ROM Robotics
Share
ROM က သင်တန်းတွေက နည်းပညာမြင့်သလို စျေးလဲကြီးတယ်။
သိပ်ပြီးစိတ်မပူပါနဲ့
ဒီအပိုင်းအားလုံးကိုလေ့လာနိုင်မယ့် course တစ်ခု
ကျွန်ဝောာ်တို့ rom robotics page - ROM Dynamic Co., Ltd မှ
curriculum အသစ်ရေးဆွဲထားပါတယ်။
ဒီနှစ်ထဲမှာ ဖွင့်တဲ့ နောက်ဆုံးအတန်းပဲဖြစ်ပါတယ်။
ခုတော့ ROM ရဲ့ production team က သိန်း ( ၄၀) ကျော်ကျသင့်မည့် ကျတော်တို့ ရဲ့ Robotics Engineering Diploma course ကို 95% scholar ပေးပြီး ဖွင့်လှစ်လိုက်ပါတယ်။
Team အနေနဲ့ လက်ရှိ Autonomous Mobile Robot ထုတ်လုပ်ရေးမှာ တာဝန်ယူထားနေရပြီး ထုတ်လုပ်ရေးအတွက် လူသားအရင်းအမြစ် လိုအပ်တာရယ်၊ မြန်မာလူငယ်များ Hardware / Software နည်းပညာများကို အကျိုးရှိရှိ သင်ယူလေ့လာလို့ရအောင် စီမံလိုက်ရခြင်းဖြစ် ပါတယ်။
ထုတ်လုပ်ရေးအတွက် 2026 မှာ သင်တန်းအားလုံးကို ရပ်တန့်ထားမှာဖြစ်ပြီး အခု scholar ပေးထားတဲ့ အတန်းကတော့ 2027 Jaunary မှာ စတင်မှာဖြစ်ပါတယ်။
Diploma course တစ်ခုလုံး ကို သင်တန်းကြေး အပြီး အစီး 200,000 သာကျမှာ ဖြစ်ပြီး google form တင်ထားရမှာဖြစ်ပါတယ်။ တက်ရောက်ခွင့် ရသူများသည် January ၂၀၂၇ ပထမ အပါတ်မှစပြီး module များကို စတင်လေ့လာသင်ကြားရမှာဖြစ်ပါတယ်။
ROM ရဲ့ ထုံးစံအတိုင်း module တစ်ခုကို အောင်မြင်မှသာ နောက်ထပ် module များကို တက်ရောက်ရမှာဖြစ်ပါတယ်။
ဒီ curriculum က လက်ရှိ
- IT and Engineering လုပ်ငန်းခွင်အတွေ့အကြုံရှိပြီးသားသူတွေရော
- ကျောင်းတက်နေဆဲ တက်သစ်က ကွန်ပျူတာ၊ အင်ဂျင်နီယာ ဘယ်မေဂျာမဆို လွယ်လွယ်ကူကူလေ့လာနိုင်မှာဖြစ်ပြီးတော့
" Mobile Robot ပဲမဟုတ်ဘူး "
ပုံမှာပြထားတဲ့ Robot ဘယ်အမျိုးအစားမဆို လက်တွေ Hardware ဖန်တီးနိုင်တဲ့အထိ skill sets တွေ ရရှိသွားမှာပါ။
ကဲဒါဆိုရင်
ဘာတွေလေ့လာရမလဲ တစ်ချက် discuss လုပ်ပေးမယ်။
ငယ်ငယ်က သင်ခဲ့ရတဲ့ algebra, calculus တွေအပါအဝင် robot control algorithm တွေမှာ အသုံးချတဲ့ထိ mathematics ၊ physics တွေကို ဘယ်လို applied လုပ်ထားသလဲဆိုတာလေ့လာရမယ်၊ ဒီ algorithm တွေကနေတစ်ဆင့် autonomous control system တစ်ခု ဖြစ်ပေါ်လာပုံကို လက်တွေ့ကျကျနားလည်မယ်၊ ဆရာက physical AI ပါတွဲပြီး ပြောပြသွားပေးမှာ၊ physical AI ဆိုတာကတော့ အခု humanoid, dog, drone စတဲ့ robot တွေမှာ Reinforcement Learning AI Model ကို Robotics တွေမှာ ဘယ်လိုအသုံးပြုသလဲဆိုတာကိုပါ simulation လုပ်ပြသွားဦးမှာ။
module တစ်ခု ပြီးတိုင်း online live- google meet (or) zoom meet သုံးပြီး Engineer Team နဲ့ ဆွေးနွေး exam ဖြေပြီး အဆင့်တက်ရမှာဖြစ်ပါတယ်။
