Udacity 자율주행 엔지니어 과정 Term2 종료 소감
Term2 프로젝트
Term1에서 Deep Learning과 Computer Vision을 배우고 언어를 사용하는 것은 Python입니다.
Term2에서 센서 퓨전을 배워 자기 위치 추정, 제어, 언어 사용은 자율주행 개발에서 가장 많이 사용되는 C++를 활용한다. 센서 퓨전과 자기 위치 추정 과정은 메르세데스 벤츠가 제공한다.제어는 여기.가 제공하고 모두 오토매틱 자동차를 적극적으로 개발하는 회사로 가장 선진적인 기술을 배울 수 있습니다. 과제는 모두 5개, 기간 3개월입니다.
센서 융합
센서 퓨전은 두 개 이상의 센서 정보를 병합해 하나의 센서 정보보다 더 자세한 정보를 얻는 것을 말한다. 예를 들어 현재 판매되고 있는 LIDAR는 위치를 측정할 수 있지만 속도를 직접 측정할 수는 없다.RADAR는 여러 센서의 장점을 활용하면서 현재 위치와 속도를 측정해 반복적으로 예측할 수 있도록 속도를 측정할 수 있다.
UBER Advanced Technology Group
Cited from Udacity's lecture
Project1: Extended Kalman Filter
LIDAR로 측정된 데이터는 피리칼 좌표계에서 측정할 수 있으며 칼만 필터를 직접 사용할 수 있다. 한편, RADAR 측정은 극좌표계에서 피리칼 좌표계로 변환될 때 $\cos달러와 $\sin달러와 같은 비선형 항목이 나타난다는 것을 나타낸다.선형이 아닙니다. 칼만 필터는 온라인 시스템에서만 사용할 수 있기 때문에, 비선형 항목이 나타날 때도 사용할 수 있도록 확장해야 합니다.
Cited from Udacity's lecture
과제는 Extended Kalman Filter를 사용하여 소음이 포함된 LIDAR과 RIDAR의 데이터를 센서 변환하여 보행자의 위치를 정하는 것이다
Project2: Unscented Kalman Filter
Extended Kalman Filter의 약점은 미분화할 수 없는 불연속 비선형을 해결할 수 없다는 것이다
Uncented Kalman Filter가 선형화되지 않기 때문에 Extended Kalman Filter의 문제점 중 하나를 제거할 수 있습니다.
Cited from Udacity's lecture
과제는 Extended Kalman Filter보다 더 상세한 모델(CtrV 모델)을 사용해 Uncented Kalman Filter를 통해 LIDAR와 RIDAR의 데이터를 센서 변환해 보행자의 위치를 정하는 것이다.
위치 추측
GPS의 정밀도(1=50m)가 자동 운행을 실현하지 못하기 때문에 더욱 높은 정밀도(3~10cm)로 자동차의 위치를 추측해야 한다.
Project3: Particle Filter
Particle Filter(입자 필터) 기법을 활용해 실제 지도 정보, 자동차의 속도, 자동차와 랜드마크의 거리에서 자동차의 위치를 정하는 과제가 된다
Cited from Udacity's lecture
컨트롤
Term1에서 Deep Learning은 자동차의 자동 운행을 진행했지만 실제 자동 운행에는 제어 이론이 많이 사용되었다. 여기서 우리는 PID 제어와 모델Predictive Control(모델 예측 제어)을 배웠다.
Project4: PID Control
클래식 제어 PID 제어를 자동차 제어에 사용하는 과제에서Term1에 사용된 시뮬레이터를 사용하여 자동차를 제어했다. 그 결과에서 알 수 있다. 또한 간단한은 참고할 수 있다.
여기.
Project5: Model Predictive Control
PID 제어는 간단하지만 기능은 좋습니다. PID 제어는 얻은 시스템에 시간 차이 없이 입력할 수 있기 때문에 조작이 좋습니다. 그러나 실제 입력한 입력량을 입력하기 전에 시간 차이가 있으면반드시 제어할 수 있는 것은 아니다. 이 시간차를 해결하기 위해서는 최선의 제어 문제를 해결함으로써 미래의 제어 입력을 결정해야 한다. 그 방법은 모델 예측 제어이고 이 프로젝트에서 C++로 모델 예측 제어를 실현해야 한다.
비록 방금 시뮬레이터와 100ms의 입력 시간차(예측 제어 입력에서 실제 입력까지의 시간차)가 있었더라도 자동차를 잘 제어하는 것이 이 프로젝트의 목표이다.
실제 결과는 해설 기사도 썼고요.에서 볼 수 있다.
감상
Term1에서는 딥 레어닝(이미지 기초)과 컴퓨터 비전을 배워 사람의 시각과 관련된 것이 많았는데 Term2에서는 제어와 로봇공학을 사용하는 방법이 많아 수학 공식을 중심으로 대학원에서 배운 것도 담겼다.나는 난이도가 비교적 높다고 생각하지만 수업이 충실하고 강의자 내부의 슬랙에서 토론이 열렬해서 열심히 공부하면 따라갈 수 있다.
Term1에서는 Deep Learning과 Computer Vision을 주로 다루며 과제 수행에 많은 시간을 할애했다. Term2는 이론이 많고 이해하기엔 많은 시간이 걸렸지만 과제 해결에는 Term1과 같은 시간이 없었다. 평균 일주일에 15시간 정도의 학습시간을 할애했다면,지지율이 높기 때문에 과제를 처리하는 것이 매우 가능하다고 생각합니다.(Term2는 선형대수, 미분적분, 베이스통계학의 지식이 필요합니다.)
사용한 언어가 파이토존에서 C++로 바뀌면서 C++ 수업과 예제 등이 충실해 C++ 초보자도 따라갈 수 있다.
참고 문헌
마지막으로 Term2를 추진할 때 참고할 문헌과 URL을 소개한다.
칼만 필터에 관한 문헌은 일본어에서 아래의 책에는 구체적인 예가 많아 이해하기 쉽다.
·여기.칼만 필터의 기초
・나는 영상이 아래의 자료를 쉽게 이해할 수 있다고 생각한다. ・
전체 과정은 Udacity 설립자인 세바스티안 Thrun의 책에 따라 진행됐으며 다음 책도 참고할 수 있다.
·https://www.youtube.com/watch?v=CaCcOwJPytQ&list=PLX2gX-ftPVXU3oUFNATxGXY90AULiqnWThttp://ais.informatik.uni-freiburg.de/teaching/ss16/robotics/확률 로봇(고급 도서판) 통제에 관한 책은 위에서 순서대로 진행되어 나는 이해하기 쉽다고 생각한다. 고전적 통제에 관한 문헌 ・통제공학적 사고방식-산업혁명은'통제'에서 시작된다(Bluebucks)・최초의 제어공학(KS 이공학 전공서)・(피드백 제어 입문(시스템 제어 엔지니어링 시리즈)) 현대 통제에 관한 문헌 ・첫 번째 현대 제어 이론(KS 이공학 전공서)・(모델 예측 제어 - 제약 하의 최적 제어
Reference
이 문제에 관하여(Udacity 자율주행 엔지니어 과정 Term2 종료 소감), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/RyoH_/items/4853e9a403fc760c25ea텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)