0
雷鋒網(wǎng)按：本文原載于微信公眾號“51CTO技術(shù)?！?，作者為uSens凌感科技技術(shù)研發(fā)副總裁馬賡宇，雷鋒網(wǎng)授權(quán)轉(zhuǎn)發(fā)。
2016 年被大家稱為 VR 元年，當時用戶能感受到的僅僅是最初級的 VR 體驗，就是一些頭盔硬件，把手機插在頭盔里。
目前，在 VR/AR、自動駕駛、無人機這些新興領域，傳統(tǒng)的交互方式已經(jīng)不能滿足用戶的需求。隨著深度學習、計算機視覺等領域的突破性進展，一些新的交互方式已經(jīng)成為可能。
基于過往經(jīng)驗來看，研發(fā) VR/AR 技術(shù)主要就是打造沉浸感，沉浸感是 VR/AR 帶給用戶不同于手機的特殊體驗。實現(xiàn)沉浸感，需要有交互、顯示和移動性這三方面技術(shù)支撐，以下內(nèi)容，我們將以交互技術(shù)為核心展開。
在 AR/VR 領域中，交互不再用鼠標和鍵盤，大部分交互技術(shù)均采用手柄。還有位置跟蹤技術(shù)，在一些高檔的 VR 設備中會提供，但成本較高，且需要連接電腦或主機來實現(xiàn)。未來，可能會采用用手直接抓取的方式，目前也有很多手勢交互方案提供商。
uSens 主要側(cè)重 AR/VR Interaction：
左側(cè)的 HCI（(Human-ComputerInteraction）就是人機交互界面，uSens 主要提供 Gesture（手勢識別）、View Direction（頭轉(zhuǎn)向識別）和 Position Tracking（位置追蹤）。右側(cè)是顯示技術(shù)，AR 和 VR 的顯示技術(shù)雖不同，但交互技術(shù)卻相通。
如下圖，手勢交互分為符號型、間接型和直接型三種：
符號型交互。如左一圖中顯示，這位男士做了 OK 的手勢，可通過圖形或其他方式識別，進而實現(xiàn)交互。
手持工具間接交互。如中間圖二所示，人手持錘子砸釘子，這樣的場景用手柄可以很好的模擬。
直接和物體交互。如右圖所示，用手直接和物體進行交互，這樣的場景就需要對手的三維模型進行精確識別。
如下圖，是常見的硬件對三個場景的實現(xiàn)能力分析：
Game Pad。普通游戲手柄，三種手勢交互場景都不可以實現(xiàn)。
6DOF Controller。是當前 VR 常用的手柄，比較適合拿著一個物體進行交互，如手持刀劍等，比較自然。但是手勢型和直接交互這兩種不能實現(xiàn)。
HoloLens?？梢宰R別點擊和手張開這兩種手勢，只能實現(xiàn)符號手勢方式。
3D Hand Tracking 與 uSens Fingo。可通過手的形狀以及三維模型，實現(xiàn)這三種手勢方式。
手勢交互技術(shù)的使用場景很廣泛，不光在 VR 領域，如下圖所示：
如圖中所示，像 Game、3D UI、Drive、Public Display、Medical 和 Intelligent Home 等，前三種是為了更好的體驗，后三種則是在公共場合下的應用；像手術(shù)、做飯等出于干凈、衛(wèi)生等方面考慮。
uSens 從 2014 年開始，用深度學習算法來解決手的識別問題。雖然研究手勢識別的人不多，但是和圖像識別、人臉識別一樣，都可以用深度學習來實現(xiàn)。
uSens 用深度學習研發(fā) 26 自由度手勢識別，可以從圖像里邊把手的關(guān)節(jié)點和關(guān)節(jié)點角度與位置識別出來。
如下圖，是 26 自由度手勢識別算法的大致思路：
參考 2014 年深度學習的一個案例，主要是借鑒 CNN 方式，不同圖像通過不同尺度的 CNN 進行卷積，得到一個大的向量，再用兩層全連接的深度網(wǎng)絡得到關(guān)節(jié)點的 heat-maps。
