蚂蚁灵波发布空间感知模型LingBot-Depth 2.0

背景

近年来，具身智能（Embodied AI）成为机器人领域的核心方向，而机器人视觉作为感知物理世界的关键入口，长期面临复杂场景下的瓶颈问题。传统深度相机在透明物体、镜面、玻璃及远距离等场景中容易出现深度缺失或误差，严重制约机器人的自主导航与精细操作能力。蚂蚁集团旗下具身智能公司灵波科技（Lingbo Technology）持续聚焦空间感知技术，此前发布的 LingBot-Depth 1.0 已初步解决透明、反光等基础难题。随着训练数据规模与模型能力的跃升，行业亟需更高精度、更稳定的视觉基座模型，以加速机器人在真实环境中的规模化落地。

核心内容

7 月 7 日，灵波科技正式发布空间感知模型 LingBot-Depth 2.0，同时推出其视觉基座模型 LingBot-Vision。LingBot-Depth 2.0 基于 1.5 亿规模数据进行训练，相比 1.0 版本的 300 万数据量，数据规模跃升 50 倍。在深度补全基准的 16 项测评中，LingBot-Depth 2.0 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 1.0 版本的 0.132 降至 0.062，误差减半。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，该模型表现尤为突出，能够补全出完整、平整的三维结构。

LingBot-Vision 是业内首个把“边界结构”作为预训练目标的视觉基础模型，拥有亚像素级的边界定位与空间结构理解能力。其预训练语料仅为 1.6 亿张图像，比 DINOv3 小一个数量级，但深度估计精度却优于 DINOv3，并且在视频中能连续追踪物体边界，稳定性显著提升。LingBot-Vision 本次开源了四个版本：ViT-G、ViT-L、ViT-B、ViT-S。

目前，LingBot-Depth 2.0 已通过奥比中光（Orbbec）深度视觉实验室专业认证。实际测试表明，基于奥比中光 Gemini 330 系列双目 3D 相机提供的芯片级 3D 原始数据，该模型在边缘清晰度、物体轮廓完整性、细小物体识别、远距离深度估计以及复杂光照和材质场景下的鲁棒性均有明显提升。

商业化方面，灵波科技与奥比中光已展开深度合作。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；后续还将集成更高级别商业版本模型，持续补全深度缺失、优化物体边缘和空间结构细节。此外，奥比中光将推出集成 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以及 LingBot-Vision 的模型权重已开源。

关键要点

• LingBot-Depth 2.0 性能飞跃：训练数据从 300 万扩至 1.5 亿，在深度补全 16 项测评中获 12 项第一；室内大面积深度缺失场景误差减半（RMSE 从 0.132 降至 0.062）。
• LingBot-Vision 创新预训练范式：首个以“边界结构”为预训练目标的视觉基础模型，参数量仅1.6亿张图像，深度估计精度优于 DINOv3，具备亚像素级边界定位与视频连续追踪能力。
• 开源四版本模型：LingBot-Vision 开源 ViT-G/L/B/S 四个版本，支持“一模多用”的通用能力。
• 通过专业认证：LingBot-Depth 2.0 通过奥比中光深度视觉实验室认证，在复杂光照、材质场景下表现优异。
• 商业化路径清晰：与奥比中光合作，集成至 RGB-D 数据采集设备、SDK 及一体化相机，实现端侧与产品级交付。
• 全栈开源策略：技术报告与模型权重均已公开，意图与行业共建机器人视觉底座。

意义与影响

LingBot-Depth 2.0 与 LingBot-Vision 的发布，标志着机器人视觉在空间感知能力上迈入新阶段。其核心突破在于：通过“边界结构”预训练范式，将视觉模型对物体边缘和空间结构的理解从像素级提升至亚像素级，使机器人能够在透明、镜面、远距离等极端场景下稳定看清物体。这一技术路线有望重塑机器人视觉基础模型的设计思路，引导行业从单纯追求数据规模转向关注训练目标的合理性。

从产业角度看，灵波科技与奥比中光的深度合作打通了“算法—硬件—数据”闭环：算法模型为奥比中光相机提供深度补全能力，而相机硬件又为算法提供高质量的原始数据，双向赋能。一体化相机产品的规划若能落地，将大幅降低机器人企业部署高精度感知系统的门槛，加速具身智能在物流、家庭服务、工业巡检等场景的规模化应用。

开源策略的延续则进一步强化了灵波科技的生态影响力。通过开放模型权重与技术报告，吸引更多研究者和开发者参与迭代，有望推动整个机器人视觉领域的协同进步。总体而言，LingBot-Depth 2.0 和 LingBot-Vision 不仅解决了实际工程中的视觉难题，更为具身智能的产业化落地提供了更可靠、更通用的感知底座。