长期以来，「奶爸」+「萌娃」一直是一个不被看好的组合，甚至有人说，「父爱如山体滑坡」。不信的话，以下都是证据：
众所周知，人类幼崽似乎是台永动机，在一天 24 小时任何时间段里都有可能向你发难。你能让自己睡个安稳觉的方法看来是在白天消耗他们的精力，因此人们想出了各种各样的方法。当然，并不是所有的奶爸都这么不靠谱，也有人带起娃来挺正常的，Agustinus Nalwan 就是其中之一。Agustinus Nalwan 是 Medium 上的一位博主，曾经从事计算机视觉、3D / 动画、游戏开发等方面的工作，目前供职于澳洲最大的汽车交易平台 carsale.com.au。他有一个两岁半的儿子，名叫 Dexie。Dexie 非常活泼，喜欢动物，尤其是老鹰，经常学老鹰在家里飞来飞去。
孩子的这种举动一般也就引起家长的「哈哈」一笑（有的会拍成短视频发网上），但 Nalwan 可不是一般的家长，他一直在尝试用技术增添带娃的乐趣。去年三月份，Nalwan 就开发过一款具有玩具识别能力的系统，可以和儿子互动并根据他手里的玩具播放相关视频。
这个项目帮他拿到了英伟达「Jetson Project of the Month: Qrio – an interactive AI bot」活动的大奖，奖品是一台英伟达 Jetson AGX Xavier。
这是一种算力不小的开发者套件，曾被京东、美团、菜鸟的无人快递车用作计算核心。鉴于 Jetson AGX Xavier 配置还不错，Nalwan 决定用它来帮儿子做一个新玩具，实现他「展翅高飞」的梦想。新玩具名叫 Griffin（神话中的狮鹫），最终实现效果是这样的：
这么好的带娃经验当然要分享出来。在最近的一篇博客中，Nalwan 完整地介绍了他打造 Griffin 的完整过程，手头有娃的可以参考一下。
传说中狮身鹰首的 griffin。《哈利波特》中的 Gryffindor 学院意为金色的 griffin。以下是 Nalwan「从零开始」构建整套姿态识别游戏的历程。要实现上图中的效果，Griffin 需要具备以下模块：
3D 游戏引擎：借助一个用 OpenGL 写成的飞行模拟器生成带有山脉、天空和 Griffin 的 3D 魔幻世界。
人体姿态估计：使用 OpenPose 姿态估计模型和 SSD 目标检测模型来持续检测玩家的身体姿态，作为系统的输入，以控制 Griffin。
动作映射和手势识别：将身体姿态转化为有意义的动作和手势，如抬起左 / 右翅膀、左右翻滚身体、起飞等。
通信系统：使用 socket 将姿态输入送进 3D 游戏引擎。
NVIDIA Jetson AGX Xavier：这是一个 GPU 驱动的小型嵌入式设备，用来运行以上所有模块。它可以通过一个简单的 HDMI 接口支持音视频输出。此外，他还有一个以太网接口，方便联网。你甚至可以插入鼠标和键盘在该设备上进行开发和调试，因为它有一个功能齐全的 Ubuntu 18.04 OS。
TV（带有 HDMI 输入和内置扬声器）：作为游戏引擎的显示器。
摄像头：我用的是 Sony IMX327。其实这里只需要 224x224 的图像分辨率，因此也可以选低端一点的摄像头。
Blu-Tack：把所有硬件拼接在一起。
Jetson AGX Xavier、 IMX327 摄像头和 Blu Tack。为了更好地模拟飞行体验，Griffin 系统将以第三人称视角渲染 3D 世界。想象一下在 Griffin 正后方有一个摄像头看着他所看的地方。为什么不用飞行模拟器那样的第一人称视角呢？因为看到鹰的翅膀并同步移动自己的手臂，可以帮助 Dexie 快速学习如何控制这个游戏，并拥有一个更沉浸式的体验。自行构建 3D 游戏引擎并非易事，可能需要好几周的时间。现在大多数开发者只使用专门的游戏引擎，如 Unity 或 Unreal。但是很遗憾，我找不到可以在 Ubuntu OS/ARM 芯片组上运行的游戏引擎。一种替代方法是找到在 OpenGL 上运行的开源飞行模拟器。这可以保证游戏引擎能在 AGX 上运行，因为它支持 OpenGL ES（OpenGL 的轻量级版本）并且得到硬件加速。如果你不想游戏引擎以龟速运行的话，则这是必要的条件。幸运的是，我找到了一个满足标准的 C++ 开源飞行模拟器，并做了以下修改：
我用基于目标的系统替换了基于按键的飞行控制系统。这样我就可以不时地设置 Griffin 身体的目标旋转角度，之后这一旋转目标将通过手势识别模块自行设置，该模块可以映射 Dexie 胳膊的方向。
