된사람 되기

In Ubuntu 14.04 LTS !

1. Install Java

$ sudo apt-get install openjdk-7-jre

2. Download Eclipse according to your system

3. Extract the file & move it to /opt/

4. create a new desktop file

$ sudo gedit /usr/share/applications/eclipse.desktop

 *copy following lines*

[Desktop Entry]

Name=Eclipse 

Type=Application

Exec=env UBUNTU_MENUPROXY= /opt/eclipse/eclipse 

Terminal=false

Icon=/opt/eclipse/icon.xpm

Comment=Integrated Development Environment

NoDisplay=false

Categories=Development;IDE;

Name[en]=eclipse.desktop

5. Additional Tasks

Run the following command to automatically install it in Unity

$ sudo desktop-file-install /usr/share/applications/eclipse.desktop

– Create a symlink in /usr/local/bin

$ cd /usr/local/bin/

$ sudo ln -s /opt/eclipse/eclipse

– For Eclipse icon to be displayed in dash, run following command

$ sudo cp /opt/eclipse/icon.xpm /usr/share/pixmaps/eclipse.xpm

* Ref

[1] http://sysads.co.uk/2014/04/install-latest-eclipse-ide-ubuntu-14-04-13-10/

The limitations of rosbag record/play

In the previous section you may have noted that the turtle's path may not have exactly mapped to the original keyboard input - the rough shape should have been the same, but the turtle may not have exactly tracked the same path. The reason for this is that the path tracked by turtlesim is very sensitive to small changes in timing in the system, and rosbag is limited in its ability to exactly duplicate the behavior of a running system in terms of when messages are recorded and processed by rosrecord, and when messages are produced and processed when using rosplay. For nodes like turtlesim, where minor timing changes in when command messages are processed can subtly alter behavior, the user should not expect perfectly mimicked behavior.

* Ref

[1] http://wiki.ros.org/ROS/Tutorials/Recording%20and%20playing%20back%20data

ROS Industrial tutorial을 진행하다 보니 catkin_make의 주요 기능을 반드시 사용할 필요가 있었다.

튜토리얼 진행 중에 robotiq 패키지를 github로부터 clone시켜왔는데, 이녀석이 catkin_make를 할 때 빌드 실패 메시지를 띄우는 바람에 원하는 패키지의 빌드가 되지 않는 것이다!!

그래서 원하는 패키지만 빌드하는 방법을 알 필요가 있었는데..

바로 catkin_make -DCATKIN_WHITELIST_PACKAGES="000"  기능이다.

여기에서 000 에는 빌드하고자 하는 package의 이름을 적으면 되겠다.

물론 catkin_make는 catkin workspace의 root 폴더에서 실행해야 한다는 사실도 잊으면 안된다!

Robot Teaching SW를 개발하다보니, ROS의 사용을 통해 훨씬 좋은 결과를 활용할 수 있음을 알게 되었고

그러다 또 찾은 것은 이미 이를 산업 현장에 적용하고자 노력하는 컨소시움이 형성되어있음을 알 수 있었다.

그 이름은 바로 ROS Industrial.. 2012년 1월에 SW는 GoogleCode에 공유 되었고(현재는 GitHub), 

2013년 3월에 Shaun Edwards에 의해 ROS Industrial 컨소시움은 출범한다. 

ROS Industrial의 기원은 이런 곳에서 출발한다.

" 산업용 로봇 시장은 매우 커졌지만, 아직 수행하는 Task의 종류는 몇 가지로 한정되어 있다. 20년간 많은 연구비가 새로운 Task의 연구를 위해 투자되었지만, 연구실에서 연구한 내용은 실제 현장에 적용하기 어렵다. 우리는 연구실의 연구 내용을 실제 현장에 적용할 수 있는 방법을 제공하고자 한다. "

아래의 Youtube 영상을 보면 내가 하고자 하는 것들의 현실에 대해서 파악할 수 있었다..!!

https://www.youtube.com/watch?t=225&v=xenFvis_iVc

https://www.youtube.com/watch?v=GoAS9bmlenA 

https://www.youtube.com/watch?v=Ek8GKqmJ7n0 

https://www.youtube.com/watch?v=5zO46F1xEzk 

https://www.youtube.com/watch?v=eMlGV94c5WU 

ROS Industrial의 구조..

그리고 내가 연구하기에 좋은 staubli 에 관련된 SW 내용은

http://wiki.ros.org/staubli

에서 찾아볼 수 있다!

(두*로보틱스에서 원하던 Calibration 관련 기능의 단서를 Industrial Calibration package(에서 얻을 수 있지 않을까!?! http://rosindustrial.org/videos/#Industrial Calibration Library )

트레이닝은 (http://aeswiki.datasys.swri.edu/rositraining/indigo/Exercises/) 에서 하자!

* Ref 

[1] http://rosindustrial.org/

앞에서와 같은 우분투의 upgrade를 마쳤음에도 불구하고 http://wiki.ros.org/indigo/Installation/Ubuntu 에 나온대로 설치하면 뭔가 안되는 문제가 발생한다. (아마도 이유는 repository 주소가 잘못되는듯..)

