狂跑一萬幀絲滑不崩！拿著幾十塊單攝走一圈，整棟樓3D地圖建好了

新智元報道

編輯：好困 桃子

【新智元導讀】SLAM教父罕見公開點贊！中國隊開源的LingBot-Map，僅靠普通攝像頭實現萬幀流式3D重建，在全網引爆120萬人圍觀。

幾十塊的攝像頭，干翻幾萬塊的激光雷達。

沒想到，中國隊開源的LingBot-Map，直接引爆了全球機器人圈。

一款流式3D重建基礎模型，僅靠一顆普通RGB攝像頭，不要激光雷達，不要深度傳感器，20FPS實時建出完整3D地圖。

最恐怖的是，連續跑一萬幀，精度幾乎不掉。

Agility Robotics的AI研究員說，「等這一天等了太久」。

就連SLAM領域的泰斗級人物、帝國理工學院教授Andrew Davison親自下場點贊——

看起來這里面融入了令人印象深刻的SLAM思考。祝賀你們取得的成果。

Davison幾乎從不公開評價具體的工程項目。他愿意主動轉發并用「impressive」這個詞的工作，圈里人都會多看兩眼。

SLAM泰斗下場

大佬直呼「終于等到了」

LingBot-Map讓機器人真正「看懂」了全世界，它的開源引全網120萬人圍觀。

多位頭部KOL紛紛轉贊，得到了業界的重量級認可。

這個讓SLAM教父破例轉發、讓產業界研究員直呼「等太久」的東西，到底什么效果？

螞蟻靈波放出的實測給了答案。

航拍俯瞰場景，攝像頭從高處掃過一整片城市街區，LingBot-Map實時重建出建筑立面、屋頂結構、街道路面和行道樹的完整3D點云，連樓頂的空調外機都能分辨。

室內穿梭場景，攝像頭從廚房走進客廳再穿過走廊，場景光照和結構持續變化，重建出的多房間3D地圖在空間上嚴格對齊，沒有房間之間的錯位和重影。

暗光走廊是個極端測試。攝像頭在幾乎全黑的窄樓道里行進，傳統視覺方案在這種條件下基本失效，LingBot-Map依然跑出了連貫的走廊結構和穩定的軌跡線。

更有意思的是，團隊把自家世界模型LingBot-World生成的卡通風格視頻喂給LingBot-Map，照樣完成了穩定的3D重建。

輸入是AI生成的虛擬日式街道，輸出是帶有精確空間坐標的3D點云，兩個模型的兼容性直接打通了「虛擬世界→3D空間理解」的鏈路。

軌跡對比視頻就更直觀了。

在Oxford Spires和Tanks & Temples兩個數據集上，LingBot-Map的預測軌跡（橙色）幾乎與ground truth（藍色）完全重合，而同場競技的TTT3R和WinT3R已經嚴重漂移。

打開引擎蓋

里面是一套「選擇性記憶」系統

流式3D重建的核心難點就一個，怎么讓模型「邊看邊建」的同時，既不遺忘過去，又不撐爆內存。

傳統3D重建是「先拍完、再處理」。

流式重建要求系統一邊接收新畫面，一邊持續定位和建圖，還要嚴格控制計算和存儲開銷。

于是，之前的方案普遍卡在了一個取舍上。

有的壓縮太狠，跑著跑著就忘了前面看到過什么；有的把所有歷史幀都緩存下來，結果內存隨序列長度線性增長，跑不了長視頻；還有的把深度學習模型和傳統SLAM后端拼在一起，效果還行但需要手工調參，實時性不夠。

LingBot-Map的思路，是從經典SLAM里借了一個結構性洞察。

要讓機器人在未知環境里邊走邊建圖，至少需要維護三種不同粒度的空間記憶。但傳統SLAM靠工程師手動編寫幾何約束來管理這些記憶，靈活性有限。

LingBot-Map把同樣的結構內化到了Transformer的注意力機制里，讓模型自己學會該記什么、該忘什么。

這套機制叫幾何上下文注意力（GCA），同時維護三層記憶。

1. 錨點（Anchor），記住「我從哪出發」。

前幾幀作為錨定幀，鎖死坐標系和尺度基準，就像GPS基站。模型處理第一萬幀時，仍然清楚第一幀在什么位置。

2. 位姿參考窗口（Pose-reference window），記住「我身邊有什么」。

保留最近幾十幀的完整視覺信息，捕捉當前位置附近的密集幾何細節，相當于駕駛時眼前的擋風玻璃視野。

3. 軌跡記憶（Trajectory memory），記住「我走過的路」。

遠處的歷史幀不需要保留所有視覺細節，每幀只留6個極緊湊的摘要Token，把一整條行走軌跡的關鍵幾何信息壓縮到很小的內存里。后視鏡看不到每條街的門牌號，但足夠讓你知道自己從哪來。

