先來簡單梳理下AR的核心技術(shù)

AR（Augmented Reality），是在現(xiàn)實世界中疊加虛擬信息，也即給現(xiàn)實做“增強”，這種增強可以是來自視覺、聽覺乃至觸覺，主要的目的均是在感官上讓現(xiàn)實的世界和虛擬的世界融合在一起。

其中，對現(xiàn)實世界的認知主要體現(xiàn)在視覺上，這需要通過攝像機來幫助獲取信息，以圖像和視頻的形式反饋。通過視頻分析，實現(xiàn)對三維世界環(huán)境的感知理解，比如場景的3D結(jié)構(gòu)，里面有什么物體，在空間中的什么地方。而3D交互理解的目的是告知系統(tǒng)要“增強”的內(nèi)容。

圖。典型AR流程

這其中有幾個關鍵點：

首先是3D環(huán)境理解。要理解看到的東西，主要依靠物體/場景的識別和定位技術(shù)。識別主要是用來觸發(fā)AR響應，而定位則是知道在什么地方疊加AR內(nèi)容。定位根據(jù)精度的不同也可以分為粗定位和細定位，粗定位就是給出一個大致的方位，比如區(qū)域和趨勢。而細定位可能需要精確到點，比如3D坐標系下的XYZ坐標、物體的角度。根據(jù)應用環(huán)境的不同，兩種維度的定位在AR中都有應用需求。在AR領域，常見的檢測和識別任務有人臉檢測、行人檢測、車輛檢測、手勢識別、生物識別、情感識別、自然場景識別等。

在感知現(xiàn)實3D世界并和虛擬內(nèi)容融合后，需要以一定方式將這種虛實融合信息呈現(xiàn)出來，這里面需要的就是AR中的第二個關鍵技術(shù)：顯示技術(shù)， 目前大多數(shù)的AR系統(tǒng)采用透視式頭盔顯示器，這其中又分為視頻透視和光學透視，其他的代表有光場技術(shù)（主要因Magic Leap而顯名）、全息投影（在科幻影視劇作品中常出現(xiàn)）等。

AR中的第三個關鍵技術(shù)在于人機交互，用以讓人和疊加后的虛擬信息互動，AR追求在觸摸按鍵之外自然的人機交互方式，比如語音、手勢、姿態(tài)、人臉等，用的比較多的語音跟手勢。

人工智能和AR的技術(shù)關聯(lián)

在人工智能領域有幾個概念常被提及，如深度學習（DL）、機器學習（ML），在學術(shù)領域包括人工智能（AI）在內(nèi)幾大領域均有自己的研究界限，而在普遍意義上，我們常說的是泛意的人工智能，涵括所有“讓機器像人一樣”的技術(shù)的應用方向。

從這張圖也可以簡單一窺三者的關系，深度學習是實現(xiàn)機器學習的一種技術(shù)方式，而機器學習是為了讓機器變得智能，去達到人工智能?？梢哉f人工智能是最終目標，而機器學習是為了實現(xiàn)這個目標延伸出的一個技術(shù)方向。在這其中，還有另一個重要概念為計算機視覺（CV），主要來研究如何讓機器像人去“看”，是目前人工智能概念中的一個重要分支，這也是因為人類獲取信息最主要的方式之一就是視覺，目前計算機視覺已經(jīng)在商業(yè)市場發(fā)揮價值，比如人臉識別；自動駕駛中讀取交通信號和注意行人以導航；工業(yè)機器人用來檢測問題控制過程；三維環(huán)境的重建圖像的處理等等。這些概念既有區(qū)分也有一定范圍的重疊。

其中，２００６年開始，Hinton引發(fā)的深度學習熱潮開始蔓延，在一定程度上帶動了AI的又一次崛起，十年中，在包括語音識別、計算機視覺、自然語言處理在內(nèi)的多個領域取得重大突破，并向應用領域延伸，正發(fā)展的如火如荼。

在AR的核心技術(shù)中，3D環(huán)境理解、3D交互理解和計算機視覺、深度學習都有著緊密的聯(lián)系。3D環(huán)境理解在學術(shù)界里主要對應的是計算機視覺領域，而近年來深度學習在計算機視覺中得到廣泛應用。交互方面，更趨自然的交互方式如手勢和語音在硬件終端的使用，得益于近幾年深度學習在相關領域的突破。也可以說，深度學習在ＡＲ中應用主要在視覺關鍵技術(shù)。

目前，AR最常見的形式的2D圖片掃描識別，如騰訊QQ-AR火炬活動、支付寶五福等多數(shù)AR營銷中所見，用手機掃描識別圖出現(xiàn)疊加的內(nèi)容，但主要的研發(fā)方向還在3D物體識別和3D場景建模。

現(xiàn)實的物體是以3D形態(tài)存在的，有不同的角度和空間方位。所以一個自然的擴展就是從2D圖片識別到3D物體識別，識別物體的類別和姿態(tài)，深度學習可以用在這里。以水果識別為例，識別不同類別的水果，并且給出定位區(qū)域，即集成了物體識別與檢測的功能。

