Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...
Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ... Universidad Politécnica de Cartagena TESIS DOCTORAL “UNA ...
Capitulo 2. Modelos Computacionales para el Movimiento de Agarre perturbación de las experiencias de Haggard y Wing (1995). Sin embargo, el modelo comienza su funcionamiento con unas velocidades proporcionales a Di (i = T, A), que a causa de las ganancias constantes, inducen unos incrementos ∆Pi, que resultan ser excesivamente grandes al principio y muy pequeños al final del movimiento. Esto hace que los perfiles de velocidad que proporciona este modelo sean extremadamente poco realistas, con picos de velocidad apareciendo bastante antes de la mitad del tiempo total del movimiento y con velocidades finales de acercamiento de Pi a Ti muy bajas. No existe una noción explícita de tiempo en este modelo aunque las posiciones monitorizadas en el modelo se actualicen de manera iterativa. Una extensión del modelo muy relacionada con el modelo de punto de equilibrio (Feldman, 1986), produjo perfiles de velocidad más realistas y a su vez fue capaz de reproducir un efecto observado por Wing et al (1986) que consiste en que se obtienen mayores aperturas manuales cuanto mayor es la velocidad de transporte de la mano. Más adelante en este capítulo, se propone una extensión del modelo de Haggard y Wing relacionada con el modelo VITE (Vector Integration To Endpoint, Bullock y Grossberg 1988a,b, 1991) de formación de trayectorias que a su vez, es el inspirador del modelo de Ulloa-Bullock descrito en la sección 2.3 y de la práctica totalidad de los modelos desarrollados en esta Tesis. 2.3 Modelo de Ulloa-Bullock El modelo de Ulloa-Bullock (2003), se centra en resolver el problema de coordinación espacio-temporal del movimiento de agarre, consistente en asegurar que todas las componentes del movimiento de agarre terminen de ejecutarse en aproximadamente el mismo tiempo. La coordinación de estos procesos debe ser robusta, de manera que se permita una adaptación natural a las nuevas condiciones cuando ocurran perturbaciones sobre el movimiento. Los autores presentan un modelo neuronal basado en el modelo VITE para la generación de trayectorias (Bullock y Grossberg, 1988a, 1991) que es capaz de reproducir aspectos claves acerca de la coordinación movimiento de agarre. 2.3.1 Sincronía temporal de componentes del movimiento empleando el modelo VITE El modelo VITE para la generación de trayectorias (Bullock y Grossberg 1988a,b, 1991) es capaz de simular un aspecto muy importante del movimiento de agarre: la finalización sincronizada de la ejecución de sus distintas componentes. Además, en el modelo VITE los perfiles de velocidad realistas aparecen de una manera natural sin imponer condiciones adicionales al modelo. La justificación de la sincronía entre las componentes de formación de la pinza de agarre y el transporte de la mano que sustenta el modelo VITE es la siguiente. En un circuito VITE, distintos efectores del movimiento pueden tener distintos instantes de inicio de sus movimientos y aún así 50
Capitulo 2. Modelos Computacionales para el Movimiento de Agarre pueden terminar de manera síncrona dichos movimientos, debido a que los canales paralelos asociados a los distintos efectores se controlan mediante una señal común de ganancia. La Figura 2.2 muestra el funcionamiento general del modelo VITE. En los bloques, los vectores Ti representan la posición o el tamaño objetivo, Pi la posición o estado actual de un efector determinado y Di la diferencia entre el objetivo y la configuración actual de un efector determinado. Una señal de ganancia-escala común G(t) (GO) multiplica ambas componentes de vectores diferencia. Posteriormente Di se integra en Pi con una tasa de integración modulada por G(t) que hace que Pi se mueva continuamente hacia Ti, hasta que ambos poseen el mismo valor, instante en el cual Di se hace cero y el movimiento finaliza. La utilización de G(t) permite la sincronía en la finalización, ya que Pi en cada canal se actualiza a una velocidad que es proporcional a G(t) y a la diferencia (Ti – Pi). Con una señal de ganancia-escala común, que empieza en cero en el instante