Amap ra mắt ABot-Recon: Mô hình tái tạo 3D dòng chảy vạn khung hình đầu tiên không phụ thuộc đường dài

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

28/08/2026 11:45:45 Nguồn: QbitAI

Ngày 28 tháng 8, AutoNavi (Gaode) thuộc Tập đoàn Alibaba đã chính thức ra mắt ABot-Recon, mô hình tái tạo 3D dạng dòng (streaming) cấp độ vạn khung hình đầu tiên không phụ thuộc vào bộ nhớ dài hạn.

Ngày 28 tháng 8, AutoNavi thuộc Tập đoàn Alibaba đã chính thức ra mắt ABot-Recon, mô hình tái tạo 3D dạng dòng cấp độ vạn khung hình đầu tiên không phụ thuộc vào bộ nhớ dài hạn. Mô hình này không cần bộ nhớ dài hạn, chỉ với 12 khung hình cục bộ liên tiếp là có thể tái tạo ổn định các cảnh 3D quy mô hàng chục nghìn khung hình theo thời gian thực, hiện thực hóa khả năng "vừa quay vừa dựng". Trong các bài kiểm tra đánh giá uy tín như KITTI, Oxford Spires và VBR, ABot-Recon đều đạt kết quả SOTA (State-of-the-Art) với sai số thấp nhất.

Cùng với việc các công nghệ như xe tự lái và trí tuệ hiện thân (embodied AI) tiến ra môi trường mở, AI vật lý không chỉ cần "nhìn thấy" mà còn phải hiểu không gian liên tục trong quá trình di chuyển: Tôi đang ở đâu, xung quanh có gì, bước tiếp theo nên đi thế nào. Đặc biệt trong các không gian riêng tư như trung tâm thương mại, khuôn viên hay nhà kho – nơi tín hiệu định vị yếu và cảnh quan thay đổi nhanh – hệ thống khó có thể dựa vào việc lập bản đồ một lần hoặc tái tạo hậu kỳ.

Hiện nay, giải pháp phổ biến là sử dụng công nghệ tái tạo 3D dạng dòng để tái tạo cảnh 3D theo thời gian thực, nhưng công nghệ này thường gặp phải các vấn đề như tích lũy sai số và tiêu tốn quá nhiều bộ nhớ đồ họa (VRAM). Để duy trì tính nhất quán toàn cục cho các cảnh có khoảng cách dài, các phương pháp tái tạo 3D dạng dòng truyền thống thường thiết lập các điểm neo bộ nhớ (memory anchors) trong quá trình tái tạo, buộc mô hình phải liên tục lưu trữ, truy xuất và hợp nhất thông tin lịch sử. Khi chuỗi dữ liệu càng dài, tốc độ của mô hình càng chậm, độ chính xác càng giảm và yêu cầu về VRAM càng cao.

ABot-Recon chọn một hướng đi kỹ thuật hoàn toàn mới – "Dự đoán tư thế cục bộ + Tối ưu hóa phần dư" – để giải quyết thách thức về độ chính xác, tốc độ và VRAM đối với các chuỗi dữ liệu dài. Khác với các phương pháp tương tự, ABot-Recon loại bỏ việc sử dụng các điểm neo bộ nhớ dài hạn để căn chỉnh. Mô hình chỉ sử dụng 12 khung hình liên tiếp gần nhất làm cửa sổ ngữ cảnh cục bộ, mỗi lần chỉ dự đoán đám mây điểm cục bộ trong hệ tọa độ camera hiện tại và tư thế tương đối giữa hai khung hình liền kề. Điều này giúp duy trì độ phức tạp tính toán ổn định, đảm bảo quỹ đạo mượt mà, sau đó dần dần ghép nối thành quỹ đạo toàn cục và cảnh 3D hoàn chỉnh thông qua phương pháp kết hợp trực tuyến. Vì mục tiêu dự đoán luôn là cục bộ và không phụ thuộc vào độ dài chuỗi, bộ nhớ và khối lượng tính toán trên mỗi khung hình của mô hình không còn tăng lên theo độ dài của video.

Đối mặt với vấn đề tích lũy sai số trong dự đoán cục bộ, ABot-Recon đã thiết kế các cơ chế hiệu chỉnh và ràng buộc sai số ở cả phía dự đoán và huấn luyện, giúp hiệu chỉnh sai số quỹ đạo theo thời gian thực. Nhờ thiết kế mô hình mang tính đột phá, ABot-Recon đã vượt qua các phương pháp hiện có trong nhiều bài kiểm tra chuẩn về chuỗi dài công khai.

Về độ chính xác, trong bài kiểm tra chuẩn chuỗi dài Oxford Spires, sai số quỹ đạo trung bình của ABot-Recon thấp hơn 40,6% so với phương pháp đại diện trong ngành là LingBot-Map; sai số xoay tương đối (RPE-R) thấp tới 0,12°, mức tốt nhất trong các phương pháp dạng dòng cùng loại, giảm khoảng 40% so với SOTA thế hệ trước.

Về tốc độ, trong bài kiểm tra KITTI-02, ABot-Recon đạt tốc độ tái tạo thời gian thực 24,45 FPS, tốc độ suy luận gấp 1,24 lần so với phương pháp đại diện trong ngành. Trong số tất cả các phương pháp có sai số quỹ đạo trung bình dưới 20 mét, ABot-Recon có lưu lượng xử lý cao nhất và tiêu tốn VRAM thấp nhất.

Về VRAM, mức tiêu thụ đỉnh của ABot-Recon chỉ khoảng 6,71 GB, bằng khoảng 1/3 so với các mô hình tương tự. Điều này có nghĩa là một card đồ họa phổ thông như GTX 1080Ti là đủ để vận hành, giúp hạ thấp đáng kể ngưỡng sử dụng cho công nghệ tái tạo 3D dạng dòng.

Đáng chú ý, ABot-Recon chỉ cần đầu vào là video RGB đơn mắt (monocular), không cần cảm biến độ sâu bổ sung hay thông số camera biết trước, vẫn có thể thực hiện tái tạo 3D thời gian thực ở cấp độ vạn khung hình. Điều này cho phép nó phục vụ cả việc lập bản đồ không gian riêng tư và cập nhật bản đồ nền trong ngành trắc địa, cũng như ứng dụng rộng rãi trong trí tuệ hiện thân, xe tự lái và sản xuất nội dung 3D.

Những cải tiến này cùng khẳng định một kết luận đi ngược lại trực giác: Để mô hình đi xa hơn, không nhất thiết phải nhớ nhiều hơn. Một mô hình chỉ nhìn 12 khung hình lại mở ra một con đường chính xác hơn, nhanh hơn và tiết kiệm hơn. Hiện tại, ABot-Recon đã mã nguồn mở mã suy luận, mã đánh giá và trọng số trên GitHub, đồng thời ra mắt khu vực trải nghiệm trên cộng đồng ModelScope để các nhà phát triển trực tiếp dùng thử.

Phụ lục:

Trang chủ dự án: https://amap-cvlab.github.io/ABot-Recon-html

Báo cáo kỹ thuật: https://github.com/amap-cvlab/ABot-Recon/blob/main/ABot-Recon-Tech-Report.pdf

ModelScope: https://modelscope.cn/studios/amap_cvlab/ABot-Recon/

Bài viết này do AutoNavi cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

Bản quyền thuộc về tác giả, không được phép sao chép hoặc sử dụng dưới mọi hình thức khi chưa được ủy quyền, mọi hành vi vi phạm sẽ bị xử lý theo pháp luật.