<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Zeung-il Kim on Medium]]></title>
        <description><![CDATA[Stories by Zeung-il Kim on Medium]]></description>
        <link>https://medium.com/@endland?source=rss-3e71ced09571------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*gE1xeVCSe1VZtmIVg1xAcw.jpeg</url>
            <title>Stories by Zeung-il Kim on Medium</title>
            <link>https://medium.com/@endland?source=rss-3e71ced09571------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 01:25:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@endland/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Github basic]]></title>
            <link>https://endland.medium.com/github-basic-2170b7cefd3e?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/2170b7cefd3e</guid>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Thu, 30 May 2024 00:50:39 GMT</pubDate>
            <atom:updated>2024-05-30T00:50:39.029Z</atom:updated>
            <content:encoded><![CDATA[<p>간단하게 저장소(repository)를 가져와서 로컬(local)에서 수정 하고 upload하는 과정을 해보고자 함.</p><p>원격 repository를 가져오는 명령어</p><p><em>git clone &lt;URL&gt;.git</em></p><p>repository 확인</p><p><em>git remote -v</em></p><p>repository 추가 및 제거, 삭제</p><p><em>git remote add kzi &lt;URL&gt;/kzi.git</em></p><p><em>git remote remove kzi</em></p><p><em>git remote set-url &lt;저장소 이름&gt; &lt;URL&gt;.git</em></p><p>원격 repository와 local data가 얼마나 다른지 보여 주는 것</p><p><em>git status</em></p><p>수정한 파일을 원격 repository에 올릴 준비하기</p><p><em>git add &lt;file_name&gt;</em></p><p><em>git add . #모든 파일 올릴 준비</em></p><p><em>git commit -m “커밋 내용&quot; # 올릴 내용 confirm</em></p><p><em>예) git commit -m “README.md aaa.txt bbb.c”</em></p><p><em>git commit -a </em>모든 파일을 올리는 경우, (commit message를 입력해 줘야함.)</p><p><em>git push origin master 를 하면 실제 반영됨을 확인 할 수 있음. (ID와 PW입력 필요)</em></p><p>ID를 확인 할 수 없다고 나오면 다음과 같이 자신의 ID를 설정해주면 됨.</p><p><em>git config --global user.email “</em><a href="/service/mailto:endland@gmail.com"><em>id@email.com</em></a><em>”</em></p><p>git remote add origin <a href="https://gitbub.com/yourid/repository">https://gitbub.com/yourid/repository</a> # 근데 git에서 repository를 만들어 주는 명령어가 뭐냐?? 여기서는 github사이트에서 미리 만들어 놨음.</p><p>git push origin master #[rejected] master-&gt;master (fetch first)가 뜨는 경우 강제 push가능함. 기존 데이터 손상 우려</p><p>git push origin +master # 강제 push</p><p>저장소에 파일 올리기, 먼저 github 사이트에서 <a href="https://github.com/endland/kalman_filter">kalman_filter</a> 이름의 새 repository를 생성한다.</p><p>git reset # 필요시.<br>git init<br>git status<br>git add . #모든 파일<br>git commit -m “simple kalman filter example”<br>git remote add origin <a href="https://github.com/endland/kalman_filter">https://github.com/endland/kalman_filter</a><br>git remote rm origin # fatal: remote origin already exists. 오류인 경우<br>git remote add origin <a href="https://github.com/endland/kalman_filter">https://github.com/endland/kalman_filter</a></p><p>git push origin master</p><p>git push -f origin master # 강제 push (github작업내용 사라짐)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2170b7cefd3e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[휴가하루쓰다. 请了一天假。]]></title>
            <link>https://endland.medium.com/%ED%9C%B4%EA%B0%80%ED%95%98%EB%A3%A8%EC%93%B0%EB%8B%A4-%E8%AF%B7%E4%BA%86%E4%B8%80%E5%A4%A9%E5%81%87-53a0e0954df5?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/53a0e0954df5</guid>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Mon, 04 Mar 2024 14:20:07 GMT</pubDate>
            <atom:updated>2024-03-04T14:20:07.625Z</atom:updated>
            <content:encoded><![CDATA[<p>휴가하루쓰다. 请了一天假。</p><p>私事 ＜ — ＞ 公事 , 打招呼。</p><p>烟台的物价算高的。 贵的。</p><p>算了。 你算老几。</p><p>用A 代替B , 不B, (但是)A</p><p>用爬楼梯代替坐电梯， 不坐电梯爬楼梯。</p><p>A 替 B 사람에 씀, 你替我去韩国出差。</p><p>闯红灯，违章拍照。实线，虚线。</p><p>前轮压实线， 监控，摄像头，</p><p>驾照=驾驶证</p><p>我不想再说你说话。更 + a</p><p>再来一并啤酒。 再 + v</p><p>读 = 念</p><p>请读一下， 这个字念什么？</p><p>在北京读的大学，</p><p>儿子现在念一年级。</p><p>平板儿， 台式电脑，笔记本电脑</p><p>工位， 配置， 显示器， 键盘， 鼠标</p><p>宝物， 录音。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=53a0e0954df5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[C++] 숫자, 문자 변환]]></title>
            <link>https://endland.medium.com/c-%EC%88%AB%EC%9E%90-%EB%AC%B8%EC%9E%90-%EB%B3%80%ED%99%98-8cd5753545cc?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/8cd5753545cc</guid>
            <category><![CDATA[cpp]]></category>
            <category><![CDATA[coding-test]]></category>
            <category><![CDATA[string-to-integer]]></category>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Mon, 25 Oct 2021 02:32:19 GMT</pubDate>
            <atom:updated>2021-10-25T02:32:19.885Z</atom:updated>
            <content:encoded><![CDATA[<p>medium에서 code block 입력 : ctrl+alt+6</p><p>코테에서 숫자를 문자로 바꾸거나 반대로 문자를 숫자로 바꿔야 되는 경우가 빈번한데, 이 경우 유용한 방법임.</p><pre>#include &lt;bits/stdc++.h&gt;</pre><pre>using namespace std;</pre><pre>int main()<br>{<br>    int num;<br>    cin&gt;&gt;num;</pre><pre>    string str = to_string(num);<br>    string str2 = &quot;BK12&quot;;</pre><pre>    for(int i=0; i&lt;str.size(); i++) cout&lt;&lt;str[i]&lt;&lt;&#39;\n&#39;;<br>    <br>    int a = str[0] - &#39;0&#39;;<br>    int b = str[1] - &#39;0&#39;;</pre><pre>    cout&lt;&lt;a+b&lt;&lt;&#39;\n&#39;;<br>     <br>    cout&lt;&lt;isdigit(str[0])&lt;&lt;&#39;\n&#39;;<br>    cout&lt;&lt;isdigit(str[1])&lt;&lt;&#39;\n&#39;;<br>}</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8cd5753545cc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Wireshark dissector for ISO15118 EV charging Protocol]]></title>
            <link>https://endland.medium.com/wireshark-dissector-for-iso15118-ev-charging-protocol-25928623c617?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/25928623c617</guid>
            <category><![CDATA[wireshark]]></category>
            <category><![CDATA[iso15118]]></category>
            <category><![CDATA[dissector]]></category>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Thu, 27 May 2021 06:53:21 GMT</pubDate>
            <atom:updated>2021-05-27T06:53:21.569Z</atom:updated>
            <content:encoded><![CDATA[<p><a href="https://www.wireshark.org/docs/wsdg_html_chunked/ChapterDissection.html">Chapter 9. Packet Dissection</a></p><p>통상 가장 하위단의 data dissector에서 분석 후 상위단으로 넘겨주는 구조. 예를 들면 Ethernet header 분석을 위해 Ethernet dissector가 동작하고 그 다음 payload를 다음 dissector로 넘기는 형태(IP dissector). ISO 15118용 dissector는 plugin 형태로 개발 되었다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/461/0*xgutJCbNonj8B14d.png" /><figcaption><strong>Wireshark function blocks [</strong><a href="https://www.wireshark.org/docs/wsdg_html_chunked/ChWorksOverview.html">https://www.wireshark.org/docs/wsdg_html_chunked/ChWorksOverview.html</a>]</figcaption></figure><p>wireshark_src/plugins/epan/ 아래에 이러한 custom dissector들이 모여 있다.</p><pre>º Protocol Tree : Dissection information for an individual packet.<br>º Dissectors. The various protocol dissectors in <em>epan/dissectors</em>.<br>º Dissector Plugins - Support for implementing dissectors as <br>  separate modules. Source code can be found in <em>plugins</em>.<br>º Display Filters - The display filter engine at <em>epan/dfilter</em>.</pre><p>packet-iso15118.c 구조</p><pre>#include &quot;config.h&quot;<br>#include &lt;epan/packet.h&gt;  // epan : Enhanced Packet analyzer</pre><p>기본적으로 들어가는 include file들 (boilerplate)</p><pre>#define ISO15118_PORT 15118</pre><p>처음 SDP수행하는 UDP 포트 번호 (ISO표준에서 규정되어 있음)</p><pre>static int proto_iso15118 = -1;</pre><p>프로토콜 핸들(prtocol handle)을 저장할 int type 변수 정의하고 -1로 초기화.</p><p>다음으로 메인 프로그램과 연결하기 위한 기본 함수 두개<strong><em>prtoto_register_iso15118</em></strong>과<strong><em> proto_reg_handoff_iso15118</em></strong>를 구성한다.</p><pre>void proto_register_iso15118(void) {<br>   static hf_register_info hf[] = {<br>       { &amp;hf_iso15118_version, <br>           { &quot;iso15118 Version&quot;, &quot;iso15118.version&quot;, <br>              FT_UINT8, BASE_HEX, <br>              NULL, 0x0, <br>              NULL, HFILL }<br>       }, <br>       ......<br>       //표준에서 규정한 모든 data 정보들을 기입 해줌</pre><pre>    };</pre><pre>    <strong><em>proto_iso15118</em></strong> = proto_register_protocol(<br>         &quot;ISO15118 Protocol&quot;, /* name        */<br>         &quot;ISO15118&quot;,          /* short name  */<br>         &quot;iso15118&quot;           /* filter name */<br>    );<br>}</pre><pre>// hf : header field<br>// ett : epan tree type<br>* </pre><p>proto_register_iso15118 함수는 iso15118 프로토콜을 wireshark 에 등록하는데 사용된다. (proto_register_protocol 함수를 호출, 이 함수는 프로토콜 핸들은 반환한다.)