热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

iPadPro那个高大上的激光雷达LiDAR是什么?苹果真是厉害了

在前不久新推出的2020款ipadpro上,苹果又弄了个新名词:lidar,听起来音近“莱达”,这让我们母语是中文的国内消费者们,苹果称之为激光雷达扫描仪


在前不久新推出的2020款ipad pro上,苹果又弄了个新名词:lidar,听起来音近“莱达”,这让我们母语是中文的国内消费者们,苹果称之为激光雷达扫描仪,第一感觉就是个很高大上、很前沿科技的东西,似乎又是个让你买买买新ipad pro的理由或者借口哦。那么这个lidar是什么,又有什么用呢?这里就给大家简单明了讲解下。

什么是lidar?

首先lidar并非是个苹果创造出的营销名词,它全称为“light detection and ranging”,直译为“光学侦测和定距”,这是过去更多应用在测绘、林业、地理学等专业领域的一种成熟技术,比如科研机构会在飞机上搭载lidar系统来扫描地貌、丛林,用于绘制地形图,还有如今一些汽车上也会用到lidar判断道路车况,实现自动辅助驾驶等,现在只是苹果通过ipad pro把它搬到消费级市场而已。

可能这个英文会把大家看得云里雾里的,但实际上从lidar的中文名,“光学雷达”,可以更容易理解它是个什么东西,它与广泛认知的雷达(radar),不仅在名字上接近,其实在原理上也是很相似的,只是雷达用的是微波或者无线电,而lidar则采用光波来作测量介质。

而有意思的是,苹果在ipad pro的中文介绍中,把lidar描述成“激光雷达扫描仪”,要知道,一提到激光,大家可能都会担心这对人体,特别是人眼会不会有什么损害,实际上lidar一般采用波长在600-1550nm之间的近红外作为光源,这个范围对于人眼是相对安全的,而且ipad pro本身是消费电子产品,苹果理应会考虑到对人体使用安全的问题,所以大可不必过分担心。

其实如同以前iphone首次用电容屏,首次用指纹识别器,首次用face id,苹果都是把在其它行业本来很成熟的技术和硬件,重新包装和赋予新的用法,所以lidar本身不是什么非常创新的东西,甚至相比电容屏和指纹识别,它在变革程度上,给用户带来的使用体验改变可能还相对有限的。

ipad pro上lidar的原理

在lidar的最基本工作原理中,主要由发射器和接收器两部分组成,发射器会发射出激光,在触及到物体后反射回来,被接收器捕获,然后lidar会通过计算光线从射出到接收这个过程的时间,乘上发射光的速度,再除于2(射出和返回路程),从而获得lidar与物体之间的距离,这是一道非常简单的算术题,被称为tof(飞行时间)测量方式。

这个tof出现在消费电子产品上,大家可能会想起前几年一些手机上,用到的“激光对焦”,其中的原理是比较接近的,但在ipad pro上的lidar,却远不止是为了测量设备与物体的单个距离数据,而是为了获得高密度的深度(depth)信息分布,简单来讲,就是ipad pro不仅想知道它到桌子桌面的距离,还要知道四个桌角、桌脚,甚至桌子外四周围其它物体与它的距离。

这就要求lidar有更高精准度的测量方式,所以苹果用到了dtof(直接测量飞行时间),能达到ps级时间分辨率,并且在准确度、响应速度上,也要被此前一些设备采用的itof方式更快更强,有认为苹果应该是在spad(single-photon avalanche diode,单光子雪崩二极管),以及tdc(time-to-digital converter)这两个dtof的关键部件投入了很大研发改进,使得dtof能被应用到ipad pro这样的小型设备上。

再就是lidar的扫描方式上,据称苹果选择用到的是flash(快闪)方案,工作时会快速发射一大片光线,能在同一时间内获得数量较多的距离数据,这个方案由于是非机械式扫描,所以苹果号称是“纳秒速度运行”,但flash方案的扫描范围较小,据苹果介绍,ipad pro最大测量5米范围的物体距离,还算能应付目标大多数使用场景。

