Odometry و Localization

چرا این درس مهم است

تخمین حرکت و جای ربات را از حسگرها و مدل حرکتی درک می‌کنی.

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.

اینجا هدف فقط شناخت ابزار نیست؛ باید ببینی تغییر یک پارامتر در Graph ربات در ROS 2 چه اثری روی خروجی قابل اندازه‌گیری می‌گذارد.

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 Odometry و Localization 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»، تخمین حرکت و جای ربات را از حسگرها و مدل حرکتی درک می‌کنی. سپس نتیجه را با یک معیار عددی یا چک‌لیست مقایسه کن.

اینجا هدف فقط شناخت ابزار نیست؛ باید ببینی تغییر یک پارامتر در Graph ربات در ROS 2 چه اثری روی خروجی قابل اندازه‌گیری می‌گذارد.

روش تست پیشنهادی

معیار اصلی این درس: خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر.

1. فقط یک پارامتر را تغییر بده و بقیه شرایط را ثابت نگه دار.
2. نتیجه قبل/بعد را با خطای موقعیت، نرخ موفقیت رسیدن به Goal و زمان/طول مسیر 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. 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

یک پارامتر یا Node را تغییر بده و با همان Bag/سناریو، نرخ پیام، تاخیر و خروجی را دوباره اندازه بگیر.

تمرین را برای Odometry و Localization 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 «Odometry و Localization» 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 Odometry و Localization 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.