天下苦機(jī)器人看不清透明和反光物體久矣。

畢竟就連小動(dòng)物甚至人，有時(shí)候一個(gè)不小心，都會(huì)搞笑地撞到干凈的玻璃門……

不僅如此，若是讓機(jī)器人拿起透明的玻璃杯、反光的不銹鋼物體，他們也會(huì)經(jīng)常出現(xiàn)“突然看不清了”的情況。

這一切的問題，正是出在了機(jī)器人的眼睛——深度相機(jī)。

因?yàn)闊o論是基于結(jié)構(gòu)光還是雙目立體視覺的深度相機(jī)，它們的工作原理都是依賴物體表面對光線的穩(wěn)定反射。

而透明材質(zhì)會(huì)讓光線直接穿透，高反光材質(zhì)則會(huì)將光線漫反射到四面八方，導(dǎo)致傳感器無法接收到有效的回波信號(hào)，從而產(chǎn)生大量缺失或錯(cuò)誤的深度值。

對比一下我們?nèi)祟惪吹降膱鼍昂蜋C(jī)器人眼中的場景，就一目了然了：

毫不夸張地說，這類讓機(jī)器人睜眼看不清的問題，一直是阻礙它們安全地走進(jìn)家庭、商場和醫(yī)院等場景的Big Big Big Problem！

但現(xiàn)在，隨著一項(xiàng)新技術(shù)的提出，機(jī)器人的眼疾終于算是被治好了——

螞蟻集團(tuán)的具身智能公司螞蟻靈波科技（Robbyant），開源了全球看得最清楚的深度視覺模型，LingBot-Depth。

同樣是上面兩個(gè)場景，我們直接來看下在LingBot-Depth加持下的效果：

也正因如此，機(jī)器人現(xiàn)在不論是抓取反光的不銹鋼杯子，還是透明的玻璃杯，都是易如反掌：

視頻地址：https://mp.weixin.qq.com/s/y-5vx4MVlkucEMwxNQunJA

用一句經(jīng)典歇后語來表達(dá)這個(gè)feel，或許就是“老太太戴眼鏡——不簡單”。

確實(shí)不簡單。

因?yàn)長ingBot-Depth不僅解鎖了“全球看得最清楚”的頭銜，還是首次在不需要換硬件的條件下就能實(shí)現(xiàn)的那種。

那么螞蟻靈波到底是怎么做到的，我們這就細(xì)扒一下論文。

咋就一下子能看清了？

在很多非專業(yè)討論中，透明和反光常常被混為一談，統(tǒng)稱為視覺難點(diǎn)。

但若是從算法層面來看，它倆其實(shí)是兩類截然不同、甚至相反的問題。

首先，透明物體的問題在于信息缺失。

玻璃幾乎不提供穩(wěn)定的紋理，也不會(huì)像普通物體那樣反射環(huán)境光，相機(jī)看到的，更多是背景的延續(xù)。

對于深度模型來說，它既不知道玻璃本身到哪兒才算結(jié)束，也不知道真實(shí)厚度和形態(tài)。

而反光物體的問題，恰恰相反，是信息過載。

高反射率表面會(huì)把環(huán)境、光源、相機(jī)本身統(tǒng)統(tǒng)映射進(jìn)畫面，導(dǎo)致同一物體在不同角度、不同時(shí)間下呈現(xiàn)完全不同的外觀。

因此，模型很難判斷，哪些像素屬于物體，哪些只是倒影。

這也意味著，如果用一套統(tǒng)一的假設(shè)去處理這兩類問題，往往兩頭都做不好。

LingBot-Depth的一個(gè)重要設(shè)計(jì)思想，正是明確區(qū)分透明和反光這兩種類型的物理成因，而不是把它們簡單當(dāng)成噪聲。

為此，螞蟻靈波團(tuán)隊(duì)想到了一個(gè)非常反直覺的解法：

既然傳感器在這些地方失效了，那這個(gè)失效本身，不就是一種最有力的特征嗎？

因?yàn)閭鞲衅鬏敵龅哪切┤笔^(qū)域，其實(shí)是一個(gè)天然的掩碼（Natural Mask），起碼可以告訴模型這塊區(qū)域有問題。

受今年大火的MAE（Masked Autoencoders）的啟發(fā)，團(tuán)隊(duì)便提出了一種名為Masked Depth Modeling（MDM，掩碼深度建模）全新范式。

簡單來說，LingBot-Depth在訓(xùn)練的過程中，會(huì)把深度圖中那些天然缺失的區(qū)域作為掩碼，然后要求模型僅憑完整的RGB彩色圖像和剩余的有效深度信息，去腦補(bǔ)出被掩碼遮住的那部分深度。