de inicio del movimiento y crece continuamente durante la ejecución del movimiento, la integración de todos los Di finaliza aproximadamente al mismo tiempo, incluso si esa integración no empieza en el mismo instante, ya que cualquier Di que comience su integración más tarde, es multiplicado por un valor medio mayor de G(t) durante su intervalo temporal de integración. Una propiedad interesante del modelo VITE es su habilidad para compensar la trayectoria que genera ante un cambio de objetivo en cada uno de sus canales. En este caso, el objetivo perturbado causa un nuevo cómputo de Di en el canal afectado. El Di resultante se considera desde ese momento como el último Di calculado. No obstante, para cambios de objetivo que se puedan producir lo suficientemente cerca de la finalización del movimiento, la propiedad de sincronía temporal en la finalización de ejecución de las distintas componentes del movimiento, no puede ser garantizada a menos que la señal común GO sea al menos parcialmente reseteada. Este reset parcial favorece que no ocurran transiciones abruptas en la dirección del movimiento, tal y como previamente se ha probado en un modelo basado en VITE capaz de implementar una serie de movimientos que requieren cambios de dirección repentinos durante la ejecución de un alcance (Bullock, Bongers, Lankhorst & Beek, 1999). Desde al punto de vista de una justificación biológica de este modelo, recientemente Desmurget y col (1999) han propuesto que neuronas específicas del córtex parietal posterior (PPC) podrían computar, empleando para ello una representación interna de la localización instantánea de la mano (que a su vez se compara con la representación espacial interna del objetivo), un error dinámico que 51
- Page 7 and 8: Índice General Agradecimientos Int
- Page 9 and 10: 5.2 Simulaciones del modelo. Modeli
- Page 11 and 12: Introducción 1 Introducción Intro
- Page 13 and 14: Introducción la hora de inspirar m
- Page 15 and 16: Introducción 1. Análisis experime
- Page 17 and 18: Introducción 3.7 Transferencia tec
- Page 19 and 20: Introducción presentan objetos de
- Page 21 and 22: Capitulo 1. El Movimiento de Agarre
- Page 23 and 24: Capitulo 1. El Movimiento de Agarre
- Page 25 and 26: Capitulo 1. El Movimiento de Agarre
- Page 27 and 28: Capitulo 1. El Movimiento de Agarre
- Page 29 and 30: Capitulo 1. El Movimiento de Agarre
- Page 31 and 32: Capitulo 1. El Movimiento de Agarre
- Page 33 and 34: Capitulo 1. El Movimiento de Agarre
- Page 35 and 36: Capitulo 1. El Movimiento de Agarre
- Page 37 and 38: Capitulo 1. El Movimiento de Agarre
- Page 39 and 40: Capitulo 1. El Movimiento de Agarre
- Page 41 and 42: Capitulo 1. El Movimiento de Agarre
- Page 43 and 44: Capitulo 1. El Movimiento de Agarre
- Page 45 and 46: Capitulo 1. El Movimiento de Agarre
- Page 47 and 48: Capitulo 1. El Movimiento de Agarre
- Page 49 and 50: Capitulo 1. El Movimiento de Agarre
- Page 51 and 52: Capitulo 1. El Movimiento de Agarre
- Page 53 and 54: Capitulo 2. Modelos Computacionales
- Page 55 and 56: Capitulo 2. Modelos Computacionales
- Page 57: Capitulo 2. Modelos Computacionales
- Page 61 and 62: Capitulo 2. Modelos Computacionales
- Page 63 and 64: Capitulo 2. Modelos Computacionales
- Page 65 and 66: Capitulo 2. Modelos Computacionales
- Page 67 and 68: Capitulo 2. Modelos Computacionales
- Page 69 and 70: Capitulo 2. Modelos Computacionales
- Page 71 and 72: Capitulo 2. Modelos Computacionales
- Page 73 and 74: Capitulo 2. Modelos Computacionales
- Page 75 and 76: Capitulo 2. Modelos Computacionales
- Page 77 and 78: Capitulo 2. Modelos Computacionales
- Page 79 and 80: Capitulo 2. Modelos Computacionales
- Page 81 and 82: Capitulo 2. Modelos Computacionales
- Page 83 and 84: Capitulo 2. Modelos Computacionales
- Page 85 and 86: Capitulo 2. Modelos Computacionales
- Page 87 and 88: Capitulo 2. Modelos Computacionales
- Page 89 and 90: Capitulo 2. Modelos Computacionales
- Page 91 and 92: Capitulo 2. Modelos Computacionales
- Page 93 and 94: Capitulo 2. Modelos Computacionales
- Page 95 and 96: Capitulo 2. Modelos Computacionales
- Page 97 and 98: Capitulo 3. El Agarre en la EP. Mod
- Page 99 and 100: Capitulo 3. El Agarre en la EP. Mod
