感知与定位：IMU + 相机 VIO/SLAM 的难点清单
AR 的“贴合感”来自定位：虚拟物体要像钉在现实世界里一样稳定。行业里常用 VIO（视觉惯性里程计）与 SLAM（同时定位与建图）作为底座，但真正的难点常常不在论文，而在边界场景。
1. 延迟预算：定位不是越准越好，而是越“及时”越好
对 AR 来说，低延迟往往比“离线最优精度”更重要。端到端延迟来自：
- 传感器采样与 ISP 处理
- VIO/SLAM 计算（前端特征、后端优化）
- 渲染与显示（合成、扫描、刷新）
工程上常见策略是：用 IMU 做高频预测，用视觉做校正；并在渲染侧做姿态预测/时间扭曲，抵消最后一段延迟。
2. 漂移与重定位：用户不关心原因，只关心“为什么飘了”
漂移不可避免，关键是“漂移到什么程度”以及“多久能拉回来”。常见工程手段：
- 重定位：在回到已知区域时快速对齐到历史地图。
- 锚点体系：把内容绑到可复现的参考（平面/图像/物体/空间锚）。
- 质量评估：实时判断当前跟踪置信度，必要时提示用户“请缓慢移动/增强纹理”。
3. 动态场景：现实世界不是静态摄影棚
真实环境里有大量动态物体（人、车、屏幕闪烁），这会对特征跟踪与建图造成干扰。实践中通常需要：
- 做动态区域剔除或降权（例如检测人体/车辆区域）。
- 在低纹理/强反光场景下有降级策略（例如短时 IMU 惯性维持）。
- 明确“最小可用场景”并在产品层做引导。
4. 标定维护：真正折磨人的不是算法，而是“每一台设备都不一样”
AR 眼镜出厂后会经历温度变化、跌落、长期使用。传感器外参/时间偏移一旦变化，就会出现难以解释的漂移和晃动。工程上要把标定当成系统能力：
- 工厂标定：建立可靠流程，并把标定结果可追溯地写入设备。
- 在线校正：在可控范围内持续估计 IMU 偏置/时间偏移。
- 异常检测：当标定失效时能被检测并提示维修/重置。
5. 地图与隐私：空间数据的边界越来越重要
SLAM 的地图本质上是环境的“数字痕迹”。无论是本地存储还是云同步，都涉及隐私与合规。建议把原则前置：
- 默认最小采集，能在端侧完成就不上传。
- 明确告知用户采集内容与用途，并提供删除/清除入口。
- 对外部共享能力做严格权限控制。
一句话总结：VIO/SLAM 的工程成功标准不是“某个指标最强”，而是“在多数真实场景里稳定、可解释、可恢复”。