例如一個人把手往攝影機方向伸，從畫面上看，手腕的左右、上下位置可能沒有改變很多。
但實際上，它和攝影機之間的距離已經改變了。
這時候就會用到第三個座標：z。

在 MediaPipe 的人體關鍵點資料中，z 可以用來表示深度資訊。以一般的 Pose Landmark 輸出來說，髖部中點會作為深度參考位置，而 z 值越小，代表該關鍵點相對越靠近攝影機。
因此，一個人體關鍵點就不再只是：(x, y)
而是：(x, y, z)
也就是多了一個「前後」方向的資訊。
這對我們的專題來說其實很重要。
例如某些動作如果只從正面看，左右位置可能差異不大，但身體其實有往前傾、往後仰，或某個部位向攝影機方向移動。

這些動作如果只看 x、y，有時候不一定容易發現。
加入 z 之後，就多了一個可以參考的方向。
除了影像中的座標之外，MediaPipe Pose Landmarker 也可以輸出 World Landmarks，也就是以公尺表示的三維座標，同樣會包含 x、y、z。
不過，有了 z 並不代表我們就可以完全重建一個人的真實 3D 動作。
因為我們目前還是主要依靠單一攝影機進行姿態估測，估計結果仍然可能受到拍攝角度、遮擋、光線以及人體位置影響。

所以在目前的專題規劃中，我不會完全依賴 z 來判斷動作。
比較可能的做法是：
x、y 負責觀察左右與上下變化，
z 則作為前後方向的額外資訊，
再搭配關節角度與不同關鍵點之間的關係一起判斷。
也就是說，人體姿態估測不是單純取得一組座標而已。
真正重要的是：
怎麼從這些 x、y、z 數值中，整理出對動作判斷真正有用的資訊。
但同時也在考慮甚麼動作需要Z的參與，Z參與辨識真的可行性高嗎