The goal of this thesis is to create a simplified, biologically inspired multimodal representation of the body (body schema). For this we use the open simulator of the humanoid robot iCub that learns to associate two modalities of somatosensation - proprioception and tactile sensation. The proposed solution employs a predictive model based on a multilayer perceptron that is trained off-line in a supervised way, given the current proprioceptive state and an action as inputs, to predict the future body state and a potential tactile sensation. Prior to training the model, the training data was collected from the simulated iCub that was made to perform various types of the self-touch using its both arms. The neural network model was successfully tested for its ability to predict touch in the corresponding proprioceptive states, when no action was implied as input, but also to anticipate the touch during action, shortly before it occurred.

Cieľom tejto práce je vytvoriť zjednodušenú, biologicky inšpirovanú multimodálnu reprezentáciu tela (schému tela). V tejto práci používame open-source simulátor humanoidného robota iCub, ktorý sa učí asociovať medzi dvoma modalitami somatosenzorického systému, propriocepciou a hmatovým vnemom. Navrhnuté riešenie využíva predikčný model založený na viacvrstvovom perceptróne, ktorý je učený off-line, metódou učenia s učiteľom. Dokáže predvídať nasledujúci stav tela a potenciálny hmatový vnem na základe aktuálneho proprioceptívneho stavu a vstupnej akcie. Pred samotným učením boli pomocou simulátora iCub-a, ktorý vykonával rôzne vzájomné dotyky oboch jeho rúk, zozbierané trénovacie dáta. Neurónová sieť bola úspešne otestovaná a preukázala vlastnosť predvídať dotyk v príslušných proprioceptívnych stavoch, v prípade, že nebola na vstupe daná žiadna akcia, ale aj anticipovať dotyk pri pohybe, krátko pred tým, ako nastal.