اپلیکیشن شبیه‌ساز مسیریابی و مجله تخصصی ناوبری ربات! 🤖

دوستان و همراهان گرامی،

اپلیکیشن “Robot Navigation Simulator” به همراه مجله آموزشی مسیریابی برای برنامه‌نویسان و علاقه‌مندان به رباتیک و هوش مصنوعی آماده شد! 🌟
در بسیاری از مسائل رباتیک، یکی از چالش‌های بنیادی، یافتن مسیر بهینه از نقطه شروع تا هدف در محیطی شامل موانع است. درک رفتار الگوریتم‌های جستجو و تأثیر توابع هیوریستیک بر فرآیند تصمیم‌گیری، بخش مهمی از طراحی سیستم‌های ناوبری هوشمند محسوب می‌شود.

به همین منظور، اپلیکیشن Robot Navigation Simulator به‌عنوان یک محیط تعاملی برای تحلیل و مقایسه الگوریتم‌های مسیریابی توسعه داده شده است. این ابزار امکان مشاهده و بررسی عملکرد الگوریتم‌های کلاسیک جستجو را در قالب یک شبیه‌سازی بصری فراهم می‌کند.

📱 ویژگی‌های اپلیکیشن شبیه‌ساز:

🔹 شبیه‌سازی بصری و تعاملی الگوریتم‌های هوش مصنوعی (A*, Dijkstra, BFS, DFS)

🔹 تست و مقایسه انواع توابع هیوریستیک (منهتن، اقلیدسی و…) در لحظه

🔹 محیط جذاب برای طراحی نقشه، موانع و تحلیل سرعت الگوریتم‌ها

🔹 قابلیت تست و مقایسه توابع هیوریستیک مختلف و بررسی تاثیر مستقیم آن‌ها بر عملکرد جستجو.

🔹 امکان شخصی‌سازی نقشه‌ها، ایجاد موانع پیچیده و مانیتورینگ پارامترهای مسیریابی به صورت در لحظه (Real-time).

🔹 شبیه‌سازی و مانیتورینگ زنده: می‌توانید خودتان موانع را رسم کنید و نحوه تصمیم‌گیری و دور زدن موانع توسط الگوریتم‌ها را ببینید.

🔹 مقایسه عملی ابزارها: تفاوت عملکرد یک هیوریستیک نسبت به دیگری را در یک سناریوی واحد بررسی کنید.

🔹 محیط تست (Sandbox): یک ابزار دم‌دستی و عالی برای زمانی که در حال طراحی سیستم ناوبری پروژه خود هستید و نیاز به تست سریع ایده‌ها دارید.

📘 در مجله تخصصی چه می‌خوانیم؟

📌 آموزش صفر تا صد الگوریتم‌های جستجو با زبان ساده

📌 توضیح مفهوم هیوریستیک و تأثیر آن بر سرعت و کیفیت جستجو

📌 نگاهی کاربردی به نقش این الگوریتم‌ها در رباتیک، بازی‌سازی و هوش مصنوعی

📌 معرفی منابع برتر جهانی (کتاب، مقاله و دوره) برای تسلط کامل


📚اهداف آموزشی:
🔶درک عمیق تفاوت الگوریتم‌های جستجو
🔶یادگیری تأثیر هیوریستیک بر عملکرد
🔶تجربه عملی مفاهیم نظری هوش مصنوعی
🔶آمادگی برای پروژه‌های رباتیک و بازی‌سازی

مخاطبان:
👨‍🎓 دانشجویان علوم کامپیوتر و مهندسی

🤖 علاقه‌مندان به رباتیک و هوش مصنوعی

🎮 توسعه‌دهندگان بازی

📚 اساتید و مدرسان (ابزار کمک آموزشی)


پ.ن: این پروژه با هدف ارائه یک ابزار آموزشی و کاربردی توسعه داده شده است. با وجود انجام تست‌های متعدد، ممکن است در برخی بخش‌ها خطا یا مشکلات فنی مشاهده شود. از همراهی و بازخوردهای ارزشمند شما برای شناسایی و بهبود نسخه‌های آینده سپاسگزاریم. 🙏



