Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
del robot con el entorno y el guiado del algoritmo de aprendizaje. Nos centraremos
en 3 etapas de aprendizaje distintas i) Aprendizaje del efecto visual causado por
un comando motor en el brazo; ii) Aprendizaje del efecto visual causado por
comandos motores sobre la mano; y iii) Aprendizaje de posturas de agarre
asociadas a distintos objetos. La adquisición del sistema de una capacidad flexible
de planificar y adaptarse a situaciones novedosas se obtiene a través del
aprendizaje sucesivo de estas etapas.
d) El artefacto robótico. Las tres etapas descritas en el apartado anterior serán
simuladas en este capítulo y posteriormente será implementada en una plataforma
robótica real (estos resultados se describirán con detalle en el capítulo 6). A la hora
de aplicar de manera exitosa novedosos principios biológicos de organización del
movimiento es necesario poseer un elevado grado de antropomorfismo en la
plataforma robótica. La implementación se ha llevado a cabo sobre la plataforma
NEUROCOR constituida por el cabezal LINCE , la mano CERVANTES (una mano
mecatrónica que en su actuación mimetiza la acción muscular humana por medio
de motores eléctricos y novísimos actuadores de fuerza oponentes), y un brazo
robótico ABB IRB 1400.
3.1 Módulo básico. Red Neuronal HYPBF
Parece claro que el cerebro emplea multitud de módulos corticales para llevar
acabo transformaciones sensomotrices y es un punto clave de la neurociencia tanto
teórica como experimental determinar los principios computacionales que rigen esta
arquitectura modular. Quizás una de las observaciones más remarcables que se han
realizado sobre este tema es la de que aparentemente tres acciones distintas tales como
la computación, aprendizaje y memorización de este tipo de transformaciones pueden
llevarse a cabo bajo un mismo substrato neuronal (Pouget y Snynder, 2000). Este
substrato neuronal se corresponde a redes cuyas neuronas tienen curvas de respuesta
ante señales posturales y visuales que son acampanadas o sigmoidales. La idea clave es
que este tipo de neuronas proporcionan lo que en Teoría de la Regularización (Tikhonov y
Arsenin, 1977) se denomina una serie de funciones de base (BF) que posteriormente
permiten el cálculo y aprendizaje de cualquier mapeado no lineal y multivariable
mediante una simple combinación lineal de dichas funciones de base.
La hipótesis básica de nuestro esquema de trabajo en este capítulo es que el
cerebro y más concretamente el córtex cerebral emplea módulos para la aproximación
de funciones multivariables como componentes básicos de sus subsistemas de
procesamiento de la información. Estos módulos ese asemejan a redes de
221