VR游戏相关的技术主要有三块，分别是空间定位、动作扑捉和游戏展示。几乎每个人都玩过游戏，可能是休闲游戏、重度游戏，以及一些VR游戏。那么VR游戏有什么特点？

• 传统游戏更多的输入输出设备是鼠标、键盘、显示器。
• VR游戏首先输出设备就是头盔。玩普通游戏的时候，人盯着显示器看，代入感比较差，正如看电视剧，电视剧里面的剧情跟现实格格不入，而戴上这个头盔会有沉浸感，好比模拟视网膜的原理，人之所以看到东西是因为通过反射能投到视网膜上，头盔上有两个镜片可以模拟人的视网膜，真实感比较强，沉浸感在体验过程中也可以感受到。
• 输入设备，平常玩游戏都是鼠标、键盘。打游戏有很重要的参数叫 APM ，玩竞技类游戏， APM 不超过 200 属于菜鸟级，但是在 VR 游戏里面，输入设备不再是鼠标和键盘，你能看到许多人在玩游戏的时候，可能做一些比较夸张的动作，甚至于做一些让人不可思议的东西，有点群魔乱舞的感觉，这样的输入设备是手柄，未来随着技术的发展，输入设备可能会有更大的改变。

空间定位

空间定位技术目前国内有很多公司做，之前接触到一家名为上海青瞳的公司，他们做空间定位技术还不错。所谓无线电波空间定位技术，网上的分类主要为 GPS 和外激光，这些技术实现原理都是差不多，只是实现方式或者系统布置的时候会不一样，或载体不一样，例如用 GPS 的电磁波和红外、激光不一样，所以此处将空间定位技术分成两块，第一个是可见光，也是电磁波的一种，但是实现方式跟上面两个是完全不同的两套架构；第二个就是无线电波。

可见光空间定位技术

可见光空间定位技术的简单实现方式有：

• 安装好高速摄像头，对着场景快速拍照。
• 定位物体必须要有marker。
• 通过图像处理技术，轻易得到marker在图像中的位置。
• 根据安装摄像头的位置和方向信息，根据透视投影原理，marker能得到一条空间射线。
• 如果同时有两个（或者多个）摄像头同时照到这个marker，那么可以同时得到两条空间射线，两条空间射线的交点那就是marker在空间中的位置。

依照简单的实现方式步骤，将代码写好，随便布置一下会有初步的DEMO，但是这不意味着简单做一下就能做到很好的效果，这是不可能的。

可见光的空间定位技术通俗原理就是在上面布一个摄像头，下面有一个人在里面走，现在如何知道这个人在走？很简单的道理，如下图所示，有几个球，在专业里面叫 marker ，即标记点，目前这项技术没有得到大规模的推广应用。假设一个人头上带着发光的球，上面有一个摄像头在走，在不断的照着，运动时候拍一张照片，能拍到这个球，用图象处理接口可以比较轻易获得球的轮廓，根据颜色的色差。你用一个摄像头拍的时候，拍到了这个东西，能算出来这个球在图片中的像素位置，得到像素位置之后可以做一个很简单的透视投影（3D渲染中的一个投影方式，你看着一个位置，当位置投影在视网膜上）反转。反转就是得到图片上的任何一个像素，根据摄像机的位置、宽高比，很容易算出空间的射线，就可以知道在哪个点做透视投影可以投到什么位置，所以可以得到一个空间的射线。

如果同时有两个（或者多个）摄像头同时照到这个标记点，那么可以同时得到两条空间射线，两条空间射线的交点那就是标记点在空间中的位置。但为什么现在没有得到大规模的应用呢？笔者的理解是：这种方式首先看起来较傻，而且这样的实现方式有些不足，marker容易被遮挡。若多人同时在一个地方跑，蹲下来，甚至于趴下，这样的需求看起来比较少，但是在 VR 游戏里面这种需求比较多，假定以后玩一个 VR 游戏，随时需要蹲下来，甚至于趴在地上，甚至于手舞足蹈跟人家打一些格斗游戏，最终我们所设想的 VR 游戏，在场景中真实的走动及动作能反映到游戏里面，所以才有动作扑捉。因此具有较好的沉浸感，但是假设你蹲在墙角，或者蹲在一个偏远的地方，或者旁边有人，都是可能有遮挡的，此时遮挡会成为该技术比较致命的伤，没有拍到的话，这个技术就会出现问题，这是不可避免的。

