复旦这门AI大课，让自动驾驶梦想“跑”起来

来源：滚动播报

（来源：上观新闻）

几天前，在复旦大学元·创中心406自主集群系统实验室里，“自动驾驶人工智能原理与实践”课堂课题验收环节正在进行一场特殊的比赛。赛道是一个模拟沙盘，赛车手则是由学生们亲手训练出来的AI模型。

一辆巴掌大的小车沿着车道行驶，前方出现一个蓝白条纹的障碍物。小车微微一滞，迅速向左变道，从外道绕过障碍，继续平稳前行。未来信息创新学院23级本科生杨瑞麒盯着沙盘，为了这场验收比赛，他投入了十几个小时训练控制小车的AI模型。

“没有碰撞，接管率只有3%。”结束后，杨瑞麒长舒一口气。他的小车几乎完美的避障表现，收获了不错的成绩。

从虚到实

搭建一个自动驾驶训练场

“自动驾驶人工智能原理与实践”是复旦大学AI大课体系中的AI-T（垂域应用）类课程，面向全校本研学生开放。

授课教师未来信息创新学院教授胡波（左）与集成电路与微纳电子创新学院副教授林青（右）

课程负责人胡波介绍，该课程最早是由2019年校企合作开设，最初使用车端算力的定制小车，课程前置要求高，对初学者来说门槛较高。经过持续改进，教学团队将计算任务迁移至边缘侧，通过电脑实现主要的AI功能，而小车仅作为末端执行平台。学生无需掌握嵌入式编程等技能即可实践，降低了准入条件，实现了面向全校不同专业开放的可能。

课程内容涵盖了从车辆准备、道路采集、数据集预处理到模型编写、模型训练和部署，再进行路测验证等自动驾驶开发的完整流程。学生既要在线上仿真平台里跑通算法，也要在线下沙盘上用实物小车完成效果验证。

离开元·创中心406，同学们还有一间“线上教室”——“自动驾驶虚拟仿真实验”平台。

线上虚仿实验平台包含10个实验步骤和1个日志记录回顾环节

这个平台是课程的另一半天地，由其衍生的实验课在去年9月入选教育部第三批国家级虚拟仿真实验教学一流课程。教学团队打造的虚拟仿真平台累计访问量近20万，修读学生近1500人，目前全国已有85所高校的学生使用该平台完成了实验课程。

配套的线下实验沙盘小车系统实验教学平台

虚拟仿真实验平台与线下沙盘小车系统形成“数字孪生”。线上虚仿平台内置5万张由线下沙盘小车采集的实景道路图片，提供10套可选训练集和5层卷积网络模型供学生自主设计修改。

“除此之外，线上平台配有16个小时的教学视频、18个关键知识点，涵盖从深度学习框架到自动驾驶系统集成的完整知识体系。”胡波说。

学生登录平台，既可以操作课程前置的“巡线实验"或者直接进入“人工智能自动驾驶”主实验，也可以学习人工神经网络、卷积神经网络、模型超参数调优等理论内容。“理论课程还邀请了企业的一线工程师参与录制和讲解。学生们可以在平台上了解到工业界采集数据、设计模型、处理边界等真实情况。”

一门课串起AI落地全流程

“很多同学学人工智能，理论懂、算法熟，但就是不知道怎么落地。”胡波说。这门课的设计初衷，就是让学生在一个具体的垂直领域里，把学到的AI知识从头到尾用一遍。

胡波介绍，学生需要先在虚拟仿真平台上学习基本概念、构建数据集、完成模型训练流程，再到线下用小车完成实景验证和道路测试的过程。“线上可以反复调试，线下用实物验证，避免纯仿真实验‘游戏化’倾向。”

“老师会结合自动驾驶的开发流程来讲。”选修这门课的24级研究生杨汝坤说。他来自计算与智能创新学院电子信息专业，研究方向就是自动驾驶。他选修这门课的原因很简单，自动驾驶是一个实践需求很大的方向，这门课既能收获理论知识，也能得到实践能力的提升。

整个学期，学生需要完成经典算法的巡线测试、电机及小车底盘控制、AI基础模型验证、道路采集与数据集构建这四个循序渐进的基础实验。

巡线实验界面

巡线实验让学生们在仿真平台上验证控制模型、调整控制系数，让小车沿着黑线行驶，逐步理解经典算法的底层控制原理。小车底盘控制实验中，每位学生自己写代码驱动小车电机，学习如何将程序指令转化为小车的实际动作。AI基础模型验证则用MNIST数据集来验证自己搭建的AI开发环境功能，考虑到课程有非工科背景的学生选修，这个实验可以帮助他们快速上手人工智能的基本框架。道路采集与数据集构建让学生使用小车沙盘系统，自己操控小车采集道路图像、存储数据，然后进行清洗、增强、标注数据，为训练模型构建数据集。

“我们平时都是拿现成的数据集做实验，比较少自己采过数据。真上手才发现，数据标签可能失衡，采集策略也会影响模型效果，这些不亲自做是体会不到的。”智能机器人与先进制造创新学院23级本科生吕洁熙说。