三層記憶聽著復雜，但跑起來非?！甘　埂?/p>

拿一萬幀的視頻來說，標準因果注意力要緩存約500萬個Token，GCA只要約7萬個。每新增一幀，標準方案要新增約500個Token，GCA只新增6個。內存增長速率壓縮了約80倍。

這就是為什么LingBot-Map能在恒定內存下跑完萬幀以上的長視頻，而其他方案跑幾千幀就開始崩。

訓練方面，團隊采用了兩階段策略。

第一階段先在29個涵蓋室內、戶外、合成、真實世界的數據集上訓練基礎模型，建立通用的幾何理解能力。

第二階段引入GCA，訓練視圖數量從24逐步拉長到320，讓模型先學會看短片段，再逐步掌握長軌跡。

跑分方面，論文在5個benchmark上做了全面評測。

Oxford Spires（牛津大學校園大規模室內外混合軌跡），ATE軌跡誤差6.42米，第二名是18.16米，差距接近3倍。

更值得說的是，這個精度甚至超過了需要看完全部幀再統一計算的離線方法（12.87）和需要反復迭代優化的傳統方法（10.52）。

從320幀拉長到3840幀，ATE僅從6.42升到7.11，幾乎不隨序列增長衰減。

ETH3D（室內外混合，激光掃描深度真值），重建F1分數達到98.98，較第二名的77.28提升超過21個百分點。

Tanks & Temples（大規模戶外結構），ATE 0.20米，第二名是0.76米。

7-Scenes（室內RGB-D），ATE 0.08米，全場最低。

對機器人意味著什么？

學術圈看ATE和F1，機器人廠商算的是另一筆賬。

首當其沖的是硬件成本。

一套工業級激光雷達，便宜幾千美元，貴的上萬，加上IMU、標定工具鏈和軟件適配，感知模塊輕松吃掉整機成本的三分之一。LingBot-Map只要一顆幾十塊錢的RGB攝像頭。

家用服務機器人、低速配送車這類對售價極度敏感的品類，砍掉激光雷達的意義遠大于多加一顆芯片。

其次是長航時自主導航。

機器人在大型物流中心或城市街道做巡檢，連續工作幾個小時是基本要求。

傳統方案跑長了內存就溢出。而LingBot-Map恒定內存處理萬幀的能力，讓機器人在超大空間中長時間自主導航不再是問題。

還有一個是靈巧操作。

這就要提到螞蟻靈波今年1月開源的LingBot-Depth。

機器人抓透明玻璃杯、不銹鋼容器時，傳統深度相機幾乎是「瞎的」。透明和反光材質無法反射有效回波，深度圖會出現大面積空洞。

LingBot-Depth用掩碼深度建模（MDM）技術解決了這個問題。

訓練時故意遮住一部分深度區域，逼模型從RGB圖像的紋理、輪廓中推斷真實距離。結果就是，在NYUv2、ETH3D等權威基準上刷到SOTA，深度精度甚至超過了工業級深度相機。

模型已通過奧比中光深度視覺實驗室認證，雙方達成戰略合作，計劃推出新一代深度相機。真機測試中，透明儲物盒上實現了50%的抓握率。

LingBot-Depth負責「看清每個像素有多遠」，LingBot-Map負責「實時理解整個三維場景」。

兩者組合，機器人的空間感知閉環合攏。

機械臂面對廚房里的玻璃杯、實驗室里的試管、倉庫里的反光金屬容器，都有了可靠的3D空間參考。

一張拼圖，五步走完

把視角拉得更高來看，LingBot-Map 的開源不是一個孤立事件，而是螞蟻靈波一條清晰的具身智能技術進化路徑上的最新里程碑。

回過頭看螞蟻靈波過去三個月的路線圖。

今年1月，靈波在「具身智能進化周」里一口氣開源了四款模型。

• LingBot-Depth負責深度感知。

• LingBot-VLA是具身大模型，在上海交大GM-100評測中刷新了真機成功率紀錄。

• LingBot-World對標Google Genie 3，16 FPS實時交互。

• LingBot-VA首次實現自回歸視頻-動作聯合建模，真機任務成功率比Pi0.5平均提升20%。

但中間一直缺一塊。

深度估計是逐幀的「點」信息，3D建圖是持續的「面」信息，中間這層實時空間理解，之前是空白的。

LingBot-Map的到來，精準地補上了這塊拼圖。

至此，螞蟻靈波的具身智能技術棧形成了一個完整的閉環：

看清世界（Depth）→ 理解空間（Map）→ 模擬物理（World）→ 決策行動（VLA/VA）

這條鏈路的每一個環節全部以Apache 2.0協議開源，代碼、權重、技術報告同步上線Hugging Face和ModelScope。

這在全球范圍內，是極為少見的。

對機器人行業來說，一顆攝像頭能干的事，從今天開始變多了。

Hugging Face：

https://huggingface.co/robbyant/lingbot-map

ModelScope：

https://www.modelscope.cn/models/Robbyant/lingbot-map

GitHub：

https://github.com/Robbyant/lingbot-map

Paper：

https://arxiv.org/abs/2604.14141

Homepage：

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