本文由 Matt Miesnieks 發(fā)表于 Super Ventures Blog， Matt Miesnieks 目前為投資公司 Super Venture 合伙人，曾任職于三星、Dekko、Layar 等公司。 通過這篇文章，我們能了解到：

• ARKit的基本技術(shù)原理：視覺慣性測量（VIO）系統(tǒng)、平面檢測
• ARKit的兩大神秘之處：單目攝像機3D成像、計量尺度獲取
• ARKit、Tango、Hololens技術(shù)對比
• 開發(fā)人員如何使用ARKit

全文整理如下。 今年，蘋果公司在 WWDC 大會上發(fā)布的 ARKit 在整個 AR 生態(tài)中引起巨大轟動。開發(fā)者發(fā)現(xiàn)，這是他們第一次能將一款強大的 AR SDK 廣泛使用于自己的應(yīng)用，不再需要什么標(biāo)記點、初始化、深度攝像頭，甚至是專門的創(chuàng)作工具。毫不意外，ARKit 讓開發(fā)者們集體開啟各種 AR demo 秀。 但是，很多開發(fā)者不清楚 ARKit 如何工作，也不了解為什么 ARKit 比于其他 SDK 更好。從底層技術(shù)看ARKit，可以幫助大家了解當(dāng)前版本 ARKit 能做什么，了解 ARKit 需要改進的地方以及為什么需要改進，并且還可以幫助我們預(yù)測未來何時， Android 系統(tǒng)及頭戴式顯示器（VR 或 AR）可以支持 ARKit 類似的功能。 目前為止，我在 AR 領(lǐng)域工作 9 年了，過去曾研發(fā)出與 ARKit 相似的技術(shù)，但當(dāng)時并沒有合適的硬件可支持這個技術(shù)。作為內(nèi)部人士，我了解這些系統(tǒng)是如何構(gòu)建的，以及為什么構(gòu)建成現(xiàn)在的樣子。 這篇博文試圖向那些非技術(shù)人群解釋一些專業(yè)的技術(shù)問題，并不是面向計算機視覺工程師。文中，我用簡單的話來解釋 ARKit，但不一定 100% 符合科學(xué)的解釋，不過我希望至少可以幫助人們加深對于 ARKit 的理解。

