Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

More documents

Recommendations

Info

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
Capitulo 4. Modelo Neuronal para la Coordinación del Gesto Manual durante el Agarre etapa inicial en la que se desarrollan habilidades de alcance a través del aprendizaje de la cinemática inversa de un brazo y de los dedos de la mano mediante modelos tipo DIRECT. En una segunda fase, el aprendizaje se centra en la asociación correcta entre las propiedades visuales intrínsecas de un objeto y las configuraciones de agarre que permitan el agarre correcto de dicho objeto. Como etapas adicionales en este proceso se pueden incluir el aprendizaje de secuencias complejas de agarre y manipulación de objetos o el aprendizaje por imitación. Por el momento, en el siguiente capítulo nos centraremos en el estudio de las dos primeras fases de este proceso de aprendizaje progresivo de tareas de agarre. 205
Page 1 and 2:
Universidad Politécnica de Cartage
Page 3 and 4:
Neuro - Robotics constitutes an eme
Page 5 and 6:
The results of the research develop
Page 7 and 8:
Índice General Agradecimientos Int
Page 9 and 10:
5.2 Simulaciones del modelo. Modeli
Page 11 and 12:
Introducción 1 Introducción Intro
Page 13 and 14:
Introducción la hora de inspirar m
Page 15 and 16:
Introducción 1. Análisis experime
Page 17 and 18:
Introducción 3.7 Transferencia tec
Page 19 and 20:
Introducción presentan objetos de
Page 21 and 22:
Capitulo 1. El Movimiento de Agarre
Page 23 and 24:
Page 25 and 26:
Page 27 and 28:
Page 29 and 30:
Page 31 and 32:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Capitulo 2. Modelos Computacionales
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Capitulo 3. El Agarre en la EP. Mod
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Capitulo 4. Modelo Neuronal para la
Page 157 and 158: Capitulo 4. Modelo Neuronal para la
Page 207: Capitulo 4. Modelo Neuronal para la
Page 211 and 212: Capitulo 5. Modelo Neuronal para el
Page 249 and 250: 2.5 cm 3.0 cm 3.5 cm 2 cm Capitulo
Page 259 and 260:
Capitulo 5. Modelo Neuronal para el
Page 261 and 262:
Page 263 and 264:
Page 265 and 266:
R1 HYPBF # 1 HYPBF # 2 R2 AIP VD Mu
Page 267 and 268:
Page 269 and 270:
Capitulo 6. Implantación de algori
Page 271 and 272:
Page 273 and 274:
Page 275 and 276:
Page 277 and 278:
Page 279 and 280:
Page 281 and 282:
Page 283 and 284:
Capitulo 7. Conclusiones y Trabajos
Page 285 and 286:
Capitulo 7. Conclusiones y Trabajos
Page 287 and 288:
1. Cinemática Directa del brazo ma
Page 289 and 290:
x 0 l 3 I -M c l 2 z 0 l 1 d θ 4 b
Page 291 and 292:
Los pesos adaptativos wijk y zijkm
Page 293 and 294:
Arbib, M.A. (1985a). Schemas for th
Page 295 and 296:
Castiello, U., Stelmach, G.E., Lieb
Page 297 and 298:
Fagg, A.H., Arbib, M.A. (1998). Mod
Page 299 and 300:
Graybiel, A.M. (1997). The basal ga
Page 301 and 302:
Jaeger, D., Kita, H., Wilson., C.J.
Page 303 and 304:
Kimura, M., Matsumoto, N., Okahashi
Page 305 and 306:
Mottet, D., Bootsma, R. J. (2001).
Page 307 and 308:
Rezzoug, N., Gorce, P. (2001). A Ne
Page 309 and 310:
Tanee, J., Boussaoud, D., Boyer-Zel
show all

Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?