[{"content":"در مقاله‌ای که برای کنفرانس ICRoM 2025 تهیه کردیم، ناوبری و حرکت ربات چهارپا را به دو سیاست یادگیری تقویتی تقسیم کردیم. سیاست سطح بالا فرمان حرکت به‌سوی هدف و دورزدن موانع را تولید می‌کند؛ سیاست سطح پایین این فرمان را به حرکت پایدار روی زمین ناهموار تبدیل می‌کند. این صفحه خلاصه پژوهش، پنج شکل اصلی و نتایج گزارش‌شده در مقاله را در دسترس قرار می‌دهد.\nمتن کامل مقاله (PDF انگلیسی · ۶ صفحه)\nنویسندگان: یوسف ایوبی‌راد، سید مهدی سرفرازی و محمد شهبازی.\nوابستگی سازمانی: آزمایشگاه هوش مصنوعی و سیستم‌های دینامیکی، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران.\nکنفرانس: سیزدهمین کنفرانس بین‌المللی رباتیک و مکاترونیک، ICRoM 2025؛ ۱۶ تا ۱۸ دسامبر ۲۰۲۵، تهران.\nفایل PDF، نسخه مقاله کنفرانسی ارائه‌شده توسط نویسندگان است. تمام نتایج این صفحه از شبیه‌سازی به دست آمده‌اند و شامل آزمایش روی ربات واقعی نیستند.\nچکیده پژوهش ربات‌های چهارپا برای کاربردهایی مانند امداد و اکتشاف، باید هم در محیط‌های دارای مانع مسیر مناسب پیدا کنند و هم روی پله، شیب و زمین ناهموار تعادل خود را حفظ کنند. چارچوب پیشنهادی، این دو مسئله را با یک رابط فرمان سرعت از هم جدا می‌کند. سیاست ناوبری، فرمان سرعت خطی و زاویه‌ای را در دستگاه مختصات بدنه تولید می‌کند. سیاست حرکت، با استفاده از اطلاعات وضعیت بدنه و مفاصل و نمونه‌برداری محلی از ارتفاع زمین، هدف‌های مفصلی را می‌سازد که کنترل‌کننده PD دنبال می‌کند.\nاین ساختار امکان آموزش و اصلاح مستقل هر لایه را فراهم می‌کند و تداخل هدف‌های پاداش ناوبری و حفظ تعادل را کاهش می‌دهد. ارزیابی در Isaac Gym شامل نقشه‌های دارای مانع، زمین‌های مختلف و اجرای هم‌زمان دو لایه است. نتایج گزارش‌شده نشان می‌دهند که این تفکیک، در شرایط شبیه‌سازی مقاله، موفقیت ناوبری و پایداری حرکت را نسبت به روش یکپارچه بهبود می‌دهد.\nمعماری دو لایه سیاست سطح بالا از وضعیت و جهت ربات، موقعیت نسبی هدف و اطلاعات موانع استفاده می‌کند. خروجی آن یک فرمان سرعت محدودشده است. سیاست سطح پایین این فرمان را همراه با وضعیت بدنه و مفاصل و ۱۸۷ نمونه ارتفاع محلی زمین دریافت می‌کند و هدف‌های مفصلی را می‌سازد. محدودسازی و هموارسازی فرمان‌ها، ارتباط دو لایه را با محدوده حرکتی تعریف‌شده در شبیه‌سازی سازگار می‌کند.\nشکل ۲ مقاله. سیاست برنامه‌ریزی مسیر و سیاست حرکت از طریق یک رابط فرمان سرعت به هم متصل‌اند.\nشبیه‌سازی و شناخت محلی زمین آزمایش‌ها در Isaac Gym و با ساختاری مشابه Legged Gym انجام شده‌اند. زمین‌های آزمایش شامل پله، شیب، موانع مجزا و سطوح سینوسی‌اند. آموزش ناوبری در محیطی به ابعاد ۱۰ × ۱۰ متر با موانع تولیدشده به‌صورت رویه‌ای انجام می‌شود و نقشه‌های بزرگ‌تر به دامنه آموزش نگاشت می‌شوند.