کلمات و اصطلاحات تخصصی رشته مهندسی رباتیک

• ربات (Robot): ربات به ماشینی اطلاق می‌شود که به‌طور خودکار وظایف مختلف را انجام می‌دهد. این وظایف معمولاً شامل حرکات فیزیکی یا پردازش داده‌ها است.
• کنترلر (Controller): کنترلر قسمتی از ربات است که وظیفه هدایت و مدیریت عملکرد ربات را بر عهده دارد. معمولاً این کنترلر به‌صورت یک واحد الکترونیکی است که از ورودی‌ها (مانند حسگرها) داده‌ها را دریافت کرده و خروجی‌ها (مانند موتورها یا سایر عملگرها) را مدیریت می‌کند.
• عملگر (Actuator): عملگر، دستگاهی است که برای انجام وظایف مکانیکی در ربات استفاده می‌شود. این دستگاه‌ها معمولاً موتورها، سروو موتورها، یا دیگر مکانیزم‌های حرکتی هستند که حرکت یا تغییرات فیزیکی را ایجاد می‌کنند.
• حسگر (Sensor): حسگر دستگاهی است که اطلاعات محیطی را به ربات منتقل می‌کند. برای مثال، حسگرهای فاصله‌سنجی، دوربین‌ها یا حسگرهای حرکتی می‌توانند به ربات کمک کنند تا محیط اطراف خود را شناسایی کند.
• هوش مصنوعی (Artificial Intelligence - AI): هوش مصنوعی در رباتیک به سیستمی اطلاق می‌شود که به ربات این امکان را می‌دهد که تصمیم‌گیری‌های پیچیده انجام دهد، معمولاً از طریق یادگیری ماشینی (Machine Learning) یا الگوریتم‌های پردازش داده.
• یادگیری ماشین (Machine Learning - ML): یادگیری ماشین یک شاخه از هوش مصنوعی است که در آن ربات‌ها از داده‌های موجود یاد می‌گیرند و به تدریج عملکرد خود را بهبود می‌بخشند. این فرآیند معمولاً از طریق تحلیل داده‌های ورودی و شبیه‌سازی محیط صورت می‌گیرد.
• سیستم‌های چندعاملی (Multi-agent Systems): این سیستم‌ها شامل چندین ربات هستند که برای انجام یک مأموریت خاص با یکدیگر تعامل دارند. این تعامل می‌تواند به‌صورت هماهنگ یا رقابتی باشد.
• پردازش تصویر (Image Processing): پردازش تصویر در رباتیک به تکنیک‌هایی اطلاق می‌شود که برای تجزیه و تحلیل تصاویر دریافتی از دوربین‌ها یا حسگرها استفاده می‌شود. این کار به ربات‌ها کمک می‌کند تا محیط خود را شبیه‌سازی و تحلیل کنند.
• چینش کینماتیکی (Kinematic Configuration): چینش کینماتیکی به نحوه ارتباط قسمت‌های مختلف ربات با یکدیگر اشاره دارد که شامل موقعیت، سرعت، و شتاب اجزای ربات است.
• دینامیک ربات (Robot Dynamics): دینامیک ربات به بررسی نیروهای وارد شده به ربات و تأثیر آن‌ها بر حرکت و رفتار ربات مربوط می‌شود.
• الگوریتم‌های مسیر یابی (Path Planning Algorithms): این الگوریتم‌ها برای تعیین مسیر بهینه ربات در محیط‌های مختلف طراحی شده‌اند. الگوریتم‌های معروف شامل A* و Dijkstra هستند.
• ربات‌های خودمختار (Autonomous Robots): ربات‌های خودمختار به ربات‌هایی اطلاق می‌شود که بدون نیاز به کنترل انسان، قادر به انجام وظایف خود هستند.
• ربات‌های صنعتی (Industrial Robots): ربات‌های صنعتی در فرآیندهای تولید و ساخت مورد استفاده قرار می‌گیرند و معمولاً برای انجام کارهای تکراری و دقیق طراحی شده‌اند.
• شبیه‌سازی ربات (Robot Simulation): شبیه‌سازی ربات فرآیند مدل‌سازی رفتار ربات‌ها در یک محیط مجازی است که به توسعه‌دهندگان کمک می‌کند تا بدون نیاز به ساخت ربات فیزیکی، رفتار آن‌ها را آزمایش کنند.
• کنترل تطبیقی (Adaptive Control): کنترل تطبیقی به تکنیکی اشاره دارد که در آن پارامترهای کنترل ربات به‌طور خودکار بر اساس تغییرات محیط یا وضعیت ربات تنظیم می‌شود.
