地圖定位的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

創新工廠講AI課：從知識到實踐

為了解決地圖定位的問題，作者創新工廠DEECAMP組委會 這樣論述：

創新工廠於2017年發起了面向高校在校生的DeeCamp人工智慧訓練營（簡稱DeeCamp訓練營），訓練營內容涵蓋學術界與產業界領軍人物帶來的全新AI知識體系和來自產業界的真實實踐課題，旨在提升高校AI人才在行業應用中的實踐能力，以及推進產學研深度結合。   本書以近兩年DeeCamp訓練營培訓內容為基礎，精選部分導師的授課課程及有代表性的學員參賽專案，以文字形式再現訓練營“知識課程+產業實戰”的教學模式和內容。全書共分為9章，第1章、第2章分別介紹AI賦能時代的創業、AI的產品化和工程化挑戰；第3章至第8章聚焦於AI理論與產業實踐的結合，內容涵蓋機器學習、自然語言處理、電腦視覺、深度學習模型

的壓縮與加速等；第9章介紹了 4 個優秀實踐課題，涉及自然語言處理和電腦視覺兩個方向。   本書適合AI相關專業的高校在校生及AI行業的工程師使用，可作為他們瞭解AI產業和開拓視野的讀物。 ★李開復★ 李開復博士于2009年創立創新工廠，擔任董事長兼首席執行官，專注于科技創新型的投資理念與最前沿的技術趨勢。十多年來創新工廠已經投資逾400個創業項目，管理總額約160億人民幣的雙幣基金。2016年秋季創辦創新工廠人工智慧工程院，致力於利用最前沿的AI技術為企業提供人工智慧產品與解決方案。   在此之前，李開復博士曾是谷歌中國全球副總裁兼大中華區總裁，擔任微軟全球副總裁期間開創

了微軟亞洲研究院，並曾服務於蘋果、SGI等知名科技企業。   李開復在美國哥倫比亞大學取得電腦科學學士學位，以最高榮譽畢業於卡耐基梅隆大學獲得博士學位。同時，李開復獲得香港城市大學、卡耐基梅隆大學榮譽博士學位。李開復獲選為美國電機電子工程師學會（IEEE）的院士，並被《時代》雜誌評選為2013影響全球100位年度人物之一，《Wired 連線》本世紀推動科技全球25位標杆人物，2018亞洲商界領袖獎等殊榮，並出任世界經濟論壇第四次工業革命中心的AI委員會聯席主席。李開復博士發明過十項美國專利，發表逾百篇專業期刊或會議論文，並出版過十本中文暢銷書。   ★王詠剛★ 王詠剛，現任創新工廠CTO人工智

慧工程院執行院長，加入創新工廠前擔任谷歌主任工程師和高級技術經理超過十年，在穀歌參與或負責研發的專案包括桌面搜索、穀歌拼音輸入法、產品搜索、知識圖譜、穀歌首頁塗鴉（Doodles）等，在知識圖譜、分散式系統、自然語言處理、HTML5動畫和遊戲引擎等領域擁有豐富的工程研發經驗。目前專注於人工智慧前沿科技的工程化與商業化，以及人工智慧高端人才的培養，作為聯合創始人，創立了人工智慧商業化公司創新奇智，同時也是人工智慧高端應用型人才培養專案DeeCamp的發起者。   ★張潼★ 張潼博士，機器學習領域國際著名專家，擁有美國康奈爾大學數學和電腦雙學士學位，以及斯坦福大學電腦碩士和博士學位，在香港科技大學

數學系和電腦系任教。曾經擔任美國新澤西州立大學終身教授，IBM研究院研究員和雅虎研究院主任科學家，百度研究院副院長和大資料實驗室負責人，騰訊AI Lab主任。他曾參加美國國家科學院大資料專家委員會，負責過多個美國國家科學基金資助的大資料研究專案，此外還是美國統計學會和國際數理統計學會fellow，並擔任NIPS、ICML、COLT等國際頂級機器學習會議主席或領域主席，以及PAMI, JMLR, 和Machine Learning Journal等國際一流人工智慧期刊編委。   ★宋彥★ 宋彥博士，香港中文大學（深圳） 資料科學學院副教授，創新工廠大灣區研究院首席科學家。歷任微軟、騰訊研究員及首

