3D视觉传感器产业链上游

估计的位姿序列对齐可以估计出相机轨迹的真实尺度，另一方面 IMU 可以很好地预测出图像帧的位姿以及上一时刻特征点在下帧图像的位置，提高特征跟踪算法匹配速度和应对快速旋转的算法鲁棒性，最后 IMU 中加速度计提供的重力向量可以将估计的位置转为实际导航需要的世界坐标系中。

基于 VI-SLAM 的导航定位算法一直是无人机和无人驾驶领域的研究热点，利用视觉技术构建 SLAM，通过实时跟踪、局部建图的优化线程等技术来完善 SLAM 地图的信息，保证了机器人与地图的全局一致性。

在 3D 视觉传感器的应用中，视觉传感器的技术间融合以及多技术融合也是 3D 视觉传感器发展的特点之一。3D 视觉传感器的应用场景，以在自动驾驶和机器人两个领域为主。

随着机器人的智能化水平提升，对其感知性能的要求也在快速增加，尤其体现在感知精度、感知范围，以及多维度感知（全对象检测识别、三维精准测距）等方面的需求，刺激了多种视觉传感器技术结合的发展。在机器人领域的应用中，TOF+ 多摄像头、结构光 + 定制化算法设计、双目视觉 +TOF 是三种比较常见的组合方式，将使人形机器人在“学习”、 “具身”、“理解”三大维度上得到更大程度的提升。在“学习挑战”方面，人形机器人将能够通过深度拍照 + 视觉效应 + 方向感实现增量 / 类增量学习；在“具身挑战”方面，其将能够达到理想的主动视觉实现；在“理解挑战”方面的进展则主要取决于感知 -决策系统软硬件一体化发展水平的迭代，在这一方向上的终极目标是：帮助人形机器人实现“联合理解”(Joint Reasoning)，即以紧密耦合的方式共同地对语义和几何进行推理，从而使语义和几何可以相互共同联系。

汽车自动驾驶及辅助驾驶的实现，需要感知车身周围的驾驶环境。相较于目前汽车环视系统使用的 2D 技术只能获取平面图像，3D 视觉感知可以生成车辆周围的三维点云图，精确捕捉道路、建筑物、障碍物等目标的形状和位置信息，帮助车辆进行精确定位、路径规划、障碍物避让等关键任务。市场方面，特斯拉的 FSD 方案就通过纯视觉结合算法的方式实现其全自动驾驶，如果搭载 3D 视觉方案，其精确度将会进一步提升。

产业链上游主要为提供各类 3D 视觉传感器硬件的供应商或生产商，其中上游模组组装是最有价值的环节。在上游模组领域，由于需求较为分散，因此形成了较为分散的市场格局，不同的细分领域中有不同的头部企业。3D 视觉感知行业的整体发展与上游核心元器件的升级迭代紧密相关，因此产业链上游元器件的定制化研发是未来趋势。从技术路线来看，多数 3D 视觉感知技术如 iToF、dToF 等依然处于起步发展阶段，整体行业也处于发展期。