💻 computer science

Motion Primitive Discovery in a Humanoid Robot via Self-Organising Maps for Phase Recognition

Inspirado en el sistema de neuronas espejo, este artículo propone una arquitectura de dos niveles para el robot humanoide NICO que utiliza Mapas Autoorganizados para codificar la cinemática del brazo y la mano, y una Red de Estado de Eco para lograr un reconocimiento de fase en línea preciso de las primitivas motoras.

Autores originales: Radovan Gregor, Igor Farkaš

Publicado 2026-07-22

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Radovan Gregor, Igor Farkaš

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar enseñarle a un robot a entender un gesto humano, como un saludo o un choque de manos, sin limitarse a memorizar una lista de reglas de "si-entonces". Este es el corazón de un campo llamado cognición social, donde los científicos intentan descubrir cómo las máquinas pueden "captar" lo que las personas están haciendo y por qué. Para lograr esto, los investigadores suelen buscar inspiración en el cerebro humano, específicamente en un fascinante grupo de células llamadas "neuronas espejo". Estas son células cerebrales especiales que se activan no solo cuando tú realizas una acción, sino también cuando ves a otra persona hacerla. Es como si tu cerebro tuviera un cine interno donde reproduce la acción para comprenderla. La gran pregunta en robótica es: ¿Podemos construir un sistema informático que funcione de la misma manera? En lugar de solo mirar un video y adivinar, ¿puede un robot construir su propio "vocabulario" interno de movimientos y usarlo para reconocer instantáneamente en qué fase de un movimiento se encuentra en este momento? Esto es crucial para los robots que necesitan trabajar junto a humanos, porque si un robot puede predecir que estás a punto de recoger una taza, puede quitarse del camino o entregarte una servilleta incluso antes de que se lo pidas.

Este artículo, escrito por Radovan Gregor e Igor Farkaš, explora precisamente esa idea utilizando un robot humanoide llamado NICO. El equipo construyó un sistema de dos niveles inspirado en el concepto de la neurona espejo para enseñar al robot a reconocer las "fases" de sus propios movimientos en tiempo real. Piensa en ello como enseñarle a un robot a bailar. El primer nivel de su sistema utiliza dos mapas especiales, llamados Mapas Autoorganizados (SOM, por sus siglas en inglés), que actúan como una biblioteca de patrones de movimiento. Un mapa aprende los movimientos del brazo del robot y el otro aprende las formas de su mano. A medida que el robot practica siete acciones diferentes —como recoger un objeto, comer o saludar—, estos mapas clasifican automáticamente los miles de movimientos diminutos en grupos ordenados y nítidos. Es como si el robot estuviera descubriendo sus propios "primitivos de movimiento", que son como las piezas básicas de LEGO de un movimiento. Los investigadores descubrieron que el mapa del brazo y el mapa de la mano aprenden cosas diferentes y complementarias: el mapa del brazo es excelente para rastrear la trayectoria y el tiempo del alcance, mientras que el mapa de la mano es un maestro en reconocer exactamente cómo están formados los dedos (como un agarre de fuerza frente a un pellizco de precisión).

Una vez que estos "bloques de LEGO" son descubiertos, entra en juego el segundo nivel del sistema. Esta parte utiliza un tipo de red neuronal llamada Red de Estado de Eco (ESN), que actúa como un banco de memoria a corto plazo. Observa la secuencia de "piezas" que el robot está utilizando mientras se mueve. La gran pregunta que los investigadores querían responder era: ¿Necesita el robot saber todo sobre la situación —como qué objeto está sosteniendo, qué tan lejos está o cuál es el objetivo final— para reconocer lo que está haciendo en este momento? ¿O es la secuencia de movimientos por sí sola suficiente?

Para averiguarlo, realizaron miles de simulaciones en las que el robot realizaba estas acciones. Probaron el sistema de dos maneras: primero, dejando que la ESN adivinara la fase de movimiento actual usando solo la secuencia de los movimientos del brazo y la mano que acababa de ver. Luego, le dieron pistas de "contexto" adicionales, como el nombre de la acción o la distancia al objeto. Los resultados fueron bastante claros. Cuando el sistema dependía solo de la secuencia de movimiento (los "primitivos de movimiento"), acertaba la fase actual aproximadamente el 93.9% de las veces. Cuando añadieron todas las pistas de contexto extra, la precisión solo aumentó ligeramente a un 94.9% aproximadamente.