可见光空间定位的优势就是技术成熟，这个技术发展了 20 年， 90 年代就有，以前做一些电影的特效，或者是动作扑捉，基本都是用的类似技术。

同时缺陷非常明显：

• 过度依赖于环境，一旦环境光源发生变化，可能出现错误；
• marker容易被遮挡，所以需要多摄像头，尽量无死角；
• 价格高昂。一个高速摄像头普遍在人民币2w左右。 
  用普通的摄像头其实也能做，但是会有问题，首先是角度，普通摄像头开的角度比较小，照的范围很小。另外是延迟，做 VR ，延迟非常关键，假定每秒钟 60 帧，每秒钟能拍 60 张图片，按 1000 毫秒算，就是十几毫秒读一张图片，得到一张图片需要处理，需要计算标记点，计算之后还要跟整个环境中的其他摄像头做统计、做别的处理，一整套下来至少需要 20 ，甚至于 30 毫秒以上的延迟。如果按照 20、30 毫秒的延迟，目前在 VR 游戏里面是很难达到的，而且还要考虑其他的处理效率，和其他可能出现的意外。目前我们希望的摄像头至少要达到 240 帧以上，效果才是比较理想的， 120 帧不够。基于这几个因素来考虑，这样的技术我认为短期内没有太大的可行性，没有太大的推广价值，目前国内也有一些在做，但是无论是设备的价格，还是可操作性，还有别的东西，并没有达到太好的效果，所以我们目前并没有很倾向于这个技术。

无线电波空间技术

我们常见的GPS空间定位技术，此外还有红外空间定位技术、激光空间定位技术。无线电波空间技术简单的实现方式：

• 空间中放置N个无线电波接收器，固定好位置。
• 一个无线电发射器发射无线电波出去，加上时间戳或者是通过其他一些办法能计算到时间戳。
• 每一个接收器接收到电波的时间是不一样的，根据时间差，能计算到发射器到接收器的距离。
• 根据到不同发射器的距离，甚至不需要角度，N个球的交点，就是发射器的坐标。

我们做空间定位大多数是使用电磁波，按照目前的物理学理论，光速是宇宙的第一速度，目前来说，电磁波是宇宙中我们所知的最快速度，所以我们用它，因为我们需要很低的延迟，做一个空间定位是做实时定位，如果延迟没有达到 20 毫秒，甚至更低，这个技术是不能做 VR 应用的，可以做 GPS 定位。我们所说的 VR 行业要求，这块是非常高的，所谓 HTC 定义的标准，渲染的时候要达到 90 帧，这意味着现在所有的游戏，魔兽、LOL等，一般最高定义是 60 帧。所以说 VR 游戏的要求相对来说是比其他要高的，目前的 VR 游戏都是非常烧显卡的游戏， HTC 最低的显卡配置是 GTX970 ，其他的游戏再大型其实要求都没有这么高，所以帧率要求，刷新率、频率要求太高的话，必须要用很好的技术或者最快的速度。

目前定位技术很多，但是我们所知道的比较主流的，红外也好、激光也好，还有其他的， HTC 这一套也是基于激光的技术，国外还有一些用红外，主要是红外和激光为主，我们所谓的 GPS 定位，首先会发很多的同步卫星，同步卫星在上面会不断广播一些消息，广播消息会加上时间轴，精确到毫秒下来，用户的手机收到这个时间，就知道用户收到了一个多久之前发来的信号，根据时间、光速，可以算出来发射信号的卫星距离用户多远，卫星都是有编号的，收到的时候用户知道是哪个卫星发过来的，卫星在轨道上运行的位置是已知的，用户已经知道它的位置、跟用户的距离，可以很轻松的理解为就是一个围绕着它的球，用户就在这个球面上。

