การสร้าง Perception และ Navigation Stack สำหรับหุ่นยนต์ภาคสนาม

หุ่นยนต์ภาคสนามจะดีได้ก็ต่อเมื่อมี Perception และ Navigation Stack ที่ดีรองรับ แพลตฟอร์มหุ่นยนต์เดียวกันอาจประสบความสำเร็จในสวนผลไม้แห่งหนึ่งและล้มเหลวในอีกแห่งหนึ่ง ความแตกต่างมักจะอยู่ที่ซอฟต์แวร์จัดการกับแสงที่เปลี่ยนแปลงไป ภูมิประเทศที่ไม่สม่ำเสมอ และกรณีขอบ (edge cases) ที่เกิดขึ้นจากการทำงานกลางแจ้งได้อย่างไร หลักสูตรนี้จะพาคุณไปเจาะลึกการตัดสินใจออกแบบที่หล่อหลอมให้เกิด Stack ที่ใช้งานได้จริง คุณจะได้ทำแบบฝึกหัดการออกแบบที่เป็นลายลักษณ์อักษร ซึ่งสะท้อนให้เห็นว่าทีมหุ่นยนต์เกษตรจะวางแผน Perception และ Navigation Pipeline อย่างไร เน้นที่การแลกเปลี่ยนในทางปฏิบัติ (practical tradeoffs) ที่ตัดสินว่าหุ่นยนต์มีความน่าเชื่อถือเพียงพอที่จะทำงานได้โดยไม่ต้องมีคนดูแลเป็นเวลาหลายชั่วโมงหรือไม่ สิ่งที่คุณจะได้เรียนรู้: - เลือกการกำหนดค่าเซ็นเซอร์ รวมถึงกล้อง, เซ็นเซอร์วัดความลึก และการถ่ายภาพหลายสเปกตรัมสำหรับงานเฉพาะ - ออกแบบ Perception Pipeline ที่จดจำพืชผล, วัชพืช และสิ่งกีดขวางภายใต้สภาพกลางแจ้งที่แตกต่างกัน - ประยุกต์ใช้แนวทาง Computer Vision สมัยใหม่ รวมถึง Segmentation, Detection และ On-device Inference - สร้าง Localization Stack ที่รวมการระบุตำแหน่งด้วยดาวเทียม, Wheel Odometry และ Visual Cues - วางแผนพฤติกรรมการติดตามเส้นทางและการติดตามแถวสำหรับรถแทรกเตอร์, เครื่องกำจัดวัชพืช และหุ่นยนต์สำรวจ - พัฒนาพฤติกรรมสำรอง (fallback behaviors) และตรรกะการหยุดอย่างปลอดภัยสำหรับสถานการณ์ที่หุ่นยนต์ไม่สามารถจัดการได้อย่างมั่นใจ หลักสูตรนี้จะดำเนินไปตั้งแต่เซ็นเซอร์และการรับรู้ (Perception) ไปจนถึงการระบุตำแหน่ง (Localization) และสุดท้ายคือการวางแผนการเคลื่อนที่และความปลอดภัย แบบฝึกหัดสุดท้ายที่เป็นลายลักษณ์อักษรจะขอให้คุณร่างการออกแบบหนึ่งหน้าสำหรับ Perception และ Navigation Stack สำหรับหุ่นยนต์ที่คุณเลือก หลักสูตรนี้ออกแบบมาสำหรับผู้เริ่มต้นที่มีพื้นฐานด้านซอฟต์แวร์หรือวิศวกรรมทั่วไป รวมถึงนักศึกษาวิทยาการคอมพิวเตอร์, ผู้เรียนเมคคาทรอนิกส์ และวิศวกรเกษตร ไม่จำเป็นต้องมีประสบการณ์เฉพาะทางด้านหุ่นยนต์มาก่อน หลักสูตรนี้ถือว่าทุกระบบเป็นปัญหาการออกแบบที่คุณสามารถคิดหาเหตุผลบนกระดาษได้ก่อนที่จะเขียนโค้ดใดๆ