文/黃亞坤

編者按：計(jì)算機(jī)圖形與仿真技術(shù)的發(fā)展為人類帶來了眾多的沉浸式技術(shù)。虛擬現(xiàn)實(shí)（VR）、增強(qiáng)現(xiàn)實(shí)（AR）、混合現(xiàn)實(shí)（MR）等技術(shù)通過不同程度數(shù)字信息與現(xiàn)實(shí)環(huán)境的融合，為用戶帶來了全新體驗(yàn)，而統(tǒng)括三者的擴(kuò)展現(xiàn)實(shí)（XR）更強(qiáng)調(diào)虛擬世界與現(xiàn)實(shí)世界的彌合，縮小人們、信息和體驗(yàn)之間的距離壁壘。LiveVideoStackCon 2023 上海站邀請了來自北京郵電大學(xué)的黃亞坤，為大家分享學(xué)術(shù)界關(guān)于云化XR和沉浸式全息交互技術(shù)的探索與思考?。

大家好，我是來自北京郵電大學(xué)的黃亞坤，目前主要在學(xué)術(shù)界從事研究工作。本次我將從更好地結(jié)合學(xué)術(shù)和工業(yè)界這一角度出發(fā)來與大家分享我們的探索與思考。

本次分享分為四方面：首先以囊括多種沉浸式技術(shù)為主旨談?wù)劤两絏R通信與交互現(xiàn)狀，然后介紹我們從2017年至今關(guān)于輕量化跨平臺WebXR技術(shù)的探索與研究進(jìn)展，接下來介紹全息XR通信與實(shí)時(shí)交互服務(wù)，最后對云化XR的新需求與挑戰(zhàn)進(jìn)行總結(jié)。

-01-

沉浸式XR通信與交互現(xiàn)狀

XR包含了AR、VR和MR等沉浸式技術(shù)，旨在打造真實(shí)、虛擬組合的數(shù)字化環(huán)境，實(shí)現(xiàn)沉浸感更深入的人機(jī)交互體驗(yàn)。

其中VR可能更為大眾所熟知（如當(dāng)下熱門的VR看房、看車），它通過計(jì)算機(jī)來模擬虛擬環(huán)境。目前多數(shù)用戶使用手機(jī)來體驗(yàn)，而使用沉浸感更強(qiáng)的專業(yè)VR終端由于昂貴的成本問題在用戶間還沒有廣泛普及；

進(jìn)一步地，AR可將VR打造的虛擬世界和真實(shí)世界無縫融合，目前在工業(yè)界中的落地應(yīng)用廣泛使用率較高；

MR則是在融合AR、VR的基礎(chǔ)上，實(shí)現(xiàn)用戶與現(xiàn)實(shí)、虛擬世界間的深層次交互反饋。

最后，在常規(guī)XR概念的基礎(chǔ)上拓展引入了HR，與VR不同，它可以利用光干涉和衍射記錄進(jìn)行真實(shí)物體的再現(xiàn)，還原真實(shí)的人物與環(huán)境。

以上圖表展示了XR的技術(shù)架構(gòu)、產(chǎn)業(yè)發(fā)展趨勢，以及XR業(yè)務(wù)的網(wǎng)絡(luò)需求。目前來看，XR還處于部分沉浸式體驗(yàn)階段，正朝著深度沉浸階段發(fā)展，主要表現(xiàn)為單眼觀看可達(dá)到2K分辨率，F(xiàn)OV處于100-120度范圍內(nèi)。

對于即將正式發(fā)售的Apple Vision Pro，我們也持續(xù)關(guān)注它對業(yè)界帶來的潛在前景與應(yīng)用價(jià)值。

我們對市場現(xiàn)有的一些XR設(shè)備進(jìn)行了體驗(yàn)分析并總結(jié)了幾方面問題。

首先是技術(shù)成熟度不夠：在畫面真實(shí)率，視場角，眩暈和遲滯感等方面有待提升。例如在工業(yè)場景下的三維大模型渲染服務(wù)，終端上會出現(xiàn)明顯的卡頓、眩暈和遲滯感；

第二是用戶成本高：主流的XR頭顯對于大眾用戶來說價(jià)格過高；

第三是佩戴體驗(yàn)差：當(dāng)前的XR終端設(shè)備存在佩戴沉重，攜帶性差等體驗(yàn)問題；

第四是優(yōu)質(zhì)內(nèi)容源缺乏：高品質(zhì)的XR應(yīng)用稀缺，對用戶吸引力不夠；

第五是缺乏統(tǒng)一平臺：各大廠商當(dāng)前主要圍繞自身產(chǎn)品的生態(tài)圈進(jìn)行內(nèi)容開發(fā)，難以建立有效共享和快速分發(fā)體驗(yàn)的統(tǒng)一平臺。

