#نادانسته #تجربه #اختراع #مهندسی_معکوس
افزایش چشم‌گیر کیفیت خروجی یک پروژه تحقیقاتی یا صنعتی با توسل به اسناد فنی اختراعات معتبر!

همه ما در پروژه‌های تحقیقاتی و حتی صنعتی در حال توسعه چیزی هستیم. آن چیز می‌تواند یک ربات، بخشی از یک ربات، برد الکتریکی یک سیستم الکترونیکی یا هر چیز دیگری باشد. اساتید و هدایت‌کنندگان به ما یاد داده‌اند که اولین گام مرور ادبیات است و ما به سراغ google scholar یا ResearchGate برای یافتن مقالات و پروژه‌های مرتبط می‌رویم تا بفهمیم در جعبه سیاه پروژه‌ چه خبر است و از راهکارها و مراحل و اجزاء و .... مطلع شویم. سپس سراغ کارهای فنی می‌رویم و متاسفانه از روی عادت یا هر چیز دیگری، از صفر شروع به طراحی و تحلیل می‌کنیم در حالیکه بهترین کار این است که در همان فاز مرور ادبیات، یک سر به اختراعات ثبت شده بزنیم. با این کار، ساختارهای فنی و راه‌حل‌های جواب پس داده را می‌توانیم بکار بگیریم و بجای شروع از هیچ، روی توسعه چند طرح قبلی و بهبود و تطبیق آن‌ها برای هدف خودمان کار کنیم. در این صورت نقطه شروع ما پنجاه از صد خواهد بود و احتمال بدست آوردن نتایج بهتر افزایش چشمگیری خواهد داشت. بسیاری از مشکلاتی که ما در انتهای یک پروژه خصوصا تجربی از آن آگاه خواهیم شد، توسط افراد فعال احتمالا حل شده‌اند و با بررسی اختراع آن‌ها، زمان و هزینه شما حفظ خواهد شد و ممکن است کار نهایی شما کیفیت بسیار بیشتری داشته باشد و یک مشکل را به شکلی جدید حل کند در حدی که خود یک اختراع شود!

کاش خودم در زمان پروژه کارشناسی ارشد به این مورد بسیار مهم آگاه بودم. امروز نگاهی به اختراعات ثبت شده مرتبط با پروژه کارشناسی ارشد خودم می‌کردم و نتایج شگفت انگیز بود. در سایت US Patent Office به تنهایی 26 اختراع در دسامبر 2022 با کلمات کلیدی ExoSkeleton و arm ثبت شده است و برای هر کدام بین 20 تا 100 صفحه سند طراحی و جزئیات در دسترس همگان قرار دارد! این عدد از اطلاعات ناب و تضمینی از نظر کاربرد و کیفیت در معنای واقعی کلمه وحشتناک است و افسوس که در زمان کار بر روی پروژه خودم شدیدا بر روی مقاله‌ها کار کردم و از بررسی دقیق اختراعات به این شیوه آگاه نبودم. اگرچه از کار خودم راضی بودم اما با این روش می‌توانستم بسیار بهتر و بهینه‌تر کار کنم.

ماهی را هر وقت از آب بگیرید، تازه است. برای حال و آینده می‌توان از این روش بیشترین بهره را برد. دوست داشتم این تجربه را بنویسم و علاقه‌مندان فعال را نیز به این روش مشتاق کنم. حتما یک سر به سایت US Patent Office
https://ppubs.uspto.gov/pubwebapp/static/pages/ppubsbasic.html
بزنید و خودتان این مورد مهم را بررسی کنید. این پروسه بخشی از روش جواب پس داده مهندسی معکوس است که در دانشگاه از آن معمولا غفلت می‌شود.
----------
t.iss.one/roboticknowledge
youtube.com/@roboticknowledge

#robotic #odometry #algorithm

I'm a robot. Where am I?

I have published a lecture to explain odometry and a simple algorithm for its implementation in a two-wheel mobile robot.
For a mobile robot, the ability for self-positioning is crucial and basic for other capabilities. I want to teach you the theory, and algorithm of a simple Odometry algorithm based on the wheel's encoder of two-wheel mobile robots. I will employ the discussed algorithm in the next lecture in Webots to track the position of a turtle bot.

Link to the lecture: https://youtu.be/BqmoPWKZWGM

----------
t.iss.one/roboticknowledge
youtube.com/@roboticknowledge

#LiDAR
How does LiDAR work?

[Source]
----------
@roboticknowledge

#LiDAR
How does LiDAR work?

[Source]
----------
@roboticknowledge

#LiDAR
How does LiDAR work?

یک موتور لیزر را در ۳۶۰ درجه دوران می‌دهد تا تمام محیط اسکن شود. آرایه نقاط کشف شده برای ایجاد نقشه از محیط و موانع در واحد‌ ناوبری ربات استفاده می‌شود.
----------
@roboticknowledge

#فضا
یه خبر جالبی دیدم و اون هم همکاری DARPA و NASA برای توسعه پیشران Thermo Nuclear برای راکت‌های فضایی آینده هست؛ سفرهای فضایی طولانی‌تر نسبت به چیزی که الان بشر داره! برای ۲۰۲۷ برنامه‌ریزی کردن که خب شاید منطقی نباشه و احتمالا بیشتر از اینا طول بکشه.
----------
@roboticknowledge

#نقشه
خب یه ساختار باحال از یه نوع دسته‌بندی ربات‌ها ببینیم!