📞 تماس با ما
انجمن رباتیک

📱 تلگرام/ایتا:
@rezaforgex
📱 ایتا:
@Alisamimiii

📥 دانلود فایل نصب اپلیکیشن (APK) و نسخه کامل مجله را از لینک فضای ابری زیر دانلود کنید:

👇👇👇
https://my.files.ir/drive/s/jRllklbyyK04kSaRbTEe4pIsvykVQc

رمز عبور فایل ها و سایت:
@BURobotics



@BURobotics

👁 چشم‌های ربات: ماشین‌ها چگونه دنیای ما را می‌بینند؟

وقتی ما به یک سیب نگاه می‌کنیم، مغز ما فوراً رنگ، شکل و هویت آن را تشخیص می‌دهد. اما برای یک ربات یا کامپیوتر، تصویر آن سیب چیزی جز یک ماتریس ریاضی با ابعاد 𝑀 × 𝑁 از اعداد (پیکسل‌ها) نیست. هر عدد صرفاً شدت نور را در یک نقطه خاص نشان می‌دهد.

اینجاست که علم «بینایی ماشین» (Computer Vision) وارد عمل می‌شود تا این ماتریس‌های عددی خام را به مفاهیم معنی‌دار تبدیل کند. یکی از قدرتمندترین و محبوب‌ترین ابزارهای جهان برای این کار در دنیای رباتیک، کتابخانه متن‌باز OpenCV است.

🤖 ربات‌ها از کجا شروع به دیدن می‌کنند؟

یکی از اولین قدم‌ها برای درک محیط توسط ربات، پیدا کردن مرز و شکل اشیاء است؛ به این کار «تشخیص لبه» (Edge Detection) می‌گویند. وقتی ربات بتواند تغییرات ناگهانی رنگ یا نور را در ماتریس تصویر پیدا کند، می‌تواند مرز بین اجسام مختلف را تشخیص دهد.



دریافت فایل کامل برنامه و فایل pdf توضیح خط کد های برنامه :
👇👇👇
https://my.files.ir/drive/s/duTzYtV2y4H2T7gOPqbXkmGIfvdf8M
رمز پوشه : @BURobotics

@BURobotics

🚀 سری جدید: بهترین ابزارهای آنلاین رباتیک برای ساخت پروژه‌های واقعی بدون نیاز به خرید قطعه!
سلام بر اعضاء عزیز انجمن! 👋🔥
خیلی‌ها دوست دارن وارد دنیای رباتیک بشن، اما هزینه قطعات، سیم‌کشی، لحیم‌کاری و خطاهای سخت‌افزاری اونا رو دلسرد می‌کنه 😔
برای همین تصمیم گرفتم یه سری آموزشی باحال راه بندازم و بهترین سایت‌های آنلاین رباتیک رو بهتون معرفی کنم که بتونید پروژه‌های خفن رو رایگان، سریع و بدون دردسر شبیه‌سازی و تست کنید 🛠⚡️
هر هفته یک سایت + یک پروژه کاربردی و آموزشی با کد کامل + توضیحات + خروجی واقعی براتون می‌ذارم 📚
آماده‌اید؟ بزن بریم! 🚀
سایت اول: Wokwi.com
(شبیه‌ساز آنلاین Arduino، ESP32، Raspberry Pi Pico و ... ) 🔌💻

قسمت اول: راه‌اندازی نمایشگر حرفه‌ای و انیمیشن لودینگ با Wokwi 💻
🔥طبق قولی که دادم، امروز اومدیم سراغ اولین پروژه عملی با سایت فوق‌العاده Wokwi.com
خیلی وقت‌ها توی پروژه‌ها نیاز داریم یک نمایشگر داشته باشیم تا وضعیت سیستم، شمارشگر یا متن‌های خاصی رو به کاربر نشون بده. امروز می‌خوایم ماژول نمایشگر سون‌سگمنتی TM1637 رو با برد قدرتمند ESP32-S2 بدون نیاز به خرید حتی یک قطعه، شبیه‌سازی کنیم!
🛠⚡️اما این یک تست ساده نیست؛ توی این پروژه یاد می‌گیریم چطور با کنترل تک‌تک سگمنت‌ها، یک انیمیشن لودینگ باحال، یک تایمر معکوس چشمک‌زن و در نهایت یک متن سفارشی (done) خلق کنیم تا پروژه کاملاً حس یک گجت تجاری رو بده.

