AR中的SLAM（一）

写在前面

本系列打算讲讲个人对AR行业和AR中的SLAM算法的一点浅显的看法。才疏学浅，文中必然有很多疏漏和不足，还望能和大家多多讨论。今天先讲讲我对AR的一些认识。

AR的一点理解

AR是什么

AR是人类的第三只眼，让人类在现实世界中看到虚拟物体并与之交互。

VR是人类做梦的一种载体。

AR能做什么

AR有能力将二维交互变成三维交互，能让虚拟物体看起来像真的一样。举几个简单的场景。

你可以拥有一只虚拟宠物。你可以从各个方向观察一个虚拟小猫，绕着它转动。你会发现，走近看会显得大一些，离远了看着会变小。愿意的话，还可以挠挠它，和它玩耍。
你将拥有一个虚拟电视。它可以固定在任何地方（即使你到处走动），也可以随意移动。
你在和家人远程通话时能在自己房间看到家人的全息投影。
你将房间变成虚拟密室。
当然，你可以在任何地方唤醒任何APP。

我觉得，如果未来AR能够发展出更多的外延，那么在消费领域会有机会取代手机 ~~，然后并在若干年后沦为卖广告赚钱的工具~~ 。而在工业领域，AR也有机会蹦跶几下 ~~，然后被机器人取代~~。

AR怎么实现

目前AR需要通过外部设备来实现。比如在手机上，通过获取摄像头图像并在上面叠加虚拟物体。而专业的AR设备可以将虚拟物体成像在眼睛前面或投射入眼球。

AR需要什么

要实现前面提到的三维交互，AR设备需要具备下面三个功能

自我定位。指定位出自身在空间中的位置。这样才能根据预设的虚拟物体的位置在设备上渲染虚拟物体。
环境感知。主要指感知到周围环境的三维几何信息，这样才能让虚拟物体和真实世界发生自然交互。
交互。要理解来自周边环境中的输入，比如人类的语音、手势，并给出反馈。要将虚拟物体合适的影像通过设备反馈给人类。

定位和环境感知用的就是传说的SLAM技术。

AR的现在

硬件方面，微软憋大招研发出了HoloLens，甩了所有竞争对手两条街。Google有Project Tango，但其定位不甚明确。还有很多号称在某一方面或者全面超越HoloLens的东东。

软件方面，微软在围绕Windows 10构建生态。国内外都有一些还不错的SDK，但在嵌入式平台上还没有完全实现SLAM，离实用还有一点距离。而且，目前几乎没有好用的内容生产工具。

AR的技术路线

好吧，终于进入正题了。仔细观察的话，发现AR的发展和VR有点类似。目前分成两个比较明显的派系：手机派和眼镜派。手机派代表现在，眼镜派却未必能代表未来。

手机AR

手机AR侧重于将虚拟物体叠加在手机摄像头图像上呈现给用户，主要依赖自我定位功能，暂时不涉及到环境感知和过多的交互。鉴于目前智能手机的普及程度，手机AR会是未来一两年的主体。这是一个有需求也有技术的市场。基于AR的营销对普通消费者还是有一定吸引力的。大厂们都在布局和试水。其中又分为

基于摄像头的AR

第一种是marker AR，基于特定图片的图像识别和追踪，一种是指定的图片，一种是现场拍摄的图片。代表作Vuforia。网易阴阳师也很有趣。
第二种AR不需要特定图片，主要基于物体识别和追踪，比如人脸，手，身体等，并让虚拟物体和人脸保持一定的相对位置即可。这类AR可以不用估计手机设备的定位。个人比较喜欢Snapchat，虽然很简单，但创意十足。

基于陀螺仪的AR

借助陀螺仪和电子罗盘得到手机在三维空间的旋转角度，但不能得到手机的位置。简单的测试方法是，将手机前后移动时，虚拟物体的大小将保持不变（于是看上去虚拟物体在平移，不甚和谐）。很多VR盒子也是这个原理追踪头部的转动。

基于SLAM的AR

目前都在加班加点。感谢Raul，感谢Leutenegger。

Tango

联想和Google联合出品了搭载Tango模组的Phab 2 Pro手机，包含一个全局快门鱼眼摄像头，一个消费级IMU和一个深度摄像头，在硬件配置基本满足SLAM的需求，因此很受开发者们欢迎。总之，一个穷人版的HoloLens，富农版的手机。希望主流手机们能早日升级成上述设备，再配个有一定距离的双摄就完美了。

