2wnswoo 님의 블로그

01. IntroductionSLAM 논문을 보면 *Inertial( 관성의 )이라는 단어가 붙은 SLAM 알고리즘들이 자주 등장한다. 카메라를 활용한 SLAM에서는 VIO( Visual Inertial Odometry ), 라이다를 활용한 SLAM에서는 LIO( LiDAR Inertial Odometry ) 카메라, 라이다, IMU를 모두 활용한 SLAM도 등장하고 있다. 대부분 SLAM 논문에선 IMU의 기본적인 개념을 알고 있다는 전제하에 서술되므로, IMU개념을 포스팅한다. --02. Concept of IMU( Inertial Mesurement Unit )IMU 센서는 자체적으로 가속도 및 각속도를 측정할 수 있으며, 일부의 센서는 자기장까지 측정할 수 있다.IMU 센서를 통해 얻어낸 가속도 ..

Pose는 자율주행에서 로봇이나 차량의 위치와 자세를 의미합니다. 자율주행 로봇이나 차량의 경우, Pose는 2D 또는 3D 공간에서의 위치와 함께 회전된 방향을 포함한 정보를 나타냅니다. 자세히 설명하면:Position (위치): 로봇이나 차량이 특정 공간에서 어디에 있는지를 나타냅니다. 일반적으로 x, y, z 좌표로 표현됩니다.Orientation (자세): 로봇이나 차량의 회전된 방향을 의미합니다. 이는 각도나 쿼터니언(quaternion) 또는 오일러 각(Euler angles)으로 표현될 수 있습니다.예시:2D Pose: 자율주행 차량이 평면 상에서 위치를 추적할 때, 보통 x, y 좌표와 **회전 각도 (θ)**로 차량의 위치와 방향을 정의합니다.예: (x = 5, y = 3, θ = 45°..

0. Abstract( Background ) 로봇 산업의 발전은 오래전부터 산업용에서 개인용 로봇으로, 소형화하고 안정화되어 우리의 삶에 들어오는 방향으로 발전했다. 실내 환경에서 로봇이 자유롭기 위해서는 필연적으로 센서를 이용해 지도를 작성하는 SLAM( Simultaneous Localization And Mapping ) 기술의 발전이 요구된다. ( Problem ) SLAM 알고리즘은 대부분 LiDAR 센서 기반으로 연구되어 왔는데, LiDAR 센서의 특성상 빛에 민감한 재질들은 감지가 어렵다. 그 중에 가장 크게 부각되는 단점이 유리 인식이 어렵다는 점이다. 이러한 단점은 실내에서 큰 문제점이 된다. ( Purpose ) LiDAR 센서 이외의 장애물 감지 수단을 추가해 개선한 알고리즘 제안 ..

1. 자율주행 데이터  - 머신러닝 기술은 대규모의 학습 데이터를 요구  - 자율주행 시 많은 센서 데이터 생성 ↓  - 센서 데이터를 이용한 인공지능 모델 학습  ↓  - 시뮬레이션을 통해 얻은 주행 데이터 활용 급속도로 증가하는 데이터에 대한 관리 필요데이터에 정답을 붙혀주는 라벨링 과정 필요 데이터 증가 > 머신러닝 모델 학습 성능 개선주기적인 자율주행 기능 업데이트 필요 데스트 차량 또는 자율주행차가 수집한 데이터를 클라우드로 전송 > 클라우드에서 가공 및 라벨링 과정 수행 > 데이터 선별 필요 자율주행 기능의 학습( 트레이닝 ) 수행 > 학습된 자율주행 기능의 테스트 및 검증 > 학습된 자율주행 기능을 OTA를 통해 탑재   *OTA( Over The Air ) : 기기에 내장된 소프트웨어를 무..

