지상 차량에 적용되는 학습: 컴퓨터 비전 학습을 통한 지상 차량 성능 향상
By Fouad Sabry
()
About this ebook
지상 차량에 적용되는 학습이란 무엇입니까?
2004년부터 2008년까지 운영된 지상 차량에 적용되는 학습 (LAGR) 계획은 로봇 무인 지상 차량(UGV)의 자율적, 인식 기반 오프로드 탐색 개발을 가속화할 목적으로 설계되었습니다. 미국 국방부 산하 연구 기관인 국방고등연구사업단 가 지상 차량에 적용되는 학습 에 자금을 지원했습니다.
당신이 얻을 수 있는 혜택
(I) 다음 주제에 대한 통찰력 및 검증:
1장: 국방고등연구사업단 지상 차량에 적용되는 학습 프로그램
2장: 국방고등연구사업단
3장: 자율 로봇
4장: 군용 로봇
5장: 국방고등연구사업단 그랜드 챌린지
6장: 무인 지상 차량
7장: 유럽의 육상 로봇 실험
8장: 이동식 로봇
9장: 크러셔(로봇)
10장: 국립로봇공학센터
(II) 지상 차량에 적용되는 학습에 관한 대중의 주요 질문에 답합니다.
(III) 다양한 분야에서 지상 차량에 적용된 학습 사용에 대한 실제 사례.
이 책은 누구를 위한 책인가
전문가, 학부생 및 대학원생, 매니아, 취미생활자, 지상 차량에 적용되는 모든 종류의 학습에 대한 기본 지식이나 정보를 넘어서고 싶은 사람들.
Read more from Fouad Sabry
자율 사물의 새로운 기술 [Korean]
Related to 지상 차량에 적용되는 학습
Titles in the series (100)
이미지 히스토그램: 시각적 통찰력 공개, 컴퓨터 비전의 이미지 히스토그램 깊이 탐색 Rating: 0 out of 5 stars0 ratings소음 감소: 선명도 향상, 컴퓨터 비전의 노이즈 감소를 위한 고급 기술 Rating: 0 out of 5 stars0 ratings감마 보정: 컴퓨터 비전의 시각적 선명도 향상: 감마 보정 기술 Rating: 0 out of 5 stars0 ratings수중 컴퓨터 비전: 파도 밑에서 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings인간 시각 시스템 모델: 인식 및 처리 이해 Rating: 0 out of 5 stars0 ratings색 공간: 컴퓨터 비전의 스펙트럼 탐색 Rating: 0 out of 5 stars0 ratings레티넥스: 레티넥스 를 통해 컴퓨팅 비전의 비밀을 밝히다 Rating: 0 out of 5 stars0 ratings호모그래피: 호모그래피: 컴퓨터 비전의 변화 Rating: 0 out of 5 stars0 ratings인페인팅: 컴퓨터 비전의 격차 해소 Rating: 0 out of 5 stars0 ratings이방성 확산: 이방성 확산을 통한 이미지 분석 향상 Rating: 0 out of 5 stars0 ratings컴퓨터 시각 인식: 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings활성 윤곽: 능동 윤곽 기술을 통한 컴퓨터 비전의 발전 Rating: 0 out of 5 stars0 ratings톤 매핑: 톤 매핑: 컴퓨터 비전의 관점 밝히기 Rating: 0 out of 5 stars0 ratings윤곽선 감지: 컴퓨터 비전의 시각적 인식 기술 공개 Rating: 0 out of 5 stars0 ratings시각적 인식: 컴퓨터 시각적 처리에 대한 통찰력 Rating: 0 out of 5 stars0 ratings적응형 필터: 적응 필터링을 통해 컴퓨터 비전 향상 Rating: 0 out of 5 stars0 ratings공동 사진 전문가 그룹: JPEG 표준으로 시각적 데이터의 힘 활용 Rating: 0 out of 5 stars0 ratings히스토그램 균등화: 향상된 시각적 인식을 위한 이미지 대비 향상 Rating: 0 out of 5 stars0 ratings라돈 변환: 시각적 데이터에 숨겨진 패턴 밝히기 Rating: 0 out of 5 stars0 ratings아핀 변환: 시각적 관점 잠금 해제: 컴퓨터 비전의 아핀 변환 탐색 Rating: 0 out of 5 stars0 ratings캐니 엣지 감지기: 시각적 인식의 예술 공개 Rating: 0 out of 5 stars0 ratings컴퓨터 스테레오 비전: 컴퓨터 비전의 깊이 인식 탐구 Rating: 0 out of 5 stars0 ratings필터 뱅크: 컴퓨터 비전의 필터 뱅크 기술에 대한 통찰력 Rating: 0 out of 5 stars0 ratings색상 외관 모델: 컴퓨터 비전의 인식 및 표현 이해 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings컬러 매칭 기능: 컴퓨터 비전의 스펙트럼 감도 이해 Rating: 0 out of 5 stars0 ratings하다마드 변환: 컴퓨터 비전에서 아다마르 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings컬러 모델: 컴퓨터 비전의 스펙트럼 이해: 색상 모델 탐색 Rating: 0 out of 5 stars0 ratings무작위 표본 합의: 컴퓨터 비전의 강력한 추정 Rating: 0 out of 5 stars0 ratings기하학적 해싱: 이미지 인식 및 매칭을 위한 효율적인 알고리즘 Rating: 0 out of 5 stars0 ratings