\nشکل ۱ مقاله. زمین‌های شبیه‌سازی: A، موج‌های سینوسی؛ B، موانع مجزا؛ C، پله‌های هرمی.\nبرنامه‌ریز سطح بالا با الگوریتم PPO و یک شبکه با دو لایه پنهان ۲۵۶ نورونی آموزش داده شده است. ابتدا سیاست حرکت روی زمین‌های مختلف آموزش می‌بیند؛ سپس با ثابت نگه‌داشتن آن، سیاست ناوبری آموزش داده می‌شود. مقاله حدود پنج ساعت آموزش مجموع دو سیاست را روی کارت NVIDIA RTX 3080 Ti و با حدود ۱۲ هزار محیط شبیه‌سازی موازی گزارش می‌کند.\nشکل ۳ مقاله. عبور از زمین‌های مختلف: (a) بالارفتن از مانع، (b) پله، (c) پایین‌آمدن از مانع و (d) سطح سینوسی. نقاط سبز نمونه‌برداری محلی زمین را نشان می‌دهند.\nاز نقشه تا فرمان حرکت نقشه اشغال ورودی به ویژگی‌های موانع تبدیل می‌شود تا سیاست ناوبری بتواند مسیر حرکت به‌سوی هدف را تعیین کند. برنامه‌ریز فرمان سرعت می‌دهد و سیاست حرکت، تعادل و تماس پاها با زمین را در شبیه‌سازی فیزیکی مدیریت می‌کند.\nشکل ۴ مقاله. (a) نقشه اشغال ورودی؛ (b) نمایش دایره‌ای موانع و مسیر ناوبری.\nشکل ۵ مقاله. (a) نقشه موانع و مسیر، (b) موقعیت میانی ربات و (c) مسیر کامل در محیط شبیه‌سازی.\nنتایج گزارش‌شده جدول زیر مقادیر جدول اول مقاله را بازنویسی می‌کند. موفقیت ناوبری، تعداد برخورد، نسبت طول مسیر و خطای دنبال‌کردن سرعت، معیارهای جداگانه‌اند. نرخ موفقیت ناوبری به‌تنهایی عملکرد کامل سامانه روی زمین ناهموار را توصیف نمی‌کند.\nروش موفقیت ناوبری برخورد در هر اپیزود نسبت طول مسیر خطای دنبال‌کردن سرعت (متر بر ثانیه) چارچوب سلسله‌مراتبی ۹۴٫۲٪ ۰٫۰۸ ۱٫۰۸۳ ۰٫۰۴۲ روش یکپارچه مبنا ۸۱٫۷٪ ۰٫۲۸ ۱٫۱۹۴ ۰٫۰۶۱ آزمایش حذف ساختار سلسله‌مراتبی ۸۳٫۵٪ ۰٫۲۲ ۱٫۱۷۶ ۰٫۰۵۷ آزمایش حذف حس‌کردن زمین ۹۱٫۸٪ ۰٫۱۱ ۱٫۰۹۱ ۰٫۰۶۹ مقاله همچنین ۸۸٫۶٪ موفقیت ناوبری روی نقشه‌های دیده‌نشده بدون آموزش مجدد و ۸۷٫۴٪ موفقیت اجرای کامل در محیط‌های دارای مانع و تغییرات ارتفاع را گزارش می‌کند. تعداد برخورد در هر اپیزود از ۰٫۲۸ در روش یکپارچه به ۰٫۰۸ می‌رسد؛ یعنی ۷۱٫۴٪ کاهش. با حذف اطلاعات ارتفاع زمین، نرخ افتادن گزارش‌شده از ۱٫۴٪ به ۷٫۳٪ افزایش پیدا می‌کند.\nمحدوده و محدودیت‌ها ارزیابی مقاله در شبیه‌سازی، با موانع ثابت و شرایط حس‌کردن اسمی انجام شده است. نمایش محلی ارتفاع زمین، اطلاعات معنایی یا ساختار دوردست مسیر را در اختیار ربات نمی‌گذارد. پیچ‌های تنگ و توالی سکوهای کوچک می‌توانند پیشروی را کند کنند. ثابت نگه‌داشتن سیاست حرکت هنگام آموزش ناوبری نیز سازگاری مشترک دو لایه را محدود می‌کند.\nنقشه‌سازی آنلاین، موانع متحرک، آموزش مشترک انتخابی و اعتبارسنجی روی سخت‌افزار، مسیرهای ادامه پژوهش‌اند. نتایج شبیه‌سازی این مقاله، اثبات قابلیت اطمینان روی ربات واقعی نیستند.