• ربات‌های بیومیمتیک (Biomimetic Robots): ربات‌های بیومیمتیک ربات‌هایی هستند که از اصول طبیعت و موجودات زنده الهام گرفته‌اند. این ربات‌ها ممکن است از ساختارها، حرکت‌ها و ویژگی‌های بیولوژیکی تقلید کنند.
• کینماتیک معکوس (Inverse Kinematics): کینماتیک معکوس فرآیند محاسبه‌ نقاط مورد نیاز برای حرکت یک ربات است تا بازو یا دیگر اعضای آن به موقعیت هدف برسند.
• ربات‌های همکار (Collaborative Robots - Cobots): این نوع ربات‌ها به‌طور خاص برای همکاری نزدیک با انسان‌ها طراحی شده‌اند. برخلاف ربات‌های صنعتی که معمولاً از انسان‌ها جدا هستند، ربات‌های همکار می‌توانند در کنار انسان‌ها به‌طور امن کار کنند.
• سخت‌افزار رباتیک (Robot Hardware): سخت‌افزار رباتیک به تمامی اجزاء فیزیکی ربات، شامل بدنه، موتور، سنسورها، عملگرها و کنترلرها اشاره دارد.
• نظریه بازی‌ها (Game Theory): نظریه بازی‌ها در رباتیک به‌ویژه در طراحی سیستم‌های چندعاملی به‌کار می‌رود تا نحوه تعامل ربات‌ها با یکدیگر یا با محیط را مدل‌سازی کند.
• کنترل بهینه (Optimal Control): کنترل بهینه به رویکردهایی اطلاق می‌شود که برای بهبود کارایی ربات‌ها در انجام وظایف مختلف طراحی شده است. این نوع کنترل معمولاً بر اساس مدل‌های ریاضی پیچیده انجام می‌شود.
• تاکتیک‌های کنترل (Control Strategies): تاکتیک‌های کنترل به مجموعه‌ای از روش‌ها و تکنیک‌ها اشاره دارد که برای مدیریت رفتار و عملکرد ربات‌ها در مواجهه با شرایط مختلف استفاده می‌شوند. این تاکتیک‌ها ممکن است شامل کنترل PID، کنترل مدل پیش‌بینی، یا کنترل فازی باشند.
• کنترل فازی (Fuzzy Control): کنترل فازی نوعی از کنترل است که به‌جای استفاده از مقادیر دقیق و گسسته، از مجموعه‌ای از مقادیر مبهم و تقریبی برای انجام تصمیم‌گیری‌ها استفاده می‌کند. این نوع کنترل در سیستم‌هایی که مدل‌سازی دقیق آن‌ها پیچیده است، کاربرد دارد.
• رؤیت کامپیوتری (Computer Vision): رؤیت کامپیوتری یک حوزه از پردازش تصویر است که به ربات‌ها امکان می‌دهد تا محیط اطراف خود را شبیه‌سازی کرده و از طریق شناسایی اشیاء و تشخیص ویژگی‌ها، تصمیم‌گیری کنند.
• مسئله تشخیص و شناسایی الگو (Pattern Recognition): این فرآیند مربوط به شناسایی و تحلیل الگوها و ویژگی‌های مختلف در داده‌ها است. در رباتیک، تشخیص الگوها می‌تواند شامل شناسایی صورت‌ها، حرکات یا حتی اجزای مختلف در محیط باشد.
• ربات‌های فضایی (Space Robots): ربات‌های فضایی ربات‌هایی هستند که در محیط‌های فضایی برای انجام وظایفی مانند تعمیر و نگهداری ایستگاه‌های فضایی، جمع‌آوری داده‌ها یا حتی کاوش سطح سیارات مورد استفاده قرار می‌گیرند.
• ربات‌های جراح (Surgical Robots): این ربات‌ها در زمینه پزشکی و جراحی به‌کار می‌روند. ربات‌های جراح به پزشکان این امکان را می‌دهند که عملیات دقیق و پیچیده‌ای را با دقت بالا انجام دهند.
• سیستم‌های زمان واقعی (Real-Time Systems): سیستم‌های زمان واقعی به سیستم‌هایی گفته می‌شود که در آن‌ها پردازش و واکنش‌ها باید در یک بازه زمانی معین و مشخص انجام شوند. این سیستم‌ها برای کنترل ربات‌ها حیاتی هستند، زیرا باید قادر باشند فوراً به تغییرات محیط پاسخ دهند.
• ریاضیاتی رباتیک (Robot Mathematics): این اصطلاح به استفاده از ریاضیات برای مدل‌سازی و تحلیل رفتار ربات‌ها اشاره دارد. این شامل هندسه، جبر، و معادلات دیفرانسیل است که برای بررسی حرکت و تعاملات ربات‌ها استفاده می‌شود.
