我們所生活的世界，是一個立體三維世界。三維，指在平面二維繫中，又加入了一個方向向量構成的空間系。三維坐標的三個軸；分別表示左右、上下和前後空間，這樣就形成了人類的視覺立體感。
那麼，三維世界是如何被我們所看到的呢？
這就不得不談到我們神奇的眼睛。每個人都有兩隻眼睛。其實，一隻眼睛也可看清東西，為什麼還需要兩隻呢？為了說明上述問題，可做一個試驗：
首先，請你的同伴拿一隻鉛筆立在你的視線內。然後，請你閉上左眼，試著去觸碰那只鉛筆。接著，換閉上右眼再試一下。看起來很容易對不對？但你是在試過幾次後才準確碰到的呢？
這個試驗中，左右眼交替時你會發現鉛筆的位置好像變化了，但是當你雙眼同時睜開時，它的位置又好像從來沒有變化。事實上，我們的雙眼確實是分別從不同角度看物體的，然後將兩個投影在大腦中進行合成，從而形成圖像的深度資訊。這個試驗中，閉上一隻眼睛去看，只能形成一個二維圖像，缺乏深度資訊，因此只能依靠經驗去判斷鉛筆的遠近，所以定位，也就沒那麼準確了。
攝像鏡頭是最類似人眼的機械裝置。長久以來，攝像鏡頭拍到的畫面，只屬於二維畫面，直到深度攝像頭的出現。深度攝像鏡頭的相關概念，上世紀80年代，已由IBM提出，首先將其推向民用化，為2005年成立的以色列公司PrimeSense。
一開始，深度攝像鏡頭只用在工業領域，為機械臂、工業機械人提供圖形視覺服務。微軟Kinect成為深度攝像頭在消費領域的開山之作，帶動深度攝像鏡頭技術的民用開發。
2013年，Intel收購RealSense、蘋果收購Kinect技術供應商PrimeSense。2015年Oculus收購Pebbles Interfaces（該公司以VR手勢識別技術見稱），電子巨頭的併購活動，不斷引起大家對深度攝像鏡頭的好奇心。
目前深度攝像頭技術有幾個實現形式：
第一種是以雙攝像鏡頭「視差」，形式就是模擬人眼的機制；原理較為簡單，成本較低。早期深度攝像鏡頭，均以上述方式實現，例如LG的Optimus 3D手機。
第二種是單個攝像頭，通過移動到不同角度捕捉同一場景，然後將幾次拍攝的圖片重組，形成深度的資訊。這種形式較第一種，硬體成本更低，後期在電腦合成三維圖像的過程卻較複雜，成像效果不甚理想。（此形式只可拍攝靜止物體，只可拍照，不能形成視頻。）
第三種是Light Coding技術。以紅外線發射一類鐳射，透過鏡頭前的diffuser（光柵、擴散片），鐳射均勻分佈投射在測量空間中編碼，再經感應器讀取編碼光線，交由晶片運算進行解碼後，產生成一張具有深度圖像。「鐳射散斑」具有很高的隨機性，圖案會隨著距離的不同而變換。也就是說空間中任意兩處的散斑圖案都是不同的。只要在空間中打上這樣的結構光，整個空間就都被做了標記，把一個物體放進這個空間，只要看看物體上面的散斑圖案，就可以知道這個物體在什麼位置了。第一代Kinect就是使用的Primesense的light coding 技術。
第四種是ToF技術。ToF全稱為Time of Flight，是一種利用鐳射探測的主動式深度感應技術。首先讓裝置發出脈衝光，並且在發射處接收目標物的反射光，借由測量時間差算出目標物的距離。ToF相機一般需要使用特定人造光源，一般是紅外線。這種方式成像效果好，但相應地對硬體要求高，成本也高。第二代Kinect就採用了ToF技術，號稱有三倍的精確度。其資料的穩定性相對較好、細節更多；被其他環境光源（紅外線）影響的概率也更低，甚至可以承受一定程度的日光。
目前，深度攝像鏡頭應用消費領域，還處於初期，家用服務機器人行業亦是如此。NXROBO機器人公司抓住了這次先機，使用了深度攝像頭。那麼，當機器人擁有這樣具有3D視覺的“眼睛”時，當它真正能夠“看到”這個真實的世界時，能夠做什麼呢？
(1) 構建三維地圖，即時定位
機器人可構建三維地圖，通過區域劃分識別具體位置，精確導航，自己移動到指定位置；可以自主規劃移動路徑，精準避障。這一功能已逐步應用到家庭安防領域。
(2) 骨骼追蹤，動作捕捉（Skeleton tracking, motion capturing）
根據骨骼追蹤，識別人們肢體動作。通過特殊程式設計，用戶可通過手勢動作，向機器人下達指令。配合智慧傢俱，坐在沙發上，只需打一個響指，電燈暗了，抬一下胳膊，家庭影院開了，然後你就可以吃著爆米花，享受美好的週末了。
(3) 識別人體、物體（Human/object recognition）
通過三維視覺，提高人臉識別和物體識別的準確性，自主尋找指定人和物體。當你在廚房做好飯菜時，機器人到各個房間叫家人吃飯；當你外出時，機器人可幫你看看是否關好門窗等等。當然這樣做的前提是，必須提前訓練機器人識別地點、人和物。
以上這些功能，實現可能或需時日。可以肯定的是，深度攝像鏡頭的出現，機器人朝人工智慧，已再邁近了一步。
作者︰林天麟博士，機械人專家，NXROBO創辦人及CEO。