Enroll Course: https://www.coursera.org/learn/state-estimation-localization-self-driving-cars
안녕하세요, 여러분! 오늘은 University of Toronto의 자율주행차 전문화 과정 중 두 번째 코스인 ‘자율주행차를 위한 상태 추정 및 로컬라이제이션’에 대해 이야기해 보겠습니다. 이 과정은 자율주행차의 안전한 운행을 위해 필수적인 상태 추정과 위치 추적에 대한 다양한 센서와 기법을 배우는 기회를 제공합니다.
이 과정은 총 5개의 모듈로 구성되어 있으며, 각 모듈마다 핵심 주제를 통해 심도 있는 학습을 제공합니다.
**모듈 0: 과정 소개**
이 모듈에서는 상태 추정 및 로컬라이제이션의 기본 개념과 필요성을 설명합니다. 자율주행차의 상태 및 도로 상의 위치를 정확히 추정하는 것이 왜 중요한지 잘 설명해 줍니다.
**모듈 1: 최소 자승법**
가우스가 개발한 최소 자승법을 포함하여 unweighted와 weighted observations에 대한 리뷰를 진행하며, 최대 가능도 추정량과의 관계를 설명합니다. 이 이론이 자율주행차의 실시간 추정에 어떻게 적용되는지를 이해할 수 있습니다.
**모듈 2: 상태 추정 – 선형 및 비선형 칼만 필터**
칼만 필터는 자율주행차 엔지니어에게 필수적인 도구입니다. 이 모듈에서는 선형 시스템을 위한 칼만 필터의 수식 유도와 비선형 시스템을 위한 확장 칼만 필터 (EKF)와의 관계를 설명합니다.
**모듈 3: GNSS/INS 센서를 통한 포즈 추정**
자율주행차는 GPS와 관성 항법 시스템(INS) 데이터를 결합하여 항상 자신의 위치(포즈)를 추정해야 합니다. 이 모듈에서는 이러한 센서 모델과 성능/노이즈 특성을 다룹니다.
**모듈 4: LIDAR 센싱**
자율주행차에서 LIDAR 센서는 중요한 역할을 합니다. 이 모듈에서는 LIDAR 센서 모델을 개발하고, 이를 통해 포인트 클라우드를 생성하는 방식에 대해 설명합니다.
**모듈 5: 자율주행차 상태 추정기 결합**
마지막 모듈에서는 앞서 배운 내용을 종합하여 차량 상태 추정기를 개발합니다. CARLA 시뮬레이터를 활용해 GPS, IMU 및 LIDAR 측정을 통합하여 차량의 위치와 방향을 고속으로 추정하는 방법을 배웁니다.
이 과정은 자율주행 분야에 관심이 있다면 강력히 추천합니다. 실무에 가까운 경험과 깊이 있는 지식을 제공하여 실력을 쌓을 수 있는 좋은 기회입니다.
여러분도 이 과정을 통해 자율주행차 기술의 세계에 더욱 깊이 들어가 보시길 바랍니다!
Enroll Course: https://www.coursera.org/learn/state-estimation-localization-self-driving-cars