我增强了静态 3D 模型管理，以支持层级结构。原始的飞机模型是作为一个刚体移动的，它没有移动的身体部位。但是 Griffin 有两个翅膀，需要独立于身体单独运动。为此，我添加了两个翅膀，使之作为身体之上的单独 3D 模型。我可以单独旋转每个翅膀，也可以移动 Griffin 的身体，间接移动两个翅膀。实现该目标的一种恰当方式是构建骨骼动画系统，将身体部位组织为树结构的形式。但是，由于我要处理的身体部位只有三个（身体和两个翅膀），因此我可以选择一种简便的方式。为了编辑鹰和树 3D 模型，我使用了一个免费易用的 3D 编辑工具 Blender。
该模块旨在检测来自摄像头输入的人体姿态。具体而言，我们需要知道左 / 右手肘、左 / 右肩膀、脖子和鼻子的位置，才能驾驭 Griffin 的翅膀和身体，并触发特定的姿势。OpenPose 是一个流行的开源库，并具备大量估计人体姿态、手部姿势和面部特征的 AI 模型。我使用的是人体姿态估计 COCO 模型，以 resnet18 作为骨干特征提取器。该模型可以实时检测 18 个关节点，包括上述我们所需的 6 个点。
这里存在一个大问题：OpenPose 基于 PyTorch 框架构建，在 NVIDIA AGX Xavier 中运行速度很慢（4FPS），因为它无法利用重度优化的 TensorRT 框架。幸运的是，还有一个厉害的工具 torch2trt，它可以自动将 PyTorch 模型移植到 TensorRT 框架中！具体步骤是：安装 OpenPose，将 PyTorch 转换为 TensorRT，下载预训练 resnet18 骨干模型。为了获取来自摄像头的视频内容，我使用另一个库 Jetcam。只需要四行代码，就可以运行。
这样就得到了可以 100FPS 速度运行的人体姿态估计模块！经过一些测试后，我发现有时候这个模型会将随机对象错误地识别为关节点（假正例，如下图所示），这会给 Griffin 的动作控制带来麻烦。
使用 Amazon SageMaker JumpStart 构建目标检测模型解决该问题的一种方式是添加一个辅助 AI 模型，用目标检测模块来提供人体边界框，这样就可以排除掉在边界框以外检测到的人体关节点了。此外，这些边界框还可以帮助在一堆人中识别主要玩家，距离摄像头最近的人应该是主要玩家。在之前的项目中，我手动训练过 SSDMobileNetV2 目标检测模型。这次我选择使用 Amazon SageMaker JumpStart，只需一键操作就可以从 TensorFlowHub 和 PyTorchHub 部署 AI 模型。这里有 150 多个可选的模型，其中就有经过完全预训练的 SSDMobileNetV2。
从 Amazon SageMaker Studio 中启动 JumpStart。在 Amazon JumpStart 中选择 SSDMobileNetV2 后，只需一键操作就可以部署模型。有了目标检测模型后，我可以为边界框以外的关节点添加 exclusion logic，这样假正例就会少很多！
该模块对于将人体姿态估计模块检测到的 6 个关节点动作转换为更具意义的输入至关重要。这包括三种直接的动作映射：
飞行时的身体转动：用于控制 Griffin 飞行时的方向。身体转动可以通过横轴和左右手肘向量之间的夹角进行计算（下图上）。在飞行时，两只翅膀基于这一转动角度同步移动。选择手肘而不是手腕是为了最大化可见度，因为手腕经常会掉出摄像头视角或被其他身体部位遮挡住。
站立时的翅膀旋转：这纯粹是出于美观，为了让游戏更具趣味性，给人一种站立的时候可以单独控制每个翅膀的印象。这通过横轴与肩膀 - 手肘向量之间的夹角进行计算（下图下）。最终的翅膀旋转角度会添加 15 度，以加大翅膀的动作，毕竟人长时间举高胳膊会很累。
现在，我们完成了三个主要组件，只需要将它们粘合在一起就行了。我们需要将姿态估计模块检测到的人体关节点发送至手势识别模块，这个任务比较简单。但是，将动作和姿势映射结果发送至 3D 游戏引擎就不那么简单了，因为游戏引擎是用 C++ 写的。你可能会疑惑为什么不用 Python 构建 3D 游戏引擎，原因在于没有靠谱的方式来使用 Python 访问 OpenGL。此外，即使可能，我也不想花费好几周时间将 C++ 转换为 Python 代码。此时我需要以最小花销高效地在这二者之间传递信息。对于游戏引擎而言，最小花销是非常重要的因素，输入控制器和动作发生之间出现 100ms 的延迟都会导致玩家失去沉浸式体验。因此，两个单独应用之间的最好通信媒介是 socket。由于这两个应用在同一台计算机内，因此延迟会在 5ms 以内。在 C++ 中，我们简单地使用 sys/socket 库，而在 Python 中，我们可以使用 socket 框架。从现在开始，我把手势识别和姿态估计模块称作 Python app，该客户端发送五种信息：roll_target、lwing_target、rwing_target、body_height 和 game_state。把 3D 游戏引擎称为 C++ app，充当监听并不断接收上述信息的服务器。为了将这五种信息 / 变量正确地从 Python 映射到 C++ 上，在发送之前我们需要将其放置在 Python C-like 结构中。