ARKit 基于什么樣的技術(shù)？

技術(shù)上，ARKit 配備視覺慣性測量（VIO）系統(tǒng)，帶有簡單的 2D 平面檢測。具體來說，VIO 系統(tǒng)會實時追蹤你在空間中的位置，也就是 6 自由度（DoF）動作，比如說，屏幕每幀畫面刷新之間，你的動作會被重新計算，畫面的刷新率為每秒 30fps 或以上，而且這些計算會同時進行兩次。 第一次是，通過將現(xiàn)實世界中的點與攝像頭傳感器每幀畫面像素點相匹配，你的動作會被視覺系統(tǒng)追蹤，進行一次計算。第二次是你的動作被慣性系統(tǒng)追蹤，主要通過加速度計和陀螺儀兩個慣性測量單元（IMU）實現(xiàn)。 然后，卡爾曼濾波器（Kalman Filter）將 VIO 系統(tǒng)和慣性系統(tǒng)的輸出進行整合，從而預(yù)測出你的最佳“真實”位置（稱為Ground Truth），并且由 ARKit SDK 發(fā)布你的最新定位。就像汽車的里程表顯示車輛的駕駛距離一樣，VIO 系統(tǒng)記錄 iPhone 手機在 6 DoF 空間中經(jīng)過的距離。6 DoF 表示沿著 xyz 三個方向的平動，加上繞三個軸的俯仰、偏轉(zhuǎn)及滾動。 VIO 系統(tǒng)最大的優(yōu)勢就是，即使用戶動作加速的情況下，IMU 依舊可以每秒讀數(shù) 1000 次。IMU 每次讀數(shù)之間，航位推算法被用來計算設(shè)備的運動。這時，航位推算法更像是一種猜測，就像是，我讓你往前買一步，然后猜猜這個步子有多大，你便會用航位推算法來預(yù)測步子的距離。（后面我將詳細(xì)介紹這種預(yù)測是如何實現(xiàn)高度準(zhǔn)確性的。）慣性系統(tǒng)產(chǎn)生的誤差會隨時間累積，所以，IMU 每幀畫面所間隔的時間越長或者慣性系統(tǒng)使用時間越長，而且還沒有 VIO 系統(tǒng)配合的時候，動作的追蹤也將越來越偏離實際的動作情況。 視覺/光學(xué)測量以相機畫面幀速率進行，通常為 30fps，并且基于每幀場景變化的距離。光學(xué)系統(tǒng)通常會隨著距離的增加，而不斷積累誤差，時間也會一定程度上影響光學(xué)系統(tǒng)的準(zhǔn)確性。所以你行動的距離越遠，時間越久，誤差越大。好消息是，一個追蹤系統(tǒng)的優(yōu)勢可以抵消另一個系統(tǒng)的劣勢。 視覺和慣性跟蹤系統(tǒng)是完全不同的測量系統(tǒng)，沒有相互依賴關(guān)系。這意味著相機可能被遮蓋，或者可能看到的是幾乎沒有光學(xué)特征的場景，例如一面白墻，而慣性系統(tǒng)這時可以“加載”幾幀畫面。相對地，設(shè)備處于靜止的狀態(tài)下，視覺系統(tǒng)提供的動作追蹤信息比慣性系統(tǒng)更加穩(wěn)定。卡爾曼濾波器不斷選擇最佳動作信息，追蹤效果也就更加穩(wěn)定。 VIO 系統(tǒng)已經(jīng)出現(xiàn)很多年了，在行業(yè)中的認(rèn)可度很高，并且市場上不少設(shè)備也配備了 VIO 系統(tǒng)。所以蘋果 ARKit 使用 VIO 系統(tǒng)并不意味著創(chuàng)新。那么到底是什么技術(shù)讓 ARKit 變得如此強大呢？ ARKit 的第二個關(guān)鍵點是配備簡單的平面檢測。這個技術(shù)十分必要，你需要地面作為參照物來表示位置信息，否則物體會漂浮在空中。任何 3 個點可以定義一個平面，根據(jù)光學(xué)系統(tǒng)檢測到的特征點（demos 中看到的點），通過算法將特征點平均化，便得到了參照平面。 如果光學(xué)系統(tǒng)選取的特征點足夠多的話，你便能預(yù)測到真實的平面。這些特征點通常被稱為“點云”，所有的特征點形成稀疏的點云，用于光學(xué)跟蹤。稀疏點云僅僅需要少量的存儲內(nèi)存、短暫地使用 CPU。在慣性系統(tǒng)的支持下，光學(xué)系統(tǒng)即使檢測少量的特征點，也可以正常工作。點云和密集點云是不同的，密集點云看起來更加接近真實感（目前有人正在研究的使用密集點云進行跟蹤，這更復(fù)雜）。

ARKit 的兩大“神秘之處”

有人會把 ARKit 稱為 SLAM ，或者使用術(shù)語 SLAM 來指位置跟蹤。在此澄清一下，SLAM 是一個相當(dāng)廣泛的術(shù)語，就像“多媒體”這個術(shù)語一樣?！白粉櫋北旧砭褪且粋€通用的術(shù)語，使用“測距”更具體，但在 AR 領(lǐng)域，使用“追蹤”來表達即可。有很多方法可以實現(xiàn) SLAM，追蹤蹤只是 SLAM 系統(tǒng)的一個組成部分。 我認(rèn)為 ARKit 是一個輕型或簡單的 SLAM 系統(tǒng)。Tango 或 Hololens 的 SLAM 系統(tǒng)除了距離測量外，還有其他很多其他特征。 ARKit 存在兩大“神秘之處”：一是，如何通過單目鏡頭獲得 3D 效果；二是，如何獲得計量尺度（像那個卷尺測量 demo 一樣）。答案在于“非常好地”移除 IMU 產(chǎn)生的誤差，即讓航位推算法實現(xiàn)高精度地預(yù)測。當(dāng)實現(xiàn)這點后，便會發(fā)生以下的效果： 為獲得 3D 效果，需要從不同角度獲得 2 個場景視圖，進而通過立體計算得到你所在的空間位置。這就是雙眼如何看到 3D 圖像，以及為什么一些跟蹤器要要依靠立體攝像機。如果有兩臺攝像機，可以容易計算攝像機之間的距離，同時捕獲幀畫面。ARKit 為什么僅僅使用了一個攝像頭便獲得了 3D 效果呢？是因為一個攝像頭可以捕獲一幀畫面，而后攝像頭移動捕獲第二幀畫面。 使用 IMU 航位推算法計算，便可計算出兩幀畫面之間的移動距離，然后正常計算出立體畫面。實際上，你可能捕捉更多的幀畫面進行計算，從而獲得更高的精確度。如果 IMU 足夠準(zhǔn)確，兩幀畫面間產(chǎn)生的“移動”可以僅僅通過手握拳后手臂微小肌肉群的運動來檢測，這看起來像魔術(shù)一樣神奇。 系統(tǒng)需要依賴于 IMU 航位推算法來獲得計量尺度。通過 IMU 給出的加速度和時間測量值，可以計算出速率并獲得 IMU 每幀畫面之間的距離。數(shù)學(xué)運算并不難，困難的是消除 IMU 誤差，以獲得近似完美的加速度測量值。一個微小的錯誤，在畫面每秒刷新 1000 次的情況下，持續(xù)幾秒鐘后可能會導(dǎo)致 30％ 甚至更大的計量尺度誤差。令人驚訝的是，蘋果 ARKit 已經(jīng)把誤差下降到 10％ 以下。

