dydgk080의 등록된 링크

 dydgk080로 등록된 네이버 블로그 포스트 수는 6건입니다.

Turtlebot3 SetUp [내부링크]

1. PC 셋업 (이하 top) 2. Rpi4 셋업 (이하 bot) 3. Open CR 셋업 4. ssh & bring up & teleop 5. ubuntu naming ----------------------------------------------------------------------------------------------------------------------------------------------------------------------- // 명령어는 모두 (ctrl + alt + t) 하면 나오는 터미널에 입력 // 명령어의 $(달러사인)은 입력하지 말것 // 띄어쓰기, 대소문자등 반영되므로 철자에 주의 // 명령어는 한줄씩 입력 // // Rpi4 셋업시 약 3GB의 대용량 파일 다운로드 필요하므로 빠른 네트워크 필요 // -----------------------------------------------------------------------

Assure Mapping Tool_1_start asuure and insert stop line [내부링크]

자율주행용 Vector map(globar map)을 위해 국토지리원으로 부터 벡터맵 정보를 받아 전역경로계획이 (/w Autoware) 가능하도록 맵을 제작 Docker를 사용하여 Linux Ubuntu 18.04환경에서 assure 를 오픈 Assure 기본 사용법 마우스 왼쪽 클릭 선택 마우스 오른쪽 클릭 메뉴 마우스 휠 고정 후 드래그 시점 변경 마우스 휠 롤링 확대/축소 + waypoint 추가 - waypoint 삭제 * lane smooth enter 확인 kml 형식으로 되어있는 벡터맵을 업로드 (마우스 우클릭 -> Load Map -> ASSURE.kml) lane 과 lane 간 way point 와 way point 간 from to 연결을 넣어줘야 연결이 활성화된다. 방법은 From Points 누르고 + 누르면 >ID 탭이 생성된다. 포인트 or lane ID 를 입력후 ctrl + s 로 저장하면 완료 여러 차로가 합쳐지는 아래 사진의 분기점 같은 경우 두

Deepracer 공장 초기화(factory reset)방법 [내부링크]

문제: Deepracer 가 모종의 이유로 power led 가 yellow로 고정된 채 부팅이 되지 않는 문제가 다수 발생 해결: factory reset 준비물: Empty USB(over 32GB), hdmi cable, deepracer power cable(usb type C), PC(Window or Ubuntu or Mac), 유선 키보드 마우스, 빠른 인터넷(다운로드 용량이 큼) 방법: 1. USB 드라이브 2개의 파티션으로 포맷 2GB FAT32 16GB 이상의 NTFS USB연결 후 Window 의 경우 명령 프롬포트 실행 후 $ diskmgmt.msc 위 사진의 화면에서 할당되지 않은 파티션에 새 단순 볼륨 생성 2048MB (2GB) 파일 시스템 FAT32 factory_reset 파일 저장용 NTFS 용량은 남은 공간 모두 잡아도 무방 USB 준비 완료 2. Ubuntu ISO Image를 FAT32 파티션에 굽기 부팅용 Ubuntu ISO Image를 FAT

Deepracer 전이학습 [내부링크]

딥 러닝 기반 자율주행 모형 자동차인 딥레이서의 현실세계 주행 모델을 위해 기존 아마존 aws시뮬레이터에서 훈련한 모델을 적용하였으나 만족할만한 성과를 내지못함. 위 사진은 기존 모델의 트레이닝 reward 결과이며 해당 모델은 시뮬레이션 환경에서 트랙을 이탈하지 않고 주행함. 하지만 실세계 모델에서 채 한바퀴를 돌지 못하고 트랙을 이탈하는 모습이 보여 해당 모델을 강화학습 하여 실 세계 모델에 적용할 계획으로 아래와 같이 학습을 진행. 보상함수 그래프는 대체로 수렴하는 모습 강화학습 하는 방법은 기존 모델을 클론 clone 하는 방법으로 진행 기존 모델에 들어가 action tab을 보면 clone tab이 존재하며 이를 클릭하면 기존 모델 create와 같은 방법으로 모델을 만들 수 있다. 하이퍼파라미터와 보상함수 훈련시킬 맵 또한 변경이 가능 강화학습의 결과는 동영상과 같이 트랙을 이탈하지 않고 주행하는 모습을 보임. 영상은 2배속 환경

memcpy함수 [내부링크]

메모리 복사 함수 memcpy memory + copy = memcpy header: c:<string.h> c++:<cstring> 형: void* memcpy(void* dest, const void* source, size_t num) void* dest : 첫번째 인자, 복사를 받을 메모리를 가리키는 포인터 const void* source : 두번째 인자, 복사할 메모리를 가리키는 포인터 size_t num: 복사할 데이터의 길이(byte) source에 있는 원본을 num만큼의 길이로 복사해서 dest에 붙여넣는 함수 void* memcpy(void* destination, const void* source, size_t num); dest와 source의 type은 memcpy함수와 무관 memcpy함수는 이진 데이터를 복사하는 함수 전체 복사를 할 때에는 마지막 인수에 +1을 해주어야 정확히 출력(NULL) /* memcpy example */ #include <std

ORB: an efficient alternative to SIFT or SURF [내부링크]

사전 용어정리 -0: keypoint: 특징점 (image에서 locally distinct location), 특징이 되는 점의 영상좌표 (x,y), scale space까지 고려할 시 (x,y,s) -1: feature detector : 특징 검출기 (영상의 feature 추출) -2: descriptor: 유사한 feature 인식 (검출된 특징점 주위의 색상, 밝기, Gradient 방향, 히스토그램 등의 매칭 정보 계산), 해당 keypoint 위치에서 추출한 지역적 영상 특징정보 -3: image pyramid: input image의 크기를 단계적으로 변화시켜 가면서 필요한 분석작업을 하는것 -4: scale space: image pyramid의 생성을 위해 gaussian filter를 통하여 bluring 처리하여 주변 픽셀의 값을 통일시켜 detail을 없에고 big scale에서 이미지의 구조파악을 위해 생성하는 space -5: feature descript