벌써 이 블로그에 글을 쓰는게 Log 를 쓰는게 한달이 훌떡 지나버렸다. 정말로 한국으로 오면서 많은 일들이 있었고, 적응하기도 너무 애매해서 힘들었었다. 그리운 사람도 있고 정말 보고싶은 사람도 있다. 이 감정때문에 우울감에 살짝 빠져있었지만, 주변에 탄천에 걸어가면서 Spotify 에 마음에 드는 노래를 Playlist 에 넣는것도 나의 행복의 일부분이 되어버렸다. 그리고 최근에 직장인 밴드부 단체 톡방에도 가입을 했다. 아직 사람을 만나는 건 불편하지만, 점점 내 스스로가 낳아지길 기다리고 기대한다.
일은 참 여러가지로 지금 정말 좋다. 모르는걸 배우고, 다른 사람의 생각들을 배우고, 듣고, 이야기하는게 즐겁다. 또 프로젝트 진행도 가끔씩 멈출때가 많지만? 그래도 해결해 나가는 나의 모습을 보면 자랑스럽기도 하면서도, 회사가 너무 좋아졌다. 물론 나의 한계? 인내심? 이런걸 마주보게 되지만. 이게 사실은 맞는길로 가고 있다라는 생각이든다. 책상에 적어 놓은 노트에도 “좋은 Researcher 그리고 Programmer 가 되려면, 꾸준히 오래, 열정히 식지 않게 달려가자” 라는 문구를 써놓았지만, 아직 해놓지 못한 일들이 많다. 하지만 열심히 해야겠다라는 나의 마음은 아직도 있으며, 이게 쫓기고 가는 길이 아니였으면 하는 바램이 든다.
오늘, 나는 월급을 받고 순천 집에 내려가고 있다. 노래를 들으면서, 많은 여러 생각이 든다. 슬프지만 웃어야 된다 라는 느낌이 정말 크다. 하지만 어쩔수 없지 않겠는가? 지금부터 시작이고, 천천히 만들어나가는게 맞지 않을까? 처음부터 잘하는 사람없고, 실수 안하는 사람 아무도 없을 것이다. 그러기 때문에 포기라는 단어는 아쉬운것이고, 도전이라는 생각밖에 안든다. 항상 내 주변에 또는 내 바운더리에 있는 사람을 사랑하고 아끼고, 이쁜 말 해주고, 들어주고, 그런 삶을 살아야겠다. 돈은 차츰차츰 천천히 벌고, 구지 내 욕심 부리지말고 천천히 배타는 듯 그렇게 시간이 갔으면 좋겠다. 아직 3 개월 차 한국, 모든게 새롭고 어렵지만, 천천히 좋은 날로만 가득하길 바란다.
If you want to listen to my playlist on Spotify, This is my spotify link : Nick J’s Playlist
오늘은 조금 다르게 빵에다가 Bluberry Jam 을 발라서 먹었다 (아침은 먹는게 좋다는게 사실이다.) 여전히 오늘도 똑같은 거리를 걸으면서, 회사에 도착했다. 나름 오늘은 어제와는 다르게, 조금 열심히 더 해야겠다 라는 마음을 가지게 되었다. 하지만 아침에 먹은게 너무 배불러서 뭔가 배운다는 느낌이 안들고 졸렸다. 한참을 VirtualBox로 Ubuntu 로 끄적끄적 만지고, 어떻게 내 자기 소개를 할까 고민하다가 벌써 점심시간이 다가왔었다. 오늘은 나와 같은 전문연구요원으로 일하고 계신분에게 점심을 먹자고 이야기를 하려고 했지만, 팀장님과 열심히 이야기하길래. 그냥 혼자 집에서 밥을 먹어야겠다며, 집에서 볶음밥과 계란에 밥을 먹었다. 밥을 먹는 시간이 생각보다 짧다라는 생각이 들을 때쯤 나는 이미 밖에 나와있었고, 회사를 가고 있었다.
