샤트의 빛나는 프로그래밍

2021. 10. 26. 23:56 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 34강. Particle Filter *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 34강. Particle Filter 34강. Particle Filter 🎉강의요약 1. Particle Filter에서 가장 중요하다고 할 수 있는 Resampling 2. Particle들 중 관측과 비교해 가까운 값들만을 선택하면 다양성이 떨어지기 때문에 이를 보완하기 위해 Resampling 필요 3. 크게 4가지 방법이 있는데 그 중 누적 그래프를 이용한 방법인 Cumulative sum 방식을 이용해 코드 구현 4. 중요한 점1: Measurement(v..

2021. 10. 22. 17:40 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 33강. Probabilistic Approach of Kalman and Particle Filter *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 33강. Probabilistic Approach of Kalman and Particle Filter 33강. Probabilistic Approach of Kalman and Particle Filter 🎉강의요약 1. Kalman Filter에서 예측과 업데이트는 서로에게 영향을 준다. 2. 예측은 초기~이전스텝까지의 관측(Z)를 통해서 현재(k)를 알아내고 3. 업데이트는 초기~현재스탭까지의 관..

2021. 10. 20. 03:36 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 32강. Markov System *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 32강. Markov System 32강. Markov System 🎉강의요약 1. Markov System은 여러 state가 있을때 현재를 알고 싶다면 바로 이전 state만이 영향을 준다는 내용 2. x1부터 xk까지의 state가 있을때 xk를 알고 싶다면 xk-1을 알면 된다. 3. 또한 아래 첫 번째 그림처럼 A,B,C의 사건이 있을때 A는 C에 영향을 주지 못한다. 4. 많은 Dynamic Programming이 이러한 Markov Process에 기반을 두..

2021. 10. 19. 03:01 안녕하세요 프로그래밍을 배우는 빛나는 샤트입니다. SLAM 강의 31강. Joint Probability and Conditional Independence *이 포스팅은 목원대학교 양정연 교수님의 SLAM강의 유튜브 영상을 보고 제작되었음을 밝힙니다. 출처: 31강. Joint Probability and Conditional Independence 31강. Joint Probability and Conditional Independence 🎉강의요약 1. 칼만 필터는 이전 관측의 총괄을 이용해 현재를 예측하는 내용 2. Joint Indepence는 두 가지 사건에 대한 확률에 관한 내용 3. Conditional Independence는 두 사건 A,B가 독립일 ..

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 ..