万字分析 | 关于苹果ARKit的功能梳理和展望

关于更多机器学习、人工智能、加强现实、Unity、Unreal资源和技术干货，能够关注公众号：AIRX社区

自从在 WWDC 2017 中引入以来，ARKit 的功能不断发展，它最初启用了六自由度（6DoF）设备跟踪和 Plane tracking 跟踪，如今通过五次迭代（1.0、1.五、2.0、3.0、3.5），实现了许多功能 最新的 iPad Pro 上的新功能，包括人体追踪，甚至场景重建，以及新的 LiDAR 扫描仪。以下表所示：

要充分实现AR的潜力，ARKit 仍有很长的路要走，由于 AR 的潜力不只受软件限制并且受硬件限制，这就是为何咱们没有看到主流的HUD被消费者甚至企业大规模采用的缘由。它仍处于移动端模式，也不涉及Apple的其余AR形式，例如RealityKit，RealityComposer，AR Quick Look。因为 ARKit 显然是苹果传闻中的 AR Glasses 的前身（预热）SDK，所以本文将重点介绍目前 ARKit 做为 AR 支持软件的局限性。本文主要讨论的内容以下：

• 深度场景重建
• 视觉（视觉框架语义学，视觉锚点）
• 光流框架语义
• 光锚
• 身体（多身体跟踪，部分身体跟踪，身体姿式，姿态估计属性）
• 人员分割（高分辨率和帧频，实时人像效果遮罩，语义分割，衣服分割，身体部位分割）
• 同时进行人体跟踪和人员分割（按 ID 进行人员分割，分段射线广播）
• 人脸（后置相机人脸跟踪，检测到的人脸框架语义，人脸区域）
• 手（手跟踪，手势）
• 参数人体
• 网体
• 对象（对象 ID，检测到的对象框架语义，对象分割，对象框跟踪，实时对象扫描，对象网格分割，对象跟踪）
• 模型
• 物体和人的去除
• 场景重建（网格纹理，网格填充，房间分割，平面图生成）
• AR 数据（本地，共享，云）
• 小组件

一、深度场景重建

经过在最新的 iPad Pro 或者iPhone 12 pro的LiDAR 扫描仪，Apple 提供了带有 ARKit 3.5 的场景重建。这使设备可以建立环境的 3D 网格，并向每一个顶点（例如地板，天花板等）添加语义分类。这是建立更沉浸式、更有创意的AR体验的最重要的功能之一，由于你能够正确启用遮挡，所以虚拟元素将像真实对象同样在真实对象后面看，并使虚拟对象可以与真实对象（例如球）互动，例如，它会像真实的球同样从房间中的物体反弹。

苹果不会在较旧的设备上启用此功能是能够理解的，由于要用一两个普通相机来实现相同的功能要困可贵多，还有须要大量旧设备没法提供的计算能力。可是，Apple 推出了用于照片和视频的深度地图 （Depth Maps），用于配备了后置双摄像头或TrueDepth 摄像头的设备。

即便质量比使用 LiDAR 扫描仪的设备低，这些相同深度图也可用于场景重建。这在技术上是可行的，Google 使用单目摄像头以“深度 API”的名义为一些开发人员引入了封闭测试版，而 6D.ai 在其被 Niantic Labs 收购以前有一个 SDK 提供此功能。启用此功能将有助于 AR Map的采用，并激励开发人员开始尝试使用此功能并为其开发应用程序...

二、视觉框架语义

Frame Semantics是 ARKit 3.0 引入的，它们使开发人员可以检索有关相机框架的信息。它们在运行ARSession 之 前 被 插 入 到 ARConfiguration 中 。当 前 ， ARKit 提 供 了 三 种 框 架 语 义FrameSemantics 类 型 （ 人 体 侦 测 BodyDetection ， PersonSegmentation ，PersonSegmentationWithDepth）。

视觉框架能够在 ARKit 中添加 RectangleDetection，TextDetection，BarCodeDetection 和QRCodeDetection 框架语义，能够更好地理解摄像机输入。此外，能够将自定义 CoreML 模型添加到 FrameSemantics 中，从而使开发人可以以标准化方式改进 ARKit 并在 ARKit 自己不提供它们的状况下彼此共享这些模型。

