최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기인터넷정보학회논문지 = Journal of Korean Society for Internet Information, v.11 no.2, 2010년, pp.61 - 72
김미경 (한밭대학교 정보통신대학원 정보통신공학과) , 전현식 (한밭대학교 정보통신전문대학원 전파공학과) , 염진영 (한밭대학교 정보통신전문대학원 전파공학과) , 박현주 (한밭대학교 정보통신컴퓨터공학부)
This paper addresses the problem of moving object localization using Ultra-Wide-Band(UWB) range measurement and the method of location accuracy improvement of the indoor moving object. Unlike outdoor environment, it is difficult to track moving object position due to various noises in indoor. UWB is...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
칼만 필터에 사용되는 방정식은 무엇으로 구성되는가? | 베이즈 필터의 변형으로 가장 많이 사용하는 칼만 필터는 가중치 개념을 사용하고 반복적인 연산을 통해 평균과 공분산 값으로 belief 근사치를 구한다. 칼만 필터에 사용되는 방정식은 예측을 위한 시간 갱신 방정식(Time Update Equations)과 개선된 위치 추정 값을 얻기 위한 피드백을 책임지는 측정 갱신 방정식(Measurement Update Equations)으로 구성된다[5]. | |
KF의 단점은 무엇인가? | 기존 연구들에서는 위치보정을 위한 기법으로 칼만 필터(Kalman Filter: KF)[5]를 많이 사용하고 있으나 KF는 관찰 모델과 시스템 동력이 Gaussian 노이즈인 상태가 선형인 경우일 때 최적이므로, 비선형 시스템에서는 적절하지 못하다. 비선형 상태를 처리 할 수 있도록 확장 칼만 필터(Extended EKF)[6,7]와 언센티드 칼만 필터(Unscented KF)[8-10] 기법을 활용하고 있지만 둘 다 비선형 상태를 선형으로 근사 시켜서 비선형 시스템을 처리하므로 최선이 될 수 없다. | |
위치추정 알고리즘은 네 단계로 구성되는데, 각 단계별 구체적인 내용은 무엇인가? | 위치추정 알고리즘은 네 단계로 구성 된다. 첫 번째, 제어 입력 값에 따라 추정 이동객체의 위치를 예측하는 단계와 두 번째, 위치 관찰 값에서 bias 값과 예측 영역오차 값을 제거하고, 위치를 추정하는 이동객체의 위치 샘플 단계, 세 번째 앞의 두 단계에서 생성한 샘플들을 통합한 후 가중치에 의해 새로운 샘플을 추출하는 재추출 단계, 마지막으로 새로운 샘플에 가중치와 가능도를 적용하여 위치를 보정하는 4단계로 구분할 수 있다. |
Nayef Alsindi and Kaveh Pahlavan. Coorative Localization Bounds for Indoor Ultra-Wideban Wireless Sensor Networks. EURASIP Journal on Advances in Signal Processing Volume 2008, Article ID 852509
J. Gonzalez et al. Mobile robot localization based on Ultra-Wide-Band ranging: A particle filter approach. Journal of Cleaner Production Volues 16, Issue 16, November 2008, Pages 1741-1754
S. Roy, J.R. Foerster, and V.S. Somayazulu. Ultrawideband radio design: The promise of high-speed short-range wireless connectivity. IEEE Proc. vol.92, no.2, pp.295-311, 2004.
Damien B. Jourdan, John J. Deyst, Jr., Moe Z. Win, Nicholas Roy. Monte Carlo Localization in Dense Multipath Environments Using UWB Ranging. IEEE International Conference on Ultra-Wideband, 2005
Greg Welch and Gary Bishop. An Introduction to the Kalman Filter. 95-041 Department of Computer Science University of North Carolina at Chapel Hill, NC 27599-3175 Updated: Monday, July 24, 2006
S.J. Julier and J.K. Uhlmann. A new extension of the Kalman filter to nonlinear systems. In Proc. of AeroSense: The 11th International Symposium on Aerospace/Defense Sensing, Simulation and Controls, 1997
R. E. Kalman. A new approach to linear filtering and prediction problems. Trans. of the ASME, Journal of basic engineering, 82:35-45, March 1960.
D. Koller and R. Fratkina. Using learning for approximation in stochastic processes. In Proc. of the International Conference on Machine Learning, 1998.
Zhao Dong-ming. Application of Unscented Kalman Filter for Non-linear Estimation in Deformation Monitoring. 3rd IAG 12th FIG Symposium, Baden, May 22-24 2006
E.A.Wan and R. van der Merwe. The unscented Kalman filter for nonlinear estimation. In Proc. of Symposium 2000 on Adaptive Systems for Signal Processing, Communications, and Control, 2000.
Ioannis M. Rekleitis. A Particle Filter Tutorial for Mobile Robot Localization TR-CIM-04-02.
Dieter Fox. Adapting the Sample Size in Particle Filters Through KLD-Sampling. International Journal of Robotics Research, 2003
이정석, 정완균. 동적 환경에서 파티클 필터 를 이용한 로봇의 강인한 위치추적 알고리 즘. 제2회 한국로봇공학회 하계종합 학술대회 논문집, 2007
M. Sanjeev Arulampalam, Simon Maskell, Neil Gordon, and Tim Clapp, A Tutorial on Particle Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking. IEEE Transactions on signal processing, 2002
F. Gustafsson, F. Gunnarsson, N. Bergman, U. Forssell, J. Jansson, R. Karlsson, and P-J. Nordlund. Particle filters for positioning, navigation and tracking. IEEE Transactions on Signal Processing, 2002.
P. Del Moral and L. Miclo. Branching and interacting particle systems approximations of Feynman -Kac formulae with applications to non linear filtering. In Seminaire de Probabilites XXXIV, number 1729 in Lecture Notes in Mathematics. Springer-Verlag, 2000.
A. Doucet, S.J. Godsill, and C. Andrieu. On sequential Monte Carlo sampling methods for Bayesian filtering. Statistics and Computing, 10(3), 2000.
D. Fox, W. Burgard, F. Dellaert, and S. Thrun. Monte Carlo Localization: Efficient position estimation for mobile robots. In Proc. of the National Conference on Artificial Intelligence, 1999.
Mohammed M. Olama, Seddik M. Djouadi, Ioannis G. Papageorgiou, and Charalambos D. Charalambous, Position and Velocity Tracking in Mobile Networks Using Particle and Kalman Filtering With Comparison. IEEE Transaction On Vehicular Technology, Vol. 57, No. 2, March. 2008
D. Fox, S. Thrun, F. Dellaert, and W. Burgard. Particle filters for mobile robot localization.
P. Jensfelt, O. Wijk, D. Austin, and M. Andersson. Feature based condensation for mobile robot localization. In Proc. of the IEEE International Conference on Robotics & Automation, 2000.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.