KroNton Robotics

C++ node ولا Python node؟

في ROS 2 مش لازم تختار واحد للأبد — كل واحد ليه مكانه. في Fundamentals بنغطي الاتنين.

هتميل لإيه أنت؟ اكتب في الكومنتس 💬

أهم 3 commands في ROS 2 هتستخدمهم كل يوم 👇
ros2 node list: تشوف كل الـ nodes اللي شغالة دلوقتي
ros2 topic list: تشوف كل الـ topics الموجودة
ros2 topic echo: تتفرج على الـ messages اللي رايحة على topic معين
احفظ البوست ده، هتحتاجه أول ما تبدأ debugging 😉

LIDAR بيقيس المسافة بدقة.
الـ camera بتفهم الـ scene والألوان.

في الـ navigation الحقيقية… غالبًا مش بنختار sensor واحد ونسيب التاني.

لو هتبني mobile robot، هتميل لأي sensor أول؟ اكتب في الكومنتس 💬

صفر خبرة روبوتات؟ ابدأ هنا.

ROS 2 Basics مجاني — Topics و Services و Parameters، من turtlesim لحد TurtleBot3.

Zero robotics experience? Start free.

ليه بنبدأ بالمحاكاة؟

في Gazebo تختبر الـ algorithms بأمان، في RViz تشوف اللي بيحصل، وبعدين تنقلها لـ hardware حقيقي.

Safer. Cheaper. Same industry tools.

إيه اللي موقفك عن بناء أول روبوت؟ 👀

hardware ⚙️
math 📐
programming 💻
haven't tried yet 👀

علّق بالرقم أو بالكلمة — وحابين نسمع قصتك.

الsimulation خطوة مهمة… بس مش نهاية الطريق.

في الأكاديمية بنبدأ بـ Gazebo بأمان، وبعدين ننتقل لـ hardware حقيقي — sensors، motors، و mobile robot تشتغل قدامك.

Simulation first. Real robots next.

لسه متلخبط بين Topics و Services؟ السلايدز دي هتفكك اللغز 🧵

مستني ايه؟ كورس ROS2 Basics موجود مجاني من خلال موقعنا
https://buff.ly/tbnnzx8

أي AMR بيعتمد على سنسور واحد للـ State Estimation غالباً هيعاني من الـ Drift في وقت قصير.

لو شغال بـ Wheel Encoders بس واعتمدت على الـ Dead Reckoning، أول ما يحصل Wheel Slip أو الروبوت يمشي على سطح مش مستوي، الـ Feedback بتاع الـ Odometry هيجمع Error متراكم، والروبوت هيفقد موقعه الحقيقي. وفي المقابل، لو استخدمت الـ IMU لوحدها، الـ Integration لقراءات الـ Acceleration والـ Angular Velocity هينتج عنه Noise عالية جداً وهيبوظ الـ Position estimation في ثواني.

عشان نهندل الـ Feedback ده صح، بنلجأ للـ Sensor Fusion باستخدام الـ Extended Kalman Filter (EKF). في بيئة ROS/ROS2 (تحديداً من خلال باكدج robot_localization)، العملية دى عشان تدمج مميزات كل سنسور بتتم كالتالى :

Prediction: الـ EKF بيتوقع الـ State الحالية للروبوت (Position & Velocity) بناءً على الـ Kinematic Model.

Measurement Update: الفلتر بيستقبل الـ Feedback الفعلي؛ الـ Encoders بتدينا تقدير للـ Motion والسرعات، والـ IMU بتوفر داتا دقيقة عن الـ Orientation والـ Acceleration.

Weighting by Uncertainty: الـ EKF بيحسب الـ Kalman Gain بناءً على الـ Covariance matrix (نسبة الشك) لكل سنسور. السنسور اللي الـ Noise بتاعته أقل في اللحظة دي، بياخد Weight أعلى في الحسابات.

Fused Odometry: النتيجة النهائية بتكون State متصححة ومستقرة.

الـ Fused Feedback ده هو الأساس اللي بيخلي الـ Navigation Stacks (زي Nav2) وخوارزميات الـ SLAM قادرة تقرأ الـ Odometry الحقيقي بكفاءة عالية.

أكبر Challenge في الـ Setup ده وقت الـ Sim-to-Real deployment بيكون الـ Tuning للـ Covariance matrix.. شاركونا بتظبطوها إزاي على الروبوتات الحقيقية في مشاريعكم؟ 👇

Theory only goes so far. Somewhere, it has to meet the real world.

This year, KroNton joins Victoris 5 as a sponsor.

KroNton Robotics Academy exists in that meeting point, an online platform built for the next generation of automation engineers, specializing in ROS 2 and hands-on robotics, from autonomous navigation to simulation, in C++ and Python.

Synonyms of one.