Advertisement

Virtual Animal Studies/Hybrid Societies

Cyberbienen und bio-hybride Gesellschaften
  • Thomas Schmickl
  • Martina Szopek
  • Gerald Radspieler
  • Michael Bodi
  • Sarah Schönwetter-Fuchs
  • Ziad Salem
  • Martin Stefanec
  • Ronald Thenius
  • Sibylle Hahshold
Living reference work entry

Zusammenfassung

Das grundlegende Verständnis lebender Systeme ist ein fundamentales Ziel der Biologie. Dies beginnt mit der eher passiven Beobachtung und Messung und reicht über Manipulations- und Störungsexperimente bis hin zur Erschaffung neuer Lebensvarianten. Mit dem hier vorgestellten ASSISIbf-Manifest gehen wir nun einen deutlichen Schritt weiter und zielen auf die Erschaffung gänzlicher neuer bio-hybrider Chimären. Durch das Mischen ganzer Gesellschaften, zum Beispiel Tierschwärmen oder -kolonien mit Roboterverbänden, entstehen so soziale Cyborgs. Attrappen werden so zu autonomen Akteuren, die tief in das soziale Gefüge der untersuchten Tiere eindringen können. Die von uns betriebene Neuauflage der Attrappen-getriebenen Verhaltensforschung erlaubt Experimente, die zuvor noch nicht machbar waren: Mithilfe der Akteure, die in die tierische Gesellschaft zuvor eingeschleust wurden, können Informationen kontrolliert vom Experimentator in die Tiergesellschaft induziert werden. Aus der nachfolgenden Beobachtung der Tiere können Rückschlüsse auf die interne Informationsverarbeitung der tierischen Gesellschaft gezogen werden. Wir schlagen hier eine generelle Methode vor, mit der organismisches Verhalten möglichst automatisiert aus den im Fokus befindlichen Organismen extrahiert werden kann (z. B. durch Methoden des Maschinellen Sehens). Mit ebenfalls algorithmischen Methoden (z. B. Maschinelles Lernen, Evolutionäre Algorithmen o. Ä.) wird dann ein Verhaltens- und Interaktions-Modell dieser Lebewesen erzeugt. Implementiert man dieses Modell in künstliche „Mitspieler“ einer tierischen Gesellschaft, also z. B. in Roboter, die man in einen Tierschwarm einschleust, dann entstehen bio-hybride Gesellschaften auf diesem Weg beinahe vollautomatisch.

Schlüsselwörter

Bio-hybride Gesellschaften Honigbienen Roboter Algorithmen Mathematische Modellierung und Simulation Selbstorganisation Schwarmintelligenz Sozialverhalten 

Notes

Danksagung

Diese Arbeit wurde unterstützt von: EU FP7 FET-Proactive Projekt „ASSISI_bf“, Nr. 601074; FWF Projekt P23943-N13 (REBODIMENT)

