The 28th Annual Conference of the Japanese Society for Artificial Intelligence, 2014
- 1 -
群
運動
内在的
え
Inherent Switching Behavior in Fish School
新
高行
*1
村
久
*2
郡
幸夫
*2
Takayuki Niizato Hisashi Murakami Yukio-Pegio Gunji
*1
筑波大学
情報
学研究
Faculty of Engineering, Information and Systems, Tsukuba University
*2
神戸大学理学研究
地球惑星専攻
Department of Earth & Planetary Science, Faculty of Science, Kobe University
1.
はじめに
々 ふ 生 活 い う ， 鳥 群 や 魚
群 ， う イ ナ 基 い い う ？ 動
物 群 (ここ 特 ，個 体 集 ，外 部 見 一
個 体 あ う 運 動 現 象 限 定 ， 述 べ
う こ 種 限 定 明 確 さ い) ， こ
や 数 理 的 解 析 い 多 研 究 さ い ，実
験 基 い 研 究 ， 近 始 ，未 知 部
多い．こ ，個体識別 始 画像解析 技術的 困
さ ，単 一 条 件 け ー 析 出 困 あ
こ 起因 ．
， 画 像 解 析 群 イ ナ 調 べ い う 流
， あ ， こ 主 流 あ Vicsek(1995)，
Couzin(2002) 代表さ Velocity Matching 等 理論
延 長 線 あ ， 彼 理 論 単 補 強 留
い ．彼 ，あ ，Velocity Matching, ，各個体
向 ， 近 傍 内 個 体 向 平 均 う 決 定 ，
個 体 自 由 度 自 発 的 情 報 伝 度 大 化 う 自
発 的 進 化 い あ ， い う ．Cavagna(2010,
2013) ，こ 自 己 組 織 化 臨 界 現 象 関 連 け い ．
， こ 種 議 論 ， 進 化 獲 得 適 性 個 体
ー ( ，個体 評価) いう 可能 あ ，個
体 ー 設 定 後 ， 評 価 外 部 独 立 え こ
， 言 仮定 含 い ．果 ， う
可能 う ．
本 稿 ， 私 ， 川 魚(鮎) 群 人 的 作 ，
挙 動 録 画 ， 画 像 解 析 こ ， こ 考 え
う Velocity Matching う原理 あ う こ ，実験
い 示 う．具体的 言え ，鮎 群 ， ーラ 構 直進
構 自 発 的 え こ 見 ． こ ， 議
論 う ，Couzin ， ラ ー ー 外部 調 い限 ，決 実現 得 い[Couzin et al., 2002]．さ
，群 激 揺 ，全体評価 個体評価 混合
こ ， 一 種 則(power law) 示 述 べ ． こ
則 ，通常 Velocity Matching型 相互作用 ，直
接 導出さ い 示 い 考え い ．
2.
実験
2.1 実験装置
，実験装置 概要 述べ ．鮎(体長 8cm 15cm
) 入 水槽 ，縦横3m，高さ8cm 浅い水槽 あ ．鮎
川魚 あ ，稚魚 浅瀬 い こ 多い 予想さ
， 自 然 環 境 い 考 え ． こ う
環境 設定 こ ，群 運動 次元 限 ．
実 験 通 総 合 的 観 察 ， 体 以 個 体 合
う 見 ． ， 体 こ あ ，個体識
別 十 可 能 あ ， う こ 起 こ 時 ， 手 作 業
．
実験 ，鮎 群 10 間自由 あ ，高さ2m 所
設置 ラ ひ わ GE60W; 時間解像度120 frame
per 1 second 撮 影 ， 録 画 動 画 画 像 解 析
(Move-Tr/2D) 行 ． 水 槽 中 魚 個 体 ， ー ー 録
画 さ ， 動 画 値 化 ， 心 個 体 置 定 ．
Figure1 ，Move-Tr/2D ラッ ン 様子 あ ．各個体
明確 識別さ ，10 間 移動 軌跡 表現さ い ．
， こ う 実 験 環 境 Couzin 研 究 見
[Tunstrom et al., 2013]． ，水温 16℃ 固定 ，淡水 あ
．
Figure 1. The trajectory of fish school. The number of individuals is 50.
