智能无人系统
第一章和第七章 无人驾驶平台和系统第一章SAE自动驾驶分级标准 层级 名称 详细描述 Level 0 无自动化 无自动控制功能。 Level 1 单一功能级自动化 无法做到手和脚同时不操控。 Level 2 部分自动化 在某些预设环境下可以不操作汽车，即手脚同时离开控制。 Level 3 有条件自动化 特定条件部分任务。 Level 4 高度自动化 特定条件全部任务。 Level 5 完全自动化 全部条件全部任务。 传感器平台主流的无人驾驶传感平台以激光雷达和车载摄像头为主，并呈现多传感器融合发展的趋势。需要了解各类传感器（激光雷达、毫米波雷达、摄像头、GPS/IMU、V2X通信传感系统）的检测原理、优势、劣势以及功能。 1. 激光雷达 (LiDAR) 与 毫米波雷达 (Radar)： 激光雷达 (LiDAR) 核心原理：利用光进行“回声定位”。 测距技术：飞行时间法 (ToF)。 公式： $r =\frac{1}{2}ct$（c为光速，t为往返时间）。 适用性：测距精准（厘米级），能区分车道线；缺点是受雨雪雾天气影响大。 分类：...
嵌入式系统原理
第一章 导论 嵌入式系统是一切非PC和大型计算机系统。 第二章 Cortex-M3 微处理器1. 内核结构 核心架构：Cortex-M3 是基于 ARMv7-M 架构的 32 位处理器内核，采用高性能的哈佛结构，寻址能力为4GB。 设计模式：ARM 公司设计内核，芯片制造商（如 ATMEL、NXP、TI）在此基础上添加不同的外设、存储器和 I/O，形成各类微控制器 (MCU)。 2. 流水线技术 定义：将指令分解为多步并重叠执行，以实现并行处理。 流水线技术三大指标：吞吐率、加速比、效率 （1）吞吐率 单位时间内完成的指令条数 $流水时间 = 三个阶段总时间 + （指令条数 -1）\times 时间最长的阶段$ 例题： （2）加速比 不使用流水线时间和使用流水线时间之比 若流水线各段时间均为 $\Delta t$，流水线级数 $m$，指令数为 $n$：分子：$nm\Delta t$分母：$m\Delta t + (n-1)\Delta t$ （流水线计算公式）则加速比为： S_p = \frac{nm\Delta t}{m\Delta t + (n-1)\D...
人工智能原理与应用
第一章 绪论智能：智能指人类在认识客观世界中，由思维过程和脑力活动所表现出的综合能力。 智能包含的能力 AI的研究目标 三大学派 新的发展 智能模拟方法 推理 推理：是指按照某种策略从已知事实出发利用知识推出所需结论的过程。 推理方法：归纳、演绎、（不）确定性推理 搜索 搜索：依靠经验，利用已有知识，根据问题的实际情况，不断寻找可利用知识，从而构造一条代价最小的推理路线，使问题得以解决的过程。 智能搜索：利用搜索过程中得到的信息来引导搜索向最优方向发展的算法。 神经元（画图） 大数据的特性： 规模性、多样性、实时性、价值性 机器视觉的流程：图像获取$\rightarrow$图像解释 模式识别 自然语言处理 智能控制 人工智能工程 人工智能面临的问题 道德伦理问题 法律法规的制定问题 安全问题（信息安全、交通安全、人身安全） 稀缺数据资源条件下的学习 目前人工智能属于弱人工智能 未来发展趋势 从专用智能向通用是能发展 从人工智能向人机融合发展 自动化AI技术 AI药物的研发 减少对数据的需求 可解释性和鲁棒性 第二章...
模式识别与统计学习
考试心得： 考的很简单，完全没必要花很多精力复习 第一章 统计学习方法概述 ❝ 机器学习是一门人工智能的科学, 该领域的主要研究对象是人工智能, 特别是如何在经验学习中改善具体算法的性能。 ❞ —— 机器学习是对能通过经验自动改进的计算机算法的研究。 统计学习 概念：计算机基于数据构建概率统计模型，运用模型对数据进行预测和分析。 研究对象：数据、基本假设。 目的：对数据（特别是未知数据）进行预测和分析。 🤔 为什么需要机器学习？ 数据量太大：人脑无法处理海量维度。 知识盲区：人类无法解释专业知识，或专业知识本身不存在。 发展历程与三要素模式识别与机器学习发展历程： 核心：统计学三要素\text{方法} = \text{模型} + \text{策略} + \text{算法}1. 模型 (Model) 非概率模型： 假设空间：决策函数 $F=\{f \mid Y=f(X)\}$ 参数空间：$F=\{f \mid Y=f_\theta(X), \theta \in \mathbb{R}^n\}$ 概率模型： 假设空间：条件概率 $F=\{P \mid P(Y|X)...
专业前沿讲座报告
课程信息 课程名称： 专业前沿讲座 学期： 2025—2026学年第 1 学期 作者： 宋文韬 (智机试验2305 / 23013361) 摘要当前，人工智能与机器人技术正经历高速发展，多智能体协同、复杂系统优化等成为研究热点。文章结合《专业前沿讲座》课程内容及相关文献研读，梳理与分析了多智能体感知决策、大规模全局优化、工业互联网信息融合与安全以及机器学习在科学探索中的前沿应用。通过对这些技术在原理、实例及前沿研究上的综合分析，本报告总结了当前人工智能技术发展的内在规律与主流趋势，进一步形成了对未来研究方向与科研方法的初步认识与思考。 关键词： 人工智能与机器人、多智能体、全局优化、工业互联网、机器学习 1. 引言当今世界，新一轮科技革命和产业变革正在深入发展，人工智能与机器人技术已成为国际竞争的新高地，也是推动经济社会发展的核心引擎。从自动驾驶车队的协同作业到智慧工厂的精准制造，从复杂系统的调度优化到基础科学领域的突破性发现，智能科学技术正在以前所未有的速度重塑着我们对世界的认知与改造能力。作为信息学院的学生，置身于这一时代的浪潮中，不仅需要掌握扎实的工程基础，更需要...
