Tech Knowledge Note

안녕하세요! ✨앞서 Day 27에서는 Particle Filter 구현 실습을 진행했습니다.오늘은 자율주행의 핵심 기술 중 하나인 LiDAR와 Camera 융합을 살펴보고, 특히 Feature Matching을 통해 두 센서 데이터를 정렬·결합하는 과정을 학습하겠습니다.🔍 왜 LiDAR + Camera 융합인가?LiDAR: 정밀한 거리 및 3D 점군 데이터 제공Camera: 풍부한 색상·텍스처·객체 인식 가능👉 두 센서를 융합하면:LiDAR → 정확한 거리 정보Camera → 의미 있는 시각적 특징결과: 객체를 더 정확하게 인식하고 3D 공간에서 시각적으로 매핑 가능⚙️ Feature Matching 개념카메라 영상에서 특징점(Feature Point) 을 추출 (예: SIFT, ORB, SURF)L..

안녕하세요! ✨앞서 Day 26에서는 Particle Filter 개념을 학습했습니다.오늘은 실제로 Particle Filter를 Python으로 구현해보고, 간단한 위치 추정 실습을 진행해보겠습니다.🔍 Particle Filter 구현 목표1D 또는 2D 환경에서 차량의 위치를 추정GPS와 같은 noisy 관측값을 기반으로 상태 보정여러 개의 입자를 활용해 분포 기반 추정을 수행🧑‍💻 Python 코드 예제python import numpy as np import matplotlib.pyplot as plt # 파라미터 설정 N = 1000 # 입자 개수 T = 20 # 시뮬레이션 스텝 true_pos = 0.0 true_vel = 1.0 # 초기 입자 (무작위) particles = np..

안녕하세요! ✨앞서 Day 25에서는 LiDAR + IMU 센서 융합 실습을 진행했습니다.오늘은 비선형·비가우시안 환경에서도 강력한 성능을 보이는 Particle Filter(입자 필터) 개념을 학습해보겠습니다.🔍 Particle Filter란?Particle Filter는 확률적 샘플링 기반 필터로, 시스템의 상태를 추정하기 위해 다수의 "입자(Particle)"를 사용합니다.Kalman Filter: 가우시안 분포(정규분포) 가정Extended/Unscented Kalman Filter(EKF/UKF): 비선형 모델 근사 가능Particle Filter: 분포의 모양에 제한이 없음 (비가우시안도 처리 가능)👉 따라서 복잡한 환경에서 자율주행차, 로봇, 드론의 위치 추정(SLAM) 등에 널리 쓰입니..