Beyond Bio-Inspired Robotics: How Multi-Robot Systems Can Support Research on Collective Animal Behavior
Notice bibliographique
Résumé
In the study of collective animal behavior, researchers usually rely on gathering empirical data from animals in the wild. While the data gathered can be highly accurate, researchers have limited control over both the test environment and the agents under study. Further aggravating the data gathering problem is the fact that empirical studies of animal groups typically involve a large number of conspecifics. In these groups, collective dynamics may occur over long periods of time interspersed with excessively rapid events such as collective evasive maneuvers following a predator’s attack. All these factors stress the steep challenges faced by biologists seeking to uncover the fundamental mechanisms and functions of social organization in a given taxon. Here, we argue that beyond commonly used simulations, experiments with multi-robot systems offer a powerful toolkit to deepen our understanding of various forms of swarming and other social animal organizations. Indeed, the advances in multi-robot systems and swarm robotics over the past decade pave the way for the development of a new hybrid form of scientific investigation of social organization in biology. We believe that by fostering such interdisciplinary research, a feedback loop can be created where agent behaviors designed and tested in robotico can assist in identifying hypotheses worth being validated through the observation of animal collectives in nature. In turn, these observations can be used as a novel source of inspiration for even more innovative behaviors in engineered systems, thereby perpetuating the feedback loop.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».