复旦AI大课推荐：自动驾驶实战排行榜

前几天在复旦大学元·创中心406室的自主集群系统实验室里，一场别开生面的“竞速赛”正在进行。赛道上的参赛者并非实体赛车，而是一辆手掌大小的迷你模型车；操控它的“车手”，则是学生们亲手调教出的AI算法模型。

这辆小车沿着车道稳健行驶，前方突然出现一个蓝白条纹的锥形障碍物。接下来的反应非常干脆：小车短暂停顿后，立即向左变道，从外侧绕开障碍，继续平稳前行。紧盯沙盘监控的，是未来信息创新学院23级本科生杨瑞麒。为了这场结课验证，他前后投入超过十小时训练控制小车的AI模型。

“零碰撞，人为干预率仅有3%。”成绩公布后，杨瑞麒松了口气。他训练的模型凭借几乎完美的避障能力，拿到了相当出色的评分。

从虚拟到现实

搭建自动驾驶实景训练场

这门课程的全称是“自动驾驶人工智能原理与实践”，隶属于复旦大学AI大课程体系中的AI-T类别，专注于特定垂直领域的应用开发，面向全校本科生和研究生开放选课。

授课教师包括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）

课程负责人胡波教授指出，该课程的雏形可追溯到2019年的校企合作项目。最初使用的定制小车自带车端算力，入门门槛高，对零基础学生不友好。团队后来改进了方案，将计算任务迁移至边缘端，由电脑运行核心AI逻辑，小车仅作为执行终端。这套设计大幅降低了入门难度——学生无需掌握嵌入式编程，就能让不同专业的同学轻松上手。

课程内容涵盖了自动驾驶开发的完整生命周期：从车辆准备、道路数据采集、数据集预处理，到模型设计、训练、部署，再到实际路测验证。学生不仅要在虚拟仿真平台上跑通算法，还必须通过线下沙盘上的真实小车完成实景验证。

走出406实验室，学生们还有一间“线上教室”——即“自动驾驶虚拟仿真实验”平台。

该虚拟仿真平台包含10个实验步骤及1个日志记录回顾环节

这个平台是课程的核心支撑之一，其衍生的实验课已于去年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。截至目前，虚拟仿真平台的累计访问量接近20万，已有超过1500名学生修读，全国85所高校将其纳入实验教学。

配套的线下实验沙盘小车系统实验教学平台

虚拟仿真平台与线下沙盘小车系统形成了完整的“数字孪生”闭环。平台内置了5万张由线下沙盘小车实地采集的道路图片，提供10套可选训练数据集和5层卷积网络模型。学生可以自由设计并修改模型参数。

“线上平台还配有16小时的教学视频，覆盖18个关键知识点，内容从深度学习框架延伸到自动驾驶系统集成。”胡波补充道。登录平台后，学生既可以选择“巡线实验”或进入“人工智能自动驾驶”主实验，也可以系统学习人工神经网络、卷积神经网络、模型超参数调优等理论。课程还邀请了企业一线工程师参与理论部分的录制讲解，让学生在校内就能了解工业界数据采集、模型设计及边界问题处理的真实场景。

一门课串联AI落地全流程

“很多学生学AI时理论扎实、算法熟练，但一涉及落地就卡壳。”胡波坦言。这门课的初衷非常明确：让学生在一个具体的垂直领域中，将所学的AI知识从头到尾完整走一遍。

具体流程是：先在虚拟仿真平台上学习基本概念、构建数据集并完成模型训练，再回到线下用实体小车完成实景路测。“线上可以反复调试，线下用真实环境验证，能有效避免纯仿真实验容易出现的‘游戏化’倾向。”胡波解释。

选课研究生杨汝坤来自计算与智能创新学院电子信息专业，他的研究方向正是自动驾驶。他说：“老师会紧紧结合自动驾驶开发的真实流程来讲课。这门课能学到实用理论，也能显著提升动手能力。”

整个学期内，学生需要完成四个循序渐进的实验模块：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、道路数据采集与数据集构建。

巡线实验界面

巡线实验让学生在虚拟平台上验证控制模型、调节系数，使小车沿着黑线行驶，从而理解经典算法逻辑。小车底盘控制实验要求学生用代码驱动电机，将程序指令转化为实际动作。AI基础模型验证借助MNIST数据集快速搭建AI开发环境，帮助非工科背景的学生迅速上手。道路数据采集与数据集构建则要求学生亲自操控小车采集图像、存储数据，并完成数据清洗、增强和标注，为后续模型训练做足准备。

智能机器人与先进制造创新学院23级本科生吕洁熙反馈：“平时做实验都是直接拿现成数据集，很少有机会自己采集数据。真正动手才发现，数据标签可能分布失衡，采集策略直接决定模型效果，这些不亲身经历根本体会不到。”