Tango 、 HoloLens、 Vuforia 等 SDK 怎么樣?

Tango 只是一個品牌名，而不是真正的產(chǎn)品。Tango 包括硬件參考設(shè)計（RGB，魚眼鏡頭，深度相機和CPU / GPU規(guī)格），還參與 VIO（運動跟蹤），稀疏映射（區(qū)域?qū)W習(xí)）和密集 3D 重建（深度感知）等軟件。 HoloLens 具有完全相同的軟件棧，另外包括一些 ASIC（微軟稱之為全息處理單元）優(yōu)化 CPU / GPU 卸載處理并減小電耗。 Vuforia 與 ARKit 幾乎是一樣的，只是 Vuforia 的硬件是獨立的。 上述 SDK 均使用相同的 VIO 系統(tǒng)，而且，Tango 和 ARKit 使用的均為 FlyBy 最初發(fā)布的代碼庫！HoloLens 和 Tango 都不使用深度相機進行追蹤，那么到底是什么技術(shù)設(shè)備讓 ARKit 大放異彩呢？ 答案是 ARKit 并不比 HoloLens 好，我甚至認(rèn)為 HoloLens 的跟蹤系統(tǒng)是市場上最好的，但 HoLolens 的硬件普及并不廣。微軟可能會在 Windows 系統(tǒng)的智能手機中安裝 HoloLens 跟蹤系統(tǒng)，但我相信出于商業(yè)原因，微軟不會這樣做：

因為這樣可能會增加生產(chǎn)和時間成本，為一款銷量或許很少的手機校準(zhǔn)傳感器。而且，微軟版本的 ARKit 也可能無法說服開發(fā)者放棄使用 iOS 或 Android 系統(tǒng)。

12 個月前，Google 本就可以輕松交付能夠在 Android 系統(tǒng)上運行的 Tango 手機，但 Google 沒有這樣做。如果 Google 早早將 Tango 發(fā)貨 ，那么 ARKit 的問世也只是緊跟趨勢，而非重大突破。 我認(rèn)為，Google 公司不想為每家 OEM 都進行特定的傳感器校準(zhǔn)過程，而且每家 OEM 廠商生產(chǎn)的 Tango 版本都不一樣，Google 也不想在一些較大的 OEM 廠商（三星、華為等）中選擇。所以，Google 為 OEM 廠商提供了硬件的參考設(shè)計，OEM 廠商可以自行選擇“使用，或者不使用”。（當(dāng)然，事情并非這么簡單，這是 OEM 廠商反饋給我的關(guān)鍵點。） 隨著 Android 智能手機硬件商品化，相機和傳感器堆棧是 Android 手機最后實現(xiàn)差異化的地方，所以 OEM 廠商無法滿足 Google 的要求。Google 認(rèn)為，深度相機是手機的一部分，但是深度相機增加了手機成本，這也是 OEM 廠商拒絕 Google 的另一個原因！ 自從 ARKit 發(fā)布以來，市場已經(jīng)發(fā)生了變化。OEM 廠商要么尋找 Tango 的替代系統(tǒng)，要么接受 Google 的硬件參考設(shè)計，然后實現(xiàn)平臺控制。這也是有意思的變化。 總的來說，ARKit 更好的原因在于：

蘋果公司可以負(fù)擔(dān)得起將 VIO 算法緊密耦合到傳感器上，并花費很多時間來校準(zhǔn) VIO 系統(tǒng)，以減少計算空間位置時產(chǎn)生的誤差。

值得注意的是，大型 OEM 廠商有一些替代方案?？梢赃x擇其他的追蹤方案，像 ORB Slam、OpenCV 等，但幾乎都是光學(xué)追蹤器，都配有單個 RGB、立體聲、深度相機，有些使用稀疏點云，有些使用密集點云。有許多創(chuàng)業(yè)公司正在研發(fā)追蹤系統(tǒng)，研究增強像素也是一個很好的方向，但任何 VIO 系統(tǒng)最終的競爭都會集中到硬件模型和校準(zhǔn)上。

