r230打印头校准3没有_打印头校准怎么看「r330打印头校准不好」

　　本文由MattMiesnieks发表于SuperVenturesBlog，雷锋网得知MattMiesnieks如今为投资公司SuperVenture合资人，曾任职于三星、Dekko、Layar等公司。

　　通过这篇文章，我们能相识到：

ARKit的根本技能原理：视觉惯性丈量（VIO）体系、平面检测

ARKit的两大秘密之处：单目摄像机3D成像、计量标准获取

ARKit、Tango、Hololens技能对比

开辟职员怎样利用ARKit

　　雷锋网将全文整理如下。

　　本年，苹果公司在WWDC大会上发布的ARKit在整个AR生态中引起巨大轰动。开辟者发现，这是他们第一次能将一款强大的ARSDK广泛利用于本身的应用，不再必要什么标记点、初始化、深度摄像头，乃至是专门的创作工具。绝不不测，ARKit让开辟者们团体开启各种ARdemo秀。

　　但是，很多开辟者不清楚ARKit怎样工作，也不相识为什么ARKit比于其他SDK更好。从底层技能看ARKit，可以资助各人相识当前版本ARKit能做什么，相识ARKit必要改进的地方以及为什么必要改进，而且还可以资助我们猜测将来何时，Android体系及头戴式表现器（VR或AR）可以支持ARKit雷同的功能。

　　如今为止，我在AR范畴工作9年了，已往曾研发出与ARKit相似的技能，但当时并没有符合的硬件可支持这个技能。作为内部人士，我相识这些体系是怎样构建的，以及为什么构建成如今的样子。

　　这篇博文试图向那些非技能人群表明一些专业的技能题目，并不是面向盘算机视觉工程师。文中，我用简单的话来表明ARKit，但不肯定100%符合科学的表明，不外我盼望至少可以资助人们加深对于ARKit的明白。

　　ARKit基于什么样的技能？

　　技能上，ARKit配备视觉惯性丈量（VIO）体系，带有简单的2D平面检测。具体来说，VIO体系会及时追踪你在空间中的位置，也就是6自由度（DoF）动作，比如说，屏幕每帧画面革新之间，你的动作会被重新盘算，画面的革新率为每秒30fps或以上，而且这些盘算会同时举行两次。

　　第一次是，通过将实际天下中的点与摄像头传感器每帧画面像素点相匹配，你的动作会被视觉体系追踪，举行一次盘算。第二次是你的动作被惯性体系追踪，重要通过加快度计和陀螺仪两个惯性丈量单位（IMU）实现。

　　然后，卡尔曼滤波器（KalmanFilter）将VIO体系和惯性体系的输出举行整合，从而猜测出你的最佳“真实”位置（称为GroundTruth），而且由ARKitSDK发布你的最新定位。就像汽车的里程表表现车辆的驾驶间隔一样，VIO体系记录iPhone手机在6DoF空间中颠末的间隔。6DoF表现沿着xyz三个方向的平动，加上绕三个轴的俯仰、偏转及滚动。

　　VIO体系最大的上风就是，纵然用户动作加快的环境下，IMU仍旧可以每秒读数1000次。IMU每次读数之间，航位推算法被用来盘算装备的活动。这时，航位推算法更像是一种推测，就像是，我让你往前买一步，然后猜猜这个步子有多大，你便会用航位推算法来猜测步子的间隔。（背面我将具体先容这种猜测是怎样实现高度正确性的。）惯性体系产生的偏差会随时间累积，以是，IMU每帧画面所隔断的时间越长大概惯性体系利用时间越长，而且还没有VIO体系共同的时间，动作的追踪也将越来越偏离实际的动作环境。

　　视觉/光学丈量以相机画面帧速率举行，通常为30fps，而且基于每帧场景变革的间隔。光学体系通常会随着间隔的增长，而不绝积聚偏差，时间也会肯定程度上影响光学体系的正确性。以是你举措的间隔越远，时间越久，偏差越大。好消息是，一个追踪体系的上风可以抵消另一个体系的劣势。

