Sistemas de Percepción T9-11

¿Cuál es el principal problema de las cámaras estéreo mencionado en el documento?. Alta resolución. Dificultad para calcular la distancia precisa. Alto costo. Facilidad de instalación.

¿Por qué es crucial para un robot social poder reconocer la voz de su interlocutor?. Para realizar cálculos matemáticos. Para mejorar la interacción humano-robot. Para ejecutar tareas mecánicas. Para reducir el consumo de energía.

¿Cómo funciona la luz estructurada para capturar información 3D?. Emitiendo ondas de radio. Proyectando patrones de luz sobre una superficie. Utilizando un sistema de espejos. Capturando imágenes de alta resolución.

¿Qué tipos de patrones se pueden utilizar en los sistemas de luz estructurada?. Patrones de puntos y rayas. Patrones de sonido. Patrones de temperatura. Patrones de color.

¿Cuál es la principal desventaja de los métodos de luz estructurada mencionada en el documento?. Alto costo. Dificultad para trabajar en entornos con mucha luz. Baja resolución. Alta velocidad de procesamiento.

Describe el funcionamiento del sensor Kinect 1 y su capacidad para capturar nubes de puntos coloreadas. Utilizando cámaras estéreo. Proyectando luz infrarroja y capturando su deformación. Empleando un sistema de ultrasonidos. Usando sensores táctiles.

¿Cuáles son las limitaciones de los métodos basados en luz estructurada en cuanto a los materiales de las superficies?. Solo funcionan con superficies opacas. No pueden detectar superficies de metal. Tienen dificultad con superficies reflectantes y transparentes. No detectan superficies rugosas.

Explica el principio de funcionamiento de la técnica de "Tiempo de Vuelo" (ToF) con modulación de pulso. Midiendo la intensidad de la luz. Calculando el tiempo que tarda la luz en regresar después de reflejarse en un objeto. Utilizando ultrasonidos. Capturando imágenes en alta velocidad.

¿Qué ventajas ofrece la modulación de onda continua en los sistemas ToF?. Mayor precisión en la detección de distancia. Menor consumo de energía. Facilidad de instalación. Mayor resolución de imagen.

¿Cuáles son las desventajas de la modulación de onda continua en los sistemas ToF?. Mayor susceptibilidad a interferencias. Baja resolución. Alto costo. Baja velocidad de procesamiento.

Describe las diferencias entre los dispositivos LiDAR 1D, 2D y 3D. Por la resolución de imagen. Por la cantidad de datos que pueden procesar. Por el número de dimensiones en las que pueden medir distancias. Por el tipo de luz que utilizan.

¿Cuáles son las ventajas y desventajas de la tecnología LiDAR mencionadas en el documento?. Alta precisión y alto costo. Baja resolución y bajo costo. Alta velocidad y alta precisión. Baja precisión y bajo costo.

Explica cómo se utiliza el sonido para calcular la distancia y la comprensión del entorno en robótica. Utilizando cámaras de alta resolución. Proyectando luz infrarroja. Midiendo el tiempo que tarda el sonido en regresar después de reflejarse en un objeto. Usando sensores táctiles.

¿Cómo funciona un micrófono en la detección del sonido según lo descrito en el documento?. Captura ondas de luz. Detecta cambios en la presión del aire. Utiliza luz infrarroja. Emite señales ultrasónicas.

Describe el funcionamiento de un sensor de ultrasonidos y sus limitaciones. Emite luz infrarroja y captura su reflejo. Emite ondas sonoras y mide el tiempo de regreso. Detecta cambios en la temperatura. Utiliza cámaras de alta resolución.

¿Qué problemas pueden surgir al utilizar sensores de ultrasonidos en la detección de objetos?. Baja resolución. Dificultad para detectar objetos pequeños y superficies blandas. Alta precisión. Bajo costo.

Explica el principio de funcionamiento de los sensores táctiles más simples. Detectan cambios en la temperatura. Miden la presión aplicada sobre ellos. Capturan imágenes en alta resolución. Emiten luz infrarroja.

Describe cómo funcionan los sensores táctiles capacitivos y su aplicación en dispositivos modernos. Miden la presión aplicada. Detectan cambios en el campo eléctrico. Utilizan luz infrarroja. Emplean ondas sonoras.

