1. 인공지능/(2) 기본이론 (자율주행, 제어)10 MPPI 제어를 이해하기 위한 배경지식 Affine Transformation : 선형곱에 bias를 추가하는 Wx+b 변환 방식 HJB(Hamilton-Jacobi-Belman theory) 마르코프 체인 (Markob Chain) : 시간이 지남에 따라 현재 상태가 다른 상태로 변화는 과정을 확률로 표현 몬테카를로 시뮬레이션 : 난수를 이용해 복잡한 문제를 근사적으로 해결하는 방법 : 전체적인 절차는 (1) 랜덤 입력값의 확률 분포 선정, (2) 모델에 입력값 투입, (3) 계산 결과를 해석하여 원하는 값 도출 : 예를들어 랜덤 입력을 넣어서 최적해 추정, 원 넓이 추정 등 : 입력값의 범위와 분포, 랜덤 샘플의 개수 등을 잘 설정하는 것이 중요 Importance Sampling : 샘플링의 효율을 높이기 위해 관심(importance).. 2024. 8. 27. MPPI 수학적 표현 이해 확률최적제어는 차원이 높아 최적화를 적용하기에 제약이 있었음. 그래서 샘플링 기반 최적화로 문제를 우회하는 경로적분제어 방법인 MPPI가 제안됨 다만 MPPI는 샘플링 기반이기 때문에 다중 객체일 경우 적용이 어려움 1) MPC 제어 이해 MPC는 미래 동작을 예측하기 위해 시스템 모델을 사용하며, 상태 공간 모델을 활용 x(k+1) = Ax(k) + Bu(k) - 미래 상태는 현재의 상태와 제어를 통해 결정 y(k) = Cx(k) + Du(k) xmin 2024. 8. 19. Path Planning Method : Global vs. Local (RRT*, DWA?) Path 플래닝은 크게 Global과 Local로 나눌 수 있음 Global의 경우에는 Start와 End가 주어졌을 때 Obstacle (정보가 있다면) 등을 고려하여 최단거리를 가지는 Path를 플래닝 해주는 것이고, 대표적으로 A*, RRT* 등이 있음 Local의 경우 SLAM 등으로 주변을 실시간 탐색한 결과를 반영하여, Global Path를 따라가긴 하지만 장애물 등을 회피하는 최적의 Local 경로를 만드는 것을 말함. 대표적으로는 DWA, TEB 등이 있음 (ROS에서 제공) DWA는 로봇의 속도, 가속도를 기반으로 경로를 계획 TEB는 부드러운 경로를 고려하고 장애물을 스무스하게 피하는 경로 2024. 8. 5. 최적 경로 탐색 : RRT (Rapidly Exploring Random Tree) + RRT* RRT는 시작점에서 Goal에 갈 때까지 아래 작업을 반복함 1) Xrandom을 만듦2) 기존 Point 집합에서 Xrandom에 가장 가까운 점과 Xrandom을 Tree로 연결3) 만약 가장 가까운 점과 Xrandom 사이에 Obstacle이 있다면 버리고 다시 Xrandom 생성4) Obstacle이 없다면 Xnearest와 Xrandom을 연결하되, 주어진 일정 거리에 Tree 점을 생성 근데 RRT는 Optimal이 아니라는 단점이 있어서 아래 절차를 추가해서 RRT *로 개선 1) 원래였으면 Qnew는 Qnear와 연결되어야 하는데, 일정 반경을 탐색해서 Qnear가 아닌 Cost가 가장 작은 노드 (ex q1)과 연결을 함 2) 연결을 한 후에도 자식 노드를 한번 더 탐색해서, Cost가.. 2024. 8. 4. 이전 1 2 3 다음
