샤트의 빛나는 프로그래밍

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..

2021. 10. 6. 16:21 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 22강. Non Parametric Method *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 22강. Non Parametric Method 22강. Non Parametric Method 🎉강의요약 1. 칼만 필터(선형)와 파티클 필터(비선형) 2. 베이지안 분류기는 파라미터 기반이지만 우리가 배울 것은 Non 파라메틱 3. KNN: K개의 가장 가까운 이웃을 이용해 인식(얼굴 인식 등) 4. K Means Clustering: K개의 중심을 이용해 데이터를 Cluestring Kalmann Filter: 선형 시스템(기본적으로 선형이나 비선형도 ..

2021. 10. 6. 16:20 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 21강. Probabilistic Approaches *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 21강. Probabilistic Approaches 21강. Probabilistic Approaches 🎉강의요약 1. SLAM을 대할 때는 세상을 확률적인 시각으로 볼 필요가 있다. 결정론적인 세계관을 붕괴시켜라 2. 예전에는 Localization, Mapping을 동시에 하지 못한다고 했지만 SLAM은 이를 동시에 한다. 3. 실제로 예시를 살펴보면 레이저 스캔을 통해 벽을 탐지할 때 아직 관측하지 못한 곳은 경계가 불명확하다. 4. 또한 경계..

2021. 10. 5. 23:54 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 20강. Bayesian Classifier *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 20강. Bayesian Classifier 20강. Bayesian Classifier 🎉강의요약 1. Likelihood, Posterior 두 가지 기법을 비교하면 비슷해보이지만 자세히 살펴보면 다르다. 2. 특히 에러에서 두드러지는데 Likelihood의 경우 prior의 값이 같다면 에러가 더욱 커진다. 3. prior이 다르다고 해도 베이지안 기법이 훨씬 더 유용하다. 4. 다른 분류기보다 좋은 성능을 가지고 있으므로 선행해서 에러를 살펴볼 필요가 있..

2021. 10. 5. 23:53 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 19강. Bayesian Probabilisty *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 19강. Bayesian Probabilisty 19강. Bayesian Probabilisty 🎉강의요약 1. 문제를 조건부 확률로 볼 필요가 있다. 2. 베이지안 분류기를 이용해 키를 크다? 작다? 분류 3. 데이터를 수집해 특정 값x에 대해 키가 큰지 작은지 알고 싶은 경우 prior, likelihood, evidence를 이용해 구해야 한다. 가위바위보 1. 가위를 낼 Prior 확률: 1/3 2. 2번 연속 가위를 낼 확률은...? 조건부 확률 이..