ADAS被誉为汽车产业与人工智能相结合的未来明珠，相关技术的运用和普及将极大改变人类交通出行的生活方式。国内外众多知名企业纷纷布局该产业并大力投入，面对未来的行业发展趋势和对相关人才的渴求，全球著名高校不约而同加快相关专业建设的步伐。

课程凝练业界对自动驾驶技术多年探索的已有成果，选择适合高等院校学生培养阶段的人工智能理论知识点，通过对汽车控制复杂系统的合理简化，经过较长时间的实践探索，逐步完善相关实验原理，简介如下：

（1）数据采集：通过车载摄像头收集车辆正常行驶的路况图像（作为训练数据），同时通过传感器收集驾驶员对汽车的实时操控（作为训练标签）形成机器学习的数据集；

（2）模型训练：建立CNN等计算机视觉为主导的神经网络模型，通过收集的数据集进行深度学习的训练，通过不断调整和优化网络参数和超参数以达到预期效果，实现人工智能的路况图像输入->汽车实时操控输出的自动驾驶目的。

（3）实践验证：将模型部署在车辆上实时运行，通过半人工监督的方式评估自动驾驶模型的效果。

为扩大实验教学的受众面，基于实验原理，课程对实验核心要素进行了虚拟化仿真的改造，同时为提升实验的教学效果，课程仍保留了远程操控验证等关键性环节。核心要素的虚拟化仿真简介如下：

（1）对真实的汽车路况数据采集过程的虚拟化：①设计制作了可无线遥控的ADAS智能实物小车以替代真实汽车；②设计制作了半封闭式的车道实物仿真环境，并加入红绿灯、路障、行人等实物模型以仿真车辆行驶的真实环境；③在仿真环境中加入“上帝视角”广角摄像头，令不同实验者在远程端可以通过屏幕实时观察小车运行情况，其中指定的实验者可以远程操控小车行驶；④小车上安装的摄像头实时记录路况数据和操控信息并保存在服务器上形成数据集，不同实验者可以远程访问服务器获取该训练数据集。

（2）对业界真实的自动驾驶人工智能模型的仿真：采用较为简单CNN基础神经网络结构替代业界中复杂的自动驾驶深度网络模型，将业界中采用的多目景深摄像头简化为普通USB摄像头，将激光雷达传感器简化为激光避障传感器，大幅减少数据的种类和数据量，为实验项目实现对自动驾驶人工智能模型的正常教学提供可行性保障。建设算力强大的GPU服务器和虚拟桌面工作站，提供给实验者远程访问，不同实验者按排队序列提交数据进行模型的训练和修改完善，全程模拟和仿真业界自动驾驶人工智能训练的真实过程，极大提升了实验教学的仿真程度。

（3）对验证自动驾驶行车功能的远程实验仿真：采用远程部署的方式，实验者可将训练完成的模型通过网络写入ADAS智能小车,在“上帝视角”摄像头的监测下，以半人工的方式在仿真车道环境中监督验证全过程，以此仿真实场景中自动驾驶汽车上路检验的环节。由于采用远程提交方式，实验者可在自己提前预约的时间段内完成相关远程仿真实验，整体实验装置有能力全天候连续运行。

知识点：共18个

（1）人工智能数据收集（包括数据获取、数据清洗、数据分类、标签整定、数据压缩、数据汇集等6个知识点）

（2）人工智能模型设计（包括神经网络基础、复杂网络结构、机器学习原理、深度学习理论等4个知识点）

（3）神经网络模型训练（包括数据训练算力基础、网络参数调整、网络超参数设计、网络结构优化等4个知识点）

（4）人工智能模型部署（包括智能终端算力分析、神经网络模型压缩、智能终端系统调试、智能终端优化等4个知识点）

本课程是复旦大学在新工科建设背景下推出的一门新型实验实践课程，借鉴并采用新工科所提倡的教育教学理念：以学生为中心开展教学实践活动；以学生能力提升为成果导向；以持续改进为课程完善路径。