三、光流框架语义

光流提供了一个图像，其中每一个像素将包含一个 2D 或 3D 矢量，记录该像素的位置以及基于前一帧或多帧的（移动）的数量。当前没法使用预构建的 Vision 模型来实现此功能。不过，因为 ARKit 普遍用于视觉效果，所以向开发人员提供相机框架的光流，将能够在其上构建有趣的效果。

四、光锚

ARKit 提供有关场景中照明的信息，例 ARLightEstimation，这是每一个摄像机帧的全局值。ARKit 能够提供 ARDirectionalLightEstimate，它能够告诉光源来自哪里，但它不在环境中。扫描环境时，ARKit 能够检测到光线并建立ARLightAnchor，其中包含真实光源的位置和方向，光源的强度和颜色以及光源的状态（开/关）与 AREnvironmentProbeAnchor 结合使用时，能够实现更加可信的渲染，其中虚拟阴影指向真实的光线，而且能够进行精确的光反射。

五、人体跟跟踪

人体跟踪或运动捕捉是 ARKit 3.0 引入的。经过提供一个 ARBodyAnchor，该 ARBodyAnchor 内部具备一个 3DS骨骼，其中包含全部骨骼关节的位置，它能够与基于摄影机视图中人的身体位置的 AR 体验进行交互。人体追踪质量不错，但在某些方面仍然受到限制，可是其中许多限制是因为此类追踪所需的计算能力所致。能够经过如下方式进行改进。

多体追踪

当前，ARKit 只能跟踪一我的体，所以，若是在摄像机视图中有多我的，则该设备将仅建立一个 ARBodyAnchor，以跟踪一我的。这限制了可使用 ARKit 建立的体验。为了实现更多的协做式 AR 体验，就须要增长被跟踪物体的数量，就像 Apple 将 ARKit 3.0 能够跟踪的三个ARFaceAnchor 数量增长同样。

部分身体追踪

身体追踪的局限性之一是，只有身体大部分处于在相机视图才能够追踪身体。即便身体部分可见，ARKit 也应该可以跟踪其身体（复数），并假设或预测身体其他部分的位置。即便仅可见身体的上部，它也会跟踪身体，甚至仅跟踪单个身体部分（如手臂或腿）。

身体姿式

3DSkeleton 为开发人员提供了身体每一个关节的位置。利用这些信息，开发人员能够建立身体姿式识别系统。例如，若是右手掌关节位置高于头部关节位置，则表示该人正在举手。或者，若是两只脚都没有触地，则表示该人正在跳跃。

ARKit或许应该提供开发人员能够利用的标准化手势（蹲下，踩踏，踢人等），而不是让每一个开发人员构建本身的手势识别系统，而且最好使用介于 0 到 1 之间的值来指定举手的数量。与BlendShapes 与 ARFaceAnchor 的工做方式类似。

身体估计属性3DSkeleton 有助于建立动做捕捉体验，例如根据人物的动做为角色设置动画，可是此信息基于关节在空间中的位置。ARKit 没有提供有关人的实际 3D 形状的信息，而正确的环境交互（例如人与虚拟对象碰撞）则须要此信息。这须要跟踪的网格或参数模型，这将在本文后面进行讨论。

为了绕过此限制，3DSkeleton 能够延续提供的 EstimatedScale（Height）设置 EstimatedWeight，EvaluateAge，EstimatedSex。利用这些信息，开发人员能够创建一个参数模型，该模型能够容纳大量不一样年龄，体重，身高和性别的人，并根据关节跟踪对其进行动画处理。

六、人体遮挡

ARKit 3.0 引入了“人员遮挡”，若是虚拟对象在虚拟对象的前面，则这些对象将被人员遮挡。ARKit 经过提供两个图像来实现此目的。第一个是模板图像，其中每一个像素的值在不包含人物的状况下为零，不然为 1。第二个是深度图像，其中每一个像素包含一个距离相机的距离的度量值。而后，将这两个图像馈送到渲染器，以根据对象在环境中的位置遮挡对象。这是一个很棒的功能，但仍有改进的空间。

