| 功能單元 | 功能數(shù)值 | 功能描述 |
| 實驗箱 | 外觀尺寸：≥610*440*240mm； | 外箱應(yīng)用鋁木合金材料，四周裝配尼龍防護墊，實驗箱體內(nèi)部含有存儲空間，可以妥善放置模型塊及備品備件，打開方法為按壓彈出。 |
| AI運算單元 |
GPU ：128核 NVIDIA Maxwell GPU； CPU ：4核cortex-A57處置整理器； 內(nèi)部存儲：4 GB LPDDR 25.6 GB/s； 算力：472 GFLOP； 核心拓展：擁有最少4個USB3.0連接口，支持HDMI和DP視頻連接口，一路M.2連接口的單路PCIE，并裝配備有散熱風扇， 40pin GPIO； 互聯(lián)網(wǎng)：千兆以太網(wǎng)口、無線網(wǎng)卡支持2.4Ghz/5GHZ,支持藍牙4.2； |
裝配Ubuntu 18.04 LTS+ROS Melodic實操系統(tǒng)，包括JupyterLab研發(fā)環(huán)境、Anaconda 4.5.4虛擬環(huán)境，支持一系列流行的AI框體結(jié)構(gòu)和算法，比如TensorFlow、caffe/caffe2、Keras、Pytorch、MXNET 等，系統(tǒng)裝配備有OpenCV計算機數(shù)值數(shù)值視覺庫，TensorFlow AI框體結(jié)構(gòu)，Pytorch AI框體結(jié)構(gòu)。 |
| 機械臂 |
機械臂自由度：5自由度+夾持器，200g有效負載，臂展350mm； 舵機方案：15Kg*5+6Kg*1智能串行總線舵機； 材料：陽極氧化處置整理鋁制； |
用來機器人動作學與機器人系統(tǒng)，可以完成夾持積木等動作。 |
| 嵌入式核心主板 |
連接口：6個總線舵機連接口， PWM舵機連接口，i2C連接口，除AI核心板外還支持STM32和Raspberry Pi； OLED:顯露CPU占用，顯露內(nèi)部存儲占用，顯露IP地址等基礎(chǔ)信息； 按鍵：K1+K2鍵+RESET鍵； 1 個RGB燈； |
用來支持機械臂動作。 |
| 攝像頭 | 應(yīng)用USB連接口，30萬像素，110度廣角攝像頭，480P分辨率（600*480） | AI視覺實驗，如垃圾分揀等實驗。 |
| AI聽覺單元 |
音頻芯片：應(yīng)用SSS1629音頻芯片； 麥克風：板載兩個高重量MEMS硅麥克風； 連接口：標準3.5mm耳機連接口、雙通道喇叭連接口； |
應(yīng)用USB連接口設(shè)計，免驅(qū)動，多系統(tǒng)兼容，可左右聲道錄音，音質(zhì)更加?？梢酝瓿葾I聽覺類實驗。 |
| 傳感器實驗模型塊 |
傳感器實驗模型塊將Jetson nano的GPIO連接口引出，便利完成GPIO實驗，并而且含有以下實驗課程：雙色LED、 繼電器、 輕觸開關(guān)按鍵、U 型光電傳感器、模數(shù)變換、PS2 操縱桿、電位器、模仿霍爾傳感器、光敏傳感器、火焰報警、氣體傳感器、觸摸開關(guān)、超聲波傳感器距離檢驗測試、旋轉(zhuǎn)編碼器、紅外避障傳感器、氣壓傳感器、陀螺儀加快速度度傳感器、循跡傳感器、直線DC電機風扇模型塊、步進電機驅(qū)動模型塊； |
傳感器實驗模型塊可以更好的幫助學習掌控把握者更加快速的入門Jetson nano的GPIO控制，從基礎(chǔ)入手，完成實驗項目。同時引出的GPIO和可位移的模型塊也使我們后續(xù)的使用和研發(fā)更加便利。 |
| 顯露屏 | 10寸顯露屏，HDMI連接口，1080P分辨率。 | 顯露屏傾斜裝配，傾斜角度大于5°。用來實操系統(tǒng)顯露。 |
| 鍵盤鼠標 | 干電池供電，無線藍牙連接。 | 用來系統(tǒng)控制。 |
| 教學課程 | 課程內(nèi)容 |
| 矩陣論 | 標量、向量、矩陣、張量 |
| 矩陣和向量相乘 | |
| 單位矩陣和逆矩陣 | |
| 線性相關(guān)和生成子空間 | |
| 范數(shù) | |
| 特殊類型的矩陣和向量 | |
| 跡運算 | |
| Moore-Penrose偽逆 | |
| 概率與信息論 | 隨機變量與概率分布 |
| 離散型變量與概率分布律 | |
| 常見的離散型概率分布 | |
| 連續(xù)型變量和概率密度函數(shù) | |
| 常見的連續(xù)性概率分布 | |
| 聯(lián)合概率 | |
| 邊緣概率 | |
| 條件概率 | |
| 單單獨性和條件單單獨性 | |
| 期望、方差和協(xié)方差 | |
| 信息論 |
| 教學課程 | 課程內(nèi)容 |
