如视借助 NVIDIA Jetson，将毫米级三维重建带到边缘端

一套 100 平方米的住宅，扫描时间大约四分钟。操作者手持一台大号手电筒大小的设备，沿房间走一圈，放下设备时，系统已经生成了彩色点云和 3D 高斯泼溅 (3DGS) 模型。15 分钟后，一张标注了墙体、门窗、上下水管线和强弱电箱的 CAD 户型图在云端自动生成。不需要卷尺，不需要人工绘图，直接自动输出 CAD 文件，单尺寸测距误差最小仅 3mm。这台设备是庞加莱 R1，一款由如视 (Realsee) 研发的手持激光扫描仪。

如视是一家专注三维重建技术的空间智能公司，在该领域深耕近十年，产品覆盖房产、家装、工业巡检、文博展览等多个行业。R1 的实时点云处理运行在内置的 NVIDIA Jetson Xavier NX 模组上。

如视的另一款旗舰产品伽罗华 P4 —— 面向超高清采集场景的三脚架式 VR 扫描仪 —— 搭载了 NVIDIA Jetson Orin Nano。两台设备覆盖了从快速现场测量到博物馆级三维数字化的不同需求，AI 推理全部在边缘端完成。

两台设备，两颗 Jetson 芯片

两款产品选择不同的 NVIDIA Jetson 模组，对应各自工作流的具体算力需求。

庞加莱 R1 搭载 Jetson Xavier NX

R1 是一款为速度和便携性设计的手持扫描仪，主要用于精准量房、施工现场勘测和装修前期测量。Xavier NX 以紧凑的体积和低功耗提供高性能 AI 推理能力。

扫描过程中，R1 的激光雷达生成高密度点云，RGB 相机同步采集色彩数据。Xavier NX 在设备端实时运行如视自研的点云降噪算法和结构识别算法，自动识别墙体、门洞、窗户、水管、电箱等建筑要素，输出结构化三维模型。该模型经云端处理后，15 分钟内即可转化为 CAD 图纸。

中国计量科学研究院的校准报告确认，R1 的单尺寸测距误差最小为 3mm，是目前国内已知通过国家计量院认证的手持激光扫描仪。

伽罗华 P4 搭载 Jetson Orin Nano

P4 面向对画质和空间细节要求极高的场景：博物馆展览、高端餐饮空间、大型工业厂房。NVIDIA Jetson Orin Nano 提供 34TOPS 的 AI 算力，支撑更重的边缘计算负载。

P4 采集 24K 分辨率全景图像 —— 单帧约 3 亿像素 —— 并在设备端完成实时拼接和深度信息解算。其激光雷达与高清相机阵列同时生成几何点云和超高清视觉数据，Orin Nano 的高吞吐量和多传感器融合能力使两路数据流在现场即完成对齐，避免了传统设备”先采集、后计算”造成的数据断层。

生成的三维模型支持 8 倍无损放大，展品铭文、材质纹理、设备标签等细节清晰可辨。空间绝对精度控制在±10mm 以内。

多行业部署实践

如视搭载 Jetson 的设备已在多个行业投入使用。以下案例展示了边缘 AI 处理如何转化为可量化的运营效率提升。

住宅装修——福州安住

福建省家装公司福州安住引入庞加莱 R1 用于现场量房。一个两人团队在 10 天内完成了 454 套住宅的扫描采集，套均耗时 2.8 分钟。此前，单套人工量房通常需要 40 分钟以上，且依赖经验丰富的技术人员。R1 输出的 CAD 数据可直接导入 BIM 系统，省去了人工绘图环节。

工业数字孪生 —— 雀巢中国

雀巢在中国运营 22 家工厂、3 个研发中心和 5 个创新中心。如视使用伽罗华 P4 为雀巢的生产设施构建高保真三维数字孪生，覆盖安全管理、远程巡检和员工培训等场景。雀巢中国的石秋香表示：”如视 VR 有效帮助管理层和救援人员第一时间掌握工厂情况，迅速定位风险点。”

实际效果包括：新员工培训周期缩短约 50%，跨地域协作差旅成本降低约 70%，安全隐患排查效率提升约 3 倍。P4 生成的三维模型可导出为 OpenUSD/USD 兼容资产，从而能够被基于 NVIDIA Omniverse 库和包括 NVIDIA Isaac Sim 在内的开放框架构建的智能体与应用程序所使用，可进一步用于数字孪生和机器人训练。

文化遗产 —— 清华大学校史馆

清华大学校史馆总建筑面积 5,000 平方米，展区面积 3,000 平方米，使用伽罗华 P4 完成了1:1 VR 数字化复刻。成果支持中英文双语导航、AI 智能导览和语音讲解。

数字化后的校史馆全年 365 天面向全球校友和公众开放。8 倍无损放大功能使远程访客可以细看画作笔触和展品铭文 —— 这些细节即使在现场也不易观察。该项目同时为无法长期展出的珍贵藏品建立了永久数字档案。

面向物理 AI 与具身智能

如视已积累超过 5,800 万组空间数据，覆盖面积达 46 亿平方米，是全球规模最大的真实场景三维空间数据库之一。这一数据资产的价值正在从传统的可视化应用向更广泛的领域延伸。

如视三层空间解构流水线当前输出的结构化数据包括：几何尺寸、材质粗糙度、光照条件和物体空间关系。后续规划将拓展至重量估算、摩擦系数和受力分析——这些属性是机器人训练环境中实现真实物理仿真所必需的。

如视的三维模型已兼容 NVIDIA Omniverse 库，支持 Real2Sim2Real 工作流：真实空间高保真采集 → 1:1 虚拟环境重建 → 可交互仿真训练 → 机器人实际部署。这一闭环的每个阶段都依赖精确、属性丰富的空间数据 —— 正是搭载 Jetson 的边缘采集设备所产出的数据类型。

随着空间 AI 模型和具身智能系统的成熟，对高质量真实场景三维训练数据的需求将持续增长。由 NVIDIA 驱动的如视的空间采集基础设施为这一需求提供了底层支撑。