Fiziksel AI Mühendisliği — Sıfırdan

EXP_000 · 44 DERS · 10 BÖLÜM · 2026AÇIK KAYNAK · MIT + CC BY 4.0

FİZİKSEL AISIFIRDAN

Bir physics engine'den, istediğini alıp getiren bir robota 44 ders. Her dersin koşturulabilir bir deneyi var; her sayı gerçek bir koşudan.

Simulation, kinematics, control, perception, planning, imitation learning, RL, sim-to-real ve robot foundation model'leri. Dizüstünde çalışır.

Kursa başlaOkuma yollarıKod GitHub'da

TERMİNALDE ÖĞRENKOPYALA

npx skills add fport/physical-ai-from-scratch
> Çalışma planı için start-learning kullan.

CLAUDE CODE · CODEX · CURSOR · + ANY SKILL.MD AGENT

Kod agent'ın öğretmenin olur: kısa bir yerleştirme quiz'i, bir plan, sonra deneyler senin makinende koşturularak her seferinde bir ders.

FIG_001 · INVERSE KINEMATICStarayıcı çizimi, MuJoCo değil

İki eklemli bir kol her frame IK çözerek küpe uzanır, tutar ve bırakır. Ders 08–10, 16.

ÖNCEKİSONRAKİ

FIG_PD · ETKİLEŞİMLİ SİMÜLASYON

Bir joint controller’ın içi

Bir motor, kolu yerçekimine karşı iki sayıyla tutar: stiffness Kp ve damping Kd. Onları kısarsan kol sarkar; damping’i kaldırırsan çınlar; gravity feedforward’u açarsan sarkma kaybolur.

DERSTE BOZ →

Tarayıcıda oyuncak model, MuJoCo değil. Ölçülmüş sonuçlar derste.

Kp (stiffness)

Kd (damping)

gravity feedforwardYeni hedef

sarkma overshoot damping ratio

FIG_DT · ETKİLEŞİMLİ SİMÜLASYON

Bir simülasyon adımının içi

Bir physics engine zamanı adım adım ileri atlatır ve collision’a yalnız bu anlarda bakar. Adımı büyüt; düşen küp ince bir masanın öbür tarafına geçebilir.

DERSTE BOZ →

Tarayıcıda oyuncak model, MuJoCo değil. Ölçülmüş sonuçlar derste.

timestep (ms)

Yeniden bırak

adım başına sıçrama

FIG_FLT · ETKİLEŞİMLİ SİMÜLASYON

Bir sensor filtresinin içi

Son n okumanın ortalaması noisy bir sensor’ü sakinleştirir ama eklemin şu an nerede değil, biraz önce nerede olduğunu söyler. Noise ile gecikmenin aynı bedeli ödediği pencereyi bul.

DERSTE BOZ →

Tarayıcıda oyuncak model, MuJoCo değil. Ölçülmüş sonuçlar derste.

pencere n (örnek)

hareket hızı

kalan noise gecikme toplam RMS hata

Fiziksel dünyada iş yapan robotların arkasındaki mühendislik için eksiksiz, açık bir müfredat: simulation, spatial math, kinematics, dynamics ve control, perception, planning, imitation learning, reinforcement learning, sim-to-real ve robot foundation model’leri. Her dersin koşturulabilir bir deneyi var ve her sayı bir koşudan ya da bağlantısı verilen birincil bir kaynaktan geliyor.

Kimler için

Python yazabilen ve robot yazılımını uçtan uca kurmak isteyen mühendisler ve öğrenciler. Genel matematik, machine learning, deep learning ve reinforcement learning temelleri burada yeniden anlatılmaz: her ders Önce öğren satırında ücretsiz AI Engineering from Scratch kursunun ilgili dersine bağlanır; bu kitap onun üstüne robotiğe özgü kısmı öğretir.

Nasıl kurulu

• 10 bölümde 44 ders ve bir bitirme projesi, sıkı bir önkoşul sırasıyla. Her ders 30–90 dakika.
• Tek şablon: problem → ana fikir → deney → boz → gerçek robotta → kendini dene → akılda kalanlar ve kaynaklar.
• Dizüstünde çalışır. Deneylerin neredeyse hepsi MuJoCo ile Mac’te ya da Colab CPU’da koşar; GPU ya da gerçek kol isteyen birkaç ders bunu künyesinde söyler (çalışma türü CPU / GPU / ART / HW).
• Tekrar eden robotlar: SO-101 kolu, Franka Panda ve Unitree Go2; MuJoCo Menagerie modelleriyle.

