一颗RGB摄像头，让机器人学会记住空间

机器人正在学习一种曾经只属于人类的能力：记住自己走过的世界。第一次进入陌生房间时，人不会逐帧存储一切，而是记住关键结构：门、桌子、经过的位置以及自己当前所处的位置。这种选择性记忆支撑了人类在复杂环境中的持续行动，也是机器人走向真实世界必须解决的问题。

今年4月，蚂蚁灵波开源的流式3D重建基础模型LingBot-Map，正是在“机器人如何记住空间”这一核心问题上探索出新路线。无需复杂硬件，仅靠一颗普通RGB摄像头，就能在视频采集过程中实时完成相机位姿估计与场景三维结构重建，填补了实时空间感知领域的关键技术空白。在穿越多房间的长序列中，面对环境剧变与大幅视角变换，LingBot-Map仍表现出极强的鲁棒性。

截至目前，LingBot-Map官方GitHub项目已获得16.9K Stars、1.9K Forks，并多次登上GitHub Trending，成为3D视觉领域备受关注的开源项目之一。

如今这项研究迎来新的认可。其论文《Geometric Context Transformer for Streaming 3D Reconstruction》入选ECCV 2026 Oral，将在会议期间进行口头报告。在ECCV开幕式上，机器之心前方编辑还在Award Candidates名单中看到了这项工作。从GitHub社区的高度关注到顶级视觉会议的认可，LingBot-Map完成了从开发者生态到学术界的双重验证。更重要的是，它背后反映出一个变化：机器人空间感知的竞争，正在从看见世界走向记住世界。

在入选ECCV Oral之前，LingBot-Map已在开源社区收获大量关注。有人快速完成复现验证，有人把它搬到不同硬件环境尝试运行，也有开发者探索新的空间数据采集方式。开源后不久，有开发者制作了可在Apple Silicon Mac上本地运行的原生桌面前端和3D点云查看器；也有人基于Pinokio制作一键启动方案，封装环境配置、依赖安装及Demo运行流程，让没有复杂配置经验的用户也能快速体验。

开发者还开始扩展其硬件适用范围。有人针对RTX 4060 8GB显存设备进行适配，通过优化运行策略降低显存压力，让模型运行在更轻量的GPU环境中。在X平台上，有开发者关注到，过去部分高精度三维扫描依赖专业LiDAR设备或复杂离线优化流程，而LingBot-Map通过普通视频流实现实时流式重建，仅需单GPU即可运行，达到约20 FPS，并能处理超过10,000帧的长序列输入。基于此，有人将Ray-Ban Meta Gen-2智能眼镜改造成3D扫描设备，通过手机App采集数据，调用部署在RunPod上的LingBot-Map后端，约30秒内完成所在空间的三维建图。还有用户在普通戴尔台式机上运行LingBot-Map，仅对办公桌进行一次视频采集，约61.5秒后便获得可交互浏览的三维点云模型。

开源之后，团队持续更新评测脚本、推理优化、示例案例及问题修复，提升项目可用性和稳定性。官方还展示了超长视频重建结果：在约25,000帧、持续13分钟的室内行走视频中，LingBot-Map仍能保持连续重建，生成完整的三维空间表示。

那么，LingBot-Map究竟解决了什么问题？答案需回到机器人空间感知中最核心的挑战：如何让机器人在不断增长的视频输入中，既保持对空间的长期记忆，又避免计算和存储成本随时间无限增加。流式重建相比离线重建，要面对一个核心矛盾：保留更多历史信息可提升空间一致性，但历史越来越长也会让计算和存储成本快速增长。现有方法大致采用三种路线：基于causal attention的方案缓存之前所有帧的信息，拥有完整上下文，但显存和计算量随序列增长不断增加；循环网络式结构压缩历史状态，但压缩过度可能导致模型遗忘关键几何信息，长时间运行后出现轨迹漂移；结合传统SLAM的方法通过关键帧选择和优化算法维持稳定性，但依赖人工设计规则，需要额外优化过程，难以兼顾实时性。

因此，真正困难的问题是：机器人面对不断增长的视频流，哪些空间信息必须保留，哪些可以舍弃？LingBot-Map将这个问题称为streaming reconstruction中的context management。它希望让模型像人类空间记忆一样，只保留最重要的几何线索，而不是记录所有观察。

为此，LingBot-Map提出了Geometric Context Attention（GCA，几何上下文注意力）。其核心思想来自传统SLAM：一个稳定的空间系统通常需要三类信息：一个固定参考点用来确定坐标；附近区域的信息用来判断当前位置；长距离历史用来避免累计漂移。因此，GCA将流式状态拆成三个部分。