4. Sensing and Estimation
Henrik I. Christensen, Gregory D. Hager
4.1 The Perception Process
4.2 Sensors
4.3 Estimation Processes
4.3.1 Point Estimation
4.3.2 Other Approaches to Estimation
4.3.3 Robust Estimation Methods
4.3.4 Data Association Techniques
4.3.5 Modeling Sensors
4.3.6 Other Uncertainty Management Methods
4.4 Representations
4.4.1 Raw Sensor Representations
4.4.2 Grid-Based Representations
4.4.3 Discrete Feature Representations
4.4.4 Symbolic/Graph-Based Models
4.5 Conclusions and Further Readings
References
감지sensing(센싱)와 추정estimation은 모든 로봇robotics 시스템system의 설계design의 필수사항입니다. 매우 기초적인 수준의 되먹임feedback(피드백) 제어control에서는 로봇robot의 상태state를 스스로 추정을 해야만 합니다. 높은 수준의 지각perception은 계획planning 가능한 공간space과 시간time에 영향을 미치는 센서sensor 정보information의 통합integration을 허용하는 센서 데이터data의 작업task-지향oriented적인 이해interpretation로 정의define합니다.
본 챕터는 로봇분야에서 일반적으로 응용할 수 있는 일반적인 감지 방법method들과 추정 기법들의 간락한 소개를 제공합니다. 모델 통합과 파라미터parameter 추정, 데이터 연관성association, 특징feature 추출extraction, 센싱을 포함한 구조화structure 된 과정process 모델model을 제시합니다. 몇몇의 일반적인 센싱 방법modality(양식)들을 특징 짓고 소개를 합니다. 선형linear과 비선형nonlinear 시스템안에서 추정에 대한 일반적인 방법들인 샘플sample 기반의 방법과 칼만Kalman 필터filter, 통계statistical적인 추정을 포함하여 논의합니다. 강성robust 추정estimation에 대한 계획strategy도 간단하게 언급할 것입니다. 마지막으로, 몇몇의 일반적인 추정에 대한 표현representation을 소개할 것입니다.
로봇 시스템의 제어control는 환경environment의 완벽한 모델이 가능하다면 로봇 구동기actuator들은 비교적 이 모델을 완벽하게 운동motion(모션) 명령command을 수행excute할 수 있다면 비교적 단순할 것입니다. 불행하게도, 대개의 경우 완전한 세계의 모델(complete world model, 실제 세계)을 이해하는 것은 불가능 하고, 기계mechanical 구조structure의 완벽한 제어는 실제와 가깝다고 가정assumption을 할 수 없습니다. 센싱과 추정은 완전한 정보의 부족에 대한 보상compensate의 의미합니다. 그것들의 역활role은 사람과 같은 환경 안에서 다른 대리자agent(에이전트)들과의 상호작용interaction과 의사결정decision making, 제어에 대해서 기초할 때 로봇 시스템의 상태와 환경의 상태에 대한 정보를 제공합니다.
논의의 목적에 대해서, 우리는 외부 감각exteroception일 때를 참고refer하여, 외부extern 세계의 상태를 복구recover하는 추정과 센싱에 비해, 자가 수용proprioception(고유 수용 감각)일 때를 참고하여, 로봇 자신의 상태를 회복하는 추정과 센싱에 차이를 구별해야 할 것입니다. 실제로 많은 로봇 시스텔들은 그들 자신의 물리physical적인 상태를 제어하고 추정하는데 필요한 고유한 감각을 가지도록 디자인 되었습니다. 다른 한편으로, 센서 데이터로 부터 세계의 상태를 복원하는 것은 보통 매우 복잡하고 큰 문제입니다.
이전 로봇공학robotics에서 컴퓨터를 사용한computation 지각perception은 [4.1]를 통해서 설명되는 예제example들을 통해, 그들 자신은 다음 행동act을 결정 하기 위해 모델을 사용하는 것과 같이 완벽한 일반적인 목적general-purpose의 환경 모델을 복원 할 수 있다고 가정하였습니다. 더 최근에 와서는, 근사approach법이 실제와 같지 않다는 것이 나타나기 시작했습니다. 사실, 센서기반 로봇의 구성은 의료 접근성을 향상medical interventions시키고 고-성능high-performance의 조작manipulation(메니퓰레이션), 유동mobile(모바일)적 감시surveillance와 같이 여러 응용 분야가 지금 생기고 있으며, 그것은 높은 수준의 작업task에 의존적dependent일 수 밖에 없는 주어진 시스템에 대해서 센싱과 추정을 적절히 해야 한다는 것은 분명합니다. 따라서consequently 여기에 논의되는 것은 외부 세계의 작업-지향적인task-oriented 센싱과 추정의 방향along the lines으로 준비 하였습니다.
센싱과 추정은 더 앞선 과정에 대해 사용할 수 있는 컴퓨터로 표현 가능한 물리적physical 양자화quantity의 변환transform 과정을 보여줄 수 있습니다. 센싱은 더 나아가 컴퓨터를 통한 과정으로 할 수 있는 신호안에서 몇몇의 물리적 독립체entity(요소)로 변화시키는 변환transducer들과 밀접한 관계closely tied가 있습니다. 센싱은 또한 세계의 작업-지향적인 모델안에서 감각기관의 정보를 표현하는 과정의 인식perception과 직접적인intimately 관계가 있습니다. 그러나, 센서 데이터는 이러한 과정을 복잡하게complicate 만드는 다양한various 상황way에서 항상 오류corrupt가 발생 됩니다. 통계적 노이즈는 변환과정과 디지털화 과정안에서 소개 되었 던 이산화discretization, 몇몇의 예제에서 명해진 부족한 센서 선택selectivity에서 소개하였던 모호함ambiguity으로 부터 발생arise됩니다. 추정 방법들은 나아가 신호와 노이즈 비의 개선improvement에 대한 것과 적절한appropriate 통합을 적용support하는 것을 소개합니다.
챕터에서는 핸드북의 파트C의 핵심 주제로 보다 깊이 있게 다뤄질 센싱과 추정의 일반적인 특징을 선택하여 소개하였습니다. 센션4.1에서는 센싱/인식 과정을 전반적으로overall로 소개하였습니다. 섹션4.2에서는 센서의 다양한 종류들에 대해서 소개하고, 약간의 핵심 특징들을 설명하였습니다. 세상의 추정 방법을 표현하는 것은 색션4.3에서 논의하는 매개변수parametric(파라미터)와 비-매개변수nonparametirc기법을 포함한 다양한 방법들을 활용할 수 있습니다. 모델 기반의 다양한 표현방법들의 통합은 색션4.4에서 논의하는 것을 사용할 수 있습니다.
Dimensionality_Reduction_for_Trajectory_Learning_from_Demon.pdf