假定同时你收到两个卫星发来的信号，同样知道跟它们的距离，等于你基本上是两个球的相交，这个还是比较好理解的。假定是三个卫星，基本上能确定你的位置，所有空间定位实现原理都差不多，区别在于整个场地的布置方式，还有要考虑的设备成本和设备的方向。

什么叫做设备的方向？假定这里有一个镜头，有一个激光发射器，它是垂直于地面，往前发激光，如果像一盏灯一样往周围发，这个不讲方向，只知道距离，但是如果平面是固定的，这样是知道方向的。通过增加方向这个信息，会导致整个程序的计算复杂度提高，但是可以更有效。这是把 GPS 定位的原理进行理解，比如 HTC 那套，一般你能看到两个设备，两个黑黑的东西挂在那里，其实这两个东西是不断发射一些激光上去的，你头上的头盔、手上的手柄有很多个光的传感器，说白了就是个接受器，它不断接受那两个发射器发射出来的激光，其实实现原理是差不多的，差别只在于处理的方式。

原理大家看起来都是比较简单的，或者看起来实现方式都是差不多的，为什么市面上没有特别成熟的产品呢？或者说目前市面上没有像GPS那么流行，随便手机上装一个东西就可以很好的定位呢？ VR 游戏最重要的是三点：头显、空间定位、动作扑捉。打格斗游戏就是用拳头、脚，不会用鼠标、键盘，打 FPS 可能就是拿把枪，目前行业认为就是这么干的，所以空间定位技术特别重要，但是市面上目前没有特别好的解决方案，让大家可以很容易的体验到游戏。

主要原因：

（1）成本。若一个产品不能进入民用级别，或者客户量没有达到一定的基数，这个行业的发展是会受到非常大制约的。。

（2）有一些技术制约。目前所谓的 GPS 定位是有误差的，一般误差范围是 10 米， 10 米对于 VR 设备来说是完全不能接受的。为什么会有误差？因为它用了电磁波的定位，利用了电磁波的原理，电磁波的速度非常快，非常快就有好有坏，最明显的一点，它的速度并不是稳定恒定不变的，我们所说的电磁波首先在真空中的速度可以理解为不变，但是穿透地球上的大气层或者穿透一些电解质，速度都会发生一定的偏差，这个偏差对人的视觉来说其实是无关紧要的，但是在 VR 计算上就是不可接受的硬伤，所以这个东西目前并没有特别好的解决方案。

（3）精度问题。从数学上或者从工程学上来说，世界上其实没有 100% 的东西，其实都有一个误差，在一个允许的误差范围之内，由于光速速度太快，所谓的时间计算要求就非常高。

光速的速度太快，比如一个卫星开始发电磁波信号过来，计算到现在的时间，现在的时间精确到毫秒甚至微秒，设备接收的时候也得到一个时间，这个时间可能得到毫秒甚至微秒，但是要知道光速 30 万公里/秒，就算是精确到微秒也是不够的，原子钟的技术说白了就是能让时间越精确，能得到的数据就越高。这两个也是制约技术发展的最重要的原因。不提 GPS ，就提现实中用到的 VR 技术空间定位，假如我们用红外或者激光做空间定位， HTC 那一套首先范围有限制，我们常见的 HTC 一套设备两个发射器，一般范围是 4×5 ，做一套室外是不够的，室内大家看起来觉得效果很好，很震撼，很火爆，这个东西如果只能用于室内，不能用于室外，对于技术的发展是制约很大的，我们看到国外用的室外定位的视频，看起来效果很好，不管是用什么技术、算法来做各种各样的优化，我说的这两个原理，从根本上没有技术进步是不可能解决的，算法只能做优化处理，有时候很有用，但是并不是能从根本上解决这个问题，说白了这个问题是存在的，只是通过算法掩盖住了，仅此而已。