隨著5G的普及應(yīng)用，云化XR的部署與應(yīng)用已經(jīng)成為可能。

首先5G的網(wǎng)絡(luò)切片技術(shù)保證了應(yīng)用程序的部分帶寬、移動邊緣計(jì)算（MEC）減少了內(nèi)容匯聚，在節(jié)省帶寬的同時(shí)降低了時(shí)延，為XR云化部署奠定了技術(shù)基礎(chǔ)。

同時(shí)，通過將XR的密集計(jì)算上云，有助于減輕終端設(shè)備的重量，提升佩戴體驗(yàn)和續(xù)航能力，云化XR更有助于提升多用戶共享體驗(yàn)，降低單一用戶的體驗(yàn)限制；

最后，通過與5G技術(shù)相集合，智能手機(jī)有望成為承載云XR體驗(yàn)的終端設(shè)備，這有助于吸引更多的新用戶。

XR云化主要的優(yōu)勢體現(xiàn)在承載密集三維空間計(jì)算方面。大量的視覺、空間計(jì)算和密集的3D渲染給資源受限的XR終端設(shè)備帶來了極大的計(jì)算壓力，通過將這些密集的計(jì)算任務(wù)卸載上云后，能夠大幅降低終端的設(shè)備計(jì)算成本，進(jìn)而助力終端輕量化。

同時(shí)云端可借助Wi-Fi、5G等網(wǎng)絡(luò)技術(shù)將內(nèi)容以視頻流形式推向用戶，相對于傳統(tǒng)設(shè)備無需再連接終端的HDMI線，實(shí)現(xiàn)了終端無繩化、移動化。

最后，內(nèi)容云化也便于統(tǒng)一分發(fā)和版權(quán)管理。

但將云XR推向產(chǎn)業(yè)成熟，目前仍面臨技術(shù)成熟度、云網(wǎng)架構(gòu)升級、建設(shè)健康的生態(tài)環(huán)境、共贏的商業(yè)模式以及XR平臺與系統(tǒng)互通等問題，還需要進(jìn)一步探索。

-02-

輕量化WebXR探索與研究進(jìn)展

上圖展示了XR技術(shù)的發(fā)展簡史。從1998年AR首次應(yīng)用于電視直播到AR專用頭顯、移動終端、基于APP的AR游戲和基于Web的AR解決方案陸續(xù)出現(xiàn)，再到OpenXR 1.0的發(fā)布，各大國內(nèi)廠商加入OpenXR聯(lián)盟，這些發(fā)展充分體現(xiàn)了XR追求移動化、輕量化和跨平臺標(biāo)準(zhǔn)化的發(fā)展趨勢。

Web具有天然的跨平臺性，并且有兼容高、普及廣的優(yōu)勢，因而基于輕量化移動Web的XR技術(shù)開始萌芽。

但實(shí)現(xiàn)WebXR并非易事。首先是瀏覽器極其有限的算力難以滿足AR密集的位姿計(jì)算需求，這也導(dǎo)致位姿估計(jì)與計(jì)算的時(shí)延差距大，畫面延遲較高，無法達(dá)到AR的高頻實(shí)時(shí)跟蹤要求。且三維模型的復(fù)雜度對Web的渲染能力提出很大考驗(yàn)。最后，國內(nèi)各大硬件廠商瀏覽器的內(nèi)核和開放權(quán)限參差不齊，導(dǎo)致傳統(tǒng)的方案難以跨平臺通用。

基于以上考慮，我們提出了基于云實(shí)現(xiàn)的WebXR解決方案。

接下來，我講介紹幾種云化WebXR方案的典型落地場景。如實(shí)現(xiàn)基于Web瀏覽器的AR導(dǎo)航、真實(shí)世界的三維目標(biāo)實(shí)時(shí)識別、跟蹤、渲染以及異構(gòu)跨終端的XR通信交互等。

在統(tǒng)籌考慮端云算力和時(shí)延要求的基礎(chǔ)上，我們針對AR室內(nèi)導(dǎo)航服務(wù)場景提出了端云協(xié)同方案。該方案的核心問題是如何精準(zhǔn)、高頻次獲取移動終端的實(shí)施6-DoF相機(jī)位姿？

