Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...
Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ... Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...
Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre X (Capa entrada) A (Capa oculta) X Mu A W θ A 1 A 2 A 3 A (K-2) A (K-1) A K 233 θ (Capa salida) Figura 5.12. Variables que intervienen en el procesamiento de la información en la red HYPBF GRASP y flujo de información que se establece entre ellas. 3.3.1 Vector de entrada y Vector de salida del módulo GRASP Los objetos que se han empleado para llevar a cabo el entrenamiento y testeado del módulo GRASP se corresponden a figuras geométricas tridimensionales simples (cubos, esferas y cilindros) de distintas dimensiones (Figura 5.13). Sy Sz Sx Figura 5.13. Tipos de objetos empleados en el entrenamiento del módulo GRASP. R Sz Sx Sy
Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre Partiendo de este dato la capa o vector de entrada al módulo neuronal GRASP está formada por siete neuronas (Figura 5.14). Las tres primeras neuronas codifican de forma binaria la ‘forma o tipo de objeto’, mediante el siguiente código: un cubo se representa con una actividad en estas tres primeras neuronas asociada al vector [1 0 0]; una esfera se representa con un vector de la forma [0 1 0]; y por último, un cilindro queda representado por el vector [0 0 1]. Las tres neuronas siguientes, definen las dimensiones Sx, Sy, Sz del objeto. Los valores de estas tres neuronas varían entre cero y uno, dependiendo de las dimensiones del objeto a agarrar. Finalmente, la última neurona codifica de manera binaria el número de dedos empleados en el agarre. En el caso de valer cero, la neurona codifica la intención de llevar a cabo un agarre con dos dedos, mientras que en el caso de valer uno, la intención del agarre es hacerlo con tres dedos. Vector de Salida (θ): Forma del Objeto Vector de Entrada: θp Dimensión del Objeto Figura 5.14. Estructura y tipo de codificación entrada – salida del módulo neuronal GRASP. Por otro lado, tenemos la capa o vector de salida que consta de doce neuronas (Figura 5.14). En este vector se codifican los valores de la posiciones articulares de cada una de las articulaciones o GDL de cada dedo de la mano antropomorfa empleada en el 234 Capa Oculta de la Red HYPBF θm θi Numero de Dedos 7 K neuronas 12 neuronas
- Page 185 and 186: Capitulo 4. Modelo Neuronal para la
- Page 187 and 188: Capitulo 4. Modelo Neuronal para la
- Page 189 and 190: Capitulo 4. Modelo Neuronal para la
- Page 191 and 192: Capitulo 4. Modelo Neuronal para la
- Page 193 and 194: Capitulo 4. Modelo Neuronal para la
- Page 195 and 196: Capitulo 4. Modelo Neuronal para la
- Page 197 and 198: Capitulo 4. Modelo Neuronal para la
- Page 199 and 200: Capitulo 4. Modelo Neuronal para la
- Page 201 and 202: Capitulo 4. Modelo Neuronal para la
- Page 203 and 204: Capitulo 4. Modelo Neuronal para la
- Page 205 and 206: Capitulo 4. Modelo Neuronal para la
- Page 207 and 208: Capitulo 4. Modelo Neuronal para la
- Page 209 and 210: Capitulo 4. Modelo Neuronal para la
- Page 211 and 212: Capitulo 5. Modelo Neuronal para el
- Page 213 and 214: Capitulo 5. Modelo Neuronal para el
- Page 215 and 216: Capitulo 5. Modelo Neuronal para el
- Page 217 and 218: Capitulo 5. Modelo Neuronal para el
- Page 219 and 220: Capitulo 5. Modelo Neuronal para el
- Page 221 and 222: Capitulo 5. Modelo Neuronal para el
- Page 223 and 224: Capitulo 5. Modelo Neuronal para el
- Page 225 and 226: Capitulo 5. Modelo Neuronal para el
- Page 227 and 228: Capitulo 5. Modelo Neuronal para el
- Page 229 and 230: Capitulo 5. Modelo Neuronal para el
- Page 231 and 232: Capitulo 5. Modelo Neuronal para el
- Page 233 and 234: Capitulo 5. Modelo Neuronal para el
- Page 235: Capitulo 5. Modelo Neuronal para el
- Page 239 and 240: Capitulo 5. Modelo Neuronal para el
- Page 241 and 242: Capitulo 5. Modelo Neuronal para el
- Page 243 and 244: Capitulo 5. Modelo Neuronal para el
- Page 245 and 246: Capitulo 5. Modelo Neuronal para el
- Page 247 and 248: Capitulo 5. Modelo Neuronal para el
- Page 249 and 250: 2.5 cm 3.0 cm 3.5 cm 2 cm Capitulo
- Page 251 and 252: Capitulo 5. Modelo Neuronal para el
- Page 253 and 254: Capitulo 5. Modelo Neuronal para el
- Page 255 and 256: Capitulo 5. Modelo Neuronal para el
- Page 257 and 258: Capitulo 5. Modelo Neuronal para el
- Page 259 and 260: Capitulo 5. Modelo Neuronal para el
- Page 261 and 262: Capitulo 5. Modelo Neuronal para el
- Page 263 and 264: Capitulo 5. Modelo Neuronal para el
- Page 265 and 266: R1 HYPBF # 1 HYPBF # 2 R2 AIP VD Mu
- Page 267 and 268: Capitulo 5. Modelo Neuronal para el
- Page 269 and 270: Capitulo 6. Implantación de algori
- Page 271 and 272: Capitulo 6. Implantación de algori
- Page 273 and 274: Capitulo 6. Implantación de algori
- Page 275 and 276: Capitulo 6. Implantación de algori
- Page 277 and 278: Capitulo 6. Implantación de algori
- Page 279 and 280: Capitulo 6. Implantación de algori
- Page 281 and 282: Capitulo 6. Implantación de algori
- Page 283 and 284: Capitulo 7. Conclusiones y Trabajos
- Page 285 and 286: Capitulo 7. Conclusiones y Trabajos
Capitulo 5. Mo<strong>de</strong>lo Neuronal para el aprendizaje progresivo <strong>de</strong> tareas <strong>de</strong> Agarre<br />
X<br />
(Capa entrada)<br />
A<br />
(Capa oculta)<br />
X Mu A<br />
W<br />
θ<br />
A 1<br />
A 2<br />
A 3<br />
A (K-2)<br />
A (K-1)<br />
A K<br />
233<br />
θ<br />
(Capa salida)<br />
Figura 5.12. Variables que intervienen en el procesamiento <strong>de</strong> la información en la red HYPBF GRASP y<br />
flujo <strong>de</strong> información que se establece entre ellas.<br />
3.3.1 Vector <strong>de</strong> entrada y Vector <strong>de</strong> salida <strong>de</strong>l módulo GRASP<br />
Los objetos que se han empleado para llevar a cabo el entrenamiento y testeado <strong>de</strong>l<br />
módulo GRASP se correspon<strong>de</strong>n a figuras geométricas tridimensionales simples (cubos,<br />
esferas y cilindros) <strong>de</strong> distintas dimensiones (Figura 5.13).<br />
Sy<br />
Sz<br />
Sx<br />
Figura 5.13. Tipos <strong>de</strong> objetos empleados en el entrenamiento <strong>de</strong>l módulo GRASP.<br />
R<br />
Sz<br />
Sx<br />
Sy