Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...

Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre
c
ijkm
θ − µ
=
σ
m ijkm
ijkm
⎡ 2 ⎤
gijk ( θ ) = exp ⎢−∑ cijkm
⎥
⎣ m ⎦
227
(5.15)
Aquí, µijkm y σijkm son, respectivamente, el centro y la desviación estándar a lo
largo de la dimensión m-ésima en la función de base radial k-ésima (en la red ij – ésima).
CONFIGURACIÓN
DEL BRAZO
ROBOT
θ 1
θ 2
θ 3
θ 4
CENTROS ADAPTATIVOS
DE LAS FUNCIONES
DE BASE
VELOCIDAD ESPACIAL
+
VELOCIDAD ARTICULACIONES
PESOS
ADAPTATIVOS
Figura 5.7. Red neuronal HYPBF que actúa como módulo para resolver la cinemática inversa del brazo
manipulador con 4 GDL descrito en el Apéndice de éste Capítulo.
Los pesos adaptativos wijk y zijkm y los parámetros µijkm y σijkm se actualizan durante
el aprendizaje en una serie de ciclos acción – percepción por el método de descenso por
el gradiente. Un ciclo de acción – percepción se genera mediante la instanciación de
vectores de velocidad articular aleatorios ∆θB (donde el subíndice B indica que se trata
de un movimiento de ‘balbuceo motor’, Figura 5.8). Los parámetros necesarios para
producir aij se ajustan por descenso del gradiente minimizando la función de coste,
( ) 2
∑ Bi i
(5.16)
H = ∆θ − ∆θ
i
donde ∆θ es el vector de rotaciones articulares estimado por la red HYPBF de acuerdo a
la ecuación (5.13). Los valores aij(θ) conforman una aproximación local a la