2.2 実験結果
，実験 環境設定 い 述べ ． 々 ，群
い 環境 ，外部刺激あ 場合 割 ．一
連 絡 先 ： 新 高 行 ， 筑 波 大 学 情 報 学 研 究 ，
所，電話番 ，t_ at @ a .c .
The 28th Annual Conference of the Japanese Society for Artificial Intelligence, 2014
- 2 -
般 ，自然環境 い ，外部刺激 あ 場合 い場合
別 い ． こ ， 実 験 室 い う 外 部 刺 激 限 少 い 環
境 設定 ，外部刺激 ，人 部屋 い ，水槽 周
歩 回 ．外 部 刺 激 あ 外 部 刺 激 群 振
舞 い あ 異 結 果 得 ． ， 長 時 間(数 十 )
ラ ッ ン 必 要 ，観 察 結 果 述 べ ．
外 部 刺 激 い 場 合 ， 群 自 発 的 ー ラ 構 ，
さ 自 ー ラ 構 解 体 ，直 進 構 (群 一 方 向 向
進 ) え ． 一 定 時 間 後 ， 直 進 構 ， ー ラ
構 回 帰 ． 外 部 刺 激 い ， こ う え
続 け ． こ ， 外 部 刺 激 あ ， こ う え 一
起こ い．こ う ーラ 構 直進構 え ，
近他 種 実験 い 確認さ [Tunstrom et al.,
2013]， 普 遍 的 性 質 あ 考 え ． ， こ
一方 ，Velocity Matching 自然 導出さ 直進構 ，
，自然 状態 い 示唆 い ．
Figure 2. The time series for x axis and y axis in the fish school.
Figure 3. The probability distribution of the angle diferrence from the average velocity vector.
こ 以 降 ー ， べ 外 部 刺 激 あ 状 態 あ
．Figure2 ，あ 群 軌跡 x軸 y軸 け ，時系列 表 あ (10 間; 1200 frame ー あ )．
軌 跡 見 ， 全 体 束
， 軌 跡 相 関 保 ， 移 動 い 見
取 ．
こ 軌跡 得 結果 け ，Velocity Matching
う ， 向 単 平 均 化 け い こ わ ．
， 向 平 均 化 ， さ 何 外 力 あ ，
散 あ 全 体 平 均 値 周 辺 留 あ ．
，平均値付近 散 様子 exponential あ こ 期待さ
． こ ，Figure 3 見 う ，平 均 値 付 近 散
様 子 ， こ こ 各 向 ， 平 均 向 引
い 値 確率頻度 布 あ ．Figure 3 見 う ，平均
値 付 近 散 ，exponential 現 ， ，
ー ー あ こ わ ．
Figure 4. (a) The power law distribution for the direction (black). (b)The power law distribution for the speed (red). The slope is around 1.
Figure 5. The compare with previous model (left) and MTI model (right). The power law behavior is only observed on the right side. Furthermore, the slope also matches with experimental data.
さ ，興味深いこ ，個体 向 度 ，全体平均 向
度 対 ， 側 あ 平均 向 右側 側
， 平 均 度 以 以 頻 度 布 ，
い 則 示 こ わ (Figure 4a 4b)．こ ，
個体 向 や 度 ， 全体 向 度 参照
調 ， 度 調 や 向 調 ラ ン
い こ 意 味 ． こ う 結 果 ， 数 や 解 析
時 間 イ ン ー 依 存 ， え ， イ ン ー
0.01 ，0.1 傾 や や 変 化 ，普
遍的性質 現 ．
こ う 則 ， 々 以 前 提 案
Metric-Topological Interaction(MTI) [Niizato and Gunji, 2012]
得 こ い (Figure 5a)．MTI ，大 域 的 評 価(距 近 傍) 局 所 的 評 価( ポ 近 傍) 混 合 さ
こ ，自 ゆ 作 出 ，群 全体 運動
The 28th Annual Conference of the Japanese Society for Artificial Intelligence, 2014
- 3 -
3.
