 |
|
| 功能單元 | 參數(shù) | 功能描述 |
| 實驗箱 | 外形尺寸：≥610*440*240mm； | 外箱采用鋁木合金材料，四周安裝尼龍防護墊，實驗箱體內(nèi)部包含存儲空間，可以妥善存放模塊及配件，打開方式為按壓彈出。 |
| AI運算單元 |
GPU ：128核 NVIDIA Maxwell GPU； CPU ：4核cortex-A57處理器； 內(nèi)存：4 GB LPDDR 25.6 GB/s； 算力：472 GFLOP； 核心擴展：擁有最少4個USB3.0接口，支持HDMI和DP視頻接口，一路M.2接口的單路PCIE，并安裝有散熱風扇， 40pin GPIO； 網(wǎng)絡(luò)：千兆以太網(wǎng)口、無線網(wǎng)卡支持2.4Ghz/5GHZ,支持藍牙4.2； |
安裝Ubuntu 18.04 LTS+ROS Melodic操作系統(tǒng)，集成JupyterLab開發(fā)環(huán)境、Anaconda 4.5.4虛擬環(huán)境，支持一系列流行的AI框架和算法，比如TensorFlow、caffe/caffe2、Keras、Pytorch、MXNET 等，系統(tǒng)安裝有OpenCV計算機視覺庫，TensorFlow AI框架，Pytorch AI框架。 |
| 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； 材質(zhì)：陽極氧化處理鋁合金； |
用于機器人運動學與機器人系統(tǒng)，可以完成夾持積木等動作。 |
| 嵌入式核心主板 |
接口：6個總線舵機接口， PWM舵機接口，i2C接口，除AI核心板外還支持STM32和Raspberry Pi； OLED:顯示CPU占用，顯示內(nèi)存占用，顯示IP地址等基礎(chǔ)信息； 按鍵：K1+K2鍵+RESET鍵； 1 個RGB燈； |
用于支持機械臂動作。 |
| 攝像頭 | 采用USB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：采用SSS1629音頻芯片； 麥克風：板載兩個高質(zhì)量MEMS硅麥克風； 接口：標準3.5mm耳機接口、雙通道喇叭接口； |
采用USB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?zāi)K |
傳感器實驗?zāi)K將Jetson nano的GPIO接口引出，方便完成GPIO實驗，并且包含以下實驗課程：雙色LED、 繼電器、 輕觸開關(guān)按鍵、U 型光電傳感器、模數(shù)轉(zhuǎn)換、PS2 操縱桿、電位器、模擬霍爾傳感器、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測、旋轉(zhuǎn)編碼器、紅外避障傳感器、氣壓傳感器、陀螺儀加速度傳感器、循跡傳感器、直流電機風扇模塊、步進電機驅(qū)動模塊； |
傳感器實驗?zāi)K可以更好的幫助學習者更加快速的入門Jetson nano的GPIO控制，從基礎(chǔ)入手，完成實驗項目。同時引出的GPIO和可移動的模塊也使我們后續(xù)的使用和開發(fā)更加方便。 |
| 顯示屏 | 10寸顯示屏，HDMI接口，1080P分辨率。 | 顯示屏傾斜安裝，傾斜角度大于5°。用于操作系統(tǒng)顯示。 |
| 鍵盤鼠標 | 干電池供電，無線藍牙連接。 | 用于系統(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 | |
| 獨立性和條件獨立性 | |
| 期望、方差和協(xié)方差 | |
| 信息論 |
| 教學課程 | 課程內(nèi)容 |
| 變量與基本數(shù)據(jù)類型 | 變量 |
| 基本數(shù)據(jù)類型 | |
| 列表和元組 | 列表 |
| 元組 | |
| 字典與集合 | 字典 |
| 集合 | |
| 類和對象 | 面向?qū)ο蟾攀?/span> |
| 類的定義和使用 | |
| 屬性 | |
| 繼承 | |
| 模塊化程序設(shè)計 | 函數(shù)創(chuàng)建和調(diào)用 |
| 參數(shù)傳遞 | |
| 深度學習框架簡介 | TensorFlow |
| PyTorch | |
| Caffe/caffe2 | |
| PaddlePaddle | |
| Linux開發(fā)環(huán)境簡介 | Ubuntu操作系統(tǒng) |
| 常用命令行 |
| 教學課程 | 課程內(nèi)容 |
| 基本概念 | 訓(xùn)練集、測試集、驗證集 |
| 過擬合、欠擬合、泛化 | |
| 學習率、正則化、交叉驗證 | |
| K-近鄰算法 | 基本概念 |
| 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 | 決策樹的基本概念 |
| 選擇最佳劃分標準 | |
| 隨機森林 | |
| 神經(jīng)網(wǎng)絡(luò) | 神經(jīng)元模型 |
| 感知器 | |
| 多層感知器 | |
| 經(jīng)驗風險和結(jié)構(gòu)風險 | |
| 梯度下降和反向傳播 | |
| RBF網(wǎng)絡(luò) | |
| 超限學習機 | |
| 神經(jīng)網(wǎng)絡(luò)訓(xùn)練技巧 |
| 教學課程 | 課程內(nèi)容 |
| 人工智能 | 人工智能、機器學習與深度學習 |
| 深度學習 | 深度學習的發(fā)展歷程 |
| 卷積神經(jīng)網(wǎng)絡(luò) | 發(fā)展歷程 |
| 基本結(jié)構(gòu) | |
