金磊 发自 凹非寺阳江泡沫板胶厂家

量子位 | 公众号 QbitAI

这次，机器人能看懂我们的真实世界了。

能看懂到什么程度？

我们直接来看个果：

地址：https://mp.weixin.qq.com/s/z1iVG8ZKv3Rj8TOMB6eezQ

中左侧的是我们真实世界的画面果；中间的是未经法美化的原始度图，很明显，杯子的轮廓是破碎，部分杯壁和背景是混在起的，香槟塔也像是被挖掉了不少空洞，几乎看不出形状轮廓……

但现在机器人看世界就不样了，从右侧的中我们能看到，杯子的边界、层和整体结构完整，顶部杯子、酒瓶、杯塔之间的空间关系变得加清楚，甚至连很细的透明水柱都清晰可见。

或许有小伙伴要问了，看得差不多不就行了？

非也，非也。

这类差异放到机器人身上，如果它要去抓个杯子，边界看不准，就可能抓偏；如果它要在庭、商场、工厂里持续移动，度结果直破碎，后面的规划和控制都会跟着抖。

而这，便是蚂蚁灵波刚刚发布LingBot-Vision和LingBot-Depth2.0的核心原因：LingBot-Vision：是面向机器人真实任务的空间原生视觉基模，负责给机器人个懂物理世界的视觉底座；LingBot-Depth 2.0 则是基于LingBot-Vision做出的空间感知模型，把这个视觉底座进步转化为稳定的度结果。

研究出，也是引发了不少网友的关注，他们纷纷直呼：

玻璃、透明物体才是机器人视觉的噩梦；这是重要的里程碑。

言蔽之，对于具身视觉来说，看得见还只是步；看得准，才有机会真正行动起来。

机器人看世界，怕“差点”

