반응형 -----ETC-----/SLAM9 [SLAM] 9일차: SLAM 성능 비교 및 평가 SLAM 성능 비교 및 평가이번 단계에서는 다양한 SLAM 알고리즘의 성능을 비교하고 평가하는 방법을 배우겠습니다. 이를 통해 각 알고리즘의 장단점을 이해하고, 특정 애플리케이션에 적합한 알고리즘을 선택할 수 있는 능력을 기릅니다.1. 성능 평가 지표SLAM 알고리즘의 성능을 평가하기 위해 다양한 지표를 사용할 수 있습니다. 주요 지표는 다음과 같습니다:정확도(Accuracy): 생성된 지도의 정확도와 로봇 위치 추정의 정확도를 평가합니다.루프 클로저 감지(Loop Closure Detection): 루프 클로저를 정확하게 감지하고 처리하는 능력을 평가합니다.연산 속도(Computation Speed): 알고리즘이 데이터를 처리하는 속도를 평가합니다.메모리 사용량(Memory Usage): 알고리즘이 사.. 2024. 6. 4. [SLAM] 8일차: 최신 SLAM 논문 읽기 및 구현 이번 단계에서는 최신 SLAM 논문을 읽고, 논문에서 제안하는 알고리즘을 구현하여 실습해보겠습니다. 최신 논문을 통해 SLAM 분야에서 최신 동향과 발전을 이해할 수 있습니다.1. 논문 선택 및 읽기최신 SLAM 논문을 선택하여 읽어보겠습니다. 여기에 추천하는 최신 논문 중 하나를 선택해 보겠습니다. 논문 추천: "ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM" 논문 다운로드: ORB-SLAM3 논문 논문을 다운로드하고 읽어보세요. 주요 내용은 다음과 같습니다:ORB-SLAM3의 개요와 특징Visual, Visual-Inertial, Multi-Map SLAM의 구현 방법실험 결과 및 성능 .. 2024. 6. 4. [SLAM] 7일차: Visual SLAM 이론과 실습 Visual SLAM 이론과 실습이번 단계에서는 Visual SLAM의 기본 이론을 배우고, 이를 적용한 간단한 실습을 진행하겠습니다.1. Visual SLAM 이론Visual SLAM (V-SLAM)은 카메라를 이용하여 로봇의 위치를 추정하고 지도를 생성하는 SLAM 방식입니다. V-SLAM은 주로 Monocular SLAM (단일 카메라), Stereo SLAM (이중 카메라), RGB-D SLAM (깊이 카메라)을 포함합니다. Visual SLAM의 주요 단계:특징 추출 (Feature Extraction): 이미지에서 특징점(Keypoints)을 추출특징 매칭 (Feature Matching): 다른 이미지의 특징점과 매칭모션 추정 (Motion Estimation): 카메라의 움직임을 추정지도 .. 2024. 6. 4. [SLAM] 6일차: Graph-Based SLAM 이론과 실습 Graph-Based SLAM 이론과 실습이번 단계에서는 Graph-Based SLAM의 기본 이론을 배우고, 이를 적용한 간단한 실습을 진행하겠습니다.1. Graph-Based SLAM 이론Graph-Based SLAM은 로봇의 위치와 지도를 그래프 형태로 표현하여 최적화하는 방식입니다. 노드는 로봇의 위치를 나타내고, 엣지는 센서 측정을 통해 얻어진 제약 조건을 나타냅니다.Graph-Based SLAM의 주요 단계:그래프 구성 (Graph Construction): 로봇의 위치와 센서 측정 데이터를 그래프 노드와 엣지로 표현최적화 (Optimization): 그래프 최적화 알고리즘을 사용하여 노드 위치를 최적화루프 클로저 탐지 (Loop Closure Detection): 로봇이 이전에 방문한 장소를.. 2024. 6. 4. [SLAM] 5일차: Particle Filter SLAM 이론과 실습 Particle Filter SLAM 이론과 실습이번 단계에서는 Particle Filter SLAM의 기본 이론을 배우고, 이를 적용한 간단한 실습을 진행하겠습니다.1. Particle Filter SLAM 이론Particle Filter SLAM은 로봇의 위치 추정을 위해 많은 수의 입자(particles)를 사용하는 방법입니다. 