Harita

Bölüm 1 · SimulationBir physics engine'in dünyayı nasıl tarif edip adım adım ilerlettiği ve sonucun güvenilir olup olmadığını hangi sayıların belirlediği. · Ders 01–05

Bölüm 2 · Spatial mathOrientation ve pose'u belirsizlik olmadan temsil etmek ve noktaları frame'ler arasında taşımak. · Ders 06–07

Bölüm 3 · KinematicsEklem açılarından gripper pose'una ve geri; hızlar ve matematiğin bozulduğu yerler. · Ders 08–10

Bölüm 4 · Dynamics ve controlCisimlerin neden öyle hareket ettiği ve controller'ların bir hedefi güvenli şekilde torka nasıl çevirdiği. · Ders 11–16

Bölüm 5 · Perception ve estimationNoisy sensor'leri ve kamera pixel'lerini controller'ın güvenebileceği bir state'e çevirmek. · Ders 17–21

Bölüm 6 · Planning ve optimal controlÇarpışmasız hareket bulmak ve control'ü elle ayar yerine optimization ile hesaplamak. · Ders 22–24

Bölüm 7 · Learning from demonstrationBir policy'yi göstererek öğretmek ve gerçekten öğrenip öğrenmediğini dürüstçe ölçmek. · Ders 25–31

Bölüm 8 · Robotlar için reinforcement learningSimülasyonda reward'dan davranış öğrenmek ve bunu robotlarda çalıştıran tasarım kararları. · Ders 32–36

Bölüm 9 · Sim-to-realSimülasyon ile donanım arasındaki farkı ölçmek ve kapatmak. · Ders 37–40

Bölüm 10 · Foundation model'ler ve agent'larBüyük pretrained policy'ler, robot becerilerini çağıran LLM agent'ları ve öğrenilmiş world model'ler. · Ders 41–43

Bitirme projesiBütün stack'i tek bir görevde birleştirmek. · Ders 44

Kod agent’ınla öğren

npx skills add fport/physical-ai-from-scratch

Bu komut skills/ altındaki dört skill’i kod agent’ına kurar (Claude Code, Codex, Cursor ya da SKILL.md okuyan herhangi bir agent): start-learning (kısa bir yerleştirme quiz’i ve PHYSICAL-AI-LEARNING.md içinde bir çalışma planı), learn (her seferinde bir ders: sezgi, diyagram, kod, bir tahmin, deneyin senin makinende koşması, alıştırmalar), check-understanding (bir bölüm ya da ders üzerine quiz) ve course-guide (bir konu nerede anlatılıyor, önce ne okunmalı). Claude Code’da /start-learning ile başla.

Deneyleri koştur

git clone https://github.com/fport/physical-ai-from-scratch.git
cd physical-ai-from-scratch
uv sync                                   # Python 3.14 + kilitli bağımlılıklar
uv run python experiments/02-timestep/experiment.py
uv run python experiments/09-jacobians/build.py   # bir dersin Sıfırdan yaz adımları, MuJoCo ile kontrollü
uv run pytest                             # derslerde yazdığın physai/ kütüphanesinin testleri

Kitabı yerelde web sitesi olarak okumak için: cd site && npm install && npm run dev (site/README.md).

Dürüstlük

Kitaptaki her sayı ya experiments/ altındaki bir deneyden (tam çıktısı yanında kayıtlı) ya da bağlantısı verilen birincil bir kaynaktan gelir. Koşturulmamış hiçbir şey sonuç gibi sunulmaz; gerçek kolda henüz koşturulmamış donanım adımları öyle etiketlenir. Kurallar: Sayı ve kaynak kuralları.

Videolar

Türkçe kısa video serisi Koddan Kasa bu kitabın derslerini özetler; bkz. Videolar ve dersler.

Teşekkür

Ders formatı ve “framework’ten önce ham hâli” ilkesi, Rohit Ghumare ve katkıcılarının AI Engineering from Scratch (MIT) müfredatından esinlendi; bu kitap onu önkoşul kursu olarak da kullanıyor. Metin ya da kod kopyalanmadı.

Lisans

Kod (experiments/, notebooks/, tools/, site/) MIT (LICENSE); ders metinleri CC BY 4.0 (LICENSE-CONTENT). Robot modelleri kendi lisanslarıyla MuJoCo Menagerie’den indirilir.