چرا این درس مهم است
رفتار را به حالت‌های روشن مثل حرکت، توقف، چرخش و خطا تقسیم می‌کنی.
در ساخت ربات، مکانیک، تغذیه، سنسور و کنترل روی هم اثر می‌گذارند؛ تست بخش‌به‌بخش جلوی حدس زدن را می‌گیرد.
این درس را روی یک ربات متحرک واقعی تصور کن. قبل از ساخت، ورودی، خروجی و چیزی که باید اندازه بگیری را روی کاغذ مشخص کن.
نکته‌های فنی
- State Machine رفتار را به حالت‌های روشن با Transitionهای مشخص تقسیم می‌کند.
- شرط خروج از هر حالت باید قابل اندازه‌گیری باشد تا ربات در حالت گیر نکند.
- Safety state یا توقف امن باید از رفتارهای عادی اولویت بالاتری داشته باشد.
- Hysteresis و Debounce جلوی رفت‌وبرگشت سریع بین حالت‌ها را می‌گیرند.
این نکته‌ها را برای ربات متحرک واقعی 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 → State Machine → تصمیم → تست → اصلاحدر تحلیل State Machine برای رفتار ربات 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 «رفتار ربات»، رفتار را به حالت‌های روشن مثل حرکت، توقف، چرخش و خطا تقسیم می‌کنی. سپس نتیجه را با یک معیار عددی یا چک‌لیست مقایسه کن.
این درس را روی یک ربات متحرک واقعی تصور کن. قبل از ساخت، ورودی، خروجی و چیزی که باید اندازه بگیری را روی کاغذ مشخص کن.
روش تست پیشنهادی
معیار اصلی این درس: تعداد Transition اشتباه، زمان ماندن غیرمنتظره در حالت و نرخ تکمیل سناریو.
- یک Baseline با شرایط معلوم بگیر.
- حداقل سه بار همان سناریو را تکرار کن و تعداد Transition اشتباه، زمان ماندن غیرمنتظره در حالت و نرخ تکمیل سناریو را ثبت کن.
- اگر Runها با هم فرق دارند، قبل از بهینه‌سازی علت نبود تکرارپذیری را پیدا کن.
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
- State فعلی و علت هر Transition را روی Serial/Log ثبت کن و سناریوی گیرکردن در هر حالت را تست کن.
- فقط یک فرض را در هر مرحله تغییر بده؛ تغییر همزمان چند چیز نتیجه را مبهم می‌کند.
- بعد از هر تغییر دوباره تعداد Transition اشتباه، زمان ماندن غیرمنتظره در حالت و نرخ تکمیل سناریو 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
زنجیره بزرگ if/else بدون مدل حالت در پروژه رشد می‌کند و عیب‌یابی Transitionها را سخت می‌کند.
برای رد یا تایید این برداشت، یک تست مرزی طراحی کن که دقیقا همین فرض را هدف بگیرد.
تمرین عملی
ربات را روی یک سطح ثابت و با باتری مشخص اجرا کن و داده سنسور، فرمان موتور و نتیجه حرکت را همزمان ثبت کن.
تمرین را برای State Machine برای رفتار ربات 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 «State Machine برای رفتار ربات» 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 تعداد Transition اشتباه، زمان ماندن غیرمنتظره در حالت و نرخ تکمیل سناریو 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 State Machine برای رفتار ربات هدف نهایی حفظ اصطلاحات نیست؛ باید بتوانی یک تصمیم فنی بگیری، اثرش را با تعداد Transition اشتباه، زمان ماندن غیرمنتظره در حالت و نرخ تکمیل سناریو بسنجی و وقتی نتیجه خراب شد مسیر عیب‌یابی قابل تکراری داشته باشی. این سه توانایی معیار عبور واقعی از درس‌اند.