到底有多强？苹果的增强现实框架：ARKit

写在前面

其实准备ARKit已经很久了，确切地说当WWDC开始介绍时就开始了。其后参加了苹果的ARKit workShop，加上自己有点事，所以文章一直没发出来，现在再发一篇上手文章，也没什么意义。所以本篇文章重在workShop上与苹果工程师的交流和我对ARKit的理解, 最后会简单介绍一下相关技术。

Work Shop Demo

MarkDown无法传视频，这里是视频链接。

ARKit

ARKit Logo
AR(Augment Reality)大家都知道，就是将3D模型渲染在摄像头图像之上，混合渲染达到虚拟物品就好像是现实的一部分。ARKit解决了模型定位难的问题，结合CoreMotion运动数据与图像处理数据，来建立一个非常准确的SLAM系统，构建虚拟世界和现实世界之间的映射。同时能够分析环境自动给模型添加光源，实际效果还是比较惊艳的。
从结构上看，ARKit提供了一套简单易用的AR框架，但框架之外，需要很多的三维空间、游戏编程、3D模型、GPU渲染的知识来理解AR技术。ARKit最重要的两个类是ARSession与ARSCNView

session-view

类似与AVFoudation，ARKit中由ARSesseion类来配置SLAM系统的建立。设置RSession的配置选项为ARWorldTrackingSessionConfiguration来追踪设备的方向与位置，并且能够检测平面。这个选项只有A9处理器之上才支持。其他型号处理器（6S以下）只能追踪设备的方向。 ARKit的提供了自带的两个渲染类：ARSCNView和ARSKView，后者用来渲染2D模型。之前鲜有问津的SceneKit算是有了用武之地。这两个类会自动开启摄像头并建立虚拟空间与现实空间之间的映射。同时ARKit也支持自定义用OpenGL或Metal实现渲染类，但要自己管理与ARSession之间的通信，同时要遵循iOS GPU命令不能在后台调用的规则。

其他比较重要的类有ARAnchor、ARHitTestResult、ARFrame、ARCamera。

ARAnchor

世界中点，可以用来放置虚拟物品，也可以代指现实物品的放置位置。ARAnchor在世界中是唯一的，并包含仿射变换的信息。

ARHitTestResult

HitTest的返回，世界中的ARAnchor。与UIKit中的hitTest不同，ARKit的HitTest以设备方向配合视图坐标，建立一条世界中的射线，所有在射线上的ARAnchor, 会以由近到远的方式返回。此外SCeneKit的HitTest返回虚拟物品。

ARFrame

摄像头视频帧的包装类，包含位置追踪信息、环境参数、视频帧。重点是它包含了苹果检测的特征点，通过rawFeaturePoints可以获取，不过只是特征的位置，具体的特征向量并没有开放。

ARCamera

场景中的摄像机，用来控制模型视图变换和投影变换。同时提供6DOF(自由度信息，方向+位置)与追踪信息。

对ARKit的思考

从框架接口来看，ARKit 暴露出来的能力并不多且小心翼翼。 AR的能力，由三部分组成：

3D渲染
空间定位与方向追踪
场景理解（检测与识别）

目前看 ARKit 只提供了3D渲染的入口，其他两个都被封装起来了，所以目前来看渲染是差异化的主要途径，但不唯一。ARKit workShop 上，面对大家提出的苛刻问题，苹果工程师大量提到特征点。其实计算机视觉是可以在场景理解这一层面做一些自定义的。如果苹果开放更多的能力，那AR的能力完全可以作为任何一个APP的特性。此外，ARKit还存在一些问题：

ARKit 是基于惯性-视觉来做空间定位的，需要平稳缓慢的移动+转向手机，才能构建更加准确的世界，这对用户来说是一种考验，需要积极提示。
理论上 ARKit 在双目摄像头上的表现应该优于单目，这里需要具体测试，如何来平衡用户体验。
.scn文件还是知识一个简单的3维模型编辑器，支持的文件格式少，对模型、光照的编辑方式不太友好。对骨骼动画的支持还有只在能用的阶段。
一旦刚开始检测平面失败，出现时间久，飘逸的现象，后期很难再正确检测，要强制重启。

