نهایتا شکست خوردیم و از کسب یک افتخار جا ماندیم اگرچه هدف اول و آخر بنده یادگیری بوده و این فرصت نیز برای این امر برای ما آماده شد. شکر خدا.
انشاالله در مسابقه بعدی قو‌ی‌تر حاضر شویم.
—————
@roboticknowledge

#نادانسته #تجربه #پژوهش
روز گذشته در جلسه‌ای مربوط به پژوهش در رباتیک حاضر بودم که سخنران نخست آن آقای دکتر Fumiyan lida پروفسور رباتیک دانشگاه کمبریج در یک ورکشاپ درباره نحوه پژوهش موثر در رباتیک سخنرانی و کارگاه آموزشی مختصری داشتند.

ایشان گفتند که دو استراتژی برای انجام پژوهش در رباتیک وجود دارد.

در استراتژی اول، که ایشان آن را Poor Strategy نامیدند، ما یک ایده پژوهشی پیدا می‌کنیم، یک ربات می‌سازیم، تجربه می‌کنیم، درفت اول را می‌نویسیم، بخاطر مشکلات دوباره باید تجربه کنیم، مجدد باید درفت دوم را بنویسیم، نهایتاً درفت نهایی را می‌نویسم و مقاله را ارسال می‌کنیم.

اما در استراتژی دوم، که ایشان از آن به عنوان Efficient Strategy یاد کردند، ابتدا ایده پژوهش را خواهیم داشت، سپس درفت اول را می‌نویسم، سپس قسمت تجربی را انجام می‌دهیم، در نهایت درفت دوم و نهایی را درست می‌کنیم و نهایتاً سابمیشن!

فرق دو روش را متوجه شدید؟ در روش Efficient قسمت Robot Building حذف شده است زیرا عمده زمان برای این قسمت که تسک مهندسی است، صرف شده است و درفت اول نیز قبل از تجربه نوشته می‌شود! عملا آقای دکتر Fumiyan lida ساخت ربات را از پژوهش در رباتیک Decouple کرده‌اند. ایشان همچنان تاکید داشتند که بعنوان پژوهشگر رباتیک ما باید همچنان مهارت‌های robot building را داشته باشیم اما ایشان آن را از سیکل پژوهش خارج کردند.

روش ایشان در کنار روش Five Bullet از دانشمند کلاسیک آقای Pasteur که اصول تعریف هدف، مسأله، Hypothesis، اثبات و جمع‌بندی یک مسأله پژوهشی می‌تواند ذهنیت و نتایج پژوهشی افراد را کاملا متفاوت کند - همان کاری که دیروز با من و هر ترم با دانشجویان خودشان در کمبریج می‌کنند - و این تفاوت باعث کمبریج شدن کمبریج می‌شود! ضمن احترام به تمامی اساتید دانشگاهی خودمان، در حد یک سوپوایزر ارشد ۲۰ دقیقه سخنرانی ایشان آموزنده بود. طبق بیان ایشان، ۹۹٪ افراد Poor Strategy را انتخاب می‌کنند و همین سبب به عدم نتیجه‌گیری می‌شود.

ایشان در نهایت با نشان دادن یک مثال، مکانیزم توسعه مقاله موثر خودشان را با روش موثر در کنار Five Bullet ارائه کردند که در عرض ۶ ماه یک کار بسیار موثری توسط دانشجوی دکتری ایشان و یک دانشجوی کارشناسی درآمده بود!

چیز جالب دیگری که ایشان ارائه کردند ذهنیت از Hypothesis بود که بسیار فراتر از فرضیات ساده است. ایشان معتقد بودند زمانی یک پژوهش موفق خواهد بود که Hypothesis متناسب با سطح مهارت و چالش‌های پژوهش باشد.
----------
@roboticknowledge

#تجربه #پژوهش
----------
@roboticknowledge

#تجربه #پژوهش
----------
@roboticknowledge

#تجربه #پژوهش
----------
@roboticknowledge

#تجربه #پژوهش
----------
@roboticknowledge

#نقشه
این نقشه رو آقای David Benz به سبک آقای Brian Douglas (در این پست ببینید) برای دنیای Navigation درست کردند که برای Roboticist ها خالی از لطف نیست!
----------
@roboticknowledge

#ربات_پایه_متحرک #کشاورزی
ربات خودمختار AI Gen برای کشاورزان

ربات مورد بحث یک چهار چرخ با پیکربندی ساده است و یک پنل خورشیدی شیبدار نیز روی آن نصب شده است. با مدل تشخیص علف هرز در تصاویر، ابزار مکانیکی پایین ربات آن را منهدم می‌کند - مانند همه ربات‌های قبلی که معرفی شده است.

ربات دارای چند ویژگی جالب در طراحی است که در ادامه به آن‌ها اشاره خواهم کرد. منبع مطلب، سایت سازنده و این گزارش است.

