9._.coding

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.Parameter Initialization시뮬레이션 환경에서 초기 parameter가 많아 설계 과정의 복잡성을 해결하기 위한 방법Procedural Generation초기 매개변수를 알고리즘으로 생성하는 방식rule, huristic, randomization을 결합해 다양한 도로망, 교통 패턴, 조명 조건, object placement를 만듦.비디오 게임 및 시뮬레이션에서 널리 사용되며, fully manual design보다 효율적.신뢰성 있는 생성을 위해 algorithm과 parameter의 pre-define 필요시간이 많이 소요되고 전문가의 지식이 필요함.Data-..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다.BenchmarkingReal-world초기 자율주행 벤치마킹은 실제 환경 평가에서 시작.DARPA자율주행 경주 시리즈.240km의 모하비 사막 경로를 자율적으로 주행.100만 달러의 상금을 걸었으나 성공하지 못함.DARPA Urban Challenge차량이 교통법을 준수하며 장애물을 피하고 96km의 가상 도시 코스 주행LiDAR 센서와 같은 자율주행 기술 발전을 이끌어냄.MCity자율주행차 테스트를 위한 대규모 제어된 실세계 환경을 설립.데이터와 차량 부족으로 인해 학계에서는 엔드투엔드 시스템에 이 환경을 널리 활용하지 못했습니다.산업체는 알고리즘 개선을 벤치마킹하기 위해 실세..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다. Imitation Learning (IL)Expert action을 모방하여 에이전트가 정책(policy)을 학습하는 방법.핵심 개념: 전문가가 주행하며 만든 궤적 데이터를 기반으로 학습.목표: agent policy $\pi$가 expert_policy $\pi_\beta$와 일치하도록 학습.출력 형태: 계획된 궤적(trajectory) 또는 제어 신호(control signals).Supervised Learningopen-loop 형태의 평가가 적절.데이터조향각 제어 같은 라벨 달린 reference data 필요보지 못한 상황에 노출되면 distribution 정보가 학습..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다. E2E 자율주행의 발전 과정 및 연구 동향ALVINN (1988)카메라와 레이저 거리 측정 데이터를 기반으로 한 초기 신경망 모델.이후 NVIDIA는 GPU 컴퓨팅 시대에 맞춰 해당 개념을 부활시켜 엔드 투 엔드 CNN 시스템을 개발했습니다.E2E 기반 자율주행 시스템 연구 진행 (~2018)Imitation Learning과 Reinforcement Learning의 발전으로 자율주행 기술이 크게 향상.Imitation Learning에서는 (sensor-control) direct policy learning으로 자율주행 모델을 학습함.상대적으로 모델 구현이 간단하며, Bbo..

시스템을 모듈화하지 않고 센서 입력부터 제어출력까지 단일 신경망을 통해 시스템을 개발하는 방식엔드 투 엔드(E2E) 자율주행 시스템은 기존의 모듈화된 자율주행 시스템과는 달리, 센서 입력에서 제어 출력까지 하나의 신경망을 통해 학습 및 최적화하는 방식.인지(Perception), 예측(Prediction), 계획(Planning), 제어(Control) 등 자율주행의 전 과정을 통합적으로 처리함.조금 더 직관적이고 인간 운전자가 운전을 하는 방식과 유사하게 자율주행을 수행한다고 볼 수 있음.모듈러 자율주행과의 차이점 개념 및 구조e2e 방식은 구성 요소 간 feature representation을 회색 화살표처럼 전달하고, loss는 빨간 화살표로 표시한 역전파를 통해 최소화됨. 이 과정에서 작업이 공..

End-to-End Autonomous Driving과 관련된 다양한 게시물은Introduction에서 확인하실 수 있습니다. 자율주행 전체 시스템을 여러 개의 모듈로 나누어 특정 작업을 수행하도록 설계한 방식.모듈: 독립적인 기능 단위 특징학계 및 산업계(Waymo, Zoox HMC 등)을 중심으로 모듈화 된 자율주행 시스템 개발이 활발함.일반적으로 Perception-Prediction-Planning-Control로 구성된 단계적 구조를 가짐.한 모듈의 출력이 다음 모듈의 입력으로 전달되어 전체 시스템을 완성.각각의 모듈은 특정한 목적함수를 기준으로 학습 및 작동.주행 경험을 결정짓는 중요한 역할은 조향 및 가속 출력 생성 계획 및 제어 모듈이 담당.작업 예시:감지: 객체 탐지(Object Dete..

자율주행 전체 시스템을 여러 개의 모듈로 나누어 특정 작업을 수행하도록 설계한 방식인End-to-End 자율주행 방식에 대한 링크들을 정리해 놓았습니다. 모듈러 자율주행 End-to-End Autonomous Driving- 개념 및 특징- 발전과정- 학습 방법 Benchmarking- 개요- Closed-loop: Parameter Initialization / Traffic Simulation- Closed-loop: Sensor Simulation / Vehicle Dynamics Simulation / Benchmarks Challenges- Sensing / Sensor-fusion / Input Modalities- Visual Abstraction / Representation Learnin..

(추후 수정 예정) Architecture input: 32x32 image (실제 이미지는 28x28 이지만 corner나 edge 같은 특징이 receptive field의 중앙 부분에 나타나길 원하기 때문에 이렇게 설정함.) C : Convolution layer | S: Sub-sampling (average pooling) | Fully-connected layer input size → process → output size C1: 32x32x6 → 5x5 filter 6개를 사용해 28x28 size feature map 6개 생성 → 28x28x6 S2: 28x28x6 → 2x2 filter 6개를 사용해 14x14 size feature map 6개 생성 → 14x14x6 C3: 14x1..

CNN이 등장하기 전까지, 컴퓨터 비전 분야에서는 fully connected neural net을 사용해 task를 해결했습니다. 그러다 fully connected neural net의 단점을 커버하고, 더 높은 성능을 보이는 CNN이 등장하고 많은 컴퓨터 비전 문제의 backbone이 되었습니다. 하나의 특징을 뽑기 위해 이미지의 전체를 검사하는 fully connected neural net에서 벗어나, 이미지의 공간적인 특성을 고려하여 국부적인 영역만 connection을 고려하는 locally connected neural net 채용된 것입니다. 이러한 방식으로 인해, → 필요한 파라미터가 획기적으로 감소. → connection을 공유해서 전영역을 순회하며 feature를 추출함. → ov..

카메라에 들어오는 조명은 전압으로 변환되고 이를 디지털화하여 디지털 이미지 생성.카메라에 들어오는 조명은 전압으로 변환되고 이를 디지털화하여 디지털 이미지 생성. Imaging 아날로그에서 디지털 형태로 신호 변환. Sampling: 좌표값을 디지털화하는 것. Quantization: 진폭값을 디지털화하는 것. Sampling Undersampling sample 사이에 어떤 것을 놓침. 정보 손실. 저주파/고주파와 구분할 수 없음 Aliasing 다른 주파수로 변장하여 이동하는 신호 원래 주파수에 비해 높거나 낮게 표현될 수 있음 샘플링 과정에서 변형이 생김. “traveling in disguise” In image In video 휠이 돌아가는 장면을 촬영할 때 멈추거나 뒤로 거꾸로 돌아가는 것 같..