02 · 定位方式对比：Outside-In vs Inside-Out

环境场景：

Outside-In：基站发射，头显被动接收 追踪正常

三种方案对比

方案	代表设备	原理	优点	代价 / 局限
Outside-In （外向内）	HTC Vive（基站）、OptiTrack 光学动捕	基站/相机固定在环境里，"看着"头显与手柄上的标记点	精度高（亚毫米级）、延迟低、抗遮挡、多设备天然同一坐标系	要部署基站（三角架/打孔）、搬运麻烦、空间大小受基站覆盖限制、成本与维护高
Inside-Out （内向外）	PICO 4 Ultra、Quest 3、Vision Pro、Galaxy XR	头显自带摄像头看环境 → 提取特征点 → SLAM 实时建图并估计自身位姿	开箱即用、无需外设、可随时换房间、适合大规模部署（教室）	怕弱光、纯白墙（无特征点）、快速运动（运动模糊）、遮挡；算力在头显上；长时间漂移
混合	PICO 体感追踪器（腰/踝）、Vive 追踪器	头显 Inside-Out 定位自身，外设自带 IMU + 红外传感器自追踪，再与头显坐标系融合	补齐下半身/道具/乐器等"头显看不见"的部位，实现全身动捕	需额外购买与配对校准；多模态融合算法复杂

SLAM 一句话：Simultaneous Localization and Mapping——"我一边画地图，一边在地图里找自己"。摄像头提取墙角、纹理等特征点，帧间匹配推算运动，同时累积误差靠回环检测修正。
为什么教室选 Inside-Out：40 人、10 台设备，若用 Outside-In 需要架基站、划场地、每次上课重新校准；Inside-Out 开机 5 秒建边界就能用。教学场景的指标是"人均有效使用时长"，不是单机精度极限。
AI 在哪：特征点匹配、场景理解（识别桌面/地板）、多传感器融合（IMU + 摄像头 + 深度），都靠模型而不是单纯堆摄像头数量。