Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
de neuronas determina los incrementos articulares necesarios para implementar ese
movimiento dadas la dirección espacial deseada de movimiento y la configuración de
articulaciones del robot (cinemática inversa diferencial). Un proceso de integración final
convierte las señales de rotación angular en ángulos de rotación reales que se envían a
los actuadotes para mover el brazo.
A
LONGITUDES MUSCULARES
DE LOS OJOS
IZQUIERDO Y DERECHO
B
“INFANT”
ENTRADAS RETINALES
DE LOS OJOS
IZQUIERDO Y DERECHO
SIGUIENTE PASO
INCREMENTAL
CÁMARA
“MURPHY”
DIRECCIÓN
DE LA
MIRADA
IMAGEN
VISUAL
IMAGEN VISUAL
DE LA POSICIÓN
DE MANO Y OBJETIVO
IMAGEN VISUAL
DE LA VELOCIDAD
DE MOVIMIENTO DE LA
MANO
cinemática
directa
PESOS
AJUSTABLES
cinemática
inversa
diferencial
PESOS
AJUSTABLES
210
ÁNGULOS DE
ARTICULACIÓN
VELOCIDAD DE
ÁNGULOS DE
ARTICULACIÓN
MAPA
“OBJETIVO”
Figura 5.1. Controladores Neuronales INFANT (A) y MURPHY (B).
LONGITUDES
MUSCULOS DEL
BRAZO
ARTICULACIONES
Jordan propuso una red neuronal multicapa (Figura 5.2B) con dos vectores de
entrada, el vector de plan y el vector de estado. El vector de plan define el acto motor
deseado en el espacio de tarea. El vector de estado refleja el estado actual del sistema.
Ambos vectores proyectan sobre una capa de neuronas ocultas. El modelo, en primer
lugar aprende una transformación de cinemática directa entre la capa de actividad de
los actuadotes y movimientos en el espacio de tarea. Una vez concluida esta fase, la red
directa se acopla a la red de cinemática inversa. Ya que la combinación de modelos
directos e inversos da como resultado la identidad, un vector de plan debiera generar