基于VR的室外教學系統設計

摘 要：從現實來看，目前，我國空氣質量普遍較差，霧霾天氣嚴重，有些地方一到冬天，甚至連著幾個星期都沒法外出運動。作為一名中學生，總是聽到別人抱怨鍛煉時間太少。也正是因為這樣，現在學生的身體素質普遍偏低。此外，在遇到雨雪天氣的情況下，中小學生的室外活動也都會停止，而室內體育設施的建設遠遠不能滿足現在的需求。虛擬現實（Virtual Reality， VR）技術目前已在游戲等方面有所運用，從使用者的感受來說，這項技術獲得了成功。現階段我們所要完成的是將此技術推廣和應用。據此，將虛擬現實技術運用到教學方面，主要是以SLAM和三維重建為基礎，運用現代虛擬現實技術，改善這一情況。而通過此技術，可以讓學生即使在惡劣環境下，也能在室內身臨其境地獲得運動的快感，從而加長運動時間，達到增強身體素質的目的。

關鍵詞：SLAM;VR;三維重建;室外教學

中圖分類號：TB 文獻標識碼：A doi：10.19311/j.cnki.1672-3198.2019.18.093

1 前言

SLAM技術作為虛擬現實的基礎，在生活中有所涉獵。比如自動泊車技術，無人駕駛系統，高精度地圖等。SLAM里比較常見的有兩個分支：一個是視覺SLAM;另有一個是激光SLAM。兩者各有其應用。早期的SLAM大多使用激光傳感器，這是由于激光傳感器的精度更高，相關的算法速度更快，就目前而言，激光SLAM主要運用于無人駕駛車輛上，激光可以幫助電腦觀察路面的實時狀況，從中得出目標的距離位置等信息，再進行相應的措施，但激光掃描儀所占的體積較大，安裝在車上即影響車輛的美觀，而且造價又相當昂貴。這也是目前視覺SLAM研究比較熱的原因。視覺SLAM最大的優點在于其傳感器價格低廉，易獲取，且圖像信息會有更豐富的內容包括了很多語義信息，但是其精度目前而言還比較低，但是隨著近些年研究的深入，其精度已經有了很大的改觀。目前比較常用的視覺傳感器有單目相機，雙目相機，深度相機等等。單目相機相對來說使用方便，速度也比較快，但是由于單目固有的缺點，單目相機難以恢復真實的深度，此外在算法的設計上也相對比較復雜。雙目相機是模仿人眼觀察，通過兩只眼睛所觀察到的事物進行數據擬合。我們不妨試試，假如你閉上一只眼，你會感覺不到物體的遠近。再睜開一只眼，你會發現所有事物都會變得立體了。而深度相機運用的則是物理辦法。它可以運用飛行時間或是結構光的方式來得出距離，深度相機得到深度靠的是物理的方法，所以精度高，速度快，算法不需要太復雜，但是深度相機在遇到比較空曠的場景時，由于其深度傳感器的測量范圍有限會形容大量的黑洞，對于最終的結果影響很大。

虛擬現實技術是基于SLAM 的一項更復雜的技術，它有效的將人體的觸覺、視覺、聽覺等多種感覺融合計算機，達到以假亂真的程度。讓人能身臨其境地感受到此技術的魅力。另外，虛擬現實技術還運用到了三維重建，這幫助人們獲得立體視野。現階段，這一技術在許多方面廣泛運用。比如，游戲機。我的世界這款游戲就變為戴上眼鏡，就構造你自己所喜歡的世界。再比如軍事訓練或是演習，亦或是在體驗館內供游客體驗，戴上眼鏡，立即變身為虛擬中的我，進行更逼真的體驗，獲得更真實的感受。