| 變量與基礎(chǔ)數(shù)值類型 | 變量 |
| 基礎(chǔ)數(shù)值類型 | |
| 清單和元組 | 清單 |
| 元組 | |
| 字典與集合 | 字典 |
| 集合 | |
| 類和對象 | 面向?qū)ο蠡A(chǔ)簡介 |
| 類的定義和使用 | |
| 屬性 | |
| 繼承 | |
| 模型塊化程序設(shè)計 | 函數(shù)創(chuàng)建和調(diào)用 |
| 功能數(shù)值傳遞 | |
| 深度學習掌控把握框體結(jié)構(gòu)簡介 | TensorFlow |
| PyTorch | |
| Caffe/caffe2 | |
| PaddlePaddle | |
| Linux研發(fā)環(huán)境簡介 | Ubuntu實操系統(tǒng) |
| 常用命令行 |
| 教學課程 | 課程內(nèi)容 |
| 基礎(chǔ)概念 | 實訓集、測量試驗集、檢驗集 |
| 過結(jié)合、欠結(jié)合、泛化 | |
| 學習掌控把握率、正則化、交叉檢驗 | |
| K-近鄰算法 | 基礎(chǔ)概念 |
| K的選取 | |
| 距離的度量 | |
| 支持向量機 | 間隔與支持向量 |
| 對偶問題 | |
| 核函數(shù) | |
| 軟間隔與正則化 | |
| K-均值聚類 | K-均值聚類 |
| 決策樹和隨機森林 | 決策樹的基礎(chǔ)概念 |
| 選用最佳劃分標準 | |
| 隨機森林 | |
| 神經(jīng)互聯(lián)網(wǎng) | 神經(jīng)元模型 |
| 感知器 | |
| 多層感知器 | |
| 經(jīng)驗風險和構(gòu)造風險 | |
| 梯度下降和反向傳播 | |
| RBF互聯(lián)網(wǎng) | |
| 超限學習掌控把握機 | |
| 神經(jīng)互聯(lián)網(wǎng)實訓技巧 |
| 教學課程 | 課程內(nèi)容 |
| 人工智能 | 人工智能、機器學習掌控把握與深度學習掌控把握 |
| 深度學習掌控把握 | 深度學習掌控把握的發(fā)展歷程 |
| 卷積神經(jīng)互聯(lián)網(wǎng) | 發(fā)展歷程 |
| 基礎(chǔ)構(gòu)造 | |
| 前饋運算與反向傳播 | |
| 相關(guān)性質(zhì) | |
| 卷積神經(jīng)互聯(lián)網(wǎng)變種 | |
| 常用卷積神經(jīng)互聯(lián)網(wǎng)模型 | |
| 循環(huán)神經(jīng)互聯(lián)網(wǎng) | 循環(huán)神經(jīng)互聯(lián)網(wǎng)簡介 |
| 長短時記憶互聯(lián)網(wǎng)神經(jīng) | |
| 循環(huán)神經(jīng)互聯(lián)網(wǎng)的變體 | |
| 生成對抗互聯(lián)網(wǎng) | 生成對抗互聯(lián)網(wǎng)簡介 |
| 生成對抗互聯(lián)網(wǎng)基礎(chǔ)構(gòu)造 | |
| 生成對抗互聯(lián)網(wǎng)變種 |
| 實驗課程 | 課程內(nèi)容 |
| ROS基礎(chǔ)與動作學 | ROS基礎(chǔ)課程 |
| ROS創(chuàng)建工程項目 | |
| 自定義消息 | |
| Server通訊 | |
| 機械臂URDF模型 | |
| 機械臂動作學正反解 | |
| MoveIt配備 | |
| 智能串行總線舵機 | |
| PC上位機控制 | |
| 機械臂自定義學習掌控把握動作組 | |
| 機械臂關(guān)節(jié)弧度及末端姿態(tài)控制 | |
| 機械臂作業(yè)區(qū)域內(nèi)抓取、搬運 | |
| 6自由度逆動作學控制 |
| 實驗課程 | 課程內(nèi)容 |
| Jetson nano GPIO課程 | 雙色LED控制 |
| 電位器檢驗測試 | |
| 繼電器控制 | |
| 輕觸開關(guān)按鍵 | |
| PCF8591模數(shù)變換 | |
| PS2操縱桿 | |
| 觸摸開關(guān)控制 | |
| 直線DC電機風扇 | |
| 步進電機驅(qū)動 | |
| 傳感器實驗課程 | 模仿霍爾傳感器 |
| 模仿溫度（℃）傳感器 | |
| 火焰報警 | |
| 煙霧傳感器 | |
| 超聲波傳感器距離檢驗測試 | |
| 旋轉(zhuǎn)編碼器 | |
| 紅外避障傳感器 | |
| BMP180氣壓傳感器 | |
| MPU6050陀螺儀加快速度度傳感器 | |
| 循跡傳感器 |
| 實驗課程 | 課程內(nèi)容 |