　　视觉和惯性跟踪体系是完全差别的丈量体系，没有相互依靠关系。这意味着相机大概被掩蔽，大概大概看到的是险些没有光学特性的场景，比方一面白墙，而惯性体系这时可以“加载”几帧画面。相对地，装备处于静止的状态下，视觉体系提供的动作追踪信息比惯性体系更加稳固。卡尔曼滤波器不绝选择最佳动作信息，追踪结果也就更加稳固。

　　VIO体系已经出现很多年了，在行业中的承认度很高，而且市场上不少装备也配备了VIO体系。以是苹果ARKit利用VIO体系并不意味着创新。那么到底是什么技能让ARKit变得云云强大呢？

　　ARKit的第二个关键点是配备简单的平面检测。这个技能非常须要，你必要地面作为参照物来表现位置信息，否则物领会漂泊在空中。任何3个点可以界说一个平面，根据光学体系检测到的特性点（demos中看到的点），通过算法将特性点均匀化，便得到了参照平面。

　　假如光学体系选取的特性点充足多的话，你便能猜测到真实的平面。这些特性点通常被称为“点云”，全部的特性点形成希罕的点云，用于光学跟踪。希罕点云仅仅必要少量的存储内存、短暂地利用CPU。在惯性体系的支持下，光学体系纵然检测少量的特性点，也可以正常工作。点云和麋集点云是差别的，麋集点云看起来更加靠近真实感（如今有人正在研究的利用麋集点云举行跟踪，这更复杂）。

　　ARKit的两大“秘密之处”

　　有人会把ARKit称为SLAM，大概利用术语SLAM来指位置跟踪。在此澄清一下，SLAM是一个相称广泛的术语，就像“多媒体”这个术语一样。“追踪”本身就是一个通用的术语，利用“测距”更具体，但在AR范畴，利用“追踪”来表达即可。有很多方法可以实现SLAM，追踪踪只是SLAM体系的一个构成部分。我以为ARKit是一个轻型或简单的SLAM体系。Tango或Hololens的SLAM体系除了间隔丈量外，尚有其他很多其他特性。

　　ARKit存在两大“秘密之处”：一是，怎样通过单目镜头得到3D结果；二是，怎样得到计量标准（像谁人卷尺丈量demo一样）。答案在于“非常好地”移除IMU产生的偏差，即让航位推算法实现高精度地猜测。当实现这点后，便会发生以下的结果：

　　为得到3D结果，必要从差别角度得到2个场景视图，进而通过立体盘算得到你地点的空间位置。这就是双眼怎样看到3D图像，以及为什么一些跟踪器要要依靠立体摄像机。假如有两台摄像机，可以轻易盘算摄像机之间的间隔，同时捕获帧画面。ARKit为什么仅仅利用了一个摄像头便得到了3D结果呢？是由于一个摄像头可以捕获一帧画面，而后摄像头移动捕获第二帧画面。

　　利用IMU航位推算法盘算，便可盘算出两帧画面之间的移动间隔，然后正常盘算出立体画面。实际上，你大概捕获更多的帧画面举行盘算，从而得到更高的正确度。假如IMU充足正确，两帧画面间产生的“移动”可以仅仅通过手握拳后手臂微小肌肉群的活动来检测，这看起来像把戏一样神奇。

　　体系必要依靠于IMU航位推算法来得到计量标准。通过IMU给出的加快度和时间丈量值，可以盘算出速率并得到IMU每帧画面之间的间隔。数学运算并不难，困难的是消除IMU偏差，以得到近似美满的加快度丈量值。一个微小的错误，在画面每秒革新1000次的环境下，连续几秒钟后大概会导致30％乃至更大的计量标准偏差。令人惊奇的是，苹果ARKit已经把偏差降落到10％以下。

　　Tango、HoloLens、Vuforia等SDK怎么样?

