#ROS2
#Autoware

به Autoware اشاره شد. یک استک نرمافزاری متن باز برای Autonomous Driving که بر اساس ROS ساخته شده است.
https://autoware.org/
—————
@roboticknowledge

#China
#AGV
فیلمی که دوست عزیز ما در هتلی در چین گرفته‌اند و یک ربات را برای تحویل غذا به ساکنین هتل ارائه می‌دهد.
بسیار جالب است و توصیه می‌کنم به دیدن. چین از آن چه که فکر می‌کنید پیشرفته‌تر است!
----------
@roboticknowledge

#China
#AGV
۱. ربات با آسانسور به طبقه هدف می‌آید.
۲. ربات به روبروی درب واحد می‌رود و زنگ می‌زند.
۳. فرد احتمالا با ID Card قفل ربات را باز و بسته را می‌گیرد.
۴. ربات به چینی کارتونی چیزی می‌گوید! 😃
۵. ربات به سمت آسانسور می‌رود و سوار می‌شود.
۶. احتمالا در طبقه هدف وارد داک شارژر خود می‌شود.
----------
@roboticknowledge

#PM #Project_Management

سخنی زیبا، اما همراه با دروغی بزرگ!

اگر این ادعای آقای ماسک را صحیح بدانیم، آیا او می‌تواند یک موشک، یک خودرو، یک ربات انسان‌نما، یک شبکه اجتماعی، یک رمزارز، یک سیستم مالی و ... را طراحی کند؟ چون در هر صورت ایشان CEO همه اینها بوده و هستند. :)

نخیر جناب ماسک، اگرچه درست است که CEO باید دانش حداقلی و آشنایی با کار مهندسان خود داشته باشد، اما پول مهم‌ترین چیز است. شما با پول خود ذهن‌های برتر را جمع می‌کنید و آن‌ها را در راستای طرح خود به خط می‌کنید. آن‌ها هستند که موفقیت درو می‌کنند، اما پول و اعتبارش در جیب یک فرد مالی و سیاسی چون شما می‌رود. این بحث در شرکت‌های کوچک تا بزرگ بوده و است.

در هر صورت این بخشی از ناعدالتی ذاتی این جهان است. ذهن‌های برتر باید خود CEO شوند - چنانچه تلاش برتر نیز داشته باشند - وگرنه ابزار این افراد خواهند شد. #PM بودن را یاد بگیرید. 😉

—————
@roboticknowledge

#Tools #CAD
#URDF #SDF
#Gazebo

مدل‌های شبیه‌سازی رباتی که همراه با mesh هستند و جزئیات خوبی دارند، توسط نرم‌افزارهای CAD آماده می‌شوند و به صورت URDF خروجی گرفته می‌شوند - نوشتن آنها با دست تقریبا غیرممکن است.

امروز از صبح در حال یادگیری قابلیت‌های نرم‌افزار FreeCAD بودم. اینجا در این لیست یوتوب به بهترین شکل آموزش داده شده است.

من قبلاً SOLIDWORKS کار کرده بودم و یادگیری یک نرم‌افزار دیگر مثل FreeCAD در چنین حالتی بسیار ساده است زیرا معمولا روش‌ها و ابزارهای CAD همه قواعد یکسان دارند.

چرا FreeCAD؟

- رایگان است و کم حجم.
- ساده است و قوی.
- برای استخراج URDF یک workbench رباتیک دارد و خیلی راحت‌تر از SOLIDWORKS این کار را انجام می‌دهد.
- بر روی Ubuntu 22 نصب می‌شود.

گزینه‌های دیگری مثل Fusion360 یا Blender نیز با پلاگین خروجی URDF می‌دهند، اما اگر سادگی ملاک باشد، آن هم در سن ۲۶ سالگی برای یک رباتیک کار چیزی مثل Blender انتخاب خوبی نیست. ترجیح می‌دهم وقتم را صرف چیز پیچیده دیگری بکنم! 🙂
----------
@roboticknowledge

#Tools #CAD
#URDF
#Gazebo #ROS2
نکته تکمیلی اول:
من از ورک‌بنچ CROSS برای ایجاد مدل URDF در FreeCAD استفاده می‌کنم.
‌
تصویر از محیط FreeCAD من به همراه نمودار درختی ربات ایجاد شده با کمک CROSS گرفته شده است.
—————
@roboticknowledge