席研究員，創新工廠大灣區研究院執行院長等職，是 “微軟小冰”項目的創始團隊成員之一，其研究方向包括自然語言處理、資訊檢索和抽取、文本表徵學習等。   ★屠可偉★ 屠可偉博士，上海科技大學信息科學與技術學院長聘副教授、研究員、博士生導師。研究方向包括自然語言處理、機器學習、知識表示、電腦視覺等人工智慧領域，側重於研究語言結構的表示、學習與應用。   ★張發恩★ 張發恩，創新奇智聯合創始人，創新奇智公司CTO， 寧波諾丁漢大學客座教授。2008年畢業於中國科學院軟體研究所，同年加入微軟，負責Office相關軟體產品的研發工作；2010年，入職Google，作為核心研發人員，主導和參與Google搜

尋引擎、Google知識圖譜等相關工作；2015年，加入百度，作為百度雲早期創始團隊成員之一，曾任百度雲計算事業部技術委員會主席，百度雲計算事業部大資料和人工智慧主任架構師。他在IT行業擁有十幾年技術研發和管理經驗，涉及企業級軟體、室內地圖定位與導航、互聯網搜尋引擎、全領域知識圖譜、大資料計算與存儲、機器學習、深度學習、機器視覺等眾多領域。工作期間獲得10餘項美國專利，70余項中國專利，發表過多篇頂級會議學術論文。   ★唐劍★ 唐劍博士，滴滴智慧控制首席科學家，AI Labs 負責人兼演算法委員會主席，IEEE Fellow和ACM傑出科學家，領導滴滴在智慧物聯網、電腦視覺和自動駕駛方向上的

研發。   他在國際頂級期刊和會議上發表了160多篇學術論文，擁有多項發明專利，在邊緣智慧、AI驅動的系統控制和群智感知方向上做出開創性貢獻，並多次獲得最佳論文獎, 其中包括通信網路領域的最高論文獎2019 年度IEEE 通信學會William R. Bennett Prize和IEEE車載技術學會2016年度最佳車載電子論文獎。   目前還擔任中國電子學會物聯網專委會專家委員、新一代人工智慧產業技術創新戰略聯盟專家委員會委員、IEEE車載技術學會傑出演講人、以及IEEE通信學會交換和路由技術委員會主席。   ★張彌★ 張彌博士，現任密歇根州立大學副教授，2006年畢業於北京大學，2013年獲

得美國南加州大學博士學位，2013-2014年在美國康奈爾大學任博士後。主要研究領域包括終端深度學習、自動機器學習、聯邦學習和機器學習系統。本人及其研究團隊在2019年Google MicroNet Challenge 全球競賽中獲得CIFAR-100賽道第四名 (北美第一名)，在 2017年NSF Hearables Challenge全球競賽中獲得第三名，在2016年NIH Pill Image Recognition Challenge全球競賽中獲得冠軍。   ★吳佳洪★ 吳佳洪，創新奇智高級研究員，2017年畢業於北京大學。曾帶隊獲得Pascal Voc 世界冠軍、Cityscapes

實例分割冠軍、ADE20K物體分割冠軍等；曾負責創新奇智無人貨櫃專案的演算法工作，專注於電腦視覺領域，發表過多篇CVPR論文。   ★劉寧★ 劉甯博士，滴滴資深研究員，畢業于美國東北大學電腦工程系。研究領域包括深度增強學習、深度模型壓縮與加速、邊緣計算等。在國際頂級期刊和會議AAAI, MICRO, ASPLOS，ISCA等發表學術論文20餘篇，發表多項發明專利。   第1章 AI賦能時代的創業 1.1　中國AI如何彎道超車 1.2 AI從“發明期”進入“應用期” 1.2.1 深度學習助推AI進入“應用期” 1.2.2 To B創業迎來黃金髮展期 1.2.3 “傳統產業+AI”將創造巨大

價值 1.2.4 AI賦能傳統行業四部曲 1.3 AI賦能時代的創業特點 1.3.1 海外科技巨頭成功因素解析 1.3.2 科學家創業的優勢和短板 1.3.3 四因素降低AI產品化、商業化門檻 1.4 給未來AI人才的建議 第2章 AI的產品化和工程化挑戰 2.1 從AI科研到AI商業化 2.2 產品經理視角—資料驅動的產品研發 2.2.1 資料驅動 2.2.2 典型C端產品的設計和管理 2.2.3 典型B端產品解決方案的設計和管理 2.2.4 AI技術的產品化 2.3 架構設計師視角—典型AI架構 2.3.1 為什麼要重視系統架構 2.3.2 與AI相關的典型系統架構 2.4 寫在本章最後