| 前饋運算與反向傳播 | |
| 相關(guān)性質(zhì) | |
| 卷積神經(jīng)網(wǎng)絡(luò)變種 | |
| 常用卷積神經(jīng)網(wǎng)絡(luò)模型 | |
| 循環(huán)神經(jīng)網(wǎng)絡(luò) | 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 |
| 長短時記憶網(wǎng)絡(luò)神經(jīng) | |
| 循環(huán)神經(jīng)網(wǎng)絡(luò)的變體 | |
| 生成對抗網(wǎng)絡(luò) | 生成對抗網(wǎng)絡(luò)簡介 |
| 生成對抗網(wǎng)絡(luò)基本結(jié)構(gòu) | |
| 生成對抗網(wǎng)絡(luò)變種 |
| 實驗課程 | 課程內(nèi)容 |
| ROS基礎(chǔ)與運動學 | 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 | |
| 機械臂運動學正反解 | |
| MoveIt配置 | |
| 智能串行總線舵機 | |
| PC上位機控制 | |
| 機械臂自定義學習動作組 | |
| 機械臂關(guān)節(jié)弧度及末端姿態(tài)控制 | |
| 機械臂工作區(qū)域內(nèi)抓取、搬運 | |
| 6自由度逆運動學控制 |
| 實驗課程 | 課程內(nèi)容 |
| Jetson nano GPIO課程 | 雙色LED控制 |
| 電位器檢測 | |
| 繼電器控制 | |
| 輕觸開關(guān)按鍵 | |
| PCF8591模數(shù)轉(zhuǎn)換 | |
| PS2操縱桿 | |
| 觸摸開關(guān)控制 | |
| 直流電機風扇 | |
| 步進電機驅(qū)動 | |
| 傳感器實驗課程 | 模擬霍爾傳感器 |
| 模擬溫度傳感器 | |
| 火焰報警 | |
| 煙霧傳感器 | |
| 超聲波傳感器距離檢測 | |
| 旋轉(zhuǎn)編碼器 | |
| 紅外避障傳感器 | |
| BMP180氣壓傳感器 | |
| MPU6050陀螺儀加速度傳感器 | |
| 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 | |
| 機械臂抓取工作區(qū)域九點標定 | |
| 機械臂抓取工作區(qū)域物塊測試 |
| 實驗課程 | 課程內(nèi)容 |
| AI視覺開發(fā)課程 | 安裝和使用Matplotlib、Pyplot 和 Numpy |
| 在OpenCV中運行攝像頭 | |
| JetCam庫中測試USB攝像頭 | |
| OpenCV讀取、寫入和顯示圖像 | |
| OpenCV讀取、顯示和保存視頻 | |
| OpenCV繪圖函數(shù)使用 | |
| OpenCV圖像質(zhì)量和像素操作 | |
| 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圖片處理 | |
| OpenCV灰度處理 | |
| OpenCV圖像美化 | |
| OpenCV邊緣檢測 | |
| OpenCV二值化處理 | |
| OpenCV矩形圓形繪制 | |
| OpenCV文字圖片處理 | |
| OpenCV線段繪制 | |
| 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 | 顏色檢測 |
| 臉部和眼睛檢測 | |
| 行人檢測 | |
| 汽車檢測 | |
| 車牌檢測 | |
| 目標追蹤 | |
| 定位物體實時位置 | |
| 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進行碼垛 | |
| 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 |
| 物體檢測 | |
| 語義分割 | |
| 目標檢測 | |
| 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端點檢測 | |
| 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 |
友情提示：
1、貨品驗收：閣下收貨時請檢查AI人工智能實驗箱的貨品外觀，核實AI人工智能實驗箱的數(shù)量及配件，拒收處于受損狀態(tài)的AI人工智能實驗箱；
2、質(zhì)保：頂邦將為閣下提供AI人工智能實驗箱產(chǎn)品說明書內(nèi)的質(zhì)保條件和質(zhì)保期，在質(zhì)保范圍內(nèi)提供對AI人工智能實驗箱的免費維修，超出條件承諾時提供對AI人工智能實驗箱的有償維修；
3、退換貨：閣下單方面原因?qū)е碌腁I人工智能實驗箱選型錯誤或AI人工智能實驗箱購買數(shù)量錯誤，造成AI人工智能實驗箱的退換貨要求，將不被接受；
4、貨期：AI人工智能實驗箱的發(fā)貨期為參考值，如您需要了解AI人工智能實驗箱的精確貨期，請與頂邦的銷售人員聯(lián)系；
5、如閣下對AI人工智能實驗箱有任何疑問，請致電：021-36334717 ，我們將由專業(yè)人士為您提供有關(guān)AI人工智能實驗箱的咨詢。
找不到想找的產(chǎn)品?請點擊產(chǎn)品導(dǎo)航頁 |
掃碼添加微信客服
電話：13817525788 021-36334717
021-36334727
郵箱：dinbon@163.com
售后：021-55158775
郵箱：dinbon@163.com
掃碼關(guān)注公眾號
