El estudio del comportamiento de colonias de insectos ha sido un tema de amplio interés desde hace varios años; sin embargo, existen varios desafíos por resolver. Diversas investigaciones se han centrado en analizar el comportamiento de las hormigas a partir de las tareas colectivas que realizan (Gordon, 2019). Estas colonias tienen una organización social compleja y eficiente, con altos niveles de cooperación y una clara división de las labores de forma descentralizada y autoorganizada. Una de las principales tareas es el “forrajeo”, donde las hormigas salen del nido en búsqueda de alimento mediante la exploración de áreas extensas sin un plan predeterminado.

      En esas colonias se presenta inteligencia social y su principal forma de comunicación es a través de señales químicas basadas en feromonas, lo que les permite desarrollar una capacidad cooperativa colectiva (Xu y Chen, 2021). Al localizar una fuente de alimento, las hormigas depositan un rastro de feromonas que guía a otras hormigas; este rastro se disipa progresivamente y se refuerza mediante el tránsito continuo de cada individuo. El monitoreo de la actividad de forrajeo permite identificar interacciones individuales y patrones de organización social.

      Actualmente, se han construido sistemas capaces de trazar el movimiento de múltiples hormigas de forma simultánea mediante el seguimiento automático en videos para investigar su comportamiento social. Sin embargo, varios de los métodos existentes son probados con experimentos controlados y presentan limitaciones en escenarios reales, causadas por la oclusión de hormigas, aglutinaciones y otros factores de implementación que generan errores en el seguimiento. Las nuevas herramientas tecnológicas y el uso de inteligencia artificial hacen posible construir sistemas de adquisición de datos y seguimiento de trayectorias con alta precisión y un tiempo de respuesta rápido en comparación con métodos tradicionales.

 

SISTEMA DE ADQUISICIÓN DE DATOS DEL FORRAJEO DE HORMIGAS

 

El primer paso para analizar el comportamiento del forrajeo de hormigas es la construcción de un sistema de recolección de datos del movimiento que realizan durante la búsqueda, localización y traslado de comida hacia el nido. Debido al desarrollo de tecnologías emergentes y equipos de cómputo robustos, es posible construir prototipos para la captura automatizada de trayectorias.

En la Figura 1 se observa el montaje de un sistema de visión que incluye videocámaras para la digitalización de imágenes del mundo real; una o varias fuentes de iluminación; equipos de cómputo y dispositivos de almacenamiento, así como algoritmos para el reconocimiento de patrones en la dinámica de las hormigas.

      La iluminación es un aspecto importante en la captura de videos, debido a que permite conseguir un nivel de exposición adecuado. Para escenarios exteriores, es recomendable considerar la luz directa del sol durante horarios entre las 12 del día y las 2 de la tarde, con un nivel de iluminación intensa de 60,000 a 100,000 lux (lúmenes por metro cuadrado). Para escenarios interiores, es importante emplear fuentes de iluminación artificial, como bombillas con intensidades de luz entre 500 y 1,500 lux.

      Para una mejor precisión en la captura de información del forrajeo de hormigas, se recomienda el uso de videocámaras profesionales con las siguientes características o similares: sensor CMOS de 24.2 megapíxeles con capacidad de grabación de 1,080 pixeles o superior a una velocidad de 30 fps (fotogramas por segundo). Por cada hora de video en 1,080p, se requiere un espacio de almacenamiento de 23 GB. Para el procesamiento de videos, se sugiere el uso de procesadores con GPU (unidad de procesamiento gráfico), tal como el uso de la tarjeta gráfica NVIDIA GeForce GTX, RTX o equivalentes.

      A partir de la información obtenida por el sistema, se pueden aplicar algoritmos de visión artificial para el reconocimiento del movimiento de hormigas usando equipos con alto poder de cómputo. Estos algoritmos permiten dar a las computadoras la capacidad de emular la visión humana. El sistema de visión puede servir tanto en escenarios interiores, bajo condiciones controladas de laboratorio, como en escenarios exteriores de mayor complejidad.

 

TRAYECTORIAS DE SEGUIMIENTO DEL FORRAJEO DE HORMIGAS

 

Con el uso de un sistema de visión artificial, es posible recuperar y procesar en tiempo real información del forrajeo de hormigas. La Figura 2 muestra el flujo secuencial propuesto para el seguimiento automático de hormigas y análisis de trayectorias mediante visión artificial y métodos de la mecánica estadística. Cada fase de la propuesta es descrita a continuación.

      La fase de recolección de videos consiste en recolectar un conjunto de videos del forrajeo de hormigas con el sistema propuesto en la Figura 1. Cada video está compuesto por un conjunto de fotogramas durante un tiempo continuo de grabación, con duración entre 30 y 60 min. en formato MP4, a una velocidad de 5 a 15 fotogramas por segundo.         

