实验室或功能区
人工智能开发实验室 - 方案文档
人工智能开发实验室
“人工智能+”（Artificial Intelligence Plus，AI+）是指将人工智能技术与各行各业深度融合，推动产业转型升级和创新发展的一种理念与实践。它不仅是将人工智能应用于某一特定领域，而是通过技术的集成与创新，实现对传统行业的全面赋能与重构。机器视觉是人工智能正在快速发展的一个分支，用机器代替人眼来做测量和判断，通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
同时，随着自主协同技术的突破，无人机蜂群正从实验室概念演变为颠覆战争规则的“新锐力量”。它既是对未来“无人化、智能化”战争形态的预演，也是大国博弈中低成本战略威慑的具象化载体：通过数百架廉价无人机的高效协同，既能执行侦察、打击、电磁压制等复合任务，又可消耗敌方昂贵的防空资源。从俄乌战场到纳卡冲突，从波斯湾护航到台海演训，这种“集群智能”已悄然重构现代攻防体系的天平。无人机蜂群作为一种新兴的集群智能系统，正逐渐改变着多个领域的运作模式。它由大量低成本、小型化的无人机组成，通过协同合作完成复杂任务，具有极高的灵活性和适应性，展现出巨大的发展潜力和应用价值。
主要功能
无人机算法仿真
在计算机上模拟无人机在实际场景中的行为和传感器反应，提供机上各种传感器（如深度相机）数据，包括位置坐标、点云、深度图等，可在计算机中模拟无人机与人工智能算法，避免因程序设计不当造成无人机损坏或造成人员受伤。
主要实验装备
AI视觉无人机开发平台
OWL Mini 3无人机体积小，重量轻，更加适合算法验证。
无人机算法模拟仿真器
无人机作为空中机器人，在各行各业发挥了重要的作用，无人机的AI赋能和蜂群协同是近年来的研究热点。
高校实验室与科研领域是无人机控制算法与AI赋能的主要研究阵地。面对未来AI时代，控制算法与AI赋能的教学和研发方式被重新定义，行业亟需一种更快速、高效的无人机控制算法研发模式。
无人机模拟仿真器VISIM可帮助教学及科研工作者在第一时间对算法进行实践验证，提高教学和科研效率，模拟验证后再用真机测试，减少风险和炸机发生概率。
基于PX4_SITL和Gazebo的环境，提供位置、速度、加速度等控制方式，用户可以验证自己的飞控算法和外围控制算法。
自主飞行和路径规划方面，模拟器适配了Ego-Planner开源算法和一些基本的路径生成算法，方便用户实现轨迹生成算法及轨迹控制验证；
提供Ego-Planner-Swarm开源蜂群算法，用户也可在模拟器中开发/验证自己的集群/蜂群算法；
VSIM模拟仿真器也提供AI目标识别、跟踪算法和框架，方便用户实现无人机对目标的追踪等实验；
无人机装调飞测一体化实训操作平台
无人机装调飞测一体化实训操作平台采用高强度钣金一体化成型，提供具有安全防护的飞行调试区域，配备无人机起降环，采用高强度纤维材料，能够与室内教学拆装调无人机实训平台搭配，在保证安全的前提下测试和观察组装或维修后的无人机飞行状态，降低无人机调试时的风险。面板集成数显拉力测量模块，可测量整机升力，测量范围为≥0~5kg。
平台提供控制终端和配套的地面站软件，可满足无人机原理学习、组装维护、综合调试、软件参数设置等需求，可供无人机组装与调试、无人机维护修理等课程使用，还可以满足无人机地面站相关课程学习使用，实现一机多用。
实验室设备清单
| 序号 |
设备名称 |
单位 |
数量 |
设备品牌 |
设备型号 |
| 1 |
AI视觉无人机开发平台 |
架 |
3 |
中航恒拓 |
OWL Mini 3 |
| 2 |
无人机算法模拟仿真器 |
台 |
1 |
中航恒拓 |
VISIM |
| 3 |
无人机装调飞测一体化实训操作平台 |
台 |