오후에도 열심히 다짐하며 회사 내에 있는 커피를 먹었음에도 불구하고 이놈의 밥먹고 졸린 현상은 나를 미치도록 했다. 분명 회사가 개발중인 정밀지도를 만드는 software 에 대한 어느정도 이해가 필요 했었고, 그거에 대한 세미나를 찾아서 들었었다. 웬지 모르게 느낌이, 아 여기는 혼자서 다 해야겠구나 따른 train 을 결정하는건 나의 자유구나 라는 느낌을 받았었다. 장점과 단점이 많은 혼자 배우는게 아직은 낯설었지만 그래도 세미나를 듣고, 노트에다가 개념을 써내려갔다. 실질적으로 아직은 적응을 잘못했지만, 실무적으로 뭔가를 해봐야겠다는 느낌이 많이 들었고, 지금 개발중인 코드를 보니 너무 어렵게 다가왔었다. 수많은 코드와 oop 를 사용한것들이 보이니까 어디서 어디까지가 definition 인지 모든걸 이해하지 못했지만, function name 들을 대충보니 약간 짐작같는게 맞는지도 하는 확신이 들긴들었다.
아직은 나에게 그런 큰 개발은 너무 어렵게 다가와서, 휴대폰으로 facebook 을 하다가 이러한 글을 보았다. “어떻게 좋은 개발자가 될까?” 라는 글을 읽게되었는데, 다읽지는 못하고 이런 문구만 머리쏙에 떠올리게 된다. “Make it work, Make it right, Make it fast” 이 문구에 동기부여를 해서, 일단 OpenCV 를 회사 컴퓨터에 설치하고, 나는 퇴근을 하였다.
오늘도 피곤한 하루 였고, 뭔가 한거 없었지만, productive 하려고 노력한 모습에 나를 칭찬하며, 내일도 또 행복하고 알찬 하루를 보내야겠다.
오늘 아침 8 시에 일어나서 이것저것 준비하다보니 8시 50 분에 밖에 나가게 되었다. 집과 회사 간의 거리가 약 5 분정도 걸려서, 바로 첫 출근을 하게 되었다. 걸으면서, 여러 사람들이 회사 갈 준비를 하는 모습들이 보이는데, 뭔가 안쓰럽기도 하고, 이게 한국 직장인 생활인가 싶어서, 뭔가 우울하지만 그래도 나에겐 이게 기회가 아닐까 하는 마음에 회사 빌딩에 들어갔다. 미팅 시간은 9시 30분 하지만 도착하니 딱 9시. 문자로 도착했다고 연락을 드릴까, 기다릴까 하다가 연락을 드려서 30 분을 기다리게 되었다. 처음에는 잘못왔나 싶을정도로 너무 개방적인것 같았으며, 점점 더 한국에서 개발자 생활들이 더더욱 좋아지고 있구나를 알게되었다.
경영팀에 있으신 분과 CFO? 와 대화를 하며 계약은 잘 마무리 된것 같았다. 물론 나도 모르게 긴장을 하고 있었고, 눈을 못마주칠정도로 집중을 하기가 어려웠다. 물론 적응기간이 필요하고, 회사에서 생활을 하다보면 뭔가 달라질거라는 생각을 했었다. 처음에는 모니터 27 inch 2개와 컴퓨터 본체를 받았는데, 모니터 암을 skrew driver 로 했어야 됬었는데 굉장히 땀도 나고, 타투를 가리려고 니트를 입은 내가 바보 같았다. 본체를 보았을때, 조금 기분이 좋았던건 3060 인가 3080 을 쓰고 있어서 “와우” 이런 말을 속으로 하고 은근 기분이 좋았다. 하지만 이걸 용도에 맞게 잘쓸수 있을까? 라는 질문을 잠깐 했다.
