蚂蚁灵波 LingBot-Depth 2.0 开源:机器人”看见透明物体”的硬骨头,终于有人啃下来了

2026 年 7 月,蚂蚁集团旗下具身智能团队蚂蚁灵波科技(Robbyant)正式开源 LingBot-Depth 2.0 深度补全模型,以及视觉基座 LingBot-Vision。这一版本相比上一代,训练数据从 300 万扩充到 1.5 亿(50 倍),在 16 项深度补全基准上拿到 12 项第一,室内大面积深度缺失场景的 RMSE 误差从 0.132 降到 0.062——几乎减半。同时,这套模型已在玻璃、镜面、水龙头等”传统深度相机失灵”的场景上跑出可用结果,并通过奥比中光的硬件认证。本文从产品定位、技术突破、与 Depth Anything V2 的关键差异、产业落地、行业意义五个维度,拆解 LingBot-Depth 2.0 到底做了什么,以及它对国内具身智能、机器人视觉意味着什么。

一、为什么”透明物体”是机器人视觉的老大难

机器人视觉过去十年的痛点不是普通物体的识别,而是玻璃、镜面、水龙头、不锈钢这类”反光/透明物体”。传统 RGB-D 相机(iPhone LiDAR、RealSense、Kinect 等)在这些材质上几乎无法拿到正确的深度值——因为它们的测距原理依赖红外结构光或飞行时间,而红外光打到玻璃上要么穿透、要么直接被反射回来,得到的要么是”无深度”,要么是”假深度”。

这直接导致:

• 家庭服务机器人在厨房卫生间寸步难行——玻璃门、玻璃桌、镜面柜体,深度图全是洞
• 工业质检对透明包装、反光金属无可奈何——传统深度视觉给出的尺寸数据不可用
• 自动驾驶遇到玻璃幕墙、雨后积水——AEB 紧急制动容易误触发或漏触发

LingBot-Depth 2.0 的核心叙事,正是把这一类场景从”勉强能用”推到”生产可用”。其量化指标是”室内大面积深度缺失场景 RMSE 误差 0.132 → 0.062″,对工业流水线、家庭机器人来说,这个量级的提升往往是”能不能交付”的临界点。

二、LingBot-Depth 2.0 是什么:深度补全,不是深度估计

要理解 LingBot-Depth 2.0 的价值,先要把它和”深度估计”(Depth Estimation)区分开:

• 深度估计(depth estimation):从单张 RGB 图预测稠密深度图,完全靠”猜”
• 深度补全(depth completion):从 RGB + 稀疏/有噪声的深度图,补全为稠密深度图,借助已有传感器输入

LingBot-Depth 2.0 走的是”深度补全”路线——也就是说,它在 RGB-D 相机(能拿到部分深度但不全)的基础上,把”洞”补上,而不是纯粹从 RGB 预测深度。这条路线更适合工业机器人和扫地机器人,因为它们本身就会带 RGB-D 相机。

补全输入可以是:

• 稀疏深度图(只有关键点的深度)
• 噪声深度图(红外在透明物体上产生的错误深度)
• 不完整深度图(传感器距离、视角限制带来的”看不到的地方”)

模型把”半张图”补成”完整图”,这种任务在自动驾驶、3D 重建、机器人导航里都很关键。

举一个具体例子:一台家庭机器人在厨房里扫描,RealSense D435 在玻璃桌面区域返回的深度值是”接近相机视距的反向值”——因为红外结构光穿透了玻璃再反射回来。LingBot-Depth 2.0 会读取 RGB 图像中”这里有一张透明的桌面”的视觉特征,把它跟稀疏深度图里对应的”噪声区域”对齐,用边界结构反向约束,把错误深度压回去,输出”桌面在视距 1.2 米处”的正确深度。这种”补全”不是猜,是用更聪明的方式”修正”。

这也意味着 LingBot-Depth 2.0 不是单目方案——它必须配合 RGB-D 硬件工作。这是一种工程取舍:换来了对玻璃、镜面、亚像素边缘的正确建模,代价是部署上要带一台深度相机。

