بله؛ و اینجا یک نکته مهم را اول روشن کنم: با اضافه کردن پردازش تصویر و هوش مصنوعی، پروژه از مسیر AGV خارج نمی‌شود؛ بلکه ما عمداً پروژه را از یک AGV ساده به یک AMR هوشمند ارتقا می‌دهیم.

در واقع از نظر آموزشی بهترین نام برای پروژه نهایی ما این است:

طراحی و شبیه‌سازی یک ربات متحرک خودران هوشمند برای انبار (AGV → AMR) با PyBullet، بینایی ماشین و هوش مصنوعی

یعنی AGV نقطه شروع ماست و AMR مقصد پروژه.

حالا فهرست ۹۵ جلسه را از اول بازطراحی می‌کنم؛ به‌گونه‌ای که PyBullet، رباتیک، پردازش تصویر، یادگیری ماشین، مسیریابی و هوش مصنوعی از همان اوایل به‌صورت موازی جلو بروند، ولی پروژه هم بیش از حد سنگین و بی‌منطق نشود.

🧭 فهرست کامل دوره

شبیه‌سازی و ساخت ربات خودران هوشمند با PyBullet

از صفر تا AGV/AMR، بینایی ماشین، هوش مصنوعی و Sim-to-Real

فصل ۱ — آشنایی با شبیه‌سازی رباتیک و نصب PyBullet

جلسه ۱ — شبیه‌سازی رباتیک چیست و چرا به آن نیاز داریم؟

مفهوم شبیه‌سازی
موتور فیزیک چیست؟
شبیه‌سازی ربات چیست؟
تفاوت دنیای واقعی و شبیه‌سازی
Sim-to-Real چیست؟
چرا قبل از ساخت ربات واقعی شبیه‌سازی می‌کنیم؟
معرفی پروژه نهایی دوره
معرفی AGV و AMR
مسیر کلی دوره

خروجی: درک کامل اینکه قرار است در پایان دوره چه چیزی بسازیم.

جلسه ۲ — معرفی PyBullet

PyBullet چیست؟
قابلیت‌های PyBullet
کاربرد آن در رباتیک
فیزیک و دینامیک
شبیه‌سازی سنسورها
شبیه‌سازی ربات
ارتباط PyBullet با Python
محدودیت‌های PyBullet

جلسه ۳ — نصب PyBullet در Windows

بررسی Python
نصب با pip
نصب با Conda
ساخت محیط مجازی
نصب PyBullet
تست نصب
اجرای اولین برنامه

جلسه ۴ — نصب PyBullet در Linux

آماده‌سازی Python
ساخت محیط مجازی
نصب PyBullet
اجرای GUI
مشکلات احتمالی
تفاوت Windows و Linux

جلسه ۵ — ساختار حرفه‌ای پروژه Python

ساخت ساختار اولیه:

AGV_Project/
├── main.py
├── robot/
├── world/
├── sensors/
├── vision/
├── navigation/
├── control/
├── mapping/
├── ai/
├── data/
└── utils/

مدیریت فایل‌ها
Module
Package
Import
Virtual Environment
Git مقدماتی

فصل ۲ — مبانی PyBullet و فیزیک شبیه‌سازی

جلسه ۶ — اتصال Python به PyBullet

p.connect
GUI
DIRECT
reset
disconnect

جلسه ۷ — ساخت دنیای شبیه‌سازی

زمین
Gravity
World
Object
Simulation

جلسه ۸ — حلقه شبیه‌سازی

stepSimulation
Time Step
Real Time
سرعت شبیه‌سازی
مفهوم Simulation Loop

جلسه ۹ — مختصات و جهت

X/Y/Z
Position
Orientation
Euler
Quaternion
Coordinate System

جلسه ۱۰ — فیزیک اجسام

Mass
Friction
Restitution
Collision
Dynamics

جلسه ۱۱ — اولین محیط آزمایشی

ساخت:

زمین
دیوار
مانع
چند جسم

و آزمایش رفتار فیزیکی آنها.