\nتوضیح سهم من در این پژوهش و ادامه کار در پایان‌نامه در صفحه معرفی پژوهش، به زبان انگلیسی آمده است.\nمتن کامل و ارجاع دانلود متن کامل مقاله کنفرانسی (PDF انگلیسی).\nY. Ayoubi Rad, S. M. Sarfarazi and M. Shahbazi, “Hierarchical Deep Reinforcement Learning for Quadruped Navigation over Complex Terrains,” 13th RSI International Conference on Robotics and Mechatronics (ICRoM 2025), Tehran, Iran, December 16–18, 2025.\nهر پنج شکل این صفحه از فایل Word مقاله استخراج شده‌اند. معادلات، منابع و بحث کامل در فایل PDF موجودند.\n","permalink":"https://mahdisf.ir/fa/posts/hierarchical-deep-reinforcement-learning-quadruped-navigation/","summary":"دو سیاست یادگیری تقویتی برای ناوبری و حرکت روی زمین ناهموار، ارزیابی‌شده در Isaac Gym. خلاصه پژوهش، تصاویر اصلی و فایل کامل مقاله ICRoM 2025.","title":"یادگیری تقویتی عمیق سلسله‌مراتبی برای ناوبری ربات چهارپا روی زمین‌های پیچیده"},{"content":"بیشتر وقتم صرف کارم می‌شود. مدیر محصول فنی یک استارتاپ هوش مصنوعی عامل‌محور (نام محفوظ) هستم و روی یک پلتفرم طراحی کنترل مبتنی بر هوش مصنوعی (انگلیسی) کار می‌کنم. MVP از دروازه آمادگی داخلی عبور کرده و مرحله بعد، یک برنامه رسمی تناسب محصول و بازار در بازار B2B است.\nهمچنین دوره کارشناسی ارشد مهندسی مکاترونیک را تمام می‌کنم. پایان‌نامه‌ام درباره ناوبری آگاه از ریسک برای ربات‌های چهارپاست.\nکنار کار، ViGenX (انگلیسی)، ویرایشگر ویدئوی متن‌بازم، را هم توسعه می‌دهم. این ابزار هر ویرایش را به شکل جریان کاری‌ای برنامه‌ریزی می‌کند که پیش از رندر می‌توانید بررسی و اصلاحش کنید.\n","permalink":"https://mahdisf.ir/fa/now/","summary":"\u003cp\u003eبیشتر وقتم صرف کارم می‌شود. مدیر محصول فنی یک استارتاپ هوش مصنوعی عامل‌محور (نام محفوظ) هستم و روی یک \u003ca href=\"/projects/ai-control-design-platform/\"\u003eپلتفرم طراحی کنترل مبتنی بر هوش مصنوعی\u003c/a\u003e (انگلیسی) کار می‌کنم. MVP از دروازه آمادگی داخلی عبور کرده و مرحله بعد، یک برنامه رسمی تناسب محصول و بازار در بازار B2B است.\u003c/p\u003e\n\u003cp\u003eهمچنین دوره کارشناسی ارشد مهندسی مکاترونیک را تمام می‌کنم. پایان‌نامه‌ام درباره ناوبری آگاه از ریسک برای ربات‌های چهارپاست.\u003c/p\u003e\n\u003cp\u003eکنار کار، \u003ca href=\"/projects/vigenx-agentic-video-editor/\"\u003eViGenX\u003c/a\u003e (انگلیسی)، ویرایشگر ویدئوی متن‌بازم، را هم توسعه می‌دهم. این ابزار هر ویرایش را به شکل جریان کاری‌ای برنامه‌ریزی می‌کند که پیش از رندر می‌توانید بررسی و اصلاحش کنید.