目前无线电波空间定位，红外、激光或者其他的一些东西，在全世界来说没有一套特别好的解决方案，能解决室内、室外定位同时价格还合适，所以笔者认为这个在未来的两三年之内会是一个比较大的方向，会有很多的公司不断的做这一块。

若以上问题尚未解决，VR 游戏的体验会受到影响。

动作捕捉技术

早期的动作捕捉是上世纪七八十年代中的电影，其中难以接受的奇葩造型让人觉得诡异。图片中的点都是标记，做一些比较细致的动作捕捉的时候，甚至需要做到手指关节的时候，会看到手指上都是白白的珠在绑着，整个人看起来很怪异，例如飞车飞跃，很多手指上绑着珠子，手腕上绑着珠子，该技术用到两块技术：光学动作捕捉技术和惯性动作捕捉技术。

光学动作捕捉技术

光学动作捕捉技术跟光学空间定位原理大同小异:

• 在身上合适的关节点做上maker;
• 多摄像头通过图像处理技术时刻得到任意marker的空间坐标;
• 空间坐标串连起来得到完整骨骼的运动轨迹。

如要捕捉手指的动作，要在手指上做标记，只需要在需要捕捉的地方做标记，标记的时候周边都布满各种各样的高速摄像头。高速摄像头通过图像处理技术快速得到任意时间的空间坐标，比如手指上有一个标记，手指在不断的运动，做一套标准动作的时候，手指上一秒钟弄 240 帧的摄像头，一秒钟处理好多的图片，就会得到它时刻的空间位置，即一个轨迹，将轨迹集合到之前做好的骨骼里面，做 3D 游戏的都知道骨骼动画，骨骼点足够多，每个点的坐标时刻记录下来，保存下来，得到的就是骨骼动画。

光学动作捕捉技术也发展了十几年，目前全世界来说，该技术的设备比较流行，也算是比较成熟了，但是问题也比较明显。目前虚拟现实领域这套方案是不可能选择的方案。主要原因有：

• 体积巨大，臃肿；
• 光学动作捕捉一套设备很多，使用不方便；
• 价格昂贵；
• 怕遮挡，一些动作（例如扭打）捕捉可能有问题。

惯性动作捕捉系统

惯性动作捕捉系统简单实现原理：

• 任意曲线可以细分为无限多个线段；
• 传感器获得角度，角速度，加速度；
• 根据位移公式 S = V * t + 1/2 * a *t^2。或者直接两次积分。

惯性动作捕捉设备相对来说价格便宜，国内诺亦腾的整套设备预售价1.8w人民币。它的实现原理其实蛮简单的，上个月有一家以色列的公司推其传感器，是一块非常小的芯片，大概是手指这么小，可以拿着一个芯片装 APP ，芯片绑定在凳子上，凳子移动的同时 APP 里有一把枪也移动。运动的方向和空间、位置都是可以定位得到的。我们所用的手机，只要手机不是太差，都有陀螺仪，你可以在里面旋转，它时刻知道方向， VR 全景视频或者一些游戏，把手机反过来拿，就会把视频调过来看。实现的基础原理是陀螺仪。

原理是在一个芯片上至少要植上一个加速度传感器、角速度传感器，一个传感器在运动的过程中，要时刻知道加速度，还有角速度，还有方向，只要知道这几个参数是很好理解的。首先任意曲线都可以细分为无限多个线段，这个是比较好理解的。即一个点在运动的时候，假定对它的测量间隔非常短，比如一秒钟去到 100 帧，而运动速度并没有特别快，做 100 次测量，运动的每一次位移都可以近似理解为线段。