</p><p>“name”과 “short name”은 wireshark 메뉴의 “Preferences” 와 “Enabled protocol” 대화창에서 보여지고, “filter name”은 “Apply a display filter” 에서 사용한다.</p><p>iso15118 통신은 초기에 UDP로 통신을 개시 한 후 TCP 연결을 맺기 때문에 두개의 dissector handle 변수를 정의 한다.</p><pre>static dissector_handle_t iso15118_handle;<br>static dissector_handle_t dissect_iso15118_tcp_handle;</pre><p>이제 프로토콜 데이터를 전달할 handoff 함수를 정의 한다.</p><pre>void proto_reg_handoff_iso15118(void) {</pre><pre>     // create dissector to do dissecting (UDP)<br>     iso15118_handle = <strong><em>create_dissector_handle</em></strong>(dissect_iso15118_udp,<br>                        proto_iso15118); </pre><pre>     // dissector for TCP connection<br>     dissect_iso15118_tcp_handle = <br>      <strong><em>create_dissector_handle</em></strong>(dissect_iso15118_tcp, proto_iso15118); </pre><pre>     heur_dissector_add(&quot;tcp&quot;, dissect_iso15118_tcp, &quot;ISO15118 over <br>         TCP&quot;, &quot;iso15118_tcp&quot;, proto_iso15118, HEURISTIC_ENABLE);</pre><pre>     <strong><em>dissector_add_uint</em></strong>(&quot;udp.port&quot;, ISO15118_PORT, iso15118_handle);</pre><p>handoff 루틴은 프로토콜 트래픽을 프로토콜 핸들러와 연결하는 역할을 하는데, 크게 두 단계로 구성되어 있다. 먼저 실제 프로토콜 분석이 이루어지는 dissector handle을 생성하고, 그 다음 이 핸들은 등록하여 해당 dissector가 호출 될 수 있도록 한다. iso15118은 UDP 통신후 (ServiceDiscovery), 실제 V2G 통신은 TCP로 이루어 지므로 udp와 tcp를 처리하는 두 개의 핸들을 생성한다.</p><p>지정된 UDP 포트로 들어오는 트래픽을 iso15118 프로토콜과 연결시켜주기 위해 dissector_add_uint 함수를 사용하고, Wireshark에서는 port번호 15118로 UDP 트래픽이 들어오면 dissect_iso15118_udp 함수를 호출하게 된다.</p><p>UDP로 연결 후 실제 V2G 통신을 위한 TCP 포트를 주고 받으면 TCP용 dissector를 호출해야 한다. 그래서 heur_dissector_add() 함수가 추가 되었다.</p><p>이제 실제 트래픽을 분석하는 dissect_iso15118_udp 함수를 작성하면 된다.</p><pre>static int <br>dissect_iso15118_udp(tvbuff_t *tvb, packet_info *pinfo, <br>                             proto_tree *tree _U_, void *data _U_)<br>{<br>     col_set_str(pinfo-&gt;cinfo, COL_PROTOCOL, &quot;ISO15118&quot;);<br>     col_clear(pinfo-&gt;cinfo, COL_INFO);</pre><pre>     ......</pre><pre>     return tvb_captured_length(tvb);<br>}</pre><p>port번호 15118로 들어오는 UDP 패킷을 분석하기 위해 dissect_iso15118_udp 함수가 호출된다. 패킷 데이터는 “tvb”라는 특수한 버퍼에 담겨져 있으며 “packet_info” 구조체에는 프로토콜에 대한 일반적인 정보가 담겨져 있어서 이 걸 보고 정보를 update할 수 있다.</p><p>“tree” 파라메터는 상세 분석이 이루어지는 부분이며 뒤에 따라 붙는 “_U_”는 컴파일러에게 파라메터들이 사용되지 않는 다는 것을 알려 줘서 warning을 발생하지 않게 한다.</p><p>“col_set_str”는 wireshark 창의 protocol 컬럼에 표시되도록 하는 것이며, “col_clear”는 Info 컬럼을 초기화 해주는 것이다.</p><p>이제 Payload에 라벨링을 해줌으로써 분석된 패킷 결과를 보기 쉽게 트리 구조로 만들어 가면 된다.</p><pre>static int <br>dissect_iso15118_udp(tvbuff_t *tvb, packet_info *pinfo, <br>                             proto_tree *tree _U_, void *data _U_)<br>{<br>     col_set_str(pinfo-&gt;cinfo, COL_PROTOCOL, &quot;ISO15118&quot;);<br>     col_clear(pinfo-&gt;cinfo, COL_INFO);</pre><pre>    // 신규 서브트리를 추가 한다.<br>     proto_item *ti = <strong><em>proto_tree_add_item</em></strong>(tree, proto_iso15118, <br>                                           tvb, 0, -1, ENC_NA);<br>     </pre><pre>      return tvb_captured_length(tvb);<br>}</pre><p>iso15118 프로토콜 트리를 만들어 주고 다른 프로토콜을 캡슐화 하고 있지 않으므로 받은 데이터를 전부(0, -1) 사용하며, big endian 또는 little endian 엔코딩을 사용하지 않기 때문에 not applicable (ENC_NA)로 설정한다. proto_tree_add_item 함수가 호출 되면 “ISO15118” 라벨이 wireshark protocol 창에 보이게 된다. (filter 창에서 선택 가능)</p><p>이제 다음 단계로 패킷에 표시할 데이터들과 서브트리에 포함될 데이터들을 구조체로 만들어 “hf_register_info” 와 “ett” 이름으로 할당하고, (hf : header field) “proto_register_field_array()”와 “proto_register_subtree_array()” 호출하여 등록한다. 이 부분이 노가다 성이 짙다. (ett : epan tree type)</p><pre>/* == Registering data structures == */ <br>static int hf_iso15118_version = -1;<br>static int hf_iso15118_inv_version = -1;<br>static int hf_iso15118_payload_type = -1;<br>static int hf_iso15118_payload_length = -1;</pre><pre>static gint ett_iso15118 = -1;<br>static gint ett_v2gtp = -1;<br>static gint ett_app = -1;<br>static gint ett_header = -1;<br>static gint ett_iso15118_tls = -1;<br>static gint ett_cert_tree= -1;<br><br>void proto_register_iso15118(void){<br>     static <strong><em>hf_register_info</em></strong> hf[] = {<br>       { &amp;hf_iso15118_version,<br>          { &quot;iso15118 Version&quot;, &quot;iso15118.version&quot;,<br>             FT_UINT8, BASE_HEX,<br>             NULL, 0x0,<br>             NULL, HFILL }<br>       },<br>       { &amp;hf_iso15118_inv_version,<br>          { &quot;iso15118 Inverse Version&quot;, &quot;iso15118.inv_version&quot;,<br>             FT_UINT8, BASE_HEX,<br>             NULL, 0x0,<br>             NULL, HFILL }<br>       },<br>       { &amp;hf_iso15118_payload_type,<br>          { &quot;iso15118 Payload Type&quot;, &quot;iso15118.payload_type&quot;,<br>             FT_UINT16, BASE_HEX,<br>             NULL, 0x0, <br>             NULL, HFILL }<br>       },<br>       { &amp;hf_iso15118_payload_length,<br>           { &quot;iso15118 Payload Length&quot;, &quot;iso15118.payload_length&quot;,<br>              FT_UINT32, BASE_DEC,<br>              NULL, 0x0, <br>              NULL, HFILL }<br>        },</pre><pre>       ........</pre><pre>        { &amp;hf_iso15118_evsevoltagelimitachieved,<br>          { &quot;EVSEVoltageLimitAchieved&quot;,      <br>            &quot;iso15118.evsevoltagelimitachieved&quot;,<br>            FT_STRING, BASE_NONE,<br>            NULL, 0x0,<br>            NULL, HFILL }<br>        },<br>        { &amp;hf_iso15118_evsepowerlimitachieved,<br>          { &quot;EVSEPowerLimitAchieved&quot;, <br>            &quot;iso15118.evsepowerlimitachieved&quot;, <br>            FT_STRING, BASE_NONE,<br>            NULL, 0x0,<br>            NULL, HFILL }<br>        }<br>      };</pre><pre>      /* Setup protocol subtree array */ <br>      static gint *<strong><em>ett</em></strong>[] = {<br>            &amp;ett_iso15118,<br>            &amp;ett_v2gtp,<br>            &amp;ett_app, <br>            &amp;ett_header,<br>            &amp;ett_iso15118_tls,<br>            &amp;ett_cert_tree,<br>      };  </pre><pre>     <strong><em>proto_iso15118</em></strong> = proto_register_protocol(<br>         &quot;ISO15118 Protocol&quot;, /* name        */<br>         &quot;ISO15118&quot;,          /* short name  */<br>         &quot;iso15118&quot;           /* filter name */<br>    );</pre><pre>   proto_register_field_array(proto_iso15118, hf, array_length(hf));<br>   proto_register_subtree_array(ett, array_length(ett));</pre><pre>}</pre><pre>############################################################<br>위에서 처럼 hf array 에 iso15118 표준의 모든 데이터 타입들은 정의해 놓는다. <br>이제 iso15118 PDU(Protocol Data Unit)들의 각 필드들을 dissect_iso15118_udp()와 dissect_iso15118_tcp() 함수에서 분석 할 수 있다. 이 함수들의 형태를 보면 아래와 같이 proto_item_add_subtree()  proto_tree_add_item()함수를 호출하는 것을 볼 수 있다. </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*JsFp-fKUEWIXti4p5H_pVg.png" /><figcaption>UDP 메시지인 ServiceDiscoveryRequest(SDP) Dissecting</figcaption></figure><p>패킷 분석을 위한 Dissector 시작</p><p>다시 “<strong><em>dissect_iso15118_udp</em></strong>” 함수로 돌아가서, 실질적으로 ISO15118 프로토콜을 분석하는 루틴을 보자. 15118 통신은 먼저 포트번호 15118을 통해 Clinet(EV)가 UDP 통신을 개시한 후 TCP 포트를 서로 주고 받은 다음 V2G TP 통신으로 넘어가게 된다.</p><pre>static int <br>dissect_iso15118_udp(tvbuff_t *tvb, packet_info *pinfo, <br>                             proto_tree *tree _U_, void *data _U_)<br>{<br>    ....</pre><pre>// 신규필드추가<br>proto_item *ti = <strong><em>proto_tree_add_item</em></strong>(tree, proto_iso15118, <br>                                           tvb, 0, -1, ENC_NA);</pre><pre>// iso15118 프로토콜의 서브트리를 추가<br>proto_tree *iso15118_tree = <strong><em>proto_item_add_subtree</em></strong>(ti, <br>                                                 ett_iso15118);</pre><pre>// iso15118 아래 V2G TP(Transport Protocol) 신규 서브트리 추가<br>v2gtp = <strong><em>proto_tree_add_subtree</em></strong>(iso15118_tree, tvb, offset, 8, <br>                                      ett_v2gtp, NULL, &quot;V2GTP&quot;);</pre><pre><strong><em>proto_tree_add_item</em></strong>(v2gtp, hf_iso15118_version, tvb, offset, 1, <br>                                                ENC_BIG_ENDIAN);</pre><pre>offset += 1;</pre><pre><strong><em>proto_tree_add_item</em></strong>(v2gtp, hf_iso15118_inv_version, tvb, offset, 1,<br>                                                 ENC_BIG_ENDIAN);</pre><pre>offset += 1;</pre><pre>......