سنسورهای بدنه (BodySensors) : این سنسورها اطلاعاتی را درباره موقعیت و مکانی که ربات در آن قرار داردفراهم می‌کنند. این اطلاعات نیز به کمک تغییر وضعیت‌هایی که در سوییچ‌ها حاصل می‌شود، به دست می‌آیند. با دریافت و پردازش اطلاعات بدست آمده ربات می‌تواند از شیب حرکت خود و این‌که به کدام سمت در حال حرکت است آگاه شود. در نهایت هم عکس‌العملی متناسب با ورودی دریافت شده از خود بروز می‌دهد.

سنسور جهت‌یاب مغناطیسی(Direction Magnetic Field Sensor): با بهره‌گیری از خاصیت مغناطیسی زمین و میدان مغناطیسی قوی موجود، قطب‌نمای الکترونیکی هم ساخته شده است که می‌تواند اطلاعاتی را درباره جهت‌های مغناطیسی فراهم سازد. این امکانات به یک ربات کمک می‌کند تا بتواند از جهت حرکت خود آگاه شده و برای تداوم حرکت خود در جهتی خاص تصمصم‌گیری کند. این سنسورها دارای چهار خروجی می‌باشند که هرکدام مبین یکی از جهت‌ها است. البته با استفاده از یک منطق صحیح نیز می‌توان شناخت هشت جهت مغناطیسی را امکان‌پذیر ساخت.

سنسورهای فشار و تماس (Touch and Pressure Sensors) : شبیه‌سازی حس لامسه انسان کاری دشوار به نظر می‌رسد. اما سنسورهای ساده‌ای وجود دارند که برای درک لمس و فشار مورد استفاده قرار می‌گیرند. از این سنسورها در جلوگیری از تصادفات و افتادن اتومبیل‌ها در دست‌اندازها استفاده می‌شود. این سنسورها در دست‌ها و بازوهای ربات‌ هم به منظورهای مختلفی استفاده می‌شوند. مثلا برای متوقف کردن حرکت ربات در هنگام برخورد عامل نهایی با یک شی. همچنین این سنسورها به ربات‌ها برای اعمال نیروی کافی برای بلند کردن جسمی از روی زمین و قرار دادن آن در جایی مناسب نیز کمک می‌کند. با توجه به این توضیحات می‌توان عملکرد آن‌ها را به چهار دسته زیر تقسیم کرد: 1- رسیدن به هدف، 2- جلوگیری از برخورد، 3- تشخیص یک شی.

سنسورهای گرمایی (Heat Sensors) : یکی از انواع سنسورهای گرمایی ترمینستورها هستند. این سنسورها المان‌های مقاومتی پسیوی هستند که مقاومتشان متناسب با دمایشان تغییر می‌کند. بسته به اینکه در اثر گرما مقاومتشان افزایش یا کاهش می‌یابد، برای آن‌ها به ترتیب ضریب حرارتی مثبت یا منفی را تعریف می‌کنند. نوع دیگری از سنسورهای گرمایی ترموکوپل‌ها هستند که آن‌ها نیز در اثر تغییر دمای محیط ولتاژ کوچکی را تولید می‌کنند. در استفاده از این سنسورها معمولا یک سر ترموکوپل را به دمای مرجع وصل کرده و سر دیگر را در نقطه‌ای که باید دمایش اندازه‌گیری شود، قرار می‌دهند.

