计算机科学 > 人机交互
[提交于 2025年8月21日
]
标题: “咖啡馆入口看起来可以进入吗? 门在哪里?” 面向视觉询问的地理空间人工智能代理
标题: "Does the cafe entrance look accessible? Where is the door?" Towards Geospatial AI Agents for Visual Inquiries
摘要: 交互式数字地图彻底改变了人们旅行和了解世界的方式;然而,它们依赖于GIS数据库中的现有结构化数据(例如,道路网络、兴趣点索引),这限制了它们解决与世界外观相关的地理视觉问题的能力。 我们提出了Geo-Visual Agents的愿景——一种多模态AI代理,能够通过分析大规模地理空间图像库(包括街道景观(例如,Google街景)、基于地点的照片(例如,TripAdvisor、Yelp)和航空影像(例如,卫星照片)以及传统GIS数据源,来理解和回应关于世界的细微视觉空间查询。 我们定义了我们的愿景,描述了感知和交互方法,提供了三个示例,并列出了未来工作的关键挑战和机遇。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.