虽然具身智能这几年确实很火，但真把它们丢进真实场景的时候，我们往往会发现很多问题会迅速回到基础的层：

视觉感知稳不稳。

类老大难的问题阳江泡沫板胶厂家，就是透明和反光材质。

刚才的香槟塔就是典型例子，透明杯壁在RGB画面里能看到，但度传感器和度模型常常会在这里不稳定：有的地补不上、有的边缘粘在起、有的区域直接空掉。

LingBot-Depth 2.0的输出像是在帮机器人补上层稳定的空间骨架，是尽量在把杯口、杯壁、杯身之间的几何关系保持住。

这对于机器人的抓取任务来说，可以说是非常关键的。

因为机械臂要抓杯子，并不只需要知道“这是杯子”。它还要知道杯子的边界、开口向、可接近位置，以及手爪靠近时会不会碰到旁边那层杯子。

就像昨天蚂蚁灵波提前放出的预告片里，机器人先看到带有透明水柱的清晰度图，知道水在哪里，才能准确将水壶到水柱下，继而接满壶水。

地址：https://mp.weixin.qq.com/s/z1iVG8ZKv3Rj8TOMB6eezQ

二类难点，是小目标和远距离目标。

在下面这个例子里，原始是只狗狗在户外追逐个网球，远处的狗狗已经是不大的目标了，网球在整个画面里是显小：

地址：https://mp.weixin.qq.com/s/z1iVG8ZKv3Rj8TOMB6eezQ

从果上来看，中间的raw depth基本是糊得塌糊涂，分不清任何主体，跟别提小如网球的目标了。

反观LingBot-Depth 2.0这边的结果，地面、远处墙体、网球、树木和狗的位置关系清楚。

这个能力放到移动机器人、巡检机器人、人形机器人身上，价值会直接。

移动机器人往前走时，不能等到障碍物贴脸了才反应。它需要提前看到远处的人、宠物、路障、货架边缘，然后把这些信息交给航和规划系统。

如果远距离度直不稳定，机器人就很容易会儿误以为前没东西，会儿又突然发现障碍物，动作自然也会变得迟疑甚至危险。

三类难点，是室内复杂场景。

比如里的玻璃门、窗帘、电视柜、阳台杂物，光照还会随着镜头移动不断变化。以往视觉模型的结果经常会在玻璃、强光、阴影、边缘交界处出现大片破碎和空洞：

地址：https://mp.weixin.qq.com/s/z1iVG8ZKv3Rj8TOMB6eezQ

而LingBot-Depth 2.0的结果则是连续，墙面、玻璃门、窗帘、地面和近处物体之间的空间层次保留得完整。

这类任务对于庭服务机器人来说是比较重要的阳江泡沫板胶厂家，毕竟庭环境中的东西往往摆放很随意，机器人如果要在这种环境里送水、拿东西、避让人和具，就需要个足够稳定的空间输入。

四类难点，是弱光、遮挡和杂乱。

在下面这个室内走廊和房间里，门框、墙角、窗帘、桌面、电视等结构交错出现。传统视觉模型的果，边缘位置容易冒出噪点和缺口；而LingBot-Depth 2.0结果则稳定，墙面、门框、桌面边缘连续。

地址：https://mp.weixin.qq.com/s/z1iVG8ZKv3Rj8TOMB6eezQ

这些案例在起，其实指向的是同个问题，即机器人看世界，不能只靠语义理解。

它需要的视觉能力接近种空间常识，比如哪里是边界、哪里是空的、哪里能走，哪个物体还离我很远等等。

这也是LingBot-Depth 2.0要体现的几个：

边缘清晰、物体轮廓完整、细小目标稳定、远距离目标可靠，在复杂材质和复杂光照下，度图破碎和缺失少。

地址：https://mp.weixin.qq.com/s/z1iVG8ZKv3Rj8TOMB6eezQ

但关键的问题来了，为什么这些提升会发生？

答案要回到LingBot-Vision。空间原生视觉，为什么要从“边界”学起？

传统视觉基础模型的发展，过去很长时间都在围绕让模型好地理解图像内容这个目标。

但也正如我们刚才提到的，机器人眼里的世界是不太样的。

只猫不只是“猫”这个类别，机器人还要知道猫离自己多远，身体边界在哪里，会不会突然移动，桌子边缘和猫之间有没有安全距离。

所以，具身智能需要的视觉底座，PVC管道管件粘结胶须重视几何结构。

而几何结构里，个很重要的入口，就是边界。

边界不只是物体轮廓，它往往同时意味着度突变、遮挡关系、空间分割和可交互区域。比如杯口的边缘、门框的边线、桌面的轮廓、行人和背景之间的分界，都会影响机器人后续的移动、避障和抓取。

LingBot-Vision的核心思路，就是把边界和空间结构放到预训练目标里。

为此，团队门提出了masked boundary modeling，可以理解成种让模型门学习难点的自监督训练式。

普通的Mask modeling像是随机遮住图像中的块，让模型猜回来。问题在于阳江泡沫板胶厂家，随机遮住的地可能只是墙面、天空、地板这类信息密度不的区域。模型猜对了，也未真正学到了空间结构。

LingBot-Vision的做法有针对。

它会让教师模型在线发现图像里的边界token，再把这些边界token强制加入学生模型的mask里。换句话说，模型不能只在容易的平坦区域刷题，而要去学习那些难、有空间信息量的边界区域。

这就是boundary-forcing。

细点看，边界token还会被分配几何目标。模型不只学习语义，也学习边界场，也就是那些能描述边界位置、向和几何关系的信号。

为了让这种训练稳定，团队还引入了分类化的边界场表示，以及a-contrario检验，减少把噪声误当成真实结构的情况。

说白了，LingBot-Vision是在预训练阶段就告诉模型别只盯着“这是什么”，也要学会“它的边界在哪、形状如何、和周围空间是什么关系”。

这也是它和DINOv3这类通用视觉基础模型的关键差异之。

虽然LingBot-Vision也建立在DINO自蒸馏范式的基础上，但LingBot-Vision额外引入了Boundary forcing机制，让模型在掩码建模过程中关注形状和物体边界相关结构。