目前基于Web的定位方案一般是提供局部定位，無法提供面向大規(guī)模地圖場景的全局定位，難以滿足導(dǎo)航場景路徑規(guī)劃等功能的需要；其次是終端側(cè)的行人航位推算（PDR）等方案的累計(jì)誤差較大，只能保持短距離精確定位；第三是傳輸實(shí)時(shí)視頻幀到云端求解無法滿足定位頻率要求。

因此，我們通過將終端側(cè)定位位姿和云端VPS定位對齊實(shí)現(xiàn)了“端側(cè)輕量化自主定位+云端精確輔助重定位”的方式。具體流程如上圖左下角所示，端側(cè)以云端的精確定位為基準(zhǔn)點(diǎn)，通過PDR方案進(jìn)行自主實(shí)時(shí)定位，導(dǎo)航行進(jìn)過程中通過借助云端重定位來及時(shí)修正誤差。

我們從定位精度和開銷兩方面對該方案進(jìn)行了性能評估，可以看到最終呈現(xiàn)的效果較好。

但端云協(xié)同方案在網(wǎng)絡(luò)條件差、環(huán)境復(fù)雜等條件下難以發(fā)揮作用。我們考慮到用戶在導(dǎo)航時(shí)一般僅調(diào)用地圖的局部，因此通過將大地圖語義化，以物體為特征建立點(diǎn)云地圖，將其分塊并實(shí)時(shí)按需下發(fā)至端側(cè)，使端側(cè)具備了獨(dú)立精確定位計(jì)算能力。

經(jīng)過測試，1M的點(diǎn)云數(shù)據(jù)即可覆蓋40-50平米的范圍，且通過預(yù)加載等方式可以讓用戶基本感受不到地圖下載的延遲。

針對局部語義地圖的技術(shù)架構(gòu)我們拓展了很多新的應(yīng)用場景，如上圖展示的BIM數(shù)字沙盤，可將BIM模型和效果投放到實(shí)景沙盤上。

在多人場景，通過移動Web動態(tài)加載語義點(diǎn)云地圖，使用局部點(diǎn)云定位，在點(diǎn)云世界坐標(biāo)下記錄模型信息即可通過P2P通信實(shí)現(xiàn)Web端的多人AR交互。

無論是端云協(xié)同還是局部語義地圖方案都很大程度上依賴云端預(yù)建地圖的準(zhǔn)確性，但它的時(shí)效性非常強(qiáng)。為了解決實(shí)時(shí)地圖更新的問題我們采用了眾包方案。

在眾包模式下，用戶的手機(jī)可以作為地圖重建采集設(shè)備，將拍攝的畫面反饋至云端進(jìn)行更新。

我們也采用了兩種在定位優(yōu)化手段。首先，傳統(tǒng)定位算法往往依賴低級幾何特征（特征點(diǎn)）來建立視覺地圖，但在弱光或暗光場景下可能難以提取到足夠的特征點(diǎn)，針對這類復(fù)雜場景我們通過引入語義化特征，利用高層級語義信息協(xié)助建立點(diǎn)云地圖，從而增強(qiáng)定位能力。

第二是針對樓梯間等特征點(diǎn)較少的場景改為使用線特征注冊圖像，使重建流程和定位能力更加穩(wěn)定。

以上是我們從通信角度對基于MEC+D2D融合的多用戶交互XR協(xié)同架構(gòu)提出的一些考慮。

上圖展示了我們從降低分發(fā)時(shí)延、同步時(shí)延角度提出的Web側(cè)多用戶XR協(xié)作框架。

-03-

全息XR通信與實(shí)時(shí)交互服務(wù)

全息容積視頻是一種捕捉3D空間的全息顯示技術(shù)。而實(shí)現(xiàn)3D全息視頻實(shí)時(shí)采集、傳輸與交互是沉浸式XR的關(guān)鍵挑戰(zhàn)。相對于視頻的捕捉采集，我們更多地關(guān)注它從傳輸、通信到最終在終端呈現(xiàn)的過程。

全息視頻實(shí)時(shí)采集、傳輸過程中的難點(diǎn)體現(xiàn)在以下幾方面：一是全息視頻的采集時(shí)間過長，歷經(jīng)多機(jī)位畫面融合、編碼、傳輸和解碼后嚴(yán)重降低了視頻幀率；第二是全息視頻的數(shù)據(jù)量過大，所需帶寬過高，現(xiàn)有網(wǎng)絡(luò)難以承載；第三是編解碼效果差，現(xiàn)有標(biāo)準(zhǔn)無法實(shí)現(xiàn)實(shí)時(shí)解碼。