Literatur

  1. Aronstein, Katherine A., und K. Daniel Murray. 2010. Chalkbrood disease in honey bees. Journal of Invertebrate Pathology 103:20–29.CrossRefGoogle Scholar
  2. Bodi, Michael, Ronald Thenius, Thomas Schmickl, und Karl Crailsheim. 2009. How two cooperating robot swarms are affected by two conflictive aggregation spots. In European conference on artificial life, 367–374.CrossRefGoogle Scholar
  3. Bodi, Michael, Ronald Thenius, Martina Szopek, Thomas Schmickl, und Karl Crailsheim. 2012. Interaction of robot swarms using the honeybee-inspired control algorithm BEECLUST. Mathematical and Computer Modelling of Dynamical Systems 18(1): 87–100.CrossRefGoogle Scholar
  4. Bodi, Michael, Christoph Möslinger, Ronald Thenius, und Thomas Schmickl. 2015. BEECLUST used for exploration tasks in autonomous underwater vehicles. IFAC-PapersOnLine 48(1): 819–824.CrossRefGoogle Scholar
  5. Bonnet, Frank, Philippe Retornaz, José Halloy, Alexey Gribovskiy, und Francesco Mondada. 2012. Development of a mobile robot to study the collective behavior of zebrafish. In 2012 4th IEEE RAS & EMBS international conference on Biomedical Robotics and Biomechatronics (BioRob), 437–442.Google Scholar
  6. Bonnet, Frank, Yuta Kato, José Halloy, und Francesco Mondada. 2015. Infiltrating the zebrafish swarm: Design, implementation and experimental tests of a miniature robotic fish lure for fish-robot interaction studies. In SWARM 2015: The first international symposium on swarm behavior and bio-inspired robotics, 18–25.Google Scholar
  7. Butler, Zack, Peter Corke, Ron Peterson, und Daniela Rus. 2004. Virtual fences for controlling cows. In Proceedings of the 2004 I.E. international conference on robotics and automation 5, 4429–4436.Google Scholar
  8. Caprari, Gilles, Alexandre Colot, Roland Siegwart, José Halloy, und Jean-Louis Deneubourg. 2005. Animal and robot mixed societies: Building cooperation between microrobots and cockroaches. IEEE Robotics & Automation Magazine 12(2): 58–65.CrossRefGoogle Scholar
  9. Dipper, Tobias, Kristina Gebhardt, Serge Kernbach, und Gerhard von der Emde. 2011. Investigating the behaviour of weakly electric fish with a Fish Avatar. In International workshop on bio-inspired robots.Google Scholar
  10. Faria, Jolyon J., John R. G. Dyer, Romain O. Clément, Iain D. Couzin, Natalie Holt, Ashley J. W. Ward, Dean Waters, und Jens Krause. 2010. A novel method for investigating the collective behaviour of fish: Introducing „Robofish“. Behavioral Ecology and Sociobiology 64(8): 1211–1218.CrossRefGoogle Scholar
  11. Forsgren, Eva. 2010. European foulbrood in honey bees. Journal of Invertebrate Pathology 103: 5–9.CrossRefGoogle Scholar
  12. Free, John B., und Colin G. Butler. 1955. An Analysis of the factors involved in the formation of a cluster of honeybees (Apis mellifera). Behaviour 7:304–316.CrossRefGoogle Scholar
  13. Griparić, Karlo, Tomislav Haus, Damjan Miklić, Marsela Polić, und Stjepan Bogdan. 2017. A robotic system for researching social integration in honeybees. PloS one 12(8): e0181977.CrossRefGoogle Scholar
  14. Hahshold, Sibylle, Gerald Radspieler, Ronald Thenius, Thomas Schmickl, und Karl Crailsheim. 2010. Cooperative thermotaxis in honeybees: Social gradient vs. temperature gradient. Apidologie 41(6): 18–19.Google Scholar
  15. Haken, Hermann. 1978. Synergetics: Nonequilibrium phase transitions and self-organization in physics. Berlin: Springer.CrossRefGoogle Scholar
  16. Halloy, José, Grégory Sempo, Gilles Caprari, Colette Rivault, Masoud Asadpour, Fabien Tâche, Jean-Louis Deneubourg et al. 2007. Social integration of robots into groups of cockroaches to control self-organized choices. Science 318(5853): 1155–1158.CrossRefGoogle Scholar