</pre><pre><br>// iso15118 아래 Application Message 신규 서브트리 추가<br>appli_msg = <strong><em>proto_tree_add_subtree</em></strong>(iso15118_tree, tvb, offset, <br>    tvb_reported_length_remaining(tvb, offset), ett_app, NULL, <br>                                         &quot;Application Message&quot;);</pre><pre>// iso15118 udp message는 ServiceDiscoveryRequest/Response로 구성<br>  if(type == 0x9000){ // 0x9000 SDP Request<br>     proto_item_append_text(type_item, &quot; (SDP request message)&quot;);<br>     proto_tree_add_item(appli_msg, hf_iso15118_transport_protocol, <br>                                 tvb, offset, 1, ENC_BIG_ENDIAN);<br>     offset += 1;<br>     proto_tree_add_item(appli_msg, <br>             hf_iso15118_transport_protocol_after, tvb, offset, 1,  <br>                                                 ENC_BIG_ENDIAN);<br>     offset += 1;<br>     col_set_str(pinfo-&gt;cinfo, COL_INFO, &quot;SDP Request&quot;);<br>     <br>     return tvb_captured_length(tvb);<br>   }<br> <br>  if(type == 0x9001){ // 0x9001 SDP Response</pre><pre>     ....<br>   }</pre><pre>return tvb_captured_length(tvb);<br>}</pre><pre>###############################################################<br>결과적으로 Header와 Application message가 아래와 같이 구성됨. <br>(SDP Request 메시지의 경우)</pre><pre><em>iso15118 --<br>             |-- ett_iso15118 --<br>                                |-- ett_v2gtp --<br>                                                |--version<br>                                                |--inv_version<br>                                                |--payload_type<br>                                                |--payload_length</em></pre><pre><em>                                |--  ett_app  --<br>                                                |--security<br>                                                |--tp_protocol</em></pre><pre>################################################################</pre><p>iso15118 프로토콜용 신규 트리를 추가 하고(<strong><em>proto_tree_add_item)</em></strong>, 이는 V2G TP + App.Msg 로 구성되므로, 그 아래 V2G TP 서브트리와 Application message 서브트리를 추가 한다. (<strong><em>proto_tree_add_subtree</em></strong>)</p><p>그리고 각 각 V2G TP 와 App.Msg 안의 구성요소들에 대한 item들(v2g_tp : version, inv_version, payload_type, payload_length)을 추가 한다. (<strong><em>proto_tree_add_item</em></strong>)</p><pre>header field 부분을 자세히 살펴 보자. </pre><pre>static <strong><em>hf_register_info</em></strong> hf[] = {<br>       { &amp;hf_iso15118_version,<br>          { &quot;iso15118 Version&quot;, &quot;iso15118.version&quot;,<br>             FT_UINT8, BASE_HEX,<br>             NULL, 0x0,<br>             NULL, HFILL }<br>       }<br>        ...<br>     };</pre><pre>/*<br>hf_iso15118_version : 해당 노드의 인덱스<br>iso15118 Version : 라벨<br>iso15118.version : display filter에서 사용할 수 있는 약어<br>                    (예, iso15118.version == 0x01)<br>FT_UINT8 : 아이템의 타입<br>BASE_HEX : 숫자 표시 형태 (BASE_DEC, BASE_OCT 등)<br>*/</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=25928623c617" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ROS2 + Darknet 사용하기]]></title>
            <link>https://endland.medium.com/ros2-darknet-%EC%82%AC%EC%9A%A9%ED%95%98%EA%B8%B0-337ad8cd3d28?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/337ad8cd3d28</guid>
            <category><![CDATA[ros2]]></category>
            <category><![CDATA[2d-bounding-box]]></category>
            <category><![CDATA[darknet]]></category>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Thu, 27 May 2021 06:15:11 GMT</pubDate>
            <atom:updated>2021-08-04T06:04:53.185Z</atom:updated>
            <content:encoded><![CDATA[<p>ROS2 Foxy에서 YoLoV3 를 돌려서 Rviz의 image topic을 통해 2D Bouning box를 확인하는 과정까지를 정리한 글입니다. (구글링으로 주워 모든 내용들, share 해준 모든 분들께 감솨~)</p><p>기본적인 구조는 opencv를 이용해서 webcam을 통해 image를 받고 이 이미지를 darknet_ros의 detector node로 보내서 Rviz에 표시하는 형태 입니다. GPU를 사용하는게 당연 좋게죠.. 저는 노트북 환경이며 GTX1070 GPU를 사용했습니다.</p><pre>컴퓨터(AI)를 이용한 개체 인식 기술 발전을 위한 대회 (PASCAL, ImageNet, MS COCO) 에서 CNN이 2012년 ImageNet 대회에서 압도적인 성능을 보여 주며 영상 인식 쪽은 CNN쪽으로 기울게 됨. LeNet, VGG, ResNet, GoogLeNet, DenseNet 등의 CNN기반 네트워크들이 계속 나옴. <br>무엇인지 인지하는 것(Classification)에서 bounding box를 그려서 위치 검출하는 것(Localization)으로 발전 → R-CNN (Region-based CNN), Fast RCNN, Faster RCNN으로 발전 하다가, </pre><pre>실시간으로 객체 인식 성능이 뛰어난 YOLO가 등장 (인식률 보단 속도에 중점, 작은 물체 인식에는 한계가 있음.)</pre><pre>SSD(Single Shot MultiBox Detector)</pre><pre>Darknet : Joseph Redmon이 개발한 신경망 프레임워크, YOLO는 Darknet 프레임워크로 개발되어 학습된 신경망 중 하나. (속도에 집중)</pre><pre>★ 일단 OpenCV를 설치 해보자. <a href="https://webnautes.tistory.com/1433"><br>https://webnautes.tistory.com/1433</a> 참고 할 것</pre><pre>$ sudo apt install libopencv-dev python3-opencv</pre><pre>$ python3 -c &quot;import cv2; print(cv2.__version__)&quot; 로 확인</pre><pre>$ pkg-config --modversion opencv4</pre><pre>$ sudo apt install apt-file</pre><pre>$ sudo apt-file update</pre><pre>$ opencv_version 으로 확인(나는 4.2.0)</pre><pre>$ apt-file search opencv4.pc</pre><pre>$ sudo apt install ros-foxy-camera-calibration-parsers<br>$ sudo apt install ros-foxy-camera-info-manager<br>$ sudo apt install ros-foxy-launch-testing-ament-cmake <br>$ sudo apt install ros-foxy-image-pipeline</pre><pre>$ ros2 topic hz /image_raw  </pre><pre>★ opencv_cam을 사용하자. 아래를 클론한다. </pre><pre>$ git clone <a href="https://github.com/clydemcqueen/opencv_cam.git">https://github.com/clydemcqueen/opencv_cam.git</a><br>$ git clone <a href="https://github.com/ptrmu/ros2_shared.git">https://github.com/ptrmu/ros2_shared.git</a></pre><pre>$ colcon build --symlink-install  빌드하고</pre><pre>$ ros2 run opencv_cam opencv_cam_main --ros-args --param index:=0<br> (frame: camera_frame, topic: /image_raw) 로 토픽 발행됨을 확인</pre><pre>$ ros2 run image_view image_view image:=/image_raw<br>  --&gt; simple viewer for ROS image topics 으로 간단히 확인 가능하다. </pre><pre>$ ros2 run image_view image_view --ros-args --remap /image:=/image_raw<br></pre><pre>$ ros2 topic hz /image_raw</pre><pre>카메라 캘리브레이션 (필요시)</pre><pre>$ ros2 run camera_calibration cameracalibrator --size 8x6 --square 0.063 --approximate 0.3 --no-service-check image:=/image_raw<br>또는<br>$ ros2 run camera_calibration cameracalibrator --size 8x6 --square 0.063 --approximate 0.3 --no-service-check --ros-args --remap /image:=/image_raw</pre><pre>tar -xvf calibrationdata.tar.gz</pre><pre><a href="https://robocademy.com/2020/05/01/a-gentle-introduction-to-yolo-v4-for-object-detection-in-ubuntu-20-04/">https://robocademy.com/2020/05/01/a-gentle-introduction-to-yolo-v4-for-object-detection-in-ubuntu-20-04/</a>  참고 할 것. </pre><pre>★ cudnn 설치 하자 ============================<br><a href="https://docs.nvidia.com/deeplearning/cudnn/archives/cudnn_741/cudnn-install/index.html">https://docs.nvidia.com/deeplearning/cudnn/archives/cudnn_741/cudnn-install/index.html</a></pre><pre>★ cudnn 버전 확인<br>$cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2</pre><pre>wget <a href="https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin">https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin</a><br>sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600</pre><pre>sudo apt-key adv --fetch-keys <a href="https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub">https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub</a></pre><pre>sudo add-apt-repository &quot;deb <a href="https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/">https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/</a> /&quot;</pre><pre>sudo apt-get update</pre><pre>sudo apt --fix-broken install<br>sudo apt-get install libcudnn8<br>sudo apt-get install libcudnn8-dev <br>sudo apt-get install libcudnn8-samples</pre><pre>cp -r /usr/src/cudnn_samples_v8/ $HOME<br>cd $HOME/cudnn_samples_v8</pre><pre>cd mnistCUDNN/<br>make clean<br>make</pre><pre>만약 make 시 아래와 같은 에러가 나온다면<br>test.c:1:10: fatal error: FreeImage.h: No such file or directory</pre><pre>다음을 설치해 준다. <br>sudo apt-get install libfreeimage3 libfreeimage-dev<br></pre><pre>실행 해 본다. <br>./mnistCUDNN</pre><pre>..........<br>Result of classification: 1 3 5</pre><pre>Test passed!</pre><pre>sudo apt install libomp-dev<br></pre><pre>ROS2와 별개로 Darknet만 사용해 볼 경우 아래와 같이 빌드해 볼 수 있다. </pre><pre>★ Darknet build ================ make 사용버전</pre><pre>git clone <a href="https://github.com/AlexeyAB/darknet.git">https://github.com/AlexeyAB/darknet.git</a><br>cd darknet/</pre><pre>Makefile을 아래와 같이 수정 해 준다. </pre><pre>GPU 사용 시===================<br>GPU=1<br>CUDNN=1<br>CUDNN_HALF=1<br>OPENCV=1<br>AVX=0<br>OPENMP=0<br>LIBSO=1<br>ZED_CAMERA=0<br>ZED_CAMERA_v2_8=0<br>=====================</pre><pre>CPU only 사용 시 ===========<br>GPU=0<br>CUDNN=0<br>CUDNN_HALF=0<br>OPENCV=1<br>AVX=1   // 만약 실행 시 core dump 나면 0으로 설정하고 다시 make 할 것<br>OPENMP=1<br>LIBSO=1<br>ZED_CAMERA=0<br>ZED_CAMERA_v2_8=0</pre><pre>make clean<br>make<br>================================================</pre><pre>★ darknet build ========================= cmake 사용버전<br>* 주의! cmake를 update해야 할 수 있으므로 ROS2를 사용중이라면 빌드시스템에 영향을 미칠 수 있으니 주의 할 것 ROS2랑 연계해서 사용할 거라면 아래로 내려가서 <br>그냥 openrobotics_darknet_ros를 빌드 할 것</pre><pre><br>cmake 버전 3.18  이상이 필요하다. 