深度与三维：机器人怎么知道"多远"

前情提要：前面第 6 篇《图像如何变成数字：像素与卷积的直觉》里，我们把平面图像讲清楚了——一张照片本质上就是一个像素矩阵，颜色被拆成数字交给机器。可真实世界是立体的，机器人只凭那张平面图，并不知道桌上的杯子离它多远。今天我们就补上这一课：机器怎么把"二维照片"变回"三维距离"。

一、照片是平的，世界是深的

你拍一张照片，得到的是一张长方形的图：横着多少像素、竖着多少像素，每个格子里一个颜色。这已经是我们上次聊透的内容。但请你想一件事——照片里远处的山和近处的水杯，在图上只是上下左右的位置不同，你却永远无法从这张图里直接读出"水杯离我三十厘米、山离我五公里"。

这就是所谓的"深度丢失"。相机把三维世界投影到了二维平面，就像把一块立体的蛋糕拍扁成一张圆饼。拍扁的过程中，"离我多远"这个信息被压没了。可机器人要干活，光知道东西长什么样、在画面哪个位置远远不够。它得知道距离，才知道手要伸多长、力气要使多大、会不会撞上去。

所以问题来了：我们能不能从一张（或几张）平面图像里，把丢失的深度找回来？答案是能，而且机器人现在主要靠两类"眼睛"来干这件事——一类叫深度相机，另一类借用我们人类最熟悉的原理：两只眼睛看东西。

二、双目：用"两只眼睛的视差"量距离

你先做个小实验。把手指举到鼻子前，分别只用左眼、只用右眼看它，你会发现手指相对后面的背景左右挪了一点位置。两只眼睛看到的图像并不完全一致，这种不一致就叫"视差"。手指离你越近，左右眼看到的偏移越大；离得越远，偏移越小，远到一定程度两只眼睛几乎看到一样的东西。

机器人装两个相机，一左一右，间距跟人眼差不多，就是这个道理。左眼拍一张图，右眼拍一张图，机器把这两张图里的同一个点对应起来，量出它在左右图里横向差了多少像素，再结合两个相机之间的距离和镜头参数，就能用简单的几何关系算出这个距离。

原理其实很直观：两个相机像两个站在不同位置的人，看同一个物体时视线会交汇于一点，这一点离相机的远近，由两条视线的夹角决定。夹角大（物体近），夹角小（物体远）。所以"视差越大、距离越近"这句话，就是双目测距的核心直觉。

当然，机器也不是天生知道左右图里哪个点对应哪个点。它得在左眼里找一个特征（比如杯子边缘的一个角），再去右图里找最像它的那个位置，这个过程叫"立体匹配"。匹配对了，距离就准；匹配错了（比如墙上是重复的花纹，左右难分），深度就会算错。这也是为什么双目在纹理少、反差弱的场景里会"发懵"。

三、深度相机：主动"打光"测距

除了靠两只眼睛比，还有一种更直接的方式——深度相机。它不只是接收环境光，而是主动发出一束光（常见的是红外结构光或飞行时间光），让光打到物体上再弹回来，通过测量光往返花了多少时间，或者图案在物体表面怎么变形，直接得到每个点到相机的距离。

你可以把它想象成机器在黑暗里不断往四周扔小石头，听回声判断墙壁离自己多远。这样它输出的不再是一张普通彩色照片，而是一张"深度图"：图上每个像素不是颜色，而是"这里离我多少厘米"。颜色图告诉我们"有什么"，深度图告诉我们"有多远"，两者叠在一起，机器才真正开始理解眼前的三维场景。

四、点云：把世界变成一堆带坐标的点

拿到深度图之后，机器通常会进一步把它转换成"点云"。什么意思呢？深度图里每个像素都知道自己离相机多远，结合相机的位置和朝向，就能算出这个点在真实空间里的三维坐标（x, y, z）。把一张图上所有像素都这样展开，就得到一大团悬浮在空中的点，每个点都有三维位置——这就是点云。

一张点云看起来像是一团由小点组成的、半透明的雕塑：桌子的轮廓、杯子的曲面、墙的平面，全是由成千上万个点拼出来的。它比深度图更"原始"也更灵活，因为现在每个点都在真实坐标系里了，机器可以旋转着看、可以量两点间距、可以识别出"这是一个能抓的把手"。很多抓取、避障、三维建模的算法，第一步就是把传感器数据变成点云。

五、SLAM：边走边画地图，同时知道自己在哪

到这里还有一个更妙的难题。机器人有了深度，能看清单个画面的三维结构，可如果它要在一个房间里走动呢？它每走一步，相机位置就变了，刚才建好的局部点云得接上新的。而且它还得回答一个看似鸡生蛋的问题：我想把新看到的东西拼进地图，得先知道我现在站在哪；可我要知道自己站在哪，又得先有地图做参照。

解决这个循环的办法叫 SLAM，意思是"同步定位与建图"。直觉上，机器人一边用传感器感知周围环境、一边在脑子里把看到的新结构拼到旧地图上，同时根据环境的特征（墙角、桌腿）反推自己移动了多少。它不需要一开始就有完整地图，而是在行走中不断修正：每看到一个熟悉的角落，就校准一次自己的位置；每走一段，就补全一段地图。慢慢地，地图越来越完整，定位也越来越准。这正是扫地机器人、自动驾驶小车能在陌生空间里不迷路、不撞墙的底子。

回过头看，从双目视差到深度图，从深度图到点云，再到 SLAM 把零散的三维片段连成一张可行走的地图——这一整条链，目的只有一个：让机器真正"知道物体离自己多远、自己又在哪"。而这恰恰是它能伸出手去抓杯子的前提。要是连杯子在三十厘米外都说不准，手伸出去要么够不着，要么一把拍飞。深度，是动作得以发生的第一块基石。

读后小测

3 句话复述

1. 照片把三维世界压成了二维，深度信息在成像时被丢掉了，但机器人干活必须知道物体离自己多远。 2. 双目相机靠左右眼的视差估距离，深度相机靠主动测光往返时间直接输出深度图，两者都能补回深度。 3. 深度图可转成带三维坐标的点云，再靠 SLAM 边走边拼地图并定位自己，这样机器才知道怎么伸手去抓东西。

1 件动手小事

拿出手机，分别闭上左眼、右眼轮流看桌上的一个杯子，体会它相对背景左右挪动了多少；再把杯子拿近一点、放远一点重复，感受"越近偏移越大"——这就是机器人双目测距用到的视差直觉。

下一篇《触觉：被忽视的第三感官》：你会看到，光靠看还不够稳，机器人怎么用"皮肤"去摸、去感知接触的力度和形状，才真正敢下手抓握。