TF و Frameهای مختصات

چرا این درس مهم است

رابطه بین map، odom، base_link و سنسورها را می‌فهمی.

در ROS 2، معماری خوب یعنی جریان داده بین Nodeها روشن باشد و بتوانی مشکل را با Topic، TF، Log و ابزارهای introspection محدود کنی.

این درس را روی یک Graph ربات در ROS 2 تصور کن. قبل از ساخت، ورودی، خروجی و چیزی که باید اندازه بگیری را روی کاغذ مشخص کن.

نکته‌های فنی

• TF رابطه Frameهایی مثل map، odom و base_link را در زمان نگه می‌دارد.
• Odometry تخمین حرکت محلی است و با خطا Drift می‌کند.
• Localization موقعیت ربات را نسبت به Map تخمین می‌زند و Costmap موانع/هزینه حرکت را نمایش می‌دهد.
• Navigation معمولا Planner مسیر و Controller دنبال‌کردن مسیر را از هم جدا می‌کند.

این نکته‌ها را برای Graph ربات در ROS 2 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

ros2 node list
ros2 topic list
ros2 topic echo /example

در تحلیل TF و Frameهای مختصات 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 «Localization و Navigation»، رابطه بین map، odom، base_link و سنسورها را می‌فهمی. سپس نتیجه را با یک معیار عددی یا چک‌لیست مقایسه کن.

این درس را روی یک Graph ربات در ROS 2 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: خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر.

1. یک Baseline با شرایط معلوم بگیر.
2. حداقل سه بار همان سناریو را تکرار کن و خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر را ثبت کن.
3. 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

1. اول TF tree و Odometry را ثابت کن، سپس Map/Costmap و در آخر Planner/Controller را بررسی 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 خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر 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

اگر ربات به مقصد نمی‌رود لزوما Planner خراب نیست؛ TF، Odometry، Footprint و Sensor data می‌توانند علت باشند.

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

تمرین عملی

Graph حداقلی را بالا بیاور و Nodeها، Topicها، نرخ پیام و Frameهای TF را قبل از هر تغییر ثبت کن.

تمرین را برای TF و Frameهای مختصات 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 «TF و Frameهای مختصات» 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 خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر 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 TF و Frameهای مختصات هدف نهایی حفظ اصطلاحات نیست؛ باید بتوانی یک تصمیم فنی بگیری، اثرش را با خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر بسنجی و وقتی نتیجه خراب شد مسیر عیب‌یابی قابل تکراری داشته باشی. این سه توانایی معیار عبور واقعی از درس‌اند.