[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,62 +1,206 @@
|
||||
---
|
||||
id: wiki-2026-0508-degrees-of-freedom
|
||||
title: Degrees of Freedom
|
||||
title: Degrees of Freedom (DOF)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-DOF]
|
||||
aliases: [DOF, degrees of freedom, kinematic DOF, statistical DOF]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [Engineering, Robotics, Mathematics, Physics]
|
||||
verification_status: applied
|
||||
tags: [robotics, kinematics, statistics, mathematics, physics, mechanical]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Math / Robotics / Statistics
|
||||
applicable_to: [Robotics, Statistics, Mechanics, ML]
|
||||
---
|
||||
|
||||
# [[Degrees-of-Freedom|Degrees-of-Freedom]] (자유도)
|
||||
# Degrees of Freedom (DOF)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "시스템이 움직일 수 있는 독립적인 갈래의 수." 객체가 공간상에서 얼마나 자유롭게 위치와 방향을 바꿀 수 있는지를 정의하는 물리적/수학적 지표다.
|
||||
## 매 한 줄
|
||||
> **"매 system 의 independent parameter 의 count"**. 매 robotics: 매 movable joint. 매 statistics: 매 sample 의 free 의 vary. 매 modern AI: 매 model parameter (over-parameterization).
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **3D Space Standard**:
|
||||
- **Translation (이동)**: X, Y, Z 축으로의 움직임 (3 DoF).
|
||||
- **Rotation (회전)**: Roll, Pitch, Yaw 축으로의 회전 (3 DoF).
|
||||
- 총 **6 DoF**가 있으면 공간상에서 완벽하게 자유로운 제어가 가능하다.
|
||||
- **Robotics Context**: 로봇 팔의 관절 하나가 보통 1 DoF를 담당하며, 관절이 많을수록 복잡한 작업이 가능하지만 제어 난이도도 지수적으로 상승한다.
|
||||
- **[[Statistics|Statistics]] Context**: 통계 분석에서 데이터를 설명하기 위해 자유롭게 가질 수 있는 정보의 양(사례 수 - 제약 수).
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 자유도가 높다고 무조건 좋은 것은 아니다. 필요 이상의 자유도는 시스템의 에너지를 낭비하고 제어 알고리즘의 복잡성을 높여 '계산적 폭발'을 일으킬 수 있다. 따라서 과제에 최적화된 최소한의 자유도 설계가 엔지니어링의 핵심이다.
|
||||
### 매 mechanical / robotics
|
||||
- **Rigid body in 3D**: 6 DOF (3 translation + 3 rotation).
|
||||
- **Rigid body in 2D**: 3 DOF.
|
||||
- **Manipulator**: 매 joint 의 sum.
|
||||
- **Mobile robot**: 매 base + arm.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: Denavit-Hartenberg-Parameters , Kinematics
|
||||
- Application: [[Robotics|Robotics]]
|
||||
### 매 Grübler-Kutzbach formula
|
||||
```
|
||||
DOF = λ(n - j - 1) + Σ f_i
|
||||
```
|
||||
- λ: 매 6 (3D), 3 (2D).
|
||||
- n: 매 link 수 (base 포함).
|
||||
- j: 매 joint 수.
|
||||
- f_i: 매 joint 의 freedom.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 statistical DOF
|
||||
- **Sample variance**: n - 1 (mean 의 1 의 lose).
|
||||
- **Linear regression**: n - p - 1 (p predictor).
|
||||
- **Chi-square**: 매 categories - 1.
|
||||
- **t-distribution**: 매 sample-dependent.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 ML / DL
|
||||
- **Effective DOF**: 매 model 의 parameter count.
|
||||
- **Over-parameterization**: 매 modern DL 의 paradox (n_param >> n_data).
|
||||
- **Implicit regularization**: 매 SGD 의 effective DOF 의 reduce.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. **Robot arm design**: 매 6+ DOF 의 redundancy.
|
||||
2. **VR head tracking**: 6 DOF.
|
||||
3. **Hand tracking**: 매 26 DOF (each hand).
|
||||
4. **Statistics**: 매 hypothesis test.
|
||||
5. **Camera pose**: 6 DOF.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
## 💻 패턴
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### Compute DOF (manipulator)
|
||||
```python
|
||||
def grubler_dof_3d(n_links, joints):
|
||||
"""매 3D Grübler. joints: list of (type, freedom)."""
|
||||
j = len(joints)
|
||||
f_sum = sum(f for _, f in joints)
|
||||
return 6 * (n_links - j - 1) + f_sum
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
# 매 6-axis arm: 6 revolute joints
|
||||
arm = grubler_dof_3d(7, [('rev', 1)] * 6) # 6
|
||||
# 매 4-bar linkage (planar)
|
||||
def grubler_dof_2d(n, joints):
|
||||
return 3 * (n - len(joints) - 1) + sum(f for _, f in joints)
|
||||
fourbar = grubler_dof_2d(4, [('rev', 1)] * 4) # 1
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### Statistical DOF (chi-square test)
|
||||
```python
|
||||
import scipy.stats as st
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
def chi2_dof(observed, expected):
|
||||
chi2 = sum((o - e)**2 / e for o, e in zip(observed, expected))
|
||||
dof = len(observed) - 1
|
||||
p = 1 - st.chi2.cdf(chi2, dof)
|
||||
return chi2, dof, p
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Sample variance (Bessel's correction)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
def variance(data, ddof=1): # 매 ddof = degrees of freedom adjust
|
||||
n = len(data)
|
||||
mean = sum(data) / n
|
||||
return sum((x - mean)**2 for x in data) / (n - ddof)
|
||||
|
||||
# 매 ddof=1: 매 sample (unbiased)
|
||||
# 매 ddof=0: 매 population
|
||||
```
|
||||
|
||||
### Effective DOF (ridge regression)
|
||||
```python
|
||||
def effective_dof_ridge(X, lam):
|
||||
"""매 trace of hat matrix."""