¿Qué ventajas ofrecen las cámaras de eventos en comparación con las cámaras convencionales?. Mayor resolución de imagen. Menor latencia y mayor rango dinámico. Mayor consumo de energía. Menor costo.

¿Cuáles son las principales desventajas de las cámaras de eventos mencionadas en el documento?. Alta latencia. Alta susceptibilidad a interferencias. Baja resolución espacial. Bajo rango dinámico.

¿Cómo se captura un evento en una cámara de eventos y qué información contiene un frame?. Captura imágenes estáticas a intervalos regulares. Registra cambios de brillo en cada pixel de forma independiente. Emite señales ultrasónicas. Mide la presión aplicada.

¿Qué desafíos presenta el procesamiento de datos de cámaras de eventos en comparación con las cámaras tradicionales?. Mayor costo de procesamiento. Menor resolución de imagen. Mayor volumen y complejidad de datos. Baja precisión.

Explica la importancia de la percepción táctil en la interacción de los robots con su entorno. Permite la captura de imágenes de alta resolución. Facilita la detección de objetos distantes. Mejora la manipulación precisa y la seguridad en la interacción. Reduce el consumo de energía.

¿Cómo afectan la temperatura y la humedad a la precisión de los sensores de ultrasonidos?. Aumentan la resolución. Mejoran la precisión. Pueden alterar la velocidad del sonido y afectar la precisión. No tienen ningún efecto.

¿Qué tecnologías y métodos son utilizados por los robots para percibir información 3D además de las cámaras estéreo?. Cámaras de alta resolución y sensores táctiles. Luz estructurada, ToF y LiDAR. Microondas y ondas de radio. Cámaras de alta velocidad.

¿Cuál es una de las causas de la incertidumbre en la estimación de la pose de un robot?. Errores en la programación. Ruido de los sensores. Falta de energía en los motores. Interferencias electromagnéticas.

¿Quiénes son los inventores del método de Montecarlo?. Albert Einstein y Niels Bohr. Stanislaw Ulam y John von Neumann. Isaac Newton y Gottfried Wilhelm Leibniz. Blaise Pascal y Pierre de Fermat.

¿Cuál es la razón de la disminución del error de estimación en el método de Montecarlo?. Aumenta con la raíz cuadrada de N. Disminuye a razón de 1/N. Disminuye a razón de 1/√N. Aumenta con la potencia de N.

¿Cuál es una propiedad crítica para los generadores de números pseudoaleatorios utilizados en criptografía?. Reproducibilidad. Impredecibilidad. Simplicidad. Rapidez.

¿Qué problema presenta un generador de números pseudoaleatorios?. Son muy lentos. La secuencia de bits es determinada completamente por la semilla. Son costosos de implementar. Requieren hardware especializado.

¿Qué caracteriza a un modelo de Markov?. Utiliza variables independientes. Modela información temporal o secuencial. No depende de estados anteriores. Es determinista.

¿Cómo se representa matemáticamente la secuencia de estados en un modelo de Markov?. {o1, o2, o3, ..., ot}. {S1, S2, S3}. {q1, q2, q3, ..., qt}. {A, B, π}.

En un modelo oculto de Markov, ¿qué es lo que se considera "oculto"?. La secuencia de observaciones. La secuencia de estados. La matriz de transición. Las probabilidades de emisión.

¿Cuál es la función del algoritmo de Viterbi en los modelos ocultos de Markov?. Generar números aleatorios. Calcular la probabilidad de una secuencia observada. Encontrar la secuencia más probable de estados ocultos. Realizar el descenso por gradiente.

¿Cuál es una de las propiedades necesarias de un generador de números pseudoaleatorios en criptografía?. Predictibilidad. Irreversibilidad. Simetría. Transparencia.

¿Para qué tipo de problemas es especialmente útil el método de Montecarlo?. Problemas deterministas. Problemas con soluciones analíticas simples. Problemas cuya solución analítica es desconocida o costosa computacionalmente. Problemas con baja incertidumbre.

¿Cuál es uno de los pasos típicos en el uso del método de Montecarlo para la integración numérica?. Usar bloques de tamaño fijo. Generar puntos aleatorios en vez de bloques de tamaño fijo. Aumentar el tamaño del salto. Calcular todas las combinaciones posibles.

