Tema 11-Percepcion

¿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(x) 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.