🔌 نحوه چیدمان و اتصالات در شبیه‌ساز (Wiring)
توی محیط Wokwi، روی دکمه + کلیک کنید، قطعات رو بیارید و سیم‌ها رو دقیقاً به این پایه‌ها وصل کنید (به خاطر ساختار برد S2، از پایه‌های امن ۱۱ و ۱۲ استفاده کردیم):
پایه VCC نمایشگر به پایه 3V3 برد ESP32
پایه GND نمایشگربه پایه G (GND) برد ESP32
پایه CLK نمایشگر به پایه GPIO 11 برد ESP32
پایه DIO نمایشگر به پایه GPIO 12 برد ESP32

💻 کد کامل پروژه (Arduino IDE / Wokwi)

⚠️ نکته مهم در Wokwi: قبل از زدن دکمه Play، حتماً از تب Library Manager (بالای کادر کد)، عبارت TM1637 رو سرچ کنید و روی دکمه Install بزنید تا کتابخانه فعال بشه.

https://my.files.ir/drive/s/ErIQlMMThQy81aIfCDUEJCa6xko7CF

🧐 چطوری خودمون کدهای باینری بسازیم؟ (نکته مهارتی)
توی نمایشگرهای سون‌سگمنتی، هر رقم از ۷ ال‌ای‌دی خطی (سگمنت‌های A تا G) تشکیل شده. ساختار آدرس‌دهی مستقیم به این سگمنت‌ها توی کد به این صورته: 0b[X][G][F][E][D][C][B][A]
هر سگمنتی رو که بخواید روشن بشه، جاش عدد 1 و هر کدوم رو بخواید خاموش بمونه عدد 0 می‌ذارید. مثلاً برای نوشتن حرف E، سگمنت‌های بالا، وسط، پایین و سمت چپ باید روشن بشن که کد باینریش میشه 0b01111001.
به همین راحتی می‌تونید هر شکل یا کاراکتر دلخواهی رو خودتون خلق کنید!
🚀حالا نوبت شماست؛ وارد Wokwi بشید، این مدار رو ببندید و دکمه سبز رنگ اجرا رو بزنید تا جادوی شبیه‌سازی رو ببینید!
سایت پروژه :
https://wokwi.com/projects/466184408656414721

هفته آینده می‌ریم سراغ ابزار دوم یا یک پروژه خفن‌تر روی همین سایت.

نظراتتون رو برای ادمین ها بفرستید 👇
🔹 @asma7d
🔹 @yasava6


@BURobotics

🎙🤖 انجمن علمی رباتیک دانشگاه بیرجند تقدیم می‌کند

🎧 اولین پادکست انجمن علمی رباتیک

اگر یک ربات بتواند قبل از اینکه حرفی بزنید، ناراحتی، استرس یا حتی شادی شما را تشخیص دهد، چه اتفاقی می‌افتد؟! 🤯

تصور کنید روبه‌روی یک ماشین نشسته‌اید؛ اما این ماشین فقط به کلمات شما گوش نمی‌دهد. لحن صدایتان، حالت چهره‌تان و حتی احساسات پنهانتان را تحلیل می‌کند و بر اساس آن واکنش نشان می‌دهد!

این دقیقاً همان دنیایی است که «ربات‌های احساس‌خوان» در حال ساختن آن هستند؛ فناوری‌ای در مرز میان هوش مصنوعی و علوم اعصاب که می‌تواند آینده‌ی مراقبت از بیماران، توان‌بخشی و حتی سلامت روان را متحول کند.

اما یک سؤال مهم:

آیا این ربات‌ها واقعاً احساسات ما را «می‌فهمند» یا فقط در تقلید آن‌ها استاد شده‌اند؟ 🤔

در این اپیزود کوتاه، به سراغ یکی از جذاب‌ترین فناوری‌های روز دنیا می‌رویم؛ جایی که ماشین‌ها تلاش می‌کنند انسان را نه فقط از روی حرف‌هایش، بلکه از روی احساساتش بشناسند.

