کالیبراسیون و فیلتر داده مسابقه

چرا این درس مهم است

آستانه‌ها را با داده واقعی تنظیم می‌کنی و نویز را بدون کند کردن بیش از حد پاسخ کم می‌کنی.

در مسابقه، یک تصمیم خوب باید در چند Run تکرارپذیر باشد؛ سرعتی که فقط یک بار اتفاق بیفتد معیار قابل اتکایی نیست.

اینجا هدف فقط شناخت ابزار نیست؛ باید ببینی تغییر یک پارامتر در ربات مسابقه‌ای چه اثری روی خروجی قابل اندازه‌گیری می‌گذارد.

نکته‌های فنی

• در مسابقه Latency سنسور می‌تواند به اندازه دقت عددی آن مهم باشد.
• نصب مکانیکی و زاویه Sensor بخشی از Calibration است.
• Filtering باید نویز را کم کند بدون اینکه پاسخ سیستم بیش از حد کند شود.
• Thresholdهای مهم را با داده واقعی و در چند شرایط نور/سطح/باتری تعیین کن.

این نکته‌ها را برای ربات مسابقه‌ای به یک زنجیره علت و معلول وصل کن: هر انتخاب باید یک اثر قابل مشاهده یا اندازه‌گیری داشته باشد. اگر نمی‌توانی بگویی با تغییر این تصمیم دقیقا کدام خروجی عوض می‌شود، هنوز طراحی را به اندازه کافی روشن نکرده‌ای.

مدل ذهنی

مشاهده → فیلتر → تصمیم → تست → اصلاح

در تحلیل کالیبراسیون و فیلتر داده مسابقه مرزهای سیستم را روشن نگه دار. هر جا داده یا انرژی از یک بخش به بخش دیگر می‌رود، یک نقطه مناسب برای مشاهده، Log یا اندازه‌گیری داری.

سناریوی عملی

در یک تمرین «سنسورها در شرایط مسابقه»، آستانه‌ها را با داده واقعی تنظیم می‌کنی و نویز را بدون کند کردن بیش از حد پاسخ کم می‌کنی. سپس نتیجه را با یک معیار عددی یا چک‌لیست مقایسه کن.

اینجا هدف فقط شناخت ابزار نیست؛ باید ببینی تغییر یک پارامتر در ربات مسابقه‌ای چه اثری روی خروجی قابل اندازه‌گیری می‌گذارد.

روش تست پیشنهادی

معیار اصلی این درس: نرخ خطا، تاخیر تشخیص و پراکندگی اندازه‌گیری در شرایط مختلف.

1. فقط یک پارامتر را تغییر بده و بقیه شرایط را ثابت نگه دار.
2. نتیجه قبل/بعد را با نرخ خطا، تاخیر تشخیص و پراکندگی اندازه‌گیری در شرایط مختلف مقایسه کن.
3. اگر نتیجه بهتر شد، یک حالت مرزی هم اجرا کن تا مطمئن شوی به یک شرایط خاص Overfit نکرده‌ای.

نتیجه تست را با نسخه کد/مدار، شرایط محیط و تنظیمات مهم ثبت کن؛ بدون این اطلاعات مقایسه دو Run ممکن است گمراه‌کننده باشد.

عیب‌یابی مرحله‌ای

1. داده خام را همراه زمان ثبت کن و خطا را در چند موقعیت واقعی زمین مسابقه بازتولید کن.
2. فقط یک فرض را در هر مرحله تغییر بده؛ تغییر همزمان چند چیز نتیجه را مبهم می‌کند.
3. بعد از هر تغییر دوباره نرخ خطا، تاخیر تشخیص و پراکندگی اندازه‌گیری در شرایط مختلف را بگیر و نتیجه را با Baseline مقایسه کن.

اگر علامت خطا عوض شد، آن را به عنوان داده جدید ببین؛ عوض شدن علامت همیشه به معنی حل شدن علت اصلی نیست.

دام رایج

عددی که در میز آزمایش پایدار است تضمین نمی‌کند روی زمین مسابقه هم همان کیفیت را داشته باشد.

برای رد یا تایید این برداشت، یک تست مرزی طراحی کن که دقیقا همین فرض را هدف بگیرد.

تمرین عملی

فقط یک پارامتر را تغییر بده و حداقل سه Run قبل/بعد بگیر تا اثر تغییر از شانس جدا شود.

تمرین را برای کالیبراسیون و فیلتر داده مسابقه انجام بده و در پایان فقط سه چیز تحویل بده: شرایط شروع، نتیجه اندازه‌گیری‌شده و تصمیم بعدی. اگر نتیجه با انتظار فرق داشت، یک فرض برای علت بنویس و تست بعدی را مشخص کن.

قبل از رفتن به درس بعد

• بتوانی «کالیبراسیون و فیلتر داده مسابقه» را با زبان خودت توضیح بدهی و نقش آن را در یک سیستم واقعی مشخص کنی.
• بتوانی یک تصمیم طراحی مرتبط با این موضوع را با دلیل فنی انتخاب کنی.
• بتوانی یک خطای رایج را مرحله‌ای عیب‌یابی کنی و نتیجه را با نرخ خطا، تاخیر تشخیص و پراکندگی اندازه‌گیری در شرایط مختلف بسنجی.

اگر یکی از این موارد را فقط می‌توانی تعریف کنی ولی نمی‌توانی روی یک مثال واقعی نشان بدهی، همان بخش را یک بار دیگر با داده یا Log مرور کن.

جمع‌بندی

در کالیبراسیون و فیلتر داده مسابقه هدف نهایی حفظ اصطلاحات نیست؛ باید بتوانی یک تصمیم فنی بگیری، اثرش را با نرخ خطا، تاخیر تشخیص و پراکندگی اندازه‌گیری در شرایط مختلف بسنجی و وقتی نتیجه خراب شد مسیر عیب‌یابی قابل تکراری داشته باشی. این سه توانایی معیار عبور واقعی از درس‌اند.