深度估计

深度估计这件事，是要弄清楚一个画面里每一个点离摄像头有多远——把一张本身完全没有距离感的平面图像，变成对“远近”的认识。它的输出通常是一张深度图：图里每个像素存的不是颜色，而是一段距离，用亮度来表示每个点有多近（或者按约定表示有多远）。一个知道深度的机器人，就能判断门口在前方两米、椅子在它左侧半米处——而这正是它移动和伸手却不撞到东西所必需的。

获取深度没有唯一的办法，而是有一整套各有取舍的方法。立体摄像头从并排两个视角之间的视差里推出深度。结构光会把一组已知的点阵或条纹图案投到场景上，再读取这图案在物体表面上是怎样错位和弯曲变形的，据此算出距离——许多室内深度摄像头就是这么工作的。飞行时间传感器和激光雷达则发射光线，测量它弹回来要花多长时间。还有基于学习的方法：用一个研习过数百万张图像的神经网络，单凭一张普通照片就去猜测深度，靠的是人也会用的那些线索，比如东西离得越远看起来越小、纹理在远处会变得越细。

每一种方法都有它的甜蜜点和短板。立体视觉和单图学习在空白、没有纹理的表面上都很吃力；结构光和飞行时间在强烈阳光下可能被冲刷得失效；激光雷达精确、测程远，却价格昂贵，而且给出的是稀疏的点而不是一张稠密的图。因此，真实的机器人常常把好几种来源结合起来——把它们融合在一起，让一种方法的长处去补上另一种方法的盲区——以构建出一幅可靠到足以据此行动的深度图景。