2 SLAM相關技術

2.1 主要流程

圖1所示為常見的SLAM流程圖，以機器人為例，當機器人在行進的過程中，會不斷地通過圖像傳感器，如深度相機等獲取環境的圖像。在獲取到圖片之后需要進行的是跟蹤，即通過連續的圖像不斷地計算相機之間的相對運動關系，由于相機相對于機器人處于靜止的狀態，得到相機的位置就得到了機器人的位置。對于相鄰的兩幀圖片，由于相機的拍攝頻率在每秒25-30幀，所以兩個相鄰幀之間不會有特別大的位移，這也就意味著兩幅圖片之間有大量的重復區域。為了確定圖像中的哪些點對應于真實世界中的同一個位置，首先要對兩幅圖像進行特征點的提取，比較常見的是FAST角點提取算法。這種算法認為圖像中只有比較明顯的角點才能保證圖像在發生視角變化以及尺度變化的情況下保證不變，其次角點在不同的圖片中都會出現。可以想象一張圖像中可能有成百上千的特征點，目前這些點只有位置信息，所以無法將兩張圖片的特征點對應起來。

為了將兩張相鄰圖片中的特征點進行匹配，必須提取其對應的描述符。所謂描述符即以特征點為中心取一個區域，利用區域的信息包括直方圖等對其進行描述，所產生的高維向量即描述符。目前已經存在的比較受歡迎的描述符有SIFT，SURF，Brief等。其中SIFT，SURT計算的描述符都是浮點類型的數據，這樣的描述符雖然精度高，但是浮點型數據會占用比較大的內存空間，其次浮點型數據在匹配階段需要計算歐式距離，這一步計算量很大，對于SLAM這樣實時性比較強的系統很難接受。BRIEF產生的二值的描述符，這種描述符每一位只有0和1兩種狀態，所以很節約內存空間。在匹配階段計算只需要計算其海明距離，在目前的計算機結構中通過異或操作可以很快得到。

在得到特征點對應的描述符之后需要對這些特征點進行匹配，即知道不同圖片中的哪一對點對應于真實空間的同一個點，匹配的結果直接影響到后續對兩幀圖片相對位置關系的計算，如果匹配結果中有大量的錯誤，那么后續計算到的匹配結果將完全錯誤。由于匹配過程的計算量大，可以使用八叉樹等算法進行加速。

在得到匹配關系之后，可以根據匹配關系進行位姿的計算，一般情況下計算位姿只需要八對點，但是如果這八對點中存在匹配錯誤的點將會使得計算結果出現很大的偏差，所以一般情況下都會使用全部的點進行計算，由于匹配結果中難免會有很多錯誤的地方，所以一般使用隨機抽樣一致性算法（Random Sample Consensus，RANSAC）計算。

由于匹配結果的誤差以及計算的誤差最終得到的相鄰幀之間的位姿會有一定誤差，所以在得到整張地圖之后需要進行一次整體的優化減小這種誤差，這也就是圖1中的后端優化處理。

2.2 數學基礎

公式（1）所示為針孔相機模型，假設空間中的點（X，Y，Z）經過內參為K的相機之后，投影到相機的像素坐標系（u，v）點，其中fx，fy為相機的焦距，cx，xy為相機光心投影到相紙坐標系上的點與像素坐標系中左上角的點之間的位移。可以看到在相機生產完成之后，相機的內參就已經固定，但是在實際使用的過程中也需要進行重新標定。

（1）

（2）

公式2所示為相機的旋轉矩陣計算，假設有坐標系（e1e2e3）中有點（a1，a2，a3）。坐標系經過旋轉之后變為（e1′e2′e3′），此時原來的（a1，a2，a3）變為（a1′a2′a3′），等式兩端同時與（e1Te2Te3T）T相乘可以得到a點與a’之間的關系，這個矩陣即為旋轉矩陣。而不同坐標系之間的平移關系則可以由向量的加法實現。

3 基于VR的室外教學系統

本文中將提出使用VR技術構建一套可以用于在霧霾，雨雪等不適合戶外活動的天氣情況下進行室內體育教學的系統，這套系統可以讓學生在室內獲得體育教學的樂趣同時這套系統不需要占用太大的面積，可以同時滿足很多人在室內進行體驗，其原理如圖2所示。

