معرفی دوره

در این دوره جامع، با استفاده از ROS 2 و ابزارهای پیشرفته نقشه‌سازی و موقعیت‌یابی، گام‌به‌گام رانندگی خودران را تجربه خواهید کرد. هدف اصلی، یادگیری عملی و پروژه‌محور است تا پس از پایان دوره، توانایی طراحی و پیاده‌سازی سیستم SLAM، مسیریابی و کنترل ربات خودران را داشته باشید.

هر جلسه ترکیبی از مباحث تئوری مختصر و مثال‌های عملی در شبیه‌سازها و ربات‌های واقعی خواهد بود. علاوه بر آن، با چالش‌های رایج در محیط‌های پیچیده آشنا می‌شوید و روش‌های رفع خطا را خواهید آموخت.

آنچه در این دوره می‌آموزید

• ساختار و معماری کلاینت-سرور در ROS 2 و مفاهیم اصلی نود و تاپیک
• پیاده‌سازی SLAM با استفاده از بسته‌های Open Source و تبدیل داده‌های لیزر اسکن (LIDAR) به نقشه‌های دوبعدی
• پیکربندی و اجرای Navigation 2 (Nav2) برای مسیریابی پویا و اجتناب از موانع
• موقعیت‌یابی آنلاین با الگوریتم AMCL و ارزیابی دقت روی نقشه‌های تولیدشده
• ادغام حسگرهای مختلف (IMU، دوربین RGB-D) برای افزایش پایداری موقعیت‌یابی
• استفاده از شبیه‌ساز Gazebo برای تست الگوریتم‌ها در محیط‌های شبیه‌سازی‌شده

مزایا و فرصت‌ها

• کسب مهارت‌های کاربردی در یکی از پرتقاضاترین حوزه‌های مهندسی رباتیک و خودروهای خودران
• توانایی پیاده‌سازی از صفر تا صد یک پروژه رانندگی خودران در محیط شبیه‌سازی و ربات‌های واقعی
• افزایش شانس استخدام در شرکت‌های فعال در زمینه Autonomous Vehicles، خدمات لجستیکی و تولید ربات‌های خدماتی
• دسترسی به کدها و سناریوهای آماده برای توسعه و شخصی‌سازی پروژه‌های تحقیقاتی و صنعتی
• شبکه‌سازی با سایر دانشجویان و دریافت بازخورد از مدرس دوره

پیش‌نیازها

• آشنایی متوسط با زبان Python و C++
• مبانی سیستم‌عامل لینوکس و کار با ترمینال
• درک اولیه از مفاهیم رباتیک مانند کینماتیک و سینماتیک معکوس
• نصب ROS 2 Foxy یا Humble روی اوبونتو ۲۰.۰۴ یا ۲۲.۰۴
• فضای حداقل ۲۰ گیگابایت آزاد برای نصب شبیه‌سازها و بسته‌های مورد نیاز

ساختار و بخش‌های دوره

• بخش ۱: مرور معماری ROS 2 و نصب اولیه
• بخش ۲: آشنایی با شبیه‌ساز Gazebo و کنترل ربات ساده
• بخش ۳: اجرای SLAM با بسته‌های Cartographer و GMapping
• بخش ۴: پیکربندی Navigation 2 و تست مسیریابی
• بخش ۵: پیاده‌سازی AMCL و ارزیابی دقت موقعیت‌یابی
• بخش ۶: ادغام حسگرهای پیشرفته و بهینه‌سازی عملکرد
• بخش ۷: انتقال به ربات فیزیکی و چیدمان محیط آزمایشگاهی
• بخش ۸: پروژه نهایی و نکات بهبود

در هر بخش، ابتدا مبانی تئوری بیان شده و سپس با اجرای اسکریپت‌های آماده و تحلیل داده‌ها، درک عملی از مفاهیم حاصل می‌شود.

مثال‌های عملی

مثال ۱: نقشه‌سازی یک اتاق ۵ در ۴ متر با دو مانع متحرک. در این مثال، با استفاده از LIDAR و الگوریتم Cartographer، نقشه بدون تقاطع خطا تولید می‌شود.

مثال ۲: موقعیت‌یابی یک ربات در مسیر پیچیده با استفاده از AMCL و دوربین RGB-D. دقت موقعیت‌یابی قبل و بعد از ادغام IMU مقایسه خواهد شد.

تمام کدها در ریپازیتوری GitHub دوره منتشر شده و شما می‌توانید حتی پس از اتمام درس، آزمایش‌های خود را گسترش دهید.

نکات کلیدی

• استفاده از launch files برای راه‌اندازی چند نود به صورت هم‌زمان
• پیکربندی پارامترهای SLAM و Nav2 با فایل‌های YAML برای انعطاف‌پذیری بالا
• بهینه‌سازی نرخ انتشار تاپیک‌ها و بسته‌های حسگر برای کاهش تاخیر
• شیوه‌های رفع مشکلات رایج مانند tf tree و تصادف نقشه‌ها
• تست مداوم در شبیه‌ساز قبل از اجرای روی ربات فیزیکی

جمع‌بندی و راه‌های ادامه

این دوره علاوه بر آموزش مبانی رانندگی خودران، شما را با محیط واقعی آزمایشگاهی و ترازبندی حسگرها آشنا می‌کند. پس از پایان دوره، می‌توانید پروژه‌های شخصی مبتنی بر تحرک خودران، نقشه‌سازی سه‌بعدی و ردیابی چند ربات را اجرا کرده و در رویدادهای رقابتی شرکت کنید.

برای دانلود دوره و دسترسی به منابع جانبی، از لینک زیر استفاده کنید و سفر خود در دنیای خودروهای خودران را همین امروز آغاز کنید!