Bước tiến mới cho thị giác robot: Ant Group ra mắt mô hình nhận diện không gian LingBot-Depth 2.0

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

07/07/2026 11:35:02 Nguồn: QbitAI

Ngày 7 tháng 7, Lingbo Technology, công ty chuyên về trí tuệ nhân tạo hiện thân (embodied AI) thuộc Ant Group, đã ra mắt mô hình nhận thức không gian LingBot-Depth 2.0. Mô hình này được huấn luyện dựa trên tập dữ liệu quy mô 150 triệu, mang lại sự nâng cấp toàn diện về độ sắc nét cạnh, khả năng nhận diện vật thể nhỏ, ước tính độ sâu tầm xa và tính ổn định trong các bối cảnh phức tạp.

LingBot-Depth là mô hình nhận thức không gian do Lingbo tự nghiên cứu và phát triển, đóng vai trò như đôi mắt của robot trong thế giới vật lý. Phiên bản 1.0 đã giải quyết được bài toán nhận thức không gian khó nhằn khi robot phải nhìn rõ các vật thể trong suốt hoặc phản quang. So với LingBot-Depth 1.0, dữ liệu huấn luyện của LingBot-Depth 2.0 đã tăng từ 3 triệu lên 150 triệu, giúp hiệu suất được nâng cấp toàn diện: đạt 12/16 vị trí dẫn đầu trong các bài kiểm tra chuẩn về bù đắp độ sâu; trong các kịch bản thiếu hụt độ sâu diện rộng trong nhà (vốn khó nhất), sai số độ sâu đã giảm một nửa so với thế hệ trước (RMSE giảm từ 0,132 xuống 0,062); đồng thời thể hiện hiệu suất vượt trội trong các môi trường mà camera độ sâu truyền thống dễ thất bại như kính, gương và vật thể trong suốt.

Lần này, công ty cũng đồng thời ra mắt LingBot-Vision – mô hình nền tảng thị giác cho LingBot-Depth 2.0, xây dựng chuỗi năng lực giúp robot từ "nhìn hiểu" đến "nhìn chuẩn", nhằm giải quyết các thách thức cốt lõi của thị giác robot trong nhận thức không gian, nhận diện tinh vi và thích ứng với môi trường phức tạp.

(Chú thích ảnh 1: LingBot-Depth 2.0 bù đắp cấu trúc 3D hoàn chỉnh và phẳng mịn trong các bối cảnh khó như gương và kính)

Những tiến bộ đột phá của LingBot-Depth 2.0 có được là nhờ khả năng biểu diễn thị giác vượt trội của LingBot-Vision. Là một mô hình thị giác đa năng, LingBot-Vision cũng là mô hình nền tảng thị giác đầu tiên trong ngành lấy "cấu trúc biên" làm mục tiêu tiền huấn luyện, tạo ra bước đột phá trong mô hình huấn luyện nhận thức không gian. Nó sở hữu khả năng định vị biên ở cấp độ dưới pixel và hiểu cấu trúc không gian, từ đó đạt được năng lực nhận thức không gian chính xác và ổn định hơn.

Tập dữ liệu tiền huấn luyện của LingBot-Vision chỉ gồm 160 triệu hình ảnh, nhỏ hơn một bậc so với DINOv3, nhưng độ chính xác ước tính độ sâu lại vượt trội hơn DINOv3; hơn nữa, khả năng xác định biên vật thể của LingBot-Vision đủ ổn định để theo dõi liên tục biên vật thể trong video. LingBot-Vision lần này đã mở mã nguồn 4 phiên bản — ViT-G/L/B/S.

Được biết, ngoài việc hỗ trợ huấn luyện cho LingBot-Depth 2.0, LingBot-Vision còn sở hữu khả năng đa năng "một mô hình dùng cho nhiều mục đích".

(Chú thích ảnh 2: LingBot-Depth 2.0 dẫn đầu trong các bài kiểm tra bù đắp độ sâu bằng cảm biến thực tế)

(Chú thích ảnh 3: So với các mô hình nền tảng thị giác phổ biến, LingBot-Vision nhận diện biên vật thể và cấu trúc không gian rõ ràng và ổn định hơn)

Hiện tại, LingBot-Depth 2.0 đã đạt chứng nhận chuyên môn từ Phòng thí nghiệm Thị giác Độ sâu Orbbec. Các bài kiểm tra trong bối cảnh thực tế cho thấy, dựa trên dữ liệu 3D thô cấp chip do dòng camera 3D ống kính kép Gemini 330 của Orbbec cung cấp, LingBot-Depth 2.0 đã cải thiện rõ rệt về độ sắc nét cạnh, tính toàn vẹn của đường nét vật thể, khả năng nhận diện vật thể nhỏ, ước tính độ sâu tầm xa và tính ổn định trong điều kiện ánh sáng cũng như chất liệu phức tạp.

(Chú thích ảnh 4: LingBot-Depth 2.0 vượt qua đánh giá chuyên môn của Phòng thí nghiệm Thị giác Độ sâu Orbbec, thể hiện độ chính xác và ổn định cực cao trong các tác vụ ước tính độ sâu không gian và thời gian trên nhiều loại cảm biến)

Về thương mại hóa, Ant Lingbo đã triển khai hợp tác sâu rộng với Orbbec trên nhiều phương diện. Được biết, trong dòng sản phẩm thu thập dữ liệu không cần thân máy mới nhất của Orbbec, thiết bị EGO phiên bản RGB-D sẽ tương thích với phiên bản LingBot-Depth được Lingbo Technology tối ưu hóa riêng cho các kịch bản thu thập dữ liệu. Trong tương lai, công ty sẽ tiếp tục tích hợp các phiên bản thương mại cao cấp hơn của mô hình, liên tục bù đắp các thiếu hụt về độ sâu, tối ưu hóa các chi tiết về cạnh vật thể và cấu trúc không gian, cung cấp nền tảng dữ liệu thế giới thực chính xác, ổn định và hữu dụng hơn cho việc huấn luyện các mô hình trí tuệ nhân tạo hiện thân.

Ngoài ra, Orbbec sẽ ra mắt sản phẩm SDK tích hợp khả năng của mô hình LingBot-Depth mới nhất để khách hàng robot sử dụng tại biên, giúp các robot sử dụng dòng camera Gemini 330 đạt được hiệu quả độ sâu tốt hơn; đồng thời dự kiến ra mắt sản phẩm camera tích hợp phiên bản thương mại của LingBot-Depth vào cuối năm nay, hiện thực hóa việc bàn giao trọn gói "Camera 3D + Năng lực nhận thức không gian". Với sự ra mắt của hai mô hình này, sự hợp tác giữa hai bên hứa hẹn sẽ mở rộng sang nhiều lĩnh vực hơn nữa.

Hiện tại, báo cáo kỹ thuật của hai mô hình và trọng số mô hình của LingBot-Vision đã được mở mã nguồn. Ant Lingbo Technology cho biết họ hy vọng sẽ cùng ngành xây dựng nền tảng thị giác robot theo cách mở, giúp robot vượt qua các nút thắt cổ chai của ngành trong việc "nhìn hiểu, nhìn chuẩn, nhìn ổn" trong thế giới vật lý thực, từ đó đẩy nhanh quá trình ứng dụng quy mô lớn của ngành công nghiệp hiện thân.

Bài viết này do Ant Lingbo 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.