前些天，我到复旦大学校园逛了一圈，在元·创中心406室的自主集群系统实验室里，偶遇一场别开生面的“比赛”。赛道上奔驰的不是真实车辆，而是一辆巴掌大小的模型车；而真正的“赛车手”，则是学生们亲手训练出的AI自动驾驶模型。

小车沿着车道稳稳前行，前方忽然出现一个蓝白条纹的障碍物。你猜怎么着？小车略微停顿，迅速向左变道，从外侧绕过，继续平稳行驶。紧盯着沙盘的，是未来信息创新学院23级的本科生杨瑞麒。为了这场验收考核，他前前后后花了十几个小时，精心训练控制小车的AI模型。

“全程无碰撞，接管率仅为3%。”比赛结束后，杨瑞麒长舒一口气。他的小车凭借近乎完美的避障表现，拿下了相当不错的成绩。

从虚拟到现实

搭建自动驾驶训练场

这门课程全称是“自动驾驶人工智能原理与实践”，属于复旦AI大课体系中的AI-T类别，专注于垂直领域应用，面向全校本科生和研究生开放选课。

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）

课程负责人胡波教授介绍，这门课最早可追溯到2019年的校企合作项目。当时使用的是自带车端算力的定制小车，前置门槛较高，对初学者不太友好。团队持续改进，将计算任务迁移到边缘侧，由电脑完成主要AI功能，小车只负责执行。这样一来，入门门槛大幅降低，连嵌入式编程都不需要学习，全校不同专业的学生都能轻松参与。

课程内容覆盖了自动驾驶开发的完整流程：从车辆准备、道路数据采集、数据集预处理，到模型编写、训练、部署，再到路测验证。学生既要在线上仿真平台上跑通算法，也要在线下沙盘里用实体小车完成效果验证。

离开406实验室，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

这个平台是课程的半壁江山，衍生的实验课于去年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。虚拟仿真平台的累计访问量已接近20万，修读学生超过1500人，全国已有85所高校利用该平台上过实验课。

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“数字孪生”关系。线上平台内置了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，学生可自主设计并修改。

“线上平台还配有16个小时的教学视频和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。学生登录平台后，既可以操作“巡线实验”或直接进入“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知识。“理论课程还邀请企业一线工程师参与录制和讲解。学生们在平台上就能了解工业界采集数据、设计模型、处理边界情况的真实场景。”

一门课串联AI落地全流程

“很多同学学人工智能，理论都懂、算法也熟，但就是不知道如何落地。”胡波说。这门课的设计初衷，就是让学生在某个具体的垂直领域里，把学到的AI知识从头到尾完整应用一遍。

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、完成模型训练，再在线下用小车进行实景验证和道路测试。“线上可以反复调试，线下用实物验证，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，研究方向正是自动驾驶。他说：“老师会结合自动驾驶的开发流程来讲课。这门课既能收获理论知识，也能提升实践能力。”

整个学期，学生需要完成四个循序渐进的基础实验：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。

巡线实验界面

巡线实验让学生在仿真平台上验证控制模型、调整系数，让小车沿着黑线行驶，从而理解经典算法。小车底盘控制实验要求学生自己编写代码驱动电机，将程序指令转化为实际动作。AI基础模型验证则利用MNIST数据集测试AI开发环境，帮助非工科背景的同学快速上手。道路采集与数据集构建则让学生亲自操控小车采集图像、存储数据，再进行清洗、增强、标注，为后续训练模型做好准备。

智能机器人与先进制造创新学院23级的本科生吕洁熙说：“我们平时都是拿现成的数据集做实验，很少自己采集过数据。真正动手才发现，数据标签可能失衡，采集策略会影响模型效果，这些不亲身经历是体会不到的。”

当AI模型“跑”进物理世界

课程最吸引人的环节，莫过于把训练好的模型部署到小车上，让它在沙盘赛道上真实奔跑。

考核当天，学生的小车要在设有障碍的赛道上跑完三圈。成绩怎么算？课程采用了一套不公开的评分规则。“碰撞扣多少分，出界扣多少分，系数不公布，只给一个框架，具体倍数和权重都是黑盒。”杨汝坤说。

课程另一位负责人林青副教授解释：“如果规则完全公开，大家可能只去优化那几个指标，反而偏离了学习目的。”学生只能根据公开方向自己摸索最优策略，比如降低接管率、避免碰撞、减少越界、提升速度。“每人有顺时针和逆时针各一次机会，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。“比赛环境和之前数据采集的环境不太一样，模型表现不如自己测试时那么理想。”在他看来，这正是实践的价值——数据处理和模型泛化能力的问题，只有在真实场景中才会暴露出来。

不公开的规则倒逼学生思考更深层的问题。赛道上障碍物随机摆放，其中一个被特意放在弯道后方，形成视野盲区。小车进入弯道前看不到，转过弯才发现障碍就在眼前，来不及反应。

杨瑞麒的模型就撞上了这个挑战。基础模型没有记忆能力，只能根据当前一帧图像做判断，容易直接冲向危险区域。他想了三种解决办法：加强训练让模型反应足够快；改变驾驶策略，在不确定区域默认切入外道；或者重写一个带记忆能力的模型。时间有限，他选择了第二种。“让小车在那个位置默认切外道，不管有没有障碍都这样。虽然多绕点路，但能保证最大视野。”考核当天，障碍物恰好摆放在那个刁钻位置，他的策略非常奏效：全程零碰撞，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名学生中，一半是本科生、一半是研究生。专业背景五花八门：计算机、电子信息、生物医学……课程对编程基础有一定要求，但更看重动手意愿。

“这门课允许本研学生跨学段选修，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索，实践部分必须完成基础实验，挑战部分完全开放，学生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，希望在数据预处理和模型结构上获得更多自由度。

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

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，还有一个模拟驾驶舱。学生坐进去，眼前屏幕显示着小车第一视角，方向盘和踏板可以操控小车。这个设备背后，使用的是同一套技术平台。

“我们这个系统是开放的。”林青说。学生如果觉得不够挑战，可以自己增加难度。“上学期23级的本科生王锦秋在课程展示时，拿出了别人都没做过的特别算法，效果很好。”

这门课的影响力已经超出了课堂本身。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上线，面向全国高校开放。平台数据显示，目前有近百所高校用它上课，“有的学校一学期就有上百名学生使用。”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，还基于沙盘提出了自己的“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”等方法解决了实时性与准确率问题。

在胡波看来，课程的目标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，知道人工智能如何落地，会遇到哪些挑战，并且有能力去迭代和优化。”