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.

>Modelo

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

$s$

>Modelo

ID:('gm', 5378)

Storyboard

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

Variables

$N_e$

Número de fotoelectrones

$1$

$SNR_{cam}$

Relación señal-ruido cámara

$1$

>Modelo

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

$rad$

>Modelo

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

$s$

>Modelo

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

$W$

>Modelo

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

$m/s²$

>Modelo

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

$1$

>Modelo

ID:('gm', 5384)

Storyboard

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

Variables

$D_{antena}$

Longitud antena física

$m$

$delta_{az}$

Resolución acimutal SAR

$m$

>Modelo

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

$s$

>Modelo

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

$s$

>Modelo

ID:('gm', 5387)

Descripción

Red de modelo

• Método alternativo
• Método tradicional
• Estrategia
• 2D
• 3D

Ecuación

Número

Primero, seleccione la ecuación:   a ,  luego, seleccione la variable:   a 

---

Símbolo

Ecuación

Resuelto

Traducido

Cálculos

Símbolo

Ecuación

Resuelto

Traducido

 Variable   Dado   Calcule   Objetivo :   Ecuación   A utilizar

Variables

$QE$

QE

Eficiencia cuántica

1

$G$

G

Ganancia radar

1

$f[i,j]$

f_ij

Imagen de entrada

1

$N_{array}$

N_array

Número de elementos

1

$N_e$

N_e

Número de fotoelectrones

1

$w_i$

w_i

Peso de antena

1

$SNR_{cam}$

SNR_cam

Relación señal-ruido cámara

1

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

conv_mn

Salida convolucional

1

$x_i(t)$

x_i

Señal del elemento i

1

$y(t)$

y_t

Señal formada por array

1

$N_{ph}$

N_ph

Flujo de fotones

1/m²s

$c$

c

Velocidad de la luz

m/s

$D_{apertura}$

D_apertura

Diámetro de apertura

m

$hat{x}_k$

x_hat_k

Estado estimado EKF

m

$D_{antena}$

D_antena

Longitud antena física

m

$lambda_{laser}$

lambda_laser

Longitud de onda láser

m

$lambda_{radar}$

lambda_radar

Longitud de onda radar

m

$z_{GPS,k}$

z_GPS_k

Medición GPS

m

$d_i$

d_i

Posición del elemento i

m

$R_{max}$

R_max

Rango máximo radar

m

$delta_{az}$

delta_az

Resolución acimutal SAR

m

$Delta d$

Delta_d

Resolución de distancia

m

$u_{IMU,k}$

u_IMU_k

Entrada IMU

m/s²

$A_{pixel}$

A_pixel

Área de pixel

m²

$sigma_{RCS}$

sigma_RCS

Sección eficaz radar

m²

$P_{min}$

P_min

Potencia mínima detectable

W

$P_t$

P_t

Potencia transmitida

W

$\theta_{beam}$

theta_beam

Ángulo de apuntamiento

rad

$\theta_{LiDAR}$

theta_LiDAR

Resolución angular LiDAR

rad

$ au_p$

tau_p

Duración del pulso

s

$ au_i$

tau_i

Retardo del elemento i

s

$t_{exp}$

t_exp

Tiempo de exposición

s

ID:(0, 597)