“机器人感知与学习”项目制教学改革实践

李庆鹏 张振军 梁桥康 李智勇 黎福海

(湖南大学 机器人学院， 长沙 410082)

本文针对我校机器人工程新工科专业的“机器人感知与学习”专业核心课程的教学改革，介绍了该课程项目制教学新模式：从掌握机器人视觉、听觉、力觉、融合感知、以及机器学习理论基础知识，到开展团队项目制课程实践环节，都进行了改革，既培养学生独立思考、严谨认真的自主学习能力，又锻炼他们分工合作、沟通协调的团队创新能力[1-2]。

1 “机器人感知与学习”课程教学要求

机器人被誉为“制造业皇冠顶端的明珠”。近年来，智能机器人已成为最具活力的多学科交叉领域之一[3]，而感知与学习能力是衡量一个机器人系统的智能化程度的核心标志。机器人感知与学习通常应用在一些智能设备和技术上，这些设备和技术通常对环境感知和机器学习的能力要求很高，并往往要求较高的实时性和较低的硬件占用资源。随着新一代人工智能技术在智慧城市、智慧医疗、智慧农业等领域的快速应用发展，机器人感知与学习技术的重要性日益突显。例如，在工业机器人、无人车与智能驾驶技术、医疗服务机器人、餐饮服务机器人等智能机器人系统中，机器人感知与学习都是决定机器人整体性能的核心环节。目前，智能机器人领域发展前景广、研究人才缺口大，并且学生在校期间的学习往往“重理论而轻实践、重个人而轻团队”，因此，可考虑学生以项目制学习方式参加到“机器人感知与学习”课程中，并对该课程学生提出如下要求：①对“Python语言”“高等数学”“大学物理”“计算与人工智能概论”“计算机原理”等课程有较好的理论基础；②熟悉机器人系统、嵌入式系统工作原理；③了解机器人多源感知、机器学习与深度学习、神经网络等领域的基本概念、基本原理和前沿应用，掌握一定的机器人感知算法及其嵌入式开发能力。

2 “机器人感知与学习”课程的特点

“机器人感知与学习”的课程教学有如下特点[4]。

交叉性-“机器人感知与学习”涉及多个专业领域，如图像处理、计算机视觉、语音信号处理、力学传感器检测技术、机器学习、嵌入式系统等。本课程将多个专业领域的知识相互集成、相互补充，在智能机器人系统中交叉实践。因此，“机器人感知与学习”课程需要学生有着较强的跨学科知识背景。

系统性-“机器人感知与学习”旨在使学生掌握智能机器人的主要感知方式、感知原理、以及机器人如何学习感知信息、如何利用感知信息进行工作等知识，各部分内容相对独立又相互联系。因此，本课程要求学生能够从系统科学的角度对各部分知识进行宏观把握，增强对各部分知识的理解。

应用性-“机器人感知与学习”面向智能机器人系统，用于解决机器人在实际工作环境中面临的环境感知、信息融合与机器学习问题，有着具体的应用场景和鲜明的应用导向。因此，“机器人感知与学习”课程在教学过程中，可以无人车、无人机等智能机器人实例为教具，以机器人在多个行业的具体应用实例为教材，让学生充分认识理论联系实际的必要性。

创新性-“机器人感知与学习”是新一代人工智能技术在机器人系统的具体实现。随着近年来计算机视觉、机器学习等技术的快速发展，“机器人感知与学习”课程的专业知识迭代更新也很快。因此，本课程为学生提供了深度学习算法基础开发平台、设置差异化项目课题，充分调动了学生的创新能力。

3 “机器人感知与学习”教学改革思路

图1所示的是本文提出的“机器人感知与学习”项目制教学课程体系图。

“机器人感知与学习”课程教学改革方案主要是：团队协同，设立项目制教学环节多元化课题：改革课程结构，突出多元化课题在教学环节中的核心地位，如图2所示。

图2 “机器人感知与学习”课程教学改革方案

依托我院新成立的人工智能基础实验室，为学生组队进行课题研究提供深度学习模型训练平台和嵌入式开发平台。通过“计算机视觉算法实践”“深度学习网络嵌入式开发实践”[5]“力传感器解耦实践”“机器学习算法实践”四项实验教学课程，让学生掌握智能机器人视觉、触觉、学习的基本原理与功能实现。这四项实验课程的具体内容是：①“计算机视觉算法实践”教学课程：理解数字图像处理、卷积神经网络、反向传播算法、模型训练与测试的基本原理，学习Pytorch架构知识，编程实现并训练测试MNIST手写体数字识别的神经网络模型，提出并尝试改善模型性能的策略，并完成实验报告；②“深度学习网络嵌入式开发实践”教学课程：学习NVIDIA Xavier AGX和华为昇腾310的Atlas 200两种小型深度学习处理器的基本架构和原理，了解基于CUDA + Pytorch架构和CANN + MindSpore架构的基本底层实现，选择其中一种完成MNIST手写体数字识别深度学习网络模型的嵌入式系统部署，并完成实验报告；③“力传感器解耦实践”教学课程：理解基于最小二乘法、神经网络、ELM等方法的解耦算法原理，编程实现对应的解耦算法，对比分析解耦性能和传感器的综合性能，并完成实验报告；④“机器学习算法实践”教学课程：理解K-NN算法的思想，编程实现K-NN算法并应用于图像目标分类识别，完成实验并提交实验报告。