  17. Hamann, Heiko, Thomas Schmickl, Heinz Wörn, und Karl Crailsheim. 2012. Analysis of emergent symmetry breaking in collective decision making. Neural Computing and Applications 21(2): 207–218.CrossRefGoogle Scholar
  18. Henry, Mickaël, Maxime Beguin, Fabrice Requier, Orianne Rollin, Jean-François Odoux, Pierrick Aupinel, Jean Aptel, Sylvie Tchamitchian, und Axel Decourtye. 2012. A common pesticide decreases foraging success and survival in honey bees. Science 336(6079): 348–350.CrossRefGoogle Scholar
  19. Heran, Herbert. 1952. Untersuchungen über den Temperatursinn der Honigbiene (Apis mellifica) unter besonderer Berücksichtigung der Wahrnehmung von Strahlungswärme. Zeitschrift für Vergleichende Physiologie 34:179–207.CrossRefGoogle Scholar
  20. Huang, Zhi-Yong, und Gene E. Robinson. 1992. Honeybee colony integration: Worker-worker interactions mediate hormonally regulated plasticity in division of labor. Proceedings of the National Academy of Sciences 89(24): 11.726–11.729.CrossRefGoogle Scholar
  21. Huang, Zhi-Yong, und Gene E. Robinson. 1996. Regulation of honey bee division of labor by colony age demography. Behavioral Ecology and Sociobiology 39(3): 147–158.CrossRefGoogle Scholar
  22. Kengyel, Daniela, Thomas Schmickl, Heiko Hamann, Ronald Thenius, und Karl Crailsheim. 2009. Embodiment of honeybee’s thermotaxis in a mobile robot swarm. In European conference on artificial life, 69–76. Berlin, Heidelberg: Springer Berlin Heidelberg.CrossRefGoogle Scholar
  23. Kengyel, Daniela, Ronald Thenius, Karl Crailsheim, und Thomas Schmickl. 2013. Influence of a social gradient on a swarm of agents controlled by the BEECLUST algorithm. In Advances in artificial life (ECAL 2013), 1041–1048. Cambridge, Massachusetts, USA: MIT Press.Google Scholar
  24. Kengyel, Daniela, Heiko Hamann, Payam Zahadat, Gerald Radspieler, Franz Wotawa, und Thomas Schmickl. 2015. Potential of heterogeneity in collective behaviors: A case study on heterogeneous swarms. In Lecture notes in artificial intelligence: Principles and Practice of Multi-Agent Systems (PRIMA 2015), 201–217.CrossRefGoogle Scholar
  25. Kernbach, Serge, Ronald Thenius, Olga Kornienko, und Thomas Schmickl. 2009. Re-embodiment of honeybee aggregation behavior in an artificial micro-robotic swarm. Adaptive Behavior 17: 237–259.CrossRefGoogle Scholar
  26. Landgraf, Tim, Hai Nguyen, Joseph Schröer, Angelika Szengel, Romain J. Clément, David Bierbach, und Jens Krause. 2014. Blending in with the shoal: Robotic fish swarms for investigating strategies of group formation in guppies. In Conference on biomimetic and biohybrid systems 2014, 178–189.Google Scholar
  27. Lorenz, Konrad. 1978. Vergleichende Verhaltensforschung. Vienna: Springer.CrossRefGoogle Scholar
  28. Marras, Stefano, und Maurizio Porfiri. 2012. Fish and robots swimming together: Attraction towards the robot demands biomimetic locomotion. Journal of the Royal Society Interface 9(73): 1856–1868.CrossRefGoogle Scholar
  29. Mayer-Schönberger, Viktor, und Kenneth Cukier. 2013. Big data: A revolution that will transform how we live, work, and think. New York, USA: Houghton Mifflin Harcourt.Google Scholar
  30. Michelsen, Axel, Wolfgang H. Kirchner, und Martin Lindauer. 1986. Sound and vibrational signals in the dance language of the honeybee, Apis mellifera. Behavioral Ecology and Sociobiology 18(3): 207–212.CrossRefGoogle Scholar
  31. Millonas, Mark M.1992. Swarms, phase transitions, and collective intelligence. Technical report, New Mexico: Los Alamos National Lab.Google Scholar
  32. Mills, Rob, Payam Zahadat, Fernando Silva, Damjan Miklić, Pedro Mariano, Thomas Schmickl, und Luís Correia. 2015. Coordination of collective behaviours in spatially separated agents. In Proceedings of ECAL 2015, 579–586.Google Scholar