的幾句話 本章參考文獻 第3章 機器學習的發展現狀及前沿進展 3.1 機器學習的發展現狀 3.2 機器學習的前沿進展 3.2.1 複雜模型 3.2.2 表示學習 3.2.3 自動機器學習 第4章 自然語言理解概述及主流任務 4.1 自然語言理解概述 4.2 NLP主流任務 4.2.1 中文分詞 4.2.2 指代消解 4.2.3 文本分類 4.2.4 關鍵字（短語）的抽取與生成 4.2.5 文本摘要 4.2.6 情感分析 本章參考文獻 第5章 機器學習在NLP領域的應用及產業實踐 5.1 自然語言句法分析 5.1.1 自然語言句法分析的含義與背景 5.1.2 研究句法分析的幾個要素 5.1

.3 句法分析模型舉例 5.2 深度學習在句法分析模型參數估計中的應用 5.2.1 符號嵌入 5.2.2 上下文符號嵌入 本章參考文獻 第6章 電腦視覺前沿進展及實踐 6.1 電腦視覺概念 6.2 電腦視覺認知過程 6.2.1 從低層次到高層次的理解 6.2.2 基本任務及主流任務 6.3 電腦視覺技術的前沿進展 6.3.1 圖像分類任務 6.3.2 目標檢測任務 6.3.3 圖像分割任務 6.3.4 主流任務的前沿進展 6.4 基於機器學習的電腦視覺實踐 6.4.1 目標檢測比賽 6.4.2 蛋筒質檢 6.4.3 智能貨櫃 本章參考文獻 第7章 深度學習模型壓縮與加速的技術發展與應用 7

.1 深度學習的應用領域及面臨的挑戰 7.1.1 深度學習的應用領域 7.1.2 深度學習面臨的挑戰 7.2 深度學習模型的壓縮和加速方法 7.2.1 主流壓縮和加速方法概述 7.2.2 權重剪枝 7.2.3 權重量化 7.2.4 知識蒸餾 7.2.5 權重量化與權重剪枝結合並泛化 7.3 模型壓縮與加速的應用場景 7.3.1 駕駛員安全檢測系統 7.3.2 高級駕駛輔助系統 7.3.3 車路協同系統 本章參考文獻 第8章 終端深度學習基礎、挑戰和工程實踐 8.1 終端深度學習的技術成就及面臨的核心問題 8.1.1 終端深度學習的技術成就 8.1.2 終端深度學習面臨的核心問題 8.2 在冗

餘條件下減少資源需求的方法 8.3 在非冗餘條件下減少資源需求的方法 8.3.1 特殊化模型 8.3.2 動態模型 8.4 深度學習系統的設計 8.4.1 實際應用場景中的挑戰 8.4.2 實際應用場景中的問題解決 8.4.3 案例分析 本章參考文獻 第9章 DeeCamp訓練營最佳商業項目實戰 9.1 方仔照相館—AI輔助單張圖像生成積木方頭仔 9.1.1 讓“AI方頭仔”觸手可及 9.1.2 理論支撐：BiSeNet和Mask R-CNN 9.1.3 任務分解：從圖像分析到積木生成的實現 9.1.4 團隊協作與時間安排 9.2 AI科幻世界—基於預訓練語言模型的科幻小說生成系統 9.2.