開發(fā)人員如何使用 ARKit

你或許已經(jīng)有一個可以支持 ARKit 的手機了。首先，要了解使用 ARKit 開發(fā)內(nèi)容，與以往開發(fā)一款手機 APP 有巨大的差異：一個是你不用控制場景，一個是你要控制每幀像素。 然后，想想 Tango 或 HoloLens，看看當(dāng)你的內(nèi)容與無法控制的場景中的 3D 模型交互時，會發(fā)生什么。 這其中的學(xué)習(xí)難度較大，比從網(wǎng)絡(luò)到移動或從移動到 VR 更有難度。你需要徹底重新思考應(yīng)用程序的如何運行以及用戶體驗（UX）的意義是什么。我現(xiàn)在看到很多 ARKit 的 demo，四年前看到它們是基于 Vuforia 創(chuàng)建，再往前四年就是 Layar （2010 年荷蘭公司 SPRXmobile 推出的全球第一款 AR 手機瀏覽器）。這幾年來，我 看到了幾乎所有類型的 AR APPs 的例子，我很樂意為大家提供支持和反饋。 我常常鼓勵開發(fā)人員勇于構(gòu)建新奇的 APP。一些蠢蠢的 APP 一上線便大獲成功，但通過 AR 硬件開發(fā)讓用戶是滿意的案例也十分具有挑戰(zhàn)。

能構(gòu)建良好追蹤系統(tǒng)的人并不多

直觀地說，目前只有少數(shù)人能構(gòu)建好的追蹤系統(tǒng)。那些具備交叉學(xué)科背景的工程師們才能研發(fā)出的融入單目 VIO 最好的系統(tǒng)，用于手機追蹤的解決方案。 在二十世紀(jì)中期，VIO 系統(tǒng)最初由波士頓軍事/工業(yè)供應(yīng)商 Intersense 使用。Leonid Naimark 是該技術(shù)的創(chuàng)始人之一，2011 年時加入我創(chuàng)建的 Dekko 公司并擔(dān)任首席科學(xué)家。由于傳感器限制，Dekko 證實了 VIO 無法在 IPad 2 上運行，Leonid 重回軍工行業(yè)，但 Dekko 公司的 CTO Pierre Georgel 如今已成為 Google Daydream 團隊的高級工程師。 我 在 Super Ventures 的合作伙伴 Ori Inbar 創(chuàng)立了 Ogmento。Ogmento 公司后改名為 FlyBy，F(xiàn)lyBy 團隊成功地構(gòu)建了基于 iOS 的VIO 系統(tǒng)，還增加了魚眼相機。該代碼庫已經(jīng)授權(quán)給 Google，成為 Tango 的 VIO 系統(tǒng)。蘋果公司收購 FlyBy 之后，F(xiàn)lyBy 的 VIO 系統(tǒng)代碼庫成為 ARKit VIO 的核心。 FlyBy 公司的CTO Chris Broaddus 繼續(xù)為 Daqri 公司研究追蹤系統(tǒng)，現(xiàn)在他已經(jīng)加入硅谷的神秘?zé)o人車初創(chuàng)公司 Zoox。2007 年，第一個移動 SLAM 系統(tǒng)由 Georg Klein 在 Oxford Active Computing lab（PTAM）開發(fā)，Georg Klein 和 David Nister 一同為 HoloLens 建立 VIO 系統(tǒng)，David 離開后還為特斯拉創(chuàng)建了自動駕駛系統(tǒng)。 Georg 帶的博士生 Gerhard Reitmayr 主導(dǎo)了 Vuforia 的 VIO 系統(tǒng)的研發(fā)。 此前擔(dān)任 Vuforia 公司副總裁的 Eitan Pilipski，現(xiàn)在是 Snap 公司的 AR 軟件工程師。 牛津大學(xué)、劍橋大學(xué)和倫敦帝國學(xué)院研發(fā)團隊的核心成員研發(fā)了 Kinect 追蹤系統(tǒng)，現(xiàn)在也成為 Oculus 和 Magic Leap 追蹤系統(tǒng)開發(fā)的負(fù)責(zé)人。 有趣的是，我無法說清，當(dāng)前致力于 AR 追蹤系統(tǒng)研發(fā)的初創(chuàng)公司，到底是由哪個學(xué)科的人才主導(dǎo)。因為，這些創(chuàng)始人不管是機器人背景，或是其他計算機視覺背景，已經(jīng)不足以支撐在一個更大領(lǐng)域范圍應(yīng)用的追蹤系統(tǒng)的研發(fā)。 后面，我會談?wù)劗?dāng)代科學(xué)家們正在開展的工作。