\u003c/p\u003e","title":"الان"},{"content":"در حوزه مدیریت محصول فنی برای هوش مصنوعی و نرم‌افزارهای مهندسی کار می‌کنم؛ به‌ویژه محصولاتی برای رباتیک، سامانه‌های خودمختار، مهندسی کنترل و ابزارهای توسعه‌دهندگان. اگر در این حوزه محصولی می‌سازید یا نیرو جذب می‌کنید، ایمیل سریع‌ترین راه ارتباط با من است.\nایمیل: Mahdi_Sarfarazi@outlook.com\nهمچنین می‌توانید مرا در لینکدین پیدا کنید و کارهای متن‌بازم را در GitHub ببینید.\nرزومه یک‌صفحه‌ای من (به انگلیسی): دانلود PDF.\n","permalink":"https://mahdisf.ir/fa/contact/","summary":"\u003cp\u003eدر حوزه مدیریت محصول فنی برای هوش مصنوعی و نرم‌افزارهای مهندسی کار می‌کنم؛ به‌ویژه محصولاتی برای رباتیک، سامانه‌های خودمختار، مهندسی کنترل و ابزارهای توسعه‌دهندگان. اگر در این حوزه محصولی می‌سازید یا نیرو جذب می‌کنید، ایمیل سریع‌ترین راه ارتباط با من است.\u003c/p\u003e\n\u003cp class=\"contact-cta\"\u003e\u003ca class=\"btn btn-primary\" href=\"mailto:Mahdi_Sarfarazi@outlook.com\" dir=\"ltr\"\u003eایمیل: Mahdi_Sarfarazi@outlook.com\u003c/a\u003e\u003c/p\u003e\n\u003cp\u003eهمچنین می‌توانید مرا در \u003ca href=\"https://www.linkedin.com/in/sarfarazi\"\u003eلینکدین\u003c/a\u003e پیدا کنید و کارهای متن‌بازم را در \u003ca href=\"https://github.com/mahdisf\"\u003eGitHub\u003c/a\u003e ببینید.\u003c/p\u003e\n\u003cp\u003eرزومه یک‌صفحه‌ای من (به انگلیسی): \u003ca href=\"/cv.pdf\"\u003eدانلود PDF\u003c/a\u003e.\u003c/p\u003e","title":"تماس"},{"content":"من مدیر محصول فنی برای محصولات هوش مصنوعی و نرم‌افزارهای مهندسی هستم. می‌فهمم مهندس‌ها در عمل چطور کار می‌کنند و تصمیم می‌گیرم یک محصول هوش مصنوعی چه کاری باید برایشان بکند. بعد به یک تیم چندتخصصی کمک می‌کنم آن را بسازد و نشان دهد که کار می‌کند.\nاز مهندسی به مدیریت محصول رسیدم. چند سال سامانه‌های رباتیک و کنترل ساختم: نرم‌افزار ROS2 برای اگزوسکلتون‌های توانبخشی، پژوهش یادگیری تقویتی برای ربات‌های پادار و کنترل‌کننده‌های تعبیه‌شده. در بیشتر این پروژه‌ها نوشتن نیازمندی‌ها، هماهنگی تیم و مستند کردن نتایج هم به من می‌رسید. از مارس ۲۰۲۶ این کار نقش تمام‌وقت من است.\nوقتی کاربر یک مهندس کنترل، رباتیک‌کار یا توسعه‌دهنده است، همین پیشینه کمک می‌کند جریان کارش را دنبال کنم، درباره معماری سؤال بپرسم و تشخیص بدهم یک نتیجه واقعی است یا نه.