从结果来看，LingBot-Vision是个约10亿参数的ViT，通过纯自监督训练，在密集空间任务上可以匹敌或过参数量多大约7倍的视觉基础模型；在NYU-Depth v2上，取得所有对比模型中的佳精度，包括7B DINOv3在内。

有意思的是，它的蒸馏学生模型也很能。

论文显示，0.3B学生模型在NYU-Depth v2上能达到与7B DINOv3相当的精度，参数量大约少23倍。对机器人来说，这点很现实——不是所有机器人都能背着个巨大的模型到处跑，端侧部署、力成本、延迟，都得账。

LingBot-Depth 2.0则是这条技术路线的个直接验证。

它基于LingBot-Vision升，在12个度补全benchmark上取得先结果。重要的是，论文里提到，随着下游训练数据增加，LingBot-Vision编码器带来的优势会进步扩大。

换言之，底座如果懂空间，后面的度模型吃多数据时，优势不会被冲淡，反而可能越训练越明显。

所以LingBot-Vision和LingBot-Depth 2.0的关系，不能简单理解成“个视觉模型加个度模型”。

前者是空间原生视觉底座，后者是空间感知能力的落地验证。Depth2.0之所以能在透明、反光、远距离、小目标、复杂室内场景里表现稳，背后支撑它的，是LingBot-Vision在预训练阶段就重视边界和几何结构。具身要真正上岗，视觉感知很重要

或许提到具身智能，容易被我们get到的技术是大模型接入机器人，让它们能听懂指令、规划任务，并且和人对话。

但有说，当他们真进到工厂、仓库、商场、庭这些环境里，视觉亦然是非常重要的个环节。

因为视觉旦不稳，后面的链条都会受影响。

移动机器人可能绕不开障碍物，机械臂可能抓偏，服务机器人可能误判门、墙、玻璃和人之间的位置，人形机器人也很难在复杂环境中稳定行动。

所以，具身智能真正落地，也需要视觉底座、空间感知、运动控制、硬件传感器起往前走。

这也是此次蚂蚁灵波开源LingBot-Vision和发布LingBot-Depth 2.0的意义所在。

他们把机器人需要的视觉和空间感知能力，做成个容易复用的底座。对机器人企业、开发者和研究机构来说，这有助于降低使用门槛，也能让下游团队快验证移动、避障、抓取等真实任务。

从场景看，这类能力可以服务移动机器人、机械臂、仓储物流、工业巡检、服务机器人、人形机器人、3D视觉设备和空间计等向。

此外，LingBot-Depth 2.0已通过奥比中光度视觉实验室认证。双也围绕EGO-RGBD数采设备、SDK和后续体化相机产品展开作，说明这套能力正在从论文，继续走向硬件与产品集成。

当然，视觉底座升不会让机器人夜之间所不能。传感器差异、力限制、场景泛化、控制精度和成本，都还需要继续磨。

但趋势已经很清楚：具身智能的竞争，正在往底层走。毕竟，机器人要进入真实世界，步就是看准。

当机器人开始好地理解空间，具身智能离真正上岗，也就近了步。

模型权重：

https://huggingface.co/collections/robbyant/lingbot-vision

https://www.modelscope.cn/collections/Robbyant/LingBot-Vision

代码：

https://github.com/robbyant/lingbot-vision

技术报告：

https://arxiv.org/abs/2607.05247

项目主页：

https://technology.robbyant.com/lingbot-vision

— 完 —

量子位 QbitAI · 头条号

关注我们，时间获知前沿科技动态相关词条:管道保温施工     塑料挤出设备     预应力钢绞线    玻璃棉厂家    保温护角专用胶

奥力斯    万能胶生产厂家    联系人：王经理    手机：13903175735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定阳江泡沫板胶厂家，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。