3个月进阶路线(AI全栈+无人驾驶工程)
主打快速落地、技能复用、软硬结合,每天有效学习2.5~3小时,周末加练实操,每阶段有明确验收标准,资源+任务+项目全部配齐。
整体路径:Web AI入门 → 无人驾驶仿真+ROS2 → AI与车端系统打通,最终产出可展示完整项目。
第一月:AI全栈基础(Web端AI,复用前端技能)
核心目标:掌握浏览器/前端侧AI开发,跑通大模型、AI Agent,完成首个可演示项目 技术栈:Transformers.js、LangChain、WebGPU、React/Vue、Prompt工程
第1周:环境搭建 + AI基础概念
- 任务
- 梳理AI基础术语:大模型、量化、推理、Embedding、Agent
- 搭建本地前端工程(React),配置
Transformers.js运行环境 - 学习WebGPU基础,了解前端硬件加速对AI推理的作用
- 学习资源
- 文档:Transformers.js 官方文档
- 入门视频:B站「Web端AI开发入门」
- 实操&验收
- 本地浏览器加载轻量模型(如
Xenova/TinyLlama-1.1B-Chat-v1.0) - 实现基础文本对话功能,验收:页面正常交互、模型推理无报错
- 本地浏览器加载轻量模型(如
第2周:前端CV模型(图像识别)
- 任务
- 学习前端目标检测、图像分类基础
- 使用Transformers.js加载视觉模型,对接网页摄像头
- 实操&验收
- 开发网页:调用摄像头 + 实时物体检测
- 验收:摄像头画面可正常识别常见物体(人、车辆等)
第3周:LangChain + 简易AI Agent
- 任务
- 学习Agent核心逻辑:工具调用、任务拆解、记忆管理
- 掌握LangChain.js基础用法,链接大模型与自定义工具
- 实操&验收
- 开发代码助手Agent:输入需求,自动生成前端/简单后端代码
- 验收:可自主拆解任务、调用工具输出可用代码片段
第4周:整月项目整合 + 优化
- 任务
- 整合前3周功能,做成单页AI应用
- 学习模型量化(4/8bit),优化前端加载速度、推理延迟
- 最终项目:Web AI多功能工作台
- 功能:文本对话、实时图像检测、代码助手Agent
- 验收标准:项目可离线运行,加载速度≤5s,推理流畅;整理代码上传GitHub
第二月:无人驾驶入门(ROS2 + CARLA + 3D可视化)
核心目标:吃透ROS2基础、搭建CARLA仿真环境,结合你的3D/前端能力做车端可视化 技术栈:ROS2 Humble、CARLA仿真、Three.js、ROS2 Bridge
第5周:ROS2 核心基础
- 任务
- 安装ROS2 Humble(Windows/WSL2/Ubuntu 三选一,推荐WSL2适配Windows)
- 掌握核心概念:节点、话题、服务、消息类型、参数
- 练习基础命令行、Python/C++极简节点编写(优先Python降低门槛)
- 资源
- 官方教程:ROS2 入门教程
- 配套:B站「ROS2 零基础入门」
- 验收
- 实现节点间话题收发消息,验收:通信正常,理解数据流转逻辑
第6周:CARLA仿真环境搭建 + 基础车辆控制
- 任务
- 安装CARLA最新稳定版,熟悉仿真场景、车辆、传感器配置
- 学习CARLA Python API,实现车辆手动控制、自动巡航
- 对接ROS2:CARLA数据桥接到ROS2话题
- 实操&验收
- 仿真场景内实现车辆车道保持、基础跟车
- 验收:车辆可沿车道稳定行驶,传感器数据正常推送到ROS2
第7周:无人驾驶传感器数据解析
- 任务
- 了解主流传感器:相机、激光雷达(点云)、毫米波雷达
- 解析ROS2图像、点云消息格式
- 实操&验收
- 在RViz中可视化相机画面、激光雷达点云
- 验收:仿真环境障碍物、道路信息可正常可视化
第8周:前端3D可视化对接(发挥你的核心优势)
- 任务
- 学习