歸根到底是統(tǒng)計學(xué)問題

AR 系統(tǒng)沒有“可行”或者“不可行”一說。 大部分情況下，AR 系統(tǒng)可以很好的完成工作。AR 系統(tǒng)力求變得“更好”，也是推動統(tǒng)計學(xué)發(fā)展的事情。 故而，不要完全相信 AR APP 的演示，特別是發(fā)布于 YouTube 上，顯示出驚人的效果的 AR APP。在精心安排的環(huán)境中所表現(xiàn)的效果與現(xiàn)實生活中普通用戶所能獲得的效果之間，往往存在很大差距。但是智能手機或 VR 應(yīng)用的演示通常并不存在這種問題。所以，觀眾常常被愚弄。 這是一個具體的技術(shù)示例，為什么統(tǒng)計數(shù)據(jù)最終可以確定系統(tǒng)的運行情況。 在上面的圖像中，有一個網(wǎng)格，表示相機中的數(shù)字圖像傳感器。每個格子都是一個像素點。為了穩(wěn)定追蹤，在假設(shè)設(shè)備完全靜止的情況下，每個像素應(yīng)該在現(xiàn)實世界中的有一個相匹配的對應(yīng)點。然而，右側(cè)圖像顯示光子不是那么的聽話，各種光子會隨意落到任何地方，每個像素點是光子的總數(shù)。場景中的光線變化（太陽光穿透云層，熒光燈閃爍等）也會改變傳感器中的光子組成，現(xiàn)在傳感器要對應(yīng)現(xiàn)實世界的不同像素點。那么，這樣的情況下視覺追蹤系統(tǒng)就認(rèn)為用戶移動了！ 所以，各種 ARKit demo 中光點閃爍時，系統(tǒng)必須確定哪些點是“可靠”的。系統(tǒng)對這些點進行三角測量來計算用戶的空間位置，求平均數(shù)后得到對實際位置的最佳估計數(shù)。因此，為確保錯誤的統(tǒng)計完全被移除，便需要研發(fā)更精確的系統(tǒng)。這就需要相機硬件堆棧（多個鏡片和涂層、快門和圖像傳感器等）、IMU 硬件和軟件算法之間的嚴(yán)密集成和校準(zhǔn)。

硬件與軟件的集成

其實開發(fā) VIO 系統(tǒng)并不難，而且 VIO 系統(tǒng)的算法已經(jīng)公開了，還有不少的應(yīng)用案例。但是，很難把 VIO 系統(tǒng)良好地運作起來。我指的是，慣性和光學(xué)系統(tǒng)完全融合創(chuàng)建立體地圖，在低精確度時確定度量標(biāo)度。 例如，在我創(chuàng)辦的 Dekko 時，應(yīng)用的案例中要求用戶開始按照具體的要求移動，然后手機前后移動約 30 秒才能使慣性和光學(xué)系統(tǒng)融合創(chuàng)建立體地圖。建立一個優(yōu)良的慣性追蹤系統(tǒng)需要經(jīng)驗豐富的工程師。然而，全球只有約 20 名工程師具備必須的技能和經(jīng)驗，而且這 20 名工程師中大多數(shù)從事巡航導(dǎo)彈追蹤系統(tǒng)，或者火星漫游者導(dǎo)航系統(tǒng)等。 即使你可以聘請到其中一位工程師，為了最大限度地減少誤差，仍然需要硬件和軟件的緊密結(jié)合。這意味著可以通過軟件準(zhǔn)確建模 IMU，詳細(xì)了解整個攝像頭以及每個組件的詳細(xì)規(guī)格，更重要的是 IMU 和攝像頭都需要非常精確地同步。 系統(tǒng)需要準(zhǔn)確知道 IMU 讀取的數(shù)據(jù)哪個對應(yīng)開始畫面，哪個對應(yīng)結(jié)束畫面。這對于兩個系統(tǒng)的關(guān)聯(lián)至關(guān)重要，這一點最近才得以實現(xiàn)，因為硬件 OEM 廠商認(rèn)為沒有必要投資于此方面。這就是 Dekko 公司花費了很長時間，才把基于 iPad 2 系統(tǒng)的硬軟件融合的原因。第一個Tango 手機是第一臺實現(xiàn)精準(zhǔn)時間同步的設(shè)備，并且是第一款具備良好追蹤系統(tǒng)的消費級手機。 目前，追蹤系統(tǒng)采用的來自 Qualcom 等公司的芯片都有一個同步的傳感器集線器，適用于所有組件，這意味著 VIO 系統(tǒng)在大多數(shù)當(dāng)前設(shè)備上可行，并配有相應(yīng)的傳感器校準(zhǔn)。 由于密切依賴硬件和軟件，在沒有 OEM 廠商的深度支持下，軟件開發(fā)人員幾乎不可能構(gòu)建一個優(yōu)良的系統(tǒng)。Google 投入了大量資金，讓一些 OEM 廠商支持 Tango 的硬件規(guī)范， 微軟、Magic Leap 等公司也正在努力創(chuàng)建自己的硬件。蘋果之所以如此成功地發(fā)布 ARKit，正是因為 ARKit 能夠很好地集合硬軟件。

