2wnswoo 님의 블로그

Reminding five algorithms using deep learning teqnique Overview of the Restricted Boltzmann Machine , RBM 1. Model proposed by Paul Smolensky in 1986RBM is initially proposed under the name Harmonium by Paul Smolensky in 1986, and rose to prominence after Geoffrey Hinton  2. RBM is utilized in unsupervised learning in machine learning and it is useful in recommending video( like Netflix ) and re..

Inturoduction표면 처리 기술의 필요성부품을 제조한 후 표면 중 일부 또는 표면의 전체가 특정한 속성을 갖도록 후처리하여 성능을 개선시키고자 하는 경우 필수적으로 사용표면 처리 기술의 적용 예- 기계공구 슬라이드 웨이, 샤프트, 롤, 캠, 기어와 같은 기계 부품에서 마멸, 부식, 압흔( indentation )의 저항 증가- 기계공구, 다이, 베어링과 머신 웨이의 슬라이딩 표면의 마찰 감소- 전기 접점에 대한 접착성 감소- 자동차용 시트 금속, 가스 터빈 부품, 식품 포장, 의료기기 등의 부식 및 산화에 대한 저항성 개선- 베어링 또는 샤프트의 피로 저항 향상- 기계 부품의 표면 재구축, 표면 질감, 모양, 치수 정밀도, 마찰 특성 수정- 같은 질감이나 색상 등의 장식적인 기능 부여 >>기계 부..

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..