----------
@roboticknowledge

#ربات_پایه_متحرک #کشاورزی
1⃣ ربات خودمختار AI Gen برای کشاورزان: ربات مولد انرژی در چند شکل!

ربات دارای پنل خورشیدی ۲۰۰ وات می‌باشد، اما تنها خورشید منبع انرژی نیست. پنل خورشیدی مایل می‌باشد که باعث می‌شود در مزارع باد ربات را به حرکت در آورد و انرژی حرکتی در چرخ‌ها توسط موتورهای Regenerative در باتری ذخیره شود.
----------
@roboticknowledge

#ربات_پایه_متحرک #کشاورزی
2⃣ ربات خودمختار AI Gen برای کشاورزان: مدل هوش مصنوعی بهینه شده کم مصرف

معمولا الگوریتم‌های تشخیص اشیاء محاسبات ریاضی قابل توجهی دارند که در رباتی که باید با دوام در مزرعه بدون برق متصل کار کند، کم مصرف بودن عدد مهمی است. با quantized کردن مدل استفاده شده، انرژی مصرفی مدل ۱.۵ وات است که بسیار قابل قبول است. برای قیاس، گوشی‌های همراه حدود ۴ وات میانگین مصرف انرژی دارند.
----------
@roboticknowledge

#ربات_پایه_متحرک #کشاورزی
3⃣ ربات خودمختار AI Gen برای کشاورزان: شبکه اطلاعاتی در مزرعه

ربات‌ها در مزرعه علاوه بر مبارزه فیزیکی با علف هرز، اطلاعات دقیقی همچون سلامت خاک و گیاه را جمع آوری می‌کنند. ترکیب این داده‌ها با داده‌های ماهواره‌ای کلان، تصمیم‌گیری برای مدیریت کشت با کشاورزی دقیق را بسیار ساده می‌کند.
----------
@roboticknowledge

#ROS2

امروز ROS2 Humble را مستقیما بر روی Windows نصب کردم. علاوه بر تست کردن پکیج‌های همراه، یک پکیچ شخصی را نیز با colcon بیلد کردم و همه نودها بدون مشکل اجرا شدند.

قبل از این، برای این کار از Ubuntu استفاده می‌کردم اما در آنجا مشکلاتی دیگر با سخت‌افزار و گرافیک و نرم‌افزاری دیگر داشتم.

در ادامه بررسی خواهم کرد که ببینم نودها و پکیج‌های معروف را نیز می‌توانم روی ویندوز با Humble استفاده بکنم یا نه. اگر بشود که بسیار عالی می‌شود!
----------
@roboticknowledge

#ROS2

کتابخانه Nav2 را تست کردم و دموی ترتل بات به همراه ناوبری بدون مشکل اجرا شد.
اگرچه بیشتر منابع ROS2 و کلا ROS در لینوکس هستند، اما بدون شک می‌توان تحت ویندوز آن‌ها را نیز تطبیق داد - در مجموع Pain شدیدی دارد توسعه این‌ چنینی اما مزایای خودش را نیز در شرایطی دارد.
—————
@roboticknowledge

#ExoSuit

ایده‌ای جالب (دیدن افق در راه‌رفتن) برای تامین دیتای کنترلی در یک اگزوسوئیت پا.
—————
@roboticknowledge

البته اینجا اگزوسوئیت در پای چپ است و صرفا یاری دهنده راه‌رفتن است اما آنچه در پای راست داریم که سیستم ويژن دارد، یک Robotic Prosthesis جایگزین پا می‌باشد. 🙃
—————
@roboticknowledge

#هوش_مصنوعی
نموداری جالب از ترافیک سایت Stack Overflow پس از ظهور GitHub Copilot و ChatGPT. [منبع در تصویر]

اگرچه باید اضافه کنم مدل‌های مولد فعلی به دلیل ماهیت مولد خود همواره در سطوح مختلف جواب‌های اشتباه داشته‌اند و خواهند داشت و کاربرد مراجع اصلی برای پیدا کردن پاسخ درست و دقیق سر جای خود تا ابد باقی خواهد ماند - فارغ از اینکه چه بلایی بر سر یک کامیونیتی مثل Stack Overflow بیاید.
----------
@roboticknowledge

جالب است که Stack Overflow نیز از LLM خود به نام OverflowAI رونمایی کرد. می‌گویند که جستجو در سایتشان را ساده می‌کند.
----------
@roboticknowledge

#تجربه
بدون شرح.
نه به سوابق تحصیلی (نمره) دلخوش باشید و نه از آنچه که به دست آورده‌اید ناراحت. موفقیت از چیزهای دیگری مثل توانایی حل مسأله و یادگیری همیشگی و نظم حاصل می‌شود.
----------
@roboticknowledge