Related ebooks
차량 인프라 통합: 컴퓨터 비전을 통해 통찰력과 발전을 이루다 Rating: 0 out of 5 stars0 ratings증강 현실: 증강 현실에서 컴퓨터 비전의 개척지 탐험 Rating: 0 out of 5 stars0 ratings자동 타겟 인식: 표적 인식을 위한 컴퓨터 비전 기술의 발전 Rating: 0 out of 5 stars0 ratings합성 보기: 컴퓨터 비전의 관점 탐구 Rating: 0 out of 5 stars0 ratings교통표지판 인식: 컴퓨터 비전의 힘 활용 Rating: 0 out of 5 stars0 ratings스마트 카메라: 컴퓨터 비전을 통한 시각적 인식의 혁명 Rating: 0 out of 5 stars0 ratings광학 점자 인식: 시각적 지능을 통한 접근성 강화 Rating: 0 out of 5 stars0 ratings모바일 매핑: 컴퓨터 비전으로 공간 지능 잠금 해제 Rating: 0 out of 5 stars0 ratings플라잉 카: 미래는 생각보다 가깝다 Rating: 0 out of 5 stars0 ratings자율 철도 고속 운송: 자율주행 무궤도 버스 Rating: 0 out of 5 stars0 ratings홍채인식: 컴퓨터 비전의 홍채 인식에 대한 관점 조명 Rating: 0 out of 5 stars0 ratings백트레인: 상하이에서 런던까지 기차로 1시간 만에 이동 Rating: 0 out of 5 stars0 ratings이온 추진 항공기: 추진 시스템에 움직이는 부품이 없습니다. Rating: 0 out of 5 stars0 ratings호버바이크: 비행 오토바이가 공식적으로 출시되었습니다! Rating: 0 out of 5 stars0 ratings입자 필터: 컴퓨터 비전의 입자 필터 탐색 Rating: 0 out of 5 stars0 ratings유체 비행 제어: 조종면 없이 구르고 피칭하는 미래 항공 Rating: 0 out of 5 stars0 ratings대기 위성: 원격 지역에 인터넷 액세스를 제공하는 태양열 드론 Rating: 0 out of 5 stars0 ratings라이파이: 일관된 고속 광 기반 네트워킹 Rating: 0 out of 5 stars0 ratings소프트웨어 정의 라디오: 소프트웨어 정의 라디오가 없으면 5G의 약속은 전혀 달성되지 않을 수 있습니다. Rating: 0 out of 5 stars0 ratings그라운드 이펙트 트레인: 지면 위를 몇 인치 날아가는 에어로 트레인 Rating: 0 out of 5 stars0 ratings4세대 원자로: 기존 원전의 단점 극복 Rating: 0 out of 5 stars0 ratings교통 단속 카메라: 교통 단속 카메라를 위한 컴퓨터 비전의 발전 Rating: 0 out of 5 stars0 ratings모바일 협업: 미래의 직장, 그리고 모바일과 협업의 업무 방식에 대한 관점 Rating: 0 out of 5 stars0 ratings로봇 보조 수술: 보다 정밀하고 유연하며 제어 가능한 복잡한 수술 수행 Rating: 0 out of 5 stars0 ratings자기 부상: 지금까지 만들어진 가장 빠른 기차의 완전한 물리학 Rating: 0 out of 5 stars0 ratings클로킹 장치: 투명 망토는 실현 가능할 뿐만 아니라 빠르게 현실화되고 있습니다. Rating: 0 out of 5 stars0 ratings이미지 수집 탐색: 컴퓨터 비전의 시각적 풍경 공개 Rating: 0 out of 5 stars0 ratings퓨전 로켓: 인간을 화성에 보내는 일에 한 걸음 더 가까이 Rating: 0 out of 5 stars0 ratings광학 컴퓨팅: 광자 프로세서는 기계 학습을 혁신하고 훨씬 낮은 에너지 수요로 번개처럼 빠른 계산 속도를 약속합니다. Rating: 0 out of 5 stars0 ratings역방향 이미지 검색: 시각적 인식의 비밀을 풀다 Rating: 0 out of 5 stars0 ratings
Reviews for 지상 차량에 적용되는 학습
0 ratings0 reviews
Book preview
지상 차량에 적용되는 학습 - Fouad Sabry
1장: DARPA LAGR 프로그램
2004년부터 2008년까지 지속된 LAGR(Learning Applied to Ground Vehicles) 프로그램은 로봇 무인 지상 차량(UGV)에서 자율적이고 인식 기반의 오프로드 내비게이션을 촉진하는 것을 목표로 했습니다. 미국 국방부의 연구 기관인 DARPA는 LAGR을 지원했습니다.