*C-ITS- 차세대 지능형 교통 시스템- 차량과 인프라 간의 협력*V2X- 차량을 위한 통신 기술- 유 무선망을 통해 다른 차량 및 도로 등 인프라가 구축된 사물과 정보 교환*MMS- 고정밀 지도 구축을 위한 시스템- 고정밀 지도 구축을 위한 데이터 수집 --자율주행을 위한 인프라: 차세대 지능형 교통 시스템( C-ITS, Cooperative-intelligent transportation systems ) 자율주행을 위한 통신:  V2X( Vehicle to X ) , 유무선망을 통해 다른 차량 및 도로 등 인프라가 구축된 사물과 정보 교환 차량 간 통신( V2V ) : 실시간으로 서로 정보 공유, 안정성 강화 및 충돌 방지, 5G에서는 실시간 정보 교환을 위해 지연시간 목표를 10ms 이하로 함,..

1. Judgement tech  주변 환경에 대한 정보 이용 > 자율주행차가 목적지까지 가기 위한 경로 계획 및 의사결정  경로계획    - 목적 지점까지의 최적의 경로 설정    - 안전성, 신속성을 목표로 최적의 경로 결정  의사결정    - 차선변경, 위험회피, 차선유지 같이 주행에 필요한 의사결정    주변 동적 객체들과의 상호작용이 중요하다.   타차량과의 상호작용    - 타차량 운전 성향 및 의도 파악  보행자와의 상호작용    - 보행자의 미래 위치 및 거동 예측 > 충돌 방지 판단    - 센서 정보를 활용하여 보행자의 자율주행차 주시 여부 파악 위험회피  - 위험도 분석이 선행되어야함  - 주변 동적 객체 또는 장애물과의 충돌 위험도 평가  - 충돌 확률 분석  - 위험도 분석( 자동..

- 전방, 측방, 후방에 센서를 위치시켜야 하므로 다중센서를 이옹한다. - 각 센서의 장점만을 이용하여 조합하여 사용한다. 인지  - 센서를 통해 취득한 데이터 처리  - 동적 객체 검출( 차량, 보행자, 사이클 등등의 움직이는 물체의 존재 여부 및 위치 파악 )  - 행동예측 : 미래 위치 및 의도 파악 측위   - GPS, 센서정보를 통해 정밀지도에서 자율주행차의 위치추정  - 자율주행을 위해서는 cm 단위의 정밀 측위가 필요  - GPS는 m단위의 정보로 정확도가 낮다  - GPS 신호가 도달하지 않는 지역( 음영지역 )에서는 사용이 불가능하다  - 센서 정보를 활용하여 차량의 Odometry 정확도를 높인다.  *Odometry, 주행기록계 : 차량이 상대적으로 얼마만큼 움직였는지 측정하는 방법

1. 3 major factors in the Autonomous driving   1. Perception : Using sensor's signal, finding surrounding motive objects and knowing object's movements and intentions.  2. Judgement : Using based on perception and positioning results, doing high-making-decision like avoiding obstacles and planning route.  3. Control : Driving tasks depending on result of the judgement. 2. Autonomous Driving Plat..

*Fall back : 자율주행 시스템이 오류가 있거나 고장이 나는 경우 차량이 대응하는 기법[01] 안정성과 신뢰성  - 주변의 환경의 변화에도 강인한 기술 필요  - 위험을 분석, 관리하여 안정성을 보장할 수 있는 기술 중요  - 센서나 하드웨어의 고장 시 차를 안전하게 이끌어 줄 수 있는 Fall back 등의 대응 기술 필요[02] 교통 상황 및 문맥 파악  - 일반적이지 않은 교통상황 발생 시 대응 가능[03] 확장성, 진화형  - 데이터 확장 및 인공지는 진화 시스템 필요  - 대규모 데이터를 학습한 플랫폼이 필요[04] 신뢰성 있는 테스트와 검증  - 시나리오 및 상황별 기능 테스트 필요  - 테스트 과정 확립 필요  - 시뮬레이션 기반의 테스트 기술 도입 필요 Artificial Intel..