所以ipad pro上这个lidar的工作过程,大致就是激光雷达的发射器通过flash形式,脉冲出一大片光线投放到目标探测的环境,这些光线经过反射后回到接收器,然后利用dtof技术计算不同物体、不同部位的距离数据,再最终经过处理成一幅3d的深度信息地图。

由此也可以看出,lidar在ipad pro的整套硬件中只是个传感器部件,而实际使用时,它还需要与ipad pro上其它硬件和软件结合,比如新的后置双摄相机、以及运动传感器,并利用到a12z bionic的图像视觉运算能力,才能发挥最大的作用。

那lidar在ipad pro上有什么用?

ipad pro之所以要配备lidar,最主要的目的是为了ar(augmented realit,增强现实),因为ar需要结合周边的现实世界,在屏幕上来呈现一些虚拟的内容,所以便要求设备对物体远近的环境位置有感知能力,而能让硬件读懂这些3d空间的情况,靠的就是深度信息,也就是lidar所收集到数据。

为此苹果也是布局已久,他们早在2017年就推出arkit的开发套件,让开发者们利用设备后置摄像头来做ar应用,现在lidar的加入,可以让这些ar应用更加精准和生动,比如ios系统里面自带的测量仪app,现在可以算出具体的数值,算出人的身高,还有宜家的app,有了更详细的室内环境空间数据,更好模拟出摆放了新家具后的情况,再就是游戏里面,角色也能看起来更融入到真实世界。

另外尽管苹果没有特别介绍,但从原理来看,由于lidar可以获取深度信息,所以在手机相机标配的人像模式拍摄中,可以帮助产生景深虚化(即模拟主体外背景模糊)的效果,这在苹果以往的iphone上面,主要是通过不同焦距的镜头,以及结合ai算法来实现的。

可能大家看到这里,会感觉这个lidar对自己的日常使用体验,也没有很大用处啊,确实如果你不是有与空间测绘相关的使用需求,它绝对不会是你入手ipad pro的理由,最多也就在刚买来时,玩个一两次ar游戏,就忘掉这个功能,但你有做ar应用、家居设计、模型绘制等工作,那么ipad pro才会是你的生产力工具。

ipad pro 2020评测:装上“雷达” 就是不一样!









