文/黃亞坤

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

大家好，我是來自北京郵電大學的黃亞坤，目前主要在學術界從事研究工作。本次我將從更好地結合學術和工業(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為主旨談談沉浸式XR通信與交互現(xiàn)狀，然后介紹我們從2017年至今關于輕量化跨平臺WebXR技術的探索與研究進展，接下來介紹全息XR通信與實時交互服務，最后對云化XR的新需求與挑戰(zhàn)進行總結。

-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，旨在打造真實、虛擬組合的數(shù)字化環(huán)境，實現(xiàn)沉浸感更深入的人機交互體驗。

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

進一步地，AR可將VR打造的虛擬世界和真實世界無縫融合，目前在工業(yè)界中的落地應用廣泛使用率較高；

MR則是在融合AR、VR的基礎上，實現(xiàn)用戶與現(xiàn)實、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行真實物體的再現(xiàn)，還原真實的人物與環(huán)境。

以上圖表展示了XR的技術架構、產(chǎn)業(yè)發(fā)展趨勢，以及XR業(yè)務的網(wǎng)絡需求。目前來看，XR還處于部分沉浸式體驗階段，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)關注它對業(yè)界帶來的潛在前景與應用價值。

我們對市場現(xiàn)有的一些XR設備進行了體驗分析并總結了幾方面問題。

首先是技術成熟度不夠：在畫面真實率，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，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格過高；

第三是佩戴體驗差：當前的XR終端設備存在佩戴沉重，攜帶性差等體驗問題；

第四是優(yōu)質內(nèi)容源缺乏：高品質的XR應用稀缺，對用戶吸引力不夠；

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

隨著5G的普及應用，云化XR的部署與應用已經(jīng)成為可能。

首先5G的網(wǎng)絡切片技術保證了應用程序的部分帶寬、移動邊緣計算（MEC）減少了內(nèi)容匯聚，在節(jié)省帶寬的同時降低了時延，為XR云化部署奠定了技術基礎。

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

最后，通過與5G技術相集合，智能手機有望成為承載云XR體驗的終端設備，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算方面。大量的視覺、空間計算和密集的3D渲染給資源受限的XR終端設備帶來了極大的計算壓力，通過將這些密集的計算任務卸載上云后，能夠大幅降低終端的設備計算成本，進而助力終端輕量化。

同時云端可借助Wi-Fi、5G等網(wǎng)絡技術將內(nèi)容以視頻流形式推向用戶，相對于傳統(tǒng)設備無需再連接終端的HDMI線，實現(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)和版權管理。

但將云XR推向產(chǎn)業(yè)成熟，目前仍面臨技術成熟度、云網(wǎng)架構升級、建設健康的生態(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，還需要進一步探索。

-02-

輕量化WebXR探索與研究進展

上圖展示了XR技術的發(fā)展簡史。從1998年AR首次應用于電視直播到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、輕量化和跨平臺標準化的發(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技術開始萌芽。

但實現(xiàn)WebXR并非易事。首先是瀏覽器極其有限的算力難以滿足AR密集的位姿計算需求，這也導致位姿估計與計算的時延差距大，畫面延遲較高，無法達到AR的高頻實時跟蹤要求。且三維模型的復雜度對Web的渲染能力提出很大考驗。最后，國內(nèi)各大硬件廠商瀏覽器的內(nèi)核和開放權限參差不齊，導致傳統(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。如實現(xiàn)基于Web瀏覽器的AR導航、真實世界的三維目標實時識別、跟蹤、渲染以及異構跨終端的XR通信交互等。

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

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，難以滿足導航場景路徑規(guī)劃等功能的需要；其次是終端側的行人航位推算（PDR）等方案的累計誤差較大，只能保持短距離精確定位；第三是傳輸實時視頻幀到云端求解無法滿足定位頻率要求。

因此，我們通過將終端側定位位姿和云端VPS定位對齊實現(xiàn)了“端側輕量化自主定位+云端精確輔助重定位”的方式。具體流程如上圖左下角所示，端側以云端的精確定位為基準點，通過PDR方案進行自主實時定位，導航行進過程中通過借助云端重定位來及時修正誤差。