      La segunda fase es la detección de hormigas que se realiza aplicando el algoritmo YOLO (You Only Look On), uno de los algoritmos más empleados para identificar y rastrear objetos. Este algoritmo da respuesta en tiempo real, es más rápido, más preciso y fácil de usar con respecto a otros modelos existentes como Fast R-CNN o similares; por tal motivo, actualmente es el algoritmo más eficiente para la detección de objetos. YOLO retiene los puntos centrales, trazando líneas que representan las trayectorias seguidas por los objetos (Pereira et al., 2022). Cada hormiga es detectada a través de un cuadro delimitador dibujado sobre los fotogramas de la imagen.

      La tercera fase es la de seguimiento de trayectorias, en donde se analiza cada fotograma continuo a partir de videos del forrajeo en búsqueda de alimento, identificando los cambios espaciales en el tiempo. En esta fase, se estima el movimiento futuro de la hormiga usando la información de ubicación anterior y aplicando algoritmos de aprendizaje profundo o deep learning. El aprendizaje profundo es un subcampo de la Inteligencia Artificial que usa grandes cantidades de datos no estructurados para emular el cerebro humano (Janiesch et al., 2021). Estos algoritmos se entrenan mediante redes neuronales convolucionales (CNN) para aprender por sí mismos.

      La propuesta considera un rastreador de múltiples objetos de forma simultánea, el cual requiere de grandes cantidades de imágenes para que su funcionamiento sea confiable. Se propone el uso del algoritmo preentrenado DeepSORT (Deep Learning for Multiple Object Tracking, o aprendizaje profundo para el seguimiento de objetos múltiples), que es empleado para rastrear objetos en movimiento a partir de videos. Este algoritmo está basado en SORT (Simple Online and Realtime Tracking, o seguimiento en línea y en tiempo real simple), pero añade la extracción de características de apariencia de los objetos para reducir errores de detección (Pereira et al., 2022).

      Los algoritmos de seguimiento de hormigas mediante aprendizaje profundo funcionan adecuadamente, incluso cuando las hormigas se ocluyen, gracias a la predicción del movimiento. El rastreador asigna un identificador a cada hormiga que se mantiene durante todos los fotogramas. La trayectoria del movimiento de cada hormiga se traza de diferentes colores para identificar más fácilmente los comportamientos individuales. La Figura 3 muestra un ejemplo del seguimiento de hormigas a partir de videos en tiempo real donde se aplica el algoritmo DeepSORT.

      La cuarta fase es la evaluación de algoritmos en donde se realizan pruebas del seguimiento de hormigas a partir de los videos almacenados y se compara el seguimiento automático con el seguimiento manual para evaluar el desempeño del algoritmo. Para ello, se calcula la tasa de precisión, la tasa de error y la falsa detección de hormigas. Estas medidas indican el nivel de precisión y confianza de los algoritmos de seguimiento.

      En la fase de análisis de trayectorias se almacena la evolución temporal de la posición de cada hormiga en archivos con extensión .csv (ver ejemplo de generación de trayectorias en la Figura 3). A partir de esta información se pueden estimar las siguientes variables de estado discretas: {posición, velocidad, orientación} en cada instante, para cada hormiga individual. Esta información reproduce la dinámica individual del forrajeo de hormigas, la cual puede ser analizada para describir su comportamiento mediante medidas estadísticas como: curvas de evolución promedio, varianza y simetría, entre otras.

      La fase de interpretación del forrajeo consiste en usar la información obtenida del seguimiento automático para identificar patrones colectivos. Las trayectorias individuales pueden ser analizadas y comparadas para evaluar la dinámica del movimiento colectivo de las colonias de hormigas. Para ello, en esta fase se evalúan ciertos parámetros de orden, entendidos como medidas que cuantifican el grado de organización o coherencia en un sistema colectivo, aplicados tanto a los patrones espaciales como a la evolución temporal del proceso mediante el cual las hormigas exploran su entorno y recolectan alimento de manera coordinada.

      Entre los parámetros de orden que se miden, está la correlación espacial que permite analizar cómo se distribuyen las hormigas en un espacio determinado a lo largo del tiempo, este parámetro es clave porque puede dar indicios sobre el grado de cohesión social, la organización interna y sobre cómo responden a estímulos externos. La velocidad promedio de la colonia en un intervalo temporal permite evaluar la eficiencia del desplazamiento colectivo; además, refleja qué tan rápido se moviliza la colonia, una velocidad elevada puede representar un comportamiento sincronizado, mientras que una velocidad baja puede relacionarse con descoordinación, obstáculos o dispersión.

      La transición de fase es un parámetro que muestra el cambio dinámico entre estados de comportamiento distintos, por ejemplo, el paso del forrajeo desordenado al ordenado. Este fenómeno ha sido documentado por Beekman et al. (2001) y es de utilidad para identificar variaciones que pueden desencadenar transformaciones en la organización de la colonia. La entropía informacional mide el nivel de aleatoriedad o incertidumbre en los patrones de forrajeo de las hormigas, este indicador es útil para detectar fenómenos de autoorganización (Rangel-Huerta et al., 2017), niveles más bajos de entropía podrían asociarse con una organización más estructurada y eficiente, mientras que valores altos indicarían comportamientos más caóticos o exploratorios.

