رویکرد یادگیری فشرده STEM

دوره های بسیار عالی در دنیای آموزش مهندسی وجود دارد، اما اغلب برنامه درسی ساخته شده حول آنها از یک نقص جدی رنج می برد - عدم انسجام خوب بین موضوعات مختلف. یکی ممکن است اعتراض کند: چگونه ممکن است؟

هنگامی که یک برنامه آموزشی در حال شکل گیری است، پیش نیازها و ترتیب مشخصی که در آن رشته ها باید مطالعه شوند برای هر دوره مشخص می شود. به عنوان مثال، برای ساختن و برنامه ریزی یک ربات متحرک بدوی، باید کمی مکانیک را بدانید تا ساختار فیزیکی آن را ایجاد کنید. مبانی الکتریسیته در سطح قوانین اهم/کیرشهوف، نمایش سیگنال های دیجیتال و آنالوگ. عملیات با بردارها و ماتریس ها به منظور توصیف سیستم های مختصات و حرکات ربات در فضا. مبانی برنامه نویسی در سطح ارائه داده ها، الگوریتم های ساده و ساختارهای انتقال کنترل و غیره. برای توصیف رفتار

آیا همه اینها در دوره های دانشگاهی پوشش داده می شود؟ البته دارند. با این حال، با قوانین Ohm/Kirchhoff ما ترمودینامیک و نظریه میدان را دریافت می کنیم. علاوه بر عملیات با ماتریس ها و بردارها، باید با اشکال جردن نیز سر و کار داشت. در برنامه نویسی، چندشکلی را مطالعه کنید - موضوعاتی که همیشه برای حل یک مشکل عملی ساده مورد نیاز نیستند.

تحصیلات دانشگاهی گسترده است - دانشجو در جبهه گسترده ای پیش می رود و اغلب معنی و اهمیت عملی دانشی را که دریافت می کند نمی بیند. ما تصمیم گرفتیم که پارادایم آموزش دانشگاهی را در STEM (از کلمات Science، Technology، Engineering، Math) تغییر دهیم و برنامه ای ایجاد کنیم که مبتنی بر انسجام دانش باشد و امکان افزایش کامل را در آینده فراهم کند. مستلزم تسلط شدید بر موضوعات است.

یادگیری یک حوزه موضوعی جدید را می توان با کاوش در یک منطقه محلی مقایسه کرد. و در اینجا دو گزینه وجود دارد: یا ما یک نقشه بسیار دقیق با مقدار زیادی جزئیات داریم که نیاز به مطالعه دارد (و این زمان زیادی می برد) تا بفهمیم نقاط عطف اصلی کجا هستند و چگونه با یکدیگر ارتباط دارند. ; یا می توانید از یک طرح اولیه استفاده کنید که در آن فقط نقاط اصلی و موقعیت های نسبی آنها نشان داده شده است - چنین نقشه ای کافی است تا فوراً در جهت درست حرکت کنید و جزئیات را در حین حرکت روشن کنید.

ما رویکرد یادگیری فشرده STEM را در یک مدرسه زمستانی آزمایش کردیم، که همراه با دانشجویان MIT با حمایت از آن برگزار کردیم تحقیقات مغز جت.

آماده سازی مواد

بخش اول برنامه مدرسه یک هفته کلاس در زمینه های اصلی بود که شامل جبر، مدارهای الکتریکی، معماری کامپیوتر، برنامه نویسی پایتون و مقدمه ای بر ROS (سیستم عامل ربات) بود.

جهت ها تصادفی انتخاب نشدند: قرار بود با تکمیل یکدیگر، به دانش آموزان کمک کنند تا ارتباط بین چیزهای به ظاهر متفاوت را در نگاه اول ببینند - ریاضیات، الکترونیک و برنامه نویسی.

البته هدف اصلی سخنرانی‌های زیاد نبود، بلکه این بود که به دانش‌آموزان فرصت داده شود تا دانش تازه کسب شده را خودشان در عمل به کار گیرند.

در بخش جبر، دانش آموزان می توانستند عملیات ماتریس و حل سیستم معادلات را تمرین کنند که در مطالعه مدارهای الکتریکی مفید بود. دانش آموزان پس از آشنایی با ساختار ترانزیستور و عناصر منطقی ساخته شده بر اساس آن، می توانند کاربرد آن را در یک دستگاه پردازنده ببینند و پس از یادگیری اصول اولیه زبان پایتون، برنامه ای برای یک ربات واقعی در آن بنویسند.