¿Cuál es un método común para evaluar la calidad de un generador de números aleatorios?. Test de reproducibilidad. Test de series. Test de coherencia. Test de simplicidad.

¿Qué se requiere para que una secuencia de bits sea considerada pseudoaleatoria?. Que pueda predecirse fácilmente. Que pase un cierto número de tests estadísticos. Que sea irreducible. Que sea reversible.

En el contexto de cadenas de Markov, ¿qué indica la "propiedad de Markov"?. La probabilidad de un estado futuro depende únicamente del estado presente. La probabilidad de un estado futuro depende de todos los estados anteriores. Los estados son independientes entre sí. Los estados tienen una distribución uniforme.

¿Qué se asume en un modelo oculto de Markov en relación con las observaciones?. Que son independientes entre sí. Que están directamente relacionadas con los estados ocultos. Que dependen de una distribución normal. Que son predecibles.

¿Qué matriz se utiliza en los modelos ocultos de Markov para definir la probabilidad de emisión?. Matriz A. Matriz B. Matriz Q. Matriz π.

¿Qué tipo de generador de números aleatorios utiliza una fuente física para generar la aleatoriedad?. Pseudo-random number generators (PRNG). True random number generators (TRNGs). Generadores deterministas. Generadores de Montecarlo.

¿Qué método se usa para calcular el número π mediante el método de Montecarlo?. Dibujar puntos aleatorios en un círculo. Dibujar puntos aleatorios en un cuadrado y contar los que caen dentro de un círculo inscrito. Contar todas las posibles combinaciones de puntos. Usar bloques de tamaño fijo.

En un modelo de Markov, si hoy es lluvioso y mañana es soleado, ¿cómo se calcula la probabilidad de que pasado mañana sea nublado?. Usando la probabilidad de transición directa de lluvioso a nublado. Usando la probabilidad de transición de soleado a nublado. Sumando las probabilidades de transición de lluvioso a soleado y de soleado a nublado. Multiplicando las probabilidades de transición de lluvioso a soleado y de soleado a nublado.

¿Qué parámetro del modelo oculto de Markov representa la probabilidad de estar en un estado inicial específico?. A. B. π. Q.

En el algoritmo de Viterbi, ¿qué variable se usa para almacenar la probabilidad del mejor camino que llega a cada estado en cada momento?. δ (delta). γ (gamma). ξ (xi). η (eta).

¿Qué tipo de generador de números aleatorios utiliza un algoritmo matemático para producir una secuencia de números que parece aleatoria?. True random number generators (TRNGs). Pseudo-random number generators (PRNGs). Randomized number generators (RNGs). Secure random number generators (SRNGs).

¿Cuál es una de las aplicaciones del método de Montecarlo en finanzas?. Generación de claves criptográficas. Modelado de series temporales. Valoración de opciones financieras. Cálculo de constantes matemáticas.

En el contexto de una cadena de Markov, ¿qué es una "matriz de transición"?. Una matriz que contiene las probabilidades de cambiar de un estado a otro. Una matriz que define los estados posibles. Una matriz que almacena las observaciones. Una matriz que describe las emisiones.

¿Cuál es la premisa fundamental de la localización de Markov?. El entorno es dinámico. El entorno es estático. El entorno es desconocido. El entorno es tridimensional.

¿Qué representa bel(x₀) en la localización de Markov?. El mapa del entorno. El conocimiento inicial de la pose del robot. La velocidad del robot. La orientación del robot.

En la localización de Markov, ¿qué se asume sobre el entorno?. Que contiene múltiples robots. Que es estático y no cambia. Que es desconocido. Que está siempre en movimiento.

¿Qué es un filtro de partículas en el contexto de la localización de robots?. Un método exacto de localización. Una variante de la localización de Markov que utiliza muestras. Un sensor de partículas. Un método para limpiar el entorno del robot.

En el filtro de partículas, ¿qué representa cada partícula?. Un sensor. Una posible posición del robot. Un obstáculo. Un comando de control.

¿Cuál es uno de los problemas potenciales del filtro de partículas?. Pocas partículas aumentan la probabilidad de localizar el robot. Muchas partículas reducen el tiempo de procesamiento. Pocas partículas disminuyen la probabilidad de localizar el robot. No depende de la cantidad de partículas.