当AI模型“跑”进物理世界

课程最吸引学生的环节，是将训练好的模型部署到小车上，让它在沙盘赛道上跑起来。

考核当天，学生需要让小车在有障碍的赛道上跑完三圈。成绩怎么计算？课程采用了一个不公开的评分规则。

“碰撞扣多少分，出界扣多少分，这些系数老师不公布，只会提供一个考核计算的框架，但具体的倍数和权重始终是个黑盒。”杨汝坤说。

“如果公开了，大家可能就只去优化那几个指标，反而会偏离学习的目的。”课程另一位负责人、集成电路与微纳电子创新学院副教授林青解释。学生只能根据公开的方向，自己去摸索最优策略，比如，降低接管率、避免碰撞、减少越界、提高速度。“每人有顺时针和逆时针各一次机会，择高分作为最终成绩。”

杨汝坤回忆，考核当天，小车在赛道上行驶时遇到了突发状况。“比赛环境和之前数据采集的环境不太一样，模型的表现没有之前自己测试时那么好。”在他看来，这正是实践环节的价值所在，数据处理、模型泛化能力的问题只有在真实场景中才会暴露出来。

正是这套不公开的规则，倒逼学生们去思考更深层的问题。课题验收当天，赛道上的障碍物是随机摆放的。其中一个障碍物被放在弯道后方，形成视野盲区，这就导致小车在进入弯道前看不到它，等转过弯才发现障碍就在眼前，再转弯很可能来不及。

杨瑞麒的模型就遇到了这个挑战。由于课程提供的基础模型没有记忆能力，只能根据当前看到的一帧图像做判断，容易直接冲向危险区域。他思考了三种解决方法：加强训练，让模型对障碍的反应速度足够快；改变驾驶策略，在不确定的位置默认切入外道；重新写一个带记忆能力的模型。

时间有限，他选择了第二种。“我让小车在那个位置默认切外道，不管有没有障碍都这样做。虽然会多走一点路，但能保证最大的视野范围。”考核当天，障碍物恰好被摆在了那个刁钻的位置，他的策略很有效，小车全程没有发生碰撞，接管率只有3%。

跨专业、本研融通

让不同起点的学生都有收获

这学期选课的14个学生里，一半本科生、一半研究生。大家的专业也很多元，有计算机、电子信息、生物医学等等。课程对编程基础有一定要求，但更看重学生的动手意愿。

“这门课本研学生可跨学段选修，难度等级为4级，我们降低了门槛，但提升了天花板。”林青说。课程考核采用“4+4+2”结构：40%理论知识，40%基础实践，20%挑战考核。理论部分鼓励学生自主探索，实践部分需要完成规定的基础实验，挑战部分则完全开放，除了验收比赛，学生还可以用自己的模型参赛。

“课程难度适中，照顾到了不同基础的同学。”杨汝坤说，“但如果你想做得更深，空间也很大。”他私下里已经开始尝试训练自己的模型，希望在数据预处理、模型结构上有更多自由度。

杨瑞麒坦言，这门课让他对自动驾驶有了系统性的认知。“以前只是看新闻，知道这个行业很火。现在了解自动驾驶包括数据采集、数据集构建、模型训练部署、车体架构、底盘控制，很多因素共同推进。”他正在为个人模型展示环节做着准备。

不止于课程，更是创新的起点

课程所在的自主集群系统实验室里，除了沙盘赛道外，还有一个模拟驾驶舱。学生坐进去，眼前的屏幕显示着小车的第一视角，方向盘和踏板可以操控小车。这个设备背后支撑的是同一套技术平台。

“我们这个系统是开放的。”林青说。学生如果觉得课程内容不够挑战，可以自己加难度。“上学期修读课程的23级本科生王锦秋在课程展示时拿出一个自己设计的特别算法，别人都没做过的，但效果很好。”

这门课的影响力已经超出了课堂本身。课程配套的虚拟仿真平台已在国家虚拟仿真实验教学课程共享平台上线，不仅服务于本校学生，还向全国高校开放。平台数据显示，目前有近百所高校将该平台用于课程教学，“有的学校一学期会有上百名学生使用平台上课。”林青说。

课程还衍生出多项复芏计划（FDUROP）科创项目。去年，23级本科生张子程负责的登辉项目“虚实映射可灵活配置的自动驾驶人工智能教学实验装置研发”以全校优秀结项。今年，22级本科生肖子璇与胡波的AI+师生共创登辉项目“基于AI算力芯片部署的自动驾驶教具系统研发”完成了国际上前沿算法的复现，还基于沙盘提出自己的“BEV”建图优化算法，将计算效率提升数倍；23级本科生田佳雨与林青的AI+师生共创登辉项目“基于通用AI大模型技术的自动驾驶验证平台研发与实践”验证了大模型实现自动驾驶的可行性，用“双脑驱动”等方法解决实时性与准确率问题。

在胡波看来，课程的目标并不是让学生学完就能直接进入企业做自动驾驶开发。“工业界的要求比这复杂得多。我们希望学生了解整个流程，知道人工智能怎么落地，会遇到哪些挑战，有能力去迭代优化。”

组稿：校融媒体中心

文字：赵天润

摄影、动图：梅旭普

编辑：郑艺

责编：赵天润