VR应用开发遍地走的日子还有多远

从上世纪60年代美国计算机科学家Ivan Sutherland发明的第一款真正意义上的虚拟现实头盔,到Facebook以20亿美元收购“虚拟现实之眼”Oculus Rift,大批厂商与开发者开始投身VR项目研发,其中最具代表性的莫过于Google、微软、三星、索尼、HTC等。而国内VR硬件厂商更是数不胜数,较知名的有暴风、乐相大朋、灵镜、蚁视、乐视等。

“达摩克利斯之剑”般的虚拟现实头盔

“达摩克利斯之剑”般的虚拟现实头盔

行业的火热引发了资本的躁动,大量风险资本以风卷残云之势入侵了VR/AR产业投资。但在硬件发展一派欣欣向荣之下,VR/AR却亟需应用与内容的夯实。据统计,目前国内生产VR设备的公司超过150家,但专业级内容提供商却只有10家左右。而经过五十多年的发展演进,时至今日,却依然没有完整的VR OS出现,硬件与内容都是各自为战。

Virtual Reality Landscape,来源:VB Profiles

Virtual Reality Landscape,来源: VB Profiles

更有CNET资深编辑Scott Stein撰文《2016 VR, meet 1993 VR》表示,上世纪90年代,电影《割草者(Lawnmower Man)》里充斥着对虚拟现实的担忧,《侏罗纪公园(Jurassic Park’s)》的科研实验室里有一个VR系统,甚至《Murder She Wrote》里都有一个虚拟现实场景。但是对比1993年与2016年,VR发展情况仍然存在很多相似。比如,放在普罗大众面前,充分体验过VR的人并不多;硬件在人脸上并不能像眼镜那样自然;虚拟现实头盔也是昂贵的,于是,就有如游戏主机等的制造商开始宣称会有一个大众所能承受的价格,然而,1993年,Sega VR从未兑现过的诺言就是很好的例子。

Popular Science杂志1993年6月刊封面与《时代》杂志2015年8月刊封面对比

Popular Science杂志1993年6月刊封面与《时代》杂志2015年8月刊封面对比

那么,在上世纪遇冷而如今风生水起,人体工学依然是致命问题的VR设备何时能如智能手机般普及?VR应用开发与内容制作遍地走的日子还有多远?

价格的昂贵与内容的匮乏造成了VR的叫好不叫座

事实上,上面的两个疑问是笔者前几天刚刚问过虚拟现实业内人士的问题。在VR大热的今天,许多公司都将VR的关注焦点投放在硬件设备上,而大多数人也都是从接触硬件开始了解这个行业,也就直接导致VR应用开发的盛行主要面临这样两个问题:设备要么昂贵要么糙,并且还不普及;又没有一个像苹果App Store那样赚钱的生态系统平台。目前在VR应用商店方面,Oculus VR Share、VRapps、WEARVR等已较为成熟,但距离App Store的量级,依然任重而道远。

Oculus VR Share

Oculus VR Share

同时,上文也提到,在VR领域,硬件和内容各自为战,VR生态尚未养成,人们在大谈特谈虚拟现实各种产业情况的时候,却对其核心技术与内容研发表示茫然,拼产品拼价格,靠几个Demo来谈用户体验。许多公司及团队便从游戏、视频、广告等入手,去做品牌内容或UGC产出等免费娱乐内容,降低业余VR创作的门槛,但从质量上远远无法与专业级内容相媲美。

Giant Cop

Giant Cop

而在此之中,游戏可以说占比最高,比如总部位于美国加州的游戏工作室Other Ocean Interactive开发了一款名为《Giant Cop(巨型警察)》的VR游戏,玩家可以操纵巨型警官的“上帝之手”抓起罪犯扔到警察局里,该款游戏将上线HTC Vive。而国内,盛大游戏除了多笔VR投资之外,也在着手推出游戏的VR版本,完美世界在尝试将游戏VR化,乐动卓越与暴风合作开发VR游戏,触控也在进行VR游戏的布局。笔者前几天刚借用朋友的暴风魔镜体验了一把游戏操控,虽然游戏类型乏善可陈,也会有晕眩等问题,但沉浸式游戏体验的确妙不可言,至少,当一波僵尸往身上爬时,那个胆战心惊和恶心劲儿直接造成了心理阴影。

Dean Hall

Dean Hall

另一方面,昂贵的硬件让许多人望而却步,欧美著名游戏开发者Dean Hall也表示,VR硬件就像昂贵的Wii主机,目前只适合探索,还不适合投入全力。Dean在Reddit上写道:“我觉得它就是一个非常昂贵的Wii,任天堂的Wii之所以成功,是因为它提供简单、有趣而且可以用比较低的成本让人们负担的起的游戏体验,我们不知道什么样的游戏可以大卖,整个市场究竟有多大,我们不知道的问题太多了。”

显而易见,价格的昂贵与内容的匮乏造成了VR的叫好不叫座。当然,撇去产品质量与使用体验,国内VR设备的价格其实相对便宜,但为什么即便如此仍然没人买账?说到底就是还没有能让用户心甘情愿地掏钱去买VR设备来享受,和智能手机等一样,VR需要一个完整的生态链。

腾讯布局VR

腾讯布局VR

在此背景之下,Oculus、HTC等一边与内容厂商进行合作,自己制作优质的内容,也都投入千万美金鼓励开发者进行VR应用及内容制作。举个例子,微软在不久前发布了HoloLens模拟器,以帮助开发者无需花费3000美元去购买硬件设备,即可直接对自己所开发的HoloLens应用进行测试。而国内如腾讯更是来了一场走心的“未来已来”的VR全球开发者招募计划,从账户系统、社交系统、分发平台、支付平台四个方面给予开发者资源支持,推动游戏、影视、社交、地图等各个方面的VR内容产出。

后继不足:业内统一标准、完整操作平台的缺失

除了以上两大问题之外,各自为营的VR平台不仅拖慢了整个行业产业链成熟的进度,更是没能诞生一个完整的操作系统。另一方面,也极度缺少一个统一的标准。不久前,Mozilla和Google Chrome联合发布WebVR API 1.0版本,包含了VR专用的渲染与现实设备处理、WebVR页面之间的遍历链接能力、桌面端和移动端兼容等,希望能够将浏览器中的虚拟现实内容开发实现标准化。

WebVR

WebVR

而当下能够满足AR/VR设备流畅运转的传感器和芯片也属于稀缺品,据NVIDIA测算,2016年全球仅有1300万台PC具备足以支持VR的图形处理能力。即使如Mac都Oculus联合创始人Palmer Luckey的“鄙视”,公开表示“苹果什么时候发布一台好电脑,我们就支持它。”PC运算能力尚且如此,移动更不用说,玩VR游戏严重的发热现象如何解决?

最后,来谈谈技术问题

在一次关于VR技术的讨论中,有人提出了这样的疑问:目前的VR技术难点、干货是否更多的是在硬件开发层面?而软件开发技术层面上并没有更多的特性技术。笔者并不认同这个观点,却因为自身能力有限也总结不出让人完全无法反驳深以为然的答案,从3D取景与建模、动作捕捉、计算机图形学、人体工程学到人机交互等,开发者们倾向于使用成熟的解决方案与游戏引擎来直接进行VR应用内容开发,但仍然存在许多问题横亘在开发者面前。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值