¿Qué mide la función de verosimilitud en el filtro de partículas?. La velocidad del robot. La comparación entre las lecturas del sensor y lo que debería percibir el robot. La orientación del robot. La distancia al objetivo.

¿Qué hace el algoritmo de localización del filtro de Kalman extendido (EKF)?. Utiliza una única hipótesis de posición. Representa las creencias por la media y la covarianza. Ignora la información del sensor. No considera la odometría.

¿Qué se asume en la localización EKF respecto al mapa?. Que es desconocido. Que es dinámico. Que está representado por un conjunto de características. Que es bidimensional.

En la localización de Markov, ¿qué papel juega el modelo del sensor?. Define la probabilidad de la posición inicial. Modela el comportamiento del sensor. Controla el movimiento del robot. No tiene relevancia.

¿Cuál es una de las principales diferencias entre el filtro de partículas y el EKF?. El filtro de partículas es determinista. El EKF utiliza muestras representativas. El filtro de partículas utiliza muestras representativas. El EKF ignora la incertidumbre.

¿Qué se necesita para realizar la localización probabilística de un robot?. Un mapa del entorno. Solo información de odometría. Sensores que detecten obstáculos. Información de otros robots.

¿Qué hace el algoritmo de localización de Markov después de que el robot se mueve?. Reinicia las probabilidades. Desplaza la distribución de probabilidad considerando el ruido del movimiento. Calcula una nueva posición exacta. Ignora el movimiento.

En el contexto de la localización de Markov, ¿qué es una distribución uniforme?. Todas las posiciones tienen la misma probabilidad inicial. Solo una posición tiene probabilidad alta. Las posiciones se distribuyen aleatoriamente. La probabilidad es desconocida.

¿Qué representa el modelo de movimiento en la localización de Markov?. La velocidad máxima del robot. La probabilidad de estar en una posición dada la posición anterior y el comando de control. La dirección del movimiento del robot. El tipo de terreno en el entorno.

¿Qué sucede si el sensor del robot tiene ruido en la localización de Markov?. Se ignoran las lecturas del sensor. Las probabilidades no son cero para otras posiciones. Se asume que la posición es incorrecta. El robot se detiene.

¿Cómo se actualiza la probabilidad en la localización de Markov al detectar una puerta?. Aumenta en lugares próximos a puertas. Se mantiene igual en todas las posiciones. Disminuye en lugares próximos a puertas. Se distribuye uniformemente.

¿Qué es una creencia en la localización probabilística del robot?. Una certeza absoluta de la posición. Una distribución de probabilidad sobre las posibles posiciones. Una posición única y determinada. Un modelo del sensor.

¿Qué significa 'remuestreo' en el filtro de partículas?. Eliminar partículas con baja probabilidad. Generar nuevas partículas de manera uniforme. Seleccionar partículas con probabilidad proporcional al valor de verosimilitud. Ignorar las partículas con alta probabilidad.

¿Qué papel juega el entorno en el modelo del sensor en la localización de Markov?. No tiene relevancia. Afecta las lecturas del sensor. Se asume que es siempre estático. Solo afecta al modelo de movimiento.

¿Qué define la asunción de Markov en la localización probabilística?. El robot puede moverse en cualquier dirección. El entorno no cambia con el tiempo. La posición del robot es el único estado que afecta las lecturas del sensor. La odometría es precisa y sin ruido.

¿Cuál es una ventaja de usar el filtro de partículas?. Es más rápido que otros métodos. No requiere modelo de sensor. Permite manejar modelos complejos y no lineales. No necesita información del entorno.

¿Qué problema aborda la localización de Markov?. Navegación en entornos conocidos. Estimación de la posición del robot en un entorno. Comunicación entre múltiples robots. Control de velocidad del robot.

¿Qué se asume sobre las características del mapa en el EKF?. Son desconocidas. Están distribuidas aleatoriamente. Son puntos conocidos (landmarks). Cambian con el tiempo.

¿Cuál es un caso especial de la localización de Markov?. Filtro de partículas. Localización basada en visión. Filtro de Kalman extendido (EKF). Navegación sin mapa.