眾所周知，AR的發展離不開互聯網技術的日新月異，以近兩年的發展來看，AR技術與傳統行業的結合還不是很完美，還處于發展的初級階段。VR還在摸索整個市場，但效果似乎沒有引起太大的反響，顯得曇花一現，洋氣的AR技術已然成為真正的“黑科技”。有機構預計，到2020年，AR的產值將會是VR的4倍。AR的大規模落地貌似還在探索，不過最近AR技術跟眼鏡走的比較“親密”，尤其在B市場的默契配合讓人很羨慕。AR技術在游戲應用中吸足了一波粉，但并沒有產生多大的價值，用戶粘度不是特別高。
但隨著AR技術在行業應用的提升，顯示，帶寬，深度學習和交互定將成為人們關注的焦點，因為這四項技術能給用戶創造一種更加可信的、沉浸式的體驗。AR技術蓄勢待發，目前，人類已經可以實現虛擬物體與真實世界間的簡單交互。舉個簡單例子，在真實的墻壁上放置一個虛擬的開關，通過一系列智能家居協議，可以用這個虛擬的開關控制真實的照明和空調。但要實現虛擬物體與真實世界之間的無縫集成，還有賴于光場技術和即時定位與地圖構建技術的進一步發展，這個創新突破節點會出現在何時？
目前，國內致力AR整體解決方案、智能硬件以及移動端AR開發的公司此消彼長，尤其是在2016年發展的最迅猛，國內的AR技術水平也不遜于國外。
隨著數字化世界的推進，人們更加渴求連接物理世界和數字世界，從而能夠同時無縫地徜徉于這兩個世界中。于是就有滿足這一領域的企業崛起。今天大可要介紹的主角是擁有絕對實力的InfinityAR ，其愿景就是建立一個全新的數字世界，讓人們能自然地在現實環境中與增強現實 (AR) 內容互動。
憑借 InfinityAR 的技術，使用基本的廉價硬件—簡易攝像頭和慣性傳感器，就可將頭顯設備轉換為強大的內容增強平臺。我們先進的增強現實軟件引擎可將個人當前的物理環境精確地呈現為 3D 數字化場景。用戶因此可以將虛擬的物件置于當前的物理環境中，透過自然的手部動作或是控制器，便可以直觀地與物理環境中的虛擬物件或是內容互動。
InfinityAR 的技術目前主要服務兩類廠商：
移動設備硬件和穿戴式設備制造商，對于正在開發一款用于營造 AR 體驗的移動或穿戴式設備的企業，InfinityAR 引擎絕對是最正確的選擇。InfinityAR 強大的技術將令開發者收益，并迅速取得成效。使用 InfinityAR 引擎，可以為開發者提供一個易于使用，但功能強大的 AR 開發平臺。能加速為企業的穿戴式或移動設備創建豐富的 AR 應用生態，使其在大眾市場更具吸引力。最后，InfinityAR 引擎可用于價格實惠的硬件，從而為企業節約材料開支，提升競爭力和產品性能。
另一類就是應用開發者，利用InfinityAR 引擎，企業可以輕松、高效地開發先進的 AR 應用，如：工業設計，工廠應用，教育培訓，醫療，新零售線下體驗等應用場景，為用戶提供界面極其自然且直觀的豐富 AR 體驗，使具有AR功能的穿戴式設備能在真正的使用場景中作為一個真正有價值的工具，進而加速產品于企業應用中落地。
InfinityAR引擎有何特別之處？
平臺
我們的引擎使用非常基礎且廉價的硬件 — 2D 立體攝像頭，以及 IMU（慣性測量組件），能夠提供：
基于用戶所處的真實環境建立的精確 3D 數字化重現場景，從而可通過建立深度圖像和三維重建模型，對繪制的 3D 場景進行深度理解；
影響環境及建立高品質真實 AR 體驗信息：
光源、反射、透明度、陰影等；
對真實對象的識別、該對象的物理特性及其對場景的影響；
對用戶在環境所處的方向和位置的持續分析，從用戶不斷移動的視角感知并呈現環境。
InfinityAR的引擎采用的技術
圖像匹配
此引擎可滿足所有其他元件最基本的需要 — 準確并可靠地識別不同圖像幀（從不同位置和/或時間拍攝）中的相同點的能力。這涉及智能和多樣特征抽取（使用亞象素微調）、各項特征的描述符、用于實現點匹配的智能機制，以及用于移除異常值的 RANSAC 等高端技術。
位置和方向
精確的位置和方向可用于確定設備的準確視點，這對于正確渲染場景以及詮釋精確 3D 空間中的手部動作（見下文）而言不可或缺。此過程要求采用卡爾曼濾波器等技術進行數據源（IMU 和 攝像頭）融合，并且需要使用單張相片后方交會法等優化技術的高效變體，從視覺信息（不再使用其他信息）中獲得高精度的位置和方向數據。
真實世界數字化
此模塊允許創建真實世界的數字復制，需要完美重現真實事物的位置、外觀、反射性、透明度以及場景中的光源。相關數據先通過密集型立體匹配技術創建，隨后應用 Structure-From-Motion（利用運動信息搭建結構）、光束法平差、SLAM 和 PTAM 以及形狀分析和光線追蹤等技術進行處理。
控制和姿勢 NUI
此模塊允許通過與虛擬對象直接“接觸”以及通過姿勢實現控制。這需要基于神經網絡、典型手勢和姿勢（以便于準確定位手部以及解讀手勢）等手段的機器學習技術。我們使用從移動攝像頭進行追蹤（通過消除背景）的方法來確保低延遲。此外，基于用戶行為機器學習以及當前場景結構的預測分析也被用于降低延遲。
|