#Tools #CAD
#URDF
#Gazebo #ROS2

نکته تکمیلی دوم: CROSS آموزش ندارد. 😂 حتی داکیومنت خاصی هم ندارد!
با تعداد زیادی آزمون و خطا آموختم از آن استفاده کنم. ابزار Set Placement آن‌ها که در تعریف مکان مفصل کاربردی است، باگ دارد و من راه دیگری برای تعریف مفصل پیدا کردم.
این ابزار توسط گروه یک استاد در دانشگاه پراگ جمهوری چک توسعه داده شده است - کلا در رباتیک این دانشگاه خدمات متن باز زیادی داده است - دمشان گرم.
—————
@roboticknowledge

#Tools #CAD
#URDF
#Gazebo #ROS2

نکته تکمیلی سوم:‌پس از تعریف مدل - شامل لینک‌ها، مفاصل، هندسه واقعی و تصادف، کراس بصورت خودکار با تعریف ماده ویژگی‌های اینرسی را محاسبه می‌کند. نهایتا یک پکیج راس 2 برای ربات تولید می‌کند که دارای لانچ فایل برای گزبو و آرویز نیز است! 🙂

—————
@roboticknowledge

#URDF #ROS2 #Gazebo #CAD #Tools
و نهایتا لانچ کردن خروجی!
فوق‌العاده است.😊
حال هر ساختار رباتیکی که در ذهن دارید می‌توانید با این مراحل از CAD به Gazebo و ROS2 برسانید و کابوس URDF را به پایان برسانید.
—————
@roboticknowledge

#URDF #ROS2 #Gazebo #CAD #Tools

https://www.linkedin.com/posts/mjavadzallaghi_roboticists-ros-gazebo-activity-7217814868333084672-Pvmb?utm_source=share&utm_medium=member_desktop

#منهای_رباتیک
سرعت تغییرات در تکنولوژی‌ها بسیار زیاد است.
امروز یک چیز ترند است، فردا چیزی دیگر. در فیلد خود ترندها را دنبال کنید و یاد بگیرید - البته این هم نیاز به مدیریت خاصی دارد که یاد خواهید گرفت اگر جوینده باشید.
اگر در طول روز از ترندهای فیلد خود چیزی را یاد نگیرید، نمی‌توانید جایگاه برتر در کار و برند شخصی خود داشته باشید.
یک فرد تطبیق پذیر یاد می‌گیرید چگونه Knowledge Adaptation انجام دهد تا بتواند براحتی جبهه برای حضور خود باز کند در جایی که دنبال افراد خاص هستند.
اگر هدف بزرگ شدن در کار خود را دارید، اما در راستای ترندها و نیازهای برتر هر روز چیزی یاد نمی‌گیرید، سخت است به آن هدف برسید.
گام بردارید، هر چند کوچک، اما تا حدودی پیوسته. خداوند به شما فرصت‌هایی می‌دهد که گمان نمی‌کنید آن‌ها را به شما پیشنهاد دهند.
این مصاحبه هم ارزش بالایی دارد که مقداری درباره این متن من نیز در دل خود همپوشانی دارد:
https://youtu.be/Gd4qK05CfE8?si=NFD2_onSwTUGThU5
—————
@roboticknowledge

#ROS2 #ROS
یکی از سختی‌های کار در استفاده از نرم‌افزارهای متن‌باز compatible بودن آن‌ها با سیستم شماست.
برای مثال شما برای داشتن مزیت LTS یا Long Time Support سراغ ROS 2 Humble می‌روید، اما برای استفاده از الگوریتم Volumetric Mapper می‌بینید که با اینکه پکیج جدیدی است،‌ اما در ROS توسعه پیدا کرده است و براحتی نمی‌توانید از آن استفاده کنید.
به همین دلیل است که بسیاری از نرم‌افزارهای رباتیکی و اکوسیتم ROS همچنان بر روی ROS پایه و توزیع‌های قدیمی آن که روی اوبنتو 18 یا 20 قابل نصب هست، توسعه می‌یابد - متاسفانه. دلیل هم این است که زنجیره وار بر روی نسخه‌های قدیمی توسعه ادامه دارد و تا پایه‌ها منتقل نشوند، نمی‌توان براحتی روی توزیع‌های جدید چیزی توسعه داد.

