콘텐츠로 이동

실습 예제

작업 공간에는 examples/ 폴더가 있습니다 — 센서 하나 읽는 것부터 딥러닝 레이서 훈련까지 이어지는, 바로 실행되는 노트북 7종입니다. 각 노트북은 스스로를 설명하며 진행됩니다: 셀을 읽고, 실행하고, 로봇이 반응하는 것을 지켜보세요. 보조 파일(웹 페이지, 모델, 설정)은 examples/assets/에 있습니다.

노트북 실행 방법

  1. 시뮬레이터를 실행하고 작업 공간을 여세요 (실물 키트의 작업 공간에도 같은 examples/ 폴더가 시드되어 있습니다).
  2. 파일 탐색기에서 노트북을 여세요 — 예: examples/line-tracing.ipynb.
  3. VS Code가 커널을 물으면 Python 3 (PhysiCar AI) 를 선택하세요 — ROS 2와 예제가 쓰는 모든 라이브러리가 미리 준비되어 있습니다.
  4. 셀을 위에서 아래로 실행하세요. 주행 루프는 ⏹ (인터럽트) 를 누를 때까지 돌고, 그때 노트북이 차를 대신 멈춰 줍니다.

실시간 화면은 app.physicar의 MYAPP 탭에 열립니다 (5000 포트, 한 번에 하나). 노트북을 망가뜨렸다면 PHYSICAR AI 패널 설정의 Reset Examples로 원본을 복원할 수 있습니다.

노트북 소개

두 개는 레퍼런스입니다 — 다른 모든 예제의 토대가 되는 인터페이스를 셀 단위로 실행해 보는 투어:

  • PhysiCar ROS 2 — 로봇: 모든 ROS 2 토픽과 Web API 엔드포인트 — 센서, 제어, 오디오.
  • PhysiCar SIM — 시뮬레이터: 텔레포트, 월드, 신호등, 리셋, 평가(Evaluation). (시뮬레이터 전용)

다섯 개는 프로젝트입니다 — 각각 하나의 완결된 로봇 행동을 만듭니다:

  • Line Tracing — 색 필터와 P-제어로 노란 라인을 따라 달리기. 학습 없음 — 첫 자율주행으로 최적.
  • Object Detection — YOLOv8로 물체를 인식해 쫓아가기.
  • Navigation — 라이다로 트랙 지도를 만들고(SLAM), 목적지를 클릭하면 알아서 찾아가기(Nav2).
  • Racing Deep Learning — 하나의 CNN, 두 명의 선생님: 내 주행에서 배우는 지도학습과 보상에서 배우는 강화학습.
  • Agent — LLM 도구 호출로 로봇을 움직이는 채팅·음성 에이전트.

권장 학습 순서

  1. PhysiCar ROS 2 — 모든 프로젝트가 감싸 쓰는 로봇 인터페이스
  2. PhysiCar SIM — 시뮬레이터에서 실습한다면 초반에 훑어볼 것
  3. Line Tracing — 인식 → 판단 → 제어 루프의 가장 단순한 형태
  4. Object Detection — 같은 루프에서 '보는 일'만 신경망으로 교체
  5. Navigation — 표준 ROS 2 스택: SLAM, 그다음 Nav2
  6. Agent — 로봇의 API를 LLM이 부를 수 있는 도구로 감싸기
  7. Racing Deep Learning — 가장 깊은 예제: 드라이버를 두 방식으로 직접 훈련

대부분의 노트북은 로봇의 로컬 인터페이스만 사용하므로 실물 키트에서도 그대로 돌아갑니다. PhysiCar SIM과 Racing Deep Learning의 강화학습 파트는 시뮬레이터가 필요합니다.

더 알아보기

시뮬레이터 시작 → 가상 로봇으로 시작하기. 로봇 엔드포인트 → Web API. ROS 2 토픽 → ROS2 인터페이스 레퍼런스.

AI