北京
高德在8月28日发布了一款流式3D重建模型，名字叫ABot-Recon。它最特别的地方，是彻底放弃了传统方案里的长程记忆锚点，只靠最近12帧连续画面，就能实时稳定重建上万帧的3D场景。项目已经在GitHub开源代码与权重，魔搭社区也上线了体验专区。
12帧局部窗口替代长程记忆
传统流式3D重建依赖长程记忆锚点来维持全局一致，但序列一长，速度会变慢，精度会下降，显存也会暴涨。ABot-Recon走的是另一条路：局部位姿预测加残差优化。它把最近12帧连续画面作为局部上下文窗口，预测局部点云和相对位姿，再通过在线组合与纠偏机制实时校准误差。
这样做的好处是计算复杂度保持恒定，不会因为视频变长就让显存和计算量跟着膨胀。文章里有一句话概括得很直接：让模型走得更远，未必要记得更多。仅看12帧的模型，反而走出了更准、更快、更省的一条路。
精度、速度、显存三项都拿到SOTA
在Oxford Spires长序列基准测试中，ABot-Recon的平均轨迹误差比行业代表方法LingBot-Map降低了40.6%，相对旋转误差低至0.12°，是同类流式方法里的最优水平，比前代SOTA降低约40%。在KITTI-02测试中，它实现了24.45FPS的实时重建，推理速度达到同类方法的1.24倍。
显存占用同样压得很低。峰值显存只有约6.71GB，大约是同类模型的三分之一。消费级显卡GTX 1080Ti就能跑起来，而且只需要单目RGB视频输入，不需要额外传感器数据。
面向测绘、自动驾驶和具身智能
高德把ABot-Recon定位在几个具体场景里：测绘私域建图、具身智能、自动驾驶和3D内容生产。这些方向对实时性和硬件成本都很敏感，一个能在消费级显卡上跑万帧级重建的模型，意味着部署门槛会低很多。
目前开源的内容包括推理代码、评测代码和权重。对开发者来说，可以直接在GitHub上拿到完整实现，也可以在魔搭社区体验效果。从技术路径看，ABot-Recon用局部窗口加残差优化的方式，绕开了长序列重建里最棘手的记忆膨胀问题，给流式3D重建提供了一个新的解法。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
