Storyboard

La predicción de evolución futura (forward prediction) es esencial para superar los retardos de procesamiento neural (~100200 ms en humanos). Sin predicción, un sistema de control con retardo significativo es inestable. El sistema nervioso central mantiene modelos internos de la dinámica del cuerpo y del entorno que permiten predecir las consecuencias de las acciones antes de que el feedback sensorial llegue.

El modelo lineal de estado (F·x_k) describe cómo se espera que evolucione el estado del mundo. El error de predicción crece con el tiempo: la covarianza P(t) aumenta indefinidamente si no se corrige con nuevas observaciones. El horizonte de predicción útil t_div es el tiempo a partir del cual la incertidumbre crece tanto que la predicción pierde valor.

La predicción de trayectorias de proyectiles (parabólica) es un cómputo que deben realizar los vertebrados para atrapar objetos en vuelo (ranas atrapando moscas, beisbolistas). Experimentos sugieren que los organismos predicen el punto de intercepción en lugar de seguir continuamente la trayectoria, consistente con el modelo cinemático que incorpora la gravedad como prior.

El principio de la copia de descarga (corolario de descarga, von Holst): cada comando motor genera simultáneamente una predicción de sus consecuencias sensoriales (_reaf = M·u). La señal sensorial real se compara con la predicción: si coinciden, el movimiento era esperado y se suprime (explicando por qué no nos hacemos cosquillas a nosotros mismos). Si no coinciden (e_inesperado 0), algo inesperado ocurrió en el entorno.

El control predictivo basado en modelo (MPC) es el paradigma de control óptimo que optimiza una función de costo sobre un horizonte futuro N. Permite anticipar restricciones (obstáculos, límites de fuerza) y planificar trayectorias suaves. El cerebelo implementa el componente de forward model, y la corteza prefrontal implementa el componente de planificación a largo plazo del MPC.

>Modelo

ID:('ky', 584)

Descripción

Cálculos

• Método alternativo
• Método tradicional
• Estrategia
• 2D
• 3D

Ecuación

Número

Primero, seleccione la ecuación:   a ,  luego, seleccione la variable:   a 

---

Símbolo

Ecuación

Resuelto

Traducido

Cálculos

Símbolo

Ecuación

Resuelto

Traducido

 Variable   Dado   Calcule   Objetivo :   Ecuación   A utilizar

Variables

$u$

u

Comando motor/control

1

$J$

J

Costo MPC

1

$e_{ m inesperado}$

e_inesperado

Error sensorial inesperado

1

$K_{ m pred}$

K_pred

Ganancia predictiva

1

$N$

N

Horizonte de predicción

1

$M$

M

Matriz de copia eferente

1

$G$

G

Matriz de ruido/proceso

1

$Phi$

Phi

Matriz de transición

1

$F$

F

Matriz dinámica

1

$R_{ m mpc}$

R_mpc

Peso de control MPC

1

$Q_{ m mpc}$

Q_mpc

Peso de error MPC

1

$hat y$

y_hat

Predicción sensorial

1

$hat s_{ m reaf}$

s_reaf

Sensación predicha por copia

1

$s_{ m actual}$

s_actual

Sensación real

1

$v_0$

v_0

Velocidad horizontal inicial

m/s

$v_{y0}$

v_y0

Velocidad vertical inicial

m/s

$x_k$

x_k

Estado actual

m

$x_{ m ref}$

x_ref

Estado objetivo

m

$x_{k+1}$

x_next

Estado siguiente

m

$x(t)$

x

Posición horizontal

m

$x_0$

x_0

Posición horizontal inicial

m

$y(t)$

y

Posición vertical

m

$y_0$

y_0

Posición vertical inicial

m

$w_k$

w_k

Ruido de proceso

m

$sigma_{ m pos}$

sigma_pos

Tolerancia posicional

m

$a_{max}$

a_max

Aceleración máxima

m/s²

$g$

g

Gravedad

m/s²

$P(t)$

P_t

Covarianza de predicción

m²

$Q$

Q

Covarianza de proceso

m²

$P_0$

P_0

Covarianza inicial

m²

$t_{ m div}$

t_div

Horizonte útil

s

$t$

t

Tiempo

s

ID:(0, 584)