長時間の3D空間をAIに理解させるには、過去の情報を大量に覚え続ける必要があるのでしょうか。Amapの「ABot-Recon」は、各時点で直近12フレームだけを局所コンテキストとして処理しながら、長大なシーンを再構成するという逆方向のアプローチを示しています。
2026年8月28日、Alibaba傘下のAmapは、ストリーミング3D再構成モデル「ABot-Recon」を発表した。直近12フレームを固定長の局所コンテキストとして利用し、1万フレーム超のシーンをリアルタイムで再構成する。
Oxford Spiresでは平均軌跡誤差を40.6％削減し、KITTI-02ではH100環境で24.45 FPS、ピークメモリ約6.71GiB（入力ストレージ除く）を記録。単眼RGB映像のみで動作し、推論コードや事前学習済みウェイトも公開されている。
【編集部解説】
ABot-Reconで最も重要なのは、単純に「1万フレーム以上を3D化できる」という性能値ではありません。Amapが採用したのは、過去の大量の情報をモデル内部に保持し続けるのではなく、直近12フレームという固定された範囲だけを繰り返し処理する設計です。
公式リポジトリによると、ABot-Reconは各時点で過去11フレームのKV特徴をキャッシュし、現在フレームの点群と隣接フレーム間の相対姿勢を推定します。その相対姿勢を順番につなぎ合わせることで、カメラのグローバルな移動軌跡と3D点群を構成します。モデルが保持する状態と1フレーム当たりの計算量は、処理済みシーケンスの長さに依存しない設計です。
ここが従来型との大きな差です。Amapは、長時間のストリーミング3D再構成では、過去の情報を保持・統合する長距離状態を導入する手法が使われてきたと説明しています。一方、履歴が長くなるほど計算やメモリの負担も増えやすくなります。ABot-Reconは、長距離情報をモデルに直接保持する方向ではなく、同じ小さな局所問題を何度も解く方向へ設計を振っています。
ただし、局所的な位置関係を順番につないでいく方式には弱点があります。1回ごとの姿勢推定にわずかな誤差があれば、それを何千回も積み重ねることで軌跡が徐々にずれる、いわゆるドリフトが発生するためです。
ABot-Reconでは、この問題に対して軽量なmotion-visual rotation refinerと、連続する姿勢合成を意識したpose lossを導入しています。Amapはこれらによって、長時間にわたって局所姿勢を合成した際の誤差を抑えると説明しています。
公開されている結果では、Oxford Spiresのカメラ姿勢推定でATE（Absolute Trajectory Error）が4.35m、RPE-Rが0.12度でした。この評価はストリーミングモデル単体かつループクロージャーなしの条件です。また、高密度3D再構成ではChamfer Distanceが1.37m、F1スコアが91.81％とされています。
PR発表では、Oxford Spiresで従来の主要手法と比較して平均軌跡誤差を40.6％削減したとしています。
重要なのは、12フレームしか見ないこと自体が精度向上の理由だと断定できるわけではない点です。補正機構や学習方法も含めたモデル全体の結果であり、「短期記憶にすれば必ず精度が上がる」と一般化できるデータではありません。
「6.71GiBだからGTX 1080 Tiで動く」は慎重に見る必要がある
性能面では、KITTI-02で24.45 FPS、ピークGPUメモリ使用量6.71GiBという結果が公開されています。
一方で、この数値には注意が必要です。公式リポジトリでは、24.45 FPS／6.71GiBのランタイムベンチマークはNVIDIA H100、504×280ピクセルで測定されたものと明記されています。また、公開環境自体はNVIDIA A100で検証されています。
PRでは「GTX 1080 Tiでパイプラインを実行できる」としていますが、GitHub上ではGTX 1080 Tiを使用した同等の速度検証結果は確認できません。
したがって現時点では、「約6.71GiBというメモリ量に抑えられた」ことと、「GTX 1080 TiでもH100と同程度のリアルタイム性能を得られる」ことは分けて考える必要があります。
ABot-Reconの設計から読み取れるのは、長時間動作する空間認識AIでは、「過去をどれだけ多く覚えるか」だけが性能向上の方向ではないということです。
公式実装では最大ストリーム長の初期設定が22,000フレームとなっており、ベースモデルはループクロージャーなしでも動作します。一方、同じ場所を再訪する映像では、DINOv2-SALADによる候補検索と姿勢グラフ最適化を利用する任意のループクロージャー機能も用意されています。
つまり、ABot-Reconは「過去を一切利用しない」モデルではありません。モデル本体では固定された局所コンテキストを使いながら、必要に応じて外部の軌跡補正も組み合わせられる構成です。この区別は、今回の「長距離メモリを不要にした」という発表を理解する上で重要です。
自動運転やEmbodied AIでは、数秒の画像認識だけでなく、移動し続けながら空間を把握する必要があります。ABot-Reconが示しているのは、そうした長時間処理を実現するために、AIへ巨大な記憶を持たせ続けるのではなく、小さな局所認識を高速かつ安定して接続するという別の設計方向です。現時点では公開ベンチマーク上の成果であり、実車や実ロボットで同じ精度・速度が維持できるかは、今回の発表だけでは確認できません。
【関連記事】
ゲームを手放した後に残ったもの──Niantic Spatial「Scaniverse」と空間データの行方