C, C++ Programming ကိုတော့ လိုက်ရေးရမှာနော်။ မကြောက်နဲ့ programming က tools တစ်ခုပဲ ဘဝကြီးမဟုတ်ဘူး၊ Development လုပ်တဲ့အခါ Ubuntu Linux ကိုသုံးရမှာ။
ကျွန်တော်တို့ အိမ်မှာသုံးနေတဲ့ wifi router ကစလို့၊ Data Center, CCTV Camera, Cloud, iOT အခု လေ့လာမယ့် robotics production စနစ်တွေအားလုံး Linux ပဲ Linux ဝင်ရင်အကုန်ဝင်တာနဲ့အတူတူပဲ။ Simulation World ကို Linux ပေါ်တင်မှာ ။ ကမ္ဘာမြေကြီးနဲ့ ဆွဲအားတူလေတိုက်နူန်းတူ၊ environment အားလုံးတူတဲ့ Gazebo ကိုသုံးပြီး ကျွန်တော်တို့ အပြင်မှာ အမှန်တကယ် တည်ဆောက်ချင်တဲ့ robot ကိုအာ့ထဲထည့်မယ်။
ကြိမ်ဖန်များစွာ Control Algorithm တွေကို tuning လုပ်ပြီး parameters/variable တွေကို ချိန်ညှိကြရမယ်။ အောင်မြင်ပြီဆိုရင် Actual Hardware Robot ကို အပြင်မှာ သီးသန့် custom linux kernel ကို compile လုပ် ထုတ်လုပ်ပြီးအသက်သွင်းကြရတာ။
၂၀၂၁ တုန်းက အင်္ဂါဂြိုဟ် (Mars) ပေါ်ကို တင်ပို့ခဲ့တဲ့ Ingenuity ရဟတ်ယာဉ် ၊ ဟယ်လီကော်ပတာပေါ့ဗျာ အာ့ကောင် တကယ် Mars ပေါ်မတင်ခင်မြန်မာ-အမေရိကန် Aerospace အင်ဂျင်နီယာ ဒေါ်မီမီအောင် ဦးဆောင်ပြီး simulation ကမ္ဘာထဲမှာ ကြိမ်ဖန်များစွာစမ်းသပ်ခဲ့ကြရတာဗျာ။
Course Outline ပါ။
Module 1 - Linux
Module 2 - Advanced C++
Module 3 - ROS 2 Basic & Intermediate
Module 4 - Build Autonomous Mobile Robot (AMR)
Module 5 - Embedded Programming
Module 6 - ROS 2 SLAM
Module 7 - SLAM Tuning Guide and Cartographer
Module 8 - Navigation 2 Algorithm
Module 9 - Using Industrial Mobile Robot
Module 10 - micro ROS
https://deepblue.romdynamics.com/diploma/001-robotics-engineering.html
ကိုယ်က နယ်ကနေ join ပြီးလေ့လာနေရတယ်ဆိုရင် simulation သာ နိုင်အောင်စမ်းထား ။
ရန်ကုန်ရောက်ရင် student member ကဒ်ယူလာပြီး ကျွန်တော်တို့စီမှာ hardware robot တွေမျိုးစုံလာစမ်းလို့ရမယ်။
Form ဖြည့် သင်တန်းလျောက် လွှာတင်နိုင်တဲ့ ကာလကတော့ NewYear မတိုင်မီ 2026 December ထိဆိုပေမယ့် စောစောထတဲ့ငှက် အစာစောစောက ပိုသေချာတာပေါ့။
တက်မယ်။ သင်တန်းကြေးပေးချေမယ်ဆိုရင် Telegram (or) Viber မှာလည်းလာမေးလို့ရတယ်။
Telegram Link : https://t.me/romrobotics_tele
Viber No : 09 2500 7400 8
စာရင်းသွင်းထားချင်တယ်ဆိုရင်တော့ Google Form Link ကနေလည်း ပေးသွင်းထားနိုင်ပါတယ်။
Google Form Link : https://forms.gle/CyugWojiL2vDg96j7
ROM Robotics Training & Education ( Robotics, AI, Embedded ), Research & Deployment Company
