7月7日、アリババグループ傘下の中身知能企業であるリンボー・テクノロジーは、空間認識モデル「LingBot-Depth2.0」を発表しました。このモデルは1億5,000万規模のデータで訓練されており、エッジの明確さ、小さな物体の識別、遠距離の深度推定および複雑な状況における信頼性などにおいて全面的なアップグレードが行われています。

LingBot-Depthはリンボーが自社開発した空間認識モデルであり、ロボットが物理世界で見るための目のような役割を果たします。1.0版では透明や反射などの複雑な状況での空間認識の課題を解決しました。LingBot-Depth1.0と比較して、LingBot-Depth2.0のトレーニングデータは300万から1億5,000万に拡充され、性能は全体的に向上しています。深度補完ベンチマークの16項目の評価で12項目で第1位を獲得し、最も難しい室内の大規模な深度欠損状況では深度誤差が前世代の半分（RMSEは0.132から0.062へ）となりました。ガラス、鏡面、透明物体など従来の深度カメラが最も難しくなる状況でも特に優れた性能を発揮しています。

今回の発表では、LingBot-Depth2.0のビジュアルベースモデルである「LingBot-Vision」も同時に公開されました。これにより、ロボットが「理解する」から「正確に見る」への能力チェーンを構築し、ロボットの視覚が空間認識、細かい識別、複雑な環境適応といった重要な課題に対応することを目的としています。

image.png 

（図説1:LingBot-Depth2.0は鏡面やガラスなどの困難な状況で完全で平らな3D構造を補完しています）

LingBot-Depth2.0の画期的な進歩は、LingBot-Visionの突出したビジュアル表現力によって実現されています。一般的なビジョンモデルとして、LingBot-Visionは業界初で「境界構造」を事前学習目標としたビジョンベースモデルであり、空間認識のトレーニング方法において大きな突破を達成しました。これは、微小ピクセルレベルの境界位置特定と空間構造の理解能力を持ち、より高い精度と安定性を持つ空間認識能力を実現しています。

LingBot-Visionの事前学習データはわずか1億6,000万枚の画像であり、DINOv3よりも1桁少ないですが、深度推定精度はDINOv3を上回っています。また、LingBot-Visionは物体の境界判定が非常に安定しており、動画内で連続して物体の境界を追跡できます。今回は4つのバージョン（ViT-G/L/B/S）をオープンソース化しました。

了解によると、LingBot-VisionはLingBot-Depth2.0のトレーニングだけでなく、「一モデル多用途」という汎用性を持っています。

image.png

（図説2:LingBot-Depth2.0は本物のセンサーの深度補完テストで優れた性能を発揮しています）

image.png

（図説3:LingBot-Visionは物体の境界と空間構造の認識が明確で安定しています）

現在、LingBot-Depth2.0はオビ・メイク（奥比中光）の深度ビジョンラボで専門認証を取得しています。実際のシナリオテストの結果、オビ・メイクのGemini330シリーズ二眼3Dカメラが提供するチップレベルの3D元データに基づき、LingBot-Depth2.0はエッジの明確さ、物体の輪郭の完全性、小さな物体の識別、遠距離の深度推定、そして複雑な照度や素材の状況での信頼性において顕著な改善が見られました。

image.png

（図説4:LingBot Depth2.0はオビ・メイク深度ビジョンラボの専門評価を通過し、さまざまな型のセンサーでの空間と時域の深度推定タスクで極めて高い精度と安定性を示しています）

商業化面では、アリババリンボーはオビ・メイクと多くの面で深い協力を開始しています。了解によると、オビ・メイクが最新に発表した無本体データ収集製品マトリクスにおいて、RGB-DバージョンのEGOデバイスは、リンボーがデータ収集シーンのために最適化したLingBot-Depthバージョンに対応する予定です。今後さらに高次の商業バージョンモデルを統合し、深度欠損を補完し、物体のエッジと空間構造の詳細を最適化し、具身知能モデルトレーニングにさらに正確で安定したリアルワールドデータベースを提供していく予定です。

さらに、オビ・メイクはLingBot-Depthの最新モデル機能を統合したSDK製品をリリースし、ロボット顧客がエッジ側で使用できるようにします。これにより、Gemini330シリーズカメラを使用するロボットはより良い深度効果を得ることができます。また、年末にはLingBot-Depthの商用版を統合した一体化カメラ製品をリリースする予定であり、3Dカメラと空間認識能力の一体化された納入を実現します。この2つのモデルのリリースにより、両社の協力はさらに多くの分野に広がる見込みです。