ARKit最佳实践

模型与骨骼动画

如果是使用.dae 转 .scn 文件，资源中包含骨骼动画时，加载.scn文件到 scene 中会丢失动画，需要在加载时手动恢复一下（方法）。
设计骨骼动画是，要求设计师把动画放在根节点上，不要分散地放在每个bone上，这样可以方便地读取出动画到CAAnimation。
最好不要将太远的光照加载模型文件中，这样会导致加载文件到SCNNdoe时，你的 node 真实尺寸特别大，而你期望的尺寸可能只是模型对象的大小。
模型的SCNMaterial 是用 physically based lighting model 会有更好的表现，设置比较好的环境光也比较重要。

光照

合理的阴影会大大提高AR的效果，贴一张纹理当然可以，但动态阴影更让人沉浸，我们还是要有追求的。
使用Bake ambient occlusion（ABO）效果，模型会更逼真。
光照node加载到 SCNScene的rootNode上，这对做碰撞检测尤其重要

ARKit workShop

汇总了一下workShop上，比较感兴趣的问题和苹果工程师的回答，掺杂自己的理解。

1 . ARFrame提供的YUV特征，如何获取RGB特征？

答：使用Metal去获取特征点的RGB值。（这个我一般是用OpenGL的shader去做，我想苹果工程师是说将图像用Metal转成位图后，根据坐标去获取RGB值。但特征点不多的话，直接在CPU中利用公式计算一下不就行了吗？不过也许Metal有更强大的方法。）

2 . ARKit中怎么做虚拟环境？

答：利用Cube背景。（这个在VR中用的比较多，就是用一个贴满背景的立方体包裹住摄像机所在的空间，网上的资料较多。）

3 . ARKit的如何模拟光源的？为什么不产生阴影。

答：ARKit通过图像的环境来设置模型的环境光强度，而环境光是不产生阴影的。
（我猜苹果应该是通过像素值来确定环境光的，如果用高级一点的方法完全可以添加直射光。光照有许多模型，只有带方向的光才会产生阴影，如果想用ARKit做出阴影，可以看我的回答。）

4 . AVFoudation与ARSession之间的切换会有问题吗？

答： ARSession底层也是用AVFoudation的，如果重新打开ARKit，只需要重新 run 一下 ARSession 可以了，但切换时会有卡顿。
（我自己试了一下，切换时确实有轻微的卡顿，切换后ARSession就停止摄像头采集了，但3D渲染会继续，只是丧失了空间定位与检测识别的能力。）

5 . ARKit是否支持前置摄像头？

答：不支持。ARKit并不是一个用于前置摄像头环境的技术，因为空间有限，能提供的信息也非常有限。（这个问题是很多参会者关心的问题，但 ARKit 团队似乎不是很 care ，说到底还是因为前置摄像头的场景中，用户很少会移动，画面中一般大部分都是人脸，这样 ARKit 的定位与检测能力无法很好使用。建议由类似需求的同学好好梳理，是不是想要的是3D渲染而不是AR。

6 . ARKit的最大应用范围是多少？

答：100米是 ARKit 在保持较好用户体验的最大测量距离。（这个其实我有点没太听清，实际数字应该是100米以上）

7 . ARKit如何做marker？

答：ARKit不会提供这样的能力，如果想实现的，可以用 ARKit 提供的特征点来跑自己的计算机视觉。（熟悉计算机视觉的同学应该都明白，其实marker就是一种简单的图像识别，如果 ARKit 提供的特征点可靠的话，完全可以自己做特征匹配。现场问了苹果工程师，他们的特征点是什么特征，他们不愿回答，不过看使用场景的话，应该是一种边缘敏感的低维特征，应该类似 PCA + SURF）。

