# 地平线发布LoFT视频几何模型，9.6亿帧数据训练达SoTA

> 原文链接：https://robotics.hellobike.com/news/2026-11-19-loft-sota
> 频道：news | 更新日期：2026-11-19 | 标签：auto, rss, ithome
> 核心摘要：地平线机器人实验室发布原生视频几何基础模型LoFT，采用双循环Transformer架构联合预测位姿与深度。基于9.62亿帧数据训练，在SpatialBench等三大评测中多项指标达SoTA，支撑机器人空间感知与环境理解。

# 地平线发布LoFT视频几何模型，9.6亿帧数据训练达SoTA

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[地平线发布 LoFT 原生视频几何基础模型，多项指标达到 SoTA](https://www.ithome.com/1/029/140.htm)（IT之家）

## 核心内容

地平线机器人实验室正式发布原生视频几何基础模型LoFT（Looped Foundation Transformer for Video Geometry），旨在解决机器人空间感知与环境理解难题。该模型能从RGB视频中联合预测相机位姿、内参及逐帧深度以恢复三维结构。为支撑规模化训练，团队构建了统一三维重建平台，包含约297万条有效序列及9.62亿帧图像，覆盖仿真与真实、动静态多样化场景，并在SpatialBench、ClassicBench和VRBench三套评测体系中多项深度估计指标达到SoTA水平。

LoFT采用原生双循环Transformer架构：第一循环通过局部与全局时序注意力聚合跨帧信息，利用相邻帧连续性与跨视角几何关联扩大感受野；第二循环显式更新相机位姿与内参并反馈至特征计算，结合双循环特征预测逐帧深度及置信度。该方案实现了Coarse2Fine几何与姿态估计，适用于机器人第一人称视频、动态街道、室内操作及开放环境探索，能在高频动态场景下实现精准空间感知与文字级精细几何重建。

## 关键看点

- **双循环架构**：LB1提取通用几何特征，LB2实现Coarse2Fine估计，显式迭代优化相机状态
- **海量数据基座**：整合297万条有效序列与9.62亿帧图像，统一清洗筛选策略支撑规模化训练
- **多维基准SOTA**：在SpatialBench等三大评测体系胜出，覆盖12个数据集及98个连续视频场景
- **具身感知落地**：支持第一人称视频与动态场景三维重建，恢复相机轨迹与可见三维结构

## 工程与产业观察

LoFT验证了原生视频几何建模在具身智能中的有效性。其双循环架构将时序关联与几何约束深度融合，配合近10亿帧级数据规模，显著提升了纯视觉方案在动态复杂环境下的三维恢复精度。这为机器人摆脱对LiDAR依赖、实现低成本端到端空间理解提供了新的算法范式与数据工程参考。
:::

## 原始参考来源 (Sources)

- [IT之家：地平线发布 LoFT 原生视频几何基础模型，多项指标达到 SoTA](https://www.ithome.com/1/029/140.htm)