Fischschwärme sind beliebte Modellsysteme für kollektives Verhalten. Information über Futter oder Angreifer verteilt sich im Schwarm in Wellen von Bewegungsänderungen. Ausgehend von den Tieren, die mit dem Stimulus direkten Kontakt hatten, erreicht die Information ohne einen dedizierten Kommunikationskanal auch entfernte Tiere. Wenn wir die Interaktionsmechanismen der Individuen untersuchen, können wir damit auch globale Prozesse, wie Führerschaft und Gruppenentscheidungen besser verstehen. Eine Vielzahl mathematischer Modelle beschreibt den möglichen Zusammenhang von lokalen Reizen und individuellem Verhalten und ermöglicht es zu verstehen wie Verhalten auf Gruppenebene emergiert. In Computersimulationen können diese Modelle die bekannten Bewegungsmuster von Schwärmen sehr gut abbilden. Sie ermöglichen allerdings oftmals keine spezifischen Vorhersagen in realen biologischen Systemen. Wir schlagen vor autonome Roboter in lebende Fischgruppen einzuschleusen, um die aktuellen Modelle zu validieren und zu erweitern, und neue Modelle durch die Interaktion mit dem lebenden System zu erlernen. Hierzu werden wir z.B. Reinforcement Learning nutzen um optimale robotische Aktionen zu identifizieren eine Gruppe anzuführen. In Experimenten soll der Roboter selbstständig die passenden Interaktionsregeln von lebenden Guppies erlernen. Unser Vorhaben wird unsere mathematischen Modelle verbessern, damit das Verständnis der Evolution und Funktion kollektiver Bewegung vertiefen und damit genauere Prädiktionen des Systemverhaltens ermöglichen. Die Multi-Roboter-Plattform “RoboFish” kann auch für andere Modellsysteme eingesetzt werden. Wir werden den Quellcode und die Hardwarespezifikationen zur Verfügung stellen, um die Entwicklung und Verbreitung dieser jungen Methode zu fördern.