داکی تاون

یکی از اهداف مدرسه این بود که در صورت امکان کار با شبیه سازها را به حداقل برساند. بنابراین، مجموعه بزرگی از مدارهای الکترونیکی تهیه شد که دانش آموزان باید آنها را روی یک تخته نان از قطعات واقعی جمع می کردند و آنها را در عمل آزمایش می کردند و داکی تاون به عنوان پایه پروژه ها انتخاب شد.

Duckietown یک پروژه منبع باز است که شامل ربات‌های مستقل کوچکی به نام Duckiebots و شبکه‌هایی از جاده‌هایی است که در طول آن حرکت می‌کنند. Duckiebot یک پلت فرم چرخدار مجهز به میکرو کامپیوتر Raspberry Pi و یک دوربین است.

بر اساس آن مجموعه ای از کارهای ممکن مانند ساختن نقشه راه، جستجوی اشیا و توقف در کنار آنها و تعدادی دیگر را آماده کرده ایم. دانش آموزان همچنین می توانند مشکل خود را مطرح کنند و نه تنها برنامه ای برای حل آن بنویسند، بلکه بلافاصله آن را روی یک ربات واقعی اجرا کنند.

آموزش

در طول سخنرانی، معلمان مطالب را با استفاده از ارائه های از پیش آماده شده ارائه کردند. برخی از کلاس ها به صورت ویدئویی ضبط می شد تا دانش آموزان بتوانند آنها را در خانه تماشا کنند. در طول سخنرانی ها، دانش آموزان از مواد در رایانه خود استفاده می کردند، سؤال می پرسیدند و مسائل را با هم و به طور مستقل و گاهی اوقات در تخته سیاه حل می کردند. بر اساس نتایج کار، امتیاز هر دانش آموز به طور جداگانه در دروس مختلف محاسبه شد.

اجازه دهید برگزاری کلاس ها در هر موضوع را با جزئیات بیشتری در نظر بگیریم. اولین موضوع جبر خطی بود. دانش آموزان یک روز را صرف مطالعه بردارها و ماتریس ها، سیستم های معادلات خطی و غیره کردند. وظایف عملی به صورت تعاملی ساختار یافته بودند: مسائل پیشنهادی به صورت جداگانه حل شدند و معلم و سایر دانش آموزان نظرات و نکاتی را ارائه کردند.

موضوع دوم برق و مدارهای ساده است. دانش آموزان اصول الکترودینامیک را یاد گرفتند: ولتاژ، جریان، مقاومت، قانون اهم و قوانین کیرشوف. کارهای عملی تا حدی در شبیه ساز انجام می شد یا روی برد تکمیل می شد، اما زمان بیشتری برای ساخت مدارهای واقعی مانند مدارهای منطقی، مدارهای نوسانی و غیره صرف شد.

موضوع بعدی معماری کامپیوتر است - به یک معنا، پلی که فیزیک و برنامه نویسی را به هم متصل می کند. دانش آموزان مبانی اساسی را مطالعه کردند که اهمیت آن بیشتر نظری است تا عملی. به عنوان تمرین، دانش آموزان به طور مستقل مدارهای حسابی و منطقی را در شبیه ساز طراحی کردند و برای کارهای تکمیل شده امتیاز دریافت کردند.

روز چهارم اولین روز برنامه نویسی است. پایتون 2 به عنوان زبان برنامه نویسی انتخاب شد زیرا زبانی است که در برنامه نویسی ROS استفاده می شود. ساختار این روز به این صورت بود: معلمان مطالب را ارائه کردند، نمونه هایی از حل مسائل را بیان کردند، در حالی که دانش آموزان به آنها گوش می دادند، پشت رایانه خود می نشستند و آنچه را که معلم روی تخته یا اسلاید نوشته بود تکرار می کردند. سپس دانش آموزان مسائل مشابه را به تنهایی حل کردند و سپس راه حل ها توسط معلمان مورد ارزیابی قرار گرفت.

روز پنجم به ROS اختصاص داشت: بچه ها در مورد برنامه نویسی ربات یاد گرفتند. تمام روز مدرسه، دانش‌آموزان پشت رایانه‌هایشان می‌نشستند و کد برنامه‌ای را که معلم درباره آن صحبت می‌کرد، اجرا می‌کردند. آنها توانستند واحدهای ROS اصلی را به تنهایی اجرا کنند و همچنین با پروژه Duckietown آشنا شدند. در پایان این روز، دانش آموزان آماده شروع پروژه بخش مدرسه - حل مشکلات عملی بودند.