🎙 گوینده: سرکار خانم فاطمه لطفی زاده

💡 موضوع: ربات‌های احساس‌خوان؛ وقتی ماشین‌ها زبان احساسات را یاد می‌گیرند

@BURobotics

📡 حذف نویز از سیگنال در متلب
یکی از مسائل رایج در پردازش سیگنال، وجود نویز در داده‌های اندازه‌گیری‌شده است. این نویزها می‌توانند دقت تحلیل و پردازش سیگنال را کاهش دهند و نتایج را تحت تأثیر قرار دهند.
🔹 یکی از ساده‌ترین و پرکاربردترین روش‌های کاهش نویز، استفاده از فیلتر میانگین متحرک (Moving Average Filter) است.
در این مثال:
✅ یک سیگنال سینوسی تولید می‌کنیم.
✅ مقداری نویز تصادفی به آن اضافه می‌کنیم.
✅ سپس با استفاده از فیلتر میانگین متحرک، نویز را کاهش می‌دهیم.

💻 کد متلب:

clc;
clear;
close all;

% تولید سیگنال اصلی
t = 0:0.01:10;
x = sin(2*pi*0.5*t);

% افزودن نویز
noise = 0.5*randn(size(t));
x_noisy = x + noise;

% فیلتر میانگین متحرک
windowSize = 10;
x_filtered = movmean(x_noisy, windowSize);

% نمایش نتایج
figure;

subplot(3,1,1)
plot(t,x)
title('Original Signal')
grid on

subplot(3,1,2)
plot(t,x_noisy)
title('Noisy Signal')
grid on

subplot(3,1,3)
plot(t,x_filtered)
title('Filtered Signal')
grid on

@BURobotics

📡 شبیه‌سازی سنسور اولتراسونیک در متلب
یکی از پرکاربردترین سنسورها در دنیای رباتیک، سنسور اولتراسونیک است. این سنسور با ارسال یک موج صوتی و دریافت بازتاب آن، فاصله تا مانع را اندازه‌گیری می‌کند.
🤖 در ربات‌های متحرک، از سنسورهای اولتراسونیک برای تشخیص موانع، جلوگیری از برخورد و ناوبری استفاده می‌شود. البته اندازه‌گیری این سنسورها همیشه کاملاً دقیق نیست و معمولاً مقداری نویز در داده‌های خروجی آن‌ها وجود دارد.
در این مثال:
✅ فاصله واقعی یک مانع از ربات را شبیه‌سازی می‌کنیم.
✅ نویز سنسور را به اندازه‌گیری‌ها اضافه می‌کنیم.
✅ تأثیر نویز بر عملکرد سنسور را بررسی خواهیم کرد.
💻 کد متلب:

clc;
clear;
close all;

% فاصله واقعی مانع (بر حسب سانتی متر)
t = 1:100;
real_distance = 100 + 20*sin(0.1*t);

% شبیه سازی نویز سنسور
noise = randn(size(t))*3;

% فاصله اندازه گیری شده توسط سنسور
measured_distance = real_distance + noise;

% محاسبه خطا
error = measured_distance - real_distance;

% نمایش نتایج
figure;

subplot(2,1,1)
plot(t,real_distance,'LineWidth',2)
hold on
plot(t,measured_distance,'.')
grid on
legend('Real Distance','Sensor Measurement')
title('Ultrasonic Sensor Simulation')
xlabel('Sample')
ylabel('Distance (cm)')

subplot(2,1,2)
plot(t,error,'r')
grid on
title('Measurement Error')
xlabel('Sample')
ylabel('Error (cm)')

📊 چه اتفاقی می‌افتد؟
🔹 خط آبی، فاصله واقعی مانع را نمایش می‌دهد.
🔹 نقاط نمایش داده‌شده، داده‌های خروجی سنسور هستند که تحت تأثیر نویز قرار گرفته‌اند.
🔹 نمودار دوم میزان خطای اندازه‌گیری سنسور را نشان می‌دهد.
🔹 هرچه نویز بیشتر باشد، اختلاف بین فاصله واقعی و فاصله اندازه‌گیری‌شده نیز افزایش پیدا می‌کند.
⚙️ در سیستم‌های واقعی، داده‌های خام سنسورها معمولاً با استفاده از فیلترهایی مانند Moving Average و Kalman Filter پردازش می‌شوند تا دقت اندازه‌گیری افزایش یابد و تصمیم‌گیری ربات قابل اعتمادتر شود.
💡 سؤال برای شما:
اگر مقدار نویز را از 3 به 10 افزایش دهیم، دقت ربات در تشخیص موانع چه تغییری خواهد کرد؟ 🤔

