大模型驅動的具身智能-架構.設計與實現 程戈 9787111778813 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202506*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：大模型驅動的具身智能-架構.設計與實現
ISBN：9787111778813
出版社：機械工業
著編譯者：程戈
頁數：204
所在地：中國大陸 *此為代購商品
書號：1737108
可大量預訂，請先連絡。

編輯推薦

（1）權威背書，實力保障 作者系湖南國家應用數學中心副主任、湘潭大學博士生導師，科技部國家重點子課題（大模型相關）的負責人，長期深耕AI與機器人前沿，是業界公認的具身智能專家。 （2）實戰豐富，產業導向 主導多個具身智能項目從原型到落地，深入企業應用場景，積累了大量工程實操經驗，本書凝練了其技術落地的核心方法論。 （3）技術全面，系統透徹 從大模型能力剖析，到多模態感知、任務規劃、動作控制、架構設計與部署實現，全方位講解具身智能系統的核心技術鏈條。 （4）案例詳實，貼近實戰 深度解析特斯拉FSD、松靈機器人等行業級案例，配套ROS控制、模擬系統、動作規劃等實操細節，既可學習框架，也可直接落地。

內容簡介

大模型賦能，重新定義智能機器人的未來。 本書是一部講解如何用大模型驅動具身智能的權威指南，系統揭示了從底層架構到實戰部署的完整技術路徑。作者團隊融合多年一線研發經驗，深入講解如何在多模態環境中，實現智能機器人的任務理解、動作控制、記憶建構與模擬協同。本書不僅提供紮實的理論基礎，更通過豐富的行業案例與系統性的方法論，幫助讀者構建面向未來的具身智能系統。 通過閱讀本書，你將獲得： （1）全面理解大模型如何賦能具身智能。揭示大型語言模型在感知-決策-執行鏈條中的核心作用，理清從感知到行為的智能演化路徑。 （2）掌握任務規劃與動作控制核心技術。深度解析任務分解、動作生成、空間約束與控制策略，覆蓋從高層意圖到低層執行的全鏈路建模方法。 （3）構建具身智能的記憶與反思機制。學習如何實現任務記憶、動態規劃與自我優化機制，提升機器人在複雜環境中的自適應能力。 （4）搭建可復用的開發與模擬框架。熟練運用ROS、MoveIt、Gazebo等核心中間件與模擬平台，助力系統開發與快速迭代。 無論你是正在開發具身智能系統的工程師；投身人工智能前沿的科研人員；關注智能機器人產業落地的技術管理者或產品決策者；本書都將成為你不可或缺的參考讀物，引領你從理念到落地，真正掌握大模型時代的具身智能開發的核心技術，讓你在這場技術革新中把握先機。

作者簡介

程戈，博士生導師，湘潭大學計算機學院·網絡空間安全學院教授，湘潭大學技術轉移中心副主任，湘潭市京東智能城市與大數據研究院副院長，智慧司法與數字治理湖南省重點實驗室副主任，CCF計算法學會執委。大模型領域技術專家和佈道者，作為兩項科技部國家重點研發子課題的負責人，與成都數之聯等多家企業合作推動人工智能在司法領域的落地，帶領團隊開發了JusticeGPT司法大模型，不同於其他的以提升司法領域知識問答能力為核心的司法大模型，該大模型致力於提升司法文獻檢索增強生成以及司法文檔的多跳信息聚合能力，並通過特定的多任務表徵與控制指令生成框架重構司法信息化系統的業務中台，實現司法業務編排以及工作流自動化。

