Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes
Aggiunta all'archivio di AIChronos il (numero del 14 ottobre 2026 ricostruito)· fonte del · Yu Wang, Rui Dai, Wei Chen, Yi Wang, Bo Dang, Kaikui Liu (alibaba)
Urbex è un framework vision-language agentic che riformula il grounding su larga scala delle città come ricerca spaziale attiva invece di ranking basato su candidati precalcolati. Il sistema rappresenta la scena urbana come un ambiente multi-view interattivo, permettendo a un agente VLM di interrogare punti di riferimento, zoommare sulle regioni locali e renderizzare viste oblique per commettere bounding box groundati. La politica d'uso degli strumenti viene ottimizzata tramite reinforcement learning su CityRefer utilizzando reward di localizzazione fluidi e shaping rewards leggeri per esplorazione efficiente.
- Urbex supera l'inefficienza dei metodi tradizionali che richiedono proposte istanziali precalcolate in grandi scene outdoor.
- Il framework supporta il grounding senza candidati (candidate-free) eliminando la dipendenza da ground-truth boxes per le query iniziali.
- L'ottimizzazione tramite reinforcement learning garantisce prestazioni superiori su CityRefer rispetto alle baseline di ranking esistenti.
- I risultati zero-shot su STPLS3D-Refer dimostrano una robustezza migliorata nella cross-scene generalization.
- Il sistema è sostanzialmente più veloce delle baselines city-scale per il ranking, offrendo un vantaggio significativo in termini di latenza.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti AI locali, Urbex offre una via d'uscita dall'inferimento pesante su dati non strutturati trasformando la ricerca spaziale complessa in un processo iterativo guidato da reward efficienti. Questo approccio riduce drasticamente il consumo di risorse computazionali rispetto ai metodi basati sul ranking massivo, rendendo fattibile l'integrazione di grounding 3D ad alta precisione in applicazioni edge o con vincoli stretti.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.