Wie sehen Bienen die Welt? Ein normatives Modell für visuelles Verstärkungslernen bei der Navigation von Insekten.

• Antragsteller: Professor Dr. Andrew D. Straw
• Fachliche Zuordnung: Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 569980362

Bienen zählen zu den Meistern der Navigation in der Insektenwelt. Ihr Überleben hängt von ihrer Fähigkeit ab, mithilfe ihres Sinnesapparats und einem winzigen Gehirn die Positionen von Futterquellen zu lernen und erfolgreich zwischen ihnen und ihrem zentralen Nest zu navigieren. Diese komplexe Aufgabe mit sehr beschränkter neuronaler Rechenhardware zu lösen, setzt eine effiziente und hochspezialisierte neuronale Verarbeitung der sensorischen Informationen voraus. Im Rahmen dieses Projektes konzentrieren wir uns auf eine primäre sensorische Modalität – die visuelle Wahrnehmung der Umgebung – und verfolgen einen normativen Modellierungsansatz um zu untersuchen, welche internen neuronalen Repräsentationen des unverarbeiteten visuellen Inputs aus theoretischer Sicht am besten geeignet sind, um diese überlebenswichtigen Aufgaben zuverlässig und unter einer Reihe von visuellen und ökologischen Bedingungen zu lösen. Um das Navigationsverhalten von Insekten zu simulieren, benutzen wir ein von Insekten-Neuroanatomie inspiriertes Deep Reinforcement Learning (DRL) Modell. Dieses wird in Echtzeit auf einer „Bienen-Ansicht” von virtuellen Rekonstruktionen tatsächlicher Versuchsfelder trainiert. Die sukzessiven Ebenen des DRL-Modells entsprechen grob den visuellen Verarbeitungsschritten im Insektengehirn: von der Retina über die optischen Loben hin zu den Pilzkörpern, welche primär mit Lernprozessen im Allgemeinen und möglicherweise mit einer biologischen Implementierung von RL assoziiert werden. In diesem Projekt nutzen wir DRL als normatives Modell für neuronale Informationsverarbeitung im Insektengehirn unter folgenden Fragestellungen: Welche visuellen Merkmale werden die oberflächlichen Ebenen des Modells lernen um robuste Navigation unter veränderlichen Bedingungen zu ermöglichen? Wie spiegeln sich ökologische und optische Bedingungen während des Trainings in Unterschieden in den gelernten Merkmalen wider, beispielsweise zwischen tag- und nachtaktiven Spezies? Die aus einem solchen normativen Ansatz gewonnenen Erkenntnisse haben erhebliche Relevanz sowohl für Neurowissenschaftler, die sich mit visueller Verarbeitung und/oder Navigation befassen – als Orientierungshilfe für neuroanatomische, elektrophysiologische und verhaltensbiologische Studien – als auch für Informatiker und Robotiker mit Interesse an von Insekten inspirierten Verarbeitung visuellen Inputs, die effiziente und robuste Navigation ermöglicht.

• DFG-Verfahren: Sachbeihilfen