复旦AI课搭建虚实桥梁：从算法到实践，解锁自动驾驶新可能

在复旦大学元·创中心406实验室的模拟沙盘赛道上，一辆巴掌大小的智能小车灵巧地穿梭着。当它识别出蓝白条纹的障碍物后，迅速调整路线，从外道绕过，又稳稳地继续前行。这场别开生面的自动驾驶模型验收比赛，吸引了未来信息创新学院23级本科生杨瑞麒的目光。经过十几个小时的AI模型训练，他的小车交出了一份亮眼的成绩单——接管率仅3%，全程零碰撞，成为当天赛场上的焦点。

这门名为"自动驾驶人工智能原理与实践"的课程，是复旦大学AI教育体系里极具特色的垂直领域应用项目。课程负责人胡波教授介绍，这个项目自2019年启动以来，依托校企合作，已经历多次迭代。最大的亮点在于，教学团队把计算任务从车端转移到了边缘侧。这意味着，学生不用再死磕嵌入式编程这类高门槛技术，只需通过电脑完成AI模型训练，就能把成果直接部署到实体小车上验证。说白了，就是让更多人能真正上手玩转自动驾驶。

课程构建了一条完整的实践链条，从道路数据采集、模型训练到实地测试，一个环节都不少。学生先在"自动驾驶虚拟仿真实验"平台上练手——这个平台内置了5万张实景道路图片和10套训练数据集，再加上16小时教学视频和18个关键知识点模块，资源相当充足。计算与智能创新学院24级研究生杨汝坤提到，平台提供的工业界真实案例让他对数据采集的边界处理等实际问题有了更深的体会。

线下实践环节则用上了数字孪生技术，与线上平台形成了一个闭环验证系统。智能机器人与先进制造创新学院23级本科生吕洁熙在道路采集实验中感慨："自己动手采集数据时才发现，标签分布失衡会直接影响模型效果，这些真知灼见在纯粹的理论学习中是学不到的。"课程设置了四个基础实验，从巡线控制到数据集构建，循序渐进，帮助学生逐步掌握核心技能。

考核环节设计得很有心机——采用"黑盒评分"机制，碰撞、越界这些扣分系数一概不公开，只给一个计算框架。这种做法的用意很明显：逼着学生自己去琢磨优化策略。集成电路与微纳电子创新学院副教授林青解释道："我们希望学生思考本质问题，而不是机械地优化指标。"杨瑞麒在应对弯道盲区障碍时，通过调整驾驶策略实现了零碰撞，这正是这种教学理念的最佳注脚。

这门课程打破了专业壁垒，吸引了计算机、电子信息、生物医学等多元背景的学生。考核体系采用"4+4+2"结构，既确保基础理论学习，又为学有余力者留出了挑战空间。杨汝坤在完成规定实验后，主动开始了模型结构优化的探索；23级本科生王锦秋更是在课程展示中提出了创新算法，获得了突破性成果。

课程的影响力已经不局限于复旦校园。其配套的虚拟仿真平台在国家共享平台上线后，已有近百所院校引入教学，单校最高使用量达到了百余人次。基于课程衍生出的多个科创项目成果也相当亮眼：22级本科生肖子璇团队复现了国际前沿算法并提出了建图优化方案，计算效率提升数倍；23级本科生田佳雨团队则验证了大模型在自动驾驶领域的可行性，通过"双脑驱动"机制解决了实时性与准确性的矛盾。