✅ منیپولیتورها، ربات‌های استیشنری، موبایل ربات‌های چرخ‌دار و پادار و نهایتا پهپادها. یه سری چیزا هم نیست مثلاً ربات‌های زیرآبی یا شبه جانورها 😅 که طبیعی هست چون خیلی خیلی میشه دسته‌بندی‌های مختلفی کرد و داشت!

اگه روی این هشتگ #نقشه کلیک کنید، چندتا نقشه باحال که قبلاً توی این کانال قرار دادم رو میتونید ببینید.
----------
@roboticknowledge

I'm working on giving the ability of opponent detection to my NAO humanoid robot in a wrestling competition by Cyberbotics Ltd. I used #Yolo for this task, and the attached image shows the initial capability of the trained network for detecting the opponent; Also the network can make sense of the environment. Training is just started and will continue with many more data.
I'll make the weights and the data set open-source after the competition. 😅
----------
@roboticknowledge

#رباتیک_جانوری #امدادرباتیک
آموزش موش صحرایی برای پیدا کردن افراد

موردی جالب دیدم که درباره نجات افراد محبوس (مثلا در زیر آوار) توسط موش‌های صحرایی بود. سگ‌های آموزش دیده بخاطر هیکل بزرگ نمی‌تونن وارد عمق از حفره‌ها بشن اما موش‌ها می‌تونن؛ همین شده که توی یک پروژه دانشجویی اومدن به موش‌ها آموزش دادن که وقتی فردی رو حس کردن [با بو احتمالا]، یک دکمه آلارم روی کوله‌ای که پشت آنها بسته شده رو فشار بدن و با این کار موقعیت دقیق موش به تیم نجات ارسال میشه!

خیلی تکنولوژی رباتیکی خاصی نداره و صرفا آموزش موش و طراحی یک بک‌پک برای لوکالیزیشن داره این کار اما نکته جالب استفاده از جانوران برای سادگی کار هست. قبلاً هم در کانال یه مطلبی نوشتم که از اندام عنکبوت مرده به عنوان Robotic Manipulator استفاده شده بود و هدف ساده‌سازی کارها بود؛ توی هر دو مورد دیگه نیازی به طراحی سیستم‌های رباتیک مکانیکی نیست و از جانداری که در دسترس هست استفاده میشه!

البته وارد بحث‌های اخلاقی اون که انسان داره از جانور برای اهدافی مشخص استفاده می‌کنه، نمی‌شم چون هدف این مطلب هم این نیست.

[منبع]
----------
@roboticknowledge

#نرم_رباتیک #عملگر #رباتیک_جانوری
بدن عنکبوت 🕷: یک نرم Gripper!
@roboticknowledge

#Meme
----------
@roboticknowledge

یه مسابقه بنظر باحال دیگه رباتیک داخل شبیه‌ساز!
بشدت میشه توی این مسابقه‌ها چیزهای باحالی یاد گرفت و تمرین کرد.
----------
@roboticknowledge

#یادگیری_تقویتی #هوش_مصنوعی #یادگیری
#RL
----------
@roboticknowledge

#یادگیری_تقویتی #هوش_مصنوعی #یادگیری
#RL

قسمت اول: یادگیری تقویتی (Reinforcement learning) چیست؟

یادگیری تقویتی (RL) یکی از بخش‌های یادگیری ماشین هست که برای رباتیک و به طور کلی آموزش سیستم‌های پیچیده برای انجام یک رفتار مناسب و مشخص خیلی کاربردی هست. در واقع RL و الگوریتم‌های اون به اون ربات اجازه میده یک رفتار رو با تجربه کردن یاد بگیره و به سمت بهینه کردن کارکرد خودش در انجام اون عمل حرکت کنه.

توی RL به رباتی که داره یاد میگیره agent، به محیطی که ربات داخلش هست environment و به عمل ربات که باید در نهایت ماجرا بهینه اجرا بشه task گفته میشه؛ به خود بروز رفتار هم که action میگن.

خب حالا که یکم ادبیات رو می‌دونیم، میتونیم یکم دقیق‌تر صحبت کنیم. توی RL یک agent یه سری actions انجام میده داخل یه environment، و از عملش feedback دریافت می‌کنه. فیدبک می‌تونه مثبت باشه که بهش reward میگن یا می‌تونه منفی باشه که بهش penalty گفته میشه. یه کودک رو تجسم کنید که با فیدبک یاد میگیره رفتار بهتری از نظر بقیه بروز بده؛ این هم دقیقاً همون هست.

هدف نهایی هم اینه که یک agent به یک قانون بهینه برسه که با اون یک کار سخت و پیچیده رو بدون برنامه‌نویسی پیچیده‌ انجام بده (با صرف هزینه زمان و طراحی یادگیری)؛ قانون مورد اشاره هم policy بهش میگن.

فرایند یادگیری هم اینجوری هست که یک الگوریتم policy رو بر اساس فیدبک جوری تغییر میده که مجموع reward ها بیشینه بشه. عملا یه جور بهینه‌سازی داره انجام میشه. ورودی الگوریتم فیدبک بر اساس state مربوطه به agent و خروجی الگوریتم هم action بعدی هست که ربات توی environment از خودش بروز میده.
----------
@roboticknowledge