1 打造人機協作的科幻小說作家 9.2.2 理論支撐：語言模型、Transformer模型和GPT2預訓練模型 9.2.3 從“找小說”到“寫小說”的實現步驟 9.2.4 團隊協作與時間安排 9.3 寵物健康識別—基於圖像表徵學習的寵物肥胖度線上檢測系統 9.3.1 人人都能做“養寵達人” 9.3.2 理論支撐：表徵學習、人臉識別原理和ArcFace損失函數 9.3.3 任務分解：從資料收集到肥胖度檢測 9.3.4 團隊協作與時間安排 9.4 商品文案生成—基於檢索和生成的智慧文案系統 9.4.1 智慧內容生成 9.4.2 理論支撐：Word2Vec詞嵌入、預訓練語言模型BERT和Seq2Se

q文本生成 9.4.3 任務分解：“尋章摘句”和“文不加點” 9.4.4 團隊協作與時間安排 本章參考文獻

地圖定位進入發燒排行的影片

以三維特徵地圖輔助相機定位之適應性與精度分析

為了解決地圖定位的問題，作者林緯程 這樣論述：

SLAM (Simultaneous Localization And Mapping)做為一個在未知環境同時進行感測器定位以及環境地圖建立的概念，常被用以處理無可靠GNSS訊號環境之定位問題。基於影像特徵點之視覺(Visual) SLAM(V-SLAM)，透過重複的三維特徵地圖建立、影像特徵至三維特徵地圖的匹配和空間後方交會的過程來達成相機定位目的。倘若特徵點法V-SLAM建立之三維特徵地圖，能做為場景先驗控制重複使用，則無可靠GNSS訊號環境之定位問題即可獲解決。然而基於影像灰度值計算的影像特徵點萃取技術，其特徵萃取和匹配結果常受環境光照條件影響。因此對於不同光照條件下所建立之三維特徵地

圖，其光照條件的改變對相機定位之適應性值得被進一步探討。 得益於ORB-SLAM中的地圖再利用功能，本研究選擇其做為測試用之V-SLAM 系統。首先，本研究透過單眼相機，分別於不同光照條件下，以手持錄影的方式環繞位於戶外之測試場域，拍攝場景之影片。再將拍攝之影片，輸入ORB-SLAM中進行處理，建立不同光照條件下的三維特徵地圖。最後，再將前述步驟建立之三維特徵地圖輸入ORB-SLAM，以純定位模式(Localization Mode)對不同光照條件下拍攝之影片進行交叉定位測試，而輸出之相機外方位參數將和以SfM (Structure from Motion)方法建立之參考相機軌跡比較，進行精

度分析。然而本研究所使用之相機為單眼相機，使輸出成果缺乏尺度資訊，又ORB-SLAM之輸出為稀疏點雲，難以精確標記控制點進行座標轉換。為此，本研究基於混合模式平差及三維正形轉換的概念，提出藉由控制點以及相機軌跡進行坐標轉換的兩種坐標轉換模式，所提出之轉換結果，亦將和SLAM領域中常用的Umeyama’s Method進行比較。 本研究之實驗結果顯示，以ORB-SLAM建立之三維特徵地圖輔助相機定位，在相機定位部分，其定位精度主要決定於建立該特徵地圖之ORB-SLAM處理成果之精度，和光照條件的改變並無明顯關聯；而旋轉角部分，ORB-SLAM亦可以獲得穩定的成果，然而其回復之旋轉角正確程度，則

取決於後方交會時特徵點之分布涵蓋影像之面積比例。

管家式經濟：物聯網時代如何精准預測消費需求

為了解決地圖定位的問題，作者（美）查克·馬丁 這樣論述：

查克·馬丁預測，隨著物聯網的第三次數位化變革，推拉行銷模式將終結，商家將變成消費者的“管家”。未來，數十億個安裝在全球各處的互聯感測器將不分晝夜地收集消費者的即時資料。在海量資料的加持下，商家就可以對消費者的需求有更精准的洞見和預測，從而提供高度個性化的用戶體驗。 查克·馬丁將此種變革衍生出的經濟模式定義為——管家式經濟。本書認為有七種技術將是引領變革的關鍵因素：感測器、人工智慧、語音助理、智慧家居、虛擬實境和增強現實、互聯汽車、無人機和機器人，並用資料和案例作為佐證，旨在為有前瞻性的企業和創業者提供一些靈感和洞見。 查克·馬丁（Chuck Martin）   全球著名的

未來學家、數位技術專家，數字時代的先驅人物。他曾精准預測網路革命與移動革命。這一次，他將通過本書，預言物聯網帶來的第三次重大技術革命。曾任IBM公司副總裁，現任聯網未來機構的首席執行官，該機構致力於研究顛覆性的商業戰略與行銷手段，幫助企業應對技術革命帶來的衝擊。 世界“最受關注的物聯網領袖”，“物聯網領域最具影響力的十大人物”之首。《人工智慧與物聯網日報》的主編、“每日聯網思維”專欄的作者(該專欄的每日閱讀量超10萬)。《紐約時報》暢銷書作家，所著《數字莊園》《聯網未來》《決戰第三屏：移動互聯網時代商業與行銷新規則》三本均榮登《紐約時報》的暢銷書榜。 前言：第三次技術變革