1 |
中航恒拓 |
ZT100 |
主要课程与实验
ROS及相关技术
ROS系统而是一个运行在Linux等操作系统之上的次级操作系统。它通过提供硬件抽象、底层设备控制、进程间消息传递等功能，帮助开发者高效地创建和管理机器人应用软件，将机器人的软件功能模块化，形成一个个节点，这些节点可以通过发送消息进行通信，从而实现复杂的机器人行为。
■ 实验1：Ubuntu操作系统安装
■ 实验2：Ubuntu操作系统安装应用程序
■ 实验3：Ubuntu操作系统命令行操作
■ 实验4：ROS的安装
■ 实验5：ROS的运行（海龟移动）
■ 实验6：安装Visual Studio Code编辑器
■ 实验7：配置ROS环境并实现“Hello World”
无人机视觉
实验目的：了解和掌握无人机视觉跟踪技术的基本原理和实现方法
实验内容：由于无人机能搭载的传感器和处理器性能有限，因此与常规数字图像处理方法相比，要求所应用的方法同时具备实时性和可靠性。本实验需要综合应用SIFT、SURF、YOLO等视觉跟踪方法，利用学生自己的计算机，实现视觉跟踪，并要求在实验中开始学习使用ROS(机器人操作系统)、OpenCV等工具。
■ 实验1：K-MEANS网络搭建
■ 实验2：GAN网络搭建
■ 实验3：CGAN网络搭建
■ 实验4：YOLO网络搭建（V1-V8）
■ 实验5：基于YOLO实现目标识别
无人机滤波和传感技术
实验目的：了解和掌握无人机使用传感器和滤波器的基本原理
实验内容：本实验主要针对无人机控制系统中所使用的传感器和滤波器基本原理，包括IMU(惯性传感器)、GPS(全球定位系统)或北斗定位系统、Kalman滤波器或互补滤波器，通过实验，使用实际无人机上采集的传感器数据来融合出可靠的位姿数据，巩固所学知识。
■ 实验1：多传感器数据融合
■ 实验2：前端光流
■ 实验3：高效的去畸变方式
■ 实验4：误差卡尔曼滤波
■ 实验5：连续时间预积分误差传递
■ 实验6：离散时间预积分误差传递
同步定位与建图
实验目的：了解和掌握无人机同步定位建图基本原理和实现方法
实验内容：本实验主要探索无人机在不依靠外部定位手段，如GPS、无线基站和动作捕捉系统等的情况下，仅依靠自身携带的传感器进行导航、定位和地图建立的SLAM(同步定位建图)方法，合作完成一种或几种典型的SLAM方法原理调研、实际运行测试、评价等。
■ 实验1：VINS-Mono代码编译运行
■ 实验2：预积分零偏建模方式
■ 实验3：VIO初始化
■ 实验4：VIO数据预处理
■ 实验5：旋转外参初始化
■ 实验6：ceres解析求导以及核函数
■ 实验7：预积分残差计算
■ 实验8：预积分雅可比计算
■ 实验9：视觉重投影
■ 实验10：视觉雅可比
■ 实验11：滑动窗口边缘化
■ 实验12：VINS_Fusion介绍及运行
■ 实验13：VINS_Fusion光流优化
■ 实验14：VINS_Fusion初始化
■ 实验15：VINS_Fusion后端优化
■ 实验16：鲁棒的外点剔除策略
■ 实验17：VINS_Fusion的GPS融合
无人机位姿控制
实验目的：以多旋翼无人机为例，了解无人机位姿控制的基本原理和方法，并通过实验对无人机的闭环相应特性获得直观认识。
实验内容：本实验将基于室内无人机飞行实验，学习和体验无人机姿态位置和姿态控制的控制器设计和调节方法，包括姿态环(内环)参数调节、位置环(外环)参数调节、扰动抑制、轨迹跟踪等环节。通过实验，同学可以更深入了解无人机控制器的构成和不同控制器参数对于飞行品质的影响。
■ 实验1：无人机的数学模型
■ 实验2：无人机动力模型
■ 实验3：无人机姿态模型
■ 实验4：无人机位置模型
■ 实验5：无人机模型线性优化