سنسورهای بویایی (SmellSensors) : تا همین اواخر سنسوری که بتواند مشابه حس بویایی انسان عمل کند، وجود نداشت. آنچه که موجود بود یک‌سری سنسورهای حساس برای شناسایی گازها بود که اصولا هم برای شناسایی گازهای سمی کاربرد داشتند. ساختمان این سنسورها به این صورت است که یک المان مقاومتی پسیو که از منبع تغذیه‌ای مجزا، با ولتاژ 5+ ولت تغذیه می‌شود، در کنار یک سنسور قرار دارد که با گرم شدن این المان حساسیت لازم برای پاسخ‌گویی سنسور به محرک‌های محیطی فراهم می‌شود. برای کالیبره کردن این دستگاه ابتدا مقدار ناچیزی از هر بو یا عطر دلخواه را به سیستم اعمال کرده و پاسخ آن را ثبت می‌کنند و پس از آن این پاسخ را به عنوان مرجعی برای قیاس در استفاده‌های بعدی به کار می‌‌برند. اصولا در ساختمان این سیستم چند سنسور، به طور همزمان عمل می‌کنند و سپس پاسخ‌های دریافتی از آن‌ها به شبکه‌ عصبی ربات منتقل شده و تحلیل و پردازش لازم روی آن صورت می‌گیرد. نکته مهم درباره کار این سنسورها در این است که آن‌ها نمی‌توانند یک بو یا عطر را به طور مطلق انداره‌ بگیرند. بلکه با اندازه‌گیری اختلاف بین آن‌ها به تشخیص بو می‌پردازند.

سنسورهای موقعیت مفاصل : رایج‌ترین نوع این سنسورها کدگشاها (Encoders) هستند که هم از قدرت بالای تبادل اطلاعات با کامپیوتر برخوردارند و هم اینکه ساده، دقیق، مورد اعتماد و نویز ناپذیرند. این دسته انکدرها را به دو دسته می‌توان تقسیم کرد:
انکدرهای مطلق: در این کدگشا ها موقعیت به کد باینری یا کد خاکستریBCD (Binary Codded Decible) تبدیل می‌شود. این انکدرها به علت سنگینی و گران‌قیمت بودن و اینکه سیگنال‌های زیادی را برای ارسال اطلاعات نیاز دارند، کاربرد وسیعی ندارند. همانطور که می‌دانیم به‌کار گیری تعداد زیادی سیگنال درصد خطای کار را افزایش می‌دهد و این اصلا مطلوب نیست. پس از این انکدرها فقط در مواردی که مطلق بودن مکان‌ها برای ما خیلی مهم است و مشکلی هم از احاظ بار فابل تحمل ربات متوجه ما نباشد، استفاده می‌شود.
انکدرهای افزاینده: این کدگشا ها دارای قطار پالس و یک پالس مرجع که برای کالیبره کردن بکار می‌رود هستند، از روی شمارش قطارهای پالس نسبت به نقطه مرجع به موقعیت مورد نظر دست می‌یابند. از روی فرکانس (عرض پالس‌ها) می‌توان به سرعت چرخش و از روی محاسبه تغییرات فرکانس در واحد زمان (تغییرات عرض پالس) به شتاب حرکت دوارنی پی برد. حتی می‌توان جهت چرخش را نیز فهمید. فرض کنید سیگنال‌های A و B و C سه سیگنالی باشند که از کدگشا به کنترل‌کننده ارسال می‌شود. B سیگنالی است که با یک چهارم پریود تاخیر نسبت به A. از روی اختلاف فاز بین این دو می‌توان به جهت چرخش پی برد.

دانلود نرم افزار

منبع : گروه رباتیک دانشگاه شوشتر

ترجمش هم مال خودمه البته برای درس زبان تخصصی ترجمه کردم حالا شاید به دردتون خورد.

برای دانلود مقاله به ادامه مطلب برید

امروز بعد از یه مدت طولانی دوباره اومدم، دلیلش هم این بود که یه تعداد از بچه های فعال دنبال شروع مجدد کار گروه ربوتیک بودن و من هم دیدم بالاخره یه کسایی پیدا شدن که می خوان کار کنن.

اولا به این بچه ها تبریک میگم به خاطر همتشون و ثانیا تا جایی که بتونم باهاشون همکاری میکنم، در بین این دوستان هرکس می خواد تو این وبلاگ مطلب بنویسه (البته بطور مداوم) می تونه با من هماهنگ کنه یه اکانت نویسندگی واسش تعریف کنم.

