[SLAM] 양정연 교수 SLAM 강의 23강. Observation

2021. 10. 7. 23:52

 

안녕하세요

프로그래밍을 배우는 빛나는 샤트입니다. 

 

SLAM 강의 23강. Observation

 

---

*이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다.

출처: 23강. Observation

---

23강. Observation

🎉강의요약

1. 센서를 통한 데이터가 실제 데이터는 아니다.

2. 우리가 센서를 통해 알 수 있는 데이터는 관측을 여러번 수행해야 실제 값에 가까워진다.

3. P(X|Z): 센서 데이터(Z)와 실제 데이터(X)의 베이지안 확률을 1에 가깝게해야 한다. 그렇게 되면 관측한 결과(Z)가 실제 데이터라고 알 수 있게 된다.

4. 이를 도와주는 것이 바로 Kalman Filter

 

<Why we need Observer?>
<Probabilistic Approach toward Kalman Filter>

관측기.
센서 정보를 그대로 믿는 것이 맞을까?
세그웨이 예시) 위 두개의 자세는 똑같은 상황일까? 아니다
> 무게중심의 각도를 센서로부터 어떻게 얻어야할까? 라는 중요한 질문.
노이즈가 있을 수 있다는 점을 유의.

 

<You Measure Everything?>

예시) 졸업할 수 있을까요? 라는 질문에 대한 교수의 답변
결정권자는 블랙박스(그의 마음을 읽을 수는 없다.)
하지만 어떠한 기준이 있다.

 

<So, We guess X from Observation Z>

졸업을 하는데 필요한 변수는 무엇일까?
> 관측을 해서 알 수 밖에 없다. 관측한 결과: Z
> 졸업 기준: X

여러 가지를 물어보고 관측하면서 X를 유추

 

<Can you Read his Mind?>

3가지 로봇에 대해 관측 결과 Z값을 알 수 있다.
>> Z가 특정한 값 이상이면 된다고 해서 X를 만족하는 것이 아니다!
>> 그렇기에 X를 특정하기 어렵다.

Pr(X|Z): Z를 알고 있을때 X(졸업)할 확률은 1/3
>> 관측한 결과를 토대로 확률적으로 표현한 것(SLAM에서 칼만 필터, 파티클 필터에서 사용)

 

<How we Improve P(X|Z)? The best way is Repetitive Confirmation>

로봇을 계속 제작하면서 학생이 판단하는 Z와 교수가 판단하는 X
점점 진행할수록 Z,X의 차이가 근사해진다.
P(X|Z)가 점점 1에 가까워진다.
여러 번의 관측을 해야 X를 추정할 수 있다.

 

<You Focused on Why P(X|Z) is improved?>

P(X|Z)가 높아진다면 Z가 높을때 X도 높다고 생각할 수 있다.
X를 정확히 모르지만 P(X|Z)가 1로 만들어야 한다.
인코더는 Z값. 실제 각도 X. 여러 번 관측을 해서 P(X|Z)높인다면 잘 추정할 수 있다.

칼만 필터, 파티클 필터는 내부 상태를 잘 모르더라도(Z가 불량하더라도) 실제 값(X)을 잘 알아낼 수 있다.

P(X|Z)높이는 방법: Markov process(계속 관측해서 피드백을 받는다)

 

<Basics of Control for Kalman Filter>

칼만 필터가 왜 필요한 지 이해하는 것이 중요.
관측을 통해 진짜 데이터를 얻어내는 것이 중요.

노이즈가 많은 센서값Z를 이용해 실제 값X를 도출. (노이즈 제거)

 

 

피드백은 언제나 환영합니다.😊

틀린 부분 있다면 지적해주시고 도움이 되었다면 댓글과 공감 눌러주세요