현재 최신 버전(cmake-3.20.2.tar.gz) 다운 받자. <a href="https://cmake.org/download/">https://cmake.org/download/</a></pre><pre>sudo apt remove cmake  // 기존버전 지우기</pre><pre>tar -xvzf cmake-3.20.2.tar.gz<br>cd cmake-3.20.2<br>./bootstrap<br>make<br>sudo make install</pre><pre>cmake --version</pre><pre>cd darknet<br>mkdir build_release<br>cd build_release<br>cmake ..<br>make<br>======================================================</pre><pre>★ Yolo 사용하기 <br>Download weight. : <a href="https://drive.google.com/file/d/1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT/view">https://drive.google.com/file/d/1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT/view</a></pre><pre>다운로드한 웨이트 파일을 darknet 폴더로 카피한다. </pre><pre>./darknet detect cfg/yolov4.cfg yolov4.weights data/person.jpg<br>또는<br>./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights data/person.jpg -i 0 -thresh 0.25</pre><pre>Download sample video : <a href="https://drive.google.com/file/d/1w4emvTuxVhDWUGsQ6uwWPXhjL74sxOIJ/view">https://drive.google.com/file/d/1w4emvTuxVhDWUGsQ6uwWPXhjL74sxOIJ/view</a></pre><pre>./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test50.mp4 -i 0 -thresh 0.25</pre><p>샘플비디오 실행 결과</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Cop1JZEd-eSDvwkO0TAh2g.png" /><figcaption>test50.mp4 detection result</figcaption></figure><p>Darknet_ROS2 : ROS2에서 Darknet 사용하기</p><pre>위의 darknet 빌드 없이 사용 가능하다. openrobotics_darknet_ros로 대신한다.</pre><pre>★ vision_msgs 클론 한다. <br>git clone <a href="https://github.com/ros-perception/vision_msgs.git">https://github.com/ros-perception/vision_msgs.git</a><br>git checkout foxy<br>colcon build --symlink-install --packages-select vision_msgs<br>source install/setup.bash</pre><pre>★ 다크넷 로스 Wrapper 클론<br>git clone <a href="https://github.com/ros2/darknet_vendor.git">https://github.com/ros2/darknet_vendor.git</a></pre><pre>colcon build --symlink-install --packages-select darknet_vendor</pre><pre>fatal error: cuda_runtime.h: No such file or directory 에러가 나오는 경우<br>export CPATH=/usr/local/cuda/targets/x86_64-linux/include:$CPATH<br>export LD_LIBRARY_PATH=/usr/local/cuda/targets/x86_64-linux/lib:$LD_LIBRARY_PATH<br>export PATH=/usr/local/cuda/bin:$PATH 해준다.</pre><pre>error: ‘IplImage’ does not name a type; 에러가 나오는 경우</pre><pre>build/darknet_vendor/_deps/darknet-download-src/src/image_opencv.cpp 파일 수정</pre><pre>&#39;&#39;&#39;<br>IplImage *image_to_ipl(image im) 와 image ipl_to_image(IplImage* src) 함수는 삭제하고, image를 mat 로 바로 컨버전 하도록 수정한다. </pre><pre><em>Mat image_to_mat(image im)<br>{<br>    image copy = copy_image(im);<br>    constrain_image(copy);<br>    if(im.c == 3) rgbgr_image(copy);</em></pre><pre><em>//IplImage *ipl = image_to_ipl(copy);<br>    //Mat m = cvarrToMat(ipl, true);<br>    //cvReleaseImage(&amp;ipl);<br> Mat m(cv::Size(im.w,im.h), CV_8UC(im.c));<br> int x,y,c;</em></pre><pre><em>int step = m.step;<br> for(y = 0; y &lt; im.h; ++y){<br>     for(x = 0; x &lt; im.w; ++x){<br>         for(c= 0; c &lt; im.c; ++c){<br>             float val = im.data[c*im.h*im.w + y*im.w + x];<br>             m.data[y*step + x*im.c + c] = (unsigned char)(val*255);<br>         }<br>     }<br> }<br>    free_image(copy);<br>    return m;<br>}</em></pre><pre><em>image mat_to_image(Mat m)<br>{<br>    //IplImage ipl = m;<br>    //image im = ipl_to_image(&amp;ipl);<br> int h = m.rows;<br> int w = m.cols;<br> int c = m.channels();<br> image im = make_image(w, h, c);<br> unsigned char *data = (unsigned char *)m.data;<br> int step = m.step;<br> int i, j, k;</em></pre><pre><em>for(i = 0; i &lt; h; ++i){<br>     for(k= 0; k &lt; c; ++k){<br>         for(j = 0; j &lt; w; ++j){<br>             im.data[k*w*h + i*w + j] = data[i*step + j*c + k]/255.;<br>         }<br>     }<br> }<br>    rgbgr_image(im);<br>    return im;<br>}</em><br>&#39;&#39;&#39;</pre><pre>CV_CAP_PROP_FRAME_WIDTH 변수 not declared 에러가 나오는 경우<br>    CV_ 는 cv:: 로 변경 후 <br>다시 colcon build 하고 source install/setup.bash 해준다.</pre><pre>=== GPU 사용을 위해서 ~/vision_ws/build/darknet_vendor/_deps/darknet-download-src$ 안의 Makefile 수정 해준다.</pre><pre>GPU=1<br>CUDNN=1<br>OPENCV=1<br>OPENMP=0<br>DEBUG=0</pre><pre>================================================</pre><pre>/usr/bin/ld: cannot find -lcudart<br>/usr/bin/ld: cannot find -lcublas<br>/usr/bin/ld: cannot find -lcurand  에러가 나오는 경우</pre><pre>$locate libcudart.so<br>$sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcudart.so /usr/lib64<br>$ sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcublas.so /usr/lib64<br>$ sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcurand.so /usr/lib64 해준다.</pre><pre><strong><em>★ openrobotics_darknet_ros 클론</em></strong><br>git clone <a href="https://github.com/ros2/openrobotics_darknet_ros.git">https://github.com/ros2/openrobotics_darknet_ros.git</a><br>colcon build --symlink-install --packages-select openrobotics_darknet_ros</pre><pre>=============================================<br>subscribe 하는 topic 명을 맞춰주기 위해서, <br>openrobotics_darknet_ros/src/detector_node.cpp를 열어서</pre><pre>// Input topic ~/images [sensor_msgs/msg/Image]<br>  impl_-&gt;image_sub_ = this-&gt;create_subscription&lt;sensor_msgs::msg::Image&gt;(<br>    &quot;/image_raw&quot;, 12, std::bind(&amp;DetectorNodePrivate::on_image_rx, &amp;*impl_, std::placeholders::_1));</pre><pre>--&gt; topic 명을 수정 했음.<br>==============================</pre><pre>ros2 run openrobotics_darknet_ros detector_node __params:=detector_node_params.yaml</pre><pre>ros2 run openrobotics_darknet_ros detector_node --ros-args --params-file detector_node_params.yaml</pre><pre>ros2 run openrobotics_darknet_ros detector_node --ros-args --params-file ~/robot_ws/src/openrobotics_darknet_ros/detector_node_params.yaml </pre><pre>chmod a+r src/openrobotics_darknet_ros/yolov3-tiny.cfg <br>chmod a+r src/openrobotics_darknet_ros/yolov3-tiny.weights <br>chmod a+r src/openrobotics_darknet_ros/coco.names </pre><pre>ros2 run openrobotics_darknet_ros detector_node --ros-args --params-file ~/robot_ws/src/openrobotics_darknet_ros/detector_node_params.yaml</pre><pre>=======================================================<br>yaml 파일 경로 설정은 다시 확인 해야 함. 내가 이부분을 잘 몰라서, <br>일단은 실행을 위해<br>ros2 run openrobotics_darknet_ros detector_node --ros-args <br>--params-file ~/vehicle_ws/build/openrobotics_darknet_ros/detector_node_params.yaml 로 실행. </pre><pre>yolov4로 하면 다음과 같이 에러남.<br>CUDA Error: out of memory<br>detector_node: /home/kzi/vision_ws/build/darknet_vendor/_deps/darknet-download-src/src/cuda.c:36: check_error: Assertion `0&#39; failed.</pre><pre>yolov3로 일단 할 것</pre><pre>yaml file 내용. [ ~/vehicle_ws/build/openrobotics_darknet_ros$ ]</pre><pre><em>~/vehicle_ws/build/openrobotics_darknet_ros$ cat detector_node_params.yaml </em></pre><pre><em>/**:<br>  ros__parameters:<br>    network:<br>      config: &quot;/home/kzi/vehicle_ws/build/openrobotics_darknet_ros/yolov3-tiny.cfg&quot;<br>      weights: &quot;/home/kzi/vehicle_ws/build/openrobotics_darknet_ros/yolov3-tiny.weights&quot;<br>      class_names: &quot;/home/kzi/vehicle_ws/build/openrobotics_darknet_ros/coco.names&quot;<br>    detection:<br>      threshold: 0.25<br>      nms_threshold: 0.45</em></pre><p>darknet_vendor 를 Cmake로 컴파일 시 에러 처리 방법</p><p>(darknet_vendor는 darknet의 CMake wrapper 임)</p><pre>darknet_vendor$ mkdir build<br>darknet_vendor$ cd build/<br>darknet_vendor/build$ cmake -DCMAKE_BUILD_TYPE=Release ..<br>-- The C compiler identification is GNU 9.3.0<br>-- The CXX compiler identification is GNU 9.3.0<br>-- Detecting C compiler ABI info<br>-- Detecting C compiler ABI info - done<br>-- Check for working C compiler: /usr/bin/cc - skipped<br>-- Detecting C compile features<br>-- Detecting C compile features - done<br>-- Detecting CXX compiler ABI info<br>-- Detecting CXX compiler ABI info - done<br>-- Check for working CXX compiler: /usr/bin/c++ - skipped<br>-- Detecting CXX compile features<br>-- Detecting CXX compile features - done<br>-- Looking for pthread.h<br>-- Looking for pthread.h - found<br>-- Performing Test CMAKE_HAVE_LIBC_PTHREAD<br>-- Performing Test CMAKE_HAVE_LIBC_PTHREAD - Failed<br>-- Looking for pthread_create in pthreads<br>-- Looking for pthread_create in pthreads - not found<br>-- Looking for pthread_create in pthread<br>-- Looking for pthread_create in pthread - found<br>-- Found Threads: TRUE  <br>-- The CUDA compiler identification is unknown<br>-- Detecting CUDA compiler ABI info<br>-- Detecting CUDA compiler ABI info - failed<br>-- Check for working CUDA compiler: /usr/bin/nvcc<br>-- Check for working CUDA compiler: /usr/bin/nvcc - broken<br>CMake Error at /usr/local/share/cmake-3.20/Modules/CMakeTestCUDACompiler.cmake:52 (message):<br>  The CUDA compiler</pre><pre>&quot;/usr/bin/nvcc&quot;</pre><pre>is not able to compile a simple test program.