Implementació logística pel projecte Peccata Mundi

Peccata Mundi arrenca de la iniciativa del director de R+D+I de l'empresa Mas Parés, Jaume Juher, i l’artista plàstic Jaume Xifra, que l’any 2004 van decidir sumar a l’amistat que els uneix un objectiu: convergir en un sol projecte els reptes professionals que es plantejaven individualment des de cadascuna de les seves disciplines: l’art i la investigació gastronòmica. Posteriorment, a l'any 2005, s'incorporen al projecte els experts que constitueixen actualment el nucli central de treball: Josep Bel, expert en anàlisi sensorial i aplicació d'aromes; David Juher, matemàtic i professor de la UdG; Xavier de Palau, músic electrònic; Clara Perxachs, investigadora de la cultura del menjar; i Toni Botella, cuiner. A l'experiència gastronòmico-artística Peccata Mundi el participant tasta un seguit de plats i vins i valora les seves percepcions contestant un qüestionari. Les dades d'aquest qüestionari s'utilitzen, a través d'unes transformacions regides per criteris neurològics, matemàtics, antropològics, etc., per produir unes dades numèriques que seran l'entrada a una aplicació que les farà servir per generar un vídeo amb música d'una durada aproximadament de 2 minuts. Aquest vídeo, que consta d'imatges fractals en moviment i d'una música de fons, generada també utilitzant funcions de comportament caòtic, és el retrat audiovisual de l'experiència sensorial del participant. El projecte consisteix a implementar tota la logística informàtica de l’experiència sensorial Peccata Mundi: dissenyar les aplicacions d'entrada de dades, tractament de la base de dades, processament de les dades del qüestionari, generació del vídeo i la música i producció de l'arxiu audiovisual que finalment el participant s'emporta gravat en suport DVD

Efficient learning of reactive robot behaviors with a Neural-Q_learning approach

The purpose of this paper is to propose a Neural-Q_learning approach designed for online learning of simple and reactive robot behaviors. In this approach, the Q_function is generalized by a multi-layer neural network allowing the use of continuous states and actions. The algorithm uses a database of the most recent learning samples to accelerate and guarantee the convergence. Each Neural-Q_learning function represents an independent, reactive and adaptive behavior which maps sensorial states to robot control actions. A group of these behaviors constitutes a reactive control scheme designed to fulfill simple missions. The paper centers on the description of the Neural-Q_learning based behaviors showing their performance with an underwater robot in a target following task. Real experiments demonstrate the convergence and stability of the learning system, pointing out its suitability for online robot learning. Advantages and limitations are discussed