Το εκπαιδευτικό πρόγραμμα
miniRACECAR

To miniRacecar είναι ένα υψηλού επιπέδου μάθημα που καθοδηγεί τους μαθητές στον προγραμματισμό με Python και τη συναρμολόγηση ενός αγωνιστικού αυτοκινήτου, το οποίο θα μπορεί να διατρέχει αυτόνομα μια πίστα με συγκεκριμένο σύνολο εμποδίων. Το μάθημα είναι πλήρως διαδικτυακό και ασύγχρονο.

Το miniRacecar προσφέρεται δωρεάν από το BWSI και είναι στα Αγγλικά. Το μάθημα μπορεί να ολοκληρωθεί μέσω του ειδικά σχεδιασμένου λογισμικού προσομοίωσης του miniRACECAR και δεν απαιτεί φυσικό αυτοκίνητο (για τις ομάδες που επιθυμούν να αποκτήσουν το kit συναρμολόγησης, το ενδεικτικό κόστος είναι 1.200 Ευρώ χρησιμοποιώντας τις προδιαγραφές του αυτοκινητου που παρέχονται στο μάθημα του BWSI). Το Racecar Challenge επίσης δεν απαιτεί οι ομάδες να διαθέτουν το φυσικό αυτοκίνητο.

Οι μαθητές και εκπαιδευτικοί που εγγράφονται στο miniRacecar θα έχουν επίσης δωρεάν πρόσβαση στο μάθημα Python Core του BWSI, μία προαιρετική εκπαίδευση στην γλώσσα προγραμματισμού Python που οι μαθητές μπορούν να επιλέξουν να παρακολουθήσουν πριν ξεκινήσουν το miniRacecar, ανάλογα με το επίπεδο γνώσεών τους στην Python.

Μπορείτε να βρείτε πληροφορίες για το περιεχόμενο του miniRacecar εδώ και του BWSI Python Core εδώ.

Εργαστήρια

Στόχος τους είναι να εισάγουν τα παιδιά στην Python, τη ρομποτική και την τεχνητή όραση με OpenCV.

%

Υποστήριξη

Παρέχεται συνεχής υποστήριξη στους εκπαιδευτικούς από την πλατφόρμα OpenEdx μέσω του Piazza Forum, καθώς και από την Ελληνική ομάδα supportRACECAR Greece.

 Συνεργασία

Επίλυση προβλημάτων

Δημιουργία

Στρατηγική

Ένα πρόγραμμα που αναπτύσσει δεξιότητες

Python

Ρομποτική

Τεχνητή όραση

Επικοινωνία

Εργαστήρια

Η κάμερα

O αισθητήρας LIDAR

RacecarSim

01

Eισαγωγή στον προγραμματισμό και στο περιέχομενο του προγράμματος.

Εξοικοίωση με τις λειτουργίες και τον έλεγχο του αυτοκινήτου.

Υλοποίηση του πρώτου προγράμματος και δοκιμή του στο RacecarSim (πρόγραμμα προσομοίωσης του αυτοκινήτου RACECAR).

02

Αναγνώριση αντικειμένων σε έγχρωμες εικόνες. 

Eξοικείωση με τις λειτουργίες επεξεργασίας εικόνας.

Προσδιορισμός μεγέθους και θέσης σημαντικών αντικειμένων.

03

Χρήση εικόνων βάθους για υπολογισμό απόστασης αντικειμένων και εντοπισμό του πλησιέστερου.

Μείωση θορύβου εικόνας με εφαρμογή συναρτήσεων.

Χρήση έγχρωμων εικόνων και εικόνων βάθους για τον εντοπισμό και τη μέτρηση απόστασης ενός αντικειμένου. 

04

Χρήση sensor LIDAR (Light Detection And Ranging) για ανίχνευση αντικειμένων προς όλες τις κατευθύνσεις.

Σύγκριση πλεονεκτημάτων εικόνων βάθους έναντι LIDAR και εντοπισμός καταστάσεων στις οποίες το καθένα είναι καλύτερο.

Eφαρμογή διαδρομών.

05

Αναγνώριση δεικτών AR (augmented reality) και εξαγωγή πληροφορίας από αυτούς.

Προσδιορισμός θέσης, προσανατολισμού και χρώματος AR.

Λήψη αποφάσεων για τη διαδρομή με βάση τις πληροφορίες που παρέχουν οι AR.