这个是高中物理里面非常简单的公式，把这里一分两次也是得到加速度。理论上假定用户身上布的好几个传感器，空间中的绝对坐标知道，或者说以用户的身体某一个点建立一个坐标系，然后任意一个传感器相对这个点的相对坐标是知道的。已经知道的时候，运动的时候会有方向并且有速度，有加速度，根据这个加速度和方向其实能算出来任意值，比如 1 秒钟算 100 次， 1 秒钟内任意时刻的位移，是可以得到的，所以通过这种方式也能够得到所有的骨骼点的运动轨迹，知道运动轨迹之后也能得到一条骨骼动画。我们在网上可以任意搜一下诺亦腾的设备，用一个东西类似穿衣服一样，衣服上串了很多标记点，然后做一套动作，在屏幕上会有一个机器人，机器人是跟着你一起动的，你往前走他也往前走，你做什么动作他也做什么动作，体验看起来特别好，在视频上看起来基本上没有什么问题。目前在整个 VR 行业里面可以预见的未来一两年，这样一套设备应该是比较主力的东西。

扑捉仪的不足有误差累计问题，一个物体从 A 点移到 B 点，再移到 C 点，再移到 D点，一个一个点移动下去，很明显会有问题的。原因是从 A 点移到 B 点计算的时候肯定是有误差的，误差很小，可能是 0.000001 ，不可能绝对正确。所有的计算一定是存在精度问题的， A 点的坐标你可以认为是正确的， B 点的坐标已经有了一定的偏差，可能偏差很小，再到 C 点、 D 点、 E 点、 F 点，不断移动过程中，误差不断的累计，前面可能只是误差 0.0001 ，后面的 0.0002 ，因为误差是相对坐标，不是绝对坐标，惯性捕捉全部都是计算相对坐标，误差就是相对误差，相对误差不断累计的时候，最终会出现非常大的问题，也就是没法用。据说早期这样的设备，一开始的时候动作很准，慢慢的越来越不准，越来越不准，到最后变得没法用，这就是所谓的误差累计问题。行业内目前有各种各样的办法来补救，用得最多的就是通过算法上来弥补，我听说诺亦腾这块有一定的办法解决，但是我听说他们是过一段时间做一次绝对坐标的矫正，配合其他的第三方工具是有可能的。

最终怎么实现？笔者倾向于过一段时间做一次绝对坐标的矫正，因为算法不可能做到绝对正确，顶多做到 90% 的正确，已经很厉害了，要长期使用的话肯定是有问题的，所以这个不足应该是会制约技术的发展，我预计未来一两年，诺亦腾这样的设备，或者大量创业公司做的类似惯性捕捉的设备，在线下体验店会得到大量的使用。

VR游戏展示

从中可以的得出大家所看到的背景是虚的，它是一个游戏场景，但是人是在真实的环境里面玩，绿色场景图我们称之为“绿抠”。背景是纯绿搭建的环境，一个人带着 HTC 的眼镜，拿着手柄在里面玩游戏。为什么看到的是在真实的游戏场景中呢？技术实现原理是：

• 用一个摄像头对着人拍照，得到实时视频；
• 视频传到游戏端，硬解；
• 在后处理中写一个shader，把视频图片做一个mask，一个简单的色差计算即可；
• 把图片混合到游戏场景中。

目前的游戏直播在直播行业里面占比较大的比重，可能会超过 30% ，所谓的英雄联盟直播、 DOTA 直播，各种各样的游戏直播，但是有一个问题，假设在玩一个 VR 游戏，怎么直播比较合适呢？这就是很明显要处理的问题，假定做VR直播或游戏，去掉人，做一个机器人在这里合适吗？其实这些都不是什么太合适的解决方案。从一个观察者的角度，可能大多数人会觉得这样的直播对于我们或者看直播的人来说，效果未必会很好。因为这样的直播，失去了身临其境的感觉。目前在行业内，很多人都在挖空心思的在想往哪个方向来做。未来我们会考虑绿幕和上帝视角这两种方式解决VR直播存在的问题。

关于：中科研拓
深圳市中科研拓科技有限公司专注提供软件外包、app开发、智能硬件开发、O2O电商平台、手机应用程序、大数据系统、物联网项目等开发外包服务，十年研发经验，上百成功案例，中科院软件外包合作企业。通过IT技术实现创造客户和社会的价值，致力于为用户提供很好的软件解决方案。联系电话400-0316-532，邮箱sales@zhongkerd.com，网址www.zhongkerd.com