Je známe, že nemluvňatá, t.j. malé deti v prvom roku života, si v raných štádiách vývinu vytvárajú reprezentáciu (schému) vlastného tela pomocou viacerých mechanizmov, jedným z ktorých sú dotyky vlastného tela. Nemluvňatá si dávajú do súvislostí dve modality, konkrétne pózy tela (propriocepcia) s polohou dotykov, ktoré nastanú ak vznikne kontakt medzi jednotlivými končatinami, prstami alebo inými časťami tela. Tento asociačný proces si nevyžaduje prítomnosť ďalšej modality - zrakových vnemov, aj keď zrak sa do procesu zapája v neskorších štádiách. V diplomovej práce sme navrhli, implementovali a otestovali biologicky inšpirovaný model založený na umelých neurónových sieťach, ktorý simuluje proces učenia (akvizície) proprioceptívnych a dotykových reprezentácií vnemov. Pre tento účel sme navrhli poloautomatický algoritmus zberu dát s použitím simulátora humanoidného robota iCub, ktorý sa sám dotýkal oboma rukami na rôznych miestach predlaktia a dlane. Natrénovali sme model, pozostávajúci z viacerých samoorganizujúcich sa máp a obojsmerného učenia na vytváranie asociácií medzi oboma modalitami. Realizovali sme viacero simulačných experimentov a podarilo sa nám výsledný model úspešne natrénovať, s dobrou generalizáciou a schopnosťou predpovedať, kedy nastane dotyk pri odpovedajúcich pózach, a na ktorých miestach na tele. Takýto model môže byť využitý ako ako stavebný blok komplexnej schémy tela.

It is known that infants in their first year of life are creating a representation (schema) of their body by means of several mechanisms, one of which is the selftouch. Infants associate two modalities, namely the body poses (proprioception) with the positions of touch that occur when there is contact between individual limbs, fingers or other body parts. This association process does not require the presence of another modality – visual perception, although vision becomes involved in the process in later stages. In this diploma thesis we designed, implemented and tested a biologically inspired model based on artificial neural networks, which simulates a learning (acquisition) process of proprioceptive and tactile representations. For this purpose we have designed semi-automatic data collecting algorithm using a humanoid robot simulator iCub. Robot touches itself with both hands at different points of the forearm and palm. We trained a model consisting of several self-organizing maps and a bidirectional learning model to create associations between the two modalities. We performed several simulation experiments and we have succeeded in creating successfully trained model with good generalization and the ability to predict occurrence of touch in matching poses. Such a model can be used as a building block of a complex body scheme.