Tech Knowledge Note

안녕하세요! ✨앞서 Day 24에서는 EKF를 활용한 비선형 상태 추정 실습을 진행했습니다.오늘은 자율주행차의 핵심 기술 중 하나인 LiDAR와 IMU 센서 융합을 실습해보겠습니다.🔍 LiDAR + IMU 융합의 필요성LiDAR: 고정밀 3D 위치/거리 측정 가능, 하지만 순간적인 움직임(고속 회전/가속)에 약함IMU: 가속도·각속도 정보를 빠르게 제공, 하지만 장기적으로 드리프트(누적 오차) 발생👉 따라서 두 센서를 융합하면:LiDAR → 위치 안정화IMU → 실시간 반응성 보완⚙️ ROS2에서 센서 융합 흐름LiDAR 노드 → /lidar_points 퍼블리시IMU 노드 → /imu_data 퍼블리시EKF Fusion 노드 → 두 데이터를 결합해 /fused_pose 퍼블리시🧑‍💻 Python..

안녕하세요! ✨앞서 Day 23에서는 확장 칼만필터(EKF)의 원리를 정리했습니다.오늘은 EKF를 실제로 구현해, 비선형 시스템 상태 추정이 어떻게 이루어지는지 실습해보겠습니다.🔍 EKF 실습 시나리오차량이 2D 평면에서 움직이고 있다고 가정상태 벡터: [x,y,v][x, y, v][x,y,v] (위치 x, 위치 y, 속도 v)센서:GPS → 위치(x, y) 제공 (노이즈 있음)IMU → 가속도 제공 (노이즈 있음)👉 EKF로 두 센서 데이터를 융합해 차량의 상태를 추정합니다.⚙️ Python EKF 구현 예제python import numpy as np # 초기 상태 [x, y, v] x = np.array([0.0, 0.0, 1.0]) P = np.eye(3) # 초기 공분산 dt = 1.0 ..

안녕하세요! ✨앞서 Day 22에서는 Python으로 1D 칼만필터 구현을 해봤습니다.오늘은 그 한계를 넘어, 비선형 시스템에서도 활용 가능한 확장 칼만필터(EKF: Extended Kalman Filter) 를 소개합니다.🔍 왜 EKF가 필요한가?기본 칼만필터(KF)는 선형 시스템에서만 최적의 성능을 발휘합니다.하지만 실제 자율주행 환경은 대부분 비선형 시스템입니다.차량의 이동 (x, y 좌표 변환)GPS 좌표 → 차량 위치 변환레이더 측정(거리, 각도) → 차량 속도 추정👉 이런 상황에서는 EKF(Extended Kalman Filter) 가 필요합니다.⚙️ EKF 기본 아이디어KF 수식에서 선형 행렬(A, H) 대신, 비선형 함수 f(·), h(·) 를 사용합니다.예측과 업데이트 과정에서 Jac..