萬物智能互聯：無處不在的感測器001 機遇和挑戰並存：人工智慧商用時代045 徹底解放人類雙手：無所不能的語音助理085 比優質管家更貼心：超乎想像的智慧家居121 超強感官體驗：虛擬實境和增強現實161 不只是自動駕駛：互聯汽車的N種想像205 不再只是玩偶：機器人和無人機的重大突破259 結論：歡迎進入管家式經濟時代 致謝 前言：第三次技術變革   新科技的大潮正逐步逼近，將給各行各業帶來極大的衝擊。這次技術變革將會是有史以來最大的一次，其範圍幾乎要覆蓋全球。經過這次變革，客戶體驗及其與商戶的關係都將得到革新。物聯網在人、地點和事物之間創建了聯繫，它的七大組成部分也將

驅動著技術變革繼續發展。 第一次技術變革來自互聯網，或者準確地說，是商業萬維網（commercial World Wide Web）。我在1998年的暢銷書《聯網未來》中對此有所介紹，其中也講述了七種互聯網的發展態勢，後來它們都變成了現實。這些就是互聯性的早期形態。各類廠商開始建立彼此間的資料聯繫、員工內部的聯繫，使供應鏈自動化；同時重新定義了供應商、批發商和合夥人的關係，並開始著手解決遺留問題。 第二次技術變革則來自移動互聯網。除了互聯網外，智慧手機是另一項具有重大意義的發明，儘管它和互聯網有一些不同。在互聯網進入商業領域後，一個人也好，一家企業也罷，無論哪個個體想要聯網，都必須一個一個

地依次進行，而這將會耗上數年的時間。在早期，聯網需要使用流覽器，流覽器需要從磁片中載入，而磁片的供給權，一開始由網景公司掌握，後來則在微軟公司手中。在那時候，所有電腦都是沒有內置流覽器的。而以2007年蘋果公司的iPhone上市為開端，智慧手機開始流行起來，每個人都已經連入了互聯網。智能手機讓一切都變得便攜。從前，一切線上的工作都要求人們坐在電腦前，在一個固定的地方完成；而現在，智慧手機把全世界引入了一個移動的時代。在智慧手機問世前，人們的行動大多是重複式的，比如我們要在家裡完成線上工作，然後才能外出購物。而我們大多數的錢也都花在了商店裡，這點在我2012年出版的書《決戰第三屏：移動互聯網時代

的商業與行銷新規則》和之後2014年出版的《決勝移動終端：移動互聯時代影響消費者決策的6大關鍵》中都有涉及。 而有了智慧手機，人們的行動就變為了反覆運算式，我們基本上可以在任何時間、任何地點上網，並完成各種各樣的事情。隨著手機與消費者行為的共同進步，大量基於位置的資訊和支付服務也應運而生。 而如今面世的第三次技術變革則來自物聯網。這次技術變革與前兩次最大的區別在於，互聯網和智慧手機僅僅涉及一個領域，而物聯網卻跨領域、跨行業，涉及快速發展的科技、數以萬計聯網設備的研發、易於獲取的海量資料，以及人們用以處理和分析這些資料的新方法。 由此，七種不同的科技力量同時作用於如今的市場。而我寫本書的目

的，即在於在新時代語境中討論這七種力量，並用研究資料和翔實案例作為佐證。以下便是七種引領數位化變革的技術： 1．感測器——它是物聯網的驅動力，將使位置追蹤變得更加容易。在物聯網上，任何事物都可以被追蹤到。 2．人工智慧——從根本上而言，它將成為物聯網的中樞，能夠不斷地學習並預測人類的行為。 3．語音助手——隨著手指敲擊鍵盤打字的輸入方式退居二線，語音成為人類新的溝通方式。 4．智慧家居——住宅裡的聯網設備正在改變消費者對廠商的期望。 5．虛擬實境和增強現實——它把物理世界與虛擬世界進行融合，提供一種全新的即時資訊，轉變使用者位置和用戶體驗。 6．互聯汽車——通過全新的、不間斷的交互

