Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
control de un robot. Por lo tanto, la base de ésta aproximación consiste en una nueva
arquitectura de aprendizaje directamente inspirada en la conectividad cortical y que
define nuevos caminos por los que se puede abordar el aprendizaje y control de una
tarea de agarre. Otra premisa de esta propuesta es que las capacidades de aprendizaje
progresivo que puede tener un sistema de estas características dependen de la
arquitectura propuesta más que de soluciones puramente algorítmicas.
Así pues vamos a proponer, simular e implementar un sistema para el aprendizaje
progresivo y adaptativo de tareas de agarre. Este sistema constará de cuatro
componentes:
a) La arquitectura multi-red que combina cuatro tipos principales de información de
manera similar a lo que hace el cerebro cuando controla el agarre guiado
visualmente: información relativa al comando motor actualmente en curso;
información somática, es decir, información sensorial que reporta el estado actual
de del manipulador generalmente a través de datos proprioceptivos acerca de la
configuración articular del dispositivo robótico; información visual que
proporciona al sistema datos acerca de situaciones que se dan en el espacio
extrapersonal del robot tales como la localización del objetivo u otros objetos y
propiedades intrínsecas de los objetos; información relacionada con
requerimientos o restricciones a la tarea asociada al proceso de planificación
motora. Estos cuatro tipos de información necesitan interaccionar a la hora de
producir un movimiento útil y adaptable a diversas situaciones. En los primates
(incluyendo a los humanos), el substrato neuronal para estas interacciones
constituye una red distribuida. En primera aproximación esta red posee un
elemento ejecutivo en los circuitos espinales y reparte las acciones de aprendizaje,
planificación, control y producción del movimiento en la red distribuida parieto –
premotora discutida anteriormente en esta Tesis.
b) El mecanismo de aprendizaje. El mecanismo de aprendizaje empleado en esta
aproximación lo constituyen las redes de regularización HYPBF que constituyen una
solución algorítmica de gran interés para la resolución computacional de
problemas de transformaciones sensomotrices dadas sus bases y analogías con los
procesos de computación de bajo nivel que se producen en el substrato biológico.
Es importante remarcar que tanto la arquitectura de las HYPBF como el algoritmo
de aprendizaje operan de manera repetitiva a lo largo de los diferentes módulos
que constituyen la multi – red.
c) Las etapas de aprendizaje. Se corresponden con distintas fases en las que se puede
subdividir el proceso de aprendizaje de tareas de agarre mediante la interacción
220