三、双模型协同架构:LingBot-Vision + LingBot-Depth

LingBot-Depth 2.0 的关键技术不是”模型更大”,而是架构更聪明。蚂蚁灵波把系统拆成两个模型协同工作:

1. LingBot-Vision — 边界结构预训练的视觉基座

这是业内第一个把”边界结构”作为显式预训练目标的视觉基础模型。它的训练思路是:

• 不直接预测类别、检测框、像素标签
• 改成学习”物体在哪里、边缘如何分布、空间如何组织”的结构性知识

它用 1.6 亿张图像做预训练,但效果”在物体轮廓、表面交界、细小结构识别上”优于依赖十亿级数据的通用视觉基础模型。这是用更聪明的数据配方,打败纯数据量堆叠的典型例子。

LingBot-Vision 的输出是边界感知特征——告诉下游任务”这里有物体边界、这里有空间结构”。

2. LingBot-Depth — 深度补全网络

下游的 LingBot-Depth 接住这些边界特征,做三件事:

• 编码器识别深度不连续区域
• 解码器做多尺度特征融合,边沿锐利 + 平滑区域合理插值
• 时序对齐保障视频流帧间深度一致

关键效果是解决了”深度溢出”问题——传统深度补全经常出现”前景深度漏到背景里”或”背景深度吞掉前景边缘”的伪影,LingBot-Depth 2.0 通过显式的边界结构特征作为约束,实现了前景与背景在物体边界处的”正确截断”。

两个模型各司其职:Vision 看”哪里是边”,Depth 用这些边”挡住错误深度”。

四、与 Depth Anything V2 的关键差异

国内读者最熟悉的深度估计模型是 Depth Anything V2(字节跳动 AI Lab / 2024 年发布,Linus Torvalds 点赞过的开源模型)。LingBot-Depth 2.0 跟它的对比在多个维度都很关键:

对比的关键点:

1. 数据为王 vs 模型为王。Depth Anything V2 用 595K 合成 + 62M 伪标注,LingBot-Depth 2.0 用 150M 真实场景数据——后者数据量是前者的 2.5 倍以上,而且是真实场景数据,这是它能在透明/反光物体上跑出可用结果的根本原因。

1. 任务定位:Depth Anything V2 主打”单目深度估计”,输出是稠密深度图;LingBot-Depth 2.0 主打”深度补全”,输入需要 RGB-D。这两者解决的问题不完全重叠——前者面向内容创作、AR/VR、消费级 App,后者面向机器人、工业、自动驾驶。直接说”超越”会失实,但在机器人/工业这条赛道,LingBot-Depth 2.0 是更直接的工具。

1. 商业化路径:LingBot-Vision 四版本开源(参考 DeepSeek 的开源策略),同时通过奥比中光 SDK + Gemini 330 系列相机实现商业化落地。这种”开源基座 + 硬件合作”的模式是国内 AI 公司正在探索的成熟路径。

五、奥比中光认证意味着什么

LingBot-Depth 2.0 通过了奥比中光(Orbbec)深度视觉实验室的专业认证。这条信息看似平淡,但产业含义非常清晰。

奥比中光是国内 3D 视觉传感器的代表公司,旗下有:

• Gemini 330 系列深度相机(对标 Intel RealSense)
• EGO 系列便携 RGB-D 采集设备(用于具身智能训练数据采集)
• Femto Bolt等一体机

LingBot-Depth 2.0 通过认证意味着:

• 能直接在奥比中光相机上跑——不需要用户自己写驱动、对齐坐标系
• SDK 集成——开发者可以像调用 OpenCV 函数一样调用 LingBot-Depth 2.0
• 数据闭环——奥比中光的相机采集的数据,可以用来训练 LingBot 的下一个版本

对中小机器人公司来说,这条链路价值极高:它们不需要从头训练深度模型,直接用 LingBot-Depth 2.0 + 奥比中光相机就能做出”看见玻璃门”的机器人。

奥比中光在国内 3D 视觉硬件赛道的市场份额排名靠前,与 Intel RealSense、微软 Kinect 等海外方案形成对比。它的优势在于本土供应链响应快、SDK 中文化、对国内机器人厂商的售前售后支持更直接。LingBot-Depth 2.0 选择奥比中光作为首发硬件合作伙伴,而不是 RealSense,本身就是一个“国内软硬协同”的产业信号——硬件与算法的本土组合,在玻璃/反光场景上能做到”模型 + 相机同源调优”,比”海外算法 + 国产相机”的拼凑方案好不少。

