近年来，机器人、增强现实与智能制造等场景对空间感知能力提出更高要求，深度估计与深度补全等技术成为三维视觉的关键底座；然而，业内公开深度数据资源长期存“体量不够、真景不足、设备单一”的结构性短板，导致模型在实验室效果可观，走入真实环境后却常因噪声、空洞、材质反射等问题出现性能衰减，制约了有关技术规模化落地。 在这个背景下，蚂蚁灵波科技3月31日宣布开源LingBot-Depth-Dataset。该数据集总规模约2.71TB，包含300万对高质量样本，其中200万对来自真实场景采集、100万对由渲染生成。业内普遍认为，大规模真景数据难点在于采集成本高、标定与标注流程复杂、跨设备一致性难保障。此次开源以真实采集为主体，并将不同来源的数据统一到可用于训练与评测的标准形态，有助于缓解空间感知领域“数据供给不足”问题。 从数据结构看，该数据集为每条样本提供三项关键信息：RGB图像、传感器原始深度图以及真值深度图。相较只提供单一深度结果的常见数据集，这种“原始深度+真值深度”的组合既能用于深度估计模型的监督训练，也便于针对真实传感器缺陷开展深度补全、去噪与域适配研究。尤其在透明玻璃、镜面反光、逆光强阴影等复杂条件下，真实传感器的空洞与异常深度更具代表性，能够让模型在训练阶段就面对真实世界的不确定性，从而提升泛化能力。 从硬件覆盖看，该数据集适配Orbbec335、Orbbec335L以及Intel RealSense D405、D415、D435、D455等6款主流深度相机。当前深度相机在成像原理、工作距离、抗干扰能力与噪声分布上存在差异，模型若仅在单一设备数据上训练，往往需要在落地时进行大量再采集与再训练。多设备覆盖有助于形成更通用的评测基线，推动模型在不同设备间迁移与适配，降低产业端的二次开发成本。 开源的实际价值，也体现在对算法验证与工程应用的推动上。据介绍，蚂蚁灵波此前发布的空间感知模型LingBot-Depth以该数据集作为核心训练数据，并在室内场景深度预测与稀疏深度补全等任务上取得较大幅度误差下降。结合产业实践，若软件算法能够在不升级硬件的情况下改善深度图完整性、平滑性与边缘清晰度，将有望提高现有设备的使用寿命与性价比，进而推动更多中低成本深度传感器进入更复杂的应用现场。 对高校与科研机构而言，此次开源有望降低深度数据采集、标定与标注门槛。一上，研究者可直接基于大规模真景数据开展可复现的对比实验，减少“数据各自为政”带来的结果不可比；另一方面，面向具身智能、室内导航、抓取操作等任务，真实采集数据能更有效地检验算法对复杂材质与光照变化的适应能力，加速从论文指标向工程指标转化。 展望未来，随着具身智能加快从实验室进入家庭、仓储、商超与工厂等场景，空间感知能力将更强调稳定性、跨域泛化与可评测性。以真实采集为主体、兼顾多设备覆盖的大规模RGB-D数据集，有望成为行业“基础设施”之一，带动数据、算法、硬件与应用形成更高效的协同迭代。同时，围绕数据质量标准、隐私合规边界、跨场景评测协议等配套机制的完善，也将成为开源生态走向成熟的重要方向。
高质量数据资源是技术创新的重要基础。蚂蚁灵波开源深度数据集展现了开放协作对行业发展的推动作用。随着更多机构加入数据共享，人工智能技术的应用边界将更扩展，为产业升级提供新动力。