手势交互是非常适合VR/AR的输入。很多人会问：既然手势这么好，那为什么手势还没有普及呢？为什么还没有在VR/AR上面获得很普遍的使用？那我们接下来就来探讨这个问题。

　　现在手势输入，主要是走两个方面的技术：一个是手套的穿戴，一般来说，手套上会有很多电子设备，很多电路，可能还有些电池，然后使用者戴上这些手套，去做手势交互；另外一个手势输入方法，是我们凌感科技在研发的技术——电脑视觉。是在VR头盔上面放了两个摄像头，摄像头通过inside-out的方式捕捉画面，就很像你的眼睛在往外看。如果你的手伸出来，摄像头看到了你的手，捕捉这些画面，然后把画面传回电脑上的软件来做计算，看这个画面里面有没有手，如果有手的话，这个手势是在做什么样的动作。

　　下图中，大家可以看到，凌感的技术是有两个红外摄像头，捕捉到你手的画面，这画面是黑白的。捕捉完画面后，我们的软件就会去计算，你是有一只手还是两只手在画面里面，然后我们会做3D骨骼建造。所以我们会说，我们的技术是识别手部22个关节点，26个自由度，并且可以在移动平台上快速计算 。

　　刚才说到手势输入目前是两个方法，一个是使用手套，另外一个是偏向电脑视觉。现在说一下这两个技术方面目前遇到了一些什么样的问题，导致没有办法快速地取代目前的手柄方案。

手套方案实现的困难

　　我们先来看一下手套，因为它本身会有很多电路嵌入在里面，所以成本是偏高的。如果使用者在每次使用VR/AR的时候，都要把手套戴上的话，那也比较麻烦。因为有电路，所以需要有供电的方法。我目前可以想到的供电的方法主要有两个：第一个是装电池在上面，如果你装电池在上面的话，可能电力不持久，而且电池本身有重量，这个体验也不是最理想的。那如果不直接用电池，就是要接线路到VR头盔整个设备，用设备去供电给手套，这个体验也不会非常好，因为手套会有一条线接出来，从手到头盔上有一条线，这样会影响运动。

　　再说每个人的手的大小不一样，如果做商品的话，手套要做大中小号，手套可能用脏了还要洗，手套可能不是太利于普及跟大众化的一个手势输入方法。

电脑视觉实现手势交互的方式

　　那讲完了手套我们来看一下电脑视觉的硬件是怎么样的配置。我刚刚有提到，电脑视觉主要是靠摄像头来捕捉画面，然后用电脑软件再去算手在做什么姿势。说到电脑摄像头，目前分成两种，一种是TOF（time of flight） 跟 structured light，这是比较高端的摄像头，比较贵。它们的原理是：发射很多道光束出去，看光束是怎么弹回来的，由此可以做周围环境的3D建模。如果光发出去了，遇到手弹回来，它也可以识别空间里面有手在哪个方位，这个是比较昂贵的硬件方案。

　　像TOF 跟 structured light，我认为硬件其实不是太成熟，因为光要打得很密集，然后弹回来，才有一个比较准确高精度的3D建模的画面。但如果你光打得很密集的话，你的FOV可能也会受限，因为在VR最理想的状态，你可能需要有110度的FOV，但是目前这种硬件只可以做到70到90度，它的FOV是偏小的，这个主要是受限于硬件技术的方面。

　　电脑视觉除了这种高端的摄像头，我们凌感是走另一个方向。我们是用成本比较低的红外摄像头，这种低像素的摄像头，需要传输的资料量也少很多，但每秒可以到捕捉很高的帧率，像60帧或者是90帧，再由USB2.0、3.0传去电脑端或者是移动端的CPU上面去做计算，这点对于移动端VR来说还蛮重要的。

　　目前来看，如果是电脑视觉的话，像TOF 、structured light他们主要是受限于硬件，我们凌感目前认为传统摄像头的硬件比较成熟了。传统摄像头捕捉到画面之后，我们用软件去计算手在哪里，手在做什么样的动作，这个困难点在哪呢？困难点就是我们这个技术主要依赖软件技术，它对硬件的要求是非常低的。这个技术其实在开发方面有非常大的困难度。如果有人给你一张图片，跟你说手是什么姿势，你可能讲得出来，但你让电脑去看，这个照片里面手在做什么姿势，其实是非常难的。