种提供了一条途径。

局限性
作者指出，跨物种预测仍是一个假设，需要针对实证数据进行验证。当前模型假设所有智能体是相同的，并将邻居相互作用视为无论遮挡如何（尽管可见性被调节）都对成本函数有全局贡献，这可能限制了可观察的结构。未来的工作建议包括几何局部化相互作用、个体差异以及结构化环境扰动。