فصل ۳ — ساختار ربات و URDF

جلسه ۱۲ — URDF چیست؟

Link
Joint
Base
Visual
Collision
Inertial

جلسه ۱۳ — ساخت اولین ربات با URDF

ساخت یک ربات ساده.

جلسه ۱۴ — مفاصل ربات

Fixed
Revolute
Continuous
Joint Limit

جلسه ۱۵ — خواندن اطلاعات ربات

getNumJoints
getJointInfo
شماره مفاصل
نام مفاصل

جلسه ۱۶ — کنترل مفاصل

Position Control
Velocity Control
Torque Control
setJointMotorControl2

جلسه ۱۷ — دریافت وضعیت مفاصل

getJointState
Position
Velocity
Force

جلسه ۱۸ — اولین ربات متحرک

ساخت یک ربات دارای چرخ و حرکت دادن آن.

فصل ۴ — ورود به پروژه AGV

جلسه ۱۹ — AGV و AMR چیستند؟

AGV چیست؟
AMR چیست؟
تفاوت آنها
کاربردهای صنعتی
چرا پروژه را با AGV شروع می‌کنیم؟

جلسه ۲۰ — Differential Drive

ربات دوچرخ محرک چیست؟
چرخ محرک
چرخ کمکی
نحوه چرخش

جلسه ۲۱ — طراحی بدنه AGV

بدنه
چرخ‌ها
Caster
ابعاد
جرم
Collision

جلسه ۲۲ — ساخت URDF کامل AGV

ساخت مدل واقعی AGV.

جلسه ۲۳ — تنظیم فیزیک AGV

جرم
اصطکاک
اصطکاک چرخ
لغزش
Inertia

جلسه ۲۴ — اولین حرکت AGV

حرکت جلو
عقب
توقف
چرخش

خروجی فصل:

🤖 اولین AGV واقعی ما در PyBullet ساخته شده و حرکت می‌کند.

فصل ۵ — کنترل و سینماتیک AGV

جلسه ۲۵ — سینماتیک چیست؟

مفهوم Kinematics
موقعیت
سرعت
جهت

جلسه ۲۶ — سینماتیک Differential Drive

رابطه:

سرعت ربات
      ↓
سرعت چرخ چپ و راست

جلسه ۲۷ — کنترل سرعت

Linear Velocity
Angular Velocity
کنترل چرخ‌ها

جلسه ۲۸ — حرکت به نقطه هدف

دادن مختصات:

X = ...
Y = ...

و حرکت AGV به سمت آن.

جلسه ۲۹ — کنترل جهت

AGV باید ابتدا جهت مناسب را انتخاب کند و سپس حرکت کند.

جلسه ۳۰ — کنترلر ساده AGV

ساخت کنترلری که:

هدف را بگیرد → زاویه را محاسبه کند → حرکت کند.

فصل ۶ — Odometry و Localization مقدماتی

جلسه ۳۱ — Odometry چیست؟

چطور ربات از روی چرخ‌هایش بفهمد چقدر حرکت کرده است؟

جلسه ۳۲ — محاسبه مسافت چرخ‌ها

جلسه ۳۳ — محاسبه موقعیت AGV

X
Y
Heading

جلسه ۳۴ — Dead Reckoning

حرکت بدون استفاده از GPS یا نقشه خارجی.

جلسه ۳۵ — خطای Odometry

لغزش
خطای اندازه‌گیری
خطای تجمعی

جلسه ۳۶ — مقایسه موقعیت واقعی و تخمینی

در شبیه‌سازی:

Ground Truth
       VS
Estimated Pose

جلسه ۳۷ — مفهوم Localization

معرفی روش‌های تعیین موقعیت ربات.

فصل ۷ — ورود به بینایی ماشین

اینجا پردازش تصویر را عمداً وارد پروژه می‌کنیم تا از همان نیمه اول دوره فقط رباتیک خشک نداشته باشیم.

