Resumen

Para avanzar en la robótica hacia aplicaciones del mundo real, un creciente cuerpo de investigación se ha enfocado en el desarrollo de sistemas de control para robots humanoides en los últimos años. Se han propuesto varios enfoques para apoyar la etapa de aprendizaje de dichos controladores, donde el robot puede aprender nuevos comportamientos observando y/o recibiendo orientación directa de un humano o incluso otro robot. Estos enfoques requieren técnicas de aprendizaje y memorización dinámicas, que el robot puede utilizar para reformar y actualizar continuamente sus sistemas internos mientras aprende nuevos comportamientos. En este contexto, este estudio investiga un nuevo enfoque para el desarrollo de un modelo de aprendizaje e memorización incremental. Este enfoque fue inspirado en los principios de la neurociencia, y el modelo desarrollado fue nombrado Backpropagation Constructiva Jerárquica con Memoria (HCBPM). La validez del modelo fue probada enseñando a un robot humanoide a reconocer un grupo de objetos a través de interacción natural. Los resultados experimentales indican que el modelo propuesto mejora eficientemente el aprendizaje automático en tiempo real en general y puede ser utilizado para establecer un entorno adecuado para el aprendizaje social entre el robot y el usuario en particular.

• Materias:Brazo robótico Robot omnidireccional Movimientos multiarticulares Algoritmo de control Máquina de vectores
• Subjects:Robotic arm Omnidirectional robot Multi-joint movements Control algorithm Vector machine
• Palabras claves:Robótica; Sistemas de control; Robots humanoides; Aprendizaje; Técnicas de memorización; Aprendizaje incremental
• Keywords:Robotics; Control systems; Humanoid robots; Learning; Memorization techniques; Incremental learning