课程与教学模式

- 人工智能的发展呈现深度学习、跨学科融合与人机协同等新趋势。为匹配这一特征，课程设计覆盖基础知识与应用、简易人工智能模块的搭建与开发等内容，辅以选修/必修的分层次学习路径。

- 实验室课程分为“人工智能基础”、“简单人工智能应用模块开发”、“人工智能技术的发展与应用”三大模块。以赛促教的教学模式贯穿其中，帮助学生了解AI发展历程与核心算法，能够通过搭建简单应用模块实现视觉识别、语言处理与人脸识别等能力。

- 通过实训案例分析与项目设计，培养学生的系统思维与问题解决能力，引导其在真实场景中应用人工智能方法，提升自主学习与探索能力，激发创新思维与跨学科协作。

综合应用与资源利用

- 实验室充分利用开源硬件与AI应用框架，搭建贴近生活的应用场景，鼓励学生主动学习、敢于实践与创新。

- 通过对典型智能系统的分析比较，帮助学生理解不同算法在实际中的实现与优化，提升信息技术的综合应用能力。

设备与模块介绍

- 产业机械臂

- 能力：完成视觉识别、机械控制与基础机器学习等实验

- 结构与材料：铝合金、碳纤维

- 规格：有效负载5 kg、有效工作半径700 mm、自由度6、重复定位精度±0.1 mm、最大末端速度1 m/s、重量10.5 kg（不含控制器）

- 连接规格：M5×6

- 无人机竞赛开发

- 能力：支持GPIO、IIC、PWM、定时器中断等单片机开发；遥控数据解析、姿态解算等飞控核心算法的学习与演练

- 功能：配备激光定高与OpenMV视觉循迹等模块，具备视觉定位与自主飞行的原理验证能力

- 场景：可实现无人机自主起降、路径循迹、到达终点自动降落，亦支持替换飞控进行二次开发

- 应用：用于竞赛题目的针对性训练与算法验证

- 服务机器人

- 组成：包含语音、听觉、视觉、运动与决策等完整感知与执行链

- 传感与算力：麦克风阵列、鱼眼/高清摄像头、转向底盘等

- 能力：支持视觉识别、自然语言处理等AI算法在实际场景中的教学与研究

- 人工智能小车套件

- 开发环境：Python、OpenCV、JupyterLab，基于STM32单片机的开发

- 控制方式：游戏手柄、PC或手机APP控制

- 运动与感知：二维云台、智能循迹、IR遥控、IR避障、超声波避障等传感器的基础实验

- Arduino开发套件

- 组合与兼容：适配Arduino编程实训课程

- 主要硬件：UNO主板及扩展板、ULN2003电机驱动、时钟模块、各类传感器、SG90舵机、蓝牙与WIFI模块等，约76种配件

- 应用场景：满足多种设计类实验需求，提供丰富搭配与组合选项

- AI光学动作捕捉系统mile米乐

- 适用场景：无人机飞行轨迹捕捉、室内精准定位、算法验证、群体协同研究、无人机大赛测量

- 支持：教师课题研究及相关实验需求

通过上述设备与课程体系，实验室致力于培养学生的动手能力、自主创新能力以及在信息技术领域的综合应用能力，使其在理论学习的基础上获得实际开发与创新的机会。