\nکارم را با مهندسی شروع کردم: نرم‌افزار رباتیک، کنترل بلادرنگ و شبیه‌سازی، در آزمایشگاه‌های دانشگاه و پروژه‌های آزاد. با ViGenX، پروژه شخصی‌ام، وارد کار محصول شدم و در مارس ۲۰۲۶ به مدیر محصول فنی ارتقا یافتم. الان روی محصولات هوش مصنوعی کار می‌کنم که جریان‌های کاری پیچیده مهندسی را سریع‌تر و قابل‌اعتمادتر می‌کنند. تجربه مدیر محصول فنی استارتاپ هوش مصنوعی عامل‌محور (نام محفوظ) · مارس ۲۰۲۶ تاکنون\nمسئول محصول یک پلتفرم طراحی کنترل مبتنی بر هوش مصنوعی هستم. آن را از ایده به MVP رساندم. MVP دو چرخه اثبات مفهوم را کامل کرده و از دروازه آمادگی محصول عبور کرده است. مطالعه موردی (انگلیسی)\nسند نیازمندی‌های بازار (MRD)، برنامه کسب‌وکار و بوم مدل کسب‌وکار را نوشتم. پژوهش بازار، تحلیل رقبا و بیش از ۱۰۰ مصاحبه با مشتری انجام دادم و یافته‌ها را به نیازمندی‌ها و نقشه راه اولویت‌بندی‌شده تبدیل کردم. جریان‌های کاری مهندسی کنترل را به داستان کاربر، معیار پذیرش و منطق اعتبارسنجی تبدیل می‌کنم و بک‌لاگ را نگهداری و اولویت‌بندی می‌کنم. کار هفت مهندس و سه ذی‌نفع را در حوزه‌های هوش مصنوعی، مهندسی کنترل، نرم‌افزار، طراحی محصول و QA هماهنگ می‌کنم و قابلیت‌های تکمیل‌شده را پیش از انتشار با معیارهای پذیرششان می‌سنجم. راهبرد و برنامه ورود به بازار را برای مرحله بعد، یعنی برنامه رسمی تناسب محصول و بازار (PMF) در بازار B2B، نوشتم. نام شرکت و اطلاعات مشتریان محرمانه است.\nمهندس نرم‌افزار رباتیک همان استارتاپ · نوامبر ۲۰۲۵ تا مارس ۲۰۲۶\nیک جریان کاری عاملی طراحی کردم که از توصیف سیستم غیرخطی، نقطه کار، مدل فضای حالت، کنترل‌کننده‌های پیشنهادی و شبیه‌سازی حلقه‌بسته تولید می‌کند. خطی‌سازی و بررسی پایداری و حوزه فرکانس را هم در یک خط راستی‌آزمایی خودکار یکپارچه کردم. مسئول محصول و فنی، ViGenX پروژه متن‌باز مستقل · ۲۰۲۵ تاکنون\nیک ویرایشگر ویدئوی هوش مصنوعی تعریف کردم و ساختم که شرح ساده یک ویرایش را به جریان کاری قابل بررسی و قابل ویرایش تبدیل می‌کند و پیش از رندر منتظر تأیید انسان می‌ماند. MVP اولیه را در دهمین استارتاپ کمپ دیجی‌نکست ارائه کردم. مخزن عمومی از ژوئن ۲۰۲۶ باز است و نسخه آن پیش از ۱.۰ است. مطالعه موردی (انگلیسی) پژوهشگر و مهندس نرم‌افزار رباتیک آزمایشگاه هوش مصنوعی و سیستم‌های دینامیکی، دانشگاه علم و صنعت ایران · نوامبر ۲۰۲۴ تاکنون\nنیازمندی‌ها، معیارهای ارزیابی و شاخص‌های موفقیت آزمایش‌های حرکت مبتنی بر یادگیری تقویتی و ناوبری آگاه از ریسک را تعریف می‌کنم. هم‌نویسنده پژوهش یادگیری تقویتی سلسله‌مراتبی برای ناوبری ربات چهارپا (ICRoM 2025). معماری سلسله‌مراتبی را طراحی کردم و بخش برنامه‌ریزی مسیر مبتنی بر یادگیری تقویتی را پیاده‌سازی کردم. خلاصه پژوهش (انگلیسی) در انتقال یک بازوی رباتیک ۵ درجه آزادی از یک ابزار اختصاصی به ROS2، RViz و MoveIt، همراه با پل سخت‌افزار در حلقه، مشارکت کردم. مهندس آزاد رباتیک