增强现实现在越来越贴近现实

从最初的新奇感到逐渐失去新鲜感,AR技术经历了一段曲折的发展历程。近年来,随着硬件技术和通信技术的进步,AR应用开始回归现实,更加贴近用户的生活需求。本文介绍了几个具有代表性的例子,如CrowdOptic的应用使活动参与者能够更好地交流,iOnRoad智能驾驶防撞APP提高了驾驶安全性。
部署运行你感兴趣的模型镜像

从本站介绍的那些包括了游戏、导航、家具布置等各领域的应用来看,最近的AR领域产品都是通过摄像头和屏幕创造一个介于真实和虚幻间的2.5D的世界帮助用户进行想象。而发展的范围越来越广之后,反而渐渐失去了当初让人惊艳的感觉,不过最随着技术革新,现在的AR应用开始返璞归真,越来越贴近现实反而能造成真正惊艳的效果。

在09年的夏天,Yelp默默地在它的iPhone应用上增加了一个功能:通过手机看现实中的世界,你将可以看到这些事物的名字、用户评价、商业服务等详细信息。这项名为Moncole的功能,正是现在众多AR产品的起源之一。而这几年随着技术的革新,平板和智能手机的普及,这种跨越现实和虚拟间界限的设计理念发展出越来越多的形式,才有了现在各种AR游戏,AR导航,AR室内设计应用。慢慢地,AR应用渐渐的失去了新鲜感,也越来越缺乏实用性。

不过这现象最近也在改变,不知道应该说物极必反,还是返璞归真,随着硬件及通信技术的进一步提高,AR技术最近出现回归贴近现实生活的趋势:

例如旧金山的一家创业公司CrowdOptic,正在开发一款利用AR技术让同一个活动的参与者能够更好地交流,分享内容,获取信息的应用。他们利用智能手机的GPS,加速度传感器和指南针来获取用户的位置和视野资料。并通过其他使用同一应用的用户获取的信息,进行三角定位确定活动的热点事件。这项技术已经被多个应用使用,包括在最近的一次纳斯卡赛车比赛中,没办法看到全程2.5英里赛道的粉丝,可以通过手机分享到其他重要位置的即时图像。

又如,iOnRoad,这iOnRoad这个智能驾驶防撞APP,利用定位及图形捕捉,计算出车速、与前面的车辆的距离等信息,在危险时给驾驶者警告,去年末发布后至今已经有了超过50万的下载量。

而随着硬件的进一步发展,特别是穿戴式设备真正出现之后,这一个方向还会进一步强化。

首先不得不提的当然是Google的Project Glass,虽然在Google I/O的演示上给人的感觉只是一个实时共享的摄像头,不过,以后的操作界面肯定也还是以摄像头为主的AR界面,加上对应的应用,绝对是最强大的AR应用平台之一吧。

而Google也不是唯一一家有此眼光的,最近一家名为ioptik的创业公司则是把目光放在隐形眼镜式的穿戴设备上,直接将各种信息显示在用户最直接而真实的视野中,这款结合智能手机或平板使用的显示设备如果真能实现,相信也的确可以给增强现实领域带来另一场革命吧。

小编认为,AR技术一定有现实和虚拟的共同参与,以现在几可乱真的虚拟技术,即使在AR应用里增加虚拟的比重,也比不上纯虚拟的效果,无论如何改进AR镜头里增加枪战效果也比不上使命召唤等纯粹的虚拟游戏效果,反之,如果更贴近现实生活,即使能使用的功能,或者增加的信息不多,也能让用户感觉到这个应用强于现实的地方,而体验到应用的便利之处,这样的AR应用才能更让用户长期使用,如果开发者们还在纠结于怎么用AR技术满足用户一时的YY,还不如把眼光放回现实,考虑一下有什么地方可以改进增强更靠谱一些。

资料来源:technologyreview&BI

Sgot雷锋网专稿,转载请注明来自雷锋网及作者,并链回本页)

您可能感兴趣的与本文相关的镜像

Python3.10

Python3.10

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

内容概要:本文介绍了一个基于多传感器融合的定位系统设计方案,采用GPS、里程计和电子罗盘作为定位传感器,利用扩展卡尔曼滤波(EKF)算法对多源传感器数据进行融合处理,最终输出目标的滤波后位置信息,并提供了完整的Matlab代码实现。该方法有效提升了定位精度与稳定性,尤其适用于存在单一传感器误差或信号丢失的复杂环境,如自动驾驶、移动采用GPS、里程计和电子罗盘作为定位传感器,EKF作为多传感器的融合算法,最终输出目标的滤波位置(Matlab代码实现)机器人导航等领域。文中详细阐述了各传感器的数据建模方式、状态转移与观测方程构建,以及EKF算法的具体实现步骤,具有较强的工程实践价值。; 适合人群:具备一定Matlab编程基础,熟悉传感器原理和滤波算法的高校研究生、科研人员及从事自动驾驶、机器人导航等相关领域的工程技术人员。; 使用场景及目标:①学习和掌握多传感器融合的基本理论与实现方法;②应用于移动机器人、无人车、无人机等系统的高精度定位与导航开发;③作为EKF算法在实际工程中应用的教学案例或项目参考; 阅读建议:建议读者结合Matlab代码逐行理解算法实现过程,重点关注状态预测与观测更新模块的设计逻辑,可尝试引入真实传感器数据或仿真噪声环境以验证算法鲁棒性,并进一步拓展至UKF、PF等更高级滤波算法的研究与对比。
内容概要:文章围绕智能汽车新一代传感器的发展趋势,重点阐述了BEV(鸟瞰图视角)端到端感知融合架构如何成为智能驾驶感知系统的新范式。传统后融合与前融合方案因信息丢失或算力需求过高难以满足高阶智驾需求,而基于Transformer的BEV融合方案通过统一坐标系下的多源传感器特征融合,在保证感知精度的同时兼顾算力可行性,显著提升复杂场景下的鲁棒性与系统可靠性。此外,文章指出BEV模型落地面临大算力依赖与高数据成本的挑战,提出“数据采集-模型训练-算法迭代-数据反哺”的高效数据闭环体系,通过自动化标注与长尾数据反馈实现算法持续进化,降低对人工标注的依赖,提升数据利用效率。典型企业案例进一步验证了该路径的技术可行性与经济价值。; 适合人群:从事汽车电子、智能驾驶感知算法研发的工程师,以及关注自动驾驶技术趋势的产品经理和技术管理者;具备一定自动驾驶基础知识,希望深入了解BEV架构与数据闭环机制的专业人士。; 使用场景及目标:①理解BEV+Transformer为何成为当前感知融合的主流技术路线;②掌握数据闭环在BEV模型迭代中的关键作用及其工程实现逻辑;③为智能驾驶系统架构设计、传感器选型与算法优化提供决策参考; 阅读建议:本文侧重技术趋势分析与系统级思考,建议结合实际项目背景阅读,重点关注BEV融合逻辑与数据闭环构建方法,并可延伸研究相关企业在舱泊一体等场景的应用实践。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值