@BURobotics

قسمت دوم: طراحی سیستم قفل هوشمند امنیتی (گاوصندوق) با Wokwi 🔐🚪
🔥 به قسمت دوم از سری آموزش‌های عملی Wokwi خوش اومدید!

این بار رفتیم سراغ یک پروژه به‌شدت کاربردی که توی سیستم‌های امنیتی، گاوصندوق‌ها و درهای هوشمند استفاده میشه. تو این پروژه یاد می‌گیریم چطور با استفاده از آردوینو UNO، یک کیپد ماتریسی ۴×۴، نمایشگر کاراکتری (LCD) و یک سروو موتور، یک سیستم کنترل تردد کامل بسازیم!

🛠⚡️ جذابیت این پروژه کجاست؟ این فقط یک پروژه ساده نیست! سیستم ما دارای ویژگی‌های حرفه‌ای زیر است:
✅ انیمیشن اختصاصی خوش‌آمدگویی با نام انجمن (BURobotics@)
✅ ذخیره‌سازی رمز عبور در حافظه دائم (EEPROM) - حتی با قطع برق رمز پاک نمیشه!
✅ قابلیت تغییر رمز توسط کاربر (از طریق منو)
✅ باز و بسته شدن هوشمند سروو موتور با امنیت بالا

💻 کد کامل پروژه (Arduino IDE / Wokwi) :
🔗 https://my.files.ir/drive/s/MGGGGl7ubiCuDfCmdvyXYfvutYPEE3

🧐 کیپدها چطوری کار می‌کنن؟ شاید براتون سوال بشه که چطور ۱۶ تا دکمه فقط با ۸ تا سیم کنترل میشن؟ جواب توی کلمه‌ی "ماتریس" (Matrix) و "اسکن کردن" مخفیه! میکروکنترلر به سرعت ولتاژ رو روی ردیف‌ها جابجا می‌کنه و همزمان وضعیت ستون‌ها رو می‌خونه. به محض اینکه دکمه‌ای فشرده بشه، اتصال بین یک ردیف و یک ستون برقرار میشه و آردوینو از روی تقاطع اون‌ها می‌فهمه دقیقاً کدوم کلید فشرده شده. این ترفند مهندسی باعث صرفه‌جویی فوق‌العاده‌ای در پایه‌های میکروکنترلر میشه!

🚀 حالا نوبت شماست؛ وارد Wokwi بشید، مدار رو ببندید و جادوی قفل هوشمندتون رو ببینید!

🔗 سایت پروژه: https://wokwi.com/projects/466815436037855233

نظراتتون رو برای ادمین‌ها بفرستید 👇
🔹 @asma7d 🔹 @yasava6


@BURobotics

🤖🎓 انجمن علمی رباتیک دانشگاه بیرجند تقدیم می‌کند

🎥 اولین ویدئوی آموزشی انجمن رباتیک

⚙️ چطور موتورهای سنگین را با آردوینو کنترل کنیم؟

یکی از چالش‌های اصلی در پروژه‌های رباتیک، محدودیت جریان خروجی میکروکنترلرهاست؛ جایی که استفاده مستقیم از موتورهای پرقدرت عملاً امکان‌پذیر نیست.

در این ویدئو با درایور قدرتمند DRV8871 آشنا می‌شویم؛ قطعه‌ای که به‌عنوان یک واسط توان (Power Stage)، سیگنال‌های منطقی آردوینو را به توان موردنیاز موتورهای DC تبدیل می‌کند و امکان کنترل دقیق، ایمن و قدرتمند موتورهای سنگین را فراهم می‌سازد. ⚡️🔋

📌 اگر به رباتیک، الکترونیک و ساخت پروژه‌های حرفه‌ای علاقه‌مند هستید، این فقط آغاز مسیر است...

