Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 4. Modelo Neuronal para la Coordinación del Gesto Manual durante el Agarre
6. Conclusiones
En los modelos presentados en este capítulo, las transformaciones visuomotrices
relacionadas con el transporte de la mano hasta las inmediaciones del objeto a agarrar
son llevadas a cabo por una red neuronal autoorganizativa (modelo DIRECT) que
computa la cinemática inversa de un manipulador con dos grados de libertad. Las
transformaciones visuomotrices relacionadas con la componente de agarre del
movimiento se han simplificado. Las combinaciones correctas de ponderaciones
temporales de autoposturas asociadas al agarre correcto de cada uno de los 16 objetos
del conjunto empleado en las simulaciones se determinaron previamente de manera ‘off
– line’ y posteriormente se insertaron en el neurocontrolador VITE. A la hora de
conseguir un sistema capaz de aprender y memorizar, las transformaciones
visuomotrices asociadas a la componente de agarre es necesario crear un modelo que
inspirado en el sistema de la Figura 4.28, incluya la capacidad de aprendizaje. Esto
puede hacerse insertando el modelo VITE dentro de un sistema mas complejo que
permita el aprendizaje de configuraciones correctas de agarre en el espacio paramétrico
de ponderaciones temporales de autoposturas, obteniendo éstas a partir de la
transformación adaptativa de las propiedades intrínsecas del los objetos codificadas en
sus affordances. Estas configuraciones específicas pueden posteriormente ser
‘archivadas’ como programas motores conformando lo que hemos venido en
denominar una Biblioteca de Gestos.
En cuanto al modelo para el control sinérgico del movimiento de los dedos de una
mano antropomorfa presentado en este Capítulo, hay que remarcar que éste es un
modelo totalmente lineal ya que está inspirado en los resultados obtenidos al realizar
un procesamiento lineal (SVD) de los datos obtenidos en las experiencias descritas en el
apartado 3. El mismo tratamiento de modelización que se ha llevado a cabo en este
punto puede repetirse desde una aproximación no lineal al problema (Lee y Yangsheng,
1996, Lee, 2000). Una posibilidad que no puede dejar de estudiarse es el análisis de los
datos empleando técnicas de reducción de dimensionalidad tales como el SVD o el
Análisis de Componentes Principales (PCA) pero en su ‘versión’ no lineal (NLPCA,
Kramer, 1991). La modelización mediante redes neuronales de los resultados obtenidos
tras un análisis no lineal de los datos, puede ayudar a establecer un modelo
biológicamente plausible para el comportamiento cognitivo – motriz durante el
movimiento de agarre que pueda ser aplicado a la solución de ciertos problemas
asociados u homólogos en el campo de la robótica de agarre y manipulación.
Finalmente, la alta modularidad impuesta en el modelo permite implantar un
paradigma de aprendizaje progresivo de tareas de agarre complejas incluso sobre
plataformas robóticas reales. Este aprendizaje adaptativo y progresivo incluye una
204