- Page 101 and 102: Capitulo 3. El Agarre en la EP. Mod
- Page 103 and 104: Capitulo 3. El Agarre en la EP. Mod
- Page 105 and 106: Capitulo 3. El Agarre en la EP. Mod
- Page 107 and 108: Capitulo 3. El Agarre en la EP. Mod
Capitulo 2. Mo<strong>de</strong>los Computacionales para el Movimiento <strong>de</strong> Agarre<br />
pue<strong>de</strong>n terminar <strong>de</strong> manera síncrona dichos movimientos, <strong>de</strong>bido a que los canales<br />
paralelos asociados a los distintos efectores se controlan mediante una señal común <strong>de</strong><br />
ganancia. La Figura 2.2 muestra el funcionamiento general <strong>de</strong>l mo<strong>de</strong>lo VITE. En los<br />
bloques, los vectores Ti representan la posición o el tamaño objetivo, Pi la posición o<br />
estado actual <strong>de</strong> un efector <strong>de</strong>terminado y Di la diferencia entre el objetivo y la<br />
configuración actual <strong>de</strong> un efector <strong>de</strong>terminado. Una señal <strong>de</strong> ganancia-escala común<br />
G(t) (GO) multiplica ambas componentes <strong>de</strong> vectores diferencia. Posteriormente Di se<br />
integra en Pi con una tasa <strong>de</strong> integración modulada por G(t) que hace que Pi se mueva<br />
continuamente hacia Ti, hasta que ambos poseen el mismo valor, instante en el cual Di<br />
se hace cero y el movimiento finaliza. La utilización <strong>de</strong> G(t) permite la sincronía en la<br />
finalización, ya que Pi en cada canal se actualiza a una velocidad que es proporcional a<br />
G(t) y a la diferencia (Ti – Pi). Con una señal <strong>de</strong> ganancia-escala común, que empieza en<br />
cero en el instante <strong>de</strong> inicio <strong>de</strong>l movimiento y crece continuamente durante la ejecución<br />
<strong>de</strong>l movimiento, la integración <strong>de</strong> todos los Di finaliza aproximadamente al mismo<br />
tiempo, incluso si esa integración no empieza en el mismo instante, ya que cualquier Di<br />
que comience su integración más tar<strong>de</strong>, es multiplicado por un valor medio mayor <strong>de</strong><br />
G(t) durante su intervalo temporal <strong>de</strong> integración.<br />
Una propiedad interesante <strong>de</strong>l mo<strong>de</strong>lo VITE es su habilidad para compensar la<br />
trayectoria que genera ante un cambio <strong>de</strong> objetivo en cada uno <strong>de</strong> sus canales. En este<br />
caso, el objetivo perturbado causa un nuevo cómputo <strong>de</strong> Di en el canal afectado. El Di<br />
resultante se consi<strong>de</strong>ra <strong>de</strong>s<strong>de</strong> ese momento como el último Di calculado. No obstante,<br />
para cambios <strong>de</strong> objetivo que se puedan producir lo suficientemente cerca <strong>de</strong> la<br />
finalización <strong>de</strong>l movimiento, la propiedad <strong>de</strong> sincronía temporal en la finalización <strong>de</strong><br />
ejecución <strong>de</strong> las distintas componentes <strong>de</strong>l movimiento, no pue<strong>de</strong> ser garantizada a<br />
menos que la señal común GO sea al menos parcialmente reseteada. Este reset parcial<br />
favorece que no ocurran transiciones abruptas en la dirección <strong>de</strong>l movimiento, tal y<br />
como previamente se ha probado en un mo<strong>de</strong>lo basado en VITE capaz <strong>de</strong> implementar<br />
una serie <strong>de</strong> movimientos que requieren cambios <strong>de</strong> dirección repentinos durante la<br />
ejecución <strong>de</strong> un alcance (Bullock, Bongers, Lankhorst & Beek, 1999).<br />
Des<strong>de</strong> al punto <strong>de</strong> vista <strong>de</strong> una justificación biológica <strong>de</strong> este mo<strong>de</strong>lo,<br />
recientemente Desmurget y col (1999) han propuesto que neuronas específicas <strong>de</strong>l<br />
córtex parietal posterior (PPC) podrían computar, empleando para ello una<br />
representación interna <strong>de</strong> la localización instantánea <strong>de</strong> la mano (que a su vez se<br />
compara con la representación espacial interna <strong>de</strong>l objetivo), un error dinámico que<br />
51