🚀 منتظر ویدئوهای آموزشی بعدی انجمن رباتیک باشید.

📺 ویدئو را ببینید و نظرتان را با ما به اشتراک بگذارید.

@BURobotics

🤖 کاهش نویز سنسور اولتراسونیک با فیلتر کالمن

در پست قبلی مشاهده کردیم که داده‌های سنسور اولتراسونیک همیشه دقیق نیستند و به دلیل نویز محیطی، خطاهای اندازه‌گیری و محدودیت‌های سخت‌افزاری، خروجی سنسور دچار نوسان می‌شود.

🔹 یکی از معروف‌ترین و پرکاربردترین روش‌های کاهش این نویز در دنیای رباتیک، فیلتر کالمن (Kalman Filter) است. این فیلتر با ترکیب اندازه‌گیری‌های سنسور و مدل سیستم، تخمین دقیق‌تر و پایدارتری از وضعیت واقعی ارائه می‌دهد.

🚀 امروزه از فیلتر کالمن در بسیاری از سامانه‌های رباتیکی، پهپادها، خودروهای خودران و سیستم‌های ناوبری استفاده می‌شود.

🧠 ایده شبیه‌سازی
فرض کنید یک ربات در فاصله مشخصی از یک مانع قرار دارد و سنسور اولتراسونیک به‌صورت مداوم فاصله را اندازه‌گیری می‌کند. به دلیل وجود نویز، مقادیر اندازه‌گیری‌شده دارای نوسان هستند.

در این مثال:
✅ ابتدا داده‌های نویزی تولید می‌کنیم.
✅ سپس با استفاده از فیلتر کالمن آن‌ها را اصلاح می‌کنیم.
✅ در نهایت خروجی فیلتر را با فاصله واقعی مقایسه خواهیم کرد.

💻 کد متلب:

clc;
clear;
close all;

% فاصله واقعی مانع
N = 100;
real_distance = 100*ones(1,N);

% اندازه گیری نویزی سنسور
measurement = real_distance + randn(1,N)*5;

% پارامترهای فیلتر کالمن
Q = 0.01;   % نویز فرآیند
R = 25;     % نویز اندازه گیری

x_est = zeros(1,N);
P = 1;

% مقدار اولیه
x_est(1) = measurement(1);

for k = 2:N

    % Prediction
    x_pred = x_est(k-1);
    P_pred = P + Q;

    % Kalman Gain
    K = P_pred/(P_pred + R);

    % Update
    x_est(k) = x_pred + K*(measurement(k)-x_pred);

    P = (1-K)*P_pred;

end

% نمایش نتایج
figure

plot(real_distance,'k','LineWidth',2)
hold on
plot(measurement,'.r')
plot(x_est,'b','LineWidth',2)

legend('Real Distance','Noisy Measurement','Kalman Estimate')
xlabel('Sample Number')
ylabel('Distance (cm)')
title('Ultrasonic Sensor Noise Reduction Using Kalman Filter')
grid on

📊 خروجی برنامه
🔴 نقاط قرمز: داده‌های خام سنسور
⚫️ خط مشکی: فاصله واقعی
🔵 خط آبی: تخمین فیلتر کالمن

❓ چرا فیلتر کالمن مهم است؟
✅ کاهش نویز سنسورها
✅ افزایش دقت اندازه‌گیری
✅ بهبود عملکرد ربات در تصمیم‌گیری
✅ استفاده گسترده در GPS، IMU، لیدار و سیستم‌های ناوبری

🌍 کاربرد واقعی
فرض کنید یک ربات متحرک با استفاده از سنسور اولتراسونیک در حال تشخیص موانع است. اگر داده‌های نویزی مستقیماً وارد کنترلر شوند، ربات ممکن است تصمیمات اشتباه بگیرد.
اما با استفاده از فیلتر کالمن، اطلاعات پایدارتر، نرم‌تر و قابل اعتماد‌تری در اختیار سیستم کنترل قرار می‌گیرد و ربات می‌تواند تصمیم‌های دقیق‌تری بگیرد.