  33. Mitchell, Tom M. 1997. Machine learning. New York: WCB/McGraw-Hill.Google Scholar
  34. Mohri, Mehryar, Afshin Rostamizadeh, und Ameet Talwalkar. 2012. Foundations of machine learning. Cambridge: MIT press.Google Scholar
  35. Neumann, Peter, und Jamie D. Ellis. 2008. The small hive beetle (Aethina tumida Murray, Coleoptera: Nitidulidae): Distribution, biology and control of an invasive species. Journal of Apicultural Research 47(3): 181–183.Google Scholar
  36. Nieh, James C. 1993. The stop signal of honey bees: Reconsidering its message. Behavioral Ecology and Sociobiology 33:51–56.CrossRefGoogle Scholar
  37. Nielsen, Steen Lykke, Mogens Nicolaisen, und Per Kryger. 2008. Incidence of acute bee paralysis virus, black queen cell virus, chronic bee paralysis virus, deformed wing virus, Kashmir bee virus and sacbrood virus in honey bees (Apis mellifera) in Denmark. Apidologie 39(3): 310–314.CrossRefGoogle Scholar
  38. Rosenkranz, Peter, Pia Aumeier, und Bettina Ziegelmann. 2010. Biology and control of Varroa destructor. Journal of Invertebrate Pathology 103:96–119.CrossRefGoogle Scholar
  39. Salem, Ziad. 2002. Enhanced computer algorithms for machine learning. PhD dissertation, Intelligent system Research laboratory, Wales: Cardiff University.Google Scholar
  40. Salem, Ziad, und Thomas Schmickl. 2014. The efficiency of the RULES-4 classification learning algorithm in predicting the density of agents. Cogent Engineering 1(1): 986262.CrossRefGoogle Scholar
  41. Schmickl, Thomas, Ronald Thenius, Christoph Möslinger, Gerald Radspieler, Serge Kernbach, Mark Szymanski, und Karl Crailsheim. 2009. Get in touch: Cooperative decision making based on robot-to-robot collisions. Autonomous Agents and Multi-Agent Systems 18(1): 133–155.CrossRefGoogle Scholar
  42. Seeley, Thomas D. 1982. Adaptive significance of the age polyethism schedule in honeybee colonies. Behavioral Ecology and Sociobiology 11:287–293.CrossRefGoogle Scholar
  43. Sterman, John D. 2001. System dynamics modeling: Tools for learning in a complex world. California Management Review 43(4): 8–25.CrossRefGoogle Scholar
  44. Swain, Daniel T., Iain D. Couzin, und Naomi Ehrich Leonard. 2012. Real-time feedback-controlled robotic fish for behavioral experiments with fish schools. Proceedings of the IEEE 100(1): 150–163.CrossRefGoogle Scholar
  45. Szopek, Martina, Thomas Schmickl, Ronald Thenius, Gerald Radspieler, und Karl Crailsheim. 2013. Dynamics of collective decision making of honeybees in complex temperature fields. PloS one 8(10): e76250.CrossRefGoogle Scholar
  46. Tinbergen, Nikolaas, und Albert C. Perdeck. 1951. On the stimulus situation releasing the begging response in the newly hatched herring gull chick (Larus argentatus argentatus Pont.). Behaviour 3(1): 1–39.CrossRefGoogle Scholar
  47. Turing, Alan M. 1950. Computing machinery and intelligence. Mind 59(236): 433–460.CrossRefGoogle Scholar
  48. Weaver, Elizabeth C., und Nevin Weaver. 1980. Physical domination of workers by young queen honeybees (Apis mellifera L.; Hymenoptera: Apidae). Journal of the Kansas Entomological Society 53(4): 752–762.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Thomas Schmickl
    • 1
  • Martina Szopek
    • 2
  • Gerald Radspieler
    • 2
  • Michael Bodi
    • 2
  • Sarah Schönwetter-Fuchs
    • 2
  • Ziad Salem
    • 2
  • Martin Stefanec
    • 2
  • Ronald Thenius
    • 2
  • Sibylle Hahshold
    • 2
  1. 1.Universität GrazGrazÖsterreich
  2. 2.Artificial Life Lab des Institutes für Biologie, Bereich ZoologieKarl-Franzens-Universität GrazGrazÖsterreich

Personalised recommendations