（1）以学生为中心：每期开课前进行课程预调查以了解学生不同的学习基础，进而结合学生自主意愿推荐成立3人的线上远程学习小组，搭配不同年级、不同专业的学生形成优势互补、水平较为均衡的合作团队；为小组（3-4组）配备课程线上助教或指导教师，帮助学生及时吸收理论知识和指导学生完成实践环节；配备高水平专业教师和行业资深专家组成结构完整、能力互补的高质量教学团队，不但能有效解答学生课程学习中所遇到的专业问题，而且能及时回应学生对产业前沿和市场应用的关注；

（2）以学生能力提升为成果导向：结合课程教学在新工科专业人才培养目标中的定位，根据学生基础确定能力提升的目标并形成相应的计划和指标；课程以培养学生解决复杂性工程问题能力为着力点，特别是面对自动驾驶等人工智能在实际场景中应用的相关问题，安排理论教学和动手实践内容；通过小车自动驾驶演示以及鼓励学生参加双创实践类活动等方式检验学生能力增强程度。

（3）以持续改进为课程完善路径：在课程实施过程中穿插4次线上综合调研反馈，及时掌握课程进度与学生掌握程度，对课程实施环节进行调整；及时对接业界最新的技术研究成果和理论知识发展，调整并补充课程教学内容；充分引入企业行业资源，更新教学仪器设备和教学环境。

实施目的、过程与效果：

基于先进工程教育理念的教学方法的使用能够有效激发学生对学习的兴趣，达到从“要我学”到“我要学”的自主学习态度转变，特别是当教学内容涉及到未来人工智能的专业热点等问题时；相对于较为艰深晦涩的人工智能纯理论学习，课程用“看得见效果”的智能小车操控与理论学习形成虚拟现实仿真的控制，同时也为学生指出了应用场景中所要面对的复杂性工程问题，引发学生的进一步思考和后续的自主学习；

课程的理论教学与动手实践分阶段穿插在教学过程中，例如，数据收集过程中将人工智能的数据清洗知识点与小车在跑道上运动是收集的图像进行印证对比，让学生了解数据为何需要清洗以及对后续训练的意义；又例如，在后期模型验证过程中，学生用训练完成的模型部署在小车上运行，当实验室端运行环境的灯光强弱变化时，小车运行受到影响，此时结合深度学习的相关理论进行讲解，能令学生知道超参数和网络结构的调整对环境适应度的问题应如何解决等。

课程教学方法的灵活运用，使学生在学习过程中目光不仅仅局限在自动驾驶的人工智能应用领域中，很多同学在课程“成果导向”的理念引导下，积极参加双创实践活动，在人工智能等相关比赛活动中取得了较好成绩。例如：2020年中美青年创客大赛，修读的学生团队以“智能捕捞船”项目获得上海市三等奖；2020年第四届全国大学生集成电路双创大赛中，有学生团队以“智能互译”项目获得总决赛一等奖等。

（1）实验方法描述：

1、小车组装远程设计：课程为学生提供智能小车的全部组件（包括可选配件有近30件），由学生根据前期的学习和对各个组件的了解远程选择必要组件和附件组件，形成组装方案后，由实验室教学团队对方案进行点评。

