رونمایی ویلچر برقی خودران دانشگاه امیرکبیر: گامی بلند در فناوری هوشمند ایران

در یک دستاورد چشمگیر برای فناوری‌های توانبخشی و خودران در کشور، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران) با حمایت بنیاد ملی علم ایران و همکاری شرکت دانش‌بنیان «فناوری هوشمند میکائیل»، از پروژه طراحی و ساخت ویلچر برقی خودران خود رونمایی کرد. این ویلچر هوشمند بومی، با قابلیت‌هایی نظیر نقشه‌برداری دقیق، مسیریابی هوشمند و شناسایی افراد و موانع، گامی بلند در مسیر توسعه فناوری خودران ایران محسوب می‌شود و پتانسیل بالایی برای بهبود استقلال و کیفیت زندگی افراد دارای محدودیت‌های حرکتی دارد.

رونمایی و مشارکت‌کنندگان کلیدی در پروژه ویلچر خودران

مراسم رونمایی از «پروژه طراحی و ساخت ویلچر برقی خودران» در تاریخ ۱ شهریور ۱۴۰۵ با حضور مسئولان دانشگاه صنعتی امیرکبیر، نمایندگان بنیاد ملی علم ایران و شرکت دانش‌بنیان «فناوری هوشمند میکائیل» در دانشکده مهندسی مکانیک دانشگاه برگزار شد. این پروژه نمادی موفق از ارتباط مؤثر بین صنعت و دانشگاه است که با حمایت مالی بنیاد ملی علم ایران و تخصص پژوهشگران دانشگاه صنعتی امیرکبیر به ثمر نشسته است.

ویژگی‌های کلیدی ویلچر برقی خودران دانشگاه امیرکبیر

ویلچر برقی خودران توسعه‌یافته توسط پژوهشگران ایرانی، مجموعه‌ای از قابلیت‌های هوشمند را در خود جای داده که آن را به ابزاری پیشرفته برای افراد نیازمند به کمک حرکتی تبدیل می‌کند:

• نقشه‌برداری و مسیریابی هوشمند: این ویلچر قادر است در محیط‌های وسیع، نقشه‌برداری دقیق انجام داده و مسیرهای بهینه را شناسایی کند.
• شناسایی افراد و موانع: با بهره‌گیری از حسگرها و الگوریتم‌های پیشرفته، ویلچر می‌تواند افراد و موانع را در مسیر خود تشخیص داده و بدون نیاز به تغییرات گسترده در زیرساخت‌ها، به حرکت خود ادامه دهد.
• تکیه بر توان داخلی: با وجود چالش‌های فراوان از جمله محدودیت دسترسی به قطعات و افزایش هزینه‌ها، این پروژه با اتکا به دانش و توان داخلی و راه‌حل‌های خلاقانه به نتیجه رسیده است.
• کاربردهای متنوع: فناوری به کار رفته در این ویلچر، زیرساخت سخت‌افزاری و نرم‌افزاری لازم برای هدایت خودران و هوشمند متحرک‌های الکتریکی را فراهم می‌کند. این قابلیت‌ها در حوزه‌های پزشکی (توانبخشی برای افراد دارای محدودیت حرکتی و سالمندان)، صنعتی و تجاری (خدمات حمل‌ونقل انفرادی خودران در فرودگاه‌ها، مراکز تجاری و اماکن زیارتی و گردشگری) کاربرد دارد.

فناوری خودران در ایران و نقش پیشرو دانشگاه صنعتی امیرکبیر

توسعه این ویلچر هوشمند، گامی استراتژیک در پیشبرد فناوری خودران در ایران محسوب می‌شود. دانشگاه صنعتی امیرکبیر پیش از این نیز در سال ۱۳۹۷ موفق به ساخت کنترلر هوشمند قابل نصب بر روی ویلچرهای برقی شده بود که نشان از سابقه درخشان این دانشگاه در حوزه رباتیک و سیستم‌های هوشمند دارد. پروژه جدید، سطح فناوری خودران را با قابلیت‌های پیشرفته‌تر نقشه‌برداری و مسیریابی به طرز چشمگیری ارتقا داده است. دستیابی به دانش فنی در لبه فناوری تجاری جهان، با توجه به شرایط و محدودیت‌های موجود، یک دستاورد ملی قابل تقدیر است.