更高的分辨率和帧频

当前，开发人员能够为Stencil Image得到的最高分辨率是1920x1440和Depth Image 256x192。ARKit 将“遮罩”应用于“深度”图像以匹配“模具图像”的分辨率，结果仍不完美。因为分辨率较低，边缘像素仍然存在错误。这与 AVFoundation 提供的 RBG 图像（4032x3025）或深度图（768x576）仍然相去甚远。最终，这些图像的分辨率应与相机分辨率匹配。一样，深度图像以每秒 15 帧的速度捕获，须要将其增长到每秒 60 帧才能得到更流畅的体验。

实时人像效果遮罩

从技术上讲，人像细分是 AVFoundation 的 Portrait Effects Matte 提供的。不一样之处在于人物分割是实时的，肖像效果遮罩仅适用于照片，具备更高的分辨率，而且提供不透明度，所以人物的像素不是零或一，而是介于二者之间。这样能够实现更好的效果，由于与“人物细分”相比，人物彷佛没有被清晰地裁剪出图像。ARKit能够提供实时的人像特效遮罩，具备与遮罩相同的质量，并具备不透明像素且为实时。

语义分割

AVFoundation 提供了另外一种称为语义分割遮罩的功能，这使开发人员能够根据类型检索肖像效果遮罩中的像素。当前，它提供三种类型（头发，皮肤，牙齿）。这些能够在 ARKit 中实时访问，而且能够添加其余一些类型，例如“眼睛”，“瞳孔”，“嘴唇”，“睫毛”等

服装细分

这与语义分割相同，但对于服装，开发人员将可以检索包含衬衫，牛仔裤，鞋子，帽子，衣服，配饰等的像素。这将使你可以体验更改衬衫颜色。

身体部位分割

语义细分很明显的知道牙齿和皮肤在哪里，不在哪里。身体部位没有清晰的切口，手腕末端没有确切的位置。ARKit 应当使开发人员能够访问属于手，腿，头等的像素。这能够建立仅影响手或上身的视觉效果成为可能。

同时进行身体追踪和人的细分

ARKit 3.0经过提供人员细分和人体追踪功能将AR体验升级，可是，可能因为这些功能须要大量的计算资源，Apple 限制 ARKit 一次只能运行其中之一。这些功能齐头并进，尤为是在视觉效果方面，ARKit 应当同时运行它们。

按 ID 进行人员细分

人物细分返回的图像包含其中包含人物的全部像素，但不会区分每一个人物。ARKit 应该可以按ID 提供人员细分，所以每一个人都有一个细分图像，并带有惟一的 ID。此 ID 也将与 3DSkeletonID 匹配，所以它们能够彼此关联。这使得能够对一我的执行计算，而没必要将图像中的全部人都视为同一我的。

分段光线投射

提供按 ID 划分的分割图像仍然不够，它们必须是可选择的或射线可投射的，所以，若是用户在图像上指定一个点，它应当检索选择的人物图像及其 ID。这将使开发人员可以要求用户提供对其执行某些逻辑或效果的人员的输入。

**七、人脸
**

人脸跟踪是在 iPhone X 的发布中引入的，iPhone X 是第一款配备 TrueDepth 相机的手机。它的准确性和功能强大，后置摄像头面部追踪脸部追踪功能仅限于带有前置 TrueDepth 摄像头的设备。App Store 上的许多其余应用程序均可以使用普通的前置摄像头或后置摄像头来进行面部跟踪。即便 ARKit 在 FaceGeometry 的顶点数量上质量较低或缺乏 TrueDepth 相机（例如 BlendShapes）的相同功能，它也应该可使用后置摄像头实现 ARFaceAnchor 检测和跟踪。该 ARFaceAnchor也应该能够经过 ID与ARBodyAnchor 关联。

已被侦测脸部的框架语义：

Apple 的 Vision 框架可实现人脸矩形和地标检测和跟踪。能够添加新的 DetectedFace Frame Semantic 类型，以容许开发人员直接在 ARKit 中访问此信息，并将其与 ARFaceAnchor 和ARBodyAnchor 关联。