جلسه ۳۸ — Computer Vision چیست؟

تصویر دیجیتال
Pixel
RGB
Grayscale
Image Processing
Computer Vision

جلسه ۳۹ — نصب و معرفی OpenCV

نصب OpenCV
خواندن تصویر
نمایش تصویر
ذخیره تصویر

جلسه ۴۰ — اولین دوربین شبیه‌سازی‌شده در PyBullet

Camera
Position
Orientation
Field of View
گرفتن تصویر

جلسه ۴۱ — پردازش تصویر دوربین AGV

RGB
تبدیل رنگ
Grayscale
Threshold

جلسه ۴۲ — تشخیص رنگ

مثلاً:

AGV جسم قرمز را پیدا کند.

جلسه ۴۳ — تشخیص موقعیت جسم در تصویر

Bounding Box
مرکز جسم
مختصات تصویر

جلسه ۴۴ — تبدیل اطلاعات تصویر به اطلاعات ربات

مثلاً:

Camera
 ↓
Object Detection
 ↓
Object Position
 ↓
AGV Decision

خروجی فصل:

📷 AGV اکنون می‌تواند با دوربین خود یک شیء را ببیند و موقعیت تقریبی آن را تشخیص دهد.

فصل ۸ — سنسورها و ادراک محیط

جلسه ۴۵ — مفهوم Sensor در رباتیک

Sensor
Measurement
Noise
Ground Truth

جلسه ۴۶ — LiDAR چیست؟

Laser
Ray
Range
Field of View

جلسه ۴۷ — ساخت LiDAR در PyBullet

Ray Casting
Ray Test
Ray Test Batch

جلسه ۴۸ — پردازش داده LiDAR

تبدیل داده خام به:

فاصله موانع اطراف ربات.

جلسه ۴۹ — تشخیص مانع

AGV بفهمد:

«جلوی من مانع وجود دارد.»

جلسه ۵۰ — دوربین Depth

Depth Image
فاصله تا اجسام
تفاوت RGB و Depth

جلسه ۵۱ — IMU

Accelerometer
Gyroscope
Orientation
Noise

جلسه ۵۲ — ترکیب Camera + LiDAR

بررسی اینکه:

هر سنسور چه چیزی را می‌بیند و چه محدودیتی دارد.

فصل ۹ — ساخت نقشه محیط

جلسه ۵۳ — نقشه برای ربات چیست؟

Map
World
Occupancy Grid
Cell
Resolution

جلسه ۵۴ — ساخت Occupancy Grid

مثلاً:

0 = آزاد
1 = مانع

جلسه ۵۵ — تبدیل LiDAR به نقشه

LiDAR
 ↓
Obstacle Points
 ↓
Occupancy Grid

جلسه ۵۶ — به‌روزرسانی نقشه هنگام حرکت

AGV حرکت کند و نقشه را کامل‌تر کند.

جلسه ۵۷ — خطا و نویز نقشه

Sensor Noise
خطای اندازه‌گیری
داده ناقص

جلسه ۵۸ — ساخت یک محیط انبار ساده

اضافه کردن:

قفسه
دیوار
راهرو
کالا
ایستگاه

فصل ۱۰ — مسیر‌یابی و Navigation

جلسه ۵۹ — مسئله Path Planning

چطور از:

A → B

حرکت کنیم بدون برخورد؟

جلسه ۶۰ — الگوریتم Dijkstra

جلسه ۶۱ — الگوریتم A*

جلسه ۶۲ — پیاده‌سازی A* در Python

جلسه ۶۳ — اجرای A* روی نقشه AGV

جلسه ۶۴ — تبدیل مسیر Grid به مسیر واقعی

جلسه ۶۵ — Waypoint

تبدیل مسیر به نقاط قابل دنبال کردن.

جلسه ۶۶ — Path Following

AGV مسیر را دنبال کند.

فصل ۱۱ — تبدیل AGV به ربات خودران / AMR

اینجا نقطه بسیار مهم پروژه است.

جلسه ۶۷ — مفهوم Autonomous Navigation

ربات:

خودش تصمیم بگیرد کجا برود.

