샤트의 빛나는 프로그래밍

2021. 10. 10. 20:42 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 30강. Can we think Kalman Filter with Probability? *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 30강. Can we think Kalman Filter with Probability? 30강. Can we think Kalman Filter with Probability? 🎉강의요약 1. 칼만 필터는 노이즈 제거에 탁월하나 복잡한 문제의 경우 연산량이 증가하는 단점 2. 칼만 필터의 기본 로직은 현재 위치를 이전 단계를 통해 추정하고 관측한 값과 비교해 covaricance를 줄이는 방향으로 보정하는 것이다...

2021. 10. 10. 20:41 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 29강. From Kalman Filter to Particle Filter *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 29강. From Kalman Filter to Particle Filter 29강. From Kalman Filter to Particle Filter 🎉강의요약 1. Kalman Filter의 기본 구조: 관측-추정-예측 2. Process Noise를 추가한 입력이기 때문에 이를 잘 잡아줘야하며 칼만 필터가 매우 우수 3. Tracking 문제에서는 칼만 필터는 선택이 아닌 필수 4. 칼만 필터는 선형 구조(덧셈으로 이루어..

2021. 10. 9. 14:29 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 28강. Kalman Gain in Kalman Filter *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 28강. Kalman Gain in Kalman Filter 28강. Kalman Gain in Kalman Filter 🎉강의요약 1. Covariance P를 최소화하는 것이 목표: 최소화되면 관측값과 실제값 비슷 2. 추정 - 예측 - Kalman Gain 반복: 이 과정을 통해 P를 최소화한다. P`은 Q때문에 점점 커진다. x를 구하기 위해선 z(관측값)을 토대로 보정해서 구한다. 관측할 땐 noise가 있는 점을 조심해야 한다. 평균이..

2021. 10. 9. 13:50 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 27강. Prediction in KF *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 27강. Prediction in KF 27강. Prediction in KF 🎉강의요약 1. 예측 단계에서는 Noise를 고려하지 않는다. 평균값(추정)을 이용하기 때문 2. X~N(X^,P): 추정값을 평균으로 가지고 분산 P(분포)를 가진다. 3. w~N(0,Q): E{w**2} = Q (기대값은 분산과 같다) 4. 예측P` = F**2P + Q 현재 k-1 다음 k Xk = (Fk)(Xk-1) + (Bk)(uk) + (wk) 만약 Fk, Bk가 1이라면 Xk ..

2021. 10. 8. 18:29 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 26강. Introduction to Kalman Filter *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 26강. Introduction to Kalman Filter 26강. Introduction to Kalman Filter 🎉강의요약 1. Kalman Filter을 구하는 과정: 측정-추정-예측-업데이트 2. Model을 이용해 예측, Observation을 이용해 업데이트 3. x는 평균 x^, 분산P를 가지는데(x~N(x^,P)) 우리의 목표는 분산P를 최소화하는 것이다. 4. 분산P를 최소화하면 추정한 값과 실제값은 비슷하며 이를 위해..

2021. 10. 8. 17:34 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 25강. Why we need Observation? *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 25강. Why we need Observation? 25강. Why we need Observation? 🎉강의요약 1. y = Cx + Du 식에서 C=1, D=0이라면 노이즈가 없는 선형 시스템 2. 하지만 실제 세계에서는 항상 노이즈가 있다. 3. 시스템 dynamics에 영향을 주는 Process Noise 4. 관측에 영향을 주는 Measurement Noise 5. 인코더의 값이 관절의 각도를 의미하는 것이 아니다. 즉, 측정값이 실제 값과..

2021. 10. 7. 23:52 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 24강. From math equation to State Equation *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 24강. From math equation to State Equation 24강. From math equation to State Equation 🎉강의요약 1. Kalman Filter 에러를 최소화 2. 2nd order mass-spring-damper 시스템 풀이 3. 미분 기호를 D로 치환해 풀이 4. 라플라스 변환과 아이겐벨류는 동일한 해를 표현 5. KF의 수식은 위의 방법들을 이용해 구할 수 있다. 위 그림 설명 ..

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 관측기. 센서 정보를 그대로 믿는 것이 맞을..