A Survey of Machine Learning Approaches for Mobile Robot Control.pdf
모바일 로봇 작업의 분류는 SLAM, 센서 데이터, 경로 계획 및 동작 제어의 네 가지 주요 범주로 나누어지며, 각각에서의 ML을 사용하는 기술을 비교하겠다.
지도학습으로 레이블과 클래스로 학습데이터를 제공 즉, 회귀와 분류의 문제를 해결
Localization, 충돌회피 및 경로계획, 장애물 회피, 미끄러짐 예측, 센서데이터 등을 연구
→ https://www.sciencedirect.com/science/article/pii/S0045790622005936 이건 장애물회피, ATMEGA328한거 ㄷㄷ
선형회귀 → 뉴런네트워크 → GPR 순으로 이용하며 REAL에서 50프로이상진행한다.
Navigation, Object detection, collision detection등을 연구
대부분이 실제데이터를 기반으로 한다(시뮬은 안씀)
Navigation분야와 험지예측이 압도적으로 많고, NN나 Dexision tree? 를 쓴다
→ 험지예측하는 경우로 아두이노 메가로만 처리함 ㄷㄷ
비지도학습은 라벨링이 되지않은 상태에서, 데이터들을 묶는 군집화 즉, 클러스터링(Clustering)이 초점으로 맞춰서 문제를 해결한다.
장애물 클러스터링, 환경매핑, 차원축소등을 연구한다.
SLAM상에서 매핑및 Localization에서 많이 이용 → 생각해보면 라벨링이랄께 없네
지형식별에서 여러 센서를 융합하여 차원을 축소하고 험지를 인식
→ 차원 축소는 여러 데이터를 묶어서 하나의 중요한 데이터로 Fusion하는 것!
강화학습은 데이터와 함께 작동하는 구조가 아니다. 환경에 따라 상호작용하며 보상신호에 대해 적절한 policy을 기반으로 행동보상을 제공한다.
로봇에 탑재된 제어시스템의 제한된 계산 리소스 문제 → 제어루프, 및 연산시간
→ 이에 따라 동적으로 변화하는 환경에 적응하는 것은 아주 어렵다
많은 양의 데이터가 필요하다. 레이블에 저장되어있지 않아도 학습할 방법을 찾아야함
모델의 Robust함과 일반화된 stability를 증명하는 것이 어렵다.