최종적으로는 unable to locate package ros-indigo-desktop-full 라는 에러 메시지를 얻는다.

그래서 googling을 한 결과! 아래와 같은 좋은 정보를 얻을 수 있었고, 성공적으로 ros indigo를 설치할 수 있었다!! (ref: http://answers.ros.org/question/188732/e-unable-to-locate-package-ros-indigo-desktop-full/)

sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu trusty main" > /etc/apt/sources.list.d/ros-latest.list'

wget https://raw.githubusercontent.com/ros/rosdistro/master/ros.key -O - | sudo apt-key add -

sudo apt-get update

sudo apt-get install ros-indigo-desktop-full

apt-cache search ros-indigo

echo "source /opt/ros/indigo/setup.bash" >> ~/.bashrc
source ~/.bashrc

그런데 중간에 echo "source /opt/ros/indigo/setup.bash" >> ~/.bashrc 부분에서 setup.bash를 setup.bach 로 오타를 치는 실수가 발생...

그래서 ~/.bash 파일을 수정해 주어야 할 필요가 있었다...

일단 ~/.bash 파일은 기본적으로 hidden이 되어 있기 때문에 GUI에서는 보이지 않는다.! ㅠ

vi를 통해 수정을 해볼까 했는데.. vi 사용이 처음이라 그런 지 어색하고 어려웠다..

vi 사용법은 아래에서 참고했다.

(문자 수정하는 게 이렇게 어려울 줄이야..)

http://neoted.tistory.com/entry/vi-%EC%82%AC%EC%9A%A9%EB%B2%95-%EA%B0%84%EB%9E%B5-%EC%A0%95%EB%A6%AC-%EB%B2%84%EC%A0%BC

source /opt/ros/indigo/setup.bash

그래서 위의 과정을 무사히 마치고, (command 창에는 아무 말도 안나온다.)

sudo apt-get install python-rosinstall

위의 과정을 마침으로써 이제 Ros 설치는 완성~!!!

그런데 한국의 ros wiki (http://www.ros.or.kr/index.php/Install_ros) 를 보니 아래의 과정도 거치라고 한다.

$ sudo apt-get install python-rosdep python-wstool python-rosinstall python-rospkg

그런데 일단 나중에 해도 될 것 같아서 여기에 기록만 해 두고 넘어간다!

이제 아래와 같이 command line에 roscore 를 입력해 주었을 때 error message가 없이 잘 나온다면 성공!

그 동안 Robot 의 easy teaching을 위해 C++와 MFC로 무한 개발의 늪에 빠져 있었다..

Robot의 추상화, robotic algorithm, Teaching SW library, 등..

특히 robotics algorithm은 최적화 된 algorithm이 아님에도 불구하고 굉장히 많은 시간을 요한다.

(이러다 시뮬레이터 하나 개발하겠어~ 라는 느낌이 들더라는!)

그! 래! 서! 인터넷을 검색해 보았는데 결국.. 아래와 같은 멋진 영상을 보게 된다.

https://www.youtube.com/watch?v=IfP6J9Bxt2w

https://www.youtube.com/watch?v=vylvdHeoxWA   (특히 이 영상은 나에게 더욱 눈물을 안겨준다..)

사실 내가 구현을 하고 있던 내용이 이미 완성되어 있었다는 좌절감... 과 함께 

time consuming 그만하고 OpenSource를 활용해 더 나은 SW를 만들어 보겠어!! 라는 희망을 느껴본다!!

( 심지어 BSD 라이센스라서 원할 경우 상업용으로 재배포 가능하다. 물론 모두를 위해 open 하는 것이 좋겠지! )

우선 오늘은 주말이니 가족과 함께 시간을 보낸 후..

(특히 아들 녀석과 놀아줘야 해서 키즈 카페에서 한바탕 뛰어다녔다.)

모두가 잠든 이 고요한 시각에 예전에 사용하던(이젠 너무 구형이 되어버린..ㅠ) 64GB SSD 를 꺼내어 본다!

그래, 이곳에 Ubuntu를 설치하고 ROS 사용의 초석을 다져보겠어!

물론 집에서 얼마나 열심히 할 수 있을 지는 모르겠지만... 일단 설치는 완료했다.

내가 참고한 사이트는 아래와 같다. 아래 글만큼 정리를 잘 할 자신은 없고, 일단 reference를 달아 본다.

* Ref

[1] http://blog.naver.com/bb_/220394881339

[2] http://blog.naver.com/kimmy5000?Redirect=Log&logNo=220298448745

아, 연구실 컴퓨터는 VM ware를 사용하고 있고, 일전에 Ubuntu 12.04 LTS를 설치한 적이 있다.

그래서 upgrade 메시지가 자동으로 떠서 확인을 눌러 주었는데... 시간이 엄청나게 오래 걸린다.

그냥 새로 설치하는 것이 나을 뻔 했다.. ㅠㅠ

aliasing은 image scaling을 시도할 때 발생한다. 

아래 사진을 보면, 이미지를 간단한 방식(image decimation)으로 suibsampling 했더니 이상한 패턴(aliasing)이 발생한다.