جلسه ۶۸ — ترکیب Localization + Mapping + Planning

جلسه ۶۹ — حرکت خودکار از A به B

جلسه ۷۰ — تشخیص مانع هنگام حرکت

جلسه ۷۱ — اجتناب از مانع

جلسه ۷۲ — Local Planning

معرفی مفهوم برنامه‌ریزی محلی.

جلسه ۷۳ — Dynamic Window Approach

DWA چیست؟
چرا به آن نیاز داریم؟
سرعت‌های مجاز
انتخاب حرکت مناسب

جلسه ۷۴ — سیستم کامل Navigation

ترکیب:

Sensor
 ↓
Localization
 ↓
Map
 ↓
A*
 ↓
Local Planner
 ↓
Controller
 ↓
AGV

جلسه ۷۵ — Click-to-Navigate

روی نقشه کلیک کنیم:

ربات خودش به آنجا برود.

🎯 اینجا AGV اولیه ما عملاً به یک AMR شبیه‌سازی‌شده تبدیل شده است.

فصل ۱۲ — Machine Learning و تشخیص هوشمند

حالا که Computer Vision پایه را داریم، وارد یادگیری ماشین می‌شویم.

جلسه ۷۶ — Machine Learning چیست؟

Traditional Programming
Machine Learning
Training
Inference
Model

جلسه ۷۷ — Dataset چیست؟

داده آموزشی
Label
Training
Validation
Test

جلسه ۷۸ — تولید داده آموزشی از PyBullet

این قسمت بسیار مهم است.

خودمان محیط‌های مختلف تولید می‌کنیم:

Object
Color
Size
Position
Lighting
Camera Angle

و از آنها داده می‌گیریم.

جلسه ۷۹ — اولین مدل یادگیری ماشین

یک مسئله ساده:

تشخیص نوع یا وضعیت یک شیء.

جلسه ۸۰ — اتصال مدل Machine Learning به AGV

Camera
 ↓
ML Model
 ↓
Object Detection
 ↓
Decision
 ↓
AGV

جلسه ۸۱ — تشخیص اشیای مختلف

مثلاً:

📦 کالا
🚧 مانع
🔴 علامت

جلسه ۸۲ — مقایسه روش سنتی و Machine Learning

مثلاً:

Color Threshold

در مقابل:

ML Model

و بررسی مزایا و معایب.

فصل ۱۳ — هوش مصنوعی و Reinforcement Learning

اینجا وارد بخش پیشرفته‌تر AI می‌شویم.

جلسه ۸۳ — Reinforcement Learning چیست؟

Agent
Environment
State
Action
Reward

جلسه ۸۴ — تعریف مسئله برای AGV

مثلاً:

ربات باید به مقصد برسد و با مانع برخورد نکند.

جلسه ۸۵ — طراحی Reward

پاداش برای:

نزدیک شدن به هدف
رسیدن به هدف
برخورد
طولانی شدن مسیر

جلسه ۸۶ — محیط آموزشی AGV

ساخت Environment مناسب برای آموزش.

جلسه ۸۷ — PPO

PPO چیست؟
چرا PPO؟
مفهوم Policy

جلسه ۸۸ — آموزش عامل با Stable-Baselines3

جلسه ۸۹ — آزمایش عامل آموزش‌دیده

AGV را با مدل آموزش‌دیده کنترل می‌کنیم.

جلسه ۹۰ — مقایسه Navigation کلاسیک و AI

مثلاً:

A*
VS
Reinforcement Learning

بررسی می‌کنیم کدام روش در چه مسئله‌ای بهتر است.

نکته: اینجا هدف ما این نیست که «هر چیزی را با AI حل کنیم». هدف این است که بفهمیم کجا روش کلاسیک بهتر است و کجا AI ارزش اضافه ایجاد می‌کند.

فصل ۱۴ — Smart Warehouse و چند AGV

جلسه ۹۱ — ساخت انبار هوشمند

قفسه‌ها
کالاها
ایستگاه‌ها
مسیرها
Charging Station

جلسه ۹۲ — تعریف مأموریت

مثلاً:

Pick: Shelf A3
Drop: Station B

جلسه ۹۳ — چند ربات

ساخت چند AGV/AMR در محیط.

