회원님의 블로그를 잘 설명하는 이름

이 글은 Sebastian thrun의 Probabilistic Robotics를 보고 내용을 정리한 글이며, 나름 쉽게 표현하기 위해서 의역을 한 부분이 있습니다. 1. 기본 알고리즘(Basic Algorithm) 파티클 필터(particle filter)는 nonparametric 한 베이즈 필터의 실행을 대체하기 위한 방법입니다(parametric 하다는 것은 어떤 모델임을 상정하는 것입니다. 예를 들어 "어떠한 분포가 가우시안 분포를 따를 것이다." 이런 식으로 말입니다. non-paramatic 하다는 것은 반대로 어떤 모델인지 상정하지 않는 것입니다.) 히스토그램 필터처럼, 파티클 필터는 사후 확률을 유한한 숫자의 파라미터들에 의해 근사화합니다. 파티클 필터의 중요한 아이디어는 사후 확률 $b..

이 글은 Sebastian thrun의 Probabilistic Robotics를 보고 내용을 정리한 글이며, 나름 쉽게 표현하기 위해서 의역을 한 부분이 있습니다. ​ 1. 왜 선형화를 하는가?(Why Linearize?) 관측값들이 상태(state)의 선형 함수라는 것과 다음 상태가 이전 상태의 선형 함수라는 가정은 칼만 필터(Kalman Filter)에서의 보정(correctness)에 있어 매우 중요합니다. 3.2절에서 설명했듯이, 입력값(input)들은 가우시안 분포를 갖는 노이즈를 포함한다고 가정하였습니다. 그림 3.3은 1차원 가우시안 변수의 선형 및 비선형 변환을 나타낸 그림입니다. 오른쪽 아래의 그래프는 분포 $N(x; \mu, \sigma ^2)$를 따르는 랜덤 변수 $X$의 확률 밀도..

이 글은 Sebastian thrun의 Probabilistic Robotics를 보고 내용을 정리한 글이며, 나름 쉽게 표현하기 위해서 의역을 한 부분이 있습니다. ​ 앞으로 포스팅 시 가우시안 분포와 정규분포를 혼용해서 사용하는데, 같은 의미로 생각하시면 됩니다. 밀도와 확률밀도 또한 혼용해서 사용하는데, 이 또한 같은 의미로 생각하시면 됩니다. 칼만 필터의 유도 과정은 생략하였습니다. 1. 선형 가우시안 시스템(Linear Gaussian Systems) 칼만 필터는 Swerling과 Kalman에 의해 발명되었으며, 선형 가우시안 시스템에서 필터링과 예측(predcition)을 하기 위한 테크닉입니다. 칼만 필터는 belief 계산을 연속적인 상태(continuous state)에서 시행합니다. ..

이 글은 Sebastian thrun의 Probabilistic Robotics를 보고 내용을 정리한 글이며, 나름 쉽게 표현하기 위해서 의역을 한 부분이 있습니다. ​ 1. 상태(State) 환경(Environment) 은 상태(state)에 의해 나타내어집니다. 즉, 이렇게 생각하면 됩니다. 상태란, 미래(future)에 영향을 줄 수 있는 로봇과 그 환경의 모든 양상(aspect)입니다. ​ 몇몇 상태 변수(variable)는 시간에 따라 바뀌는데, 예를 들면 로봇 근처의 사람이라든지 뭐 이런 걸 생각하시면 됩니다. 반면, 변하지 않고 정적인(static) 상태가 있는데, 예를 들면 벽이나 건물 같은 이런 것을 말합니다. 이렇게 바뀌는 상태를 동적 상태(dynamic state)라고 하고, 바뀌지 ..