و کنترل پروژه‌های کوتاه از طریق کارلنسر و پارس‌کدرز · ۲۰۲۴ تا ۲۰۲۵\nانجام پروژه‌های طراحی سیستم کنترل، مدل‌سازی با شبکه عصبی و طراحی CAD. مهندس رباتیک و دستیار پژوهشی مرکز تحقیقات پیشرفته توانبخشی و رباتیک دانشگاه فردوسی مشهد (FUM CARE) · فوریه ۲۰۲۲ تا اوت ۲۰۲۴\nتوسعه نرم‌افزار ماژولار ROS2 به زبان‌های C++ و Python برای حسگرها، کنترل موتور، کالیبراسیون و گشتاور کمکی بلادرنگ اگزوسکلتون. مدیر پروژه و نویسنده اول کنترل‌کننده اگزوسکلتون زانوی FUM-NEXA. مطالعه موردی (انگلیسی) پیاده‌سازی تشخیص بلادرنگ فاز راه‌رفتن برای اگزوسکلتون لگن FUM-HEXA؛ تیم پروژه برنده جایزه اول ایرج یزدان‌بخش شد. بازاریابی دیجیتال، پیش از مهندسی چند شرکت · ۲۰۱۸ تا ۲۰۲۲\nنقش‌های سئو، ایمیل مارکتینگ و کمپین. اولین بار آنجا با جذب کاربر، قیف فروش و سفر کاربر آشنا شدم. انتشارات عنوان مقالات به زبان اصلی (انگلیسی) آمده است.\nپیش‌انتشار، بدون داوری همتا 2026\nA Fuzzy Strength Index for Adaptive Assist-as-Needed Control of a Knee Exoskeleton Robot to Enhance Sit-to-Stand Transition\nSSRN · نویسنده اول\nDOI 10.2139/ssrn.6335794↗ مطالعه موردی مرتبط (انگلیسی) مقاله کنفرانسی؛ رکورد عمومی مجموعه مقالات هنوز در دسترس نیست 2025\nHierarchical Deep Reinforcement Learning for Quadruped Navigation over Complex Terrains\n13th RSI International Conference on Robotics and Mechatronics (ICRoM 2025) · نویسنده دوم\nمعرفی مقاله و دانلود PDF مطالعه موردی مرتبط (انگلیسی) مقاله کنفرانسی داوری‌شده 2022\nNeural Network Extraction of the Crutch–Leg Synergy to Estimate the Intended Motion for Paraplegic Users of Rehabilitation Exoskeletons\n10th RSI International Conference on Robotics and Mechatronics (ICRoM 2022), IEEE · هم‌نویسنده\nIEEE Xplore↗ در حال انجام\nRisk-aware path planning and control for a quadruped robot under interaction uncertainty\nIran University of Science and Technology · پایان‌نامه کارشناسی ارشد\nتحصیلات کارشناسی ارشد مهندسی مکاترونیک (در حال تحصیل)\nدانشگاه علم و صنعت ایران · ۲۰۲۴ تاکنون\nپایان‌نامه‌ام، که هنوز در حال انجام است، درباره برنامه‌ریزی مسیر و کنترل آگاه از ریسک برای ربات چهارپا تحت عدم قطعیت تعامل با محیط است. مدال برنز جایزه پرورش استعداد ۲۰۲۵، دانشکده مهندسی مکانیک.\nکارشناسی مهندسی مکانیک\nدانشگاه فردوسی مشهد · ۲۰۱۸ تا ۲۰۲۴\nپروژه پایانی‌ام کنترل فازی بلادرنگ اگزوسکلتون زانو بود. دانشجوی فناور برتر سال ۲۰۲۳، گروه مهندسی مکانیک.