Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
2. Modelos neuronales para el aprendizaje de tareas de alcance y agarre
En esta sección se describen una serie de modelos presentes en la literatura
relacionados con el aprendizaje de tareas de alcance y agarre. Resulta importante
destacar que las bases biológicas de los modelos comentados en esta sección y de los
modelos desarrollados en este capítulo han sido ampliamente discutidas en el apartado
4 del Capítulo 1.
2.1 Movimientos de alcance: Modelos conexionistas.
Existen una serie de modelos conexionistas 1 que se han venido desarrollando a lo
largo de los últimos años relacionados con el aprendizaje y la generación realista de
movimientos de alcance. Aunque muchos de ellos no nacen con la intención de ser un
modelo fisiológico realista, todos ellos ilustran de una forma u otra el rango de
soluciones que son competentes a la hora de resolver los problemas computacionales
que implican los movimientos de alcance.
Por ejemplo el controlador robótico INFANT (Figura 5.1A) aprende la cinemática
inversa entre la localización espacial del objetivo y la postura del brazo requerida para
colocar la mano sobre dicho objetivo (Kuperstein, 1988). En INFANT, distintos mapas
neuronales codifican la entrada del campo visual proveniente de una cámara
estereoscópica, el ángulo de la mirada de las cámaras y la ‘actividad muscular’ (lo que
se codifica en este mapa es la posición de los ángulos de articulación como longitudes
de músculos). Los mapas neuronales correspondientes al campo visual y a la mirada
están conectados al mapa muscular mediante una serie de pesos adaptativos
modificables. Durante un periodo inicial de aprendizaje, una señal externa genera
patrones aleatorios en el mapa brazo – muscular que desplazan el brazo robot hacia
diferentes posturas (balbuceo motor). Las cámaras fovean la posición de la mano después
de cada ‘balbuceo’. El campo visual y el ángulo de mirada resultantes se ‘filtran’ por
medio de los pesos adaptativos para generar un vector de activación estimado. La
diferencia entre esta estimación y el vector de activaciones musculares generado
externamente que generó el balbuceo, se usa como señal de error para el ajuste
adaptativo de los pesos variables antes mencionados. Después de un número suficiente
de balbuceos aleatorios, los vectores musculares externos y los estimados convergen,
punto en el cual INFANT es capaz de alcanzar con precisión objetivos previamente
foveados en el espacio de trabajo. Las matrices de pesos adaptables representan de una
manera distribuida la transformación entre todas las combinaciones posibles de campo
visual y ángulo de mirada y las correspondientes longitudes musculares. INFANT es
1 Modelos de redes neuronales
208