六、对家庭机器人产业的连锁影响

LingBot-Depth 2.0 选在 2026 年 7 月开源,而不是一个”早半年或晚半年”的随机时点。背后的产业逻辑是:

1. 家庭机器人进入”看见透明物体”门槛期

2024-2025 年,国内家庭机器人(主要是扫地机器人、宠物机器人)已基本解决”看见家具、墙、地板”的问题。下一阶段的门槛是“看见玻璃门、镜面柜、玻璃桌”——而这恰恰是传统 RGB-D 相机的死角。

LingBot-Depth 2.0 这种把 RMSE 从 0.132 降到 0.062 的能力,直接对应”扫地机器人会不会撞玻璃门”、”陪护机器人能不能认出镜面里的自己”这些真实场景问题。

2. 仓储物流机器人迎来”反光货架”突破

2026 年国内仓储机器人渗透率激增。但反光金属货架、透明塑料打包带一直是机械臂抓取的难点。LingBot-Depth 2.0 的”边缘精细识别” + “透明物体感知”组合,直接对应这个场景。

3. 自动驾驶的”玻璃幕墙”问题

自动驾驶遇到雨后玻璃幕墙、地下车库玻璃门,纯视觉系统容易给出错误深度,导致 AEB 误触发或漏触发。LingBot-Depth 2.0 这种”给一帧稀疏深度补全为稠密深度”的能力,在量产车规级方案里需要专门的算力适配,但学术和小规模 demo 已经可以验证。

七、行业判断:国内具身智能的”硬骨头”被逐一啃下

把 LingBot-Depth 2.0 放进 2026 年下半年这个时间点看,有三个宏观信号:

1. 蚂蚁灵波的开源策略

蚂蚁灵波延续了”基座开源 + 商业化走硬件”的打法,这与 DeepSeek、Qwen、智谱的开源策略一脉相承。基座模型做生态、硬件合作做收入,这条路被证明在国内可行。

2. 视觉基础模型进入”任务驱动预训练”阶段

LingBot-Vision 把”边界结构”作为显式预训练目标,是一个任务驱动的预训练范式——而不是”刷量”。这种思路与 Depth Anything V2、Segment Anything 等系列的”提示驱动”路线不同,但有可能成为 2026-2027 年视觉基础模型的新主流。

3. 国内具身智能进入”工具链成熟期”

蚂蚁灵波这一波的开源模型 + 硬件合作伙伴,意味着国内具身智能开发者不需要从零造轮子:

• 视觉 → LingBot-Vision / Depth Anything V2 / SAM
• 触觉 → 国内多家触觉传感器
• 力矩 → 优必选 / 宇树
• 数据 → 奥比中光 EGO

工具链补齐后,具身智能的下一步竞争点会从”模型能不能跑”转向“任务能不能泛化”、”成本能不能降”、”部署能不能稳”。

八、最后:开源不是终点,场景闭环才是

回到题目:LingBot-Depth 2.0 是 7 月国内具身智能赛道最具体的一次技术输出。但它的更大意义在于示范了一种”任务驱动 + 真实数据 + 硬件合作 + 开源获生态”四位一体的产业闭环。

对从业者来说,这意味着:

• 机器人公司应该重新评估自己的视觉方案——也许不需要从头训深度模型了,直接集成 LingBot-Depth 2.0 就可以解决 80% 的”看见透明物体”问题
• 硬件公司应该加速 AI 集成——奥比中光认证只是一个开始,RealSense、图漾等公司会跟进类似合作
• 国内学术界应该关注”边界结构预训练”——这种任务驱动的预训练范式,在 3D 重建、医学影像、遥感等领域都有扩展空间

LingBot-Depth 2.0 不是终点,而是国内具身智能”啃硬骨头”周期的最新成果。下一批”硬骨头”——多模态触觉、长程任务规划、跨本体泛化——同样会沿着这条”开源 + 落地”的路径被攻克。