شرح پروژه های منتخب

از دانش آموزان خواسته شد که تیم های سه نفره تشکیل دهند و موضوع پروژه را انتخاب کنند. در نتیجه پروژه های زیر به تصویب رسید:

1. کالیبراسیون رنگ. Duckiebot باید هنگام تغییر شرایط نور دوربین را کالیبره کند، بنابراین یک کار کالیبراسیون خودکار وجود دارد. مشکل این است که طیف رنگ ها به نور بسیار حساس هستند. شرکت‌کنندگان ابزاری را اجرا کردند که رنگ‌های مورد نیاز را در یک قاب برجسته می‌کرد (قرمز، سفید و زرد) و محدوده‌هایی را برای هر رنگ در قالب HSV ایجاد می‌کرد.

2. تاکسی اردک. ایده این پروژه این است که Duckiebot می تواند در نزدیکی یک شی بایستد، آن را بردارد و مسیر خاصی را دنبال کند. یک اردک زرد روشن به عنوان شی انتخاب شد.

3. ساخت نمودار جاده. وظیفه ایجاد نموداری از جاده ها و تقاطع ها وجود دارد. هدف این پروژه ساخت یک نمودار جاده بدون ارائه داده های محیطی پیشینی به Duckiebot و تنها با تکیه بر داده های دوربین است.

4. ماشین گشت. این پروژه توسط خود دانش آموزان ابداع شده است. آنها پیشنهاد کردند که به یک Duckiebot آموزش داده شود، یک «گشت»، برای تعقیب دیگری، یک «ناقض». برای این منظور از مکانیسم تشخیص هدف با استفاده از نشانگر ArUco استفاده شد. به محض اینکه شناسایی کامل شد، سیگنالی برای "مخالف" ارسال می شود تا کار را تکمیل کند.

کالیبراسیون رنگ

هدف از پروژه کالیبراسیون رنگ، تنظیم محدوده رنگ های قابل تشخیص علامت گذاری با شرایط نوری جدید بود. بدون چنین تنظیماتی، تشخیص خطوط توقف، جداکننده خطوط و مرزهای جاده نادرست شد. شرکت کنندگان راه حلی را بر اساس پیش پردازش الگوهای رنگ نشانه گذاری پیشنهاد کردند: قرمز، زرد و سفید.

هر یک از این رنگ ها دارای یک محدوده از پیش تعیین شده از مقادیر HSV یا RGB هستند. با استفاده از این محدوده، تمام قسمت های کادر حاوی رنگ های مناسب پیدا می شود و بزرگ ترین آن انتخاب می شود. این ناحیه به عنوان رنگی است که باید به خاطر بسپارید. سپس از فرمول های آماری مانند محاسبه میانگین و انحراف معیار برای تخمین محدوده رنگ جدید استفاده می شود.

این محدوده در فایل های پیکربندی دوربین Duckiebot ثبت می شود و می توان بعداً از آن استفاده کرد. رویکرد توصیف شده برای هر سه رنگ اعمال شد و در نهایت محدوده‌هایی را برای هر یک از رنگ‌های نشانه‌گذاری تشکیل داد.

آزمایش‌ها تشخیص تقریباً کامل خطوط علامت‌گذاری را نشان دادند، به جز در مواردی که مواد علامت‌گذاری از نوار براق استفاده می‌کردند، که منابع نور را چنان قوی منعکس می‌کرد که از زاویه دید دوربین، بدون توجه به رنگ اصلی، علامت‌ها سفید به نظر می‌رسیدند.

تاکسی اردک

پروژه داک تاکسی شامل ساخت الگوریتمی برای جستجوی مسافر اردک در شهر و سپس انتقال آن به نقطه مورد نیاز بود. شرکت کنندگان این مشکل را به دو بخش تقسیم کردند: تشخیص و حرکت در طول نمودار.

دانش‌آموزان اردک را با این فرض که اردک هر ناحیه‌ای در قاب است که بتوان آن را زرد تشخیص داد، با مثلث قرمز (منقار) روی آن تشخیص داد. به محض اینکه چنین منطقه ای در فریم بعدی شناسایی شد، ربات باید به آن نزدیک شود و سپس برای چند ثانیه توقف کند و فرود یک مسافر را شبیه سازی کند.

سپس، با داشتن نمودار جاده کل شهر duckie و موقعیت ربات از قبل در حافظه ذخیره می شود و همچنین مقصد را به عنوان ورودی دریافت می کنند، شرکت کنندگان با استفاده از الگوریتم Dijkstra مسیرهایی را در نمودار پیدا می کنند از نقطه عزیمت تا نقطه رسیدن. . خروجی به صورت مجموعه ای از دستورات ارائه می شود - چرخش در هر یک از تقاطع های زیر.