</pre><pre>It fails with the following output:</pre><pre>Change Dir: /home/kzi/vehicle_ws/src/darknet_vendor/build/CMakeFiles/CMakeTmp<br>    <br>    Run Build Command(s):/usr/bin/make -f Makefile cmTC_d1887/fast &amp;&amp; /usr/bin/make  -f CMakeFiles/cmTC_d1887.dir/build.make CMakeFiles/cmTC_d1887.dir/build<br>    make[1]: Entering directory &#39;/home/kzi/vehicle_ws/src/darknet_vendor/build/CMakeFiles/CMakeTmp&#39;<br>    Building CUDA object CMakeFiles/cmTC_d1887.dir/main.cu.o<br>    /usr/bin/nvcc      -c /home/kzi/vehicle_ws/src/darknet_vendor/build/CMakeFiles/CMakeTmp/main.cu -o CMakeFiles/cmTC_d1887.dir/main.cu.o<br>    ptxas fatal   : Value &#39;sm_30&#39; is not defined for option &#39;gpu-name&#39;<br>    make[1]: *** [CMakeFiles/cmTC_d1887.dir/build.make:78: CMakeFiles/cmTC_d1887.dir/main.cu.o] Error 255<br>    make[1]: Leaving directory &#39;/home/kzi/vehicle_ws/src/darknet_vendor/build/CMakeFiles/CMakeTmp&#39;<br>    make: *** [Makefile:127: cmTC_d1887/fast] Error 2</pre><pre>CMake will not be able to correctly generate this project.<br>Call Stack (most recent call first):<br>  CMakeLists.txt:138 (enable_language)</pre><pre>-- Configuring incomplete, errors occurred!<br>See also &quot;/home/kzi/vehicle_ws/src/darknet_vendor/build/CMakeFiles/CMakeOutput.log&quot;.<br>See also &quot;/home/kzi/vehicle_ws/src/darknet_vendor/build/CMakeFiles/CMakeError.log&quot;.<br>===============================================================<br>이 경우 CMakeList.txt 파일에 다음을 추가 한다. <br>set(CMAKE_CUDA_COMPILER &quot;/usr/local/cuda-11.1/bin/nvcc&quot;)</pre><pre>그리고 나서 다시 cmake -DCMAKE_BUILD_TYPE=Release .. 실행 후 make 하면<br>위의 error: ‘IplImage’ does not name a type; 나올 수 있는데 그러면 위에서 처럼 수정 해준다. </pre><p>Rviz2에서 detection 결과 2D Bounding box로 보기</p><pre>image topic과 detection topic을 subscribe 해서 그 image 위에 bounding box를 그린 image를 publish 하는 package를 클론 한다. </pre><pre>git clone <a href="https://github.com/ros2/detection_visualizer.git">https://github.com/ros2/detection_visualizer.git</a><br><br>colcon build --symlink-install</pre><pre>문제는 subscribe 하는 image topic과 frame_id를 일치 시켜 줘야 하는데, <br>일단은 체계적으로 하기 전에 무식하게 소스를 수정 한다. </pre><pre>__init__.py 파일을 열어서 먼저 구독하는 토픽이름을 맞춰 준다. (/image_raw와 /detector_node/detections)</pre><pre>self._image_sub = message_filters.Subscriber(self, Image, &#39;/image_raw&#39;)</pre><pre>self._detections_sub = message_filters.Subscriber(self, Detection2DArray, &#39;/detector_node/detections&#39;)</pre><pre>억지로 frame_id를 넣어 주기 위해서, <br>def on_detections(self, image_msg, detections_msg):<br>....<br></pre><pre>#self._image_pub.publish(self._bridge.cv2_to_imgmsg(cv_image, encoding=&quot;bgr8&quot;)) 는 주석처리하고 다음을 추가한다. </pre><pre>img_msg = self._bridge.cv2_to_imgmsg(cv_image, encoding=&quot;bgr8&quot;)<br>img_msg.header.frame_id = &#39;camera_frame&#39;<br>self._image_pub.publish(img_msg)</pre><p>전체 node/topic 그래프는 다음과 같다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JyGn2uGa2OThBoxN_yPi1g.png" /><figcaption>opencv + openrobotics_darknet + detection_visualizer</figcaption></figure><pre>=== 지금까지 과정 요약 ===</pre><pre>1. webcam image 입력<br>$ ros2 run opencv_cam opencv_cam_main --ros-args --param index:=0</pre><pre>2. yolo detector node 동작<br>$ ros2 run openrobotics_darknet_ros detector_node --ros-args --params-file ~/vehicle_ws/build/openrobotics_darknet_ros/detector_node_params.yaml</pre><pre>3. detection visualizer 토픽 발행<br>$ ros2 run detection_visualizer detection_visualizer</pre><pre>4. Rviz 실행 후 확인</pre><pre>ros2 run tf2_tools view_frames.py<br>evince frames.pdf</pre><p>잔여 항목 : yaml 파일 경로 지정, frame_id 자동 설정, 이미지토픽 네임 자유 설정 확인 (/image_raw 외)</p><pre>클론한 git 의 주소를 확인하는 명령. </pre><pre>$git remote get-url origin</pre><p>darknet ros 3d : clone 할 얘들</p><pre>git clone <a href="https://github.com/IntelligentRoboticsLabs/gb_visual_detection_3d.git">https://github.com/IntelligentRoboticsLabs/gb_visual_detection_3d.git</a></pre><pre>git checkout ros2_eloquent 버전으로 그냥 zip 다운로드 한 뒤에 darknet_ros_3d 폴더만 ~/vision_sw/src 폴더 안에 압축 해제 한다.</pre><pre><a href="https://github.com/leggedrobotics/darknet_ros/tree/foxy/darknet_ros_msgs">https://github.com/leggedrobotics/darknet_ros/tree/foxy/darknet_ros_msgs</a>  <br>의 foxy 버전</pre><pre><a href="https://github.com/IntelligentRoboticsLabs/gb_visual_detection_3d_msgs.git">https://github.com/IntelligentRoboticsLabs/gb_visual_detection_3d_msgs.git</a></pre><pre>3개를 추가하고 빌드 해준다..</pre><pre>$ ros2 run darknet_ros_3d darknet3d_node</pre><pre>frame_id를 맞춰주고 /image_raw 토픽을 입력으로 넣도록 할것이 남음...<br><a href="https://github.com/IntelligentRoboticsLabs/gb_visual_detection_3d/tree/ros2_eloquent">https://github.com/IntelligentRoboticsLabs/gb_visual_detection_3d/tree/ros2_eloquent</a>  참고</pre><p>3d와 2d topic 비교</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/713/1*J6YwYzuEO2-XQDzjwPydjw.png" /></figure><p>그냥 Webcam 타입의 monocular camera로는 거리 정보를 확인 할 수는 없는 것 같음. 내가 모르는 것일 수도 있고, Rviz 상에 표시하기 위해서는 Depth camera를 통해서 point cloud information을 publish 해야 하는 것 같다.</p><p>그 다음 2d bounding box 를 확인 해야 한다. (/detection_visualizer/dbg_images [sensor_msgs/msg/Image]) 따로 논다… ㅎㅎ</p><p>2d, 3d 연계하는 부분은 추가 진행이 필요하다..</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=337ad8cd3d28" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Jetson nano AI course Headless mode 요약]]></title>
            <link>https://endland.medium.com/jetson-nano-ai-course-headless-mode-%EC%9A%94%EC%95%BD-7b19548e9b2a?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/7b19548e9b2a</guid>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Fri, 29 Jan 2021 09:51:01 GMT</pubDate>
            <atom:updated>2021-02-02T12:36:41.031Z</atom:updated>
            <content:encoded><![CDATA[<p>Nvidia site에서 제공하고 있는 Free AI course 실습을 위한 Headless mode setup 요약</p><p>● Jetson nano spec.</p><pre><strong>CPU : </strong>Quad-core ARM A57 @ 1.43 GHz, A57은 Cortex-A57로 Armv8-A 아키텍터로 구현되어 있으므로 <strong>64bit</strong> 머신임. <br><strong>GPU</strong> : 128 core maxwell 이니 compute capability는 <strong>5.3</strong> 되겠다. (참고로 일반 비디오카드 GeForce GTX980 이 2048 core를 갖고 있다.)<br><strong>Memory</strong> : 4GB 64bit LPDDR4(Low Power Double Data Rate), 요새 2GB모델도 나온 것 같음. 애는 5V 배럴잭이 없다.</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*EfpvLmRJrZbnqn6q.jpg" /><figcaption>Jetson nano Developer kit (4GB)</figcaption></figure><p><strong>Jetson nano Headless mode : </strong>별도 모니터나 마우스, 키보드를 nano에 연결하지 않고 그냥 USB cable로 PC에 연결해서 nano를 제어하는 모드로 메모리 리소스를 절약 할 수 있다. 또한 ssh로 연결도 가능하다.</p><pre><strong><em>$ ssh &lt;username&gt;@192.168.55.1</em></strong></pre><p>Headless mode의 경우 nano에 접속하는 IP는 192.168.55.1로 고정임.</p><p>● Setup 과정 (Jetson nano 4G kit 기준)</p><pre><strong>1. DC barrel jack에 전원 연결<br>2. 30초 정도 기다리면 부팅 완료됨. USB cable을 PC에 연결한다.<br>3. USB camera를 nano에 연결한다. (/dev/video0가 생성됨)<br>4. Docker image download를 위해 최초 한번은 nano를 인터넷에 연결해야 함. <br>5. ssh 로 nano에 접속<br>6. 코스 자료를 위한 폴더 생성 mkdir -p ~/nvdli-data<br>7. 