AIが現実世界を理解するには、3D空間を作る技術だけでなく、その空間データをどう蓄積し利用するかも重要です。Niantic Spatialが進める「機械が読める世界地図」の取り組みもあわせてご覧ください。
ロボット界の「Llama」になるか？ 産業自動化を民主化する3D認識AI「SPEAR-1」
再構成された3D空間を、AIはどのようにロボットの行動へ結び付けるのでしょうか。3D空間理解をロボット操作に取り入れたSPEAR-1の記事では、その先にある実装を確認できます。
日産とWayve、次世代ProPILOTにエンボディドAI搭載で2027年度量産へ
長時間の空間認識が重要になる代表的な用途が自動運転です。AIが現実の道路環境を認識しながら走行する技術が、量産車へどう実装されようとしているのかもあわせて確認できます。
【編集部後記】
最近のAIは「どれだけ長いコンテキストを扱えるか」という方向の進化が目立っていたので、今回のABot-Reconはかなり面白く感じました。わずか12フレームの範囲だけを見ながら、長大な3D空間をつないでいくという発想は、むしろ人間の空間認識にも少し似ている気がしますすべてを覚えておくのではなく、必要な情報だけを使い続ける設計は、ロボットや自動運転では特に重要になりそうです。
個人的には、こうした技術が実際の街中を長時間走るロボットでどこまで安定して動くのかが気になります。ベンチマークだけでなく、実環境で数時間、数十時間と動かした結果もぜひ見てみたいところです。
AIの進化は「どれだけ覚えられるか」だけでなく、「どれだけ覚えずに済むか」という方向にも進んでいくのかもしれません。
【参考リンク】
Amap｜Alibaba Group（外部）
Alibaba GroupによるAmapの公式紹介ページ。デジタル地図、ナビゲーション、リアルタイム交通情報などを提供するAmapの事業概要を掲載。
Alibaba AMAP CV Lab（外部）
Amapのコンピュータビジョン研究チーム公式GitHub。空間認識、ナビゲーション、ワールドモデル、ロボティクスなどの研究・オープンソースプロジェクトを公開。
ABot-Recon 公式リポジトリ（外部）
ABot-Reconの推論コード、評価コード、技術レポート、使用方法、ベンチマーク結果を公開する公式リポジトリ。
ABot-Recon 学習済みモデル（外部）
Alibaba AMAP CV Labによる公式モデルページ。学習済みウェイトはCC BY-NC 4.0で公開され、ソースコードはApache 2.0で提供。
【参考記事】
ABot-Recon: Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction｜Alibaba AMAP CV Lab（外部）
固定12フレームの局所コンテキスト、軌跡の逐次合成、Oxford SpiresやKITTIでの評価、実行環境、ループクロージャーなどを確認できる公式資料。
ABot-Recon Technical Report｜Alibaba AMAP CV Lab（外部）
ABot-Reconのアーキテクチャ、学習方法、評価条件、各ベンチマークでの比較結果をまとめた公式技術レポート。
Alibaba AMAP CV Lab｜GitHub（外部）
ABot-Reconだけでなく、ナビゲーション、ロボット操作、ワールドモデルなどAmapが進める空間知能関連プロジェクトを一覧できる公式ページ。
【用語解説】
ストリーミング3D再構成
カメラから連続して入力される映像を処理しながら、周囲の3D形状やカメラの移動軌跡を逐次生成する技術。ABot-Reconでは、映像全体を一括処理せず、固定長の局所コンテキストを連続的に処理する方式を採用。
点群（Point Cloud）
3次元空間上に多数の点を配置して、物体や建物、道路などの形状を表現するデータ形式。それぞれの点がXYZ座標や色情報などを持ち、3D地図作成やロボットの空間認識などで利用。
ATE（Absolute Trajectory Error）
推定されたカメラやロボットの移動軌跡と、正解となる軌跡との位置的なずれを測定する評価指標。一般に値が小さいほど、長距離を移動した際の軌跡推定が正確であることを示す。
RPE-R（Relative Pose Error – Rotation）
隣接する時点間で推定された姿勢変化について、回転方向の誤差を評価する指標。ABot-ReconではOxford Spiresで0.12度という結果が報告されている。
KVキャッシュ（Key-Value Cache）
Transformer系モデルで、過去に計算したKeyとValueの特徴量を保存して再利用する仕組み。ABot-Reconでは直前11フレーム分のKV特徴をキャッシュし、現在のフレームと合わせた12フレームを局所コンテキストとして処理する。
ドリフト（Drift）
位置や姿勢の小さな推定誤差が連続処理によって蓄積し、長時間の移動後に実際の位置から大きくずれていく現象。SLAMやVisual Odometry、3D再構成などで課題となる。
ループクロージャー（Loop Closure）
以前訪れた場所へ再び到達したことを検出し、蓄積した軌跡誤差を補正する技術。ABot-Reconではベースモデルとは独立した任意機能として実装され、DINOv2-SALADによる候補検索と姿勢グラフ最適化を利用する。
Embodied AI（エンボディドAI／身体性AI）
ロボットや自動運転車などの身体やセンサーを通じて現実世界を認識し、判断・行動するAI。3D空間の認識や自己位置推定は、現実環境を移動するEmbodied AIを構成する重要な要素。