| 機械臂基礎(chǔ)課程 | 用戶按鍵控制 |
| 蜂鳴器控制實驗 | |
| OLED控制實驗 | |
| 控制單個舵機 | |
| 同時控制6個舵機動作 | |
| 讀取舵機當前位置 | |
| 機械臂關(guān)節(jié)標定實踐 | |
| 機械臂關(guān)節(jié)弧度及末端姿態(tài)控制 | |
| 機械臂舞蹈表演 | |
| 機械臂搬運色塊實踐 | |
| 機械臂搬運碼垛色塊實踐 | |
| 機械臂抓取作業(yè)區(qū)域九點標定 | |
| 機械臂抓取作業(yè)區(qū)域物塊測量試驗 |
| 實驗課程 | 課程內(nèi)容 |
| AI視覺研發(fā)課程 | 裝配和使用Matplotlib、Pyplot 和 Numpy |
| 在OpenCV中運行攝像頭 | |
| JetCam庫中測量試驗USB攝像頭 | |
| OpenCV讀取、寫入和顯露圖像 | |
| OpenCV讀取、顯露和存檔視頻 | |
| OpenCV繪圖函數(shù)使用 | |
| OpenCV圖像重量和像素實操 | |
| OpenCV圖片剪切 | |
| OpenCV圖片平移 | |
| OpenCV圖片鏡像 | |
| OpenCV仿射變換 | |
| OpenCV圖片縮放 | |
| OpenCV圖片旋轉(zhuǎn) | |
| OpenCV圖片處置整理 | |
| OpenCV灰度處置整理 | |
| OpenCV圖像美化 | |
| OpenCV邊緣檢驗測試 | |
| OpenCV二值化處置整理 | |
| OpenCV矩形圓形測繪制作 | |
| OpenCV文字圖片處置整理 | |
| OpenCV線段測繪制作 | |
| OpenCV彩色圖片直方圖 | |
| OpenCV直方圖均衡畫 | |
| OpenCV圖片修補 | |
| OpenCV亮度增強 | |
| OpenCV高斯均值濾波 | |
| OpenCV磨皮美白 | |
| OpenCV中值濾波 | |
| AI視覺與機械臂綜合課程 | 顏色檢驗測試 |
| 臉部和眼睛檢驗測試 | |
| 行人檢驗測試 | |
| 汽車檢驗測試 | |
| 車牌檢驗測試 | |
| 目標追蹤 | |
| 定位物體就地實時位置 | |
| 攝像頭機械臂物體追蹤 | |
| 攝像頭機械臂人臉追蹤 | |
| 色塊抓取分揀實驗 | |
| 攝像頭ArucoTag識別抓取實驗 | |
| AI人工智能機械臂與主人互動實踐 | |
| AI人工智能機械臂手勢識別抓取指定色塊實行碼垛 | |
| AI人工智能機械臂垃圾分類實踐 | |
| 嵌入式視覺應(yīng)用 | 圖像分類 |
| 物體檢驗測試 | |
| 語義分割 | |
| 目標檢驗測試 | |
| 人體姿態(tài)動作識別 | |
| 背景移除 | |
| 單眼深度圖 |
| 實驗課程 | 課程內(nèi)容 |
| AI聽覺領(lǐng)域前沿算法 | 連接時序分類模型 |
| Attention模型 | |
| 基于HMM的語音識別 | |
| Transformer | |
| AI聽覺綜合實戰(zhàn) | AI聽覺領(lǐng)域前沿算法 |
| 在線語音合成 | |
| 語音聽寫流式 | |
| 圖靈機器人 | |
| AIUI | |
| VAD端點檢驗測試 | |
| 小薇機器人語音對話 | |
| Snowboy語音喚醒 | |
| 語音情感識別 | |
| 基于 Kaldi 的語音識別實踐 |
常見問題：
1、如果我要購買AI人工智能實驗箱，人工智能實驗室設(shè)備，是否有安裝、培訓服務(wù)呢？
答：我們的設(shè)備如果沒有特別注明“不含安裝”“裸機價”“出廠”等字樣的，都是提供安裝、培訓服務(wù)的。
2、你們的AI人工智能實驗箱，人工智能實驗室設(shè)備是否能開增值稅專用發(fā)票？
答：可以的，我們是正規(guī)企業(yè)，并且已經(jīng)升級到一般納稅人，可以開具增值稅專用發(fā)票，如果您需要開AI人工智能實驗箱，人工智能實驗室設(shè)備的發(fā)票，您需要提供開票資料。
3、你們的AI人工智能實驗箱，人工智能實驗室設(shè)備都是自己生產(chǎn)的嗎？都有什么產(chǎn)品資質(zhì)？
答：我們公司是專業(yè)生產(chǎn)教學設(shè)備的企業(yè)，完全自主生產(chǎn)，并通過了最新版ISO9001認證，擁有多項專利與著作權(quán)。
本文來自網(wǎng)絡(luò)，不代表本站立場，圖片為參考圖片，轉(zhuǎn)載請注明出處：AI人工智能實驗箱，人工智能實驗室設(shè)備
生產(chǎn)基地
浙江省麗水市石牛路262號2棟