خودم هم سعی میکنم یه سری مطالب جدید واستون بذارم در ضمن به لینکهایی که گذاشتم حتما سر بزنید چیزای مفیدی دارن.

امیدوارم تو کارتون موفق باشین

لحیم کاری

یکی از مهمترین مهارتهایی که شما برای ساختن روبات به آن احتیاج دارد لحیم کردن است. لحیم کردن اتصال دو قطعه فلز به همدیگر از طریق ماده ای به نام قلع می باشد.زمانیکه شمابخواهید دو قطعه سیم مسی را بهم متصل کنید.آندو را به گونه ای روی همدیگر می گذارید.که بدنه لخت آن که روکش پلاستیکی ندارد روی هم قرار بگیرد.سپس نوک هویه را روی آن می گذاریم و قلع را نیز به این اتصال نزدیک می کنیم.زمانیکه قلع ذوب شود.و از حالت جامد خود خارج شود.سبب اتصال دو فلز به یکدیگر می شود.در این لحظه نوک هویه را از محل اتصال دور کنید.پس از مدت زمان کوتاهی قلع حالت روانی خودش را از دست میدهد.و کاملا سفت می شود.،و سبب اتصال دو سیم مسی به یکدیگر می شود.

 هدف از لحیم کردن اتصال دو سیم مسی از طریق حرارت و قلع در کمترین زمان ممکن و پایدار ماندن این اتصال پس از لحیم کردن می باشد.قلعی که بر روی سیمها قرار می گیرد.مانع از فساد و زنگ خوردگی بدنه لخت سیمها می شود.لحیم کردن سیمهایی که دچار خوردگی و زنگ زندگی شده اند بسیار مشکل است.

در هنگام لحیم کردن به نکات زیر توجه کنید.

با عرض معذرت یه چند روزی نشد تو وبلاگ مطلب جدید بزارم در ضمن از دوستانی که نظرات

خودشونو گذاشتن و لطف داشتن تشکر می کنم .

امیدوارم دوستان در ارائه مطالب جدید همکاری کنن . 

از آن مطلب استفاده کنند مطالب خود را به ایمیل تیم روباتیک ارسال کنند.

E-Mail : eb_robotic@yahoo.com

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل مي کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.

     آندسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند. سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری-مغزی که زمینه ی دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است .

به سوی آینده

هوش مصنوعی هنوز راه درازی در پیش دارد؛شبکه سازی عصبی (که با اغماض ارتباط گرایی هم نامیده می شود)در سالهای اخیر تغییرات عمده ای را شاهد بوده است .به عنوان نمونه برخی پژوهشگران پیش بینی میکنند به کمک تکنولوژی نرم افزاری جدید شبکه های عصبی با کامپیوترهای شخصی ترتیب داده خواهند شد و پیش بینی بازار سهام را ممکن خواهند کرد افرادی که درباره ی هوش مصنوعی وتوانایی های آن مرددند اظهار می دارند اگر هوش مصنوعی محقق شود ناچار است از دنیای منطقی،قانونمند ونمادین کامپیوترهای دیجیتال خارج شوند و به دنیای مبهم (حاصل از منطق فازی)شبکه های عصبی که مبتنی بر سیستم گسترده ی یاد گیری بازخوردی هستند پا بگذارد .

امروزه نگرش تازه ای نسبت به هوش مصنوعی ایجاد شده است که در بسیاری از آزمایشگاهها تحت بررسی است :دانشمندان سعی می کنند دریابند آیا مجموعه ای از روباتهای نیمه هوشمندمی توان یک هوش جمعی ایجاد کنند به گونه ای که از اعضای تشکیل دهنده اش باهوش تر باشد.

به وبلاگ گروه رباتیک دانشگاه غیر انتفاعی اشراق خوش آمدید .