다음 명령으로 docker container 실행<br>   sudo docker run --runtime nvidia -it --rm --network host \<br>    --volume ~/nvdli-data:/nvdli-nano/data \<br>    --device /dev/video0 \<br>    nvcr.io/nvidia/dli/dli-nano-ai:&lt;tag&gt;</strong></pre><pre><strong>여기에서 &lt;tag&gt;는 코스 버전과 nano jetPack L4T 버전 조합으로 되어 있음. <br>&lt;tag&gt; = &lt;course_version&gt;-&lt;L4T_version&gt;</strong></pre><p><a href="https://ngc.nvidia.com/catalog/containers/nvidia:dli:dli-nano-ai">https://ngc.nvidia.com/catalog/containers/nvidia:dli:dli-nano-ai</a> 참조</p><p>● Jetpack 버전 및 정보 확인 (내려받은 컨테이터 태그 지정을 위해)</p><pre>$ dpkg-query --show nvidia-l4t-core</pre><pre>L4T info 확인 --&gt; $ cat /etc/nv_tegra_release</pre><pre>또는 </pre><pre>$ git clone https://github.com/jetsonhacks/jetsonUtilities<br>$ cd jetsonUtilities<br>$ python jetsonInfo.py</pre><pre><br>예를 들어<br>$ cat /etc/nv_tegra_release <br># R<strong>32</strong> (release), REVISION: <strong>4.4</strong>, GCID: 23942405, BOARD: t210ref, EABI: aarch64, DATE: Fri Oct 16 19:44:43 UTC 2020</pre><pre>--&gt; release와 REVISION을 조합하면 L4T 버전 확인 가능 : 즉, L4T 32.4.4 는 JetPack4.4.1 임을 알 수 있다. </pre><pre><a href="https://developer.nvidia.com/embedded/jetpack-archive">https://developer.nvidia.com/embedded/jetpack-archive</a> 참고</pre><p>JetPack Release 4.4.1 → Container Tag : v2.0.1-r32.4.4</p><p>JetPack Release 4.5 → Container Tag : v2.0.1-r32.5.0</p><pre><strong>스크립트를 만들어 사용하면 편리하다. </strong></pre><pre><strong>$ echo &quot;sudo docker run --runtime nvidia -it --rm --network host \<br>    --volume ~/nvdli-data:/nvdli-nano/data \<br>    --device /dev/video0 \<br>    nvcr.io/nvidia/dli/dli-nano-ai:v2.0.1-r32.4.4&quot; &gt; docker_dli_run.sh<br>$ chmod +x docker_dli_run.sh<br>$ ./docker_dli_run.sh</strong></pre><pre><strong>실행하면 컨테이너 안으로 들어가게 됨. </strong></pre><p>옵션 설명</p><pre><strong><em>--runtime nvidia </em>l4t-base 컨테이너 실행 시 NVIDIA 컨테이너 런타임을 사용<br><em>-it</em> interactive terminal mode<br><em>--rm</em> 종료시 컨테이너 삭제<br><em>--network host</em> 컨테이너가 jetson host 네트워크와 포트를 사용하게끔 해줌<br><em>--volume</em> 마운팅 디렉토리 설정, 로컬에 만든 nvdli-data 폴더와 컨테이너 폴더인 nvdli-nano/data 간 데이터 동기화<br><em>--device</em> 컨테이너에서 비디오 장치 접근을 허용</strong></pre><p>● JupyterLab Server 에 로그인 하기</p><pre><strong>192.168.55.1:8888 로 접속, Passwd는 dlinano</strong></pre><pre>jupyterLab 에 들어가서 data 폴더에 데이터를 저장하면 로컬의 nvdli-data 폴더와 같이 일관되게 데이터가 유지됨. 컨테이너 닫더라도..</pre><p>● system status</p><pre><strong><em>nvidia-smi </em></strong>can only be used on the desktop environment.</pre><pre>For Jetson, please use <strong><em>tegrastats</em></strong> instead:</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7b19548e9b2a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[[서평]머신러닝을 다루는 기술 with 파이썬, 사이킷런]]></title>
            <link>https://endland.medium.com/%EC%84%9C%ED%8F%89-%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D%EC%9D%84-%EB%8B%A4%EB%A3%A8%EB%8A%94-%EA%B8%B0%EC%88%A0-with-%ED%8C%8C%EC%9D%B4%EC%8D%AC-%EC%82%AC%EC%9D%B4%ED%82%B7%EB%9F%B0-2cf346bbef1f?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/2cf346bbef1f</guid>
            <category><![CDATA[파이썬]]></category>
            <category><![CDATA[머신러닝]]></category>
            <category><![CDATA[sklearn]]></category>
            <category><![CDATA[길]]></category>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Tue, 29 Dec 2020 06:47:43 GMT</pubDate>
            <atom:updated>2020-12-29T06:47:43.174Z</atom:updated>
            <content:encoded><![CDATA[<p>길벗 출판사에서 나온 “<strong><em>머신러닝을 다루는 기술 with 파이썬, 사이킷런</em></strong>” 책에 대한 서평단에 뽑히는 기회를 운 좋게 얻어, 이 책을 읽어본 느낌을 기술하고자 합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*3iU5D5HNa0pluJLa" /></figure><p>머신러닝을 산업계 구분없이 데이터가 있는 영역이라면 다양하게 활용되고 있는 기술입니다. 이미지 처리, 자연어 분석, 시계열 데이터 분석 등등, 자동으로 동영상 자막도 달고, 카메라 영상으로 부터 차량, 사람, 바이크 등등 구분하기도 합니다. 머신러닝의 성능은 의심의 여지는 없는 것 같습니다. 어떻게, 어떤 결과를 얻기위해 잘 활용하는냐가 관건입니다.</p><p>최근 머신러닝은 주로 CNN, LSTM, GAN과 같은 최신 딥러닝 기술이 인기입니다. 최신의 딥러닝 알고리즘을 배우고 따라가기도 힘들만큼 많은 연구가 이루어 지고 있습니다.</p><p>이 책은 최신 딥러닝 기술을 다루지는 않습니다. 그래서 처음 책을 펼쳤을 때 ‘어.. 뭐지’ 하는 느낌을 받았습니다. 하지만 딥러닝을 계속 공부하시는 분은 느끼시겠지만, 하면 할 수록 기본기에 대한 갈증을 느끼게 됩니다. 특히나 기존에 통계/확률/수치처리 등에 대한 전공이 아니라면 더욱 그러 합니다. 기본적인 가중 평균, 분산, 표준편차, 공분산, 확률밀도함수, 가우시안분포, 정규화 등등. 결국은 알아야 할 내용이더군요. 그런 부분에 대한 필요성을 느끼시는 분은 이 책이 상당히 도움이 될 것으로 판단됩니다.</p><p>책을 읽어 가면서 python script를 jupyter notebook을 통해 실행시켜 볼 수 있으므로 데이터 셋들은 다루는 방법, 고전전인 머신러닝 기법들, 전처리 방법, 하이퍼파라메터 조절 기법, 모델 평가 방법들을 배울 수 있습니다. Anaconda로 가상 환경을 설정하여 필요한 패키지들을 설치 하면 무리 없이 따라 할 수 있습니다. 단, code by code 로 설명되어 있지는 않기 때문에 생소한 함수는 구글링 하면서 봐야 합니다. python 중급 정도 실력이면 편하게 보실 것 같네요.. 저는 초급이라서. -_-;;</p><p>머신러닝 관심 있으신 분이면 Andrew Ng 교수의 강의를 들어 보셨을 겁니다. 훌륭한 강의인데 아무래도 인기 있는 python 대신 octave로 실습하는 부분이 저는 좀 아쉬웠습니다. octave가 안 좋다는 건 아니지만, 기왕이면 python으로 했으면 좀 더 좋았을 걸 하는 생각이 있었는데, 이 책을 보면서 머신러닝 기본기를 python으로 실습해 볼 수 있는 부분이 좋았습니다. 또한 주로 numpy, sklearn과 panda를 이용하기 때문에 관련된 데이터 처리, 내장 함수들 사용법을 익히기에도 괜찮습니다. 저는 개인적으로 제가 잘 몰랐던 하이퍼파라메터 튜닝, 앙상블, PCA등의 개념을 잡을 수 있어 좋았습니다.</p><p>번역서이다 보니 일부 한글화한 부분이 영문용어와 좀 어색한 부분이 있고 어색한 미국식 조크가 좀 지루하게 느껴질 수 있는 부분도 있기는 합니다만, 급속히 발전해가는 머신러닝 기술의 홍수 속에서 잠시 빠져나와서, 이 코로나 시국에 조용히 집에 앉아서 기계학습의 기본이 되는 개념들을 견고히 하는 시간으로 활용했으면 합니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2cf346bbef1f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Radar detection (AutowareAuto)]]></title>
            <link>https://endland.medium.com/radar-detection-autowareauto-8af05acc25e6?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/8af05acc25e6</guid>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Wed, 16 Dec 2020 06:51:00 GMT</pubDate>
            <atom:updated>2020-12-16T06:51:00.242Z</atom:updated>
            <content:encoded><![CDATA[<p><a href="https://gitlab.com/ApexAI/autowareclass2020/-/blob/master/lectures/09_Perception_Radar/Radar-Hands-On.md">lectures/09_Perception_Radar/Radar-Hands-On.md · master · ApexAI / AutowareClass2020</a></p><p>이 글은 위의 AutowareClass2020의 Radar perception 강좌를 기반으로 실행 해본 결과를 기록 했습니다.</p><p>Continental의 ARS408 Radar 센서 데이터를 읽고 ROS2 node를 이용해서 object messages로 publish하는 방법을 설명합니다. 검출된 object들은 RVIZ2에 표시합니다.</p><p>Radar는 mmWave 대역의 전파를 송출해서 물체를 감지하는 센서로 요즘 스마트 크루즈 컨트롤을 지원하는 대부분의 차량에 장착되고 있습니다. 규모의 경제로 가격도 많이 싸져서 운전자 지원 및 자율주행에 필수적으로 적용되는 센서 입니다.</p><ul><li>Radar 장점 : 날씨에 영향을 적게 받음, object까지 거리/각도/속력 측정 가능, object 단면 측정 가능하여 classify 가능(승용, 트럭, 사람, motorbike 등)</li></ul><p>거리측정정확도(Resolution)는 Radar 동작 주파수와 무관하며 Bandwidth(f0+B)와 관계있다. Bandwidth가 클수록 거리 오차는 줄어듬. Receiver를 2개 이상 사용해서 object의 각도를 측정함, object의 속력은 도플러 효과에 의한 주파수 shift를 측정함으로써 얻어짐. object 단면은 signal power 측정값으로 계산함.(RCS[m²], Radar Cross Section)</p><p>77G+1G(high EIRP, LRR, MRR, Cuuise), 79G+4G(SRR, MRR, Perception)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dRF_SqnzdS0pvrZSUtZUHA.jpeg" /><figcaption>continetal ARS408 Radar 사양</figcaption></figure><p>위 그림에서처럼 10m 기준 감지 각도가 60도 이므로 바로 앞에서 cut-in 하는 차량을 감지하는데 한계가 있을 수 있습니다.</p><p>AutowareAuto 강좌에서는 ADE 환경을 통해 실행을 했는데, 일반 Ubuntu 환경에서도 동작합니다. (Ubuntu20.04 foxy에서 Test)</p><p>Radar 센서가 보급이 많이 되고 성능도 평준화가 많이 되어서 기본적인 object feature들은 CAN을 통해서 받아 볼 수 있습니다. 이 예제에서는 ARS408 센서로 부터 받은 CAN 메시지를 통해 감지된 Object feature들은 sorting한 뒤 ROS2 topic으로 publish하는 구조로 되어 있습니다.</p><pre>canutils과 nettool을 설치 한다. </pre><pre>$ sudo apt-get install -y can-utils<br>$ sudo apt install net-tools</pre><p>코드 구조</p><pre>├── CAN_Recording<br> │   └── candump.log  // 콘티넨탈 레이더 CAN 데이터<br> ├── radar_conti_ars408  // ROS2 node<br> │   └── src<br> │       ├── CMakeLists.txt<br> │       ├── include<br> │        |   ├── ars_408_can_defines.h  // raw value to physical<br> │        |   ├── <strong><em>radar_conti_ars408_component.hpp</em></strong><br> │        |   └── visibility_control.h<br> │       ├── CMakeLists.txt<br> │       ├── launch<br> │        |   └── radar.launch .py <br> │       ├── package.xml<br> │       └── src<br> │           ├── <strong><em>radar_conti_ars408_component.cpp</em></strong><br> │           └── radar_conti_ars408_composition.cpp<br> ├── radar_conti_ars408_msgs    // 레이더 메시지 타입들<br> │   ├── CMakeLists.txt<br> │   ├── msg<br> │    │  ├── ClusterGeneral.msg<br> │    │  ├── ClusterList.msg<br> │    │  ├── Cluster.msg<br> │    │  ├── ClusterQuality.msg<br> │    │  ├── ClusterStatus.msg<br> │    │  ├── FilterCfg.msg<br> │    │  ├── FilterStateCfg.msg<br> │    │  ├── FilterStateHeader.msg<br> │    │  ├── ObjectExtended.msg<br> │    │  ├── ObjectGeneral.msg<br> │    │  ├── ObjectList.msg<br> │    │  ├── Object.msg<br> │    │  ├── ObjectQuality.msg<br> │    │  ├── ObjectStatus.msg<br> │    │  ├── RadarConfiguration.msg<br> │    │  ├── RadarState.msg<br> │    │  └── VersionID.msg<br> │    └── package.xml<br> └── ros2_socketcan_bridge   // ROS2와 SocketCAN 브리지<br>      ├── can_msgs<br>      │     ├── CMakeLists.txt<br>      │     ├── msg<br>      │     │     └── Frame.msg<br>      │     └── package.xml<br>      ├── LICENSE<br>      ├── README.md<br>      └── ros2socketcan_bridge<br>           ├── CMakeLists.txt<br>           ├── include<br>           │   └── ros2socketcan.h<br>           └── package.xml\</pre><p>ROS2_SocketCAN_Bridge 원본은 <a href="https://github.com/ROS4SPACE/ros2can_bridge">https://github.com/ROS4SPACE/ros2can_bridge</a> 참고</p><p>콘티넨탈ARS408레이더 안의 신호처리 블록에서 물체 감지(object detection), 클러스터링(clustering), object classification, tracking을 담당한다. 대부분 차량용 레이더 시스템들은 이러한 기능을 기본으로 제공하고 있다. 이렇게 감지된 object 데이터는 CAN으로 송출 된다. (차량의 In-Vehicle Network으로 연결되거나, 이 예제에서 처럼 Linux-CAN utils을 통해 PC에서 읽을 수 있음.)