圖2 基于VR的教學系統示意圖

以乒乓球教學為例，首先需要構建一個乒乓球活動的三維結構，包括虛擬人物，虛擬場景以及虛擬乒乓球。在構建好這樣的三維模型之后，需要實時地對乒乓球的運動軌跡進行跟蹤。用于在使用的時候需要同時佩戴有視覺傳感器的乒乓球拍以及眼鏡。當用戶的頭有運動的時候，視覺傳感器捕捉到的圖像會發生一定的變化，而具體的變化軌跡以及位置可以通過SLAM進行計算，在得到頭部運動的數據之后，可以將頭部運動數據輸入到計算機中，這是計算機可以在眼鏡中播放提前構建好的三維模型場景，這一步是為了讓人獲得身臨其境的感覺，讓頭部運動和虛擬場景相結合。

同時學生還需要手握一個帶有視覺傳感器的乒乓球拍，但用戶進行揮拍的運動時，可以通過球拍上的傳感器使用SLAM算法進行球拍運動軌跡的跟蹤，在得到球拍運動軌跡之后，將其輸入到計算機，計算機將這個數據用于計算模擬場景中乒乓球的運動軌跡，同時場景中的虛擬人物需要作出相應的反應進行回擊，乒乓球此時再飛向用戶進行下一回合。

可以看到這套系統完全不受天氣等室外環境的影響，在室內即可輕松進行體育教學，而且不需要占用太大的面積，相對于真實的運動場景，在室內面積不變的情況下可以容納更多人進行學習。此外還可以進行難度的設置以及專項練習等，這些只需要對虛擬的模型進行相應的修改即可。

4 展望與總結

本文對SLAM技術進行了介紹和分析，并且設計了一套可以在室內進行體育教學的虛擬現實設備，這套設備可以不受環境的影響進行活動且面積很小。但是目前設計的這套設備還存在使用視覺傳感器進行位置的跟蹤，這會導致計算量大且不夠準確的問題，而使用慣性邏輯單元可以獲得更快的速度和更高的精度。此外，目前深度學習已經能夠對人的動作姿態做比較好的識別，如果能把這些技術融入這套系統中可以獲得更好的用戶體驗，這也將是未來的工作方向。

參考文獻

[1]孫鳳池，黃亞樓，康葉偉.基于視覺的移動機器人同時定位與建圖研究進展[J].控制理論與應用，2010，27（4）：488-494.

[2]基于改進粒子濾波器的移動機器人同時定位與建圖方法[J].模式識別與人工智能，2008，21（6）：843-848.

[3]袁成，蔡自興，陳自帆.粒子群優化的同時定位與建圖方法[J].計算機工程，2009，35（11）：175-177.

[4]朱凱，劉華峰，夏青元.基于單目視覺的同時定位與建圖算法研究綜述[J].計算機應用研究，2018，35（1）.

[5]蔡炯.機器人自適應主動同時定位與建圖新方法[J].計算機測量與控制，2015，23（5）：1639-1642.

[6]趙亮，陳敏，李洪臣.基于視覺同時定位與地圖構建數據關聯優化算法[J].計算機應用，2014，34（2）：576-579.

[7]熊軍林，王嬋.基于RGB-D圖像的具有濾波處理和位姿優化的同時定位與建圖[J].中國科學技術大學學報，2017，47（8）：665-673.

[8]姚二亮，張合新，張國良，等.基于Vision-IMU的機器人同時定位與地圖創建算法[J].儀器儀表學報，2018，（4）.

[9]莊嚴，王偉，王珂，等.移動機器人基于激光測距和單目視覺的室內同時定位和地圖構建[J].自動化學報，2005，31（6）：925-933.

[10]林輝燦，呂強，王國勝，等.基于VSLAM的自主移動機器人三維同時定位與地圖構建[J].計算機應用，2017，37（10）：2884-2887.

[11]柯文德，蔡則蘇，李家蘭.機器人同時定位與地圖構建技術研究[J].計算機應用研究，2010，27（4）：1216-1219.

[12]楊玲香，王田田，何旭.基于隨機抽樣一致性算法（RANSAC）的農作物行提取[J].江蘇農業科學，2017，45（2）：195-197.

[13]周波，楊劍，王東平.基于隨機采樣一致性算法的平面匹配方法[J].計算機應用，2011，31（4）：1053-1056.