AR生态系统专题研究报告（18页）

行业报告下载 2017年10月24日 21:10 管理员

AI 芯片提升AR 计算能力。AR 的实现涉及一系列的计算：探测真实物体——计算物体的空间位置和方向——计算虚拟物体叠加的位置——渲染虚拟物体等，为避免眩晕和实现实时显示，整个过程要求在极短的时间内完成（不超过20 ms，而鼠标移动到屏幕光标更新一般是50 ms 左右）。芯片需要满足的功能排序是：CV/AI 算法 > 显示 > 通讯（CV 即Computer Vision，AI 即ArtificialIntelligence），且实现CV/AI 算法的过程要求时间短、功耗低，具有AI 功能的芯片能够高效实现AR 计算。传统CPU 芯片通用性强，无法放入大量的计算核心以实现大规模的并行计算，因此CPU 的性能不足以支持AR 操作的流畅执行；GPU 芯片在AI 领域的处理能力远大于CPU，如在“谷歌大脑”中，12 个GPU 相当于2000 个CPU 的性能，但GPU 功耗太大且基于batch 算法模式导致延时过大，不适用于AR 应用。 AR生态系统专题研究报告（18页）

ARKit、ARCore促进AR生态系统成熟。“硬件等内容，内容看硬件”是AR不能快速普及的痛点。以Google Tango为例，三年时间里仅被应用于联想Phab 2 Pro和华硕Zenfone AR两款手机中，且两款机型销量均不理想，支持Tango的应用下载也仅突破了1000次。不能广泛应用的原因归根到底有两点：一是Tango要求专用的红外深度感应摄像头，成本高，一般手机难以承受；二是AR应用不够丰富。ARKit和ARCore 一举解决了这两个痛点：不需要额外搭载任何硬件便可实现效果优秀的AR 应用；开发AR app 变得容易，开发的门槛被大大降低。ARKit 和ARCore 通过设备自带的单目RGB 摄像头和IMU（惯性测量单元）传感器，在不增加任何硬件设备的基础上实现了AR 的应用。其中，单目摄像头采集外部信息，通过对外部图像中特征点的识别和跟踪，重建3D 模型，IMU 中陀螺仪和加速度计负责跟踪尺度信息。

文件下载

资源名称：AR生态系统专题研究报告（18页）

下载地址

标签： TMT行业报告