活動，使得用戶。 7．無人機與機器人——借助隨時學習的遠端操控設備實現人類工作自動化。 還有一些技術變革尚在醞釀中，譬如區塊鏈和可穿戴設備，但我們依然把關注點放在這七種最重要的技術上，為那些正在開始理解和應對當前時代發展潮流的企業提供借鑒。此外，還有人們通常稱之為“工業時代4.0”的第四次工業變革。不過，它與製造業以及工業息息相關，而這本書側重研究客戶與企業互動領域，以及影響兩者關係的技術問題。   消費者知之甚少 在推廣物聯網設備的過程中，一個最大的阻礙是，消費者對物聯網缺乏認識。市場調研機構Market Strategies International對美國1000名負責家庭財務管理

和採購的成年人展開一項調查，調查顯示，雖然許多人在生活和工作中都曾切實地使用或者體驗過物聯網，但他們當中的大多數人卻根本沒有意識到物聯網的存在。而這份調查結果反映了美國公民的總體情況：僅有不到1/4（23%）的消費者知道物聯網，而大多數人（68%）對此完全不瞭解。然而，這些人大多都使用過，或至少遇見過物聯網技術。例如，超過半數的人都曾經體驗過包括活動追蹤器在內的可穿戴設備。還有大約1/3的人體驗過利用Wi-Fi進行遠端監控的智慧家居。 這項調研還發現，對於那些瞭解物聯網和不瞭解物聯網的人而言，他們具有不同的表現，尤其是涉及物聯網管理方面的時候，他們的看法更是千差萬別。在那些熟悉物聯網的人中，

大約有一半的人（48%）認為，政府部門應該管制工作場合中物聯網技術的使用。但在那些不熟悉物聯網的人中，只有1/4的人持相同看法。對物聯網的瞭解程度還會帶來許多其他方面的差異。對於在物聯網環境中工作的人，他們往往希望能更好地利用物聯網技術——譬如智慧語音設備。他們希望類似的物聯網技術在日常生活中得到更加廣泛地應用。而那些工作中不接觸物聯網的人當中，只有一半的人表示對此類技術感興趣。 很多消費者都聽說過聯網設備，比如智慧牙刷、智慧冰箱、智慧汽車和智慧城市。但這些所謂的“智慧設備”大多都僅僅是一些自動化設備，它們可以根據使用者的指令自主地開啟或關閉。比如說，在用戶到家前，暖氣會自動開啟；用戶起床前

，咖啡機會自動啟動；用戶離家時家裡燈光自動關閉，返家時燈光自動打開……這些都是十分顯而易見的例子。但真正的智慧設備，應該能依據其他因素，自行判斷開關時間。不過，實際上，如果用戶根本就不知道物聯網，他們應該也不太可能需求物聯網的創新。   物聯網的覆蓋面 無論你如何細分物聯網，它的體量依然龐大，物聯網應用市場的調研資料也依然令人驚歎。比如，根據市場調研公司Canalys的預測，一年內將會有5600萬智慧音箱湧入市場。而在智慧手錶領域，據英國市場研究公司Juniper Research調查，截至2022年，將會有8000萬混合型的智慧手錶投入市場。另外，根據國際資料資訊公司的預測，截至2021年

，智慧手錶的出貨量將達到7200萬隻。在拉斯維加斯的國際消費類電子產品展覽會上，康卡斯特有線通訊公司旗下互動媒體公司Xfinity宣佈要給其所有系列產品配置智慧家居功能，換言之，它的1500萬使用者可以即刻享受Xfinity產品的智慧家居功能，卻不需要支付任何費用，並且升級過程是全自動的。數月後，Xfinity還向1500萬用戶推出了一項新功能：任何人試圖接入網路時，Xfinity使用者的手機上會收到資訊提示，並詢問使用者是否允許此人訪問網路。根據市場調研平臺Research and Markets的調查，地圖定位服務的市場效益有望在2025年達到710億美元。而Juniper Researc

h公司的資料表明，截至2022年，智慧視頻設備所帶來的收益至少能達到100億美元。還有一項研究預測，截至2022年，物聯網技術的市值將會達到1萬億美元。BCC Research的研究表明，目前聯網設備的數量已經超過了世界人口總量。據預測，截至2022年，在全球範圍內，平均每人將會擁有4台聯網設備。通過上述資料，你應該能大致瞭解物聯網的發展現狀。 隨著越來越多的企業利用聊天機器人和人工智慧接待顧客，消費者們將全面感受到物聯網的影響。如今全球已經有超過一半的企業投資了虛擬客服技術，而在此基礎上，高德納諮詢公司（Gartner）預測，兩年內有1/4的客服工作將由虛擬客服或聊天機器人承擔。高德納諮詢