Esto sugiere que la "historia" contada por el movimiento mismo es la parte más importante. La información adicional sobre el objeto o el objetivo es útil, como una pequeña pista, pero no es el motor principal de la comprensión. El mapa interno de movimientos del robot ya estaba realizando la mayor parte del trabajo pesado. Los autores concluyen que, al permitir que el robot organice sus propios movimientos en estos mapas topográficos y luego observar el flujo de esos mapas a lo largo del tiempo, puede reconocer con precisión lo que está haciendo en el momento. Aunque todo esto se probó en una simulación informática con el robot NICO, los hallazgos respaldan la idea de que las representaciones motoras autoorganizadas son una forma poderosa de construir robots que puedan entender y anticipar acciones de tipo humano sin necesidad de una base de datos masiva de cada escenario posible.

Resumen Técnico: Descubrimiento de Primitivas de Movimiento en un Robot Humanoide mediante Mapas Autoorganizados para el Reconocimiento de Fases

1. Planteamiento del Problema

El desafío central abordado es la base computacional del reconocimiento de acciones dentro de la interacción humano-robot (HRI). Específicamente, el artículo investiga cómo un robot puede realizar un reconocimiento de fase en línea —identificando la fase de movimiento actual de una acción en curso en tiempo real— utilizando únicamente flujos sensoriomotores.

Los autores postulan que la comprensión de la acción opera en dos niveles: un repertorio de primitivas motoras elementales y las secuencias dirigidas a objetivos que estas componen. Mientras que los enfoques modernos de aprendizaje profundo suelen clasificar secuencias completas de extremo a extremo, este trabajo se centra en una arquitectura de inspiración biológica que separa el descubrimiento de primitivas de movimiento reutilizables de la integración temporal requerida para reconocer la fase actual. La pregunta central de investigación es: ¿Hasta qué punto la estructura de una fase de movimiento actual está determinada únicamente por la dinámica temporal de las primitivas motoras aprendidas, frente a cuánto de la información contextual adicional (por ejemplo, estado del objeto, identidad de la acción) es necesaria para un reconocimiento preciso en línea?

2. Metodología

El sistema propuesto emplea una arquitectura de dos niveles inspirada en el Sistema de Neuronas Espejo (MNS), procesando datos del robot humanoide NICO en una simulación de Unity basada en física.

2.1 Recolección y Preprocesamiento de Datos

Conjunto de datos: 4,200 ensayos simulados que involucran siete acciones motoras (Tomar, Comer, Colocar, Empujar, Tocar, Señalar, Saludar) realizadas sobre 14 objetos diversos.
Selección de características: De 108 variables cinemáticas registradas, un análisis de correlación jerárquica (utilizando la correlación de Pearson y el enlace de Ward) identificó y eliminó la redundancia. Esto resultó en 22 características no redundantes:
- 13 características del brazo: Velocidades del TCP, velocidades de las articulaciones del brazo y orientación de la palma.
- 9 características de la mano: Apertura, velocidades, posiciones de los dedos y velocidades articulares.
Ventaneo: Los datos se segmentaron en ventanas superpuestas de 0.5s (30 fotogramas a 60Hz) con un desplazamiento (stride) del 50%. Las características se normalizaron mediante z-score.

2.2 Nivel 1: Descubrimiento de Primitivas de Movimiento (SOMs)

Dos Mapas Autoorganizados (SOMs) fueron entrenados para aprender representaciones topográficas de los datos cinemáticos, sirviendo como un vocabulario discreto de primitivas de movimiento:

A-SOM (SOM del Brazo): Una cuadrícula de $35 \times 35$ entrenada con la cinemática del brazo.
H-SOM (SOM de la Mano): Una cuadrícula de $18 \times 18$ entrenada con la cinemática de la mano.
Salida: Para cada paso de tiempo, el sistema identifica la Unidad de Mejor Coincidencia (BMU) en ambos mapas. Estas BMUs representan el estado actual de la "primitiva" del brazo y la mano.

2.3 Nivel 2: Reconocimiento de Fase en Línea (ESN)

Una Red de Estado de Eco (ESN) actúa como el integrador temporal.

Entrada: La secuencia de vectores de peso de las BMU ( $b_A(t)$ y $b_H(t)$ ) de los SOMs.
Reservorio: Una red recurrente de conexión aleatoria fija ( $N=300$ neuronas) con un radio espectral de 0.99 y una tasa de fuga de 0.50.
Lectura (Readout): Una capa de lectura lineal entrenada mediante regresión de Ridge para mapear el estado del reservorio a una de las 27 etiquetas posibles de fase de movimiento.
Variaciones Contextuales: El estudio evaluó cuatro configuraciones de entrada para probar la necesidad de contexto:
1. ctx-no: Solo descriptores de primitivas (22D).
2. ctx-act: Primitivas + Identidad de la acción en formato one-hot (29D).
3. ctx-dst: Primitivas + Acción + Distancia normalizada entre la palma y el objeto (30D).
4. ctx-all: Primitivas + Acción + Distancia + Bandera de contacto con el objeto (31D).

