视频空间重建与坐标映射：位置智能的技术底层逻辑

从需求说起

这事得从一次无人机河道巡检说起。当时用户盯着回传画面，突然问了个很实际的问题：那辆正在作业的工程车，离刚才看到的水文站到底有多远？现场工程师们快速估算，无人机飞了大约四分钟，按巡航速度换算，航程大概三四公里，再结合画面里工程车距离当前参照点约500米，最后给出了一个“不到5公里”的模糊判断。

随后的日子里，类似的疑问越来越多。一个念头始终盘旋：能否直接通过视频画面完成定位和测量？

没过多久，在另一个截然不同的场景——电力场站，同样的问题再次浮现。

变电站，尤其是高压和特高压站，人员作业的安全风险极高。每一项工作都必须严格遵循“作业票”划定的区域和流程。即便如此，事故仍时有发生。为了实时、精准地掌握人员位置与轨迹、防止误入危险区，用户几乎试遍了所有能想到的方案。

最直接的想法是让人佩戴定位设备。但高压高磁的环境里，连定位装置自燃的事故都发生过，这条路只能放弃。于是问题回到了原点：能不能仅靠现场已有的摄像机，不借助任何额外辅助，实现人员的定位和行为监测？说来也巧，正是这一次，用户和我们团队几乎同时想到了同一个方向——视频孪生引擎下的位置智能。

位置智能的一次科普

先给一个相对官方的定义：位置智能，英文简称LI，是以3D视频孪生引擎为基础、面向真实物理世界的一系列空间计算服务。它不是一个单点功能，而是一套完整的服务集合。为了让概念落地，我们继续拿刚才的两个案例来说话。

这两个案例的核心需求都指向同一个感知入口——视频。但这里有一个与生俱来的矛盾：视频本质上是一系列连续的照片，是二维的，没有深度信息。怎么从中提取三维位置？幸运的是，智汇云舟团队在自主可控的3D引擎领域深耕多年，我们有办法向引擎索取深度、位置和距离信息。

这和特斯拉用多个摄像头构建车外3D世界的技术路线不同。我们采用的是“视频+3D模型”的混合方案。原因很简单：我们的应用场景中，几乎不存在两个以上摄像机重叠覆盖的区域，但反过来，我们却能获取非常精准的3D模型。

通过AI能力，我们实现了摄像机的自动标定。简单说，就是解决如何将摄像机的像素精确投影到3D模型上，建立起像素坐标和空间坐标之间的映射关系。这样一来，画面里任意一个像素，都能对应一个唯一的经度、纬度、高度坐标。当一个人员出现在画面中时，AI检测算法能锁定他在画面中的像素位置，再通过LI位置智能服务，就能计算出这个人的空间坐标、朝向和移动速度。基于独立画面的视觉定位和测量就此实现，上述案例里的问题也就迎刃而解了。

需求来临时的突然涌现，而是厚积薄发后的自然发生

说实话，做位置智能并不是我们最初的选择。

最初的核心是3D视频可视化平台，核心逻辑是“视频+可视化”。为了承载更大容量的视频3D可视化、更友好的算法支持，团队在十年前就自主研发了“孪舟引擎”。在那个数字孪生界普遍痴迷于“颜值”的初级阶段，我们顶住市场压力，没有盲目跟风卷视觉效果，而是始终坚持：把面向视频的引擎做好，把面向视频的重建算法做透。

要打造一款面向视频孪生、且自主可控的3D引擎，在业界找不到任何参考。如何将视频接入、解码、渲染、AI计算等服务整合进引擎的各个层级，完全是摸着石头过河。历史上，还没有一个3D引擎，将视频推到了如此核心的位置。

视频的空间重建算法本身也经历了多次迭代。有些算法可视化效果出色但不利计算，有些计算效率高但可视化效果不佳。直到引入预训练大模型，所有维度忽然达到了一个出色的平衡点。这时候，距离LI位置智能就只差最后一步了。回看过去，所有点滴积累——无论是技术攻关还是沉淀的数据资产，都因为大模型的激活而获得了应有的价值。

位置智能只是开始，空间智能正在路上

如果说此前平台的主要功能是“为人服务”——提供可视化界面向人类展示信息，那位置智能则首次将服务对象转向了AI和智能体。它不提供界面，而是输出空间计算结果，生成一组结构化数据。这种数据更适合AI阅读和理解，而非人类。某种程度上，这代表了云舟产品哲学的一次重大升级。

从可视到可计算，从位置智能到空间智能，从服务于人到服务于AI——这是一条清晰的主线。位置智能回答“目标在哪里”，而空间智能要解决的是“空间理解”本身。依托孪舟引擎这一自主可控的3D基础，位置智能不过是整部正在书写的空间智能巨著的开篇序言。

打造AI友好的空间智能产品，我们已经走在了路上。