Un estudio de la UB diseña un nuevo modelo que predice con precisión el movimiento de deportistas de élite para atrapar la pelota en vuelo parabólico

¿Cómo un tenista como Carlos Alcaraz determina hacia dónde debe correr para devolver una pelota de Novak Djokovic echando solo un vistazo a la salida de la bola? Estos comportamientos, tan habituales en deportistas de élite, son difíciles de explicar con los modelos computacionales actuales, que asumen que el jugador o jugadora debe seguir la pelota con la mirada continuamente. Ahora, investigadores de la Universidad de Barcelona han desarrollado un nuevo modelo que, combinando variables ópticas con factores ambientales como la gravedad, predice con precisión cómo se moverá una persona para atrapar un objeto en movimiento solo a partir de una breve mirada inicial. Estos resultados, publicados en la revista Royal Society Open Science, podrían tener aplicaciones potenciales en ámbitos como la robótica, el entrenamiento deportivo o, incluso, la exploración espacial.

La investigación aborda el problema de los jugadores de campo exterior (en inglés, outfielder problem), que hace referencia al jugador o jugadora de béisbol que se sitúa en la zona exterior del terreno de juego para atrapar la pelota después de ser bateada. Se trata de un reto clásico de la física y la neurociencia del movimiento, que se utiliza para explorar cómo los seres humanos y los animales predicen los movimientos en un entorno dinámico y cómo se pueden diseñar sistemas automatizados para imitarlos.

Joan López-Moliner, catedrático de la Facultad de Psicología y miembro del Instituto de Neurociencias, ha liderado la investigación y afirma que "ante este problema, los modelos actuales se basan en guiar la locomoción a partir de mirar continuamente la pelota, mientras que normalmente el deportista de élite puede correr hacia la bola sin fijar la mirada. Además, estos modelos no permiten hacer predicciones de adónde irá la pelota respecto al observador". El trabajo inicial era parte de la tesis doctoral de Borja Aguado, coautor y antiguo miembro del grupo, que, después de una estancia en Darmstadt (Alemania), es ahora investigador de la Universidad de Vic.

Para superar esta limitación predictiva, el nuevo modelo integra el conocimiento previo de la gravedad y tamaño físico de la pelota en la información visual que se recibe en tiempo real. "El modelo proporciona señales en vivo que indican la posición prevista de caída de la pelota y el tiempo que queda hasta que llegue, teniendo en cuenta distintas condiciones de gravedad. Esto permite predecir con precisión cómo se moverá un jugador para atraparla, desde el mismo inicio del vuelo", describe López-Moliner, quien también coordina el Grupo de Investigación en Visión y Control de la Acción.

Pese a la importancia de la gravedad para anticipar trayectorias, es la primera vez que este factor se incluye en un modelo como este. "Esta omisión ha pasado por alto la influencia sustancial que la gravedad ejerce sobre la trayectoria, lo que refleja un vacío en la forma en que los modelos existentes tienen en cuenta las constantes ambientales", señala el catedrático de la UB.

Además, los modelos anteriores no pueden explicar tampoco por qué los humanos percibimos si una pelota está a nuestro alcance o no para decidir si empezar a correr. "Nuestro modelo sí da cuenta de ello, ya que indica adónde irá el objeto respecto al jugador", subraya el investigador.

Para validar el modelo, los investigadores han hecho experimentos en un entorno de realidad virtual inmersiva, en el que cada participante —con unas gafas y un dispositivo de realidad virtual en la mano— debía dirigirse a la posición donde pensaba que iba a aterrizar una pelota virtual. El entorno controlado ha permitido simular diversas condiciones de gravedad y tamaño de la bola, mostrando que las trayectorias empíricas, los patrones de movimiento y las respuestas temporales coinciden con las predicciones del modelo. "Nuestro modelo predice con precisión las trayectorias que han observado en las distintas condiciones las personas participantes. Los resultados subrayan la importancia de integrar constantes ambientales, como la gravedad, para entender mejor cómo los seres humanos interactuamos con el mundo que nos rodea", destaca el investigador.

El nuevo modelo podría servir como base para desarrollar en el futuro distintas aplicaciones prácticas, como, por ejemplo, en el entrenamiento deportivo. "Por un lado, puesto que el modelo incluye varios componentes —como la información visual o la gravedad, entre otros—, podría aplicarse en plataformas de entrenamiento o de simulación virtual. De esta forma, podría verse el grado de sensibilidad de una persona —como el deportista de élite— a los distintos componentes o entrenarlos en procesar y utilizar la información visualmente relevante para optimizar el rendimiento", señala López-Moliner.

Por otra parte, el hecho de que el modelo pueda considerar varios tipos de gravedad también podría tener aplicaciones en el sector aeroespacial. "El modelo puede aplicarse en entornos con distintas gravedades y, potencialmente, puede predecir el rendimiento con el que una persona —por ejemplo, el astronauta en la estación espacial— interactuaría con objetos en movimiento", apunta el catedrático.

Los investigadores ya trabajan en la siguiente fase del proyecto: implementar el modelo en redes neuronales artificiales, sistemas computacionales que imitan el funcionamiento de las neuronas en el cerebro humano. Su objetivo es comparar el rendimiento de los seres humanos y de las redes artificiales. "Esto nos permitiría tener una idea más clara de cómo los cálculos se implementan a nivel neuronal, ya que ahora tenemos un modelo a escala computacional, pero no la implementación neuronal en una red de neuronas artificial. Ese conocimiento podría tener aplicaciones claras en el campo de la robótica", concluye López-Moliner.