摘要
长时间的动物行为轨迹是计算动物学研究的核心，然而构建大规模啮齿动物群体仍然成本高昂、耗时较长，并受到动物使用行为的限制。我们提出了一个基于传感器的生成框架，该框架能够区分潜在的行为动态和由传感器引起的观察偏差，从而合成在行为上合理的轨迹，同时再现由代理参考产生的观察偏差。该框架结合了运行级别的半马尔可夫行为模型、占据率校准以及状态条件下的运动学生成，并采用了一种依赖于环境的超宽带（UWB）观测通道，能够明确捕捉到视线内（LoS）和非视线内（NLoS）的感知条件。通过四次UWB观测实验，本研究模拟了三种状态：探索、觅食和挖掘，并通过状态占据率、状态条件下的运动学差异、剩余域的一致性以及不同时间延迟下的均方位移来评估模型的真实性。进一步研究表明，基于传感器条件的处理方法能够提高在视线内/非视线内环境变化下的轨迹分类鲁棒性。采用该方法的模型在混合域下的AUC值为0.995，而未采用该方法的基线模型的AUC值分别降至0.974和0.901。这些结果证明了基于传感器的计算机模拟动物学作为概念验证框架的可行性，适用于在代理参考观察偏差条件下的鲁棒性研究和算法评估。由于当前的评估仅基于四次UWB观测实验，并使用平滑后的UWB生成参考轨迹而非独立的真实轨迹，因此未来需要在大规模数据集中进行验证，以便将其应用于合成群体生成、疾病建模和统计功效分析等工作流程中。