      Otros parámetros importantes son la función de actividad y el rompimiento de simetría. El primero se refiere al grado de interacción entre las hormigas dentro de la colonia y proporciona una medida de la frecuencia y naturaleza de las interacciones que son fundamentales para mantener la cohesión y cooperación del grupo (Ballinas-Hernández et al., 2011); un alto nivel de actividad sugiere una red densa de comunicación y colaboración, elementos cruciales para la supervivencia y éxito de la colonia en entornos cambiantes. El rompimiento de simetría se refiere a la asimetría colectiva por fluctuaciones aleatorias causadas por posibles situaciones de escape del grupo, tales como decisiones individuales o respuesta ante amenazas (Ji et al., 2018); este fenómeno puede conducir a rutas de escape o cambios abruptos en la dirección del grupo, lo que permite comprender la evolución de configuraciones complejas y adaptativas de la colonia.

 

DISCUSIÓN

 

A partir del seguimiento automático del forrajeo de hormigas, surge la siguiente interrogante: ¿Qué información adicional aporta el uso de nuevas tecnologías en comparación con los métodos tradicionales para analizar el forrajeo de hormigas? Con el uso de algoritmos de aprendizaje profundo de alta precisión y de respuesta rápida, además del uso de equipos de cómputo robustos, es posible calcular parámetros de orden de forma automatizada para interpretar de forma confiable los comportamientos colectivos del forrajeo de hormigas. Además, sirve como base para analizar otros comportamientos de insectos.

      Debido a que la feromona no es visible para los humanos, a través del seguimiento del forrajeo de hormigas es posible inferir algunos de los comportamientos que presentan estas sociedades para realizar tareas de forma inteligente y autoorganizada. Los patrones de forrajeo pueden describirse mediante el análisis de correlación espacial, es decir, observando la forma como se distribuyen en el espacio.

      La autoorganización y la capacidad de adaptación de la colonia de hormigas pueden evaluarse observando los cambios en su comportamiento colectivo, similares a transiciones entre distintos estados. El nivel de desorden y la dificultad para localizar alimento pueden medirse calculando su grado de organización y la velocidad con que se mueven. Cuando ocurre un evento inesperado, como un peligro repentino, se pueden identificar situaciones de escape observando cómo se rompe la simetría en sus movimientos.

 

CONCLUSIONES

 

El estudio del comportamiento de colonias de hormigas ha sido abordado por muchos años y ha servido de base para la realización de tareas colectivas de grupos de robots. No obstante, existen muchos retos y desafíos por resolver, tales como caracterizar el forrajeo de hormigas mediante el seguimiento automático de trayectorias, aun cuando existan dificultades en la detección causadas por oclusiones, aglutinaciones y confusiones por la información existente en el ambiente.

      El uso de nuevas tecnologías que involucran inteligencia artificial, en particular el aprendizaje profundo, permite crear marcos de trabajo hacia el entendimiento de las tareas colectivas de forma más confiable y rápida que los sistemas de monitoreo tradicionales. Los algoritmos de aprendizaje profundo permiten resolver las limitaciones ocasionadas por oclusiones, aglutinaciones y confusiones en la interacción de hormigas de forma precisa y eficiente. La propuesta presentada en este trabajo sirve de base para analizar comportamientos de otros grupos de insectos u otros colectivos biológicos como peces, pájaros y grupos de peatones.

 

REFERENCIAS

 

Ballinas-Hernández AL, Muñoz-Meléndez A y Rangel-Huerta A (2011). Multiagent system applied to the modeling and simulation of pedestrian traffic in counterflow. Journal of Artificial Societies and Social Simulation 14(3):e2.

Beekman M, Sumpter DJ and Ratnieks FL (2001). Phase transition between disordered and ordered foraging in Pharaoh’s ants. Proceedings of the National Academy of Sciences 98(17):9703-9706.

Gordon DM (2019). The ecology of collective behavior in ants. Annual Review of Entomology 64(1):35-50.

Janiesch C, Zschech P and Heinrich K (2021). Machine learning and deep learning. Electronic Markets 31(3):685-695.

Ji Q, Xin C, Tang SX and Huang JP (2018). Symmetry associated with symmetry break: Revisiting ants and humans escaping from multiple-exit rooms. Physica A: Statistical Mechanics and its Applications 492:941-947.

Pereira R, Carvalho G, Garrote L and Nunes UJ (2022). Sort and deep-SORT based multi-object tracking for mobile robotics: Evaluation with new data association metrics. Applied Sciences 12(3):1319.

Rangel-Huerta A, Ballinas-Hernández AL y Martínez-Guzmán G (2017). Entropía de discos rígidos auto-impulsados como parámetro de orden para peatones en contraflujo. Revista Mexicana de Física 63(6):585-592.

Xu T and Chen L (2021). Chemical communication in ant-hemipteran mutualism: potential implications for ant invasions. Current Opinion in Insect Science 45:121-129.