光學(xué)校準(zhǔn)

為了使軟件精確地把攝像機的像素點與現(xiàn)實世界中的點相匹配，攝像機系統(tǒng)需要精確校準(zhǔn)。存在有兩種類型的光學(xué)校準(zhǔn)： 第一種為幾何校準(zhǔn)：使用相機的針孔模型來校正鏡頭的視場和鏡頭效果。由于鏡頭透鏡的影響，基本所有圖像都會變形。大多數(shù)軟件開發(fā)人員可以在沒有 OEM 廠商的幫助下，通過使用基于標(biāo)準(zhǔn)棋盤格和基本公開攝像頭參數(shù)校準(zhǔn)。 第二種為光度校準(zhǔn)：這種校準(zhǔn)方式使用更多，通常需要 OEM 廠商參與圖像傳感器本身的細(xì)節(jié)優(yōu)化及內(nèi)部鏡頭涂層的使用。此校準(zhǔn)用于處理顏色和強度映射。例如，拍攝星空的望遠鏡所連接的攝像機，需要知道傳感器上光強度的輕微變化是否確定是星星，或者僅僅是傳感器或透鏡產(chǎn)生的誤差。校準(zhǔn)使得 AR 追蹤器具有更高的確定性，因為傳感器上的每個像素點都對應(yīng)于真實世界的點，所以光學(xué)追蹤更加精準(zhǔn)，產(chǎn)生的誤差更小。   在上面的圖片中，各種 RGB 光點落入圖像傳感器上的“像素桶”中，這個過程很好地說明了問題?，F(xiàn)實世界中點產(chǎn)生的光點通常落在幾個像素的邊界上，這些像素點將平均光點的密集度。用戶運動、或場景陰影或閃爍的熒光燈等微小的變化，都會改變與像素點對應(yīng)的現(xiàn)實世界點的變化。這時，所有的光學(xué)校準(zhǔn)都盡可能地消除產(chǎn)生的誤差。

慣性校準(zhǔn)

對于 IMU 來說，測量加速度比測量距離或速率更加重要。IMU 的讀取錯誤隨著時間的推移不斷累積，產(chǎn)生誤差的速度非?？?！校準(zhǔn)和建模的目標(biāo)是確保距離的測量在每秒鐘 X 等分時間下的精度足夠高。理想情況下，這個時間段要足夠長，以減少當(dāng)鏡頭被遮蓋或場景中發(fā)生其他情況時，導(dǎo)致攝像機丟失對幾幀畫面的追蹤。 使用 IMU 測量距離稱為航位推算。這基本算是一個猜測，對 IMU 收集的數(shù)據(jù)進行建模，確定積累錯誤的方式，然后編寫過濾器來減小誤差。想象一下，如果你被要求邁出一步，然后猜測邁出的步子有多大。只猜測邁出一步的距離會產(chǎn)生很高的誤差。但是，如果你反復(fù)邁出千步并猜測每一步的距離，所產(chǎn)生的誤差便會非常小。因為你對于踏出哪只腳、地板的種類、鞋子的款式、移動速度的快慢、身體狀態(tài)的好壞等等熟知，那么你最終的猜測便會非常準(zhǔn)確?；镜?IMU 校準(zhǔn)和建模便是這一原理。 數(shù)據(jù)有很多誤差來源。機器臂通常以完全相同的方式重復(fù)地移動設(shè)備，捕獲 IMU 的輸出并寫入濾波器，直到來自 IMU 的輸出與來自機器臂的移動精確匹配。為進一步減小額外的誤差，Google、微軟甚至在國際空間站（ISS）及“零重力飛機”在微型重力環(huán)境下進行校準(zhǔn)。 實際上，達到真正的精準(zhǔn)度，比嘴上說說難的多。OEM 廠商必須對所有設(shè)備進行校準(zhǔn)，即使許多設(shè)備有不同的 IMU（例如，Galaxy 7 可能有來自 Invensense 和 Bosch 的 IMU，當(dāng)然 Bosch 不適用于 Invensense）。當(dāng)然，這是蘋果相對于 Android OEM 廠商的另一個優(yōu)勢所在。

