Tech Knowledge Note

안녕하세요! ✨앞서 우리는 개별 센서들의 원리와 Python/ROS2 실습을 통해 센서 융합 단계를 하나씩 배워왔습니다.오늘은 이를 종합해, ROS2 기반 센서 융합 프로젝트를 설계하고 구현하는 방법을 정리해보겠습니다.🔍 프로젝트 목표LiDAR, Camera, Radar, IMU 데이터를 ROS2에서 동시에 구독EKF 기반 센서 융합으로 차량의 위치, 속도, 객체를 추정RViz2에서 통합된 결과를 시각화👉 실제 자율주행 소프트웨어 스택의 축소판 프로젝트로 이해하면 됩니다.⚙️ ROS2 프로젝트 구조css sensor_fusion_ws/ └── src/ ├── lidar_node/ ├── camera_node/ ├── radar_node/ ├── imu_no..

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..