11月18日,地平线机器人实验室在京发布原生视频几何基础模型LoFT。该模型面向连续视频建模,采用双循环Transformer架构,可从RGB视频中联合预测相机位姿、内参及逐帧深度,恢复三维场景结构。其训练基于约297万条序列、9.62亿帧图像的多场景数据集。在SpatialBench等三大评测体系中,LoFT多项深度估计指标达业界最优(SoTA)。模型适用于机器人感知、自动驾驶及室内环境重建等具身智能场景。