모바일 로봇(예: Shakey)은 1960년대부터 존재해 왔지만 실외, 오프로드 및 수많은 장애물이 있는 지형을 이동할 수 있는 로봇 개발의 진전은 점진적이었습니다. 실제로 진행 상황을 모니터링하기 위한 정의된 기준이 없었습니다. 별도의 연구팀은 리허설을 거치지 않은 정부 테스트에서 로봇 자동차를 배치하여 넓은 간격의 웨이포인트가 있는 설정된 트랙을 따라 평균 속도와 필요한 운전자 개입 횟수를 모니터링했습니다. 이러한 테스트를 통해 오프로드 내비게이션과 관련된 엄청난 어려움이 드러났습니다. 21세기로 접어들면서 PerceptOR 차량에는 최첨단 센서와 알고리즘이 장착되었지만, 인식 기술의 제한된 범위로 인해 자연적인 막다른 골목에 갇히게 되었습니다. 또한 미리 결정된 행동에 의존하기 때문에 예상치 못한 사건에 적응하지 못했습니다. 장애물이 거의 없는 기본적으로 개방된 지형이나 비포장 도로를 제외하고는 PerceptOR 차량은 반복적이고 빈번한 운전자의 도움 없이는 탐색할 수 없었습니다.
LAGR 이니셔티브는 PerceptOR 테스트에서 나타난 기술적 문제를 해결하면서 PerceptOR 기술을 확장하는 것을 목표로 했습니다.
LAGR의 주요 목표는 UGV의 오프로드 내비게이션을 가속화하는 것이었습니다. 추가적인 시너지 효과 목표에는 (1) 구조화되지 않은 환경에서 작동하는 자율 로봇의 진행 상황을 측정하기 위한 벤치마킹 방법론 수립, (2) 머신 비전을 발전시켜 장거리 인식을 가능하게 하는 것, (3) 최첨단 UGV 연구에 기여할 수 있는 기관 및 개인의 수를 늘리는 것이 포함되었습니다.
LAGR 프로그램은 새로운 하드웨어에 초점을 맞추는 대신 로봇의 인식 및 제어를 위한 새로운 과학 개발을 강조하기 위한 것이었습니다. 따라서 경쟁 팀의 구성원인 LAGR 연구원들에게 알고리즘 개발에 집중할 수 있도록 동일하고 비교적 간단한 로봇을 제공하기로 결정했습니다. 각 팀에는 표준 설계의 로봇 두 대가 제공되었습니다. 그들은 이 로봇을 위한 새로운 소프트웨어를 만든 다음 코드를 정부 테스트 팀에 보냈고, 정부 테스트 팀은 여러 테스트 과정에서 정부 로봇에 대한 소프트웨어를 테스트했습니다. 이 코스는 미국 전역에 흩어져 있었고 이전에는 팀에게 알려지지 않았습니다. 이러한 방식으로 모든 팀의 코드를 거의 동일한 조건에서 테스트할 수 있습니다. 초기 출시 후 코드 개발/테스트 주기는 한 달에 한 번 정도 반복되었습니다.
카네기 멜론 대학교 국립 로봇 공학 센터 (CMU NREC)의 공식 웹 사이트에서 표준 로봇을 만들고 제작했습니다.
차량의 컴퓨터에는 CMU NREC가 PerceptOR 프로그램을 위해 만든 것과 본질적으로 동일한 시스템인 모듈식 Baseline
인식 및 내비게이션 시스템이 사전 로드되어 있었으며 LAGR이 시작될 때 최첨단을 대표하는 것으로 간주되었습니다.
Baseline 시스템의 모듈화 덕분에 연구원들은 Baseline 코드의 일부를 자체 모듈로 대체할 수 있었고 완전히 새로운 내비게이션 시스템을 개발하지 않고도 완전한 기능을 갖춘 내비게이션 시스템을 유지할 수 있었습니다.