脸部区域：

当前，“面部几何”由 1220 个顶点组成，可是没有明显的方法知道哪一个顶点对应于哪一个特定的部分或面部区域，例如鼻子的尖端或额头的中部。为了实现这一点，开发人员必须经过其索引来检索顶点，而且须要经过反复试验来使用幻数，或者编写一个显示每一个顶点的索引的小程序，而后将其映射到他们的应用程序中。ARKit 提供一个基于传递给它的类型参数来返回正确顶点/索引的函数是相对容易的。不然，返回组成面部部分（如嘴唇或眼睑等）的顶点集合，从而实现操纵面部网格的特定部分的体验。

八、手

手部跟踪对于智能手机上的 AR 体验不必定有用，可是，对于未来的 AR HUD，这是必备功能啊，使ARKit具有跟踪手部的能力将使开发人员有机会开始尝试此功能并开始积累经验，为发布Apple的 AR眼镜作好准备。

手部追踪

ARKit 可使用 ARHandAnchor 检测并跟踪手，锚点包含手的位置和方向。它会跟踪人体跟踪Body Tracking 3Dskeleton 里未跟踪的关节。每只手的手指有 24 个关节（每一个手指有 5 个关节，拇指除外 4 个），以及手的类型（左或右）。该锚点也将与 ARBodyAnchor 关联，并在使用后置摄像头面部跟踪时完成 3DS 骨架跟踪。锚点还将包含 ARHandGeometry，它会根据手的形状而不是仅根据关节来修改其参数。这将使用户可以使用他们的手与虚拟对象进行交互，与 Leap Motion，HoloLens，Oculus Quest 或 MagicLeap 中的功能相似。

手势

仅跟踪关节和网格还不够，用户还应该可以执行手势，例如合拢手，指向，捏等。这些手势将触发开发人员可使用的事件。它们的构建方式应能够相似于 Face Faceing 中的 BlendShapes，所以开发人员将可以根据零到一之间的数值知道知道手的张开程度。会有各类各样的手势来实现大量的交互。

九、参数人体

使用 ARKit 进行人体追踪只能提供关节位置，这限制了人们与虚拟对象之间的互动，例如，当向一我的扔球时，除非你附加了一个不可见的基于跟踪关节运动的人体模型，不然该球不会与该人发生碰撞。不过，人们的形态和形式各不相同，所以该模型并不适合全部人。解决此问题的一种方法是向ARBodyAnchor 提供 ARParametricBodyGeometry。锚点应当检测有关身体参数的信息。腰围，手臂，腿的宽度等。而后将基于此信息生成参数模型，并根据关节位置对其进行跟踪。

十、网格人体

解决 3D 身体交互问题的另外一种方法是提供一个 ARMeshBodyGeometry。这相似于 Kinect 提供的功能。它是根据摄像机或 LiDAR 接收到的深度数据生成的人体动态网格。ARKit 将跟踪此网格，并将其包含在 ARBodyAnchor 中。网格也能够经过身体部位（MeshBodyPartsSegmentation）或衣服（MeshClothingSegmentation）进行细分和查询。所以，开发人员能够检索对应于衬衫或手的网格部分。

十一、对象

ARKit 2.0 引入了 ARObjectAnchor，它能够检测扫描的对象。这是经过运行扫描配置，指定围绕对象的框，扫描对象的全部侧面，而后导入到世界跟踪配置以在检测到事件时触发事件来完成的。这只在建立静态体验时有效，例如在博物馆中，由于没有跟踪，只有检测。对象跟踪对于加强交互式 AR 体验相当重要，应将 ARKit 当前提供的功能进行重大改进。

对象 ID

如下全部功能均可以添加到同一对象上，所以，对于每一个对象，不管这些功能适用于 2D 仍是3D，都必须使用惟一的 ID 将全部这些功能相互关联，这一点很重要。

与其余框架语义相似，开发人员将可以插入 DetectedObject 框架语义，而后以每一个对象的位置，对象的分类以及置信度的矩形的形式检索框架中对象的数据。可检测的对象列表须要全面，包含用户平常生活中遇到的大量对象，开发人员也可使用本身的检测和分类机器学习模型来对其进行修改和扩展。