မြန်မာလူငယ်တွေ တီထွင်တဲ့ မောင်းသူမဲ့စက်ရုပ် - BBC News မြန်မာ
DQN => သူက Neural Fitted Q Iteration ကို မှ Target Network ထည့်ပြီး Q function ကို ခန့်မှန်းတွက်ထုတ်တယ်။ အဲ့ကောင်ကို target အနေနဲ့ train တာပေါ့။ Non-stationary ပြသနာကြောင့် weight freeze လုပ်ပြီး fit ရတယ်။ ပြီးတော့ Replay Buffer သုံးကာ uniform sampling လုပ်ပြီး batch အလိုက် Neural Net ထဲထည့်ကာ Q function ကို train တာဖြစ်ပါတယ်။ အခြားပြောစရာတော့ အများကြီးရှိသေးတာပေါ့။
DDQN => သူကတော့ DQN ကို ပဲ Q Learning ထပ်ထည့်တာ။ သဘောက MDP တုန်းက Q Table ကို နှစ်ပိုင်းခွဲပြီး random generate လုပ်ကာ Q တန်ဖိုး index ထုတ်ဖို့ Q table 1, တန်ဖိုး ထုတ်ဖို့ Q table 2 သုံးတာမျိုးပါ။ အခုကျ Online network မှာ index တန်ဖိုး ယူပြီး target network မှာ တန်ဖိုး ထုတ်ယူတယ်ပေါ့။ ဒါပဲကွာတာ။ ကျန်တဲ့ explore startegies ဘာညာတော့ အများကြီး ရှိအုံးမှာပေါ့။
Dueling DDQN => သူကတော့ Neural Net မှာ Q(s,a, theta ) တွက်ရမှာ estimator နှစ်ခု ထည့်သုံးတယ်။ V(S ), A(s,a) ပေါ့။ ဒါက အရင် က သိခဲ့တဲ့ အတိုင်း A(s,a) = Q(s,a) - V(s) ပါပဲ။ Neural Network arch နဲနဲ ပြောင်းယုံပါပဲ။ သူ့မှာလည်း အခြား ပြော
စရာ အများကြီး ကျန်ပါသေးတယ်။
PER applied Dueling DDQN => သူကတော့ Network ထက်စာရင် replay buffer ကို အာရုံပိုစိုက်ထားတယ်။ replay buffer ထဲက uniform random batch တွေ မထုတ်တော့ဘဲ local TD Error တွေကို priorities အနေနဲ့ buffer ထဲထည့် ပြီး ထူးခြားတဲ့ အမှတ်တရ အတွေ့အကြုံတွေကို ခဏခဏ စမ်းသပ်စေတာပေါ့။ ဒါပေမဲ့လည်း အဲ့လိုလုပ်မည့် အစား probabilities တွက် ပြီး ထည့်ရင် ပိုအဆင်ပြေတယ်။ အဲ့ဒါမှ အဆင်မပြေရင် experiences တွေရဲ့ probability of priorities ကို Rank စီပြီး သုံးတယ်။ အဲ့ဒါလည်း bias ရှိသေးရင် weighted တန်ဖိုး ထည့်ပြီး မှ experience ထုတ်ယူတယ်။
ဒါတွေအားလုံးရဲ့ လောလောဆယ် ပြသနာကတော့ hyper parameters တွေကို တော်တော် sensitive ဖြစ်နေတာပါပဲ။
DQN => It adds a Target Network to Neural Fitted Q Iteration to estimate the Q function. It trains that thing as a target. Because of the non-stationary problem, the weights are frozen and fitted. And then, it uses a Replay Buffer to do uniform sampling, inputs it into the Neural Net batch by batch, and trains the Q function. There are still many other things to say, of course.