🤖🦾 انجمن علمی رباتیک و انجمن علمی مهندسی پزشکی دانشگاه بیرجند تقدیم می‌کنند

✨ معرفی پروژه «شبیه‌ساز کنترل ایمن مفصل ربات توانبخشی»

در راستای توسعه فناوری‌های نوین توانبخشی و گسترش فعالیت‌های میان‌رشته‌ای، پروژه «شبیه‌ساز کنترل ایمن مفصل ربات توانبخشی» پس از هفته‌ها تلاش، همکاری و هم‌فکری اعضای تیم، با موفقیت به مرحله نهایی رسید.

این پروژه یک نرم‌افزار شبیه‌ساز ویندوزی است که عملکرد مفصل یک ربات توانبخشی را مدل‌سازی کرده و رفتار سیستم را در شرایط مختلف به‌صورت لحظه‌ای نمایش می‌دهد. کاربران می‌توانند با تنظیم پارامترهایی مانند گشتاور، عملکرد مفصل را مشاهده کرده و تغییرات زاویه و سرعت را به‌صورت زنده بررسی کنند. همچنین در صورت عبور از محدوده‌های ایمنی تعریف‌شده، سیستم به‌صورت هوشمند با هشدار و توقف اضطراری از بروز شرایط خطرناک جلوگیری می‌کند.

⚙️ مهم‌ترین قابلیت‌های پروژه:

✅ نمایش لحظه‌ای زاویه، سرعت و گشتاور مفصل

🛡 اعمال محدودیت‌های ایمنی برای زاویه، سرعت و گشتاور

🔴 هشدارهای صوتی و تصویری هنگام بروز شرایط خطر

📈 نمایش نمودارهای زنده تغییرات پارامترها

⚙️ امکان تنظیم پویا و سفارشی‌سازی محدودیت‌های ایمنی

📄 ذخیره گزارش عملکرد در قالب فایل CSV

💻 قابلیت اجرا بر روی سیستم‌عامل ویندوز بدون نیاز به نصب


👥 اعضای تیم اجرایی پروژه:

🎯 هماهنگی پروژه، طراحی رابط کاربری و تدوین مستندات:
سیده اسما درنگانی

⚙️ مدل‌سازی دینامیک مفصل:
نیما مطیع

🛡 طراحی سیستم ایمنی و گزارش‌گیری:
مهشید نخعی

📊 توسعه نمودارهای زنده و پیاده‌سازی اتصالات:
سوگل میرزائی

🚀 ساخت فایل اجرایی و آزمون خطا:
محمدامین نواب‌زاده


📥 برای دریافت فایل‌ها و اطلاعات بیشتر، از طریق لینک‌های زیر اقدام کنید:

🔗 لینک کانال انجمن ها :

https://t.me/BURobotics
https://t.me/bmebirjand


🔗 لینک دانلود فایل:
https://drive.google.com/file/d/15Q6AFoQg0guULR5pwHpEXyGNqAlhqxT2/view?usp=sharing

📅 بهار ۱۴۰۵

🤖🎓 انجمن علمی رباتیک دانشگاه بیرجند تقدیم می‌کند

🎥 قسمت دوم مجموعه ویدئوهای آموزشی رباتیک

⚙️ چگونه با MPU-6050 به ربات خود «حس تعادل» بدهیم؟
ربات‌های تعادلی و پهپادها چگونه جهت و تعادل خود را حفظ می‌کنند؟
در این ویدئو با ماژول MPU-6050 آشنا می‌شوید؛ سنسوری که با ترکیب شتاب‌سنج (Accelerometer) و ژیروسکوپ (Gyroscope)، اطلاعات حرکت و چرخش را اندازه‌گیری کرده و یکی از مهم‌ترین اجزای پروژه‌های تعادلی، ناوبری و کنترل حرکت است.

📌 در این ویدئو یاد می‌گیرید:
🔹 نحوه عملکرد MPU-6050
🔹 تفاوت شتاب‌سنج و ژیروسکوپ
🔹 کاربرد این سنسور در رباتیک

🚀 اگر به رباتیک علاقه‌مند هستید، این ویدئو را از دست ندهید.

📺 ویدئو را تماشا کنید و برای دوستانتان ارسال کنید.

💬 نظرات و پیشنهادهای خود را با ما در میان بگذارید:
📧 Elham.dhqni@gmail.com


🤖 @BURobotics