VIZSGAKÉRDÉSEK (2000/2001-I. félév)

INTELLIGENS ROBOTOK (Vill.)

INTELLIGENS RENDSZEREK (Inf.)

1. Mi a jelátalakító (érzékelő, szenzor)? Mi a karakterisztika? Mi a statikus karakterisztika? Mit nevezünk a mérőátalakító érzékenységének? Mi a hiszterézis hiba?
2. Milyen mennyiségeket alakítanak át egymásba a nyúlásmérő átalakítók? Mi a nyúlásmérő ellenállások működésének fizikai alapja? Milyen adatot használnak a nyúlásmérő átalakítók statikus átviteli tulajdonságainak jellemzésére? Mitől függ a nyúlásmérő átalakítási tényezője? Milyen a nyúlásmérőbélyeges erőmérő elvi felépítése?
3. Többkomponensű erőmérésnél mi a mérési feladat? Ismertesse a többkomponensű erőmérés elvét.
4. Mit nevezünk piezoelektromos átalakítónak? Milyen mennyiségeket alakít át egymásba a piezoelektromos átalakító? Mi a piezoelektromos hatás lényege? Milyen gyakorlatilag fontos hatások ismertek?
5. A taktilis érzékelőkkel milyen információkat kívánunk kinyerni a tárgyról? Melyek a fontosabbak?

1. Szenzorcsatolt robot alapdefiníciók

• Számítógéppel segített gyártás / Mechatronika / Intelligens robot / 3D látás fogalmi köröknek és azok kapcsolatának megadása
• Szenzorcsatolt robot blokkvázlata
• Vizuális érzékelés alapproblémái

2. Robot szem-kéz rendszer együttes kalibrációja

• Kalibráció lépései
• Pin-hole kamera modell
• GT6A robot 3D aktívfényes robot látórendszerének felépítése / kalibrációja

3. Valósidejű robot látórendszer megvalósítás vizuális visszacsatolással

• Vizuális visszacsatolás elve: “look and move” és “visual servoing” stratégia összehasonlítása
• Megfogóra szerelhető “két lézerfénykés-egy kamera” fix elrendezés vázlata, előnyei
• 3D információ kinyerésének lépései
• vizuális ellenőrzőjel megválasztásának lehetőségei, választás hatása a vizuális visszacsatolás jellemzőire

4. Robot látórendszerek hibaanalízise

• Látórendszer tervezési fázisban: pontosság növelésének módszerei
• Látórendszer alkalmazási fázisban: mintavételezési / ismétlési / abszolút hiba becslése (feladat megfogalmazás, kvalitatív eredmények, gyakorlati konzekvenciák levonása elégséges. A hibabecslés kvantitatív megadása képletekkel opcionális plusznak tekintendő).

1. A képfeldolgozási probléma megfogalmazása. Tárgymodell. Élmeghatározás és szűrés.
2. Differenciálgeometriai módszerek a távolságkép feldolgozásban. Felületváltozási típusok és a szűrés hatása a típusokra. Görbületen alapuló képszegmentálási algoritmus.
3. Paraméterbecslésen alapuló módszerek optimalizálási problémái. Sík és kvadratikus felület paramétereinak meghatározása. Pont és sík primitívek illesztése kvaterniós technikával. Hipotézis, predikció, verifikáció.
4. Lényegkiemelés és modellillesztés Oshima-Shirai módszerével. Tartománynövelő algoritmus. Lényeges tulajdonságok (features) a modellillesztéshez. Modellillesztési algoritmus. A jelenet ábrázolása gráffal.
5. Sík, henger és gömb felületek felismerése hisztogrammok alapján távolságképek esetén.

1. Ismeretlen környezetben navigáló robot navigációs terének poligonos matematikai modellje.
2. Navigációs algoritmusokkal szemben támasztott általános követelmények.
3. Ismertesse a mobil navigáció megvalósítását irányított gráfok felhasználásával.
4. Adja meg a szabad tér (FS), megismert szabad tér (LFS) és szűkített szabad tér (AFS) definícióját.
5. Akadályelkerülési stratégiák.

1. Intelligens robot/kéz rendszer irányítórendszerének felépítése. Sorolja fel a tárgy rekonfigurálásánál felhasznált modelleket. Hogyan határozható meg a kontaktus pont következő helye a tárgy és az ujj között előírt relatív sebesség esetén? Milyen típusú matematikai feladat megoldásaként számíthatók a kontaktuspontban a mozgáshoz szükséges erők?
2. Az intelligens robot/kéz kamera kalibrációt nem használó sztereo képfeldolgozási rendszerének felépítése. Ismertesse a kép előfeldolgozás, 3D projektív struktúra meghatározás, 2D tárgyfelismerés és az euklédeszi transzformáció meghatározás algoritmusainak elvét.
3. Intelligens robot/kéz rendszer virtuális valóság rendszerének (virtual reality system) feladatai. A gyors ütközésdetektálás hierarchikus felépítése. Ismertesse a három javasolt ütközésdetektáló algoritmus elvét. Mi a kalibrált virtuális valóság és hogyan valósítható meg?

VI. Adaptív fuzzy rendszerek

1. Rajzolja fel a SISO nemlineáris diszkrétidejű rendszer identifikációjának sémáját soros/párhuzamos struktúrában. Sorolja fel a javasolható függvényapproximációs módszereket és a paraméterek hangolására alkalmazható numerikus technikákat.
2. Adja meg a Wang (nulladrendű Sugeno) típusú fuzzy rendszer esetén a reláció alakját, a tagsági függvény alakját, a függvény approximáció alakját. Adja meg a paraméterek gradiens technikán alapuló hangolásának szabályát. Adja meg a kimeneti és a tagsági függvény paraméterek szerinti parciális deriváltakat.
3. Adja meg az indirekt 1. típusú fuzzy adaptív szabályozás esetén a SISO rendszerosztályt, a névleges szabályozó alakját ismert és közelítően ismert esetén. Mi a Ljapunov függvény alakja, és hogyan számítható és ? Adja meg a paraméterek hangolási szabályát. Adja meg az algoritmus módosítását az indirekt 2. típusú esetre.
4. Foglalja össze a direkt 1. típusú fuzzy adaptív szabályozás elvét, és adja meg algoritmusát. Adja meg az algoritmus módosítását a direkt 2. típusú esetre.

1. Genetikus algoritmusok elméleti alapjai. Optimalizélási feladat, egyed, fenotipus és genotipus alak, pupuláció, bináris és real genetikus algoritmus. Egyszerű bináris genetikus algoritmus (SGA) blokkvázlata.
2. Átszámítás célfüggvényről fitness értékre, lineáris és nemlineáris rangsor. Szelekciós algoritmusok, rulett-kerék módszer, sztochasztikus univerzális mintavételezés (SUS).
3. Genetikus operátorok (keresztezés, mutáció) és megvalósításuk bináris és real GA esetén. Visszahelyettesítési stratégiák.
4. Multipopulációs genetikus algoritmus (MPGA) blokkvázlata, migrációs stratégiák.

1. Beszédfelismerő rendszer blokkvázlata. Előfeldolgozás. A mintaillesztés módszere modell és megfigyelés hasonlóságának vizsgálatára.
   
   
2. A kapcsolt szavas felismerés alapelve. A Level-building algoritmus. A One-Pass algoritmus. A beszédfelismerésben alkalmazott nyelvtanfajták.
   
   
3. A beszédfelismerés rejtett Markov-láncon (HMM) alapuló modellje. A HMM három alapproblémája.
   
   
4. A HMM első (felismerési) alapproblémájának megoldása: forward algoritmus.