DDQN => It just adds Q Learning to DQN. The concept is like during MDP, where the Q Table was split into two parts and randomly generated, using Q table 1 to get the Q value index and Q table 2 to get the value. Now, it takes the index value from the Online network and extracts the value from the target network. That is the only difference. There will still be many other things like explore strategies, of course.
Dueling DDQN => It uses two estimators inside the Neural Net to calculate Q(s,a, \theta). Namely, V(S) and A(s,a). This is just like what we knew before, A(s,a) = Q(s,a) - V(s). It is just a slight change in the Neural Network arch. There are still many other things left to say in this one too.
PER applied Dueling DDQN => Rather than the Network, it focuses more on the replay buffer. Instead of extracting uniform random batches from the replay buffer, it puts local TD Errors into the buffer as priorities, making it experiment with unique, memorable experiences over and over again. But instead of doing that, it is better to calculate probabilities and put them in. If that still doesn't work out, it ranks the probability of priorities of the experiences and uses it. If that still has bias, it adds a weighted value before extracting the experience.
The current problem with all of these is that they are quite sensitive to hyper parameters.
16/07/2026
ကျောင်းသားတွေကို ဆယ်စုနှစ်တစ်ခုစာ ခေတ်ရှေ့ပြေးနေမယ့် နည်းပညာတွေနဲ့ အနာဂတ်အင်ဂျင်နီယာစစ်စစ်တွေအဖြစ် ရေရှည်ရပ်တည်ပေးနိုင်ဖို့...
ကျွန်တော်တို့ ROM Robotics ရဲ့ ROM ED-05 (Educational Autonomous Mobile Robot - AMR) Platform က အဆင်သင့် ရှိနေပါတယ်။
Knowledge Sharing & Workshops - ခေတ်မီ Robotics နဲ့ AI ပိုင်းဆိုင်ရာ ဆွေးနွေးပွဲများကို အတူတူ ပူးပေါင်းစီစဉ်ပေးခြင်း။
Research & Capstone Projects - ကျောင်းသားတွေရဲ့ ဘွဲ့ယူ Project တွေအတွက် Hardware, Software နည်းပညာပိုင်း ပံ့ပိုးပေးခြင်း။
သင့်ကျောင်းရဲ့ Lab အတွက် အသင့်တော်ဆုံး ဖြစ်မယ့် Project Proposal နဲ့ ပူးပေါင်းဆောင်ရွက်မှု အစီအစဉ်တွေကို ဆွေးနွေးချင်တယ်ဆိုရင် ကျွန်တော်တို့ ROM Robotics Page Messenger မှာ အခုပဲ စာချန်ထားခဲ့နိုင်သလို အောက်ပါလိပ်စာတွေကနေလည်း ဆက်သွယ်နိုင်ပါတယ်ခင်ဗျာ။
📧 Email: [email protected]
📞 Phone: 09-250074005, 09-250074008
14/07/2026