　　Tango只是一个品牌名，而不是真正的产物。Tango包罗硬件参考计划（RGB，鱼眼镜头，深度相机和CPU/GPU规格），还参加VIO（活动跟踪），希罕映射（地区学习）和麋集3D重修（深度感知）等软件。

　　HoloLens具有完全雷同的软件栈，别的包罗一些ASIC（微软称之为全息处理惩罚单位）优化CPU/GPU卸载处理惩罚并减小电耗。

　　Vuforia与ARKit险些是一样的，只是Vuforia的硬件是独立的。

　　上述SDK均利用雷同的VIO体系，而且，Tango和ARKit利用的均为FlyBy最初发布的代码库！HoloLens和Tango都不利用深度相机举行追踪，那么到底是什么技能装备让ARKit大放异彩呢？

　　答案是ARKit并不比HoloLens好，我乃至以为HoloLens的跟踪体系是市场上最好的，但HoLolens的硬件遍及并不广。微软大概会在Windows体系的智能手机中安装HoloLens跟踪体系，但我信托出于贸易缘故起因，微软不会如许做：

　　由于如许大概会增长生产和时间本钱，为一款销量大概很少的手机校准传感器。而且，微软版本的ARKit也大概无法说服开辟者放弃利用iOS或Android体系。

　　12个月前，Google本就可以轻松交付可以或许在Android体系上运行的Tango手机，但Google没有如许做。假如Google早早将Tango发货，那么ARKit的问世也只是紧跟趋势，而非庞大突破。

　　我以为，Google公司不想为每家OEM都举行特定的传感器校准过程，而且每家OEM厂商生产的Tango版本都不一样，Google也不想在一些较大的OEM厂商（三星、华为等）中选择。以是，Google为OEM厂商提供了硬件的参考计划，OEM厂商可以自行选择“利用，大概不利用”。（固然，事变并非这么简单，这是OEM厂商反馈给我的关键点。）

　　随着Android智能手机硬件商品化，相机和传感器堆栈是Android手机末了实现差别化的地方，以是OEM厂商无法满意Google的要求。Google以为，深度相机是手机的一部分，但是深度相机增长了手机本钱，这也是OEM厂商拒绝Google的另一个缘故起因！

　　自从ARKit发布以来，市场已经发生了变革。OEM厂商要么探求Tango的更换体系，要么担当Google的硬件参考计划，然后实现平台控制。这也是故意思的变革。

　　总的来说，ARKit更好的缘故起因在于：

　　苹果公司可以负担得起将VIO算法精密耦合到传感器上，并耗费很多时间来校准VIO体系，以镌汰盘算空间位置时产生的偏差。

　　值得留意的是，大型OEM厂商有一些更换方案。可以选择其他的追踪方案，像ORBSlam、OpenCV等，但险些都是光学追踪器，都配有单个RGB、立体声、深度相机，有些利用希罕点云，有些利用麋集点云。有很多创业公司正在研发追踪体系，研究加强像素也是一个很好的方向，但任何VIO体系终极的竞争都会合中到硬件模子和校准上。

　　开辟职员怎样利用ARKit

　　你大概已经有一个可以支持ARKit的手机了。起首，要相识利用ARKit开辟内容，与以往开辟一款手机APP有巨大的差别：一个是你不消控制场景，一个是你要控制每帧像素。

　　然后，想想Tango或HoloLens，看看当你的内容与无法控制的场景中的3D模子交互时，会发生什么。

　　这此中的学习难度较大，比从网络到移动或从移动到VR更有难度。你必要彻底重新思考应用程序的怎样运行以及用户体验（UX）的意义是什么。我如今看到很多ARKit的demo，四年前看到它们是基于Vuforia创建，再往前四年就是Layar（2010年荷兰公司SPRXmobile推出的环球第一款AR手机欣赏器）。这几年来，我看到了险些全部范例的ARAPPs的例子，我很乐意为各人提供支持和反馈。