|
||||
XtX = X.T @ X
|
||||
n_features = X.shape[1]
|
||||
H = X @ np.linalg.inv(XtX + lam * np.eye(n_features)) @ X.T
|
||||
return np.trace(H)
|
||||
```
|
||||
|
||||
### 6-DOF pose (3D vision)
|
||||
```python
|
||||
class Pose6DOF:
|
||||
def __init__(self, position, orientation):
|
||||
self.t = np.array(position) # 매 [x, y, z]
|
||||
self.q = orientation # 매 quaternion [w, x, y, z]
|
||||
|
||||
def as_matrix(self):
|
||||
T = np.eye(4)
|
||||
T[:3, 3] = self.t
|
||||
# 매 quaternion → rotation matrix (Hamilton)
|
||||
w, x, y, z = self.q
|
||||
T[:3, :3] = np.array([
|
||||
[1-2*(y*y+z*z), 2*(x*y-z*w), 2*(x*z+y*w)],
|
||||
[2*(x*y+z*w), 1-2*(x*x+z*z), 2*(y*z-x*w)],
|
||||
[2*(x*z-y*w), 2*(y*z+x*w), 1-2*(x*x+y*y)],
|
||||
])
|
||||
return T
|
||||
```
|
||||
|
||||
### Hand tracking DOF
|
||||
```python
|
||||
HAND_DOF = {
|
||||
'wrist': 6, # 매 free in space
|
||||
'thumb': 5, # 매 CMC 의 2, MCP 의 1, IP 의 1, opposition 의 1
|
||||
'index_finger': 4, # 매 MCP 2 + PIP 1 + DIP 1
|
||||
'middle_finger': 4,
|
||||
'ring_finger': 4,
|
||||
'pinky_finger': 4,
|
||||
}
|
||||
total = sum(HAND_DOF.values()) # 27
|
||||
```
|
||||
|
||||
### Redundancy (kinematic)
|
||||
```python
|
||||
def redundancy(robot_dof, task_dof):
|
||||
"""매 redundancy = robot_dof - task_dof."""
|
||||
return max(0, robot_dof - task_dof)
|
||||
|
||||
# 매 7-DOF arm + 매 6-DOF task → 1-DOF redundancy
|
||||
# 매 self-motion 의 obstacle 의 avoid
|
||||
print(redundancy(7, 6)) # 1
|
||||
```
|
||||
|
||||
### Over-parameterization (DL)
|
||||
```python
|
||||
def model_dof(model):
|
||||
"""매 deep learning effective DOF approximation."""
|
||||
total = sum(p.numel() for p in model.parameters())
|
||||
trainable = sum(p.numel() for p in model.parameters() if p.requires_grad)
|
||||
return {'total': total, 'trainable': trainable}
|
||||
|
||||
# 매 GPT-3: 175B parameters >> 매 dataset size
|
||||
# 매 overfitting paradox: 매 implicit regularization 의 explain
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | DOF Approach |
|
||||
|---|---|
|
||||
| Manipulator design | Grübler-Kutzbach |
|
||||
| Robot redundancy | n_robot - n_task |
|
||||
| Statistics test | Specific test formula |
|
||||
| ML model | Parameter count + effective |
|
||||
| VR / AR | 6 DOF (full) or 3 DOF (rotation) |
|
||||
| Hand tracking | ~26 per hand |
|
||||
|
||||
**기본값**: 매 task-specific DOF + 매 redundancy 의 prefer (manipulator) + 매 statistical 의 ddof aware.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Mechanics]] · [[Statistics]] · [[Robotics]]
|
||||
- 변형: [[Kinematic-DOF]] · [[Statistical-DOF]] · [[Effective-DOF]]
|
||||
- 응용: [[Denavit-Hartenberg-Parameters]] · [[Manipulator]] · [[Hypothesis-Testing]]
|
||||
- Adjacent: [[Over-Parameterization]] · [[Bessel-Correction]] · [[Pose-Estimation]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 robot design. 매 statistical analysis. 매 ML capacity.
|
||||
**언제 X**: 매 informal usage.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Confuse statistical / mechanical**: 매 different concept.
|
||||
- **Forget Bessel correction**: 매 biased estimator.
|
||||
- **Under-DOF manipulator**: 매 task 의 reach X.
|
||||
- **Over-DOF without redundancy logic**: 매 self-collision.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Spong Robot Dynamics, Statistics textbook).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-20 | Auto-reinforced |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — mechanical + statistical DOF + 매 Grübler / chi2 / pose / redundancy code |
|
||||
|
||||
Reference in New Issue
Block a user