각 입자는 로봇의 가능한 위치를 나타내며, 입자 필터는 이 입자들의 가중치를 업데이트하여 위치를 추정합니다.Particle Filter SLAM의 주요 단계:초기화 (Initialization): 많은 수의 입자를 초기 상태로 설정예측 단계 (Prediction Step): 각 입자를 로봇의 모델에 따라 이동갱신 단계 (Update Step): 센서 데이터를 사용하여 각 입.. 2024. 6. 3. [SLAM] 4일차: TurtleBot3를 이용한 ROS와 Gazebo를 활용한 SLAM 실습 TurtleBot3를 이용한 ROS와 Gazebo를 활용한 SLAM 실습이번 단계에서는 TurtleBot3를 이용하여 ROS와 Gazebo에서 SLAM을 실행하고 시뮬레이션 환경에서 실습을 진행합니다.1. TurtleBot3 설치 및 환경 설정M2 Pro에서 ROS Noetic과 Gazebo가 이미 설치되어 있다고 가정하고, TurtleBot3 패키지를 설치합니다. 1. TurtleBot3 관련 패키지 설치mkdir -p ~/turtlebot3_ws/srccd ~/turtlebot3_ws/srcgit clone https://github.com/ROBOTIS-GIT/turtlebot3.gitgit clone https://github.com/ROBOTIS-GIT/turtlebot3_msgs.gitgit .. 2024. 6. 3. [SLAM] 3일차: EKF-SLAM (Extended Kalman Filter SLAM) 이론과 실습 EKF-SLAM (Extended Kalman Filter SLAM) 이론과 실습이번 단계에서는 EKF-SLAM의 기본 이론을 배우고, 이를 적용한 간단한 실습을 진행하겠습니다.1. EKF-SLAM 이론Extended Kalman Filter (EKF)는 비선형 시스템의 상태 추정을 위해 사용되는 필터입니다. EKF-SLAM은 로봇의 위치와 환경의 특징을 동시에 추정합니다.EKF-SLAM의 주요 단계:예측 단계 (Prediction Step): 로봇의 새로운 상태를 예측갱신 단계 (Update Step): 센서 데이터를 이용해 상태 추정 값을 갱신예측 단계 수식:상태 예측:여기서 x^k\hat{x}_kx^k는 예측된 상태, fff는 로봇의 운동 모델, uku_kuk는 제어 입력, wkw_kwk는 프.. 2024. 6. 3. [SLAM] 2일차: 학습 환경 설정 학습 환경 설정이번 단계에서는 SLAM 학습을 위한 환경을 설정합니다. M2 Pro MacBook을 사용하므로, 필요한 소프트웨어를 설치하고 설정하는 과정입니다.1. Homebrew 설치Homebrew는 macOS에서 패키지를 설치하고 관리하는 데 유용한 패키지 관리자입니다. 먼저 Homebrew를 설치합니다./bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" 2. ROS 설치ROS (Robot Operating System)는 로봇 소프트웨어 개발을 위한 오픈 소스 프레임워크입니다. M2 Pro에서는 ROS Noetic을 설치하는 것이 적합합니다. 1. Homebrew를 통해 ROS .. 2024. 6. 3. [SLAM] 1일차: SLAM 기본 개념 및 수학적 기초 1일차에는 SLAM의 기본 개념과 수학적 기초를 다루겠습니다.SLAM 기본 개념 및 수학적 기초1. SLAM의 기본 개념 이해**SLAM(Simultaneous Localization and Mapping)**은 로봇이 미지의 환경을 탐색하면서 자신의 위치를 추정하고 환경의 지도를 생성하는 문제를 해결하는 기술입니다. SLAM은 두 가지 주요 작업으로 구성됩니다:로컬라이제이션(Localization): 로봇이 자신의 위치를 추정하는 과정맵핑(Mapping): 로봇이 환경의 지도를 생성하는 과정SLAM의 주요 종류:EKF-SLAM (Extended Kalman Filter SLAM): 확장 칼만 필터를 사용하여 상태 추정Particle Filter SLAM: 입자 필터를 사용하여 여러 가설을 통해 상태 추.. 2024. 6. 3. 이전 1 다음 반응형