公司的常務副總裁基恩·阿爾瓦雷斯稱：“隨著越來越多的客戶開始使用數位電視頻道，虛擬客服技術將用於處理客戶在網站、手機應用程式、消費者回饋應用程式和社交媒體上提出的要求。同時，自然語言處理技術、機器自主學習技術和意圖匹配能力不斷發展，虛擬客服技術也會因此不斷得到鞏固。” 高德納諮詢公司還做出了以下預測： 截至2020年，30%的企業間電子商務公司（B2B）將會把人工智慧投入應用； 一年內，20%的品牌商家將不再使用自己的手機應用程式； 截至2020年，40%以上的資料分析專案將會與客戶服務有關； 截至2020年，有20%的公司將採用增強現實、虛擬實境和混合現實的沉浸式技術，並以此作為自己

數位化變革戰略的一部分。 越來越多的自動化技術正被企業所採用，這並非沒有原因。據高德納諮詢公司調查，一些企業表示，使用了虛擬客服技術後，它們的報告顯示，來自電話、網上留言和電子郵件的諮詢數量減少了70%。 本書是一本科普讀物，旨在讓讀者從各種層面快速瞭解七項創新技術，並幫助讀者規劃未來商業之路。內容輕理論重實踐，採擷當今市場上發生的真實事件為案例，依託扎實研究，研判未來市場發展態勢。書中很多資訊均來源於高度可信的研究機構，並且，所有出現的資料都注明了來源。書中的調研案例若沒有特別寫出具體調研範圍，均為全球性案例。而其他資訊則來源於我個人所做的初步研究，因為我常常與那些專門從事物聯網工作的人

，尤其與那些閱讀媒體發佈網（MediaPost）《人工智慧與物聯網日報》上我的每日專欄的讀者交流見解。本書作於2019年，文中“明年、未來5年”等表述，讀者可根據寫作時間推斷。   查克·馬丁  

以Autoware實現自駕系統與實車驗證

為了解決地圖定位的問題，作者郭政玹 這樣論述：

隨著世界即將進入電動車時代，自駕車在蓬勃發展中，而在自駕系統中，資料來源的接收、處理及發送，各種模塊的整合更是自駕車能否成功運作的關鍵因素。除了各模塊單獨運作之外，在資訊的整合應用上也是一門學問；倘若依照傳統獨立設計各子系統的方式來建構自駕車系統，其在多感測資料的整合上將會相當複雜且困難。尤其在通道的設定上會有占用的問題，且若要額外新增或移除某些功能時，更需要重新設計整個系統的程式流程。此外，當系統某些部分遺失資訊或發生失效時，系統極有可能直接停擺，甚至使自駕車發生危險，而不是失去某一個功能這麼簡單而已。有鑑於此，本論文主要發展一套以Autoware來實現自駕系統與實車驗證，其目的在於清楚闡

述如何將各種不同的車用感知器，如光學雷達、車載影像鏡頭、差分率全球定位系統(DGPS)等設備進行整合，並實現於車載嵌入式系統。首先，本論文利用機器人操作系統(ROS)使感測元件彼此共享資料，解決通道衝突的問題，同時搭配Autoware的介面來建立自駕車整合系統的應用框架，其內容包含基於SLAM技術之高精地圖建置、車輛定位、路徑規畫、車輛控制等。此外，本論文亦整合一套車道線與道路環境物件辨識演算法於車規嵌入式系統中，其中利用LaneNet網路來實現車道線辨識，及Yolo v5網路架構來作為環境物件的辨識，最後透過Nvidia AGX嵌入式系統並搭配ROS系統實現系統整合與應用。最終本系統已實際搭

載於一輛市售實車上進行功能驗證，實現一套自主化的自駕系統。