بنیاد ملی علم ایران (INSF): حامی کلیدی نوآوری

بنیاد ملی علم ایران، به عنوان یک مؤسسه دولتی که از سال ۱۳۸۲ با هدف حمایت از پژوهشگران و طرح‌های فناورانه فعالیت می‌کند، نقش حمایتی حیاتی در این پروژه ایفا کرده است. پشتیبانی مالی این بنیاد، امکان تحقق این پروژه فناورانه را فراهم آورده و بر اهمیت همکاری میان نهادهای دانشگاهی و حامیان دولتی در مسیر توسعه علمی و فناوری کشور تأکید می‌کند.

ابعاد پژوهشی و نکات کلیدی برای توسعه فناوری

نوآوری در دل محدودیت‌ها

یکی از مهم‌ترین دستاوردهای این پروژه، تجربه ارزشمند حاصل از مواجهه با محدودیت‌ها و نشان دادن این واقعیت است که کمبود منابع لزوماً به معنای محدودیت در نوآوری نیست. این درس مهم می‌تواند الگویی برای سایر پروژه‌های فناورانه در کشور باشد.

مدل موفق همکاری سه‌جانبه

پروژه رونمایی ویلچر برقی خودران دانشگاه امیرکبیر، نمونه‌ای درخشان از همکاری سه‌جانبه بین دانشگاه (پژوهشگران متخصص)، صنعت (شرکت دانش‌بنیان فناوری هوشمند میکائیل) و نهاد حامی (بنیاد ملی علم ایران) است که می‌تواند به عنوان یک مدل موفق در سایر حوزه‌ها نیز تکرار شود.

آمادگی برای آزمون‌های عملیاتی و گام‌های آینده

این محصول پس از سه سال توسعه، اکنون آماده ورود به مرحله آزمون‌های عملیاتی و افزایش سطح آمادگی فناوری (TRL) است. این مرحله نیازمند حداقل شش ماه آزمایش مداوم در محیط واقعی است. گام‌های آینده پروژه شامل افزایش سطح ایمنی ربات از طریق افزودن لایه‌های سخت‌افزاری بیشتر، افزایش سطح آمادگی فناوری از طریق آزمایش‌های مداوم و یکپارچه‌سازی ویلچر با اینترنت اشیا (IoT) برای ارتباط با درب‌ها و آسانسورها خواهد بود.

چالش «گم شدن ربات»

مسئله «گم شدن ربات» به عنوان یکی از چالش‌های مهم و نزدیک به لبه دانش در حوزه رباتیک مطرح است که هنوز به طور کامل حل نشده است. این چالش نشان‌دهنده پیچیدگی‌های فنی در توسعه سیستم‌های خودران است که نیازمند تحقیقات و نوآوری‌های بیشتر است.

پوشش نیازهای کاربر و اجتناب از خطاهای رایج

این دستاورد توجه گروه‌های مختلفی را به خود جلب می‌کند:

• سرمایه‌گذاران و شرکت‌های دانش‌بنیان: به دنبال فرصت‌های سرمایه‌گذاری، همکاری‌های فناورانه و الگوهای موفق ارتباط صنعت و دانشگاه هستند.
• پژوهشگران و دانشگاهیان: علاقه‌مند به جزئیات فنی، چالش‌های پژوهشی، متدولوژی‌های به کار گرفته شده و فرصت‌های تحقیقاتی آتی در حوزه رباتیک و سیستم‌های خودران.
• سیاست‌گذاران و نهادهای حمایتی: ارزیابی اثربخشی حمایت‌ها، پتانسیل تجاری‌سازی فناوری‌های داخلی و تأثیر بر توسعه ملی.
• افراد دارای محدودیت‌های حرکتی و خانواده‌های آن‌ها: کسب اطلاعات در مورد دسترسی به این فناوری، مزایا و زمان عرضه به بازار.

در این میان، باید از انتظارات غیرواقع‌بینانه از سطح آمادگی فناوری (TRL) پرهیز کرد؛ محصول پس از رونمایی نیاز به آزمون‌های عملیاتی گسترده دارد. همچنین، نادیده گرفتن چالش‌های توسعه داخلی و پیچیدگی‌های فنی مانند تأمین قطعات و الگوریتم‌های نقشه‌برداری و مسیریابی، می‌تواند به برآورد نادرست از زمان تجاری‌سازی منجر شود.

