Исследователи из Сеульского национального университета и Университета Кён Хи разработали систему управления коллективными движениями, такими как кольцо, скопления, мельницы и стаи. Для этого они обучили ИИ, основанный на физических принципах, изучать локальные правила, регулирующие взаимодействие между отдельными участниками.
Статья опубликована в журнале Cell Reports Physical Science.
Подход позволяет определить, когда упорядоченное состояние должно появиться из случайных начальных условий, и настроить геометрические характеристики (средний радиус, размер кластера, размер стаи). Более того, модель, обученная на опубликованных GPS-траекториях настоящих голубей, раскрывает механизмы взаимодействия, наблюдаемые в реальных стаях.
Коллективное движение — это эмерджентное явление, при котором множество самодвижущихся объектов (птицы, рыбы, насекомые, роботы, даже человеческие толпы) создают крупномасштабные паттерны без какого-либо централизованного принятия решений.
Каждый отдельный участник реагирует только на ближайших соседей, но группа демонстрирует согласованное коллективное движение. Анализ того, как простые локальные взаимодействия приводят к такому глобальному порядку, является сложной задачей, поскольку эти системы зашумлены и нелинейны, а восприятие часто бывает направленным.
Для решения этих задач команда создала нейронные сети, которые подчиняются законам динамики и обучены на простых характеристиках паттернов и, когда это возможно, на экспериментальных траекториях.
Нейронные сети выводят два основных типа локальных правил взаимодействия:
* правила, основанные на расстоянии, которые задают интервал между участниками;
* правила, основанные на скорости, которые выравнивают направления движения;
* их комбинация.
Команда также показала, что самодвижущиеся агенты, следующие этим правилам, воспроизводят заданные целевые коллективные паттерны с заданными геометрическими характеристиками.
Примеры включают настройку радиуса кольца, размера кластера в скоплениях и режима вращения (одиночный или двойной) в мельницах; индуцирование непрерывных переходов между различными коллективными режимами; достижение движений вблизи препятствий и в ограниченных пространствах.
Та же система может быть адаптирована к коротким сегментам реальных траекторий путём включения анизотропного поля зрения, что позволяет выявить законы взаимодействия, согласующиеся с иерархией «лидер-последователь», наблюдаемой в природе.
Превращая коллективное поведение в нечто, что можно декодировать, этот подход предлагает практические инженерные и научные преимущества. В робототехнике он предоставляет план для программирования стай дронов и наземных роботов для формирования и переключения паттернов по требованию.
В естественных науках это помогает количественно определить, какие локальные взаимодействия достаточны для объяснения наблюдаемого поведения стаи, что позволяет проверять гипотезы о диапазонах восприятия и силе выравнивания.
В более широком смысле метод может служить руководством для разработки активных материалов, которые самоорганизуются в целевые формы, и помогать создавать реалистичные синтетические наборы данных для изучения сложных децентрализованных систем.
Предоставлено Сеульским национальным университетом.