3D/VR 选座技术探索

一、行业现状

实景 VR 目前的行业应用案例逐渐增多，在使用 720°全景相机拍摄，部分厂商基于多实景照片进行多叉数建模，在链家等房产行业获得广泛应。在票务行业，场馆选座的国内外的同类产品中也有试点落地，国外的有 TicketMaster、Stubhub 等，国内尝试落地的有摩天轮，针对大型场馆，目前的实现思路偏向于使用 3D 建模+后渲染输出基于 ECB 的全景照片，下发后用于大前端多端展示。

二、大麦解法

大麦落地全景 VR 主要是为用户的选座决策提供辅助和沉浸式体验，目前综合考虑选座页面用户交互和落地成本，采用大场馆建模+全景渲染和小场馆实景 VR 拍摄节奏。

1. 落地策略

大场馆-3D 建模+渲染

小场馆-实景 VR

1. 建模全链路流程

场馆建模经过输出白模、材质纹理贴图等流程进行输出建设，基于经典 3dmax 进行近似建模。

1. 全链路流程

整体流程按大节点分成：建模/拍摄→生产→选座基础平台→大前端主要环节，建模部分目前使用 3dmax 的常规方案，并调研基于 3D 激光雷达 + SLAM 的量产方案。

三、3D 场馆

1. 模型纹理加载

针对建模输出的场馆模型，3dmax 导出后容量在 50M~200M 之间，采用 glTF 模型压缩，再配合 LOD 多层次细节纹理，可有效提升基于 three.js 的超大纹理场馆的打开速度。

LOD 效果图展示

四、VR

1. VR Engine

VR 整体方案选择使用基于 ECB 球体坐标的投影方案，渲染合成 2:1 的全景图片，图片本身经过 moz-jpeg 压缩、智能降噪和超分重建，供 VR Engine 渲染，也为为全景图片展示秒开打下基础。大前端 VR Engine 层面，APP 侧 android/ios 较为成熟，选用 google/apple 自带方案，h5 侧 engine 性能和集成度差异较大，调研了目前市面上常见的几款 engine，最终选择使用 Pannellum 作为首选引擎。支持罗盘指示、全景漫游、全景标注、多清晰度等扩展功能。

1. VR 视图及优化

透视视图、鱼眼视图、立体视图、建筑视图、潘尼尼观、小行星等。GVR 进行了优化封装，包括但不限于：

a. 镜头失真校正（Lens distortion correction）

b. 空间音频（Spatial audio）

c. 头部跟踪（Head tracking）

d. 3D 校准（3D calibration）

e. 并排渲染（Side-by-side rendering）

f. 立体几何配置（Stereo geometry configuration）

g. 用户输入事件处理（User input event handling）

五、全链路量产

全面落地，需要建模和拍摄的场馆较多，针对 VR 落地应用，需要进行量产操作，按照梳理，核心步骤大致分为以下几步：

• 拍摄：专业 camera + 大麦 B 端 = 遥控拍照 + 携带座位信息
• 生产：绑定、fov 倾角计算、压缩、超分重建
• 选座基础平台: 底图保护-暗水印、流式加密
• 大前端：三端 VR Engine、渐进式加载、流式加密

六、总结

针对上线的图片，进行了合成优化以及基于 Lanczos/hpx 的图像压缩，以及流式密码加密，以保障用户的秒开和数据安全。3D/VR 的持续建设是智慧场馆重要的一环，也为用户购买决策提供了可视化手段，量产阶段后继续探索基于大场景点云渲染建模和商业化营销能力，以期为用户带来更好的沉浸式体验。

作者简介：

阿里文娱无线开发专家 王璟瑶