8 . ARKit合适支持A8？性能如何？

答：支持A8处理器并不在计划中（这里指的是空间定位能力，A8只支持空间方向追踪），ARKit 的大部分计算都是在CPU上处理的，在A8处理器上的性能损耗在 15% ~ 25%, 在A9处理器上的性能损耗在 10% ~ 15%。（看他们的意思，大量的计算，在A8上应该是比较低效的，解释了为什么A8上的追踪能力是阉割版的。性能应该说还不错，与游戏类似）

9 . 如何追踪实际的物体？

答：可以在已识别的物体位置上，添加一个node, 这样就能在之后的处理中一直保持这个物体的追踪。（这次的wrokShop，苹果大量提到他们的特征点，如果他们真的足够重视的话，应该开放特征检测的过程与特征向量，希望后期能够开放吧）

10 . 如何连接两个不同 ARKit 世界？

答：ARKit没有计划支持这些，比较 tricky 的做法是将两个手机紧挨着启动ARKit。（这个也是很多参会者关注的问题，相信不少人已经有了自己的解决方案，这里我后期会出一篇文章讲解。）

AR相关

渲染

AR说到底还是一种游戏技术，AR提供了定位、检测平面的功能，这些功能并没有暴露出来供我们自定义，那么只能在渲染方面做出差异。目前ARKit支持的3D渲染引擎，有sceneKit，Unity3D，UE。后两者都是成熟的游戏引擎，能够提供完整的游戏功能，但没有我们没有使用，主要因为：

上手较慢，iOS11 9月中旬就要发布了，时间紧促。
接入Unity3D会给安装包造成很大压力，成本大约10M。

最终决定还是用sceneKit，主要出于一下考虑：

ARKit目前对Unity3D，UE的支持没有sceneKit好。
sceneKit用OC写，可以OCS。
sceneKit是系统动态库，对安装包压力不大。
sceneKit虽然能力弱，但是对于AR来说足够了，AR毕竟打造不了复杂的游戏。

坐标系

ARKit和OpenGL一样，使用右手坐标系, 这个新建一个camera就可以看出来。

camera -w500

定位

将模型加载到空间中，需要6个自由度（6DOF）的信息来指定模型的表现：

6DOF

分别是沿三个坐标轴的平移与旋转。可以使用旋转矩阵、欧拉角、四元数来定义空间旋转，ARKit的这三种方式均有运用。

旋转矩阵

这个好理解，使用旋转的变换矩阵即可，维度4*4，定义一次旋转需要16个数。

欧拉角

把空间旋转分解成绕三个局部坐标轴的平面旋转，分别是pitch(俯仰角，绕x轴)，yaw（偏航角，绕y轴），roll（翻滚角，绕z轴），然后以一定顺序做旋转（sceneKit中是 roll -> yew -> pitch），欧拉角是使用三个 3*3 矩阵连乘实现，而且存在万向锁的问题。

rotation matirx

当pitch为90°时，pitch与yew的旋转轴重合了，这时飞机丧失了一个旋转的维度。

eulars1 angle

eulars2 angle

四元数

将三维空间的旋转表示成四维空间的超球面上位移, 概念有点复杂。简单来说，我们只需要旋转轴 $ \overrightarrow{u}= (x, y, z) $ ，和角度 𝛉 来构造一个单位四元数 q:

quaternion

那么旋转可以定位为：

quaternion result

对任何需要旋转的点$\overrightarrow{v}= (r, d, t)$ ,将它扩展成一个纯四元数$\overrightarrow{p}= (r, d, t，0)$ ,代入上面的公式，就可以得到旋转后的点。

追踪

visual-inertial odometry :基于视觉和惯性的测量方法，惯性数据是指角速度和加速度，这些都由Core Motion提供，加上图像特征，能够更准确地建立SLAM系统。ARKit会将提取到的特征点映射的空间中，也就是说特征点是由三维坐标的，我们可以利用特征点来确定图像中物体的远近。实测效果不错，误差在分米以内。