推荐阅读
  • 解决Cydia数据库错误:could not open file /var/lib/dpkg/status 的方法
    本文介绍了解决iOS系统中Cydia数据库错误的方法。通过使用苹果电脑上的Impactor工具和NewTerm软件,以及ifunbox工具和终端命令,可以解决该问题。具体步骤包括下载所需工具、连接手机到电脑、安装NewTerm、下载ifunbox并注册Dropbox账号、下载并解压lib.zip文件、将lib文件夹拖入Books文件夹中,并将lib文件夹拷贝到/var/目录下。以上方法适用于已经越狱且出现Cydia数据库错误的iPhone手机。 ... [详细]
  • [译]技术公司十年经验的职场生涯回顾
    本文是一位在技术公司工作十年的职场人士对自己职业生涯的总结回顾。她的职业规划与众不同,令人深思又有趣。其中涉及到的内容有机器学习、创新创业以及引用了女性主义者在TED演讲中的部分讲义。文章表达了对职业生涯的愿望和希望,认为人类有能力不断改善自己。 ... [详细]
  • GPT-3发布,动动手指就能自动生成代码的神器来了!
    近日,OpenAI发布了最新的NLP模型GPT-3,该模型在GitHub趋势榜上名列前茅。GPT-3使用的数据集容量达到45TB,参数个数高达1750亿,训练好的模型需要700G的硬盘空间来存储。一位开发者根据GPT-3模型上线了一个名为debuid的网站,用户只需用英语描述需求,前端代码就能自动生成。这个神奇的功能让许多程序员感到惊讶。去年,OpenAI在与世界冠军OG战队的表演赛中展示了他们的强化学习模型,在限定条件下以2:0完胜人类冠军。 ... [详细]
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 在Android开发中,使用Picasso库可以实现对网络图片的等比例缩放。本文介绍了使用Picasso库进行图片缩放的方法,并提供了具体的代码实现。通过获取图片的宽高,计算目标宽度和高度,并创建新图实现等比例缩放。 ... [详细]
  • 云原生边缘计算之KubeEdge简介及功能特点
    本文介绍了云原生边缘计算中的KubeEdge系统,该系统是一个开源系统,用于将容器化应用程序编排功能扩展到Edge的主机。它基于Kubernetes构建,并为网络应用程序提供基础架构支持。同时,KubeEdge具有离线模式、基于Kubernetes的节点、群集、应用程序和设备管理、资源优化等特点。此外,KubeEdge还支持跨平台工作,在私有、公共和混合云中都可以运行。同时,KubeEdge还提供数据管理和数据分析管道引擎的支持。最后,本文还介绍了KubeEdge系统生成证书的方法。 ... [详细]
  • Android中高级面试必知必会,积累总结
    本文介绍了Android中高级面试的必知必会内容,并总结了相关经验。文章指出,如今的Android市场对开发人员的要求更高,需要更专业的人才。同时,文章还给出了针对Android岗位的职责和要求,并提供了简历突出的建议。 ... [详细]
  • “你永远都不知道明天和‘公司的意外’哪个先来。”疫情期间,这是我们最战战兢兢的心情。但是显然,有些人体会不了。这份行业数据,让笔者“柠檬” ... [详细]
  • sklearn数据集库中的常用数据集类型介绍
    本文介绍了sklearn数据集库中常用的数据集类型,包括玩具数据集和样本生成器。其中详细介绍了波士顿房价数据集,包含了波士顿506处房屋的13种不同特征以及房屋价格,适用于回归任务。 ... [详细]
  • 《数据结构》学习笔记3——串匹配算法性能评估
    本文主要讨论串匹配算法的性能评估,包括模式匹配、字符种类数量、算法复杂度等内容。通过借助C++中的头文件和库,可以实现对串的匹配操作。其中蛮力算法的复杂度为O(m*n),通过随机取出长度为m的子串作为模式P,在文本T中进行匹配,统计平均复杂度。对于成功和失败的匹配分别进行测试,分析其平均复杂度。详情请参考相关学习资源。 ... [详细]
  • 自动轮播,反转播放的ViewPagerAdapter的使用方法和效果展示
    本文介绍了如何使用自动轮播、反转播放的ViewPagerAdapter,并展示了其效果。该ViewPagerAdapter支持无限循环、触摸暂停、切换缩放等功能。同时提供了使用GIF.gif的示例和github地址。通过LoopFragmentPagerAdapter类的getActualCount、getActualItem和getActualPagerTitle方法可以实现自定义的循环效果和标题展示。 ... [详细]
  • CF:3D City Model(小思维)问题解析和代码实现
    本文通过解析CF:3D City Model问题,介绍了问题的背景和要求,并给出了相应的代码实现。该问题涉及到在一个矩形的网格上建造城市的情景,每个网格单元可以作为建筑的基础,建筑由多个立方体叠加而成。文章详细讲解了问题的解决思路,并给出了相应的代码实现供读者参考。 ... [详细]
  • 本文介绍了腾讯最近开源的BERT推理模型TurboTransformers,该模型在推理速度上比PyTorch快1~4倍。TurboTransformers采用了分层设计的思想,通过简化问题和加速开发,实现了快速推理能力。同时,文章还探讨了PyTorch在中间层延迟和深度神经网络中存在的问题,并提出了合并计算的解决方案。 ... [详细]
  • Learning to Paint with Model-based Deep Reinforcement Learning
    本文介绍了一种基于模型的深度强化学习方法,通过结合神经渲染器,教机器像人类画家一样进行绘画。该方法能够生成笔画的坐标点、半径、透明度、颜色值等,以生成类似于给定目标图像的绘画。文章还讨论了该方法面临的挑战,包括绘制纹理丰富的图像等。通过对比实验的结果,作者证明了基于模型的深度强化学习方法相对于基于模型的DDPG和模型无关的DDPG方法的优势。该研究对于深度强化学习在绘画领域的应用具有重要意义。 ... [详细]
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
author-avatar
cocoa果果_263
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有