　　我常常鼓励开辟职员勇于构建新奇的APP。一些蠢蠢的APP一上线便大获乐成，但通过AR硬件开辟让用户是满意的案例也非常具有挑衅。

　　能构建精良追踪体系的人并不多

　　直观地说，如今只有少数人能构建好的追踪体系。那些具备交错学科配景的工程师们才华研发出的融入单目VIO最好的体系，用于手机追踪的办理方案。

　　在二十世纪中期，VIO体系最初由波士顿军事/工业供应商Intersense利用。LeonidNaimark是该技能的首创人之一，2011年时参加我创建的Dekko公司并担当首席科学家。由于传感器限定，Dekko证明了VIO无法在IPad2上运行，Leonid重回军工行业，但Dekko公司的CTOPierreGeorgel如今已成为GoogleDaydream团队的高级工程师。

　　我在SuperVentures的相助搭档OriInbar创建了Ogmento。Ogmento公司后改名为FlyBy，FlyBy团队乐成地构建了基于iOS的VIO体系，还增长了鱼眼相机。该代码库已经授权给Google，成为Tango的VIO体系。苹果公司收购FlyBy之后，FlyBy的VIO体系代码库成为ARKitVIO的核心。

　　FlyBy公司的CTOChrisBroaddus继承为Daqri公司研究追踪体系，如今他已经参加硅谷的秘密无人车初创公司Zoox。2007年，第一个移动SLAM体系由GeorgKlein在OxfordActiveComputinglab（PTAM）开辟，GeorgKlein和DavidNister一同为HoloLens创建VIO体系，David离开后还为特斯拉创建了主动驾驶体系。

　　Georg带的博士生GerhardReitmayr主导了Vuforia的VIO体系的研发。此前担当Vuforia公司副总裁的EitanPilipski，如今是Snap公司的AR软件工程师。

　　牛津大学、剑桥大学和伦敦帝国学院研发团队的核心成员研发了Kinect追踪体系，如今也成为Oculus和MagicLeap追踪体系开辟的负责人。

　　风趣的是，我无法说清，当前致力于AR追踪体系研发的初创公司，到底是由哪个学科的人才主导。由于，这些首创人不管是呆板人配景，或是其他盘算机视觉配景，已经不敷以支持在一个更大范畴范围应用的追踪体系的研发。

　　背面，我会商谈当代科学家们正在开展的工作。

　　归根到底是统计学题目

　　AR体系没有“可行”大概“不可行”一说。大部分环境下，AR体系可以很好的完成工作。AR体系力图变得“更好”，也是推动统计学发展的事变。

　　故而，不要完全信托ARAPP的演示，特别是发布于YouTube上，表现出惊人的结果的ARAPP。在经心安排的环境中所表现的结果与实际生存中平凡用户所能得到的结果之间，每每存在很大差距。但是智能手机或VR应用的演示通常并不存在这种题目。以是，观众常常被愚弄。

　　这是一个具体的技能示例，为什么统计数据终极可以确定体系的运行环境。

　　在上面的图像中，有一个网格，表现相机中的数字图像传感器。每个格子都是一个像素点。为了稳固追踪，在假设装备完全静止的环境下，每个像素应该在实际天下中的有一个相匹配的对应点。然而，右侧图像表现光子不是那么的听话，各种光子会随意落到任何地方，每个像素点是光子的总数。场景中的光线变革（太阳光穿透云层，荧光灯闪烁等）也会改变传感器中的光子构成，如今传感器要对应实际天下的差别像素点。那么，如许的环境下视觉追踪体系就以为用户移动了！

　　以是，各种ARKitdemo中光点闪烁时，体系必须确定哪些点是“可靠”的。体系对这些点举行三角丈量来盘算用户的空间位置，求均匀数后得到对实际位置的最佳估计数。因此，为确保错误的统计完全被移除，便必要研发更正确的体系。这就必要相机硬件堆栈（多个镜片和涂层、快门和图像传感器等）、IMU硬件和软件算法之间的严麋集成和校准。