对象分割

相同的对象分类列表也能够是可分段的。所以，开发人员能够经过在ARConfiguration 的帧语义中插入 ObjectSegmentation 来检索属于特定对象的像素。

对象框跟踪

当前的 ARObjectAnchor 仅限于检测参考扫描对象。ARObjectAnchory 应可以基于指定的配置检测场景中的任意数量的对象，而后在它们周围建立包含对象的位置，旋转，比例，分类和惟一 ID 的框。

实时对象扫描

若是克服了计算限制，启用自动对象框跟踪功能能够在未来的版本中启用实时扫描。ARKit 会自动在对象周围建立框，对其进行分类，无需任何用户输入便可对其进行扫描。而后保存它们以备后用。

对象网格分割

建立自动对象框还应当能够启用对象网格分割，目前，“场景重构”建立的网格不会分离对象。它能够进行简单的分类，但不会从杯子所在的桌子上分割杯子。能够提取对象网格并将其做为ARObjectMeshGeometry 添加到 ARObjectAnchor。对象追踪 ARKit 当前不支持对象跟踪，仅支持检测，所以能够在对象上构建的体验很是有限。经过具备上述功能的基于对象扫描或对象分段网格的对象跟踪，将使开发人员可以携带对象并使它们以各类组合在 AR 中交互。

十二、模型

ARObjectAnchor 经过扫描实际对象来工做。人们在平常生活中使用的大多数对象都是大量生产的，并具备相应的 3D 模型。ARKit 能够提供 ARModelAnchor。与 Vuforia 提供的“模型目标”类似。这样能够识别熟悉的对象，电器、设备（甚至是 Apple 设施），而后建立一个锚点，该锚点提供有关检测到的模型的信息并随着时间的推移对其进行跟踪。苹果还应能够提供相似于 App Store，Model Store 的东西，这些现实对象（玩具，设备等）的生产者能够上传这些东西，以便 ARKit 应用能够识别它们并在其上构建应用。

物体和人的去除

顾名思义，加强现实技术很是适合经过向其中添加虚拟对象来加强现实。可是，有时删除对象也能够加强现实性。有人称它为“减小现实”，能够从渲染的相机框架中去除物体和人物。这能够实现诸如房屋改建之类的体验，该应用程序能够从视图中移除家具以放置新家具。或从公共视频中删除人员，以出于审美或隐私缘由捕获场景。

1三、场景重建

ARKit 3.5 引入了 Scene Reconstruction，为 AR 应用程序提供了强大的功能，例如与真实环境交互的虚拟对象和真正的遮挡，但仍有改进的空间。

网格纹理

ARMeshGeometry 不提供纹理坐标，所以很难在几何图形上放置纹理。ARKit 应能够提供纹理坐标和纹理提取。所以，对象或场景的 3D 网格扫描将看起来与真实对象类似，而且不只具备其形状，还具备其属性。网格填充若是实现了前面提到的“对象网格分割”，则须要一种“网格填充”算法来填充接触表面。所以，若是将书从咖啡桌上分割开来，放置书本的顶点应被填充，以使网格中没有孔。一样，若是看不到对象的某些部分，该算法能够尝试智能地填充缺失的部分，并在之后提供更多信息时更新网格。例如，从地板和墙壁上分割沙发，该算法将填充沙发的背面。

空间分割

根据数据效率对当前生成的网格进行分段。基于房间或空间的语义分割会更合适。开发人员将可以检索属于厨房或客厅的网格，并为每一个区域创建定制的体验。当设备进入该区域时，ARKit可能会触发触发器，相似于 Vuforia 提供的“区域目标”

平面图生成

在实施对象网格分割，网格填充，空间分割以及已经包含的平面和网格分类以后，ARKit 能够生成该空间的准确 2D 和 3D 平面图。房子或办公室的平面布置图将提供干净的空间模型，供不一样的应用程序使用。

