¿Cómo decide un jugador de tenis como Carlos Alcaraz dónde ver la posición de apertura de la pelota solo para correr Novak Djokovic para devolver el balón? En los atletas de élite, este comportamiento es difícil de explicar con los modelos computacionales existentes, que suponen que los jugadores deben seguir constantemente la pelota con sus ojos. Ahora, los investigadores de la Universidad de Barcelona han desarrollado un modelo que predice con precisión las variables ópticas conectando factores ambientales como la gravedad, cómo mover a una persona para atrapar un elemento móvil de una mirada temprana. Estos resultados, publicados en la revista Royal Society Open SciencePuede haber aplicaciones potenciales en campos como robótica, entrenamiento deportivo o incluso búsqueda de espacio.
El artículo indica el problema del jardinero, que se refiere al jugador de béisbol que se encuentra en el jardín para atrapar la pelota después de golpear la pelota. Es un desafío clásico en la neurociencia de la física y el movimiento, que se utiliza para descubrir cómo los humanos y los animales predicen el movimiento en un entorno dinámico y a quién imitar el sistema automatizado para imitarlos.
John López Molner, profesor de la Facultad de Psicología de UB y miembro del Instituto de Neuro Sciences (OBNURO), ha liderado la investigación y confirmó que “este problema enfrenta, la pelota modelo actual que el atleta de élite generalmente puede correr hacia la pelota mirándolo. Dijo: estos modelos no permiten predicciones donde la pelota irá al observador. El estudio preliminar fue parte de Borja Agado, co -autor y una tesis doctoral realizada por el Co -Autor y ex miembro del grupo, que, después de ser quedado en la Drumstaded (Alemania), ahora es investigador de la Universidad de Wick. .
El modelo integra la información de avance de la gravedad y el tamaño físico de la pelota en información visual de tiempo real. “El modelo proporciona indicadores directos que indican la posición predicha de la pelota y considera las condiciones de varias gravedad, el resto del tiempo hasta la llegada. Esto permite predecir cómo se moverá un jugador para atraparlo desde el principio, “López explica el Mulner, que también integra la visión y el control del Grupo de Investigación de Acciones.
A pesar de la importancia de la gravedad en la velocidad esperada, esta es la primera vez que este elemento se ha incluido en dicho modelo. “Este error ha afectado la gravedad, lo que refleja una diferencia entre los modelos existentes que analizan la estabilidad ambiental”, dice un profesor de UB.
Además, los modelos anteriores no pueden explicar por qué los humanos saben si una pelota está dentro o no, decidiendo si comenzar la carrera o no. El investigador dice: “Nuestro modelo lo representa, porque muestra a dónde irá el objeto del jugador”.
Experimentos con realidad virtual
Para verificar el modelo, los investigadores realizaron experimentos en un entorno de realidad virtual profunda, en el que cada participante, que usa resortes y sostiene un dispositivo de realidad virtual en sus manos, tuvo que ir a una posición en la que creen que el cabello virtual cae. El entorno controlado permitió que se imitaran múltiples condiciones de gravedad y tamaño del cabello, lo que muestra que la velocidad experimental, las muestras de movimiento y los modelos de reacción oportunos son similares a las predicciones. El investigador dice: “Nuestro modelo predice los trucos observados por los participantes en diversas situaciones. Los resultados son una mejor comprensión de la estabilidad ambiental, como la gravedad, para comprender mejor que los humanos son mejores. Hable con el mundo que nos rodea”.
Entrenamiento virtual para jugadores y astronautas
El nuevo modelo puede ser una base para el desarrollo futuro de varias aplicaciones prácticas, por ejemplo en entrenamiento deportivo. “Por un lado, dado que el modelo contiene numerosos ingredientes, como la información visual o la gravedad, se puede aplicar a la plataforma de entrenamiento o simulación virtual. Por lo tanto, el grado de sensibilidad de una persona, como el moldeador de lopes de élite, se dice que el atleta -Los ingredientes variados se pueden ver, o capacitar para implementar y usar información relevante para mejorar la eficiencia.
Además, el hecho es que el modelo puede considerar una variedad de gravedad. El profesor dice: “El modelo se puede aplicar en una variedad de entornos de gravedad y potencialmente predijo el rendimiento con el que una persona, por ejemplo, astronautas en la estación espacial, los elementos que se mueven hablarán”.
Investigación con redes nerviosas artificiales
Los investigadores ya están trabajando en la siguiente etapa: redes nerviosas artificiales, implementando modelos en el sistema computacional que imitan el trabajo de las neuronas en el cerebro humano. Su propósito es comparar el rendimiento de los humanos y las redes artificiales. “Esto nos dará una teoría clara de cómo se aplican las computadoras a nivel nervioso, ya que ahora tenemos un modelo en la escala computacional, pero la red nerviosa artificial no está nerviosa. Puedo ser aplicaciones claras.