　　硬件与软件的集成

　　着实开辟VIO体系并不难，而且VIO体系的算法已经公开了，尚有不少的应用案例。但是，很难把VIO体系精良地运作起来。我指的是，惯性和光学体系完全融合创创建体舆图，在低正确度时确定度量标度。

　　比方，在我创办的Dekko时，应用的案例中要求用户开始按照具体的要求移动，然后手机前后移动约30秒才华使惯性和光学体系融合创创建体舆图。创建一个精良的惯性追踪体系必要履历丰富的工程师。然而，环球只有约20名工程师具备必须的技能和履历，而且这20名工程师中大多数从事巡航导弹追踪体系，大概火星环游者导航体系等。

　　纵然你可以约请到此中一位工程师，为了最大限度地镌汰偏差，仍旧必要硬件和软件的精密连合。这意味着可以通过软件正确建模IMU，具体相识整个摄像头以及每个组件的具体规格，更紧张的是IMU和摄像头都必要非常正确地同步。

　　体系必要正确知道IMU读取的数据哪个对应开始画面，哪个对应竣事画面。这对于两个体系的关联至关紧张，这一点近来才得以实现，由于硬件OEM厂商以为没有须要投资于此方面。这就是Dekko公司耗费了很长时间，才把基于iPad2体系的硬软件融合的缘故起因。第一个Tango手机是第一台实现精定时间同步的装备，而且是第一款具备精良追踪体系的斲丧级手机。

　　如今，追踪体系采取的来自Qualcom等公司的芯片都有一个同步的传感器集线器，实用于全部组件，这意味着VIO体系在大多数当前装备上可行，并配有相应的传感器校准。

　　由于密切依靠硬件和软件，在没有OEM厂商的深度支持下，软件开辟职员险些不大概构建一个精良的体系。Google投入了大量资金，让一些OEM厂商支持Tango的硬件规范，微软、MagicLeap等公司也正在积极创建本身的硬件。苹果之以是云云乐成地发布ARKit，正是由于ARKit可以或许很好地聚集硬软件。

　　光学校准

　　为了使软件正确地把摄像机的像素点与实际天下中的点相匹配，摄像机体系必要正确校准。存在有两种范例的光学校准：

　　第一种为多少校准：利用相机的针孔模子来校正镜头的视场和镜头结果。由于镜头透镜的影响，根本全部图像都会变形。大多数软件开辟职员可以在没有OEM厂商的资助下，通过利用基于标准棋盘格和根本公开摄像头参数校准。

　　第二种为光度校准：这种校准方式利用更多，通常必要OEM厂商参加图像传感器本身的细节优化及内部镜头涂层的利用。此校准用于处理惩罚颜色和强度映射。比方，拍摄星空的望远镜所毗连的摄像机，必要知道传感器上光强度的轻微变革是否确定是星星，大概仅仅是传感器或透镜产生的偏差。校准使得AR追踪用具有更高简直定性，由于传感器上的每个像素点都对应于真实天下的点，以是光学追踪更加精准，产生的偏差更小。

　　在上面的图片中，各种RGB光点落入图像传感器上的“像素桶”中，这个过程很好地阐明白题目。实际天下中点产生的光点通常落在几个像素的边界上，这些像素点将均匀光点的麋集度。用户活动、或场景阴影或闪烁的荧光灯等微小的变革，都会改变与像素点对应的实际天下点的变革。这时，全部的光学校准都尽大概地消除产生的偏差。

　　惯性校准

　　对于IMU来说，丈量加快度比丈量间隔或速率更加紧张。IMU的读取错误随着时间的推移不绝累积，产生偏差的速率非常快！校准和建模的目标是确保间隔的丈量在每秒钟X中分时间下的精度充足高。抱负环境下，这个时间段要充足长，以镌汰当镜头被掩蔽或场景中发生其他环境时，导致摄像机丢失对几帧画面的追踪。

