首个空间原生具身视觉基模开源：LingBot-Vision 让机器人更懂真实物理世界
2026/07/07 12:48阅读量 2
蚂蚁灵波开源面向机器人真实任务的空间原生视觉基模 LingBot-Vision 及其深度感知模型 LingBot-Depth 2.0。该模型通过边界强制掩码建模（Masked Boundary Modeling）自监督训练，显著提升机器人对透明/反光物体、小目标、远距离及弱光场景的深度感知稳定性。0.3B 参数学生模型在 NYU-Depth v2 上精度媲美 7B DINOv3，且已通过奥比中光深度视觉实验室认证，正从开源走向硬件集成。
事件概述
蚂蚁灵波发布并开源了首个面向机器人真实任务的空间原生视觉基模 LingBot-Vision，以及基于该基模升级的深度感知模型 LingBot-Depth 2.0。目标是解决具身智能在真实场景中因视觉感知不稳导致的抓取偏移、导航抖动等问题，尤其是对透明/反光材质、小目标、远距离和弱光杂乱环境的深度估计难题。
核心信息
- 模型定位：LingBot-Vision 是一个约 10 亿参数的 ViT 模型，通过纯自监督训练，在预训练阶段将物体的边界和空间结构作为学习重点，区别于传统只关注语义理解的视觉基模。
- 关键技术：提出 Masked Boundary Modeling（边界强制掩码建模），让模型在预训练时强制学习边界区域的几何信号（边界场），而非随机掩码平坦区域。引入分类化边界场表示和 a-contrario 检验以降低噪声干扰。
- 性能表现：在 NYU-Depth v2 上取得所有对比模型（包括 7B DINOv3）中的最佳精度。其 0.3B 学生蒸馏模型精度与 7B DINOv3 相当，参数量减少约 23 倍，更利于机器人端侧部署。
- 深度模型：LingBot-Depth 2.0 基于 LingBot-Vision 编码器，在 12 个深度补全 benchmark 上取得领先结果。实验表明，随下游训练数据增加，该基模编码器的优势进一步扩大。
- 实测场景：
- 透明/反光物体：如香槟塔、玻璃杯，能补全破碎的深度轮廓，保留杯口、杯壁和空间关系。
- 小目标与远距离：如户外追逐视频中的网球，LingBot-Depth 2.0 能清晰区分远处地面、狗、网球等小目标的深度。
- 室内复杂场景：如玻璃门、窗帘、电视柜交错的光照环境，深度图更连续稳定。
- 弱光/遮挡：走廊、门框等杂乱场景，边缘噪点和缺口显著减少。
- 硬件合作：LingBot-Depth 2.0 已通过奥比中光深度视觉实验室认证，双方正围绕 EGO-RGBD 数采设备和一体化相机产品展开合作。
值得关注
- 开源的直接价值：模型权重已发布至 Hugging Face 和 ModelScope，代码和技术报告均公开。机器人企业、开发者和研究机构可直接复用该视觉底座，降低空间感知门槛。
- 与通用视觉基模的差异：LingBot-Vision 强调“边界与几何结构”，而非单纯语义分类。这对机器人抓取（需知道杯口边界和可接近位置）、移动（需远距离稳定深度）等任务尤为关键。
- 落地场景：可服务于移动机器人、机械臂、仓储物流、工业巡检、服务机器人、人形机器人、3D 视觉设备和空间计算等方向。