shvtr159

Key ingredients of 3D point cloud processing and learning (con't) Part2에서는 다양한 표현방법에 대해 알아보았습니다. 이번 Part3에서는 이 표현법들을 기반으로 3D point cloud를 processing 하고 learning 하는 대표적인 방법들에 대해 알아봅니다. Representative tools 3D point cloud를 processing하고 learning 하는 데 사용되는 몇 가지 방법에 대해 알아봅니다. 최근 자율주행에서는 주로 딥러닝 기반 방법들이 주로 사용되기 때문에 이 부분에 집중해서 알아봅니다. Nondeep learning methods 딥러닝이 나타나기 이전에는 많은 전통적인 handcrafted 방법들이 있었고, ..

Key ingredients of 3D point cloud processing and learning 이번 파트에서는 3D point cloud processing과 learning의 기본 방법들에 대해 알아보기 전에 3D point cloud의 key property들은 무엇인지 확인하고 3D point cloud를 표현하는 몇 가지 방법들에 대해 알아봅니다. Properties ​Real-time lidar sweeps 일반적인 lidar는 채널 수만큼 evaluation angle(고도각)을 가지고 각 채널마다 고유한 Laser ID 번호가 주어집니다. 360도 시야를 제공하는 Lidar는 회전하며 초당 수천번 laser를 발사하게 되는데 이를 통해 채널 개수만큼의 elevation angle과 ..

IEEE Signal Processing Magazine ( Volume: 38, Issue: 1, Jan. 2021)에 게재된 review 논문을 정리한 글입니다. 자율주행 자동차에 관련한 3D point cloud에 대해 정리되어있습니다. review 논문인 만큼 길이가 길어 파트를 나눠 정리할 예정입니다. Introduction and motivation A tour of an Autonomous system 일반적으로 autonomous system은 위 이미지와 같이 sensing, map 생성, localization, perception, prediction, routing, planning, 그리고 control module들로 구성됩니다. High-definition(HD) map은 of..

BrokenPipeError: [Errno 32] Broken pipe torch.utils.data.DataLoader()를 사용하는 경우 위와 같은 에러가 발생하는 경우가 있습니다. window의 경우 num_worker 파라미터가 0이 아닐 때 이런 에러가 발생하기 때문에 num_worker를 0으로 설정해주면 에러를 해결할 수 있습니다. 그런데 저는 ubuntu18.04 환경이었는데도 해당 에러가 발생했고, num_worker를 0으로 설정해도 같은 에러가 발생하였습니다. 제 경우 RAM Memory가 부족해서 해당 에러가 발생하고 있었습니다. 혹시 저와 같은 문제를 겪고 계신다면 RAM Memory를 확인해 보시는 것도 좋을 것 같습니다.

torch.view()와 torch.reshape() 이 두 함수는 Numpy의 reshape를 기반으로 하는 함수로 두 함수 모두 tensor의 형태를 바꾸는 데 사용됩니다. import torch x = torch.arange(12) >>> x tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) >>> x.reshape(3,4) tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> x.view(2,6) tensor([[ 0, 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10, 11]]) 위와 같이 동일한 tensor에 원하는 형태의 dimension을 입력해 주었을 때 두 함수 모두 입력에 맞는 형태로 t..

1. Introduction 이전까지 일반적으로 주변 환경에 대한 추정은 (1) perception : background에서 foreground를 구분해내는 작업, (2) motion prediction : object의 미래 trajectory를 예측하는 작업, 이 두가지 작업을 독립적으로 또는 동시에 처리할 수 있는 방법들이 발전해왔습니다. 기존 주변 환경 인식 방법은 주로 카메라를 이용한 2D object detection, LiDAR를 이용한 3D object detection, 여러가지를 동시에 사용하는 fusion-based detection 방법을 기반으로 bounding box를 찾고 이 bounding box를 기반으로 motion prediction을 수행하였습니다. 그러나 이 방법은..