基于 KAN-Transformer 跟踪方法揭示果蝇群体飞行行为中的雷诺兹规则

研究人员为分析昆虫群体飞行行为，提出 KAN-Transformer 跟踪方法，揭示果蝇飞行的雷诺兹规则。

　　在奇妙的昆虫世界里，昆虫们的群体飞行行为一直是生物学家和计算机科学家们关注的焦点。想象一下，一群果蝇在狭小空间里快速飞舞，它们时而相互靠近，时而又迅速分开，如此复杂的飞行模式蕴含着怎样的奥秘呢？研究昆虫的群体飞行行为，不仅能帮助我们深入理解生物系统中群体协调、决策和信息传递的机制，还能为多智能体系统如群体机器人的发展提供灵感。

然而，想要揭开果蝇群体飞行行为的神秘面纱并非易事。果蝇体型小，飞行速度快，在密集的群体环境中，它们频繁地相互遮挡，这给追踪工作带来了巨大挑战。传统的追踪方法，有的依赖视觉特征，但果蝇在图像中常呈现为几乎没有纹理和颜色变化的黑点，难以提取出有区分度的视觉特征来识别不同帧中的同一果蝇；有的在面对快速移动的目标和密集环境时，会出现轨迹碎片化、跟踪不准确等问题。在这样的困境下，上海大学等机构的研究人员决定开展一项研究，试图找到一种更有效的方法来破解果蝇群体飞行的密码。

研究人员提出了一种基于粒子滤波框架结合 Kolmogorov–Arnold Network（KAN）-Transformer 模型的跟踪方法（KAN-Transformer），用于提取轨迹的全局特征和细粒度特征，并建立了手动注释的真实数据集来评估跟踪方法的性能。该研究成果发表在《Scientific Reports》上。

为开展研究，研究人员主要用到以下关键技术方法：一是采用背景减法结合椭圆拟合等方式进行目标检测，通过去除背景稳定部分，分割目标区域并处理重叠目标问题；二是构建 KAN-Transformer 模型，将 KAN 与 Transformer 架构相结合，用于预测果蝇未来轨迹；三是利用粒子滤波框架，通过加权粒子来近似目标状态的后验分布，实现对目标的跟踪；四是使用动态时间规整（DTW）算法和 K-means 聚类等方法对果蝇飞行行为进行分析。

下面来看具体的研究结果：

• 数据集的构建与标注：为训练 KAN-Transformer 模型，研究人员建立了包含 39,647 帧轨迹数据的训练数据集，每个视频片段仅含一个飞行目标。同时，对真实世界视频序列进行手动注释，获得约 400 - 500 只昆虫在 1400 帧内从两个视角的跟踪数据，这是首次对果蝇群体飞行轨迹进行大规模手动注释。
• 跟踪性能优势显著：研究人员将 KAN-Transformer 跟踪方法与多种先进方法及传统方法对比。在多目标跟踪精度（MOTP）方面，相比现有方法（除 Markov 外）提升超 9.4%；在多目标跟踪准确率（MOTA）方面，略优于先进方法，显著超越传统方法。在跟踪轨迹长度上，KAN-Transformer 平均轨迹长度比（1.45%）也高于其他模型，能更好地维持长轨迹，减少目标在转折点丢失的情况。通过消融实验还发现，KAN 和 Transformer 模块结合能显著提升跟踪精度和轨迹维持能力。
• 揭示果蝇飞行行为的雷诺兹规则：以往对果蝇群体行为的研究多集中在爬行实验，其飞行时的集体特性研究较少。研究人员通过绘制果蝇飞行时的角加速度模式，利用 DTW 分析轨迹间角加速度的距离，发现果蝇角加速度存在显著时间相关性。再通过轮廓系数法和 K-means 聚类分析，揭示出果蝇在快速飞行中存在碰撞避免和伴飞两种行为模式，这与动物群体飞行的雷诺兹规则相符，证明果蝇群体飞行存在社会动态性。

研究结论表明，KAN-Transformer 跟踪方法在果蝇群体飞行行为研究中展现出卓越性能，有效解决了传统方法的不足，成功揭示果蝇飞行中的雷诺兹规则。不过该方法也存在一定局限性，在更复杂动态背景下，受光照条件和移动物体数量等因素影响较大，且推理时间成本较高。未来可通过集成深度学习方法提升检测能力，利用 GPU 加速并行计算降低时间成本。同时，KAN 网络的可解释性为后续研究提供了方向，如深入分析果蝇在群体飞行中的精细动态，有望为集体智能系统和无人机性能优化提供更多有价值的参考。这项研究不仅推动了对果蝇群体飞行行为的理解，也为相关领域的发展开辟了新的道路。