Resumen

Los modelos tradicionales de redes neuronales artificiales de aprendizaje adolecen de. Suelen entrenarse para realizar una sola tarea especfica y, cuando se entrenan para una nueva tarea, olvidan por completo la tarea original. Se ha demostrado que los principios neurocomputacionales fundamentales incorporados en el marco de modelado cognitivo de Leabra, en concreto la inhibicin lateral rpida y un modelo de plasticidad sinptica local que incorpora componentes correlacionales y basados en errores, son suficientes para superar en gran medida esta limitacin durante el aprendizaje secuencial de mltiples habilidades motoras. Tambin se ha demostrado que Leabra es capaz de generalizar las secuencias de habilidades motoras, cuando es apropiado. En este artculo, proporcionamos un anlisis detallado del grado de generalizacin posible con Leabra durante el aprendizaje secuencial de mltiples tareas. A modo de comparacin, medimos la generalizacin exhibida por el algoritmo de aprendizaje de retropropagacin de errores. Adems, demostramos la aplicabilidad del aprendizaje secuencial a un par de tareas de movimiento utilizando un brazo robtico simulado.

• Materias:Sensores táctiles Robots modulares Control robótico Teleoperación Arquitectura de red neuronal
• Subjects:Tactile sensors Modular robots Robotic control Teleoperation Neural network architecture
• Palabras claves:Modelos de redes neuronales; Aprendizaje; Leabra; Marco de modelado cognitivo; Plasticidad sináptica; Aprendizaje secuencial
• Keywords:Neural network models; Learning; Leabra; Cognitive modeling framework; Synaptic plasticity; Sequential learning