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/732/0*WED_hW5TI584CwvX.jpg" /></figure><p>이 예제에서는 레이더 센서로 부터 미리 받아온 CAN 데이터(CAN dump file)를 Virtual CAN 인터페이스를 통해 play하고 이를 Socket CAN 라이브러리로 읽는다. ROS2 node에서는 들어 오는 raw CAN 메시지를 읽어서 physical value로 바꿔서 우리가 필요한 object data로 publish한다. 이 object 메시지를RVIZ2에서 marker를 publish해서 표시한다.</p><ul><li>Radar 데이터 표시를 위한 ROS2 Lifecycle node 생성하기</li></ul><pre>1. ROS2 Lifecycle node 생성</pre><pre>2. Publisher 와 CAN Subscriber, Callback 함수 생성, Virtual CAN을 통해 들어 오는 CAN 메시지를 구독(subscribe)하기 위해 먼저 SocketCAN object를 생성 한다. 그 다음 object message를 발행(publish)할 publisher를 생성한다. <br>   2.1 CAN channel object 생성 (ros2socketcan canChannel0;)<br>   2.2 Publisher 생성 (lifecycle publisher로 생성)<br>   2.3 &quot;can_receiver_callback&quot; 생성(입력은 const can_msgs::msg::Frame)<br>   2.4 &quot;handle_object_list&quot; 함수 생성<br>   2.5 &quot;publish_object_map&quot; 함수 생성<br>   2.6 object list를 위한 map container 생성(std library의 map사용, key는 object ID, value는 레이더object, radar_conti_ars408_msgs::msg)<br>   2.7 레이더 object list &quot;object_list_&quot;를 위한 data structure 생성<br>   2.8 추가 변수 구성</pre><pre>3. ROS2 Publisher와 CAN subscriber 초기화<br>  &quot;object_list_publisher&quot;, &quot;tf_publisher&quot;, &quot;marker_array_publisher_&quot;<br>  can 채널 초기화 및 콜백과 bind</pre><pre>4. Publisher 활성화(activate) (on_activate state)</pre><pre>5. can receiver callback 생성 (Radar state message 대기, Radar state message의 Output Mode == 1이면, &quot;handle_object_list&quot;함수 호출)<br> GET_Radar... 함수, CALC_Radar... 함수 이용</pre><pre>6. CAN메시지의 Status, General, Quality, Extended 값을 Object list로 변환한다. map data type을 이용한다. object ID는 map의 key에 대응 시키자. <br>   - object handler 생성 <br>   6.1 CAN status message 수신 대기 (msg.id == ID_Obj_0_Status)<br>   6.2 이전 object data를 publish (object_list_heaer, object_count, object_map), call publish_object_map(), rclcpp_lifecycle::LifecycleNode::now();<br>   6.3 CAN message General, Quaility, Extended 값을 신규 object_map에 copy, msg.id==ID_Obj_1_General, msg.id==ID_Obj_2_Quality, msg.id==ID_Obj_3_Extended</pre><pre>* radar object에 data들을 copy<br> ars_408_msgs::msg::Object o;<br><br> //object ID<br> int id = GET_Obj_1_General_Obj_ID(msg.data);<br> o.obj_id.data = GET_Obj_1_General_Obj_ID(msg.data);<br><br>//RCLCPP_INFO(this-&gt;get_logger(), &quot;Object_ID: 0x%04x&quot;, //o.obj_id.data);<br><br>//longitudinal distance<br>o.object_general.obj_distlong.data =                       CALC_Obj_1_General_Obj_DistLong(GET_Obj_1_General_Obj_DistLong(msg.data), 1.0);</pre><pre>7. RVIZ에 object를 표시하기 위해서 Marker(Cube as bounding box) 생성<br>  - marker를 publish gksms 함수 생성<br>   7.1 transform 생성<br>   7.2 transform publish<br>   7.3 marker array 생성 (visualization_msgs::msg::MarkerArray)<br>   7.4 marker 생성<br>   7.5 이전 marker 삭제 (marker.action=3, publish)<br>   7.6 각 object에 대한 marker 생성</pre><pre>8. Launch file 생성 (필요 패키지, 실행 파일들(CMakeList)과 노드 이름 설정)</pre><p>실행 및 테스트</p><pre>Host에서 virtual CAN 생성<br>$ sudo modprobe vcan<br>$ sudo ip link add dev can0 type vcan<br>$ sudo ip link set up can0<br>$ candump can0</pre><pre>ADE 실행 후 CAN play (ade$ canplayer -I candump.log -l i)</pre><pre>Radar 프로젝트 build (ade$ colcon build)</pre><pre>Node launch(ade$ ros2 launch radar_conti_ars408 radar.launch.py)</pre><pre>Rviz2 실행 (Host에서 실행)<br>  add -&gt; marker array (/ars408/marker_array)<br>  add -&gt; Axes (radar_link)<br>  Global Options -&gt; Fixed Frame = radar_link</pre><p>ADE가 아닌 Ubuntu환경에서 실행은 아래 github 참고</p><p><a href="https://github.com/endland/ARS408_RADAR">endland/ARS408_RADAR</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8af05acc25e6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ROS2 + Ubuntu20.04]]></title>
            <link>https://endland.medium.com/ros2-ubuntu20-04-8241bfdf6a9f?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/8241bfdf6a9f</guid>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Tue, 17 Nov 2020 14:10:06 GMT</pubDate>
            <atom:updated>2020-11-17T14:10:06.896Z</atom:updated>
            <content:encoded><![CDATA[<p>Ubuntu20.04에 ROS2 foxy 설치 (네이버 오로카 카페, 표윤석박사 글에서 발췌)</p><pre>sudo add-apt-repository ppa:linuxuprising/shutter<br>sudo apt update <br>sudo apt upgrade</pre><pre>sudo apt install -y \<br>  build-essential \<br>  cmake \<br>  curl \<br>  gimp \<br>  git \<br>  gnupg2 \<br>  gparted \<br>  htop \<br>  iftop \<br>  iperf \<br>  kdenlive \<br>  kolourpaint \<br>  lsb-release \<br>  mc \<br>  ntpdate \<br>  okular \<br>  qtcreator \<br>  shutter \<br>  simplescreenrecorder \<br>  terminator \<br>  tig \<br>  tmux \<br>  vim \<br>  vlc \<br>  wget \<br>  xclip<br>sudo apt update <br>sudo apt upgrade</pre><pre>sudo locale-gen en_US en_US.UTF-8</pre><pre>sudo update-locale LC_ALL=en_US.UTF-8 LANG=en_US.UTF-8</pre><pre>export LANG=en_US.UTF-8</pre><pre>sudo apt update &amp;&amp; sudo apt install curl gnupg2 lsb-release</pre><pre>curl -s <a href="https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc">https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc</a> | sudo apt-key add -</pre><pre>sudo sh -c &#39;echo &quot;deb [arch=$(dpkg --print-architecture)] <a href="http://packages.ros.org/ros2/ubuntu">http://packages.ros.org/ros2/ubuntu</a> focal main&quot; &gt; /etc/apt/sources.list.d/ros2-latest.list&#39;</pre><pre>sudo apt update</pre><pre>sudo apt install ros-foxy-desktop ros-foxy-rmw-cyclonedds-cpp</pre><pre>source /opt/ros/foxy/setup.bash</pre><pre>sudo apt install python3-argcomplete</pre><pre>sudo apt install python3-colcon-common-extensions</pre><pre>printenv |grep -i ROS</pre><pre>------------.bashrc 파일 추가 내용---------------------------------</pre><pre>alias vr=&#39;vim ~/.bashrc&#39;<br>alias nr=&#39;nano ~/.bashrc&#39;<br>alias sr=&#39;source ~/.bashrc&#39;<br>alias killgazebo=&#39;killall -9 gazebo &amp; killall -9 gzserver  &amp; killall -9 gzclient&#39;</pre><pre>alias cw=&#39;cd ~/robot_ws&#39;<br>alias cs=&#39;cd ~/robot_ws/src&#39;</pre><pre>alias cb=&#39;cd ~/robot_ws &amp;&amp; colcon build --symlink-install&#39;<br>alias cbp=&#39;cd ~/robot_ws &amp;&amp; colcon build --symlink-install --packages-select&#39;</pre><pre>alias rt=&#39;ros2 topic list&#39;<br>alias re=&#39;ros2 topic echo&#39;<br>alias rn=&#39;ros2 node list&#39;<br>alias af=&#39;ament_flake8&#39;<br>alias ac=&#39;ament_cpplint&#39;</pre><pre>alias testpub=&#39;ros2 run demo_nodes_cpp talker&#39;<br>alias testsub=&#39;ros2 run demo_nodes_cpp listener&#39;<br>alias testpubimg=&#39;ros2 run image_tools cam2image&#39;<br>alias testsubimg=&#39;ros2 run image_tools showimage&#39;</pre><pre>alias ros2_init=&#39;. /opt/ros/foxy/setup.bash&#39;<br>alias all_init=&#39;. ~/robot_ws/install/local_setup.bash&#39;</pre><pre>export ROS_DOMAIN_ID=10</pre><pre>export RMW_IMPLEMENTATION=rmw_cyclonedds_cpp<br># export RMW_IMPLEMENTATION=rmw_fastrtps_cpp</pre><pre># export RCUTILS_CONSOLE_OUTPUT_FORMAT=&#39;[{severity} {time}] [{name}]: {message} ({function_name}() at {file_name}:{line_number})&#39;<br>export RCUTILS_CONSOLE_OUTPUT_FORMAT=&#39;[{severity}] [{time}]: {message}&#39;<br>export RCUTILS_COLORIZED_OUTPUT=1<br># export RCUTILS_LOGGING_USE_STDOUT=1<br>export RCUTILS_LOGGING_BUFFERED_STREAM=1</pre><pre>source /opt/ros/foxy/setup.bash<br>source ~/robot_ws/install/local_setup.bash</pre><p>RO2 CLI (command line interface)</p><pre>$ ros2 -h 또는 ros2 --help<br>사용할 수 있는 여러 command를 보여 준다. </pre><pre>$ ros2 pkg -h<br>위에서 보여준 여러 commands중에 pkg에 대한 help 정보 보여 줌</pre><pre>$ ros2 pkg list -h<br>사용 가능한 package list 를 보여 줌. </pre><pre>$ ros2 pkg executables -h <br>지정한 패키지의 실행 가능한 파일 리스트</pre><pre>$ ros2 pkg executables turtlesim</pre><pre><br>* ROS2 installation workspace (binary package install)<br>$ sudo apt install ros-foxy-<br>$ source /opt/ros/foxy/setup.bash</pre><pre>* ROS2 local workspace (making your own packages or by downloading form internet)<br>$ source install/setup.bash</pre><pre>* 내 package 생성 하기<br>$ mkdir robot_ws/src<br>$ cd robot_ws/src</pre><pre># Cmake package 생성<br>$ ros2 pkg create --build-type ament_cmake --node-name my_node my_package_cpp</pre><pre># python package 생성은<br>$ ros2 pkg create --build-type ament_python --node-name my_node my_package_python</pre><pre># 생성한 package build 하기<br>$ cd ~/robot_ws<br>$ colcon build<br>$ source install/setup.bash</pre><pre># build 된 package 실행하기<br>$ ros2 run my_package_cpp my_node<br>$ ros2 run my_package_python my_node</pre><pre>turtlesim github의 CMakeLists.txt파일을 보면 tutlesim package내에서 실행 가능한 파일 이름이 정의 된 것을 볼 수 있다. (<a href="https://github.com/ros/ros_tutorials/blob/foxy-devel/turtlesim/CMakeLists.txt">https://github.com/ros/ros_tutorials/blob/foxy-devel/turtlesim/CMakeLists.txt</a> )</pre><pre>add_executable(turtlesim_node ${turtlesim_node_SRCS}<br>...