نمودار جاده ها

هدف از این پروژه ساخت یک نمودار - شبکه ای از جاده ها در داکی تاون بود. گره های نمودار حاصل تقاطع هستند و کمان ها جاده هستند. برای انجام این کار، Duckiebot باید شهر را کاوش کرده و مسیر آن را تجزیه و تحلیل کند.

در طول کار روی پروژه، ایده ایجاد یک نمودار وزنی در نظر گرفته شد، اما پس از آن کنار گذاشته شد، که در آن هزینه یک یال با فاصله (زمان برای سفر) بین تقاطع ها تعیین می شود. اجرای این ایده بسیار پر زحمت بود و زمان کافی برای آن در مدرسه وجود نداشت.

وقتی Duckiebot به تقاطع بعدی می‌رسد، جاده‌ای را انتخاب می‌کند که از تقاطعی خارج می‌شود که هنوز آن را طی نکرده است. هنگامی که تمام جاده ها در تمام تقاطع ها رد شدند، لیست ایجاد شده از مجاورت های تقاطع در حافظه ربات باقی می ماند که با استفاده از کتابخانه Graphviz به تصویر تبدیل می شود.

الگوریتم پیشنهاد شده توسط شرکت‌کنندگان برای یک داکی‌تاون تصادفی مناسب نبود، اما برای یک شهر کوچک از چهار تقاطع که در داخل مدرسه استفاده می‌شد، به خوبی کار می‌کرد. ایده این بود که یک نشانگر ArUco به هر تقاطع اضافه شود که حاوی یک شناسه تقاطع باشد تا ترتیب حرکت تقاطع ها را ردیابی کند.
نمودار الگوریتم توسعه یافته توسط شرکت کنندگان در شکل نشان داده شده است.

ماشین پاترول

هدف از این پروژه جستجو، تعقیب و بازداشت یک ربات متخلف در شهر داکی تاون است. یک ربات گشت باید در امتداد حلقه بیرونی یک جاده شهری حرکت کند و به دنبال یک ربات مزاحم شناخته شده باشد. پس از شناسایی یک مزاحم، ربات گشت باید متجاوز را تعقیب کند و او را مجبور به توقف کند.

کار با جستجوی ایده ای برای شناسایی یک ربات در یک قاب و شناسایی یک مزاحم در آن آغاز شد. این تیم پیشنهاد کرد که هر ربات در شهر به یک نشانگر منحصر به فرد در پشت مجهز شود - درست مانند ماشین های واقعی که دارای شماره ثبت دولتی هستند. نشانگرهای ArUco برای این منظور انتخاب شدند. آنها قبلاً در duckietown استفاده شده اند زیرا کار با آنها آسان است و به شما امکان می دهد جهت نشانگر را در فضا و فاصله تا آن را تعیین کنید.

در مرحله بعد، لازم بود اطمینان حاصل شود که ربات گشت بدون توقف در تقاطع ها به شدت در دایره بیرونی حرکت می کند. به طور پیش فرض، Duckiebot در یک خط حرکت می کند و در خط توقف توقف می کند. سپس با کمک علائم راه، پیکربندی تقاطع را مشخص می کند و در مورد جهت عبور از تقاطع انتخاب می کند. برای هر یک از مراحل توصیف شده، یکی از حالات ماشین حالت محدود ربات مسئول است. برای خلاص شدن از توقف در تقاطع، تیم ماشین حالت را تغییر داد به طوری که هنگام نزدیک شدن به خط توقف، ربات بلافاصله به حالت رانندگی مستقیم از طریق تقاطع تغییر داد.

مرحله بعدی حل مشکل توقف ربات مزاحم بود. تیم فرض می‌کند که ربات گشت می‌تواند به هر یک از ربات‌های شهر دسترسی SSH داشته باشد، یعنی اطلاعاتی در مورد داده‌های مجوز و شناسه هر ربات داشته باشد. بدین ترتیب ربات پاترول پس از شناسایی نفوذگر شروع به اتصال از طریق SSH به ربات مزاحم کرد و سیستم آن را خاموش کرد.

پس از تایید کامل شدن دستور خاموشی، ربات گشت نیز متوقف شد.
الگوریتم عملیات یک ربات گشت را می توان به صورت نمودار زیر نشان داد:

کار بر روی پروژه ها

کار در قالبی شبیه به اسکرام سازماندهی شده بود: هر روز صبح دانش آموزان وظایفی را برای روز جاری برنامه ریزی می کردند و عصر در مورد کار انجام شده گزارش می دادند.

