本书系统地讲解智能体在现实或虚拟三维空间中进行语义感知、场景理解以及智能决策与交互所需的基础理论与核心技术，围绕几何空间、语义空间、决策空间与本体空间等核心模块进行深入阐述和解释。本书涵盖三维视觉建模、深度学习感知、强化学习与模仿学习、大模型驱动的语言交互、机器人运动学与动力学、路径规划与抓取控制等关键知识，这些内容对于当下热门的无人驾驶、人形机器人、低空飞行器、智能制造、智慧城市等领域的前沿研究具有重要意义。

王高昂,华盛顿大学博士，浙江大学研究员，博士生导师。主要从事人工智能、计算机视觉研究，承担多项国家基金委、国家科学技术部、浙江省基金委等科研项目，在IJCV、CVPR等国际**期刊及会议中发表SCI/EI论文80余篇，担任视觉与学习青年学者研讨会（VALSE）第八届执行领域主席委员会委员、PRCV领域主席等职务。

前 言 　　随着人工智能技术的飞速发展，其应用范围已从传统的图像识别、语音处理扩展 到更复杂的三维空间感知与任务执行等涉及具身智能技术的场景。在此过程中，具身 智能逐渐发展成为人工智能研究的热门方向之一。它强调智能体不再是被动的 “信息 处理器”，而应成为主动与环境交互的 “具身存在者”。这一范式的转变要求智能体能 够通过其 “身体” 感知环境、理解世界，并在此基础上做出动态决策与动作控制，从而 完成面向现实世界的复杂任务。而 “空间” 作为具身智能的载体，是连接感知、理解、 决策与动作的关键。因此，“具身空间智能” 应运而生，它不仅涉及对几何世界的准确 建模，更要求对语义信息的深度理解与融合，形成可学习、可解释、可执行的空间知 识体系。 　　本书在这一背景下应运而生，旨在为读者系统梳理该领域的基础理论与关键技术， 构建支撑具身智能技术研发的知识框架。全书内容涵盖从空间感知到语义理解、从高 层规划到底层控制、从虚拟仿真到现实部署的全过程。具体而言，“几何空间” 部分深 入讲解三维坐标变换、相机模型与多视角几何；“语义空间” 部分引入神经网络基础、 视觉感知模型以及跨模态语义理解机制；“决策空间” 部分系统阐述强化学习、模仿学 习以及语言驱动的策略学习与智能体建模；“本体空间” 部分覆盖机器人运动学与动力 学基础、路径规划方法及精细化控制理论。通过将感知、理解、决策与执行相结合，为 读者呈现一条闭环式的具身空间智能学习路径。 　　本书特别强调具身智能体系理论与实践的结合，专设 “世界模型” 章节，全面讲 解变分自编码器、生成对抗网络、自回归模型...