音频与计算机视觉算法的结合

当用户对智能音箱说出唤醒词时，设备会通过蓝色光条进行波束选择。传统纯音频方案在存在噪音、多人说话或墙面反射时容易出现方向误判，导致屏幕不必要的移动。

新一代设备通过声源定位与计算机视觉的融合解决了这一问题：

• 声源定位采用声波分解和机器学习技术确定用户方位
• 计算机视觉算法识别视野内的物体和人体，区分人声与其他声源
• 设备通过设置步骤限定运动范围，避免后方反射干扰

视觉数据处理与隐私保护

计算机视觉算法将摄像头图像转换为数百个数据点，代表形状、边缘、面部特征和通用色彩信息：

• 原始图像立即被永久删除
• 数据点无法反向工程还原为原始输入
• 不使用面部识别技术
• 所有处理在设备端毫秒级完成

运动控制系统优化

计算机视觉服务具备以下特性：

• 动态调整帧率（每秒帧数）
• 在10英尺距离内保持95%以上精度
• 使用时空滤波抑制相机移动和模糊造成的误判
• 在多用户环境中通过参与度检测确定主要交互对象

用户体验精细化设计

通过内部测试和虚拟现实模拟，团队确定了关键参数：

运动阻力调节

• 区分滚动屏幕的轻触与意图移动设备的用力
• 遇到障碍物时自动停止运动

运动速度优化

• 电机支持最高360度/秒²的加速度
• 最终选择既快速又能及时停止的速度，避免碰倒周边物品

三区感知系统

设备模仿人类反应机制，将视野划分为三个区域：

静止区（视野中心）

• 即使用户移动，设备也不转动

保持区（中心外围区域）

• 仅当用户在新位置停留足够长时间时才转动

运动区（视野边缘）

• 设备立即移动确保屏幕始终可见

各区范围根据用户距离、设备速度和加速度进行精细调节，基于数千小时的实验室和用户测试数据。

应用场景

视频通话

• 自动构图和运动跟踪

厨房场景

• 无需忙碌的厨师费力查看屏幕食谱

家庭安防

• 离家模式下定期巡视房间
• 检测到人员时发送智能警报
• 支持远程查看家中情况

开发者生态

设备向开发者开放运动API，鼓励创造新的交互体验，探索运动作为响应方式的巨大潜力。