追蹤技術(shù)的未來

如果 VIO 是今天我們能實現(xiàn)的，那么今后將如何發(fā)展，會讓 ARKit 看起來很多余嗎？令人驚訝的是，VIO 系統(tǒng)將一直是數(shù)百米范圍內(nèi)最好的追蹤方法（對于更長距離的追蹤，VIO 系統(tǒng)需要融合 GPS，重新定位地標(biāo)識別）。優(yōu)化 VIO 系統(tǒng)的原因是：即使其他光學(xué)系統(tǒng)像 VIO 一樣準(zhǔn)確，其他系統(tǒng)的 GPU 或攝像頭仍然需要耗費電池，而這對頭戴顯示器影響很大。所以，單目攝像頭的 VIO 系統(tǒng)是最準(zhǔn)確，最低功耗，最低成本的解決方案。 深入學(xué)習(xí)確實對研究追蹤系統(tǒng)有重大影響。目前為止，基于追蹤系統(tǒng)的深度學(xué)習(xí)大約產(chǎn)生 10％ 的誤差，其中頂級的 VIO 系統(tǒng)的誤差只有個位數(shù)，這一數(shù)字還在變小，并且將優(yōu)化室外重新定位。 深度攝像頭能在各個方面優(yōu)化 VIO 系統(tǒng)，其中對于特征點不明顯的情況，精確測量地面實況和尺寸，以及邊緣追蹤都能得帶很好的改善。但是耗電量大，需要以低幀率運行，并且每幀之間使用 VIO。深度攝像頭不適用于戶外，因為攝像頭工作時產(chǎn)生的紅外線會被陽光生成的紅外線所干擾。攝像頭的工作范圍也取決于功耗，這意味著手機的工作范圍可能只有幾米。深度攝像頭的 BOM 成本很高，因此 OEM 廠商將避免在大批量生產(chǎn)的手機中安裝深度攝像頭。 雙攝像頭或魚眼鏡頭有助于看到更大的場景，可以捕獲更多的光學(xué)特征。例如：普通鏡頭可能只看到白色的墻壁，魚眼鏡頭下可以看到天花板的圖案和地毯，Tango 和 HoloLens 均采用了這種方案。而且，雙攝像頭或魚眼鏡頭可獲得深度信息，其運算成本要低于 VIO，但是 VIO 使用低成本的 Bom 和低功耗便能獲得深度信息。 由于雙攝像頭手機的攝像頭（即便是 HMD）所處位置很接近，所以攝像頭的精確范圍對于深度計算來說，非常有限。相隔幾厘米的攝像頭只能精確幾米范圍內(nèi)的深度。 而從頭到尾追蹤最關(guān)鍵的是，支持更大范圍的追蹤，尤其是支持戶外數(shù)錢公里的范圍追蹤。在這點上，AR 追蹤和無人駕駛跟蹤幾乎沒有區(qū)別，只是 AR 系統(tǒng)使用較少的傳感器，耗能也較低。最終，任何設(shè)備都將適用于大范圍追蹤，云服務(wù)也是必須的，故而，Google 最近宣布了 Tango 的視覺定位服務(wù)意圖也在此。未來幾個月我們將看到這些變化，這也是每個人現(xiàn)在都關(guān)心 3D 地圖的原因。