به الگوریتم Volumetric Mapper اشاره شد که اینجا قابل یافتن است و برای مپینگ می‌تواند به شما نقشه آنلاین ‌Occupency Grid به همراه Euclidean Distance Transform بدهد:
https://github.com/JINXER000/GIE-mapping

—————
@roboticknowledge

#مفاهیم
در بحث نقشه‌های رباتیک، منظور از Euclidean Distance Transform یا EDT در واقع یک نقشه سه بعدی است که هر المان آن - به آن ‌Voxl گفته می‌شوند - عددی است بیانگر فاصله کمینه تا اولین شی در نقشه است. بنابراین با گرادیان روی EDT می‌توانید کارهایی مثل حرکت در جهت دور شدن از نزدیک‌ترین مانع انجام دهید.
—————
@roboticknowledge

#mapping
این نیز چیز خوبی بنظر می‌رسد.
https://github.com/OctoMap/octomap
خوش نصب است و مستقل از ROS.
—————
@roboticknowledge

#LearnEveryDay
#Nvidia

گویا Nvidia آموزش‌های خوبی دارد - تحت عنوان training یا course.
از برنامه‌نویسی با CUDA تا رباتیک با Isaac Sim.
چک می‌کردم تعدادی از مورد علاقه‌های خودم را، بین ۳۰ تا ۹۰ دلار هزینه داشتند. البته برخی نیز رایگان بودند.
----------
@roboticknowledge

#Computer #Jetson #Nvidia

چیز دیگری که امروز برق از سر من پراند، آشنایی با Jetson AGX Orin Developer Kit بود. عملکرد AI آن معادل TOPS 275 است! ۶۴ گیگ رم و ۱۲ هسته cpu. ابعاد آن حدود ۱۰ سانت در ۱۰ سانت است. این یعنی با ۲۵۰۰ دلار می‌توانید کارهای فوق سنگین پرسپشنی را روی ربات خود انجام دهید، با عملکردی فوق‌العاده.
----------
@roboticknowledge

#Docker
داکر در اینترنت بعضی‌ها از جمله خودم = بیچارگی!

با هیچ vpn و dns رایگان و غیر رایگانی نمی‌توان یک pull کرد! آخرش این است که به شما پیام rate limit می‌دهد! اگر شما این مشکل را قبلا داشته‌اید، چطوری حل کردین؟

تا چند ماه قبل با شکن رایگان کار می‌کرد، الان با شکن غیر رایگان هم کار نمی‌کند متأسفانه. استفاده از mirror چینی هم مشکلات خود را دارد که ترجیح میدهم به آن سمت نروم.

در کل چیز خوبی هست (داکر!)، اما نه برای هر اینترنتی.
----------
@roboticknowledge

#مفاهیم
#Neural_Networks #NN #AI

ما شبکه‌های عصبی را با ساختار MLP می‌شناسیم، جایی که توابع فعالسازی ثابت اما وزن اتصالات یادگیری شونده است.

حال ساختار جدیدی رو شده است که KAN نام دارد. در شبکه‌های KAN در واقع تابع فعالسازی یک چیز مشخص نیست و یادگیری می‌شود. پس می‌توان توابع غیرخطی در تک تک نورون‌ها فرا گرفت.

مزیت چیست؟ نخست اینکه یک شبکه KAN با تعداد نورون‌های خیلی کم می‌تواند دقت بهتری از یک شبکه MLP با تعداد زیادی نورون بدهد. دوم اینکه شبکه KAN می‌تواند فیزیک مسأله را یاد بگیرد - به لطف اینکه تابع غیرخطی فعال‌سازی چون spline یادگیری می‌شود - و مشخصا آنچه که یادگرفته قابل تفسیر است و مقدار Black Box بودن مسأله بسیار کم می‌شود.

مشکل شبکه‌های KAN این است که با GPU نمی‌تواند آموزش ببیند، اگرچه برای یادگیری فیزیک‌های نه چندان بزرگ با CPU های قوی بخوبی می‌توان بر روی KAN ها حساب باز کرد.

مقاله کامل در آی تریپل ای اسپکتروم قابل خواندن است.
https://spectrum.ieee.org/kan-neural-network

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

#مفاهیم #طراحی

ایشان آقای Brooks هستند، سازنده ربات (بیشتر ربات ساخته‌اند تا کار تحقیقاتی کرده باشند) و در جاهای معروفی چون irobot بوده‌اند.
سه قانون برای ربات‌ها دارند - ربات‌هایی که قرار است بتوانند در جهان واقعی کار کنند و نه فقط دموی آزمایشی باشند:

1. The visual appearance of a robot makes a promise about what it can do and how smart it is. It needs to deliver or slightly over deliver on that promise or it will not be accepted.

2. When robots and people coexist in the same spaces, the robots must not take away from people’s agency, particularly when the robots are failing, as inevitably they will at times.

3. Technologies for robots need 10+ years of steady improvement beyond lab demos of the target tasks to mature to low cost and to have their limitations characterized well enough that they can deliver 99.9 percent of the time. Every 10 more years gets another 9 in reliability.


در باره این قانون‌ها در بلاگ خود توضیح داده‌اند که جالب بود.

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