처음에 회사 이메일에 등록을 하고, confluence 와 slack 에 초대가 되었다. 한번도 bitbuket 을 제대로 사용해본 경험도 없었기 때문에(물론 software engineering 수업때 했는데, 항상 TODO 만 하느라 바빴다), 조금 긴장아닌 긴장을 하게 되었지만, 초대 이후에 개발환경 구축에 대해서는 이것 저것 물어보고 기본 개발환경은 잘 구축하게 되었다. 그 이후로 내 주변 사람들과 이야기 할수 있게 되었는데, 나와 같은 전문연구요원이 일하고 있었으며, 또 미국에서 유학을 했던 사람도 있었다. 뭔가 아직은 cowoker 이라는 label 이 달리긴 했지만 여러 협업을 하다보면 점점 더 알게되겟지 하는 바램이 있었다.
2 시 50 분 무렵쯤 팀장님이 오셔서, “저희 처음 입사했는데, 운좋게도 우리 미팅이 있네요” 라고 하셨는데… 그냥 “와우”. 그리고 미팅을 하게되었는데… 나는 그냥 가만히 앉아서 듣고만 있었다. 신입이라는걸 즐겨야되면서도 멍때리는 내 모습을 상상하면 웃겨 보일수도 있다는 생각이 들었다. 이러고 나서 한참을 우분투 virtualbox 셋업하는데 시간을 너무 많이 써버렸었다. 팀내 미팅을 끝맞추고 5시 반쯤 팀장님과 여러 이야기를 하게 되었고, 내가 할 수 있는 업무를 조금 갈피를 잡게 되었다. 아직은 뭣도 모르는 신입 새내기지만 새내기더라도 시간이 지나면 진짜 자율주행에 도움되는 또는 기여될수 있는 그런 개발자 또는 엔지니어가 되기 위해서 많은 노력을 해야되겠구나 라는 생각에 퇴근을 잘했다.
별로 힘들지도 않았지만, 한국 회사 기대되고 설렌다. 그리고 쭈욱 연구하고 싶은 마음과 아이디어에 오늘을 빠이빠이 한다.
MORAI 라는 회사에 처음으로 인터뷰를 보다가, 면접관이 나에게 이런 말을 했다. “혹시 영화 21 이라는 영화 보셨나요?, 거기에서 나온 굉장히 유명한 논리 문제인데, 풀어보실래요?” 그때 이 이야기를 들었을때, “오 뭐지? Ice Breaking 같은 건가?” 라는 생각을 했었다. 하지만, 결과론적으로, 나는 잘못된 답을 하고 있었고, 계속 1/2 가 맞지 않나요 라는 말을 계속했었다. 처음에는 심리적인 대결이 였을지도 모른다는 생각에 빠져서 무척 당황했었지만…
이러한 이유로, 바로 짜증나서 21 영화를 보게 되었다. 이 영화에 대한 대체적인 줄거리는 읽어보거나 Trailer 를 보기 바란다.
아무튼… 이 영화에서 그 문제를 푸는 주인공을 보았을때, “와, 나는 아직 감정에 치우져지는 결정을 가끔씩 내리는 구나” 라는 생각과 “조금은 냉철한 시각이 필요하겠구나” 라는 생각을 했었다. 이제 소프트웨어 공학쪽으로 코딩을 짜고 알고리즘을 연구 할텐데, 조금 걱정이 먼저 앞선다…
이 영화를 또 보면서 느낀건, “아, 사람들이 경험하는 것들이 다양하면 다양(Diverse) 할수록, 이야기 할거리도 많아지고, 그 추억과 경험들을 쌓게 되다보면, 하나의 Identity 를 만들어가겠구나.” 이게 research 에도 도움되지 않을까? 라는 생각이 문득 들었다.