AR 計算機視覺的未來

6 Dof 位置追蹤技術(shù)將在未來 12-18 個月內(nèi)完全商品化，覆蓋所有設(shè)備。現(xiàn)在還有哪些問題亟待解決呢？ 3D 重建系統(tǒng)，HoloLens 稱之為空間映射（Spatial Mapping），Tango 稱之為深度感知（Depth Perception）。3D 重建系統(tǒng)能夠找出場景中真實物體的形狀或結(jié)構(gòu)。這個技術(shù)允許虛擬內(nèi)容隱藏于現(xiàn)實世界后面。 這讓人們出現(xiàn)概念混淆，認(rèn)為 AR 便是“混合”現(xiàn)實，其實是增強現(xiàn)實，多數(shù) AR demo 并沒有 3D 重建系統(tǒng)的支持，所以 AR 內(nèi)容只是覆蓋于所有真實世界物體的前面。 3D 重建系統(tǒng)通過從場景中捕獲密集點云（今天使用深度攝像頭），將其轉(zhuǎn)換為網(wǎng)格，將“隱形”網(wǎng)格連同真實世界的坐標(biāo)導(dǎo)入 Unity 中，然后當(dāng)真實世界的景象出現(xiàn)在攝像頭中時，把那些網(wǎng)格放置在真實的景象上。 這意味著虛擬內(nèi)容可以與現(xiàn)實世界互動。注意 2D 版本的ARKit 通過檢測 2D 平面實現(xiàn)，這是最為基本的要求。倘若 ARKit 沒有參照地面，用 Unity 制作的內(nèi)容肯定會肆意“漂浮”。 圖片中，Magic Leap 公司演示了一款躲在桌腿后面的機器人。我們不知道桌子腿是實時重建，還是預(yù)先建模，再把虛擬機器人放在真實桌子腿的后面。 上述提到的深度攝像方面問題在 3D 重建上仍然存在，這就是為什么目前無法廣泛使用。研究人員正在研究，讓單目 RGB 攝像頭支持實時的照片級 3D重建。這個技術(shù)至少需要 12-18 個月才能應(yīng)用于產(chǎn)品中。也是因為這樣，我才認(rèn)為“真正的”消費級 AR 頭戴設(shè)備依舊離我們很遠。 在 2012 年，Dekko 的 3D 重建系統(tǒng)可在 iPad 2 上工作。我們不得不將網(wǎng)格顯示出來，否則用戶不敢相信他們所看到的（追蹤系統(tǒng)可理解現(xiàn)實世界）。圖中越野車剛剛完成了跳躍，部分隱藏在紙巾盒后面。 3D 重建之后，有許多有趣的研究注解 3D 場景。你現(xiàn)在能看到的幾乎所有的計算機視覺深度學(xué)習(xí)使用的是 2D 圖像，但對于AR（汽車、無人機等），我們需要在 3D 中從語義方面理解這個世界。 圖片為一例 3D 場景語義解釋。 底部是原始圖，中間是 3D 模型（可能由立體相機或 LIDAR 構(gòu)建），最上面是通過深度學(xué)習(xí)的圖像分割，所以我們能從中分辨出人行道。這對《Pokemon Go》也十分有用。 然后，我們需要弄清楚，如何將所有驚人的技術(shù)擴展到實時支持多個用戶。這是終極目標(biāo)。 隨著 3D 重建所需容量越來越大，我們需要了解如何將其托管至云服務(wù)，讓多個用戶共享并擴展模型。

AR 其他技術(shù)的未來

AR 其他技術(shù)的未來說起來太廣泛，先談?wù)勔M一步發(fā)展的技術(shù)：

• 光學(xué)：視野范圍、鏡頭尺寸、分辨率、亮度、焦深、聚光度等等都需要解決。

我們會看到一些“過渡性”的 HMD 設(shè)計，它們受制于一些關(guān)鍵參數(shù)，只試圖解決一個問題，如社交性，或是追蹤技術(shù)，或是企業(yè)用戶案例，以及其他，之后我們才能看到最終的消費級產(chǎn)品方案。

• 渲染：使虛擬內(nèi)容與現(xiàn)實世界融合。

確定真正的光源，將其與虛擬世界相匹配，使陰影和紋理看起來很合理。這個技術(shù)是好萊塢 SFX 多年來一直努力的方向。但是對于 AR 來說，需要在手機上實時完成，并且不會影響到真實世界的光或背景，即便是瑣碎的事情也很重要。

• 輸入：這方面還有很長的路要走。

研究表明，多模式輸入系統(tǒng)效果最佳（有謠言說蘋果正在做這方面的事情）。多模式意味著各種各樣的輸入“模式”，如手勢、語音、計算機視覺、觸感、眼睛跟蹤等，為最好理解用戶意圖，AI 也應(yīng)該一起考慮進去。

• 圖形用戶界面（GUI）和應(yīng)用程序：目前還沒有我們想象中的 AR APP。

我們只想看看 Sonos （無線智能音響）在設(shè)備上顯示控件，并不想選擇 Sonos 按鈕。而且我們一直關(guān)注的是視野范圍內(nèi)畫面，和與實現(xiàn)世界的交互，沒有人知道該如何呈現(xiàn)，但肯定不會是 4 x 6 的網(wǎng)格圖像。

• 社會問題：只有 Apple 和 Snap 知道如何營銷時尚，AR HMD 的銷售可能只是人們最求時尚。這個問題或許比所有技術(shù)問題都難以解決。

來源：雷鋒網(wǎng) 關(guān)注微信公眾號：VR陀螺（vrtuoluo）,定時推送，VR/AR行業(yè)干貨分享、爆料揭秘、互動精彩多。