■ 实验6：基于欧拉角的控制器
■ 实验7：PID控制
■ 实验8：基于四元数的控制器
■ 实验9：基于旋转矩阵的控制器
无人机视觉控制
实验目的：了解无人机视觉控制的基本原理，通过实验掌握无人机视觉的基本方法。
实验内容：本实验将基于机载立体摄像头的口袋式室内无人机实验平台，学习无人机视觉跟踪的基本原理，包括图像跟踪、解耦控制、轨迹平滑等环节。
■ 实验1：回环检测数据流
■ 实验2：基于dbow的回环检测
■ 实验3：回环校验
■ 实验4：通过后端滑窗优化回环帧位姿
■ 实验5：四自由度位姿图优化
■ 实验6：视觉地图的保存和加载
基于PX4的开源飞控系统
实验目的：基于PX4开源平台，研究并调试多旋翼无人机飞控系统。
实验内容：综合应用控制和传感器相关知识，在课程组提供的PX4系统上，学习传感器采集模块、传感器数据融合和滤波模块、内环控制模块、外环控制模块、通信模块等的开发方法，并利用Mavros（MAVLink + ROS）开发相应的机载计算机程序，实现上位机对无人机的实时操控。
■ 实验1：基于PX4的四旋翼建模与控制
■ 实验2：四旋翼模型与控制基础
■ 实验3：实际飞行测试
■ 实验4：日志分析
■ 实验5：传感器与遥控器校准原理
■ 实验6：PX4自定义任务并执行
■ 实验7：PX4自定义参数并使用QGC显示
■ 实验8：PX4自定义uORB消息并保存到日志
■ 实验9：PX4控制算法
■ 实验10：PX4中uORB概览
■ 实验11：PX4位置-姿态-角速度控制逻辑
■ 实验12：基于SO3的姿态控制
■ 实验13：TD微分跟踪器原理与仿真
■ 实验14：ADRC误差组合
■ 实验15：LESO原理与仿真
■ 实验16：LADRC角速度环Simulink仿真
■ 实验17：LADRC飞控C++代码编写
■ 实验18：LADRC仿真与实物测试分析
■ 实验19：非线性ADRC原理与仿真
■ 实验20：一键起飞
■ 实验21：自动降落
■ 实验22：速度平滑
单目视觉跟踪与识别系统
实验目的：研究和探索无人机单目视觉追踪和识别的方法。
实验内容：综合应用计算机视觉和深度学习等相关知识，学习和开发基于特征的无人机视觉识别与跟踪方法、基于深度学习的无人机视觉与跟踪方法，并在安装有Ubuntu和Ros的计算机上实现。
■ 实验1：单目视觉位姿估计
■ 实验2：基于ceres自动求导的单目视觉BA优化
■ 实验3：陀螺仪零偏初始化
■ 实验4：视觉惯性对齐求解
■ 实验5：基于已知重力的视觉惯性对齐调整
立体视觉导航与避障系统
实验目的：研究和探索无人机立体视觉导航和避障方法。
实验内容：应用深度相机、激光雷达等具备深度测量能力的传感器，学习和开发无人机立体视觉同步定位建图导航方法、基于特征或学习的避障方法，并在安装有Ubuntu和Ros的计算机上实现。
无人机虚实融合仿真系统
实验目的：研究和探索无人机虚实融合仿真方法。
实验内容：应用Ros提供的Gazebo等工具，通过无线或有线方式接入开源飞控Px4的数据，开发完整的无人机虚实融合仿真系统，在虚拟系统中为无人机安装单目摄像头、深度摄像头、激光雷达等视觉传感器，实现虚拟环境下的无人机自主任务规划与飞行测试。
无人机视觉导航与避障技术
实验目的：研究和探索无人机视觉导航和避障方法。
实验内容：基于搭载轻量化计算平台、双目摄像头和和PX4飞控系统的微型无人机，开发算力受限情况下的无人机自主双目点云生成算法、视觉导航算法和自主避障算法，在室内实现飞行验证。
无人机视觉编队与任务规划技术
实验目的：研究和探索无人机视觉编队与任务规划方法。
实验内容：基于搭载轻量化计算平台、双目摄像头和和PX4飞控系统的微型无人机，开发算力受限情况下的分布式无人机视觉编队方法、集中式/分布式/智能式任务规划方法，并在室内实现飞行验证。
