Wie lernen Menschen, Bewegungen in unsicheren Umgebungen zu steuern? Diese Forschung stellt eine Erweiterung des modularen Auswahl- und Identifikationsmodells für die Steuerung (MOSAIC) vor, einer modularen Architektur für motorisches Lernen und Steuerung, die auf mehreren Paaren von Vorwärts- (Prädiktor-) und Invers- (Controller-) Modellen basiert. Das Lernen in der Architektur wurde sowohl mit Gradientenabstieg als auch mit dem Expectation-Maximization (EM)-Algorithmus implementiert. Simulationen der Objektmanipulation beweisen, dass die Architektur lernen kann, mehrere Objekte zu manipulieren und angemessen zwischen ihnen zu wechseln. Darüber hinaus zeigt das Modell eine Generalisierung auf neuartige Objekte. Wenn die Dynamik mit einer bestimmten Objektform verbunden ist, wählt das Modell den entsprechenden Controller vor der Bewegungsausführung aus. Diese Forschung bietet Einblicke in die neuronalen Mechanismen, die der sensomotorischen Steuerung zugrunde liegen, und hat Auswirkungen auf die Robotik und Rehabilitation. Die Aktivierung von Modulen wird von einer Online-Korrektur gefolgt.
Diese in Neural Computation veröffentlichte Arbeit passt genau in den Fokus des Journals auf Computational Neuroscience und maschinelles Lernen. Die Erweiterung und Bewertung des MOSAIC-Modells für sensomotorisches Lernen steht im Einklang mit dem Schwerpunkt des Journals auf dem Verständnis neuronaler Mechanismen durch Computational Modeling, wodurch es für die Leserschaft von großer Bedeutung ist.