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 En la Figura 5.20 se muestran dos movimientos considerados exitosos según los criterios expuestos en este apartado, uno de ellos realizado con dos dedos (izquierda) y el otro ejecutado con tres dedos (derecha). Si una vez seleccionado R, el movimiento resulta exitoso de acuerdo a los criterios antes expuestos, la configuración final de los dedos tras dicho movimiento se almacena en un vector de 12 componentes denominado θ0. X Z Y Figura 5.20. Movimientos exitosos de aproximación y contacto final con el objeto con dos dedos (izquierda) y con tres dedos (derecha). 3.3.4 Aprendizaje de la red HYPBF asociada al módulo GRASP. En este punto del proceso, nos encontramos en disposición de abordar el aprendizaje de la última etapa, consistente en el aprendizaje de posturas de agarre asociadas a distintos objetos. El vector de entrada establecido en el apartado 3.3.1 se propaga a través de las distintas capas de la red produciendo una salida denotada por θ (Figura 5.11). Este vector se compara con el vector θ0 determinado para determinado objeto en el apartado 3.3.3. Se estable que la función de coste a minimizar durante el 239 X Z Y
Capitulo 5. Modelo Neuronal para el aprendizaje progresivo de tareas de Agarre aprendizaje sea ( ) 2 ∑ i 0i i . Mediante el método de descenso por el gradiente se H = θ −θ actualizan los valores de los parámetros wki, µkl y σkl de la red HYPBF GRASP hasta que el valor del funcional H
- 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 and 236: Capitulo 5. Modelo Neuronal para el
- Page 237 and 238: Capitulo 5. Modelo Neuronal para el
- Page 239 and 240: Capitulo 5. Modelo Neuronal para el
- Page 241: 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
- Page 287 and 288: 1. Cinemática Directa del brazo ma
- Page 289 and 290: x 0 l 3 I -M c l 2 z 0 l 1 d θ 4 b
- Page 291 and 292: Los pesos adaptativos wijk y zijkm
Capitulo 5. Mo<strong>de</strong>lo Neuronal para el aprendizaje progresivo <strong>de</strong> tareas <strong>de</strong> Agarre<br />
En la Figura 5.20 se muestran dos movimientos consi<strong>de</strong>rados exitosos según los<br />
criterios expuestos en este apartado, uno <strong>de</strong> ellos realizado con dos <strong>de</strong>dos (izquierda) y<br />
el otro ejecutado con tres <strong>de</strong>dos (<strong>de</strong>recha). Si una vez seleccionado R, el movimiento<br />
resulta exitoso <strong>de</strong> acuerdo a los criterios antes expuestos, la configuración final <strong>de</strong> los<br />
<strong>de</strong>dos tras dicho movimiento se almacena en un vector <strong>de</strong> 12 componentes <strong>de</strong>nominado<br />
θ0.<br />
X<br />
Z<br />
Y<br />
Figura 5.20. Movimientos exitosos <strong>de</strong> aproximación y contacto final con el objeto con dos <strong>de</strong>dos<br />
(izquierda) y con tres <strong>de</strong>dos (<strong>de</strong>recha).<br />
3.3.4 Aprendizaje <strong>de</strong> la red HYPBF asociada al módulo GRASP.<br />
En este punto <strong>de</strong>l proceso, nos encontramos en disposición <strong>de</strong> abordar el<br />
aprendizaje <strong>de</strong> la última etapa, consistente en el aprendizaje <strong>de</strong> posturas <strong>de</strong> agarre<br />
asociadas a distintos objetos. El vector <strong>de</strong> entrada establecido en el apartado 3.3.1 se<br />
propaga a través <strong>de</strong> las distintas capas <strong>de</strong> la red produciendo una salida <strong>de</strong>notada por<br />
θ (Figura 5.11). Este vector se compara con el vector θ0 <strong>de</strong>terminado para <strong>de</strong>terminado<br />
objeto en el apartado 3.3.3. Se estable que la función <strong>de</strong> coste a minimizar durante el<br />
239<br />
X<br />
Z<br />
Y