アリババグループ傘下の具身知能企業、Lingbo Technologyは7月7日に空間認識モデルLingBot-Depth 2.0を正式に発表し、視覚基盤モデルLingBot-Visionも同時にリリースしました。この2つのモデルは協調して動作し、物理的な現実世界におけるロボットの空間認識能力をさらに向上させます。LingBot-Depth 2.0は1.5億のデータを基に訓練されており、前世代の300万データセットと比較して著しい向上を実現しています。このモデルは、エッジの明瞭さ、小さな物体の認識、遠距離の深度推定、複雑なシーンのロバスト性など、複数の次元で全面的にアップグレードされています。
LingBot-Depth 2.0は深度補完ベンチマークテストで優れたパフォーマンスを発揮
深度補完ベンチマークの16項目の評価において、LingBot-Depth 2.0は12項目で1位を獲得し、特に屋内の広範囲にわたる深度欠損シーンにおいて、深度誤差が前世代に比べて約50%低下しました。ガラス、鏡面、透明物体など、従来の深度カメラが失敗しやすいシーンにおいて、LingBot-Depth 2.0のパフォーマンスは特に際立っており、完全で平坦な3次元構造図を補完することができます。
同時に、Lingbo Technologyは視覚基盤モデルLingBot-Visionも発表しました。これは業界初の「境界構造」を事前訓練の目標とした視覚モデルであり、サブピクセルレベルの境界定位と空間構造理解を実現します。今回オープンソースされたViT-G/L/B/Sの4つのバージョンのモデル重みと完全な技術報告は、開発者コミュニティが無料で使用し、二次開発できるようになっています。
商業化の実現に関して、アリババLingboはオビ中光とのさらなる協力を発表しました。両者はデータ収集、SDK統合、統合3Dカメラなどの方向で製品の実現を進め、LingBot-Depth機能を統合したSDKと商業版統合カメラ設備をリリースする計画です。これはロボットにより高精度な空間認識能力を提供し、具身知能産業のスケールアップを加速することを目的としています。