• آگمنتیشن (Augmentation): آگمنتیشن به تقویت یا بهبود توانایی‌های انسانی با استفاده از ربات‌ها و فناوری‌های مربوطه اشاره دارد. برای مثال، ربات‌های کمکی برای افزایش قدرت یا دقت انسان‌ها در انجام کارهای خاص.
• شبیه‌سازی محیطی (Environment Simulation): شبیه‌سازی محیطی به فرآیند شبیه‌سازی فضای فیزیکی اطراف ربات گفته می‌شود، که به‌منظور آزمایش رفتار ربات در محیط‌های مختلف و تعیین بهترین راهکارها برای حرکت یا تصمیم‌گیری استفاده می‌شود.
• ربات‌های شناور (Floating Robots): این ربات‌ها برای حرکت در آب یا مایعات طراحی شده‌اند. به‌عنوان مثال، ربات‌های غواصی که برای جستجو، بررسی یا جمع‌آوری داده‌ها در اعماق دریا استفاده می‌شوند.
• میکروربات‌ها (Microrobots): میکروربات‌ها ربات‌هایی با ابعاد بسیار کوچک هستند که می‌توانند در مقیاس میکرو یا نانو عمل کنند. این ربات‌ها معمولاً در زمینه‌های پزشکی یا ساخت و تعمیر در مقیاس میکروسکوپی کاربرد دارند.
• ربات‌های تشخیص و امداد (Rescue Robots): این نوع ربات‌ها برای عملیات امداد و نجات در مواقع اضطراری طراحی شده‌اند. آن‌ها می‌توانند در شرایطی مانند زلزله، آتش‌سوزی یا سایر بلایای طبیعی مورد استفاده قرار گیرند.
• گراف‌های رباتیک (Robotic Graphs): گراف‌های رباتیک به‌طور معمول برای مدل‌سازی شبکه‌های پیچیده یا ارتباطات میان اجزای مختلف ربات‌ها استفاده می‌شوند. این گراف‌ها می‌توانند شامل اجزای فیزیکی ربات یا اطلاعات فرآیندی باشند.
• کنترل غیرخطی (Nonlinear Control): کنترل غیرخطی به تکنیک‌هایی اشاره دارد که برای سیستم‌هایی که رفتار غیرخطی دارند، طراحی می‌شوند. این نوع کنترل معمولاً برای سیستم‌های پیچیده و متغیر که نمی‌توان آن‌ها را با مدل‌های خطی توصیف کرد، به‌کار می‌رود.
• ربات‌های پوشیدنی (Wearable Robots): این ربات‌ها معمولاً به‌عنوان پروتز یا ابزارهای کمکی به‌کار می‌روند که انسان‌ها می‌توانند آن‌ها را بپوشند تا قدرت، سرعت یا دقت خود را افزایش دهند.
• کنترل به‌وسیله شبکه (Networked Control): این نوع کنترل زمانی استفاده می‌شود که ربات‌ها از طریق شبکه‌های ارتباطی برای انجام وظایف خود با یکدیگر و با سیستم‌های خارجی ارتباط برقرار می‌کنند.
• سیستم‌های یادگیری عمیق (Deep Learning Systems): سیستم‌های یادگیری عمیق نوعی از یادگیری ماشین هستند که از شبکه‌های عصبی پیچیده برای تحلیل داده‌ها و انجام وظایف پیچیده استفاده می‌کنند. این سیستم‌ها می‌توانند در رباتیک برای شناسایی اشیاء، تشخیص صدا، و حتی یادگیری نحوه انجام وظایف جدید استفاده شوند.
• کنترل مبتنی بر مدل (Model-based Control): در این نوع کنترل، مدل ریاضی از سیستم رباتیک برای پیش‌بینی رفتار آن استفاده می‌شود و سپس بر اساس آن مدل، ورودی‌های کنترلی به سیستم داده می‌شود.
• پایگاه داده رباتیک (Robotic Database): پایگاه داده‌ای است که برای ذخیره‌سازی اطلاعات مربوط به وظایف، موقعیت‌ها، یا سایر ویژگی‌های ربات‌ها مورد استفاده قرار می‌گیرد و به آن‌ها در مدیریت منابع یا انجام عملیات کمک می‌کند.
• شبکه عصبی (Neural Networks): شبکه عصبی به مدل‌هایی اطلاق می‌شود که از ساختار مغز انسان الهام گرفته‌اند و برای یادگیری و انجام پردازش‌های پیچیده استفاده می‌شوند. این مدل‌ها برای پردازش داده‌ها در رباتیک، مانند تشخیص تصویر و شبیه‌سازی محیط، کاربرد دارند.