جنبه‌های فنی و برنامه‌نویسی ویلچرهای خودران

اگرچه جزئیات دقیق معماری نرم‌افزاری و سخت‌افزاری ویلچر خودران دانشگاه امیرکبیر منتشر نشده است، اما با توجه به قابلیت‌های ذکر شده (نقشه‌برداری، مسیریابی، شناسایی موانع)، می‌توان چارچوب‌های فنی و برنامه‌نویسی رایج در توسعه ربات‌های خودران را بررسی کرد:

سیستم عامل ربات (ROS – Robot Operating System)

به احتمال زیاد، بخش نرم‌افزاری این ویلچر بر بستر ROS توسعه یافته است. ROS یک فریم‌ورک متن‌باز برای توسعه نرم‌افزارهای رباتیک است که ابزارها، کتابخانه‌ها و قراردادهایی را برای ساخت سیستم‌های رباتیک پیچیده فراهم می‌کند.

۱. SLAM (Simultaneous Localization and Mapping)

برای نقشه‌برداری از محیط و همزمان تعیین موقعیت ویلچر در آن نقشه، پکیج‌هایی مانند gmapping یا cartographer در ROS استفاده می‌شوند. این فرآیند به ربات امکان می‌دهد تا در محیط‌های ناشناخته حرکت کند و نقشه بسازد.

<launch>
  <node pkg="gmapping" type="slam_gmapping" name="slam_gmapping">
    <param name="base_frame" value="base_link"/>
    <param name="odom_frame" value="odom"/>
    <param name="map_frame" value="map"/>
    <param name="scan_topic" value="/scan"/>
    <param name="maxUrange" value="6.0"/>
    <param name="xmin" value="-10.0"/>
    <param name="ymin" value="-10.0"/>
    <param name="xmax" value="10.0"/>
    <param name="ymax" value="10.0"/>
    <param name="delta" value="0.05"/>
  </node>
</launch>

۲. Navigation Stack (پشته ناوبری ROS)

برای مسیریابی خودکار و اجتناب از موانع، پشته ناوبری ROS شامل ماژول‌هایی برای برنامه‌ریزی مسیر کلی (global planner)، برنامه‌ریزی مسیر محلی (local planner) و بازیابی از موانع است. این ماژول‌ها به ویلچر اجازه می‌دهند تا به صورت هوشمند در محیط حرکت کند.

<launch>
  <node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen">
    <rosparam file="$(find my_robot_2dnav)/config/costmap_common_params.yaml" command="load" ns="global_costmap" />
    <rosparam file="$(find my_robot_2dnav)/config/costmap_common_params.yaml" command="load" ns="local_costmap" />
    <rosparam file="$(find my_robot_2dnav)/config/local_costmap_params.yaml" command="load" />
    <rosparam file="$(find my_robot_2dnav)/config/global_costmap_params.yaml" command="load" />
    <rosparam file="$(find my_robot_2dnav)/config/base_local_planner_params.yaml" command="load" />
    <param name="base_global_planner" value="navfn/NavfnROS"/>
    <param name="base_local_planner" value="dwa_local_planner/DWAPlannerROS"/>
  </node>
</launch>

۳. Object Detection and Tracking (تشخیص و ردیابی اشیاء)

برای شناسایی افراد و موانع، از دوربین‌ها به همراه الگوریتم‌های بینایی ماشین (مانند YOLO یا SSD) و یا سنسورهای لیدار (LiDAR) برای تشخیص عمق استفاده می‌شود. این قابلیت به ویلچر کمک می‌کند تا با محیط اطراف خود تعامل ایمن داشته باشد.

import rospy
from sensor_msgs.msg import Image
from cv_bridge import CvBridge
import cv2

def image_callback(msg):
    try:
        bridge = CvBridge()
        cv_image = bridge.imgmsg_to_cv2(msg, "bgr8")
        # Perform object detection here using OpenCV or a deep learning model
        # For example, using a pre-trained Haar cascade for face detection
        face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
        gray = cv2.cvtColor(cv_image, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
        for (x,y,w,h) in faces:
            cv2.rectangle(cv_image,(x,y),(x+w,y+h),(255,0,0),2)
        cv2.imshow("Image window", cv_image)
        cv2.waitKey(1)
    except Exception as e:
        rospy.logerr(e)

def main():
    rospy.init_node('object_detection_node', anonymous=True)
    rospy.Subscriber("/camera/image_raw", Image, image_callback)
    rospy.spin()

if __name__ == '__main__':
    main()

علاوه بر نرم‌افزار، سنسورهایی مانند لیدار برای نقشه‌برداری و اجتناب از موانع، دوربین‌های عمق (مانند RealSense)، سنسورهای اولتراسونیک و انکودرهای چرخ برای اودومتری، و کنترلرهای قدرتمند (مانند بردهای مبتنی بر ARM) برای پردازش داده‌ها و اجرای الگوریتم‌های کنترل حرکت، اجزای حیاتی این سیستم‌ها هستند.