예를 들어, 그들은 다른 모든 변수를 일정하게 유지하면서 자신의 장애물 감지 모듈의 성능을 기준 코드의 성능과 비교할 수 있었습니다.
또한 기준선 코드는 모든 소프트웨어 환경에서 언제든지 팀의 코드를 기준선 코드와 비교할 수 있는 지속적인 참조 역할을 했습니다.
이러한 빠른 주기는 정부 팀과 공연 팀에게 즉각적인 정보를 제공했으며, 정부 팀은 특정 인식 과제에서 연주자를 밀어붙이고 공연자의 현재 능력을 지배하지는 않지만 연주자에게 도전할 것으로 예상되는 난이도를 가진 시험 과정을 구축할 수 있었습니다.
각 테스트에서는 팀이 새 코드를 제출하도록 요구하지 않았지만 일반적으로 제출했습니다.
이러한 관용에도 불구하고 일부 팀은 빠른 테스트 주기가 장기적인 개발에 해롭다고 생각했고 테스트 사이에 더 긴 휴식 시간을 선호했습니다.
2단계로 진행하기 위해 각 팀은 최종 3개의 1단계 정부 테스트를 통과하기 위해 기준 코드를 수정해야 했으며, 평균적으로 팀의 코드를 실행하는 로봇은 원래 기준 코드를 실행하는 로봇보다 최소 10% 더 빨랐습니다.
이 다소 겸손한 Go/No Go
지표는 팀이 프로그램의 첫 18개월 동안 완전히 개발되지 않을 수 있는 위험하지만 잠재적인 기술을 선택할 수 있도록 하기 위해 선택되었습니다.
여덟 팀 모두 이 통계를 충족했으며, 2단계의 목표는 이후 테스트에서 베이스라인의 두 배 속도를 달성하는 것이었고 소수가 이를 달성했습니다.
1단계 진출/불합격 기준은 각 팀이 고정된 수의 2단계 슬롯을 놓고 경쟁하지 않도록 설계되었으며, 8개에서 0개까지 자격을 갖춘 모든 팀이 시험을 통과할 수 있습니다.
이 DARPA 방법은 팀 간의 협력과 코드 교환을 촉진하기 위한 것입니다.
LAGR의 첫 18개월인 1단계에서는 8개 팀이 성과자로 확인되었습니다. 이 팀들은 Applied Perception(PI Mark Ollis), Georgia Tech(PI Tucker Balch), Jet Propulsion Laboratory(PI Larry Matthies), Net-Scale Technologies(PI Uri Muller), NIST(PI James Albus), Stanford University(PI Sebastian Thrun), SRI International(PI Robert Bolles) 및 University of Pennsylvania(PI Daniel Lee)를 대표했습니다.
스탠포드 팀은 1단계가 끝날 무렵 DARPA 그랜드 챌린지를 진행하기 위해 떠났습니다. 콜로라도 대학교 볼더 팀(PI Greg Grudic)으로 대체되었습니다. 또한 2단계 동안 NIST 팀은 경쟁에서 물러나고 각 팀의 최고의 소프트웨어 구성 요소를 단일 솔루션으로 결합하는 데 집중했습니다. 로저 보스텔만(Roger Bostelman)이 이 노력의 리더가 되었다.
대략 식료품점 쇼핑 카트 크기인 LAGR 차량은 조작하기 쉽도록 설계되었습니다. 미국 국방고등연구계획국(DARPA)의 자매 이니셔티브인 Learning Locomotion은 정교한 모터 제어를 다루었습니다. 배터리로 구동되었으며 앞쪽에 독립적으로 구동되는 두 개의 휠체어 모터와 뒤쪽에 두 개의 캐스터 휠이 있습니다. 앞바퀴가 같은 방향으로 회전하면 로봇을 앞뒤로 추진할 수 있습니다. 이 바퀴가 다른 방향으로 추진될 때 로봇이 회전했습니다.
LAGR 차량의 가격은 30,000달러에 달하며, 이전에 DARPA 로봇 프로그램에 참여했던 연구원 풀을 확장하기 위해 여러 팀으로 분산할 수 있는 함대를 건설할 수 있었습니다. 이 차량의 최고 속도는 시속 약 3마일이고 무게는 100kg으로 비교적 적기 때문에 과거의 자율 지상 차량 이니셔티브에 사용된 차량에 비해 안전 위험이 현저히 낮았기 때문에 각 팀이 로봇을 처리하는 데 필요한 자금이 크게 줄었습니다.
그럼에도 불구하고 LAGR 차량은 고도로 발전된 기계였습니다. 그들의 센서 제품군은 두 세트의 스테레오 카메라, 가속도계, 범퍼 센서,