arXiv cs.AI· Yu Wang, Rui Dai, Wei Chen, Yi Wang, Bo Dang, Kaikui Liu, Xiangxiang Chu, Yansheng Li·· 3 天前AI 评分26
Urbex：面向城市级 3D 场景的智能体空间定位框架
Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes
AI 导读
Urbex 是一个智能体视觉语言框架，将城市级 3D 定位重构为主动空间搜索，让 VLM 智能体查询地标、缩放局部区域、渲染斜视图并输出定位边界框。该框架在 CityRefer 上通过强化学习优化工具使用策略，取得最佳 Hit@1 和 IoU，无需候选框与真值框，且显著快于最强的城市级排序基线。在 STPLS3D-Refer 上的零样本结果进一步显示跨场景鲁棒性提升。
正文 · AI 翻译
摘要：城市尺度 3D 定位通常被表述为候选排序，这需要预先计算实例提议，在大规模户外场景中效率低下。我们提出 Urbex，一个智能体式视觉语言框架，转而将定位视为主动空间搜索。Urbex 将城市尺度 3D 场景表示为交互式多视图环境，允许 VLM 智能体查询地标、放大局部区域、渲染斜视图，并提交定位边界框。我们在 CityRefer 上通过强化学习优化这一工具使用策略，使用平滑定位奖励和轻量塑形奖励以实现高效探索。实验表明，Urbex 在 CityRefer 上取得了最佳的 Hit@1 和 IoU，支持无需真值框的无候选定位，并且比最强的城市尺度排序基线快得多。在 STPLS3D-Refer 上的零样本结果进一步表明跨场景鲁棒性有所提升。
| 评论： | NeurIPS 2026。23 页，10 幅图。代码：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.18356 [cs.CV] |
| （或 arXiv:2610.18356v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18356 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wang Yu [查看邮箱]
[v1]
2026 年 10 月 13 日星期二 13:23:24 UTC（15,530 KB）
来源：arXiv cs.AI · arxiv.org