　　利用IMU丈量间隔称为航位推算。这根本算是一个推测，对IMU网络的数据举行建模，确定积聚错误的方式，然后编写过滤器来减小偏差。想象一下，假如你被要求迈出一步，然后推测迈出的步子有多大。只推测迈出一步的间隔会产生很高的偏差。但是，假如你反复迈出千步并推测每一步的间隔，所产生的偏差便会非常小。由于你对于踏出哪只脚、地板的种类、鞋子的格局、移动速率的快慢、身材状态的优劣等等熟知，那么你终极的推测便会非常正确。根本的IMU校准和建模便是这一原理。

　　数据有很多偏差泉源。呆板臂通常以完全雷同的方式重复地移动装备，捕获IMU的输出并写入滤波器，直到来自IMU的输出与来自呆板臂的移动正确匹配。为进一步减小额外的偏差，Google、微软乃至在国际空间站（ISS）及“零重力飞机”在微型重力环境下举行校准。

　　实际上，到达真正的精准度，比嘴上说说难的多。OEM厂商必须对全部装备举行校准，纵然很多装备有差别的IMU（比方，Galaxy7大概有来自Invensense和Bosch的IMU，固然Bosch不实用于Invensense）。固然，这是苹果相对于AndroidOEM厂商的另一个上风地点。

　　追踪技能的将来

　　假如VIO是本日我们能实现的，那么以后将怎样发展，会让ARKit看起来很多余吗？令人惊奇的是，VIO体系将不停是数百米范围内最好的追踪方法（对于更长间隔的追踪，VIO体系必要融合GPS，重新定位地标辨认）。优化VIO体系的缘故起因是：纵然其他光学体系像VIO一样正确，其他体系的GPU或摄像头仍旧必要淹灭电池，而这对头戴表现器影响很大。以是，单目摄像头的VIO体系是最正确，最低功耗，最低本钱的办理方案。

　　深入学习确实对研究追踪体系有庞大影响。如今为止，基于追踪体系的深度学习约莫产生10％的偏差，此中顶级的VIO体系的偏差只有个位数，这一数字还在变小，而且将优化室外重新定位。

　　深度摄像头能在各个方面优化VIO体系，此中对于特性点不显着的环境，正确丈量地面实况和尺寸，以及边沿追踪都能得带很好的改善。但是耗电量大，必要以低帧率运行，而且每帧之间利用VIO。深度摄像头不实用于户外，由于摄像头工作时产生的红外线会被阳光天生的红外线所干扰。摄像头的工作范围也取决于功耗，这意味动手机的工作范围大概只有几米。深度摄像头的BOM本钱很高，因此OEM厂商将克制在大批量生产的手机中安装深度摄像头。

　　双摄像头或鱼眼镜头有助于看到更大的场景，可以捕获更多的光学特性。比方：平凡镜头大概只看到白色的墙壁，鱼眼镜头下可以看到天花板的图案和地毯，Tango和HoloLens均采取了这种方案。而且，双摄像头或鱼眼镜头可得到深度信息，其运算本钱要低于VIO，但是VIO利用低本钱的Bom和低功耗便能得到深度信息。

　　由于双摄像头手机的摄像头（即便是HMD）所处位置很靠近，以是摄像头的正确范围对于深度盘算来说，非常有限。相隔几厘米的摄像头只能正确几米范围内的深度。

　　而重新到尾追踪最关键的是，支持更大范围的追踪，尤其是支持户外数钱公里的范围追踪。在这点上，AR追踪和无人驾驶跟踪险些没有区别，只是AR体系利用较少的传感器，耗能也较低。终极，任何装备都将实用于大范围追踪，云服务也是必须的，故而，Google近来公布了Tango的视觉定位服务意图也在此。将来几个月我们将看到这些变革，这也是每个人如今都关心3D舆图的缘故起因。

　　AR盘算机视觉的将来

　　6Dof位置追踪技能将在将来12-18个月内完全商品化，覆盖全部装备。如今尚有哪些题目亟待办理呢？

　　3D重修体系，HoloLens称之为空间映射（SpatialMapping），Tango称之为深度感知（DepthPerception）。3D重修体系可以或许找出场景中真实物体的外形或布局。这个技能答应假造内包庇藏于实际天下背面。