我們從定位精度和開銷兩方面對該方案進行了性能評估，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)絡條件差、環(huán)境復雜等條件下難以發(fā)揮作用。我們考慮到用戶在導航時一般僅調用地圖的局部，因此通過將大地圖語義化，以物體為特征建立點云地圖，將其分塊并實時按需下發(fā)至端側，使端側具備了獨立精確定位計算能力。

經(jīng)過測試，1M的點云數(shù)據(jù)即可覆蓋40-50平米的范圍，且通過預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架構我們拓展了很多新的應用場景，如上圖展示的BIM數(shù)字沙盤，可將BIM模型和效果投放到實景沙盤上。

在多人場景，通過移動Web動態(tài)加載語義點云地圖，使用局部點云定位，在點云世界坐標下記錄模型信息即可通過P2P通信實現(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建地圖的準確性，但它的時效性非常強。為了解決實時地圖更新的問題我們采用了眾包方案。

在眾包模式下，用戶的手機可以作為地圖重建采集設備，將拍攝的畫面反饋至云端進行更新。

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）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，針對這類復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)助建立點云地圖，從而增強定位能力。

第二是針對樓梯間等特征點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)同架構提出的一些考慮。

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

-03-

全息XR通信與實時交互服務

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

全息視頻實時采集、傳輸過程中的難點體現(xiàn)在以下幾方面：一是全息視頻的采集時間過長，歷經(jīng)多機位畫面融合、編碼、傳輸和解碼后嚴重降低了視頻幀率；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)絡難以承載；第三是編解碼效果差，現(xiàn)有標準無法實現(xiàn)實時解碼。

在此基礎上，我們提出了基于AI的語義通信傳輸機制，通過提取、傳輸全息視頻的關鍵點云語義特征極大降低了傳輸數(shù)據(jù)量。終端側負責進行容積視頻幀重建。

由于基于AI的點云編解碼方案對計算和存儲的要求較高，資源有限的終端設備難以實現(xiàn)實時解碼交互。因而我們提出了面向任務的輕量化傳輸機制，采用興趣感知選擇技術提取局部用戶感興趣的內(nèi)容，同時采用剪枝、量化等網(wǎng)絡輕量化技術，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全息點云實時交互外，我們也在思考面對混合模態(tài)視頻XR業(yè)務場景的解決方案，但現(xiàn)有視頻流自適應傳輸方案都是針對單模態(tài)業(yè)務的優(yōu)化。

我們提出了一種面向多模態(tài)業(yè)務的云渲染自適應視頻流框架，對于包含傳統(tǒng)2D、360度視頻，全息點云視頻的多模態(tài)業(yè)務，通過云渲染的轉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化學習的方式實現(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)絡試驗設施（CENI）提供的大帶寬、低時延等特性需求，從創(chuàng)造承載高清全息XR的網(wǎng)絡條件考慮，我們擬搭建出一套基于CENI的設施，可支持超遠距離多人交互的實時全息通信試驗系統(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低時延云游戲、AR/VR、多媒體編解碼和XR業(yè)務QoE等方向展開研究。

同時云化XR仍面臨幾點技術挑戰(zhàn)。

一是在云網(wǎng)架構上，復雜場景下的圖形渲染、編碼和計算部署在云端也為云側帶來了很大壓力。那么未來面對海量用戶，云側要滿足確定性渲染計算能力及處理時延，網(wǎng)絡需要滿足確定性帶寬及傳輸時延；

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

三是在邊側，云XR業(yè)務需要消耗GPU資源來實現(xiàn)實時圖形渲染、并行計算等能力。邊側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)務的重大挑戰(zhàn)；

四是在云側，XR的超高分辨率畫質要求，巨大的數(shù)據(jù)量給編解碼帶來的挑戰(zhàn)，尤其是強交互云XR直播與交互業(yè)務需要支持實時轉碼，基于通用視頻的編解碼技術效率相對較低；

五是在終端側，3D體驗的終端價格仍然昂貴，內(nèi)容質量低，跨平臺性差。

最后，由于傳統(tǒng)的QoE指標評價通常只針對單一的業(yè)務類型，且業(yè)務之間的耦合度低，已經(jīng)無法適應云化XR的業(yè)務場景，我們目前正在推進建立兼容云XR的質量評估體系。

編輯：黃飛

?