目錄

前言
第1章 大模型與具身智能
1 1 具身智能的概念
1 2 傳統的決策算法
1 2 1 預編程方法
1 2 2 模仿學習
1 2 3 強化學習
1 3 世界模型
1 3 1 什麼是世界模型
1 3 2 世界模型在具身智能中的作用
1 4 通往世界模型的漸進之路
1 4 1 大模型編碼世界
1 4 2 多模態大模型構建世界模擬器
第2章 機器人系統架構
2 1 機器人控制基礎
2 1 1 機器人的分類與組成
2 1 2 自由度與執行器
2 2 機器人系統設計範式
2 2 1 層次範式
2 2 2 行為範式
2 2 3 混合範式
2 3 運動控制層級
2 3 1 遞進規劃
2 3 2 反應機制
2 3 3 雙向控制架構
2 3 4 分層與端到端
第3章 基於大模型的混合控制架構
3 1 大模型與任務級規劃
3 1 1 基礎模型
3 1 2 任務級分層與端到端
3 2 大模型與動作級規劃
3 2 1 直接動作規劃
3 2 2 間接動作規劃
3 2 3 動作級分層與端到端
3 2 4 具身大模型
3 3 基元級與伺服級
3 3 1 正向運動學的計算
3 3 2 逆向運動學的計算
3 3 3 伺服級控制
3 3 4 端到端控制網絡
3 4 具身智能分級混合架構
第4章 具身任務級規劃
4 1 任務分解
4 2 任務級分層與端到端架構
4 2 1 感知與規劃
4 2 2 分層架構
4 2 3 端到端架構
4 3 任務級規劃微調與外部記憶
4 3 1 具身經驗的獲取
4 3 2 微調與外部記憶
第5章 分層動作級規劃
5 1 動作原語及其局限性
5 1 1 動作原語
5 1 2 技能
5 1 3 局限性
5 2 基於技能的單步動作級規劃
5 2 1 低成本具身智能方案
5 2 2 GPTR工作流程
5 2 3 局限性
5 3 基於動作原語的直接動作級規劃
5 3 1 代碼即策略
5 3 2 提示模板
5 3 3 優勢與局限性
5 4 基於價值圖的動作級分層規劃
5 4 1 空間信息與間接動作規劃
5 4 2 價值圖
5 4 3 動作規劃
5 4 4 價值圖的構建Prompt
5 4 5 優勢與局限性
5 5 基於空間位置約束的動作級分層規劃
5 5 1 空間位置約束與軌跡優化
5 5 2 面向任務的抓取
5 5 3 任務感知動作規劃
5 5 4 視覺語言模型與Prompt
5 5 5 優勢與局限性
第6章 端到端動作級規劃
6 1 統一模型與多任務模型
6 2 視覺語言動作模型
6 2 1 動作規劃流程
6 2 2 控制原語
6 2 3 控制參數的離散化
6 2 4 動作序列文本化
6 2 5 詞表
6 2 6 具身動作微調
6 2 7 動作輸出限制
6 2 8 優勢和局限性
6 3 多任務端到端
6 3 1 端到端中的多任務
6 3 2 多任務端到端網絡架構
6 3 3 特徵提取任務
6 3 4 感知任務
6 3 5 預測任務
6 3 6 規劃任務
6 3 7 多任務的分步訓練
6 3 8 特斯拉全自動駕駛的多任務架構
6 3 9 具身任務遷移
6 3 10 優勢和局限性
第7章 具身智能記憶
7 1 人類記憶
7 2 大模型的記憶機制
7 2 1 參數記憶
7 2 2 上下文與工作記憶
7 2 3 外部記憶
7 3 具身智能系統中的記憶機制實現
7 3 1 記憶來源
7 3 2 記憶實現方式
7 3 3 基於RAG的外部記憶機制
7 3 4 大模型參數微調及參數編輯
7 4 記憶在具身智能系統中的作用
7 4 1 記憶驅動具身智能
7 4 2 技能學習與泛化
第8章 決策優化
8 1 多計劃選擇
8 1 1 多計劃生成
8 1 2 最優計劃選擇
8 2 反思與提煉
8 2 1 反思與提煉的過程
8 2 2 多角色
8 2 3 局限性
8 3 外部規劃器
8 3 1 符號規劃器
8 3 2 神經網絡規劃器
第9章 中間件與基礎庫
9 1 ROS機器人中間件框架
9 1 1 ROS的生態系統
9 1 2 ROS 2架構
9 1 3 分散式通信模式
9 1 4 節點
9 1 5 參數配置
9 2 Movelt 2逆向運動庫
9 2 1 基本概念和功能
9 2 2 Movelt 2的解算器庫
9 2 3 逆向規劃的一般過程
9 3 人形具身逆向運動庫
9 3 1 全身逆向運動
9 3 2 人體姿態表徵
9 3 3 交互表徵
9 3 4 具身數據收集
9 3 5 逆向運動遷移
9 3 6 軌跡優化
第10章 模擬框架
10 1 模擬框架的組成
10 2 模擬環境構建
10 2 1 交互方式
10 2 2 環境描述
10 3 代理
10 4 分層任務規劃
10 5 運動生成器
10 6 強化學習支持
10 6 1 框架封裝
10 6 2 并行模擬環境
10 6 3 從模擬到現實
10 7 模仿學習和遠程操作
第11章 具身智能的未來
11 1 具身智能機器人：短暫泡沫還是未來趨勢
11 1 1 人形具身熱潮
11 1 2 智能化與人形具身
11 2 行業滲透預
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。