然而，手机运算能力的不足会限制SLAM算法的复杂度。摄像头、CPU和GPU同时高强度工作，电池会消耗很快。毕竟，手机不是为此类应用设计的。手机硬件不足会降低算法的精度和鲁棒性。比如单目的尺度不确定性、卷帘快门、摄像头和IMU的数据同步等等。现阶段，可以从应用倒推算法，以算法促进应用。毕竟并不是所有应用都需要高精度的算法。

AR眼镜

AR眼镜相比于手机，在体验上可以有质的飞越。用户可以透过眼镜看到带景深效果的虚拟物体（通过左右眼合像），而不是一个偏平的屏幕。AR眼镜通过更高规格的传感器和更强大的计算能力，同时支持实时精确定位、场景重建、语音交互、手势识别等复杂功能。

业界这一两年，有些产品看起来越来越像HoloLens，有些产品怎么看起来还是更像Google glass。说好的对标HoloLens呢！

HoloLens

个人意见，作为一款初代AR设备，Hololens已经可以打80分了，领先其它产品两年以上。

算法：实时定位、场景重建都有非常好的工程化实现，局部定位精度很高。手势可用。
软件：Windows 10原生支持，应用开发相对成熟
硬件：定制HPU，强大的计算能力，硬件加速算法
功耗：电池使用两小时，没有明显发热的感觉，软硬件肯定做了大量优化
显示：视场角确实太小，很影响体验，市面上也没有太好的解决方案。渲染的问题我没太感觉到。
外设：无线对体验很重要。玩RoboRaid（打虫子）时明显感觉到，头盔上还带个尾巴是没法用的。

想要做到便携（无线），至少要把一套完整的SLAM算法跑在设备上，有实时的双目（+imu）的slam，有低频但后台运行的稠密场景重建（Kinect fusion），还有复杂的三维网格生成和后处理，没有强大的计算能力支撑是不可能。强大的计算能力意味着过高的功耗，这又要求复杂的电源管理，强大的电池容量和过大的体积。想要运行那么多传感器同时降低功耗，就要有顶尖的软硬件架构设计。哪些功能是必备，需要多少资源，哪些模块应该在什么时候运行，不同模块之间如何交互，如何降低延迟（特别是场景重建）等等。 最后，所有这些都要集成进一个头戴设备里。 所以我觉得微软的壁垒在整体架构设计而不是单一模块。

据HoloLens开发人员介绍，HoloLens的HPU上搭载了24个Tensilica的DSP，其运算能力超过每秒一千亿次[链接]。单块DSP集中处理某类任务处理（应该是基于硬件加速）。Atom SoC主要用来运行Windows 10 和显示。算法的运行速度大约为纯软件的200倍。HoloLens目前预留了一半左右的计算能力，并没有用足HPU，后续还有很大的想象空间。未来嵌入深度学习模组不是梦啊。 ~~傍上了黑科技深度学习，SLAM也许就能落到实处了。~~

其它厂商

大部分厂商目前还是以高通Snapdragon 820 为主开发。对于手机来讲，820勉强能应付，实现定位功能（vSLAM或者VIO）。对于AR眼镜来说，不仅传感器数目和功耗会高，算法的种类和复杂度更是明显提升，特别是场景重建对于算力的要求非常高。820 SoC 上有一颗Hexagon 680 DSP ，可用来做算法加速，特别是特征点提取等前端功能。ARM架构还可用NEON技术来加速一些简单重复计算。Movidius、NU3000等芯片估计也快进入计划了。但总体而言，还处在开发定位功能的过程中，软硬件的架构都没有完善。

算法方面，随着这两年SLAM蓬勃发展，各家也积累了很多工程经验。相信不久的将来，定位功能应该能达到HoloLens目前的水平甚至更好，也可以支持多场景下的使用。然而，在场景重建方面，由于之前的工作大多基于高性能GPU在PC上实现，想要移植到移动平台上，还有好长的路要走。硬件软件上都有太多的坑要趟了。 ~~然而微软已经做好了！就他家积累最多，还不开源！~~ （插个小广告，之后可能会写一点这方面的东西）

当然，HoloLens并不是完美的。硬件层面上，视场太小、重量偏重、体积太大、成本过高都不是容易解决的问题。软件方面，交互方式创新，手势、语音识别，数据共享，全息成像等等，还有很多值得做的事情。

个人觉得HoloLens最大的遗憾，是它没有解决AR类设备的核心问题：市场定位。很cool，然后呢？3000美元不是玩具，如果不能给用户生产价值，那就无法真正进入消费级市场。

最后

最后，让我们双手合十，一起感谢TUM、ETHZ、UZH、Universidad de Zaragoza和UCL等，以及开源大佬们，给了我们一条活路。