激发个性，鼓励学生“自主选题、自我规划”。改革作业模式，使学生可以根据兴趣选择课题作业。课题作业共分为视觉、力觉、机器学习三个专题，每个专题分别布置2-3个课题供学生选择。学生4-6人自行组队并以小组为单位，在每个专题中选择一个课题进行研讨式学习，并通过实验课程的学习自行解决课题作业中布置的问题，完成各组的作业报告，在有限课时的情况下培养学生在团队中自由探索、自主学习的能力：①视觉专题课题作业(三选一)：a.面向服务机器人智能人机交互场景与应用需求，编程实现人脸检测与识别视觉感知算法，并通过实验验证算法的有效性；b.面向无人机智能交通监控场景，编程实现多类车辆目标检测识别与计数算法，并通过实验验证算法的有效性；c.面向无人机对地观测目标锁定场景，编程实现自然目标跟踪算法，并通过实验验证算法的有效性。②力觉专题课题作业(二选一)：a. 结合协作机器人底座力传感器应用场景、以及协作机器人的需求，设计一款多维力传感器，并进行对应的仿真设计、测量方案的确定、优化、解耦，并通过实验数据分析传感器的有效性；b. 结合三指灵巧手机器人传感器应用场景、以及三指灵巧手机器人的需求，设计一款多维力传感器，并进行对应的仿真设计、测量方案的确定、优化、解耦，并通过实验数据分析传感器的有效性。③机器学习专题课题作业(二选一)：a. 理解C均值聚类算法思想，分析初始化对C均值聚类的影响，并编程实现C均值聚类算法；b.理解判别域代数介面方程方法的思想，理解权空间的数理含义，分析训练样本对权矢量求解的影响，并编程实现一种基于介面方程方法的分类算法。

面向实践，倡导学生“在做中学、在学中做”。改革授课方式，将原有的“重理论讲解”改为“重实践探索”。依托网络资源和电子课件等方式，将部分理论知识的课上讲解改为引导学生课后自学，将多余课时安排为对课程实践环节基础知识与技能和典型问题的讲解，在编程开发实践中，强化学生对理论知识和实践技能的理解掌握，利用多元化开发平台和深圳松山湖机器人实践教学基地科创训练营，培养未来服务经济建设的创新型、复合型、实践型人才[6]。

积极动手，引导学生参加大学生竞赛类项目[7]。以我院机器人机甲大师赛战队为依托，通过本课程招募选拔能力强、对此感兴趣的学生加入战队。本课程还与机甲大师赛任务需求深度对接，在目标检测与识别、目标跟踪、力学传感器解耦与应用等方面设置竞赛类课题并提供相应模拟环境，激发学生对机器人感知与学习技术的兴趣，为学生后续参加机甲大师赛和其他科创类竞赛项目打下坚实基础：①目标检测与识别竞赛类课题：基于目标检测识别的RoboMaster机甲大师赛英雄机器人敌我识别系统设计与优化。②目标跟踪竞赛类课题：基于目标跟踪的RoboMaster机甲大师赛步兵机器人发弹瞄准系统设计与优化。③力学传感器解耦与应用竞赛类课题：基于力学传感器解耦的RoboMaster机甲大师赛工程机器人取矿机械手智能抓取机构设计与优化。

创新激励，建立完备的课程考核与评价体系。改革评价机制，从传统单向验证型、灌输型教学过渡到探索型、引导型教学，突出项目制教学对学生的综合评价，将原有对学生知识的“节点式”考核转变为对能力的“过程式”考核，提高课题评价在总成绩的占比，降低知识考核占比。适当增加探索性选题加分，强化对学生科技创新能力的培养。

4 结语

本文提出并实践了面向机器人工程这一新工科专业、并符合新一代人工智能和电子信息技术发展的“机器人感知与学习”课程项目制教学方法，根据本课程交叉性、系统性、应用性、创新性等特点，从课程结构、作业模型、授课方式、学习周期、评价机制等方面，设计了课程教学改革方案，并依托湖南大学机器人学院人工智能基础实验室、机器人机甲大师赛战队等平台和资源，为学生组队进行课题研究、创新创业等知识实践提供良好支撑，有利提高了学生的学习科创热情，为新时代高等教育电子信息类学科专业构建产学研用一体化育人模式、服务地区经济建设与社会发展提供良好探索经验。