Mitchell Rushton Ingeniero de I+D, Aplicaciones Académicas
En esta publicación profundizaremos en algunos de los nuevos contenidos de enseñanza que estamos lanzando para Self-Driving Car Studio (SDCS) de Quanser. También discutiremos algunas características únicas que hacen de SDCS una solución ideal para enseñar a los estudiantes sobre autos sin conductor y campos relacionados.
Comenzamos con cinco actividades de habilidades para SDCS, todas escritas en Python. Estas actividades prácticas adoptan un enfoque de aprendizaje experiencial para mantener a los estudiantes comprometidos y brindar valiosas experiencias del mundo real, preparándolos para futuras carreras en la industria.
Después de dominar los conceptos básicos de interpretación de datos de sensores y cámaras, los estudiantes aplican sus conocimientos a la estimación del estado del vehículo. Una vez que tienen una estimación confiable de la posición del automóvil en el espacio, los estudiantes exploran cómo se puede controlar para conducir de forma autónoma. Finalmente, lo pusieron todo junto usando el Lidar a bordo del QCar para construir un mapa 2D de su entorno circundante.
A través de esta progresión, los estudiantes se ven a sí mismos pasar de datos de sensores sin procesar a realizar una tarea significativa de forma autónoma.
Quanser ha implementado tradicionalmente contenido de enseñanza e investigación en MATLAB/Simulink. Sin embargo, en respuesta a las tendencias y la demanda de la industria , hemos cambiado a Python para SDCS. Para respaldar esta transición, hemos estado trabajando diligentemente para desarrollar un conjunto de bibliotecas de aplicaciones de Python que simplifican las interacciones con todos los productos de Quanser, lo que permite a los investigadores centrarse en la innovación en lugar de reinventar la rueda.
Aunque admitimos varios entornos de software para el desarrollo de QCar (incluidos ROS 1 y 2), hemos optado por usar Python puro para nuestro contenido de enseñanza. Si bien ROS es ventajoso para la investigación, su complejidad y dificultad para configurar el entorno de desarrollo lo hacen menos adecuado para entornos de aula. Podría decirse que en los cursos que se centran en ROS para la enseñanza, los estudiantes pasan una cantidad significativa de tiempo aprendiendo ROS sobre otros objetivos de aprendizaje. Al elegir Python, mantenemos a los estudiantes enfocados en los resultados de aprendizaje específicos.
Una de las características más destacadas de SDCS es su integración con Quanser Interactive Labs (QLabs), nuestro entorno de simulación que ofrece un gemelo digital de la experiencia física de QCar. Esta integración es especialmente beneficiosa para clases más grandes, donde no es factible proporcionar a cada estudiante su propio dispositivo. Con QLabs, los estudiantes pueden desarrollar y probar su código de forma independiente, aprovechando al máximo su tiempo limitado de laboratorio para validar sus resultados en hardware real. Otra gran ventaja de QLabs es su potencial para crear demostraciones interactivas y atractivas durante las conferencias con las que los estudiantes pueden seguir interactuando fuera del aula. Esta característica fomenta una comprensión más profunda del tema y anima a los estudiantes a hacerse cargo de su propia experiencia de aprendizaje.
El estudio de vehículos autónomos de Quanser está preparado para transformar la forma en que enseñamos la ingeniería de vehículos autónomos. Con nuevas actividades de habilidades, un enfoque en Python y la integración de Quanser Interactive Labs, SDCS ofrece una experiencia de aprendizaje sin igual para los estudiantes. Estamos emocionados de ver el increíble impacto que tendrá esta plataforma en el futuro de la educación y la investigación en vehículos autónomos y más allá.
Nota completa: https://bit.ly/3C2NFUn
Más información sobre este producto, entre en contacto con:
Jacqueline Vicarte
Ejecutivo Quanser
jvicarte@multion.com