جلسه ۹۴ — تقسیم مأموریت

کدام ربات کدام کار را انجام دهد؟

جلسه ۹۵ — جلوگیری از برخورد و مدیریت ترافیک

Collision Avoidance
Traffic Management
Priority

⏸️ یک نکته مهم درباره ۹۵ جلسه

اینجا به عدد ۹۵ رسیدیم، اما من عمداً پروژه را در این نقطه تمام نمی‌کنم.

چون فصل‌های اصلی که قبلاً داشتیم هنوز برای Portfolio حرفه‌ای لازم‌اند.

بنابراین برای نسخه‌ای که واقعاً قرار است در فرادرس منتشر شود، بهتر است فهرست را به دو بخش تبدیل کنیم:

بخش اول — دوره اصلی

جلسات ۱ تا ۹۵

که در آن به یک سیستم AGV/AMR هوشمند چندرباته می‌رسیم.

بخش دوم — دوره پیشرفته / پروژه نهایی Portfolio

که شامل:

Digital Twin
Optimization
Sim-to-Real
Domain Randomization
تست سخت‌افزار واقعی
مستندسازی
GitHub
Portfolio
Demo Video

است.

این کار از نظر آموزشی هم بهتر است؛ چون اگر بخواهیم همه اینها را در همان ۹۵ جلسه جا بدهیم، دوره تبدیل به یک دوره بیش از حد سنگین و پراکنده می‌شود.

🔥 بخش دوم — مسیر پیشرفته و پروژه نهایی

فصل ۱۵ — Digital Twin و Optimization

جلسه ۹۶ — Digital Twin چیست؟

جلسه ۹۷ — ثبت داده‌های عملکرد AGV

زمان مأموریت
مسافت
سرعت
انرژی
برخورد
زمان انتظار

جلسه ۹۸ — تحلیل عملکرد انبار

جلسه ۹۹ — پیدا کردن Bottleneck

جلسه ۱۰۰ — آزمایش سناریوهای مختلف

مثلاً:

5 ربات
10 ربات
15 ربات

جلسه ۱۰۱ — بهینه‌سازی تعداد ربات‌ها

جلسه ۱۰۲ — بهینه‌سازی مسیر و مأموریت

فصل ۱۶ — Sim-to-Real

جلسه ۱۰۳ — چرا Simulation با Reality فرق دارد؟

جلسه ۱۰۴ — مشکلات انتقال

Friction
Sensor Noise
Motor Dynamics
Latency
Mass
Calibration

جلسه ۱۰۵ — Domain Randomization

جلسه ۱۰۶ — ساخت مدل واقع‌گرایانه‌تر

جلسه ۱۰۷ — طراحی AGV کوچک واقعی

جلسه ۱۰۸ — انتقال کنترل به ربات واقعی

جلسه ۱۰۹ — مقایسه Simulation و Reality

جلسه ۱۱۰ — اندازه‌گیری Sim-to-Real Gap

فصل ۱۷ — پروژه نهایی و Portfolio

جلسه ۱۱۱ — طراحی معماری نهایی

جلسه ۱۱۲ — یکپارچه‌سازی تمام سیستم‌ها

Camera
LiDAR
 ↓
Perception
 ↓
Localization
 ↓
Mapping
 ↓
Planning
 ↓
AI
 ↓
Control
 ↓
AMR

جلسه ۱۱۳ — تست کامل

جلسه ۱۱۴ — تست سناریوهای مختلف

جلسه ۱۱۵ — اندازه‌گیری عملکرد

جلسه ۱۱۶ — تهیه نمودارها و نتایج

جلسه ۱۱۷ — تمیز کردن کد

جلسه ۱۱۸ — ساخت README حرفه‌ای

جلسه ۱۱۹ — انتشار در GitHub

جلسه ۱۲۰ — تهیه Demo Video

جلسه ۱۲۱ — نوشتن گزارش فنی

جلسه ۱۲۲ — ساخت Portfolio

جلسه ۱۲۳ — تبدیل پروژه به محتوای آموزشی

جلسه ۱۲۴ — آماده‌سازی برای ارائه به شرکت‌ها

🎯 حالا پاسخ سؤال دوم تو

آیا با اضافه شدن AI و پردازش تصویر، AGV از حالت خودش خارج می‌شود؟

بله و خیر؛ بستگی دارد چه کاری با آن انجام دهیم.