\nآموزش مدیریت محصول\nDigital Product Management: Modern Fundamentals، دانشگاه ویرجینیا (۲۰۲۶) · دیپلم مدیریت محصول، Alison (۲۰۲۴) · Foundations of Project Management، گوگل (۲۰۲۴)\nمهارت‌ها محصول: کشف مشتری، پژوهش بازار و رقبا، نگارش MRD/PRD، نقشه راه و اولویت‌بندی، داستان کاربر و معیار پذیرش، اعتبارسنجی انتشار، Agile/Scrum.\nهوش مصنوعی: سامانه‌های LLM و چندعاملی، برنامه‌ریزی محدودشده، یادگیری تقویتی عمیق و توزیعی، بینایی ماشین.\nرباتیک و کنترل: ROS2، Python، C++، Isaac Gym/Sim، Gazebo، MoveIt، MATLAB/Simulink، کنترل PID، فازی، مد لغزشی و MPC/MPPI، شبیه‌سازی تا واقعیت و سخت‌افزار در حلقه.\nابزارها: Jira، Notion، Git، Docker، Linux.\nزبان‌ها: فارسی (زبان مادری)، انگلیسی (حرفه‌ای).\nدانلود رزومه (PDF انگلیسی، یک صفحه)\n","permalink":"https://mahdisf.ir/fa/about/","summary":"\u003cp\u003eمن مدیر محصول فنی برای محصولات هوش مصنوعی و نرم‌افزارهای مهندسی هستم. می‌فهمم مهندس‌ها در عمل چطور کار می‌کنند و تصمیم می‌گیرم یک محصول هوش مصنوعی چه کاری باید برایشان بکند. بعد به یک تیم چندتخصصی کمک می‌کنم آن را بسازد و نشان دهد که کار می‌کند.\u003c/p\u003e\n\u003cp\u003eاز مهندسی به مدیریت محصول رسیدم. چند سال سامانه‌های رباتیک و کنترل ساختم: نرم‌افزار ROS2 برای اگزوسکلتون‌های توانبخشی، پژوهش یادگیری تقویتی برای ربات‌های پادار و کنترل‌کننده‌های تعبیه‌شده. در بیشتر این پروژه‌ها نوشتن نیازمندی‌ها، هماهنگی تیم و مستند کردن نتایج هم به من می‌رسید. از مارس ۲۰۲۶ این کار نقش تمام‌وقت من است.\u003c/p\u003e","title":"درباره"},{"content":"موضوعاتی که قصد دارم درباره آن‌ها بنویسم شامل معماری نرم‌افزار ROS2، یادگیری تقویتی برای کنترل، جریان‌های شبیه‌سازی با Isaac Gym و Gazebo، خطوط داده چندرسانه‌ای ربات و جزئیات عملی اتصال LLM و VLM به سیستم‌های رباتیکی است.\nهدف من این است که مطالب کاربردی بماند: یادداشت‌های پیاده‌سازی، تصمیمات طراحی، آزمایش‌ها، درس‌هایی از یکپارچه‌سازی سخت‌افزار و خلاصه‌های پژوهشی که به مهندس دیگری کمک کند کار را بازتولید یا بهبود دهد.\n","permalink":"https://mahdisf.ir/fa/posts/starting-this-blog/","summary":"\u003cp\u003eموضوعاتی که قصد دارم درباره آن‌ها بنویسم شامل معماری نرم‌افزار ROS2، یادگیری تقویتی برای کنترل، جریان‌های شبیه‌سازی با Isaac Gym و Gazebo، خطوط داده چندرسانه‌ای ربات و جزئیات عملی اتصال LLM و VLM به سیستم‌های رباتیکی است.\u003c/p\u003e\n\u003cp\u003eهدف من این است که مطالب کاربردی بماند: یادداشت‌های پیاده‌سازی، تصمیمات طراحی، آزمایش‌ها، درس‌هایی از یکپارچه‌سازی سخت‌افزار و خلاصه‌های پژوهشی که به مهندس دیگری کمک کند کار را بازتولید یا بهبود دهد.\u003c/p\u003e","title":"شروع این بلاگ"}]