heat-maps 就是關(guān)節(jié)點在圖像上的概率分布，如上黑框中所示，藍色的點就是小指指尖分布圖，在這個點權(quán)重比較大，其他位置減弱。得到每個關(guān)節(jié)點的權(quán)重圖，再用反向動力學、濾波等方法，就可以跟蹤出手 26 自由度的運動。
如下圖，是運動追蹤的主要應用場景：
如圖中所示，運動追蹤最早在軍事上使用，如導彈、飛機等需要在空中定位自己的位置，空間定位技術(shù)優(yōu)化之后用于智能機器人、無人車、掃地機器人等。
VR/AR 也需要這樣的空間定位技術(shù)，如下是當前研發(fā)和掌握空間定位技術(shù)的公司及產(chǎn)品：Google Tango、Microsoft Hololens、Qualcomm VR SDK、Apple ARKit、Snapchat、Facebook和 uSens。
空間定位技術(shù)需要結(jié)合視覺和傳感器兩方面的信息。
如下圖，是視覺特征模型：
如圖右側(cè)中所示，是一個相機成像，通過相機觀測三維空間中的一個點，可以得到一張圖像，3D 點和圖像滿足下放投影方程。
左邊是三個比較常用的問題：
空間定位。3D 點 (x，y，z)，2D 投影 (u，v)，求解相機姿態(tài) (R，T)。
三角化。已知相機姿態(tài) (R, T)，求解 3D 點 (x，y，z)。
SLAM。僅已知 2D 投影 (u，v)，求解相機姿態(tài) (R，T)，3D點 (x，y，z)。
視覺 SLAM 方法包含 Tracking 和 Mapping 兩個模塊，Tracking 模塊的功能是已知 3D 點位置，求解每幀圖像的相機 pose。Mapping 模塊的功能是用來更新 3D 點的位置。
空間定位技術(shù)的視覺特征可分為如下兩種：
基于圖像特征點的方法，如 PTAM，ORB。
直接法，比較像素灰度差，如 LSD-SLAM、DSO-SLAM。
根據(jù)上圖所示方程，求解方式有基于濾波的算法和基于優(yōu)化的算法兩種，這些方法目前沒有好壞之分，在實際系統(tǒng)中都可以達到相似效果。
上述的視覺方法能夠達到實用的程度，要歸功于傳感器的進步及傳感器信號融合到算法中，使得系統(tǒng)性能得到提升。
如下圖，是傳感器：Mechanic Gyroscope、LaserGyroscope 和 MEMs Gyroscope：
如上圖，左一是 Mechanic Gyroscope（機械陀螺儀），利用角動量保持不變的特性。當中間的轉(zhuǎn)子保持高速旋轉(zhuǎn)，但中間轉(zhuǎn)子方向不變，這樣可以得到設備的旋轉(zhuǎn)方向。這樣老式的機械陀螺儀用于幾百年前的輪船中。
當前，Laser Gyroscope（激光陀螺儀）高精度陀螺儀都是用激光的方式，如上圖中間小圖所示，用于導彈在空中飛行，幾個小時誤差約在 100 米左右。
激光陀螺儀中間有一個激光源，向兩個方向發(fā)射激光。如物體靜止不動，兩條光線的光路長度相同，在接收端的兩條光路相差是零；如果物體旋轉(zhuǎn)，兩條光路就會發(fā)生特別微小的變化，就會產(chǎn)生相差，通過識別相差，得到整個設備的旋轉(zhuǎn)速度。
MEMs Gyroscope（微機械陀螺儀），用于手機或 VR 頭盔中。這種陀螺儀做的很小，會用到一些機械結(jié)構(gòu)來識別運動。
在微機械陀螺儀中，有兩個可以活動的扇片，當物體旋轉(zhuǎn)，扇片會保持不動，通過識別角度，就可以推斷旋轉(zhuǎn)速度。
這種微機械陀螺儀會比激光械陀螺儀差很多，如單獨使用是沒辦法達到預期效果，所以必須要結(jié)合陀螺儀和視覺信息一起進行。
如下圖，是 IMU 中的陀螺儀和加速度計：
IMU 中的陀螺儀，輸出的是相鄰時刻相機旋轉(zhuǎn)的角度。IMU 中的加速度計，輸出的是相鄰時刻相機的加速度，即速度的變化率。
