前不久，谷歌公布了一系列与AR导航、沉浸式立体地图相关的更新，让我们进一步了解谷歌3D地图的发展路径，包括基于海量街景数据合成3D，以及后续会在街景相机上加入LiDAR模组，来实现3D定位等等。 相比于Niantic、Snap等初创公司，谷歌LBS AR、3D地图领域更具优势，仅背靠谷歌地图、谷歌地球就拥有大量的环境和定位数据，因此扩展3D地图布局将更加顺利。 不仅如此，谷歌已经开始从多方面着手收集3D的环境数据。比如，谷歌母公司Alphabet旗下的自动驾驶汽车项目Waymo，近期就公布了图像合成模型NeRF的衍生版本：Block-NeRF，其特点是可通过自动驾驶汽车的传感器来收集街区的环境数据，并根据这些数据来合成大规模的3D场景。 关于Block-NeRF 据了解，NeRF简单来讲就是神经辐射场，原理是使用MLP神经网络隐式的学习一个静态3D场景，并通过静态图像，去渲染大规模3D场景的任意角度。 与此前谷歌的其他NeRF模型相比，Block-NeRF采用自动驾驶汽车Waymo用传感器收集的路面数据，来生成区域神经辐射场，并组合成3D场景。Block-NeRF不局限于车辆经过的路面场景，也可以3D重建完整的大规模环境。比如，Waymo利用Block-NeRF渲染了旧金山阿拉莫广场街区（约半平方公里），其中包括35个街区NeRF模型。 经过三个月时间，Waymo捕捉280万张图片。一些场景甚至需要超过13小时车程（1330次驾驶）收集的数据。Waymo表示：我们构建了迄今为止最大的神经辐射场，可渲染出旧金山的完整街区。 Block-NeRF的亮点是比NeRF方案渲染的环境规模更大，其规模可跨越城市多个街区，因此有潜力渲染城市规模的3D场景。实际上，Block-NeRF是将多个街区分解为单独的NeRF，并分别训练这些分区NeRF，然后通过进行组合而生成完整场景。

分区训练NeRF的好处是，可分解渲染时间，可快速扩展至任意大渲染规模，而且每一块NeRF都可以独立更新。 因此，利用Block-NeRF生成的3D场景可任意角度查看，而且可以调整一天任意时间的光影等元素变化。 等等，怎么听上去像这么像是一个三维建模引擎，传统的引擎是基于虚拟场景建模，而Block-NeRF则是基于真实场景来建模，同样是建模，也见证了不同公司的不同视角。 很显然，在面向LBS AR/MR的交互场景下，基于Block-NeRF的潜力无穷大。未来的AR将不局限于Local模式，基于真实世界的虚拟场景锚定将呈现完全不同的体验。 方案特点 随着技术发展，神经辐射场在给定一组相机姿态图像后，可实现照片级保真的3D重建和新视图合成。不过，早期的方案主要针对小规模场景、目标物体为中心进行重建，难以实现城市级的规模化3D重建（重建大场景时容易导致明显的伪影和低视觉保真度）。 uo.jjjssj.com 大规模3D场景重建有多种用途，可用于自动驾驶、航空测量等领域。比如地图映射，为真实场景创建高保真的3D地图，以帮助机器人定位、导航和躲避障碍。此外，大规模场景建模也可用于闭环机器人模拟。 对于自动驾驶系统来讲，可生成任意视图的3D场景可提升导航的稳定性，因为3D场景模型记录了场景中可能出现的变化（比如环境照明条件、相机曝光、天气和时间变化、汽车和行人运动），因此在实际导航时，即使路面信息变化，车辆的轨迹也不容易被改变。 不过，这种动态变化的3D场景无法依赖一次性采集的环境数据，为了体现场景中不同区域的变化，这些区域分别需要独立的数据源。因此，Waymo在NeRF基础上进行扩展，将一个场景分为多个block/区域，并通过外观嵌入和学习姿态细化，以此开发了Block-NeRF模型，来计算动态环境变化。 责任编辑：