まとめ
本 稿 ，鮎 群 用 い 実 験 通 ，従 来 考 え
う ，Velocity Maching 説明 い う 現象
扱 ． 以 う う．
， 初 ， 外 部 刺 激 ， ー ラ 構 直 進 構
自 発 的 え い コ ン い ． 一 般 ，多
様 群 構 説 明 ，Couzin う ３ 相 互作用 前提 提案さ い [Couzin 2002]．各
個体 ，誘引，忌避，向 平均化 いう３ 相互作用 ，
こ 相 互 作 用 独 立 配 ， ー ラ 構 や 直 進
構 や ワー 構 (一 所 留 コ ー ン 非常
い 状 態) 得 あ ． 一 般 ， ー ラ 構 誘
引 領 域 非 常 強 い 出 現 ， 直 進 構 向 平 均 化
領 域 広 い 現 ． ，両 者 あ 異 質 相
互作用 結果現 あ ，排他的 関係 あ こ ，
外 部 刺 激 い ， ー ラ 構 直 進 構 自 発 的
え ，両者 決 排他的 ，共立関係 あ こ 示
唆 い ．
こ う 結 果 ， 群 探 索 問 題 考 え 要
あ ．資源探索問題 ，一般 搾取 探索 配 理解
さ ．群 ， ー ラ 構 作 こ ，外 警
，群 付 近 資 源 探 索 搾 取 続 け ．一 方 ，
ー ラ 構 自 解 体 こ ， 新 い 資 源 あ こ 集
団 的 移 動 こ 可 能 ． 探 索 問 題 対 ， 群
ー ラ 構 直 進 構 自 然 接 続 さ ．Velocity
Matching 変わ 相互作用 ，こ う 文脈 い 構想さ
べ あ う．
後 半 調 べ う ， 外 あ 時 向 度 布
， 個 体 ー 評 価 大 域 的 評 価 混 合 得
い こ 示唆 ．こ ， 則 ，MTI
得 関わ ，Velocity Matching Noise 調
得 こ 明 あ う． 今 後 ， ー
数 増や ，さ 細 調査 い 予定 あ ．
群 ， 臨 界 現 象 示 い う ， 進 化 適
化 説 明 ， 個 体 局 所 的 評 価 群 大 域 的 評
価 い う 態 度 起 源 い ． こ ， 群
機 能 一 ， ，群 形 機 能
こ 可 能 あ う ． ， こ 異 質 相 互 作
用 同 士 共 立 得 ， 単 集 団 的 コ ー ン 高 い 運 動
， 群 探 索 い う 集 団 的 知 能 見 出 う
あ ．
4.
参考情報．
Cavagna, A., Cimarelli, A., Giardina, I., Parisi, G., Santagati, R., Stefanini, F., & Viale, M. Scale-free correlations in starling flocks. Proceedings of the National Academy of Sciences of the United States of America, 2010. 107.26. 11865–70. Cavagna, A., Giardina, I. and Ginelli,F. Boundary information
inflow enhances correlation in flocking. Physical Review Letter. 2013. 110 168107.
Couzin, I.D., Krause, J., James, R., Ruxtion, G.D. & Franks, N.R. Collective Memory and Spatial Sorting in Animal Groups. J. theor. Biol. 2002. 218:1-11.
Niizato, T., & Gunji, Y.-P. Fluctuation-driven flocking movement in three dimensions and scale-free correlation. PLoS ONE, 2012. 7(5), e35615.
Tunstrom, K., Katz, Y., Ioannou, C.C., Huepe, C., Lutz, M. & Couzin, I.D. Collective states, multistability and transitional behavior in schooling fish, PLoS Computational Biology, 2013. 9(2), e1002915.