无人机编队实验
实验目的：认识在不同的无人机编队协议下，无人机编队的性能。
实验内容：利用Matlab和QuarQ等工具进行编程，通过WiFi建立服务器和无人机集群之间的通信，实现无人机集群的集中式和分布式编队飞行，并通过航迹变换和施加外部干扰等，验证不同的编队协议的鲁棒性和快速性之间的差异。
无人机智能任务规划
实验目的：通过实验综合掌握无人机全自主飞行及智能任务规划相关的方法。
实验内容：在机载Ubuntu和Ros系统上进行编程，并通过Mavros等工具与机载PX4飞控系统通信，利用机载双目摄像头采集的视觉数据生成点云，实现无人机在无GPS等外部导航手段的引导下的自主定位、自主导航、避障、路径规划和目标匹配，最终完成在开阔实验室空间内的智能任务规划。
基于VISIM的飞行模拟
基于模拟器实现相关验证与开发。
■ 实验1 单台OWL无人机模拟
■ 实验2 多台OWL无人机模拟
■ 实验3 QGC控制单台OWL
■ 实验4 从命令行向单台OWL发送takeoff, landing, start, 和stoptask指令
■ 实验5 用rviz显示单台OWL传感器发出的数据
■ 实验6 OWL定点追踪移动物体
■ 实验7 路径规划：OWL简单路径规划，通过rviz设置目标位置
■ 实验8 路径规划：OWL使用ego_planner规划飞行路线，命令行与rviz结合控制
■ 实验9 用QGC和命令行控制多台OWL
■ 实验10 用rviz显示多台OWL传感器发出的数据
■ 实验11 通过rostopic向单台/多台OWL发布数据和命令
■ 实验12 OWL蜂群避障
无人机地面站
了解Mission Planner地面站及操作。
■ 实验1：Mission Planner 地面站基本操作
■ 实验2：飞控启动过程与连接地面站
■ 实验3：加速度计校准
■ 实验4：遥控器校准
■ 实验5：电调校准
■ 实验6：磁罗盘校准
■ 实验7：飞行模式选择
■ 实验8：飞行前检查与故障排除
■ 实验9：飞控代码编译与下载
■ 实验10：了解飞控代码架构
无人机维护技术
此课程专注于无人机的日常维护、保养及故障排查与维修技术。学生将学习如何对无人机进行定期检查、清洁、润滑以及更换易损件，同时掌握无人机常见故障的诊断与排除方法。
■ 实验1：遥控系统通讯异常检测与维修
■ 实验2：通讯链路故障检测与维修
■ 实验3：无人机动力系统故障检测与维修
■ 实验4：飞行控制系统故障检测与维修
■ 实验5：固件丢失或异常维修
■ 实验6：无人机保养
配套课程资源
无人机与深度学习
主要包括无人机算法、无人机与深度学习视频教程，主要包括零基础入门四旋翼建模与控制等。
人工智能基础
主要包括深度学习经典检测方法概述、K-MEANS、生成对抗网络、条件生成对抗网络等视频课程。
机器视觉
主要包括AlexNet网络思想与网络架构、YOLO-V1整体思想与网络架构、YOLO-V2改进细节详解、YOLO-V3核心网络模型、基于V3版本进行源码解读、YOLO V4和V5、迁移学习与Resnet网络等相关视频课程。
ROS和SLAM
主要包括ROS基础、机器人环境感知、机器人SLAM与自主导航、多模态SLAM技术和算法框架、激光-惯性子系统（LIS）及代码精读、视觉-惯性子系统（VIS）及代码精读、激光-视觉-惯性数据融合与优化融合、ROS理论与实践Moveit、ROS机器人综合应用等相关PPT、教案和视频课程。
飞控与地面站
视频课程及PPT课件，主要包括MISSION PLANNER地面站简介与操作、飞行控制器介绍、飞控启动过程、加速度计校准、遥控器校准、电调校准、罗盘校准、飞行模式、飞行前检查与故障排除、飞控代码编译与下载、了解飞控代码。