1四、AR持久化数据

当前，每次用户打开 ARKit 应用程序时，该应用程序都会从头开始映射环境。尽管能够保存，从新定位或共享该地图，但仍由开发人员决定将不一样的应用程序链接在一块儿并让他们共享此数据。若是每一个应用程序体验都孤立无援，AR 不能提供使人鼓舞的价值。为避免这种状况，Apple 能够提供一个本机数据保存解决方案，该解决方案能够在各个应用程序之间共享并集成到其余Apple 的应用程序和服务（例如 Siri，Home，地图等）中。就像 Apps 能够访问你的联系人同样，他们也能够访问在你容许的状况下，你的房屋地图。前面讨论的大多数功能都是关于获取有关场景，对象和人物三个类别的世界知识的。不须要每次都从新扫描这三个类别的大多数属性。用户房屋的形状不会常常变化，可是其中物体的位置会发生变化。能够对数据进行一次扫描，保存并在更改后进行修改。公司仍在研究如何解决共享此数据所固有的隐私问题，所以尚不清楚苹果或其余公司将采用哪一种方法，可是很明显，若是没有这些数据的互操做性，AR 应用程序和体验将受到限制。这个主题须要更长的讨论时间，可是如今，本文将简要讨论此数据的三层次。

本地

用户扫描房屋，房屋中的物体以及他们的身体，而后将这些数据本地保存在设备上。能够经过不一样的应用程序访问它，但只有在获得用户许可的状况下，才能保证不会将其导出或共享到外部。这使应用程序能够共享数据并在此数据之上构建体验，但仍然仅限于首先扫描数据的设备或用户账户。共享公司扫描办公室或工厂及其内部的对象，并与员工共享此数据，以提供应用程序和服务以在工做期间为他们提供帮助。用户对此数据执行的访问和操做受其角色和特权以及数据全部者指定的内容的限制。这也将在消费者级别上起做用，在该级别上，一个家

庭将彼此共享房子的映射计划，但仍然以某种方式限制了它的访问。

云

世界被数以百万计的用户扫描，并将其保存在云中，有时也称为 AR 云。可是，不只限于点云数据，还包括上面提到的全部高级理解数据。这里的数据全部权很是重要，由于用户不但愿其余用户访问其私人空间或对象。尽管城市可能但愿其用户能够访问他们的街道，博物馆，公共场所，但也许只有实际位于城市中的用户才能访问它们。这将使数以百万计的用户之间共享体验，并以某种方式将物理现实变成社交媒体平台，使他们能够在其中共享事物，放置艺术品，玩游戏以及许多其余可能性。关于如何处理这些数据以及每种方法的优缺点的争论仍未开始，但能够确定的是，AR 成为下一个计算平台是必需的。

1五、小组件

将 AR 数据本地保存，与你的联系人共享或保存在云中以后，出现 AR（移动端）的必杀技--小部件。窗口小部件是实现较小功能的小型应用程序或小程序，能够固定到任何扫描的数据，场景，对象或身体上。这些小窗口小部件的组合是基于 OS 保存的数据而构建的，这正是 AR 真正的威力所在，它使用户能够在其语境中完成特定任务。计时器能够固定在你的上方，新闻能够固定在浴室的镜子上，手册能够固定在打印机上，甚至虚拟手表也能够固定在你的手腕上。例如，若是咖啡快用完了，用户能够按下咖啡机旁边的虚拟按钮，以将咖啡添加到购物清单或在线订购。经过提供有关世界的适当信息并提供能够直接在其语境中直接采起的适当措施的方式，AR 的实用性来自于使咱们平常的小任务变得更加轻松。

窗口小部件也能够与设备或装置（甚至 Apple 设备）捆绑在一块儿。你的 HomePod 会显示歌曲的信息以及正在播放的艺术家。你的电视周围可能会显示建议，洗衣机能够显示給您其不一样的设置。最终，开发人员应该可以开发这些小部件并在 App Store 上提供它们，它们能够通用运行，也能够为特定的设备使用。用户将可以将它们安装在本身的空间中，并针对不一样的场合，时间或心情使用不一样的配置或布局。窗口小部件能够由一我的访问，由一组人共享或公开给任何人使用。当技术变得无形时，它将发挥最大做用，AR 应用程序，这时是最有用的。可是，要得到对世界的更好了解，保存这些数据并共享它们，而后针对不一样的用例锚定不一样的小部件并使用 AR 眼镜进行访问，这是咱们仍然有很长一段路要走的终极 AR 体验。