개발자 포트폴리오 개발자 포트폴리오

* Odometry https://blog.naver.com/ycpiglet/222139215170 [ROS] Odometry(오도메트리, Odom)란 무엇인가? Odometry : (차의) 주행 거리 측정 시간에 따른 위치 변화를 추정하기 위해 모션 센서의 데이터를 사용하... blog.naver.com - (출발 지점을 기준으로) 상대적인 위치를 추정 - 주행기록계 - 엔코더를 통해 로봇의 좌표를 상대적으로 추정 가능 * graph SLAM - 친절한 설명 https://blog.naver.com/kangdy1997/222989382160 SLAM(simultaneous localization and map)-graph 기반 이 글은 다음의 블로그를 참조하였습니다.(http://jinyongjeong..

* Dex-Net 3.0 Supplementary File I. Overview - 개관 II. ADDITIONAL EXPERIMENTS - 추가 실험 A. Performance Metrics - 성과 지표 1) Average Precision (AP). 2) Success Rate. 1) Success Rate 2) Attempt Rate B. Performance on Known Objects - 아는 객체에서의 성과 1) Planarity-Centroid (PC3D). 2) Spring Stretch (SS). 3) Wrench Resistance (WR). 4) Robust Wrench Resistance (RWR). C. Performance on Novel Objects - 모르는 객체에서의 ..

* 요약 최근의 결과에 따르면 합성데이터로 훈련한 CNN을 사용하여 높은 정확도로 다양한 단일 객체를 파지할 수 있게 되었다. 이 논문은 빈피킹을 고려해본다. 빈피킹이란 여러 객체가 무작위로 쌓여있는 상태에서 순서대로 파지 후 목적지에 이동시키는 것이 목적인 업무이다. 우리는 heap의 state, point cloud observation, reward를 구체화하는 discrete-time의 Partially Observable Markov Decision Process를 빈피킹 모델로 사용하였다. 우리는 빈피킹의 합성 demostration을 algorithmic supervisor로부터 수집한다. 가장 강인하고 충돌이 없는 파지로 최적화하기 위해. 우리는 GQCNN을 fine-tuning하여 pol..

* 요약 강인한 로봇 파지 계획을 위한 딥러닝 데이터셋 수집 시간을 줄이기 위해, 우리는 6.7백만개의 point cloud, 파지, 그리고 분석적 파지 지표에 대한 합성데이터셋으로 학습하는 방법을 조사해보았다. 해당 데이터셋은 책상 위에서 임의의 포즈로 되어있는 Dex-Net 1.0으로부터 수천개의 3D 모델로부터 생성되었다. 우리는 결과 데이터셋을 사용했다, Dex-Net 2.0, GQ-CNN 모델을 학습시키기 위해. depth 이미지로부터 파지 성공률을 빠르게 계산하는 모델. 파지가 RGB-D 센서에 상대적인 평면 위치, 각도, 그리고 그리퍼의 깊이로서 구체화되는. ABB YuMi에 1000번 넘게 시도된 이번 실험은 단일 객체에 대한 파지 계획 방식과 비교했을때, Dex-Net 2.0으로 생성된 ..

* 요약 이 논문은 Dex-Net 1.0을 제시한다. Dex-Net 1.0은 3D 객체 모델의 데이터셋을 사용하고, 샘플링 기반의 계획 알고리즘이다. 이 알고리즘은 Cloud Robotics가 강인한 파지 계획을 하기 위해 어떻게 사용될 수 있는지 탐험한다. 이 알고리즘은 correlated reward와 함께 Multi-Armed Bandit model을 사용한다. 이전의 파지와 3D 객체 모델을 leverage 하기 위해. 만개의 서로다른 3D 객체 모델과 2.5백만개의 parallel-jaw 파지를 포함하여 점점 많아지는 데이터셋. 각 파지는 불확실한 상황 속에서 force closure 확률을 예측한다. 객체와 그리퍼 포즈 그리고 마찰과 같은 불확실한 상황. Dex-Net 1.0은 Multi-Vi..

* 요약 Universal Picking(UP), 혹은 더미에서 다양한 객체를 신뢰할만한 수준으로 로봇이 파지하는 것은, 전자상거래 주문처리, 제조, 검사, 집 서비스 로봇에서 어려운 도전과제이다. 센싱, 조작, 물리적 접촉에서 내재하는 불확정성 때문에 UP의 비율, 신뢰성, 범위를 최적화하는 것은 매우 어렵다. 이 논문은 "양손잡이형" 로봇 파지를 다룬다. 정확히는 2개 이상의 로봇팔을 사용한다. 우리는 Dex-Net 4.0을 제시한다. 이번 모델은 이전 버전보다 상당히 진보된 모델이다. 이전 모델의 경우, 물리학과 기하학의 분석적 모델을 통해 domain randomization을 사용하여 합성 데이터셋을 훈련시킴으로써 주어진 그리퍼에 policy를 학습한다. 우리는 3차원 객체의 더미로부터 발생하는..

* 요약 point cloud learning은 컴퓨터 비전, 자율 주행, 로봇 등 다양한 영역에서 넓게 적용되어 최근 많은 주목을 받고있다. AI에서 지배적인 기술로서, 딥러닝은 다양한 2D vision 문제들을 성공적으로 해결해왔다. 그러나, point cloud를 DNN으로 작업하는 어려운 과제로 인해 point cloud에 적용되는 딥러닝은 여전히 낮은 단계에 머물러있다. .최근, point cloud 딥러닝 기술은 빠르게 발달하고 있다. 미래의 연구를 위해서, 이 논문을 통해 point cloud 딥러닝에 관한 최근 연구들을 전반적으로 리뷰해보았다. 이 논문은 크게 세가지 주요 task를 다룬다 : 3D shape classification, 3D object detection and track..

* 요약 이 논문에서는, 객체 탐지와 파지 순서 계획을 기반으로 쌓여있는 물건에서 로봇 파지가 연구되었다. 첫째로, SOCN은 쌓여있는 객체를 인식하기 위해 제안되었다. 네트워크는 inverse density parameter를 조절하기 위해 보이는 객체를 고려하고 있다. 훈련 작업을 더 빠르고 스무스하게 만들기 위한. 그와 동시에, SOCN은 transformer architecture을 채택하고 특징 학습에 있어 self-attention mechanism을 가진다. 다음으로, 파지 순서 계획 방법이 조사된다. 안전 점수에 의존하고, 쌓여있는 물건 사이에서 geometric 관계와 의존성을 추출하는, 그것은 객체 관계, 분류, 사이즈에 기반하여 안전 점수를 계산한다. 제안된 방식은 파지 업무를 완수하..