在此基礎(chǔ)上，我們提出了基于AI的語義通信傳輸機(jī)制，通過提取、傳輸全息視頻的關(guān)鍵點(diǎn)云語義特征極大降低了傳輸數(shù)據(jù)量。終端側(cè)負(fù)責(zé)進(jìn)行容積視頻幀重建。

由于基于AI的點(diǎn)云編解碼方案對計(jì)算和存儲的要求較高，資源有限的終端設(shè)備難以實(shí)現(xiàn)實(shí)時(shí)解碼交互。因而我們提出了面向任務(wù)的輕量化傳輸機(jī)制，采用興趣感知選擇技術(shù)提取局部用戶感興趣的內(nèi)容，同時(shí)采用剪枝、量化等網(wǎng)絡(luò)輕量化技術(shù)，極大地降低了AI傳輸模型的參數(shù)和推理速度，提高了解碼效率。

除了單純的3D全息點(diǎn)云實(shí)時(shí)交互外，我們也在思考面對混合模態(tài)視頻XR業(yè)務(wù)場景的解決方案，但現(xiàn)有視頻流自適應(yīng)傳輸方案都是針對單模態(tài)業(yè)務(wù)的優(yōu)化。

我們提出了一種面向多模態(tài)業(yè)務(wù)的云渲染自適應(yīng)視頻流框架，對于包含傳統(tǒng)2D、360度視頻，全息點(diǎn)云視頻的多模態(tài)業(yè)務(wù)，通過云渲染的轉(zhuǎn)碼方式有效降低了移動終端的帶寬和解碼壓力。

我們采用多智能體強(qiáng)化學(xué)習(xí)的方式實(shí)現(xiàn)多維度內(nèi)容ABR控制，從而最大程度保證不同用戶的QoE。

基于未來網(wǎng)絡(luò)試驗(yàn)設(shè)施（CENI）提供的大帶寬、低時(shí)延等特性需求，從創(chuàng)造承載高清全息XR的網(wǎng)絡(luò)條件考慮，我們擬搭建出一套基于CENI的設(shè)施，可支持超遠(yuǎn)距離多人交互的實(shí)時(shí)全息通信試驗(yàn)系統(tǒng)。

-04-

云化XR的新需求和新挑戰(zhàn)

總體來看，未來云化XR的發(fā)展將面臨網(wǎng)絡(luò)能力方面的需求和挑戰(zhàn)。目前多個3GPP工作組也在針對5G低時(shí)延云游戲、AR/VR、多媒體編解碼和XR業(yè)務(wù)QoE等方向展開研究。

同時(shí)云化XR仍面臨幾點(diǎn)技術(shù)挑戰(zhàn)。

一是在云網(wǎng)架構(gòu)上，復(fù)雜場景下的圖形渲染、編碼和計(jì)算部署在云端也為云側(cè)帶來了很大壓力。那么未來面對海量用戶，云側(cè)要滿足確定性渲染計(jì)算能力及處理時(shí)延，網(wǎng)絡(luò)需要滿足確定性帶寬及傳輸時(shí)延；

二是在網(wǎng)絡(luò)側(cè)，滿足XR多模態(tài)業(yè)務(wù)不同場景的差異化和安全隔離需求需要定制化網(wǎng)絡(luò)切片和安全隔離；

三是在邊側(cè)，云XR業(yè)務(wù)需要消耗GPU資源來實(shí)現(xiàn)實(shí)時(shí)圖形渲染、并行計(jì)算等能力。邊側(cè)IaaS層成本主要是GPU成本，通過GPU虛擬化提升GPU使用效率是拓展云化XR業(yè)務(wù)的重大挑戰(zhàn)；

四是在云側(cè)，XR的超高分辨率畫質(zhì)要求，巨大的數(shù)據(jù)量給編解碼帶來的挑戰(zhàn)，尤其是強(qiáng)交互云XR直播與交互業(yè)務(wù)需要支持實(shí)時(shí)轉(zhuǎn)碼，基于通用視頻的編解碼技術(shù)效率相對較低；

五是在終端側(cè)，3D體驗(yàn)的終端價(jià)格仍然昂貴，內(nèi)容質(zhì)量低，跨平臺性差。

最后，由于傳統(tǒng)的QoE指標(biāo)評價(jià)通常只針對單一的業(yè)務(wù)類型，且業(yè)務(wù)之間的耦合度低，已經(jīng)無法適應(yīng)云化XR的業(yè)務(wù)場景，我們目前正在推進(jìn)建立兼容云XR的質(zhì)量評估體系。

編輯：黃飛

?