【導讀】增強現實(shí)（AR）和虛擬現實(shí)（VR）技術(shù)近年在產(chǎn)業(yè)界和學(xué)術(shù)界吸引了極高的關(guān)注度，它們豐富了現實(shí)世界環(huán)境，或用模擬環(huán)境替代現實(shí)世界。然而，AR/VR設備存在的端到端延遲會(huì )嚴重影響用戶(hù)體驗。尤其是動(dòng)顯延遲（Motion-to-photons latency，定義為從用戶(hù)發(fā)生動(dòng)作到該動(dòng)作觸發(fā)的反饋顯示在屏幕上所需要的時(shí)間），它是限制AR/VR應用的主要挑戰之一。例如，動(dòng)顯延遲高于20 ms就會(huì )導致用戶(hù)惡心或眩暈。
因此，減少動(dòng)顯延遲對于改善用戶(hù)的虛擬體驗至關(guān)重要。減少動(dòng)顯延遲的一種常見(jiàn)方法是通過(guò)預判用戶(hù)的移動(dòng)來(lái)預測未來(lái)的頭部方向，使AR/VR設備能夠提前渲染接下來(lái)的場(chǎng)景。因此，開(kāi)發(fā)能夠在A(yíng)R/VR設備中準確預測頭部方向的算法至關(guān)重要。當然，除了AR/VR應用，方向預測在無(wú)人機、機器人和導航系統等其他實(shí)際應用中也至關(guān)重要。
方向預測需要利用各種測量源（例如慣性傳感器或單目/立體相機）的信息來(lái)預先估算當前方向。例如，之前已有研究合并利用慣性傳感器和相機測量數據以估算物體的方向，其中慣性傳感器用于通過(guò)積分測量來(lái)確定方向，而相機輸出用于補償誤差。然而，相機視覺(jué)信息增加了估算過(guò)程的復雜性，不適合資源有限的設備。
此外，照明變化也會(huì )影響基于相機的算法性能。MEMS技術(shù)的進(jìn)步推動(dòng)了慣性測量單元（IMU）的小型化和經(jīng)濟性。憑借其高采樣率、低延遲和小尺寸，IMU已被用于現代AR/VR設備，以獲取用于定位和方向的數據。
頭部方向預測示意圖
商用IMU通常包括三軸陀螺儀、三軸加速度計和/或磁力計。陀螺儀測量角速度并隨時(shí)間進(jìn)行積分以確定方向角。然而，積分過(guò)程也會(huì )累積傳感器誤差；因此，隨著(zhù)時(shí)間的推移，估算方向會(huì )偏離真實(shí)方向，影響可靠性。加速度計用于測量地球的引力場(chǎng)來(lái)克服這個(gè)問(wèn)題，從而產(chǎn)生用于校正估算方向的參考矢量。測量地球磁場(chǎng)的磁力計也用于校正角速度。不過(guò)，由于其對磁干擾（如金屬或電氣設備產(chǎn)生的磁干擾）非常敏感，使其適用性受到限制。
此外，已有研究利用IMU基于卡爾曼濾波（KF）和粒子濾波（PF）開(kāi)發(fā)了多種用于A(yíng)R/VR設備的方向預測算法?；诳柭鼮V波的算法通過(guò)遞歸地執行兩步預測和校正來(lái)導出最優(yōu)估計。在預測步驟中，濾波器預測未來(lái)方向及其不確定性。一旦觀(guān)察到實(shí)際測量結果，就使用加權平均來(lái)校正預測，其中不確定性較低的估計值被分配更大的權重。相比之下，粒子濾波是一種遞歸貝葉斯狀態(tài)估算模型，利用隨機樣本表示系統狀態(tài)的概率密度函數。因為粒子濾波可以以任何形式使用狀態(tài)空間模型，所以它們可以應用于廣泛的模型。然而，盡管粒子濾波更復雜，但與卡爾曼濾波相比，粒子濾波并未表現出顯著(zhù)的改進(jìn)。
因此，卡爾曼濾波更常用于方向估算和預測。由于標準卡爾曼濾波是僅在線(xiàn)性假設下的最優(yōu)估算，因此其變體，例如擴展卡爾曼濾波（EKF）和無(wú)跡卡爾曼濾波（UKF），廣泛用于非線(xiàn)性系統中的方向預測。特別是擴展卡爾曼濾波通過(guò)將基于先前估算的狀態(tài)轉移函數線(xiàn)性化到當前估算來(lái)預測方向。
然而，當狀態(tài)轉移和觀(guān)測模型高度非線(xiàn)性時(shí)，擴展卡爾曼濾波可能由于不確定度的傳播而表現出較差的性能。在無(wú)跡卡爾曼濾波中，線(xiàn)性化被稱(chēng)為無(wú)跡變換的確定性采樣方案所取代，該方案在均值附近選擇一組采樣點(diǎn)。因此，基于無(wú)跡卡爾曼濾波的算法不適用于A(yíng)R/VR等計算能力有限的設備。
據麥姆斯咨詢(xún)介紹，韓國東國大學(xué)多媒體工程系的一支研究團隊近期提出了一種新的方向預測算法，通過(guò)解決傳統預測算法的局限性來(lái)提高預測精度。所提出的算法通過(guò)從當前方向估算線(xiàn)性位移及隨后的調整來(lái)補償線(xiàn)性預測引起的誤差。
當前預測基于先前預測的準確性進(jìn)行調整。為此，確定先前線(xiàn)性預測和當前方向之間的方向差異。然后，研究人員定義了一個(gè)權重矩陣，基于方向差確定當前預測的最優(yōu)調整。
與卡爾曼濾波的推導相似（不確定性較低的差異被分配更大的權重），使用當前和先前預測的方向之間的預測誤差，獲得最佳權重矩陣作為最小均方誤差（MMSE）估算。
總體來(lái)說(shuō)，研究人員提出了一種配備IMU（包括三軸陀螺儀和三軸加速度計）、基于類(lèi)卡爾曼誤差補償的AR/VR設備方向預測算法。這項研究的主要貢獻是基于先前的預測精度提高當前的預測精度，并基于方向差確定預測的最佳調整。實(shí)驗結果表明，該算法在多個(gè)開(kāi)放數據集上優(yōu)于傳統的方向預測算法。
來(lái)源：MEMS
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問(wèn)題，請聯(lián)系小編進(jìn)行處理。
推薦閱讀：
單對以太網(wǎng)要如何實(shí)現10Base-T1L？
有關(guān)機器視覺(jué)的四個(gè)真相，你知道幾個(gè)？
