چرا این درس مهم است
برای مقدار خارج از محدوده یا سنسور قطع‌شده رفتار مشخص تعریف می‌کنی.
در ساخت ربات، مکانیک، تغذیه، سنسور و کنترل روی هم اثر می‌گذارند؛ تست بخش‌به‌بخش جلوی حدس زدن را می‌گیرد.
این درس مرحله اتصال و پایداری است: باید نشان بدهی ربات متحرک واقعی فقط در حالت ایده‌آل کار نمی‌کند و در خطا هم قابل عیب‌یابی است.
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 → اعتبارسنجی → تصمیم → تست → اصلاحدر تحلیل تشخیص خطا و داده نامعتبر 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»، برای مقدار خارج از محدوده یا سنسور قطع‌شده رفتار مشخص تعریف می‌کنی. سپس نتیجه را با یک معیار عددی یا چک‌لیست مقایسه کن.
این درس مرحله اتصال و پایداری است: باید نشان بدهی ربات متحرک واقعی فقط در حالت ایده‌آل کار نمی‌کند و در خطا هم قابل عیب‌یابی است.
روش تست پیشنهادی
معیار اصلی این درس: نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع.
- یک Failure Mode واقعی یا شبیه‌سازی‌شده انتخاب کن.
- قبل و بعد از خطا نویز، Offset، نرخ نمونه و خطای تخمین نسبت به مرجع را ثبت کن.
- Recovery را هم تست کن؛ برگشتن سیستم به حالت سالم بخشی از معیار قبولی است.
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
یک Failure واقعی مثل لغزش، افت باتری یا سنسور نویزی ایجاد کن و Recovery را بدون تغییر همزمان چند بخش تست کن.
تمرین را برای تشخیص خطا و داده نامعتبر 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 «تشخیص خطا و داده نامعتبر» 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 تشخیص خطا و داده نامعتبر 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.