3. Resultados Clave

3.1 Topografía y Pureza de los SOM

A-SOM: Logró una utilización de neuronas del 90.0% y una pureza de fase del 73.9%. El mapa exhibió una organización topográfica clara, agrupando movimientos temporalmente similares (por ejemplo, fases de "alcance" a la izquierda, fases "terminales" a la derecha) sin supervisión temporal explícita.
H-SOM: Logró una utilización del 51.5% (debido a las sinergias discretas de la mano) pero una pureza de agarre del 97.2%. Aisló con éxito distintos tipos de agarre (Potencia vs. Precisión) y configuraciones de mano específicas de la acción (por ejemplo, Señalar, Saludar).
Complementariedad: Los dos mapas codificaron aspectos complementarios; el A-SOM capturó la dinámica de transporte, mientras que el H-SOM capturó los estados de configuración.

3.2 Precisión del Reconocimiento de Fase

La ESN fue probada en un conjunto de prueba de 840 ensayos.

Rendimiento Base (ctx-no): Utilizando solo la trayectoria temporal de las activaciones de los SOM (sin ningún contexto del estado del mundo), el sistema logró una precisión de reconocimiento de fase del 93.9%.
Impacto del Contexto:
- Añadir la identidad de la acción (ctx-act) mejoró la precisión en +0.7 pp (94.6%).
- Añadir la distancia (ctx-dst) mantuvo el 94.6%.
- Añadir el contexto completo (ctx-all) produjo una precisión final del 94.9%.
Conclusión sobre el Contexto: La ganancia marginal (+1.0 pp) al añadir información contextual indica que la integración temporal de los descriptores de las primitivas preserva la estructura dominante de discriminación de fase. El contexto sirve como un refinamiento secundario más que como una señal primaria.

3.3 Sensibilidad de los Hiperparámetros

Se encontró que la precisión depende altamente de la capacidad del reservorio ( $N$ ). Aumentar $N$ de 30 a 1,000 mejoró la precisión de forma monótona (de ~73% a 97.3%). El beneficio de la información contextual disminuyó a medida que la capacidad del reservorio aumentó, sugiriendo que los reservorios más grandes pueden compensar la falta de contexto mediante la memoria, mientras que los reservorios más pequeños dependen más de las señales externas.

3.4 Análisis de Ensayo Único

En un ensayo representativo de "Comer", el modelo sin contexto (ctx-no) logró una precisión del 98.4%, fallando solo una vez durante una transición de fase donde el reservorio requirió un paso adicional para resolver la ambigüedad. El modelo rico en contexto (ctx-all) logró el 100% al utilizar la identidad de la acción y la distancia para resolver la transición un paso antes. El análisis confirmó que ningún SOM proporcionó información inequívoca en cada paso; la ESN integró con éxito las corrientes complementarias para resolver las ambigüedades locales.

4. Contribuciones y Significado

La contribución principal del artículo es la integración de los métodos establecidos de SOM y ESN dentro de una arquitectura inspirada en el MNS para la representación de primitivas motoras y el reconocimiento de fase en línea.

Validación de Representaciones Autoorganizadas: Los resultados apoyan la hipótesis computacional de que las representaciones motoras autoorganizadas, cuando se integran temporalmente, son suficientes para soportar el reconocimiento preciso de las fases de movimiento en curso.
Eficiencia de las Trayectorias de Primitivas: El estudio demuestra que la trayectoria temporal de las activaciones de los SOM transporta la mayor parte de la información necesaria para la discriminación de fases, haciendo que el contexto explícito del estado del mundo sea secundario para esta tarea específica.
Arquitectura de Doble Mapa: El trabajo valida la elección de diseño de separar la cinemática del brazo y la mano en mapas topográficos distintos, reflejando la realidad biológica de que estas señales se originan en vías neuronales distintas y proporcionan una estructura discriminativa complementaria.

Los autores mantienen un alcance modesto, señalando que el modelo está actualmente entrenado y evaluado sobre las propias acciones del robot (auto-observación). Establecen explícitamente que extender esto a la observación de la auto-corporalidad cruzada (observar humanos) requeriría mecanismos adicionales para manejar las diferencias de perspectiva y escala, lo cual queda reservado para trabajos futuros. Los resultados actuales establecen la viabilidad del enfoque para el reconocimiento y la predicción del estado interno.