3D場景建模，從識別3D物體擴大到更大更復雜的3D區(qū)域。比如識別場景里面有哪些東西、它們的空間位置和相互關系等等，這就是3D場景建模，是AR比較核心的技術(shù)。這其中涉及目前熱門的SLAM（實時定位與地圖構(gòu)建）。通過掃描某個場景，然后在上面疊加虛擬戰(zhàn)場等三維虛擬內(nèi)容。如果只是基于普通2D圖像識別就需要有特定的圖片，而在圖片不可見時會識別失敗。而在SLAM技術(shù)里面，即使特定平面不存在，但是空間定位依然非常精確，就是因為有周圍3D環(huán)境的幫助。

這里想探討下深度學習和SLAM技術(shù)的融合，計算機視覺大體上可以分兩個流派，一種基于學習的思路，例如特征提取-特征分析-分類，目前深度學習技術(shù)在這一路線上取得了主導性的地位。另外一種路線是基于幾何的視覺，從線條、邊緣、3D形狀推出物體的空間結(jié)構(gòu)信息，代表性的技術(shù)就是SFM/SLAM?；趯W習的方向上深度學習基本上一統(tǒng)天下，但是在基于幾何視覺的領域，目前相關的進展還很少。從學術(shù)界而言，深度學習技術(shù)的研究進展可以說日新月異，而SLAM技術(shù)最新十年的進展相對較少。在國際視覺頂級會議ICCV 2015年度組織的SLAM技術(shù)專題討論會上，基于近年深度學習在視覺其它領域的快速發(fā)展，有與會專家曾提出SLAM中采用深度學習的可能性，但是目前還沒有成熟的思路?？傮w而言，短期內(nèi)將深度學習和SLAM融合是一個值得研究的方向，長遠來看聯(lián)合語義和幾何信息是一個非常有價值的趨勢。因此，SLAM+DL值得期待。

在交互方式，主要的包括語音識別和手勢識別，語音識別在目前已經(jīng)取得了較大進展，國內(nèi)如百度、科大訊飛、云知聲等都是其中的佼佼者，AR公司更想突破的是手勢識別的成熟商業(yè)化，比如亮風臺展示過的一款基于深度學習的手勢識別系統(tǒng)，主要定義了上下左右、順時針、逆時針六種手勢，首先實現(xiàn)人手的檢測和定位，然后通過識別相應的手勢軌跡來實現(xiàn)對人手勢的識別。而人臉識別等其他人工智能熱門領域在AR中也有使用，但不是AR公司重要的研發(fā)方向。

以上不難看出，AR的底層技術(shù)或者說基礎部分是計算機視覺以及關聯(lián)領域的融合，而當下熱門的深度學習和AR的結(jié)合，也是算法工程師們的努力方向。這也是AR為計算機視覺與人機交互的交叉學科，AR的基礎是人工智能和計算機視覺等說法的依據(jù)。

圖：計算機視覺與AR流程關聯(lián)

在去年今日頭條發(fā)布的《人工智能影響力報告》中也簡單統(tǒng)計了人工智能科學家的分布情況，這其中包括人臉識別、語音識別、機器人、AR、芯片等領域的公司與大型研發(fā)機構(gòu)，高端研發(fā)人員的分布也說明了AI領域的細分方向。

那AR究竟是不是人工智能？

對AR從業(yè)者來說，理想的狀態(tài)是用更智能的AR終端去取代智能手機，所以對于用戶來說接觸使用AR首先受影響的是內(nèi)容，其次是終端，AR產(chǎn)業(yè)鏈如果粗暴劃分包括技術(shù)提供商、智能終端研發(fā)公司，以及AR內(nèi)容提供商。在這其中，AR設備提供商不可避免關注硬件技術(shù)，如底層的芯片、電池、光學鏡片等，以及硬件本身的性能優(yōu)化，而內(nèi)容提供商更傾向于在現(xiàn)有技術(shù)基礎上優(yōu)化內(nèi)容及表現(xiàn)。所以我們可以說AR技術(shù)提供商，或者說在底層算法研發(fā)上有一定成績的AR公司是人工智能公司。

對公司來說，特別是創(chuàng)企會把底層技術(shù)轉(zhuǎn)化為成熟的產(chǎn)品或服務，這可能是如無人機、AR智能終端、機器人等，也可能是行業(yè)解決方案，以達到商業(yè)目的，并且這已經(jīng)成為在沸騰聲音之后，媒體、企業(yè)以及大眾對AI企業(yè)的期待和要求。近期，人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟（AIIA）出版的圖書《人工智能浪潮：科技改變生活的100個前沿AI應用》將對外發(fā)布，以及涵括了目前巨頭公司以及創(chuàng)企在商業(yè)化上的前沿成果，也直接反映了AI目前的主要商業(yè)化方向。

作為技術(shù)驅(qū)動的商業(yè)領域，無論是AR還是人工智能的其他多數(shù)方向，技術(shù)距離完全成熟還有很長的路程要走，在整個產(chǎn)業(yè)鏈逐漸繁榮，關注商業(yè)化實現(xiàn)的同時，也需要有更多公司機構(gòu)去不斷拓展技術(shù)邊界，建立核心競爭力，讓行業(yè)爆發(fā)更大的價值與潛力，如此，AI時代中國彎道超車當可期。

來源：中國人工智能網(wǎng)