VPS 全球视觉定位工作原理

VPS 是什么

Visual Positioning System（视觉定位系统，VPS）是 Google 构建的一套全球定位基础设施，Geospatial API 是它在移动端 ARCore 上的接口。

GPS 在室外的精度是 10~50 米——对开车导航够用，但对"让 AR 内容精确贴在某栋建筑的某个窗台"远远不够。VPS 的目标就是用摄像头画面反向确定"这是哪个位置"，精度达到亚米级。

VPS 底层：Google 街景 + 3D 点云

街景作为地图基础

Google 从 2007 年开始在全球拍摄街景，目前已经覆盖了超过 100 个国家/地区。拍摄车（以及后来的徒步者）会：

• 用鱼眼/全景相机在每个位置拍摄多张高清照片
• 用激光雷达采集该位置的深度数据
• 用 GPS 和 IMU 记录拍摄位置和相机姿态

构建全球 3D 点云

所有拍摄的街景照片经过处理后：

1. 提取特征点（FAST + BRIEF，和 ARCore SLAM 用的是同一套算法）
2. 跨照片匹配特征点，把不同视角看到的同一个物理点三角化到 3D 空间
3. 所有照片的特征点合并成一个全球 3D 点云——Trillions（万亿级）个点，覆盖几乎所有街道路面和建筑物立面
4. 每个点附带：3D 位置、描述子、可信度

深度学习筛选"稳定"特征点

不是所有特征点都值得存入全球点云——人的头发、随风摆动的树叶、临时停的车、临时广告牌这些"不稳定"的特征点对定位没用。Google 用深度学习模型从照片中筛选出那些长期存在、不会大幅变化的特征点（比如窗户、砖墙纹理、路牌、建筑边角），只把这些存入全球点云。

实时定位流程

当用户的手机调用 Geospatial API 时，VPS 的工作流程：

1. 手机发送当前摄像头画面（可能 + GPS 粗定位）给 Google 云端
2. 云端用深度学习从画面中提取特征点（和 ARCore SLAM 一样的算法）
3. GPS 粗定位告诉云端"大概在城市的某个区域"
4. 云端把手机特征点和该区域的全球点云做匹配（Bag of Words + RANSAC 等算法）
5. 匹配成功后，计算机的精确位置和朝向（PnP 算法）
6. 返回精确的经纬度（WGS84）+ 海拔 + 朝向 + 可信度

PnP 求解姿态

匹配出手机画面中的 N 个特征点和全球点云中的对应点后，用 Perspective-n-Point (PnP) 算法求解手机的 6DoF 姿态（3 位置 + 3 朝向）。PnP 是经典的相机姿态估计方法，从至少 4 对 2D-3D 匹配点就能解出。

定位精度与失败原因

典型精度

VPS 定位失败的常见原因

如何处理定位失败

val geospatialPose = arSession.session.earthCameraPose

if (geospatialPose.accuracy > 5.0) {
    // 定位精度差（> 5 米），提示用户
    showAccuracyWarning()
} else if (geospatialPose.orientationAccuracy > Math.toRadians(20.0)) {
    // 朝向精度差（> 20 度）
    showOrientationWarning()
}

if (!geospatialPose.isValid) {
    // VPS 定位失败，降级到 GPS 或普通 SLAM
    fallbackToGpsOrSlam()
}

隐私与数据上传

Geospatial API 需要把用户手机的摄像头画面发送到 Google 云端。开发者需要知道：

• 数据用途：仅用于 VPS 定位计算，用于改进系统（匿名化）
• 隐私声明：必须在应用的隐私政策中明确说明摄像头数据会上传到 Google
• 家长同意：面向儿童的应用需要额外合规处理

VPS 与 GPS / SLAM 的配合

Geospatial API 并不是为了取代 GPS 或本地 SLAM——它和它们是互补关系：

推荐策略：GPS 给"在哪座城市"，VPS 给"在哪栋楼前"，SLAM 给"在房间的哪个角"。