چرا این درس مهم است
داده چند سنسور را بدون بلوکه کردن loop جمع 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
- زمان نمونه‌برداری سنسورها باید با سرعت تغییر پدیده متناسب باشد.
- Calibration و Coordinate Frame قبل از ترکیب چند سنسور باید مشخص باشند.
- تغذیه مشترک نویزی موتور می‌تواند روی سنسور اثر بگذارد و نیاز به جداسازی/فیلتر داشته باشد.
- فیلتر نرم‌افزاری نمی‌تواند خطای نصب یا Saturation سخت‌افزار را پنهان کند.
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 → Sensor Fusion → تصمیم → تست → اصلاحدر تحلیل ترکیب چند سنسور و زمان نمونه‌برداری 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 «ادغام سنسورها»، داده چند سنسور را بدون بلوکه کردن loop جمع 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: نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع.
- یک Baseline با شرایط معلوم بگیر.
- حداقل سه بار همان سناریو را تکرار کن و نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع 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
- هر سنسور را مستقل لاگ کن، زمان و واحد را مشخص کن و بعد از اطمینان از هر مسیر داده سراغ ترکیب برو.
- فقط یک فرض را در هر مرحله تغییر بده؛ تغییر همزمان چند چیز نتیجه را مبهم می‌کند.
- بعد از هر تغییر دوباره نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع 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
جمع کردن سنسورهای بیشتر بدون مدل مشخص لزوما دقت ربات را بهتر نمی‌کند.
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 ترکیب چند سنسور و زمان نمونه‌برداری 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 «ترکیب چند سنسور و زمان نمونه‌برداری» 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 نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع 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 ترکیب چند سنسور و زمان نمونه‌برداری هدف نهایی حفظ اصطلاحات نیست؛ باید بتوانی یک تصمیم فنی بگیری، اثرش را با نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع بسنجی و وقتی نتیجه خراب شد مسیر عیب‌یابی قابل تکراری داشته باشی. این سه توانایی معیار عبور واقعی از درس‌اند.