class Payload(Structure): _fields_ = [(“roll_target”, c_int32), (“lwing_target”, c_int32), ("rwing_target", c_int32), ("body_height", c_int32), ("game_state", c_int32)]
在 C++ app 中，它们以本机 C 结构形式接收。
typedef struct payload_t { int32_t roll_target; int32_t lwing_target; int32_t rwing_target; int32_t body_height; int32_t game_state;} payload;
从下面的架构图可以看出，通信层由一个位于 Python app 中的客户端模块和一个位于 C ++ app 中的服务器模块组成。
准备就绪后，我设置了 Griffin 系统以执行校准和测试。这套系统的性能要比我预测的好很多，在执行所有实时 3D 渲染和姿态估计时一直都保持在 60FPS 的帧率，看来英伟达的 Jetson AGX Xavier 性能强大不是说说而已。在下面的视频中，你可以看到校准和测试的过程。这个视频帧率较低，是因为我在 Ubuntu 桌面上以 15FPS 录屏，尽量减少对 Griffin 的影响。
最后，是时候让 Dexie 用 Griffin 尝试第一次飞行了，这才是真正的大考。我在客厅里架设好了系统，我儿子一直在不耐烦地等待行动。
我只演示了一遍如何控制 Griffin 系统，跳一下就是起飞，展开手臂依靠姿势控制翅膀，Dexie 就学会了。由于游戏是第三人称视角，所以他很快就发现画面中翅膀的运动是直接和自己姿势同步的。随后他就开始享受自己的飞行体验了。没有什么是比你自己更好的游戏控制器了——记住乔布斯在发布第一代 iPhone 时嘲笑手写笔时所说的话。有意思的是，Dexie 有次快要撞山时，他奋力扬起手臂想要来个急转弯，但由于我设置了最大旋转角度限制，Griffin 不允许他飞特别极限的角度，随后他就撞了山…… 当时是这个样子：他上来就玩了半小时，发疯似地挥舞着手臂，直到疲倦袭来。最重要的是，那天晚上他睡得很香，对我们来说这是一次胜利！我有更多时间看 Netflix 了 :)
构建这样一套系统让我学到了很多，同时获得的乐趣也很多。总体来说我学到了：
Torch2trt 是一个很强大的工具，可以自动将 PyTorch 模型转化为 TensorRT 版，让 AI 模型在 Jetson AGX Xavier 上运行地更快。很多最先进的 AI 模型都是用 PyTorch 构建起来的，但手动将它们移植到 TensorFlow 上可不是好的体验。
英伟达 Jetson AGX Xavier 的性能非常强大！很多人说它可以实时处理 30 个 1080p 视频流的计算机视觉模型处理任务，看来的确是这样。
亚马逊 SageMaker JumpStart 提供了大量流行的 AI 模型，并让它们非常易于部署。
构建 3D 游戏引擎的经历让我重拾之前作为游戏和电影 SFX 开发人员的经历，再次用起了生疏的 OpenGL、C++ 和三角学方面的技能。
说到动作识别游戏，人们自然会想到 Xbox——我本可以用 Unity 引擎和 Kinect 传感器在 Xbox 上构建一个 Griffin，但是这样不就没有太大意义了吗？有时从头构建一套系统才是乐趣所在。
扮演老鹰是一个很累的工作，尤其是长时间抬起手臂这件事。不过真正的老鹰是通过上升气流获得帮助并滑翔在天空中的。
https://agustinus-nalwan.medium.com/making-my-toddlers-dream-of-flying-come-true-with-ai-tech-85e40d7144a2
