Collective motion via continuous active inference: social dynamics, goal-directed behavior, and adaptivity

Active inference provides a principled framework for modeling per ception and action as processes grounded in variational free energy minimization. Within this perspective, agents continuously update their internal beliefs about hidden environmental states and act to minimize prediction errors under a genera tive model. While this formulation has been widely studied in single-agent settings, its applications to multi-agent systems in continuous environments are still rela tively recent. This work develops a continuous-time active inference model for collective motion, where agents encode local neighbors’ distances by means of the generalized coordinates of motion. In this way, social interactions are not imposed through predefined force laws but emerge from precision-weighted prediction er rors, yielding coordinated group dynamics from purely inferential principles. In the context of optimal navigation in idealized fluid flows, the framework is extended to target-directed behavior by introducing latent variables encoding the distance to a predefined target destination, integrating social and goal-related influences within a single control law. The model is systematically evaluated under external disturbances modeled as fluid-like velocity fields acting at the level of the genera tive process. Numerical experiments identify critical perturbation regimes beyond which agents fail to reach the target and clarify how sensory precision regulates the balance between social cohesion, goal attraction, and environmental forcing. To address persistent disturbances, an adaptive extension is introduced, in which agents infer and compensate for residual fluid effects through an additional hidden state. This mechanism enables successful navigation even under spatially hetero geneous perturbations. In the presence of time-dependent vortical flows, however, performance degrades due to the continuously varying disturbance amplitude, lead ing to oscillatory behaviors in the regions close to the target. Nevertheless, the proposed adaptive framework appears robust and provides useful insights to tackle those challenges posed by dynamically evolving environments.

L’inferenza attiva rappresenta un quadro teorico unitario per descrivere percezione e azione come processi guidati dalla minimizzazione della free energy variazionale. In tale prospettiva, un agente costruisce un modello interno dell’ambiente, aggiorna continuamente le proprie credenze sugli stati nascosti a partire dalle osservazioni sensoriali e agisce per ridurre gli errori di predizione rispetto a tali credenze. Sebbene questo approccio sia stato ampiamente studiato in contesti a singolo agente, le sue applicazioni a sistemi multi-agente in ambienti continui sono ancora relativamente recenti. In questo lavoro viene sviluppato un modello di active inference in tempo continuo per descrivere il moto collettivo. Gli agenti rappresentano le distanze dai vicini suddividendo il campo visivo in settori sensoriali e modellandone l’evoluzione tramite coordinate generalizzate del moto. Le interazioni sociali non sono quindi imposte attraverso leggi di forza esplicite, ma emergono come conseguenza della minimizzazione di errori di predizione pesati dalla precisione. In questo modo, la coesione e l’organizzazione del gruppo derivano diretta mente da principi inferenziali. Il modello viene poi esteso al caso di moto collettivo orientato a un obiettivo, introducendo una variabile latente che rappresenta la distanza dal target. L’attrazione verso la meta non è implementata come un termine di controllo aggiuntivo, ma nasce da una diversa dinamica prioritaria all’interno dello stesso schema di active inference, permettendo di integrare in modo coerente influenze sociali e finalizzate all’obiettivo. La robustezza del modello viene analizzata in presenza di perturbazioni esterne, descritte come campi di velocità di tipo fluido che agiscono a livello del processo generativo. Le simulazioni numeriche mostrano l’esistenza di regimi critici di intensità della perturbazione oltre i quali il gruppo non riesce più a raggiungere il target, pur mantenendo una struttura collettiva coerente. L’analisi evidenzia inoltre il ruolo centrale della precisione senso riale nel determinare il bilanciamento tra coesione sociale, attrazione verso l’obiettivo e influenza dell’ambiente. Per affrontare perturbazioni persistenti, viene introdotta un’estensione adattiva in cui gli agenti stimano e compensano l’effetto residuo del fluido attraverso uno stato nascosto aggiuntivo. Questo meccanismo consente di recuperare un comportamento orientato al target anche in presenza di flussi spazialmente eterogenei. Nel caso di flussi vorticosi dipendenti dal tempo, tuttavia, la continua variazione dell’intensità della perturbazione induce dinamiche oscillanti nelle regioni prossime alla meta. Nel complesso, i risultati mostrano che l’active inference fornisce un quadro coerente e flessibile per modellare il moto collettivo adattivo in ambienti dinamici, offrendo strumenti concettuali e matematici utili per l’analisi di sistemi multi-agente soggetti a incertezza e perturbazioni esterne.