2wnswoo 님의 블로그

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 ..

--   3rd Year Autonomous Driving Capstone Design Project | Notion1. 서론 (Introduction)puffy-singer-22f.notion.site

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..

1. History of the Autonomous driving technology  DARPA Grand Challenge  첫 번째 대회    - 모하비 사막에서 개최    - 150마일에 이르는 장거리 대회    - 많은 학교, 회사에서 참가    - 완주한 참가 팀이 없었음  두 번째 대회    - 2005 개최    - 우승팀들은 로보틱스 분야에서 사용하는 지도 기술을 적용함( SLAM, 측위기술 )    - 스탠포드의 Sebastian Thrun 교수 우승  DARPA Urban Challenge  - 60마일에 이르는 도심 코스 완주  - Waypoint가 찍혀 있는 지도 제공  - 교통 규칙 준수 의무  - 다른 차들과의 상호작용 필요  2009년 구글의 자율주행차 연구 착수  - DAR..