但這個(gè)過程也是非常具有挑戰(zhàn)性的。

模型必須學(xué)會(huì)從RGB圖像中挖掘出極其細(xì)微的線索，比如玻璃邊緣的折射畸變、反光表面的環(huán)境倒影、物體的輪廓和陰影，然后將這些視覺上下文與已知的幾何信息進(jìn)行深度融合，才能做出準(zhǔn)確的推斷。

為了實(shí)現(xiàn)這一目標(biāo)，LingBot-Depth在技術(shù)架構(gòu)上也是做了一些小巧思：

首先是聯(lián)合嵌入的ViT架構(gòu)。

模型采用視覺Transformer（ViT-Large）作為主干網(wǎng)絡(luò)，它會(huì)對輸入的RGB圖像和深度圖分別進(jìn)行分塊（Patch Embedding），生成兩組Tokens。

為了區(qū)分這兩種模態(tài)，模型還引入了模態(tài)編碼（Modality Embedding），告訴網(wǎng)絡(luò)哪些令牌來自顏色，哪些來自深度。隨后，通過自注意力機(jī)制，模型能夠自動(dòng)學(xué)習(xí)顏色與深度之間的精細(xì)對應(yīng)關(guān)系，建立起跨模態(tài)的聯(lián)合表征。

其次是智能掩碼策略。

不同于MAE中完全隨機(jī)的掩碼，MDM的掩碼策略更聰明。它優(yōu)先使用傳感器天然產(chǎn)生的缺失區(qū)域作為掩碼；對于部分有效、部分無效的深度塊，則以高概率（如75%）進(jìn)行掩碼；如果天然掩碼不夠，才會(huì)補(bǔ)充一些隨機(jī)掩碼。

這種策略確保了模型始終在解決最困難、最真實(shí)的問題。

最后是ConvStack解碼器。

在重建階段，模型放棄了傳統(tǒng)的Transformer解碼器，轉(zhuǎn)而采用一個(gè)名為ConvStack的卷積金字塔解碼器。

這種結(jié)構(gòu)在處理密集的幾何預(yù)測任務(wù)（如深度圖）時(shí)，能更好地保留空間細(xì)節(jié)和邊界銳度，輸出的深度圖更加清晰、連貫。

此外，在數(shù)據(jù)采集與實(shí)驗(yàn)驗(yàn)證環(huán)節(jié)，團(tuán)隊(duì)還使用了奧比中光（Orbbec）的Gemini 330系列雙目3D相機(jī)進(jìn)行了大量真實(shí)場景的采集與測試。

這不僅保證了數(shù)據(jù)來源的多樣性與真實(shí)性，也為模型在實(shí)際硬件平臺(tái)上的部署提供了重要支持。

通過這種方式，LingBot-Depth不僅學(xué)會(huì)了補(bǔ)全深度，更重要的是，它將對3D幾何的深刻理解內(nèi)化到了模型的“骨髓”里。

即使在推理時(shí)只給它一張單目RGB圖片（沒有任何深度輸入），它也能憑借學(xué)到的先驗(yàn)知識(shí)，估算出相當(dāng)準(zhǔn)確的深度圖，展現(xiàn)出強(qiáng)大的泛化能力。

1000萬數(shù)據(jù)煉出來的

一個(gè)模型再強(qiáng)大，也離不開高質(zhì)量、大規(guī)模的數(shù)據(jù)。

螞蟻靈波團(tuán)隊(duì)構(gòu)建了一套可擴(kuò)展的數(shù)據(jù)采集與合成的pipeline，其中，200萬來自真實(shí)世界，100萬來自高保真仿真模擬；同時(shí)，還結(jié)合了開源數(shù)據(jù)，最終數(shù)據(jù)量達(dá)到了1000萬。

在真實(shí)數(shù)據(jù)方面，團(tuán)隊(duì)設(shè)計(jì)了一套模塊化的3D打印采集裝置，可以靈活適配多種商用RGB-D相機(jī)（如Orbbec Gemini、Intel RealSense、ZED等）。

他們走遍了住宅、辦公室、商場、餐廳、健身房、醫(yī)院、停車場等數(shù)十種場景，系統(tǒng)性地收集了大量包含透明、反光、低紋理等挑戰(zhàn)性物體的真實(shí)數(shù)據(jù)。這些數(shù)據(jù)覆蓋了極其豐富的長尾場景，為模型的魯棒性打下了堅(jiān)實(shí)基礎(chǔ)。

在仿真數(shù)據(jù)方面，為了模擬真實(shí)深度相機(jī)的成像缺陷，團(tuán)隊(duì)沒有簡單地渲染完美的深度圖，而是在Blender中同時(shí)渲染RGB圖像和帶散斑的紅外立體圖像對。再通過經(jīng)典的半全局匹配（SGM）算法生成有缺陷的仿真深度圖。

