返回实验室
多模态智能交互小车
校园场景AI原型开发
打造一款融合计算机视觉与自然语言处理的智能小车，核心目标是通过轻量化AI技术实现"环境感知-身份识别-情感交互"的跨场景应用，验证智能移动载体在校园实验室辅助、简单导览等场景的可行性，为具身智能产品落地提供技术原型参考。
我的角色与职责 (AI产品经理视角)
需求梳理与技术选型
- • 调研校园场景痛点，确定三大核心功能
- • 选定MindSpore框架和华为云ModelArts
- • 统筹3人团队（算法/硬件/交互）
- • 明确各模块交付节点
迭代管理与验收
- • 用原型工具设计交互流程
- • 组织2轮用户测试优化功能优先级
- • 通过周会推进模块衔接
- • 制定量化指标和验收标准
挑战与解决方案
边缘设备算力不足
敏捷试错问题
三维点云重建和情感分析模块占用算力过高，小车响应延迟超500ms
解决方案
用敏捷思路拆分优先级，先跑通单模块独立运行，再通过MindSpore模型压缩（体积减40%）+动态调度（按需启动模块），将延迟压至200ms内
复杂光线影响识别准确率
落地攻坚问题
实验室背光、室外强光场景下人脸识别误差大，准确率低至78%
解决方案
快速收集2000+多光线样本，用ModelArts训练适配子模型，通过A/B测试验证效果，最终全场景准确率达98.3%
成果与影响
98.7%
人脸识别准确率
支持戴口罩识别
≤5mm
三维点云重建误差
高精度环境建模
89%
情感分析准确率
语音/文本情绪判定
40%
设备记录效率提升
实验室管理员反馈
用户反馈
实验室管理员
"设备记录效率提升40%"
测试学生
"语音交互流畅，响应符合预期"
技术栈与工具
算法框架
MindSpore华为云ModelArtsPythonOpen3DNLTK
硬件设备
Jetson NanoRGB-D摄像头麦克风模块Arduino
开发工具
FigmaJiraGit
学习与反思
成长收获
深刻体会"技术落地需平衡算力与需求"，初期追求全功能导致卡顿，通过MVP+快速迭代才找到平衡点
迭代方向
后续可引入ROS优化硬件控制，扩展传感器提升环境感知维度
方法验证
验证了"用户测试+量化指标"对技术项目的重要性，可复用于具身智能产品开发