<br>add_executable(turtle_teleop_key tutorials/teleop_turtle_key.cpp)<br>...<br>add_executable(draw_square tutorials/draw_square.cpp)<br>...<br>add_executable(mimic tutorials/mimic.cpp)<br>...</pre><pre>위에서 보이는 정보는 terminal에서 다음 명령으로도 확인 가능하다. </pre><pre>$ ros2 pkg executables turtlesim</pre><pre><a href="https://github.com/ros/ros_tutorials/blob/foxy-devel/turtlesim/tutorials/teleop_turtle_key.cpp">https://github.com/ros/ros_tutorials/blob/foxy-devel/turtlesim/tutorials/teleop_turtle_key.cpp</a> 를 보면<br>....</pre><pre>int main(int argc, char** argv){<br>  rclcpp::init(argc, argv);  <br>  <strong><em>TeleopTurtle teleop_turtle</em></strong>;  // Class TeleopTurtle의 객체 teleop_turtle을 생성한다. 생성자(constructor)가 뭘하는지 살펴 보면.</pre><pre>....</pre><pre>class TeleopTurtle{<br>   public:  <br>     TeleopTurtle();    // 생성자<br>     int keyLoop();<br>....</pre><pre>TeleopTurtle::TeleopTurtle():    // 생성자 하는 일<br>     linear_(0),  <br>     angular_(0),  <br>     l_scale_(2.0),<br>     a_scale_(2.0)<br>{<br>  nh_ = rclcpp::Node::make_shared(&quot;<strong><em>teleop_turtle</em></strong>&quot;); //teleop_turtle <br>                                            // 이름의 node를 생성한다. <br> ....<br>}</pre><pre>..... teleop_key node를 실행 시켜 보자</pre><pre>$ ros2 run turtlesim turtle_teleop_key</pre><pre>$ ros2 node -h<br>$ ros2 node list<br>  /teleop_turtle node가 실행 되고 있음을 볼 수 있다. 위 코드에서 생성한 node name과 같다. </pre><pre>$ ros2 node info -h<br>$ ros2 node info /teleop_turtle<br>   이 노드는 Subscriber, Publisher, Service server, Action client를 포함하고 있음을 볼 수 있다. </pre><pre>$ rqt<br>  plugins -&gt; introspection -&gt; node graph</pre><pre><br>$ ros2 node info /turtlesim 으로 정보 확인하면<br>    /turtle1/cmd_vel 토픽을 {geometry_msgs/msg/Twist(메시지타입)} subscribe 하는 것을 알 수 있다. </pre><pre>$ ros2 interface proto geometry_msgs/msg/Twist 로 확인</pre><pre>$ ros2 topic -h<br>여러 명령 중에 메시지 publish를 위해 help를 한번 더 살펴 보자</pre><pre>$ ros2 topic pub -h<br>$ ros2 topic pub -r 1 /turtle1/cmd_vel geometry_msgs/msg/Twist &quot;linear:<br>&gt;  x:2.0<br>&gt;  y:0.0<br>&gt;  z:0.0<br>&gt; angular:<br>&gt;  x:0.0<br>&gt;  y:0.0<br>&gt;  z:2.0<br>  // 한번만 publish 하려면 -1 옵션,주기적 publish는 -r 10 이런 식으로 </pre><pre>$ ros2 topic list <strong><em>-t</em></strong>  // topic name과 message type을 같이 볼 수 있다.</pre><pre>$ ros2 topic info /turtle1/cmd_vel<br>$ ros2 topic echo /turtle1/cmd_vel<br>$ ros2 topic echo /turtle1/pose</pre><pre>$ ros2 topic hz /turtle1/pose<br>$ rqt<br>  topic monitor 참고<br>  Message Publisher 로 메시지 publish 가능</pre><p>패키지 생성</p><pre>$ ros2 pkg create --build-type ament_cmake &lt;package_name&gt;</pre><pre># build package<br>$ colcon build<br># 만약 command not found 에러가 나온다면<br>$ <strong><em>sudo apt install python3-colcon-common-extensions</em></strong></pre><pre># source bash file<br>$ source install/setup.bash</pre><pre># run executable<br>$ ros2 run &lt;package_name&gt; &lt;executable_name&gt;<br></pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8241bfdf6a9f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ubuntu 20.04 기본 설정]]></title>
            <link>https://endland.medium.com/ubuntu-20-04-%EA%B8%B0%EB%B3%B8-%EC%84%A4%EC%A0%95-2827055cd634?source=rss-3e71ced09571------2</link>
            <guid isPermaLink="false">https://medium.com/p/2827055cd634</guid>
            <dc:creator><![CDATA[Zeung-il Kim]]></dc:creator>
            <pubDate>Sat, 07 Nov 2020 00:42:09 GMT</pubDate>
            <atom:updated>2020-12-18T21:25:42.926Z</atom:updated>
            <content:encoded><![CDATA[<h3>Ubuntu 20.04 기본 설정(한글, CUDA)</h3><p>ubuntu 설치하면 루틴으로 하던 작업들을 정리 해보았습니다.</p><p>한글 설정하기, 아래 그림과 같이 Input source를 Koran(Hangul)로 설정한다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1T1DuvO9tK7WSs4Zxx-GyA.png" /><figcaption>Setting -&gt; Region&amp;Language</figcaption></figure><p>Korean(Hangul)이 안보이면 Manage Installed Languages 클릭하고 Korean을 추가</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qrXCQw02kp4EhwdgG2Lp3g.png" /><figcaption>Manage Installed Languages -&gt; Install/Remove Languages..</figcaption></figure><p>이렇게 하면 한글 입력이 가능한데, 키보드의 한/영 키와 한자 키가 안먹는 경우가 있다.</p><pre><em>sudo gedit /usr/share/X11/xkb/keycodes/evdev <br></em>로 파일을 열어서 RCTL과 RALT를 주석 처리 한다.</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nxHDDwcGl9wuk-eWdYjkpw.png" /><figcaption>RCTL과 RALT를 주석 처리 한다.</figcaption></figure><p>한글, 한자 키 값을 변경 해준다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QJYzL8OlTcTbptl0C5U8wA.png" /><figcaption>&lt;HNGL&gt; = 108; &lt;HJCV&gt; = 105; 로 바꿔 준다.</figcaption></figure><p>크롬 브라우저 설치 하기</p><pre>wget -q -O - <a href="https://dl-ssl.google.com/linux/linux_signing_key.pub">https://dl-ssl.google.com/linux/linux_signing_key.pub</a> | sudo apt-key add -</pre><pre>sudo sh -c &#39;echo &quot;deb [arch=amd64] <a href="http://dl.google.com/linux/chrome/deb/">http://dl.google.com/linux/chrome/deb/</a> stable main&quot; &gt;&gt; /etc/apt/sources.list.d/google.list&#39;</pre><pre>sudo apt-get update</pre><pre>sudo apt-get install google-chrome-stable</pre><pre>sudo rm -rf /etc/apt/sources.list.d/google.list</pre><p>sublime 설치</p><pre>sudo snap install sublime-text --classic</pre><p>CUDA 11.0 설치 (Nvidia Geforce1070 기준)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QiiPqfPQ_hU1v5KElI677g.png" /><figcaption>Nvidia proprietary driver latest version으로 선택 후 rebooting</figcaption></figure><p><strong><em>Linux + X86_64 + Ubuntu 20.04 + deb(local) 기준</em></strong></p><pre>wget <a href="https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin">https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin</a></pre><pre>sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600</pre><pre>wget <a href="http://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda-repo-ubuntu2004-11-0-local_11.0.2-450.51.05-1_amd64.deb">http://developer.download.nvidia.com/compute/cuda/11.0.2/local_installers/cuda-repo-ubuntu2004-11-0-local_11.0.2-450.51.05-1_amd64.deb</a></pre><pre>sudo dpkg -i cuda-repo-ubuntu2004-11-0-local_11.0.2-450.51.05-1_amd64.deb</pre><pre>sudo apt-key add /var/cuda-repo-ubuntu2004-11-0-local/7fa2af80.pub</pre><pre>sudo apt-get update</pre><pre>sudo apt-get -y install cuda</pre><pre>echo &#39;export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}&#39; &gt;&gt; ~/.bashrc</pre><pre>nvcc --version</pre><p><a href="https://linuxconfig.org/how-to-install-cuda-on-ubuntu-20-04-focal-fossa-linux">How to install CUDA on Ubuntu 20.04 Focal Fossa Linux</a></p><p>pip install</p><pre>sudo apt update</pre><pre>sudo apt upgrade</pre><pre><strong>sudo add-apt-repository universe</strong></pre><pre><strong>sudo apt install python3-pip</strong></pre><p>Pytorch 설치(Stable 1.7.0 + Linux + pip + python + CUDA 11.0 기준)</p><pre>pip3 install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio===0.7.0 -f <a href="https://download.pytorch.org/whl/torch_stable.html">https://download.pytorch.org/whl/torch_stable.html</a></pre><pre>설치 확인<br>$ python3<br>Python 3.8.5 (default, Jul 28 2020, 12:59:40) <br>[GCC 9.3.0] on linux<br>Type &quot;help&quot;, &quot;copyright&quot;, &quot;credits&quot; or &quot;license&quot; for more information.<br>&gt;&gt;&gt; import torch<br>&gt;&gt;&gt; x = torch.rand(5,3)<br>&gt;&gt;&gt; print(x)<br>tensor([[0.0883, 0.2469, 0.8962],<br>        [0.9947, 0.7357, 0.5937],<br>        [0.0076, 0.9706, 0.8863],<br>        [0.2304, 0.7216, 0.9141],<br>        [0.5447, 0.4410, 0.3236]])<br>&gt;&gt;&gt; torch.cuda.is_available()<br>True</pre><p>CUDA, CuDNN 참고</p><pre>CUDA : Compute Unified Device Architecture, Nvidia 아키텍처에 사용하는 일반적인 병렬처리 컴퓨팅 기술로 GPU로 하여금 복잡한 계산문제를 풀 수 있도록 한다.</pre><pre>CuDNN : CUDA를 기반으로 하는 딥뉴럴네트워크 GPU 가속 라이브러리, 사용성 개선, 성능향상, 메모리 오버헤드 감속를 목적으로 한다. TensorFlow, Caffe, Pytorch와 같은 고성능 머신러닝 프레임워크와 결합되어 사용 가능하다. CUDA설치시 같이 설치되는 것이 아니며, 딥러닝 GPU가속이 필요한 경우에 설치하면 됨. </pre><h3>. Install cuDNN</h3><p><a href="https://developer.nvidia.com/rdp/cudnn-download">https://developer.nvidia.com/rdp/cudnn-download</a>에서 CUDA버전에 맞는 cuDNN library를 다운로드 받는다.</p><pre><em>$ tar -xzvf </em>cudnn-11.0-linux-x64-v8.0.5.39.tgz<em><br>$ sudo cp cuda/include/* /usr/local/cuda-11.0/include<br>$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.0/lib64<br>$ sudo chmod a+r /usr/local/cuda-8.0/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*</em></pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2827055cd634" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>