機器人視覺迎來新突破!螞蟻靈波空間感知模型LingBot-Depth 2.0正式發佈

7月7日，螞蟻集團旗下具身智能公司靈波科技發佈空間感知模型 LingBot-Depth2.0。該模型基於1.5億規模數據進行訓練，在邊緣清晰度、細小物體識別、遠距離深度估計以及複雜場景魯棒性等方面實現全面升級。

LingBot-Depth是靈波自研的空間感知模型，相當於機器人在物理世界的眼睛，1.0版解決了機器人看清透明、反光等複雜場景的空間感知難題。相比於LingBot-Depth1.0，LingBot-Depth2.0的訓練數據從300萬擴充至1.5億規模，性能全面升級:在深度補全基準的16項測評中獲得12項第一;在最難的室內大面積深度缺失場景中，深度誤差較上一代減半（RMSE從0.132降至0.062）;在玻璃、鏡面、透明物體等傳統深度相機最容易失靈的場景中表現尤爲突出。

此次還同步推出了LingBot-Depth2.0的視覺基座模型——LingBot-Vision，構建起機器人從“看懂”到“看準”的能力鏈路，旨在應對機器人視覺在空間感知、精細識別和複雜環境適應等方面的核心挑戰。

（圖說1:LingBot-Depth2.0在鏡面、玻璃等困難場景中補全出完整、平整的三維結構）

LingBot-Depth2.0的突破性進展得益於 LingBot-Vision 突出的視覺表徵能力。作爲一款通用視覺模型，LingBot-Vision 也是業內首個把“邊界結構”作爲預訓練目標的視覺基礎模型，實現了空間感知訓練範式的突破。它擁有亞像素級的邊界定位與空間結構理解能力，實現了更高精度、更穩定的空間感知能力。

LingBot-Vision 的預訓練語料僅爲1.6億張圖像，比 DINOv3小一個數量級，深度估計精度卻與優於 DINOv3;並且，LingBot-Vision對物體邊界的判定足夠穩定，能在視頻中連續追蹤物體邊界。LingBot-Vision本次開源了4個版本——ViT-G/L/B/S。

據瞭解，LingBot-Vision除了支持LingBot-Depth2.0的訓練，還具備“一模多用”的通用能力。

（圖說2:LingBot-Depth2.0在真實傳感器深度補全測試中表現領先）

（圖說3:與主流視覺基礎模型相比，LingBot-Vision對物體邊界和空間結構的識別更清晰、更穩定）

目前，LingBot-Depth2.0已通過奧比中光深度視覺實驗室專業認證。實際場景測試顯示，基於奧比中光 Gemini330系列雙目3D 相機提供的芯片級3D 原始數據，LingBot-Depth2.0在邊緣清晰度、物體輪廓完整性、細小物體識別、遠距離深度估計及複雜光照、材質場景下的魯棒性等方面均有明顯提升。

（圖說4:LingBot Depth2.0通過奧比中光深度視覺實驗室專業評測，在多型號傳感器的空間和時域深度估計任務上都展現了極高的精度和穩定性）

在商業化方面，螞蟻靈波已與奧比中光在諸多方面展開深度合作。據瞭解，奧比中光最新推出的無本體數據採集產品矩陣中，RGB-D版本的EGO設備會適配靈波科技專門爲數採場景優化的 LingBot-Depth 版本，後續還將進一步集成更高級別商業版本模型，持續補全深度缺失、優化物體邊緣和空間結構細節，爲具身智能模型訓練提供更精準、更穩定、更可用的真實世界數據底座。

此外，奧比中光將推出集成 LingBot-Depth 最新模型能力的 SDK 產品，供機器人客戶在端側使用，讓使用 Gemini330系列相機的機器人獲得更好的深度效果;並計劃於年底推出集成 LingBot-Depth 商業版的一體化相機產品，實現“3D 相機 + 空間感知能力”的一體化交付。隨着兩款模型的發佈，雙方合作有望延展至更多領域。

目前，兩款模型的技術報告、LingBot-Vision的模型權重已開源。螞蟻靈波科技表示，希望以開放的方式與行業共建機器人視覺底座，讓機器人突破在真實物理世界中“看懂、看準、看穩”的行業瓶頸，加速具身產業規模化落地。