如下圖，是傳感器存在的問題：
傳感器數(shù)據(jù)采樣有離散和漂移的，如圖一所示，連續(xù)線是實際的加速度，但是 IMU 采樣是離散的，所以最高點并沒有采樣到，導致結(jié)果出現(xiàn)有誤差。
IMU 得到的加速度是包含重力的，實際中，重力產(chǎn)生的加速度是遠大于一般移動時產(chǎn)生的加速度，所以要去掉重力就需精確估計朝向。
IMU 和相機的相對位置和方向影響很大，兩個位置是不在一起的，它們之間有相對位移且由于工業(yè)生產(chǎn)原因，兩者之間的相差很小一個角度。
經(jīng)研究發(fā)現(xiàn)，哪怕角度差一度，對最后整個系統(tǒng)的精度影響也會很大，所以必須在線標定兩者之間的角度和位移。
IMU 和圖像的采集時間不一致，相機采樣頻率大概是 60、30 幀，但 IMU 采樣頻率很高，一般都是 500、800、1000，采樣頻率、采樣時間不一。
解決這些問題的方式是：傳感器+視覺融合
如下圖是預積分與攝像機標定：
當 IMU 的采樣率比圖像高很多時，采用預積分的方法，可以把圖像幀之間的 IMU 信息積分起來，當成一量。這樣就不需要優(yōu)化每幀 IMU 的點。
相機 IMU 和世界坐標系之間的關(guān)系，需要精確的標定，如果差一度，整個系統(tǒng)就會完全崩潰。
ATW（Asynchronous Timewarp）是一種生成中間幀技術(shù)，可有效減小延遲, 通過預測未來的雙眼位置來提前渲染。
相機圖像采集，SLAM 算法，渲染，這些過程都需要處理時間，統(tǒng)稱為“Motion to Photon Latency”。在 VR 應用中，需要小于 20ms，才能保證用戶不會眩暈。
如下圖，是渲染過程：
從圖中看出，整個過程包括了很多運算，有圖像獲取時間、算法處理時間和渲染時間，渲染結(jié)果到最終結(jié)果顯示時間，這些可以通過 IMU 數(shù)據(jù)得到，但有些必須經(jīng)過預測。
如下圖是 uSens 的硬件產(chǎn)品進化過程體現(xiàn)在更小、compact、更易于嵌入式、功耗更低。
如下圖，是硬件規(guī)格（Hardware Spec）：
產(chǎn)品硬件經(jīng)過幾次迭代，從尺寸上和功耗上都比之前小很多。紅色標注是對效果影響比較大的因素，如全局曝光分辨率、雙系統(tǒng)、左右相機同時采樣等。
如下圖是智能視覺系統(tǒng)：
當前應用在 VR/AR 場景中，實際上它可以應用如上圖所示的更多場景中，比如廣告機、車載手勢識別、機器人和無人機。
人機交互技術(shù)的發(fā)展由兩方面的因素決定：一方面是用戶希望擁有更自然的交互方式；另一方面是技術(shù)的進步使得交互更加自然和方便。未來人機交互方式將會包含自然手勢理解和環(huán)境感知這兩個核心功能。
VR/AR技術(shù)還在路上，未來還需面臨以下三大問題：
產(chǎn)品碎片化。一個新的硬件出世，早期總會產(chǎn)生很多碎片，當前的 AR 產(chǎn)品生產(chǎn)公司有很多，都想搶占市場，發(fā)布自己的產(chǎn)品，對其他家產(chǎn)品比較排斥，進而整體環(huán)境非常封閉。
內(nèi)容缺乏。手機端 VR 內(nèi)容都相對單一，體驗也不是很好。
技術(shù)進步。當前有很多廠商正在研發(fā)能帶來更好沉浸感效果的 VR 技術(shù)，只為給用戶帶來更好的體驗。
來源：以上內(nèi)容由編輯王雪燕根據(jù)馬賡宇老師在WOTI全球創(chuàng)新技術(shù)峰會——巔峰論壇的演講內(nèi)容整理。
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