ဒီနေ့ခေတ် နည်းပညာသင်ကျောင်းတိုင်းမှာ Advanced Hardware Platform တစ်ခု မရှိမဖြစ် ရှိထားသင့်တဲ့ အကြောင်းရင်းက ရှင်းရှင်းလေးပါ။
ကျောင်းသားတွေကို Screen ပေါ်မှာတင် မဟုတ်ဘဲ လက်တွေ့မြေပြင်မှာ ဆယ်စုနှစ်တစ်ခုစာ ခေတ်ရှေးပြေးနေမယ့် မောင်းသူမဲ့စနစ် (Autonomous System) ရဲ့ Reality ကို ကိုယ်တိုင် နားလည်တတ်ကျွမ်းစေချင်လို့ ဖြစ်ပါတယ်။
သီအိုရီထဲက Logic တွေဟာ Real Hardware ပေါ်ရောက်မှသာ ကျောင်းသားတွေအတွက် တကယ့်အသိပညာ ဖြစ်လာမှာပါ။
ထူးချွန်တဲ့ အင်ဂျင်နီယာတွေ မွေးထုတ်ပေးနိုင်ပြီး လက်တွေ့စမ်းသပ်မှုအပြည့်နဲ့ ရပ်တည်နိုင်မယ့် ရှေ့ဆောင်ကျောင်းကြီးတစ်ကျောင်း ဖြစ်လာဖို့ ယခု ၂၀၂၆ ခုနှစ်ရဲ့ အကောင်းဆုံး R&D အဆင့်မြှင့်တင်မှုကို ကျွန်တော်တို့ ROM Robotics ရဲ့ ROM ED-05 နဲ့အတူ စတင်နိုင်ပါပြီ။
သင့်ကျောင်းရဲ့ Lab အတွက် အသင့်တော်ဆုံး ဖြစ်မယ့် Project Proposal နဲ့ ပူးပေါင်းဆောင်ရွက်မှု အစီအစဉ်တွေကို ဆွေးနွေးချင်တယ်ဆိုရင် ကျွန်တော်တို့ ROM Robotics Page Messenger မှာ အခုပဲ စာချန်ထားခဲ့နိုင်သလို အောက်ပါလိပ်စာတွေကနေလည်း ဆက်သွယ်နိုင်ပါတယ်ခင်ဗျာ။
📧 Email: [email protected]
📞 Phone: 09-250074005, 09-250074008
ခွေး Robot ကနေ Humanoid Robot အထိ
Deep-Tech ကို မြန်မာပြည်မှာပဲ
အသက်သွင်းပုံဖော်နေတဲ့ ROM ROBOTICS
ဒါမျိုးတွေက နိုင်ငံခြားမှာပဲ ဖြစ်နိုင်တာပါ
ငါတို့နိုင်ငံမှာတော့ ဘယ်လိုမှ မဖြစ်နိုင်ပါဘူး....
ဒီလို နည်းပညာမြင့် စက်ရုပ်တွေ၊ Deep-Tech အကြောင်း ပြောကြတဲ့အခါ အားလုံးရဲ့ စိတ်ထဲမှာ မဖြစ်နိုင်ဘူးဆိုတဲ့ အတွေးတွေက အရင်ဆုံး ဝင်လာတတ်ကြပါတယ်။
ဒါပေမဲ့ ကျွန်တော်တို့ ROM ကတော့ မဖြစ်နိုင်ဘူးလို့ အများသတ်မှတ်ထားတဲ့အရာတွေကို မြန်မာပြည်မှာပဲ တကယ့်ရလဒ်တွေရအောင် လက်တွေ့အသက်သွင်း ကြိုးစားနိုင်ခဲ့ပါတယ်
Circuit Board သေးသေးလေးတွေကနေ လေးဘက်ထောက် ခွေးစက်ရုပ်တွေ အဲ့ဒီကနေတစ်ဆင့် Humanoid Robot စနစ်တွေအထိ ကျွန်တော်တို့ ကိုယ်တိုင် သုတေသနပြုပြီး ပုံဖော်တည်ဆောက်ခဲ့ကြတာပါ။
ဒီခရီးစဉ်က စာအုပ်ထဲက Perfect ဖြစ်နေတဲ့ Theory တွေနဲ့ လျှောက်လှမ်းခဲ့တာ မဟုတ်ပါဘူး။
မီးလောင်ပျက်စီးသွားတဲ့ Component ပေါင်းများစွာ၊ အလုပ်မလုပ်လို့ လွှင့်ပစ်ခဲ့ရတဲ့ Circuit Board ရာနဲ့ချီတဲ့ "ကျရှုံးမှု အမှိုက်ပုံကြီး" ကို ကျော်ဖြတ်ပြီးမှ ရလာတဲ့ ၉ နှစ်တာ သွေး၊ ချွေး အတွေ့အကြုံတွေပဲ ဖြစ်ပါတယ်။
ခွေး Robot ကနေ Humanoid Robot အထိ Deep-Tech ဆိုတာ စိန်ခေါ်မှုတွေကို ရဲရဲဝံ့ဝံ့ ရင်ဆိုင်ပြီး တကယ့် Results တွေနဲ့ သက်သေပြနေတဲ့ ROM ရဲ့ ၉ နှစ်တာ ခရီးစဉ်ကနေ ထွက်ပေါ်လာတဲ့ အောင်မြင်မှုတစ်ခုပါ။
Click here to claim your Sponsored Listing.
Category
Contact the business
Telephone
Website
Address
No(215/2) Zewasoe Street, (14/2) Ward, Okkalapa (South) Township
Yangon
11091