Storyboard

Los sistemas artificiales de percepción implementan principios físicos análogos a los sistemas biológicos, pero con tecnologías y rangos de operación distintos. Las cámaras digitales son el análogo de los ojos: el ruido fundamental es el ruido de disparo (shot noise) SNR = N_e, que establece que para SNR = 100 se necesitan 10,000 fotoelectrones por pixel. Los mejores sensores científicos tienen QE > 95% y N_e,min = 1 electrón.

El LiDAR (Light Detection and Ranging) es el análogo artificial de la ecolocalización de murciélagos: emite pulsos láser y mide el tiempo de vuelo del retorno. La resolución angular = /D está limitada por difracción (igual que el ojo), pero la resolución en distancia d = c·/2 puede ser milimétrica con pulsos de nanosegundos. LiDAR es la tecnología de percepción de referencia en vehículos autónomos.

La ecuación del radar muestra que el rango máximo R_max (P_t·G²·_RCS)^(1/4): para duplicar el rango se necesita aumentar la potencia 16 veces. Los radares de alta resolución (SAR, Synthetic Aperture Radar) explotan el movimiento de la plataforma para sintetizar una apertura mucho mayor que la antena física, logrando resolución acimutal _az = D_antena/2, independiente de la distancia.

La fusión IMU+GPS mediante filtro de Kalman extendido es el estándar de navegación autónoma: la IMU proporciona información de alta frecuencia pero con deriva (análoga a los canales semicirculares), mientras que el GPS da posición absoluta pero a baja frecuencia y con ruido (análogo a los landmarks visuales). La fusión produce _pos < 1 m en condiciones normales, comparable a la precisión de navegación de aves migratorias.

Las redes neuronales convolucionales (CNNs) son el análogo artificial de la jerarquía visual cortical V1V2V4IT. La convolución 2D implementa la respuesta de campo receptivo local (invariante a traslación), análoga a las células simples de V1. Las capas sucesivas construyen representaciones de complejidad creciente: bordes texturas partes objetos, en paralelo con la jerarquía visual ventral. Las CNNs modernas superan la precisión humana en clasificación de imágenes.

ID:('ky', 597)

Storyboard

$N_e=QE,N_{ph}A_{pixel}t_{exp}$

Variables

$QE$

Eficiencia cuántica

$1$

$N_e$

Número de fotoelectrones

$1$

$N_{ph}$

Flujo de fotones

$1/m²s$

$A_{pixel}$

Área de pixel

$m²$

$t_{exp}$

Tiempo de exposición

$s$

ID:('gm', 5378)

Storyboard

$SNR_{cam}=\sqrt{N_e}$

Variables

$N_e$

Número de fotoelectrones

$1$

$SNR_{cam}$

Relación señal-ruido cámara

$1$

ID:('gm', 5379)

Storyboard

$\theta_{LiDAR}=\lambda_{laser}/D_{apertura}$

Variables

$D_{apertura}$

Diámetro de apertura

$m$

$lambda_{laser}$

Longitud de onda láser

$m$

$\theta_{LiDAR}$

Resolución angular LiDAR

$rad$

ID:('gm', 5380)

Storyboard

$\Delta d=c\tau_p/2$

Variables

$c$

Velocidad de la luz

$m/s$

$Delta d$

Resolución de distancia

$m$

$ au_p$

Duración del pulso

$s$

ID:('gm', 5381)

Storyboard

$R_{max}=\left(\frac{P_tG^2\lambda_{radar}^2\sigma_{RCS}}{P_{min}(4\pi)^3}\right)^{1/4}$

Variables

$G$

Ganancia radar

$1$

$lambda_{radar}$

Longitud de onda radar

$m$

$R_{max}$

Rango máximo radar

$m$

$sigma_{RCS}$

Sección eficaz radar

$m²$

$P_{min}$

Potencia mínima detectable

$W$

$P_t$

Potencia transmitida

$W$

ID:('gm', 5382)

Storyboard

$\hat{x}*k=EKF(\hat{x}*{k-1},u_{IMU,k},z_{GPS,k})$

Variables

$hat{x}_k$

Estado estimado EKF

$m$

$z_{GPS,k}$

Medición GPS

$m$

$u_{IMU,k}$

Entrada IMU

$m/s²$

ID:('gm', 5383)

Storyboard

$(f*g)[m,n]=\sum_i\sum_j f[i,j]g[m-i,n-j]$

Variables

$f[i,j]$

Imagen de entrada

$1$

$(f*g)[m,n]$

Salida convolucional

$1$

ID:('gm', 5384)

Storyboard

$\delta_{az}=D_{antena}/2$

Variables

$D_{antena}$

Longitud antena física

$m$

$delta_{az}$

Resolución acimutal SAR

$m$

ID:('gm', 5385)

Storyboard

$y(t)=\sum_i w_i x_i(t-\tau_i)$

Variables

$N_{array}$

Número de elementos

$1$

$w_i$

Peso de antena

$1$

$x_i(t)$

Señal del elemento i

$1$

$y(t)$

Señal formada por array

$1$

$ au_i$

Retardo del elemento i

$s$

ID:('gm', 5386)

Storyboard

$\tau_i=d_i\sin(\theta_{beam})/c$

Variables

$c$

Velocidad de la luz

$m/s$

$d_i$

Posición del elemento i

$m$

$\theta_{beam}$

Ángulo de apuntamiento

$rad$

$ au_i$

Retardo del elemento i

$s$

ID:('gm', 5387)