rosbridge_suite,实现ROS2 ↔ Web端通信 - 结合Three.js/React,搭建Web可视化大屏
- 学习
- 整月项目:无人驾驶仿真监控平台
- 功能:仿真场景3D展示、车辆姿态实时同步、相机/点云数据投屏、车速/位置数据面板
- 验收标准:Web端与仿真环境数据延迟<200ms,画面流畅;项目代码归档
第三月:AI + 无人驾驶 全链路打通(形成核心竞争力)
核心目标:把第一月的AI模型部署到车端仿真系统,实现车端感知+AI识别+可视化告警完整链路 技术栈:模型部署、Wasm、ROS2+AI联动、目标检测落地
第9周:模型轻量化 + 车端适配
- 任务
- 学习模型部署基础:模型转换、轻量化、端侧推理
- 将第一月训练/使用的目标检测模型,转为适配嵌入式/仿真的格式
- 实操&验收
- 在本地PC(模拟车端)实现模型离线推理
- 验收:模型可读取图像数据,完成车辆、行人检测
第10周:ROS2 + AI 联动开发
- 任务
- 编写ROS2感知节点:读取车载相机图像 → 送入AI模型推理 → 输出识别结果
- 设计告警逻辑:检测到近距离障碍物,触发预警消息
- 实操&验收
- 仿真车辆行驶时,AI实时识别行人、非机动车
- 验收:识别结果准确,可正常发布预警话题
第11周:全链路功能迭代 + 交互优化
- 任务
- 打通全链路:CARLA仿真 → ROS2采集数据 → AI感知识别 → Web大屏展示+告警
- 优化逻辑:过滤误识别、优化推理速度、完善告警弹窗/指示灯效果
- 拓展功能:增加车道线识别,辅助车辆行驶决策
第12周:最终项目收尾 + 复盘 + 简历素材整理
- 任务
- 整合所有模块,完成端到端无人驾驶AI仿真系统(结业项目)
- 撰写项目文档:架构图、技术选型、功能介绍、踩坑总结
- 录制演示视频,整理GitHub仓库(README完善)
- 最终验收(硬性标准)
- 仿真车辆正常行驶,AI可精准识别道路参与者、车道线
- 障碍物近距离触发Web端声光告警
- 全系统稳定运行10分钟以上,无崩溃、无明显卡顿
- 附加动作
- 提炼项目亮点,直接写入简历/作品集,作为转行核心案例
配套补充:通用规则 & 避坑指南
一、学习节奏安排(适配在职)
- 工作日:每晚 20:00-22:30(2.5h),主攻理论+代码编写
- 周末:半天(4h)集中调试项目、排错、补薄弱知识点
- 原则:先跑通功能,再深究原理,在职学习优先保证落地
二、环境推荐(按易用度排序)
- 主力系统:Windows + WSL2(运行ROS2/CARLA,兼顾日常前端开发)
- 代码工具:VS Code(统一前端、Python、C++开发)
- 版本控制:全程使用Git/GitHub管理所有项目代码
三、重点避坑
- 不要一上来死磕C++底层:前两个月优先用Python快速落地,第三个月再逐步改写核心模块
- 不要沉迷看视频不动手:每学1小时理论,必须配1小时实操
- 仿真环境报错优先查官方issue、社区问答,减少无效内耗
四、后续延伸方向(3个月完成后)
- 短期(3~6月):深耕车端可视化、数据标注平台、仿真工具链(最贴合你现有能力)
- 中期(6~12月):学习C++进阶、嵌入式基础,切入真实车载工程开发
- 长期:结合MEM工程管理知识,往技术负责人、系统架构师方向发展
额外资料包(直接取用)
- 模型推荐(前端/端侧轻量模型)
- 对话:TinyLlama、Qwen-1.8B
- 视觉检测:MobileNet、YOLO-Nano(轻量化,适合端侧)
- 必装软件清单
- WSL2、ROS2 Humble、CARLA 0.9.15、Node.js、Python3.10+
- 社区求助渠道
- ROS2 中文论坛、CARLA 官方Discord、Hugging Face社区
按照这个节奏执行,3个月后你会同时具备Web AI、无人驾驶仿真、车联网可视化三大复合能力,也是目前市场高薪缺口最大的组合方向。