왜 발생하는 것일까?

신호처리에서 배웠던 nyquist thorem을 돌이켜 보자. 

만약, 우리의 image가 2pixel을 주기로 intensity 신호를 갖는다면, 우리는 충분한 주기(4 pixel)로 샘플링을 해 주어야 같은 신호를 얻을 수 있다. 

그렇지 않으면..  It will be confused with a low frequency signal after we have sampled.

aliasing을 제거하기 위해서는 image에서 high frequency 성분을 제거해야 한다. 

The way to eliminate this alias in problem is to remove the high frequency components from the image 

방법으로는 우선 Gaussian kernel을 통해 blurring을 한 후에 subsampling을 하면 된다. 

* Ref

[1] https://moocs.qut.edu.au/courses/791/learn

요즘 떠오르는 대세인 딥 러닝!

딥러닝의 이론도 중요하지만, 우리에게는 이러한 이론을 학습시킬 머신 또한 중요하다! 

(무조건 좋은 사양보다는, 불필요한 비용(cost)은 최적화 된 사양을 맞추는 것이 좋겠다!)

그래서 열심히 웹 자료들을 뒤져서 좋은 사양을 찾아 소개할까 한다.

일단 GPU는 꼭 사용하도록 하자! 

(왜 GPU를 사용하는가?는 NVIDIA의 홈페이지에서 확인 가능하다. http://www.nvidia.com/object/what-is-gpu-computing.html )

(어떤 GPU를 사용해야하는가? 는 http://www.nvidia.com/object/what-is-gpu-computing.html  에 몹시 정리가 잘 되어 있다!)

결론부터 이야기 하자면, 

GPU : GTX titanX (향후 3~6년은 거뜬할 12GB의 메모리!!)

(Nvidia CEO에 의하면 TitanX가 메모리를 많이 필요로 하는 deep learning에 특화되었다고 한다! [4])

(심지어 GTC 2015에서 TitanX를 강력 추천 때리기도..!! [5])

(GPU benchmark에 의하면 980Ti 가 성능이 더 좋은 것으로 나오긴 하지만.. 코어도 메모리도 titanX가 앞선다. (2816 -> 3,072, 6GB->12GB)

CPU : 

최근 새로 나온 하스웰 CPU들은 PCIe를 충분히 지원하지 않는 경우가 있으니 주의해야 한다.
(참고로 요새 많이 쓰이는 5820K 는 40이 아닌 28 , 4790K는 16 lane만 제공한다. 충분하지 않은 이유는 [6] 에서 참조하자!)

(그리고 마더보드의 PCIe 버전과 호환되는 지 확인!)

CPU 캐쉬 사이즈는 크게 중요하지는 않다.

RAM : 

asynchronous mini-batch allocation <- 요게 필수!

GPU 램보다 많게 유지하는 것도 중요함.

clock이나 크게 중요치 않다.

Hard/SSD : 

충분한 여유 공간을 남기도록 한다.

POWER : 

파워는 충분히

GPU(들)에 필요한 Watt + CPU에 필요한 Watt + 100~300 Watt

기왕이면 efficiency rate이 좋은 것이 아무래도 좋겠지!

Cooling : 

생각보다 cooling이 중요하다. Deep learning 연산 중 GPU의 온도는 금새 뜨거워지는데, GPU는 온도를 유지하기 위해 자체적으로 속도를 느리게 만들기 때문이다. BIOS 셋업을 통해 fan speed를 최고로 올리거나 (소음을 견딜 수 있다면..) 수냉 방식의 쿨러를 추가하는 방법(조금 어렵지만)이 있다. 

For morphological erosion, the output pixel is set if all of the input pixels in the structuring elements are set.

For morphological dilation, the output pixel is set if any of the input pixels in the structuring element are set.

* Ref

[1] https://moocs.qut.edu.au/courses/791/learn

Convolution.pdf

사실 associativity를 생각해보면 가우시안의 convolution은 결국 작은 값의 convolution을 여러번 반복한 것과 같다. 그런데 그것보다는 큰 convolution을 한 번에 수행하는 것이 훨씬 computationally 효율적이겠지!

(마치 1+1+1+1... 하는 것보다 큰 수를 한 번에 더하는 것과 같은 느낌이랄까..)

https://www.youtube.com/watch?v=Ma0YONjMZLI

correlation과 convolution의 가장 큰 차이점은 convolution이 associative하다는 것이다!!

The key difference between the two is that convolution is associative. 

(In general, people use convolution for image processing operations such as smoothing, and they use correlation to match a template to an image. Then, we don’t mind that correlation isn’t associative, because it doesn’t really make sense to combine two templates into one with correlation, whereas we might often want to combine two filter together for convolution. When discussing the Fourier series as a way of understanding filtering, we will use convolution, so that we can introduce the famous convolution theorem.)

Correlation은 아래와 같이 Image similarity를 보는 데 쓰인다. 

(만약 Image가 같은 이미지인데 일정한 상수값이 곱해진 이미지라면, ZNCC 값이 1 인 것으로 같은 이미지라는 것을 알 수 있음)

- 아래는 image에서의 FFT