蚂蚁灵波空间感知模型LingBot-Depth 2.0正式发布

背景

机器人视觉一直是制约具身智能落地的核心瓶颈之一。传统深度相机在透明物体、镜面、玻璃、反光材质等复杂场景中容易失灵，导致深度缺失或错误。2024 年 7 月 7 日，蚂蚁集团旗下具身智能公司灵波科技（Ant Lingbo）发布了空间感知模型 LingBot-Depth 2.0，同时推出其视觉基座模型 LingBot-Vision。两款模型在空间感知精度、边界识别、细小物体检测等方面取得显著突破，并已通过奥比中光深度视觉实验室专业认证，双方在数据采集、SDK 集成和一体化相机产品上展开深度合作。

核心内容

LingBot-Depth 2.0 是基于 1.5 亿规模数据训练的空间感知模型，定位为机器人的“眼睛”。相比上一代 LingBot-Depth 1.0（训练数据 300 万），2.0 版本在边缘清晰度、细小物体识别、远距离深度估计以及复杂场景鲁棒性上全面升级。在深度补全基准的 16 项测评中获得 12 项第一；在最难的室内大面积深度缺失场景中，深度误差（RMSE）从 0.132 降至 0.062，较上一代减半；在玻璃、镜面、透明物体等传统深度相机最容易失灵的场景中表现尤为突出。

同期发布的视觉基座模型 LingBot-Vision，是业内首个将“边界结构”作为预训练目标的视觉基础模型。它以 1.6 亿张图像（比 DINOv3 小一个数量级）预训练，深度估计精度却优于 DINOv3，并能在视频中连续追踪物体边界，具备亚像素级的边界定位与空间结构理解能力。LingBot-Vision 开源了四个版本：ViT-G/L/B/S。它除了支持 LingBot-Depth 2.0 的训练，还具备“一模多用”的通用视觉能力。

商业化方面，灵波科技与奥比中光深度合作。奥比中光最新推出的无本体数据采集产品矩阵中，RGB-D 版本的 EGO 设备将适配专门为数据采集场景优化的 LingBot-Depth 版本；后续将集成更高级别商业版模型，持续补全深度缺失、优化物体边缘和空间结构细节。奥比中光还将推出集成 LingBot-Depth 最新模型能力的 SDK 产品，供机器人客户在端侧使用；并计划于年底推出集成 LingBot-Depth 商业版的一体化相机产品，实现“3D 相机 + 空间感知能力”的一体化交付。

目前，两款模型的技术报告、LingBot-Vision 的模型权重已开源。

关键要点

• LingBot-Depth 2.0 训练数据从 300 万扩充至 1.5 亿，在 16 项深度补全测评中获得 12 项第一。
• 室内大面积深度缺失场景下，深度误差（RMSE）从 0.132 降至 0.062，较上一代减半。
• 在玻璃、镜面、透明物体等困难场景中，能补全出完整、平整的三维结构。
• 视觉基座模型 LingBot-Vision 以“边界结构”为预训练目标，预训练语料仅 1.6 亿张图像（比 DINOv3 小一个数量级），深度估计精度优于 DINOv3。
• LingBot-Vision 具备亚像素级边界定位与空间结构理解能力，能在视频中连续追踪物体边界。
• LingBot-Vision 开源四个版本（ViT-G/L/B/S），支持“一模多用”通用能力。
• 与奥比中光深度合作：EGO 设备适配数采优化的 LingBot-Depth；SDK 集成模型能力；年底推出一体化相机产品。
• 两款模型的技术报告和 LingBot-Vision 模型权重已开源。

意义与影响

LingBot-Depth 2.0 和 LingBot-Vision 的发布，标志着具身智能领域在空间感知方面迈出关键一步。传统深度相机在透明、镜面等场景中的“盲区”被有效克服，机器人视觉的可靠性得到显著提升。LingBot-Vision 以“边界结构”为预训练目标的创新范式，为视觉基础模型提供了新的训练思路，证明了小数据量、高质量目标设计也能达到甚至超越大型模型的表现。开源策略有助于行业加速验证和落地，降低技术门槛。与奥比中光的深度合作，从数据采集到端侧 SDK 再到一体化相机，构建了从算法到硬件的完整闭环，有望推动机器人视觉在仓储物流、家庭服务、工业质检等场景的规模化应用。整体来看，这项成果为机器人在真实物理世界中“看懂、看准、看稳”提供了新的技术底座，有望加速具身智能产业从实验室走向产业化。