　　这让人们出现概念肴杂，以为AR便是“肴杂”实际，着实是加强实际，多数ARdemo并没有3D重修体系的支持，以是AR内容只是覆盖于全部真实天下物体的前面。

　　3D重修体系通过从场景中捕获麋集点云（本日利用深度摄像头），将其转换为网格，将“隐形”网格连同真实天下的坐标导入Unity中，然后认真实天下的情况出如今摄像头中时，把那些网格放置在真实的情况上。

　　这意味着假造内容可以与实际天下互动。留意2D版本的ARKit通过检测2D平面实现，这是最为根本的要求。倘若ARKit没有参照地面，用Unity制作的内容肯定会肆意“漂泊”。

　　图片中，MagicLeap公司演示了一款躲在桌腿背面的呆板人。我们不知道桌子腿是及时重修，还是预先建模，再把假造呆板人放在真实桌子腿的背面。

　　上述提到的深度摄像方面题目在3D重修上仍旧存在，这就是为什么如今无法广泛利用。研究职员正在研究，让单目RGB摄像头支持及时的照片级3D重修。这个技能至少必要12-18个月才华应用于产物中。也是由于如许，我才以为“真正的”斲丧级AR头戴装备仍旧离我们很远。

　　在2012年，Dekko的3D重修体系可在iPad2上工作。我们不得不将网格表现出来，否则用户不敢信托他们所看到的（追踪体系可明白实际天下）。图中越野车刚刚完成了跳跃，部分隐蔽在纸巾盒背面。

　　3D重修之后，有很多风趣的研究注解3D场景。你如今能看到的险些全部的盘算机视觉深度学习利用的是2D图像，但对于AR（汽车、无人机等），我们必要在3D中从语义方面明白这个天下。

　　图片为一例3D场景语义表明。底部是原始图，中心是3D模子（大概由立体相机或LIDAR构建），最上面是通过深度学习的图像分割，以是我们能从中分辨出人行道。这对《PokemonGo》也非常有效。

　　然后，我们必要弄清楚，怎样将全部惊人的技能扩展到及时支持多个用户。这是终极目标。

　　随着3D重修所需容量越来越大，我们必要相识怎样将其托管至云服务，让多个用户共享并扩展模子。

　　AR其他技能的将来

　　AR其他技能的将来提及来太广泛，先谈谈要进一步发展的技能：

光学：视野范围、镜头尺寸、分辨率、亮度、焦深、聚光度等等都必要办理。

　　我们会看到一些“过渡性”的HMD计划，它们受制于一些关键参数，只试图办理一个题目，如交际性，或是追踪技能，或是企业用户案例，以及其他，之后我们才华看到终极的斲丧级产物方案。

渲染：使假造内容与实际天下融合。

　　确定真正的光源，将其与假造天下相匹配，使阴影和纹理看起来很公道。这个技能是好莱坞SFX多年来不停积极的方向。但是对于AR来说，必要在手机上及时完成，而且不会影响到真实天下的光或配景，即便是噜苏的事变也很紧张。

输入：这方面尚有很长的路要走。

　　研究表明，多模式输入体系结果最佳（有谎言说苹果正在做这方面的事变）。多模式意味着各种各样的输入“模式”，如手势、语音、盘算机视觉、触感、眼睛跟踪等，为最好明白用户意图，AI也应该一起思量进去。

图形用户界面（GUI）和应用程序：如今还没有我们想象中的ARAPP。

　　我们只想看看Sonos（无线智能音响）在装备上表现控件，并不想选择Sonos按钮。而且我们不停关注的是视野范围内画面，和与实现天下的交互，没有人知道该怎样出现，但肯定不会是4x6的网格图像。

社会题目：只有Apple和Snap知道怎样营销时尚，ARHMD的贩卖大概只是人们最求时尚。这个题目大概比全部技能题目都难以办理。

　　viaSuperVenturesBlog雷锋网编译