当AI模型“驶入”物理世界

课程中最吸引人的环节，无疑是已训练好的模型被部署到小车上，在沙盘赛道上实际跑起来。

考核当天，学生的小车要在布满障碍的赛道上完成三圈行驶。评分标准是什么？课程采用了一套不对外公开的评分规则。“碰撞扣分、出界扣分，具体系数不公布，只告知框架；倍数和权重都是黑盒。”杨汝坤描述。

课程另一位负责人林青副教授解释：“如果规则完全公开，学生很可能只盯着那几个指标去优化，反而偏离了学习的本质。”因此学生只能根据笼统的方向自行探索最佳策略，比如降低人工干预率、避免碰撞、减少越界、提升巡航速度。“每人各有一次顺时针和逆时针的行驶机会，取高分作为最终成绩。”

考核当天，杨汝坤的小车遇到了突发状况。“比赛环境与之前数据采集的环境存在差异，模型表现不如自己在测试时稳定。”他坦言，这正是实践环节的价值所在——数据处理和数据泛化的问题，只有真实的落地场景才会暴露出来。

不透明的规则设计倒逼学生思考更深层的工程问题。赛道上的障碍物随机摆放，其中一个被刻意放在弯道后方，形成驾驶员视野盲区。小车进入弯道前完全看不到它，转过弯才发现障碍物近在咫尺，根本来不及反应。

杨瑞麒的模型恰好正面撞上了这个难题。基础模型缺乏记忆能力，只能根据当前单帧图像做判断，容易直接撞向危险区域。他尝试了三种方案：加大训练强度使模型反应更敏捷；改变驾驶策略，在不明确区域默认切入外道；或者手写一个带记忆能力的模型。由于时间有限，他最终选择了第二种策略。“让小车在那个位置无论有无障碍都默认切外道多走一点，但能保证最大视野。”考核当天，障碍物恰好摆在那处有挑战的位置上，他的策略非常奏效：全程零碰撞，干扰率只有3%。

跨专业、本研融通：让不同起点的学生都有收获

本学期选课的14名学生中，本科生和研究生各占一半。专业背景五花八门：计算机科学、电子信息、生物医学工程……课程对编程基础有明确要求，但更看重动手参与的热情。

“这门课支持本研学生跨学段选修，难度等级为4级。我们设置了较低的门槛，但天花板非常高。”林青说。课程采用“4+4+2”结构：40%理论知识，40%基础实践，20%挑战考核。理论部分鼓励自主探究，实践部分须完成基础实验，挑战部分完全开放，学生可以使用自己设计的模型参赛。

“课程难度适中，对不同基础的同学都很友好。”杨汝坤说，“但如果想深入研究，也有足够的空间。”他课后开始尝试训练自己的定制模型，想在数据预处理和网络结构上获得更大的自由度。

杨瑞麒坦言，这门课让他对自动驾驶形成了系统性认知。“以前只是看新闻，知道这行业很热。现在真正理解了数据采集、数据集构建、模型训练部署、车体架构和底盘控制——很多因素必须协同推进。”他正在为自己的个人模型展示环节做准备。

不止于课程，更是创新起点

课程所在的自主集群系统实验室里，除了沙盘赛道，还有一个模拟驾驶舱。学生坐进去，屏幕显示着小车第一人称视角，方向盘和踏板能实时操控小车。这个设备背后，运行的是同一套技术平台。

“我们的整个系统是完全开放的。”林青强调。如果学生觉得实验不够挑战，可以自主增加难度。“上学期23级的本科生王锦秋在课程展示时，提交了一个令所有人都眼前一亮的独特算法，效果相当出众。”

这门课的影响力已经超越了课堂边界。虚拟仿真平台在国家虚拟仿真实验教学课程共享平台上线，面向全国高校免费开放。平台数据显示，目前有近百所高校在使用该平台授课，“有的学校一个学期就有上百名学生使用。”林青介绍。

课程还孵化了多项复芏计划（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”以全校优秀等级结项。今年，22级本科生肖子璇与胡波老师的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”，成功复现了国际前沿算法，并基于沙盘提出了独立的“BEV”建图优化算法，计算效率提升数倍。23级本科生田佳雨与林青老师的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，并通过“双脑驱动”等方法有效解决了实时性与准确率的矛盾。

在胡波看来，课程的目的不是让学生一结课就具备进入企业做自动驾驶开发的全部能力。“工业界的要求远比这复杂。我们更希望学生能理解整个工程链条，知道AI技术如何真正落地，会遇到哪些真实挑战，并具备持续迭代和优化的能力。”