這種方法能高度還原真實(shí)傳感器在面對復(fù)雜材質(zhì)時(shí)的失效模式。

值得注意的是，這套包含200萬真實(shí)和100萬仿真數(shù)據(jù)的龐大數(shù)據(jù)集，是螞蟻靈波團(tuán)隊(duì)近期計(jì)劃開源的重要資產(chǎn)，旨在降低整個(gè)行業(yè)在空間感知領(lǐng)域的研究門檻。

算法夠創(chuàng)新，數(shù)據(jù)夠硬核，這才有了LingBot-Depth突出的性能表現(xiàn)。

在多個(gè)權(quán)威的深度補(bǔ)全基準(zhǔn)測試（如iBims、NYUv2、DIODE）上，它全面碾壓了當(dāng)前最先進(jìn)的SOTA。

尤其是在最嚴(yán)苛的極端設(shè)定下（深度圖大面積缺失并伴有嚴(yán)重噪聲），LingBot-Depth的RMSE指標(biāo)比此前最好的方法降低了超過40%。

除此之外，盡管模型是在靜態(tài)圖像上訓(xùn)練的，但它在視頻序列上展現(xiàn)出了驚人的時(shí)空一致性。

在一段包含玻璃大門、有鏡子和玻璃的健身房、海洋館隧道的視頻中，LingBot-Depth 輸出的深度流不僅填補(bǔ)了原始傳感器的大片空洞，而且在整個(gè)視頻過程中保持平滑、穩(wěn)定，沒有任何閃爍或跳變。

為了驗(yàn)證LingBot-Depth 在真實(shí)世界中的價(jià)值，螞蟻靈波團(tuán)隊(duì)將其部署到了一臺(tái)真實(shí)的機(jī)器人平臺(tái)上。

這套系統(tǒng)由Rokae（節(jié)卡）XMate-SR5機(jī)械臂、X Hand-1靈巧手和搭載了 LingBot-Depth 的 Orbbec Gemini 330 系列深度相機(jī)組成。

視頻地址：https://mp.weixin.qq.com/s/y-5vx4MVlkucEMwxNQunJA

實(shí)驗(yàn)?zāi)繕?biāo)是抓取一系列對深度感知極具挑戰(zhàn)的物體：不銹鋼杯、透明玻璃杯、透明收納盒和玩具車。

在20次抓取嘗試中，使用LingBot-Depth的成功率遠(yuǎn)高于使用原始深度數(shù)據(jù)。

缺點(diǎn)，有時(shí)也是一種優(yōu)勢

解決物理世界的感知難題，好的硬件固然重要，但不一定非要死磕。

這或許就是LingBot-Depth給行業(yè)帶來的一種啟發(fā)。

因?yàn)樵谶^去，當(dāng)現(xiàn)有深度相機(jī)無法滿足需求時(shí)，唯一的出路往往是斥巨資更換更昂貴、更專業(yè)的硬件。

而LingBot-Depth提供了一條軟硬協(xié)同的路徑：它可以在不更換現(xiàn)有相機(jī)硬件的前提下，通過算法大幅提升深度感知的魯棒性與完整性。

它可以作為一個(gè)即插即用的算法模塊，無縫集成到現(xiàn)有的機(jī)器人、自動(dòng)駕駛汽車或AR/VR設(shè)備的感知鏈路中，以極低的成本，顯著提升其在復(fù)雜真實(shí)環(huán)境下的3D感知魯棒性。

例如，在與奧比中光等硬件適配的過程中，團(tuán)隊(duì)驗(yàn)證了LingBot-Depth能夠在其現(xiàn)有消費(fèi)級(jí)深度相機(jī)上實(shí)現(xiàn)接近專業(yè)級(jí)傳感器的感知效果。

這無疑將大大加速具身智能在家庭服務(wù)、倉儲(chǔ)物流、商業(yè)零售等場景的落地進(jìn)程。

更重要的是，螞蟻靈波秉承開放精神，已經(jīng)開源了LingBot-Depth的代碼和模型權(quán)重，并計(jì)劃開源其龐大的300萬RGB-D數(shù)據(jù)集。

這一舉動(dòng)將極大地降低學(xué)術(shù)界和工業(yè)界在空間感知領(lǐng)域的研究與開發(fā)門檻，有望催生更多創(chuàng)新應(yīng)用，共同推動(dòng)整個(gè)行業(yè)的向前發(fā)展。

除此之外，LingBot-Depth也是有哲學(xué)意味在身上的：

有時(shí)候，缺點(diǎn)本身就是一種優(yōu)勢。

你覺得呢？

項(xiàng)目地址：
https://technology.robbyant.com/lingbot-depth

GitHub地址：
https://github.com/robbyant/lingbot-depth

HuggingFace地址：
https://huggingface.co/robbyant/lingbot-depth