جمع‌بندی: آینده فناوری خودران در ایران

رونمایی ویلچر برقی خودران دانشگاه امیرکبیر، با حمایت بنیاد ملی علم ایران و همکاری شرکت دانش‌بنیان «فناوری هوشمند میکائیل»، نقطه عطفی در توسعه فناوری‌های هوشمند توانبخشی و فناوری خودران ایران است. این پروژه نه تنها توانمندی‌های داخلی در مهندسی و نوآوری را به نمایش می‌گذارد، بلکه با تمرکز بر حل چالش‌ها از طریق راه‌حل‌های خلاقانه و بومی، الگویی برای سایر پروژه‌های فناورانه در کشور ارائه می‌دهد. با ورود به مرحله آزمون‌های عملیاتی و برنامه‌ریزی برای یکپارچه‌سازی با اینترنت اشیا، این ویلچر هوشمند پتانسیل بالایی برای تحول در زندگی افراد دارای محدودیت‌های حرکتی و پیشبرد مرزهای فناوری خودران در ایران دارد و نوید آینده‌ای روشن‌تر برای این حوزه را می‌دهد.

سؤالات متداول

ویلچر برقی خودران دانشگاه امیرکبیر چه قابلیت‌های اصلی دارد؟

این ویلچر دارای قابلیت‌های پیشرفته‌ای نظیر نقشه‌برداری دقیق از محیط، مسیریابی هوشمند، و شناسایی افراد و موانع در مسیر حرکت است. این امکانات به آن اجازه می‌دهد تا به صورت خودکار و ایمن در محیط‌های مختلف حرکت کند.

چه نهادهایی در توسعه این ویلچر هوشمند مشارکت داشته‌اند؟

این پروژه نتیجه همکاری موفق دانشگاه صنعتی امیرکبیر به عنوان بخش پژوهشی، بنیاد ملی علم ایران به عنوان حامی مالی و شرکت دانش‌بنیان «فناوری هوشمند میکائیل» به عنوان بخش صنعتی است.

فناوری خودران این ویلچر چه کاربردهایی فراتر از توانبخشی دارد؟

علاوه بر کمک به افراد دارای محدودیت حرکتی و سالمندان، فناوری زیرساختی این ویلچر می‌تواند در حوزه‌های صنعتی و تجاری نیز مورد استفاده قرار گیرد؛ به عنوان مثال، برای حمل‌ونقل انفرادی خودران با هزینه کم در محیط‌های وسیع مانند فرودگاه‌ها، مراکز تجاری و اماکن زیارتی و گردشگری.

آیا این ویلچر بلافاصله پس از رونمایی قابل خرید و استفاده است؟

خیر، پس از رونمایی، محصول وارد مرحله آزمون‌های عملیاتی گسترده و افزایش سطح آمادگی فناوری (TRL) می‌شود که حداقل شش ماه زمان می‌برد. پس از آن، مراحل تجاری‌سازی و عرضه به بازار آغاز خواهد شد.

نقش سیستم عامل ربات (ROS) در این ویلچر چیست؟

ROS (Robot Operating System) یک فریم‌ورک متن‌باز است که به احتمال زیاد بستر نرم‌افزاری این ویلچر بر پایه آن توسعه یافته است. این سیستم عامل، ابزارها و کتابخانه‌های لازم برای پیاده‌سازی قابلیت‌هایی مانند SLAM (نقشه‌برداری و موقعیت‌یابی همزمان)، ناوبری و تشخیص اشیاء را فراهم می‌کند.

حسین موذن خوش الحان

من حسین مؤذن خوش‌الحان، طراح و توسعه‌دهنده وب هستم و تمرکزم روی ساخت وب‌سایت‌های سریع، حرفه‌ای، سئو‌شده و کاربرپسند است. در پروژه‌هایم از ابزارهای هوش مصنوعی مانند ChatGPT، Claude، Codex و Bolt.new برای تحلیل بهتر، توسعه سریع‌تر، تولید محتوا، خودکارسازی فرایندها و حل مسائل پیچیده استفاده می‌کنم. ترکیب تجربه فنی، طراحی دقیق و ابزارهای هوش مصنوعی به من کمک می‌کند ایده‌ها را به محصولات دیجیتال کاربردی و قابل توسعه تبدیل کنم. از طراحی سایت‌های اختصاصی و وردپرسی تا توسعه افزونه، بهینه‌سازی سرعت و پیاده‌سازی سیستم‌های هوشمند، هدفم ارائه راهکاری تمیز، قابل اعتماد و نتیجه‌محور برای هر پروژه است.