이 영화를 본 이후, 얼마나 이 문제를 못풀었다는 생각에 땅을 쳤었지만, 결론적으로 이 회사에 합격되서, 입사 확적을 내렸었다. 너무 가고 싶은 회사이고, 더 배우고 싶고, 인터뷰 문제에 대해서 조금 새롭게 느껴서, 좋은 인상을 품고 있었다. 너무 너무 감사하고, MORAI 가서도 이 문제에 대해서 또 말할 기회가 되지 않을까?
Tracking is important in self-driving cars, this technique is crucial for estimating the state of a system. This is very similar to the probabilistic localization method(Monte Carlo localization). However, the difference in Kalman Filter estimates a continuous states whereas in Monte Carlo localization, it is forced to chop the world in the discrete places. As a result, the Kalman Filter happens to give us a uni-model distribution, whereas the Monte Carlo was fine with multi-model distributions. Both of these techniques are applicable to robot localization and tracking other vehicles.
Definition of Kalman Filter
A Kalman filter gives us a mathematical way to infer velocity from only a set of measured locations. `The Kalman filter is used to estimate the state of a system when the measurement is noisy
Kalman Filter - Common Types
KF - linear
EKF - nonlinear
UKF(unscented Kalman filter) - highly nonlinear
The Basis of the Kalman Filter
The basis of the Kalman Filter is the Gaussian Distribution.
The prior belief + Measurement Updates will provide the posterior (with mean and the variance), which is also called new states. The two Gaussians will provide us with more information together than either Gaussian offered alone. As a result, the new state estimate is more confident than our prior belief and our measurement. This means that it has a higher peak(mean) and is narrower(variance).
The state prediction is the estimation that takes place after an inevitably uncertain motion. Since the measurement update and state prediction are an iterative cycle, it makes sense for us to continue where we left off. After taking into account the measurement, the posterior distribution can be calculated. However, since we’ve moved onto the state prediction step in the common filter cycle, this Gaussian is now referred to a s the prior belief.
Now robot’s executes the command, “Move forward 7.5 meters”. Calculating the new estimate is as easy as adding the mean of the motion to the mean of the prior, and similarly, adding the two variances together to produce the posterior estimates.
#include<iostream>
#include<math.h>
#include<tuple>usingnamespacestd;doublenew_mean,new_var;tuple<double,double>measurement_update(doublemean1,doublevar1,doublemean2,doublevar2){new_mean=(var2*mean1+var1*mean2)/(var1+var2);new_var=1/(1/var1+1/var2);returnmake_tuple(new_mean,new_var);}tuple<double,double>state_prediction(doublemean1,doublevar1,doublemean2,doublevar2){new_mean=mean1+mean2;new_var=var1+var2;returnmake_tuple(new_mean,new_var);}intmain(){//Measurements and measurement variancedoublemeasurements[5]={5,6,7,9,10};doublemeasurement_sig=4;//Motions and motion variancedoublemotion[5]={1,1,2,1,1};doublemotion_sig=2;//Initial statedoublemu=0;doublesig=1000;for(inti=0;i<sizeof(measurements)/sizeof(measurements[0]);i++){tie(mu,sig)=measurement_update(mu,sig,measurements[i],measurement_sig);printf("update: [%f, %f]\n",mu,sig);tie(mu,sig)=state_prediction(mu,sig,motion[i],motion_sig);printf("predict: [%f, %f]\n",mu,sig);}return0;}
Advantage of Kalman Filter
How can the Kalman filter help us make better sense of our robot’s current state?
The Kalman filter can very quickly develop a surprisingly accurate estimate of the true value of the variable being measured. (e.g. robot’s location in one dimensional world)
Unlike other algorithms that require a lot of data to make an estimate, the Kalman filter is able to do so after just a few sensor measurements. It does so by using an initial guess and by taking into account the expected uncertainty of a sensor or movement.
Let’s say that my robot is using GPS data to identify its location. Today’s GPS measurements are only accurate to a few meters. Sensor fusion uses the Kalman filter to calculate a more accurate estimate using data from multiple sensors.