اسم AGV به‌طور سنتی بیشتر برای وسیله‌ای استفاده می‌شود که حرکتش تا حد زیادی هدایت‌شده و از پیش تعریف‌شده است.

اما وقتی ربات ما:

محیط را با سنسور می‌بیند؛
خودش موقعیتش را تخمین می‌زند؛
نقشه می‌سازد؛
خودش مسیر پیدا می‌کند؛
مانع را تشخیص می‌دهد؛
مسیرش را در لحظه تغییر می‌دهد؛
مأموریت دریافت می‌کند؛
با چند ربات همکاری می‌کند؛
و حتی از AI برای تصمیم‌گیری استفاده می‌کند؛

دیگر از نظر ماهیت عملکردی به یک AMR نزدیک شده‌ایم.

بنابراین پروژه ما از ابتدا تا انتها این‌طور تکامل پیدا می‌کند:

مرحله ۱
AGV ساده
│
│  فقط حرکت و کنترل
↓
مرحله ۲
AGV مجهز به سنسور
│
│  LiDAR + Camera
↓
مرحله ۳
AGV هوشمند
│
│  Mapping + Localization
↓
مرحله ۴
AGV خودران
│
│  A* + Path Planning
↓
مرحله ۵
AMR
│
│  Obstacle Avoidance
│  Local Planning
↓
مرحله ۶
AMR هوشمند
│
│  Computer Vision
│  Machine Learning
↓
مرحله ۷
سیستم چند AMR
│
│  Fleet Management
↓
مرحله ۸
Smart Warehouse
│
│  Digital Twin
│  Optimization
↓
مرحله ۹
Sim-to-Real
│
↓
🤖 ربات واقعی

بنابراین اتفاقاً این تغییر به نفع ماست.

ما از روز اول نمی‌گوییم:

«بیایید یک AMR خیلی پیچیده بسازیم.»

چون احتمالاً وسط راه گیر می‌کنیم.

می‌گوییم:

«یک AGV ساده می‌سازیم و قدم‌به‌قدم قابلیت‌های خودران و هوشمند به آن اضافه می‌کنیم تا در نهایت به یک AMR تبدیل شود.»

این از نظر آموزشی خیلی منطقی‌تر است، چون هر چیزی که اضافه می‌کنیم یک دلیل مشخص دارد.

و یک اصلاح مهم در برنامه قبلی‌مان

من پیشنهاد می‌کنم Computer Vision را از جلسه ۳۸ و Machine Learning را از جلسه ۷۶ شروع کنیم، ولی تمرین‌های کوچک AI را حتی زودتر هم می‌توانیم انجام دهیم.

یعنی لازم نیست چند ماه منتظر بمانی تا «به AI برسیم».

از همان زمانی که دوربین را ساختیم، یک پروژه کوچک داریم:

دوربین مجازی → تصویر → OpenCV → تشخیص شیء → تصمیم AGV

و بعد همان سیستم را ارتقا می‌دهیم:

دوربین → داده → Machine Learning → تشخیص → تصمیم AGV

این دقیقاً همان چیزی است که به نظرم برای تو جذاب‌تر و از نظر رزومه هم قوی‌تر است.

پس نقشه نهایی ما دیگر صرفاً «دوره PyBullet» نیست؛ یک مسیر از شبیه‌سازی رباتیک به سمت Physical AI است، با AGV به‌عنوان هسته پروژه و AMR هوشمند به‌عنوان خروجی نهایی.