在计算机视觉领域，机器如何像人类一样实时感知并重建三维空间，一直是无人驾驶、增强现实和机器人导航等应用的核心难题。蚂蚁集团旗下研究团队提出的新系统LingBot-Map，通过模仿人类空间记忆机制，在流式三维重建任务中实现了突破性进展。该系统以每秒20帧的实时速度处理千帧级长视频，在多个公开基准测试中超越传统离线优化方法，相关成果已预印本形式发布于arXiv平台。
传统方案面临双重困境：单目摄像头获取的二维图像缺乏绝对距离信息，而实时处理要求系统必须边接收数据边计算位置。随着视频长度增加，微小误差会像滚雪球般累积，导致重建的地图逐渐"漂移"；若保存所有历史帧的完整信息，内存消耗又将呈线性爆炸式增长。研究团队从人类认知模式中汲取灵感，将空间记忆分解为三个层级：固定起点的锚定坐标系、记录近期轨迹的局部窗口、压缩历史路径的全局摘要。
系统核心的几何上下文注意力机制（GCA）通过三层记忆架构实现高效计算。初始帧被设定为锚点，建立坐标系和比例尺基准；最近16-64帧构成局部窗口，提供密集的几何比对线索；历史帧则被压缩为仅含6个参数的"摘要令牌"，记录摄像机位姿的核心信息。这种设计使每新增一帧仅增加6个计算单元，相比传统方法需要处理500个完整图像令牌，内存占用降低近80倍。研究团队特别引入视频时序位置编码技术，为历史摘要添加时间标记，确保系统能感知帧间先后顺序。
训练阶段采用独特的两阶段策略：基础模型先在29个数据集的短序列上预训练几何推理能力，消耗2.15万GPU小时；流式模型再通过渐进式视图课程学习长序列处理，从24帧逐步扩展至320帧，配合相对位姿损失函数强化局部一致性。针对数据多样性问题，团队开发了折返视频采样器，通过随机步长和折返策略生成自然变化的训练片段，并整合Habitat-Sim仿真环境生成跨房间导航数据，使模型能应对剧烈场景切换。
在牛津尖塔数据集的3840帧超长序列测试中，LingBot-Map的绝对轨迹误差（ATE）仅7.11米，而同类最佳流式方法达到32.47米，甚至超越需要全局优化的离线系统。ETH3D数据集上的点云重建F1分数达98.98%，较次优方法提升22个百分点。可视化结果显示，其他方法因轨迹漂移导致建筑边缘出现重影，而该系统生成的点云轮廓清晰、墙面连续。
系统支持直接输出和视觉里程计两种推理模式。前者适用于3000帧以内的常规场景，后者通过局部窗口拼接处理城市级长视频，虽牺牲少量精度但实现内存恒定。关键帧选择机制根据光流变化动态保留信息，配合分页KV缓存技术将推理速度提升至每秒20帧。实验表明，固定局部窗口比完整因果注意力内存下降2.7倍，轨迹精度反而更高，证明针对性保留关键信息比堆砌数据更有效。
这项研究为实时三维重建提供了新范式。相比依赖激光雷达的高成本方案，LingBot-Map仅需普通摄像头即可工作，显著降低自动驾驶、增强现实等领域的部署门槛。目前系统尚未实现主动闭环检测，在极端长序列中可能丢失细节。研究团队计划将闭环机制融入注意力计算，并探索动态场景处理和多传感器融合方向，相关代码和演示资源已公开于GitHub仓库。
