Tech Knowledge Note

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..

안녕하세요! ✨앞서 Day 21에서는 칼만필터(Kalman Filter)의 수학적 유도를 정리했습니다.오늘은 한 단계 더 나아가, Python 코드로 1차원 칼만필터를 직접 구현해보겠습니다.🔍 1D 칼만필터 개념1차원 칼만필터는 위치 하나의 값만 추정한다고 가정합니다.예: 센서가 noisy하게 차량 위치를 측정할 때, 칼만필터로 잡음을 줄이고 추정값을 얻을 수 있습니다.⚙️ Python 코드 예제 python import numpy as np import matplotlib.pyplot as plt # 측정값(노이즈가 섞인 센서 데이터) 시뮬레이션 np.random.seed(0) true_value = 10.0 measurements = true_value + np.random.normal(0, 2, ..

안녕하세요! ✨앞서 Day 20에서는 ROS2 환경에서 센서 데이터 융합 실습을 진행했습니다.오늘은 센서 융합의 핵심 알고리즘인 Kalman Filter(칼만 필터) 의 수학적 유도 과정을 단계별로 정리해보겠습니다.🔍 Kalman Filter란?Kalman Filter는 불확실한 데이터를 기반으로 최적의 상태를 추정하는 알고리즘입니다.자율주행에서는 LiDAR, Camera, Radar 같은 센서 데이터를 결합해 차량의 위치, 속도, 궤적 등을 추정하는 데 널리 사용됩니다.⚙️ Kalman Filter의 단계Kalman Filter는 크게 두 단계로 나눌 수 있습니다.예측 단계 (Prediction)시스템 모델을 기반으로 현재 상태를 예측x : 상태 벡터 (위치, 속도 등)P : 공분산 행렬 (불확실성)..

안녕하세요! ✨앞서 Day 19에서는 Kalman Filter를 활용한 센서 퓨전 개념을 소개했습니다.오늘은 ROS2 환경에서 LiDAR와 Camera 센서를 융합하는 간단한 실습을 진행해보겠습니다.🔍 센서 융합 실습 개요자율주행차는 하나의 센서만 사용하지 않고, 여러 센서 데이터를 동시에 받아들여 융합합니다.ROS2에서는 이 과정을 노드(Node)와 토픽(Topic)을 통해 구현할 수 있습니다.LiDAR → 장애물의 3D 위치 정보Camera → 시각적 객체 인식 정보융합 → Camera가 인식한 객체를 LiDAR의 거리 정보와 결합해 더 정확한 결과 생성⚙️ ROS2 센서 융합 흐름도LiDAR 노드 → /lidar_points 토픽 퍼블리시Camera 노드 → /camera_detections 토픽..

안녕하세요! ✨앞서 Day 18에서는 LiDAR, Camera, Radar의 장단점 비교를 정리했습니다.오늘은 이들 센서를 효과적으로 융합하는 핵심 기술, 센서 퓨전(Sensor Fusion) 과 대표 알고리즘인 Kalman Filter 를 소개하겠습니다.🔍 센서 퓨전이란?센서 퓨전은 여러 센서의 데이터를 결합해 더 정확하고 신뢰성 있는 정보를 추출하는 기법입니다.LiDAR → 정밀한 3D 지도Camera → 시각적 인식(차선, 표지판)Radar → 속도와 거리 측정👉 각각의 센서 단점을 보완하고, 장점을 극대화할 수 있습니다.예: Radar + Camera → 속도 + 객체 인식 동시 확보⚙️ Kalman Filter의 기본 개념Kalman Filter(칼만 필터)는 센서 퓨전에서 가장 널리 사용되..