در روز اول و آخر، دانش آموزان ارائه هایی را تهیه کردند که در آن تکلیف و نحوه حل آن توضیح داده شد. برای کمک به دانش آموزان در پیگیری برنامه های انتخابی خود، معلمانی از روسیه و آمریکا به طور مداوم در اتاق هایی که کار روی پروژه ها انجام می شد حضور داشتند و به سؤالات پاسخ می دادند. ارتباطات عمدتاً به زبان انگلیسی انجام می شد.

نتایج و نمایش آنها

کار روی پروژه ها یک هفته به طول انجامید و پس از آن دانش آموزان نتایج خود را ارائه کردند. همه ارائه‌هایی را آماده کردند که در آن درباره چیزهایی که در این مدرسه آموخته‌اند، مهم‌ترین درس‌هایی که آموخته‌اند، آنچه را که دوست دارند یا دوست ندارند صحبت می‌کنند. پس از آن هر تیم پروژه خود را ارائه کرد. همه تیم ها وظایف خود را انجام دادند.

تیم اجرای کالیبراسیون رنگ پروژه را سریعتر از سایرین تکمیل کرد، بنابراین آنها نیز زمان داشتند تا اسناد برنامه خود را آماده کنند. و تیم کار بر روی نمودار جاده، حتی در آخرین روز قبل از نمایش پروژه، سعی کردند الگوریتم های خود را اصلاح و تصحیح کنند.

نتیجه

پس از اتمام مدرسه، از دانش‌آموزان خواستیم فعالیت‌های گذشته را ارزیابی کنند و به سؤالاتی در مورد اینکه مدرسه چقدر انتظارات آنها را برآورده کرده است، چه مهارت‌هایی را کسب کرده‌اند و غیره پاسخ دهند. همه دانش آموزان خاطرنشان کردند که یاد گرفته اند در یک تیم کار کنند، وظایف را تقسیم کنند و زمان خود را برنامه ریزی کنند.

همچنین از دانش آموزان خواسته شد که مفید بودن و دشواری دوره هایی را که گذرانده اند رتبه بندی کنند. و در اینجا دو گروه ارزیابی تشکیل شد: برای برخی دوره ها دشواری زیادی نداشتند، برخی دیگر آنها را بسیار دشوار ارزیابی کردند.

این بدان معنی است که مدرسه با در دسترس ماندن برای مبتدیان در یک زمینه خاص، و همچنین ارائه مطالبی برای تکرار و تثبیت توسط دانش آموزان با تجربه، موقعیت درستی را اتخاذ کرده است. لازم به ذکر است که دوره برنامه نویسی (پایتون) تقریباً توسط همه به عنوان بدون عارضه اما مفید مورد توجه قرار گرفت. به گفته دانشجویان، سخت ترین درس «معماری کامپیوتر» بود.

هنگامی که از دانش آموزان در مورد نقاط قوت و ضعف مدرسه پرسیده شد، بسیاری از آنها پاسخ دادند که سبک تدریس انتخاب شده را دوست دارند، که در آن معلمان کمک های فوری و شخصی ارائه می کردند و به سؤالات پاسخ می دادند.

دانش‌آموزان همچنین خاطرنشان کردند که دوست دارند در حالت برنامه‌ریزی روزانه وظایف خود و تعیین ضرب‌الاجل‌های خود کار کنند. به عنوان معایب، دانش آموزان به کمبود دانش ارائه شده اشاره کردند که هنگام کار با ربات مورد نیاز بود: هنگام اتصال، درک اصول و اصول عملکرد آن.

تقریباً همه دانش آموزان خاطرنشان کردند که مدرسه فراتر از انتظارات آنها است و این نشان دهنده مسیر صحیح برای سازماندهی مدرسه است. بنابراین، اصول کلی باید هنگام سازماندهی مدرسه بعدی با در نظر گرفتن و در صورت امکان رفع کاستی های ذکر شده توسط دانش آموزان و معلمان، شاید تغییر فهرست دروس یا زمان تدریس آنها حفظ شود.

نویسندگان مقاله: تیم آزمایشگاه الگوریتم های ربات متحرک в تحقیقات مغز جت.

PS وبلاگ شرکتی ما نام جدیدی دارد. اکنون به پروژه های آموزشی JetBrains اختصاص خواهد یافت.

منبع: www.habr.com