编辑推荐：
在人工智能领域，模拟生物捕食 - 猎物自适应行为颇具挑战。研究人员创建 Pursuit-Escape Confrontation（PEC）数据集，提出 PursuitNet 深度学习模型。该模型性能优异，有助于理解捕食 - 猎物动态，为交互机器人和自主系统设计提供思路。
在自然界中，捕食者与猎物之间的互动充满了神秘色彩。猎豹追逐瞪羚，猎豹凭借着超快的速度和灵活的转向，试图抓住猎物；而瞪羚则依靠敏锐的感知和敏捷的身姿，不断躲避追捕。这种互动行为历经数百万年的进化，蕴含着强大的生物智慧。它们会根据对方的行动实时调整策略，并非遵循固定的指令，这与依靠明确命令或规则运行的人造系统截然不同。
在人工智能飞速发展的今天，复制这种生物的自适应行为却困难重重。许多人工智能系统在完成有明确目标和指令的任务时表现出色，比如文本生成和路径规划。但它们的策略往往是从纯计算角度出发，追求高效却缺乏生物行为的灵活性。在复杂多变、充满不确定性的环境中，这些系统难以像生物一样做出快速、适应环境的决策。
早期对捕食 - 猎物动态的建模，多采用运动学或动力学方程，虽然解释了一些基本策略，但由于假设条件过于简化，与现实差距较大。后来的概率方法和元启发式算法虽各有进展，但也存在预测准确性不足、计算成本高和参数调整困难等问题。深度学习的出现为解决这类复杂问题带来了希望，然而，大多数基于深度学习的轨迹预测研究集中在较为平稳的运动场景，如行人行走，针对捕食 - 猎物这类涉及突然、竞争性动作的场景研究较少，相关公共数据集也十分匮乏。
为了填补这一空白，陆军军医大学的研究人员开展了深入研究。他们创建了 Pursuit-Escape Confrontation（PEC）数据集 ，记录实验室小鼠（充当捕食者）追逐经过编程会逃避捕捉的机器诱饵的行为。同时，提出了 PursuitNet 深度学习模型，该模型结合 Transformer 编码器、Graph Convolutional Networks（GCNs，图卷积网络，用于建模动态交互和空间关系）和 Temporal Convolutional Networks（TCNs，时间卷积网络，用于融合速度和加速度数据预测变化 ），以捕捉捕食 - 猎物动态中的交互和时间元素。
研究人员用到的主要关键技术方法包括：首先，通过控制实验，利用网络摄像头收集小鼠追逐机器诱饵的行为数据，构建 PEC 数据集。其次，运用深度学习技术，搭建并训练 PursuitNet 模型，模型中包含 Transformer 编码器、GCNs 和 TCNs 等结构。
Pursuit-Escape Confrontation（PEC）数据集的创建
为评估模型预测类似追逐行为的能力，研究人员创建了 PEC 数据集。该数据集源于饥饿小鼠与逃避机器人诱饵之间的捕食 - 猎物互动行为。在受控实验中，利用网络摄像头收集行为数据。这一数据集聚焦于快速、实时的竞争行为，与典型轨迹数据集中较为平稳的运动不同，其更能体现捕食 - 猎物行为中的突然速度变化、逃避动作和持续的相互适应。
PursuitNet 模型的性能评估
在实证评估中，PursuitNet 模型表现优异，优于 Social GAN 和 TUTR 等标准模型。在 PEC 数据集上，其位移误差显著更低。通过消融实验发现，整合空间和时间特征对于预测捕食 - 猎物行为中固有的不稳定转向和速度调制至关重要。这表明 PursuitNet 模型在捕捉这类复杂行为的动态变化方面具有独特优势。
PursuitNet 模型的模拟能力
PursuitNet 模型不仅能准确预测轨迹，还能模拟出与真实小鼠和诱饵互动极为相似的追逐事件。这有助于深入了解是内在驱动力而非外部指令如何引导适应性决策，为研究动物行为背后的决策机制提供了新的视角。
研究结论表明，PursuitNet 深度学习框架在模拟捕食 - 猎物场景中的高度自适应和交互行为方面表现出色。它通过创建 PEC 数据集和构建 PursuitNet 模型，成功地解决了以往研究在该领域的不足。这一研究成果意义重大，不仅推进了捕食 - 猎物追逐行为的研究，将严谨的行为数据收集与专业的深度学习架构相结合；而且为理解自然智能和人工自主系统提供了新的思路，有望在多领域发挥重要作用，如多智能体机器人领域，帮助机器人在复杂环境中更好地协作和决策；在自动驾驶领域，提升车辆在不可预测环境中的应对能力；在动物行为研究领域，加深对动物行为决策机制的理解 。该研究成果发表在《Brain Research》，为相关领域的进一步研究奠定了坚实基础。