2、小车系统集成设计：课程帮助学生了解掌握小车组件之间的连接方法和协议，请学生在远端对小车进行集成设计，并提交方案。由实验室教学团队对方案进行点评。

3、数据远程采集：课程提供学生在远端对小车进行遥控，通过“上帝视角”摄像头监看全过程，小车将自动记录路况图像和操控信息打包为训练数据集。

4、数据远程获取及清洗：学生通过网络远程访问工作站，将数据提取到自己的电脑端或者使用VDI远程桌面在工作站内清洗数据。

5、建立神经网络模型：学生可以选择在自己的电脑端或者登录访问VDI远程桌面系统建立CNN模型，根据课程理论教学知识设计出网络结构和参数序列。

6、训练神经网络模型：学生通过网络将模型和数据集提交给实验室的GPU服务器进行训练，等待训练结果，如果未达到预期请重新调整模型。

7、优化神经网络模型：学生根据课程理论教学知识点，对模型进行优化和裁剪，以便于部署在小车之中，具体操作可以在VDI远程桌面中进行，也可在自己的电脑中进行。

8、部署神经网络模型：学生通过网络将优化后的模型部署在小车内，并进行启动前预检。

9、自动驾驶实践检测：学生通过网络远程监看“上帝视角”摄像头，启动小车自动驾驶功能，实时了解小车自主运行情况，如果不能正常运行，需要重新回到前述步骤中进行检测。

10、课程总结与提升：学生在线与教师进行互动，对实验进行问题解答并形成实验总结报告。

（2）学生交互性操作步骤说明：

1、小车组装远程设计说明：个别学生由于知识技能基础不足，在勾选组件形成设计方案后，无法达到后期的实验要求，教师借此为学生讲解硬件系统的相关知识以及人工智能对算力的要求等内容；

2、小车系统集成设计说明：学生通过网络自行学习和了解小车组件之间的连接方法和协议，并构建系统结构图以及标注接口参数（电压、电流、信号参数等），对相关协议进行说明（速率、码流等）。

3、数据远程采集：学生在远程操作过程中应注意：因网络延迟导致的操作停顿或异常，应耐心并缓慢地完成操作过程（操作停顿时小车不记录数据，以保持数据连续性和流畅性）；应尽量避免使用倒车等操作，让小车连续并缓慢的在车道中行驶。

4、数据远程获取及清洗说明：学生应对倒车的数据和操作记录进行删除，并清洗掉误操作数据和不清晰的图像，以免影响后续的训练过程。

5、建立神经网络模型说明：神经网络的具体设计应考虑数据类型、数据量多少和以及部署环境等因素，通过分析之前收集的数据参考课程给出的基础模型进行合理调整或优化。

6、训练神经网络模型说明：GPU服务器算力强大24小时开放，可同时支持8个并行训练任务（其余提交的任务应进入排队队列），按实验项目的数据集规模，每次训练任务耗时约1-2小时。学生应自觉按顺序远程提交任务排队训练，也可以用自己的电脑进行训练。

7、优化神经网络模型说明：小车车载计算力较弱，所采用平台为Jason nano系统板，为达到实时操控自动运行的目的，需要对训练完成的模型进行优化和裁剪。

8、部署神经网络模型说明：小车车载内存和存储卡容量有限，请将检查模型部署情况，如果遇到问题需要重新修改或压缩模型。并在实验室助教的帮助下进行启动监测。

9、自动驾驶实践检测说明：学生应按照提前预约的时间启动小车自动驾驶功能，在启动前应向助教确认自己的小车已经安放在车道环境中。

10、课程总结与提升说明：学生应按照复杂性工程问题归纳的方式，总结梳理在实验过程中所遇到的问题、相应的解决方案以及解决效果；如需继续参加课程高阶挑战任务可以提出申请，获得批准后可继续实验虚拟仿真设备。

为保证对学生实验成绩评价的公正性以及可操作性，本课程制定统一的实验评分标准。成绩评定主要依据各个环节的实现达成情况进行评判，并结合参与情况、互动情况、报告情况、任务挑战情况进行打分。

互动参与情况20%，实验十个步骤环节的报告各占6%，合计60%，完成课程挑战任务20%*。

*课程挑战任务3项：①当车道中障碍或行人移动时仍能完成自动驾驶不发生事故（6%）；②在其它小组的挑战下以更短时间完成指定圈数的自动行驶（8%）；③改装小车或作出创新设计以实现在不同应用场景中的新自动驾驶功能（6%）。

注：纳入到所属课程中，实验成绩将作为平时成绩占课程总成绩的40-50%；