近期研究重心正从单一模态轨迹建模转向多源异构数据的系统级整合与统一表征，方法上强调跨数据集可复现性、物理一致性建模及面向真实政策/工程问题的闭环评估。
方向趋势板
每张卡片代表一个当前值得单独跟踪的研究方向，包含趋势摘要、证据化信号、反复出现的核心观点，以及可以回看的原始条目。
近期研究重心正从单一模态轨迹建模转向多源异构数据的系统级整合与统一表征，方法上强调跨数据集可复现性、物理一致性建模及面向真实政策/工程问题的闭环评估。
智能交通系统（ITS）日益依赖来自路侧摄像头、无人机影像、激光雷达（LiDAR）及车载传感器等异构数据源的数据，然而这些数据源之间缺乏统一的数据标准、模型接口与评估协议，严重制约了研究成果的可复现性、跨数据集基准测试能力以及跨区域迁移能力。现有轨迹数据集在坐标系、目标表征方式和元数据字段等方面采用互不兼容的约定，迫使研究人员为每个数据集与仿真器组合单独构建定制化预处理流程。为应对上述挑战，我们提出 Ozone——一个围绕五个相互关联层级（硬件层、数据层、模型层、评估层与原型层）构建的交通研究统一平台，各层级均配备标准化模式、自动化转换流水线及可互操作接口。在首版发布中，数据模式将四个轨迹数据集（NGSIM、highD、CitySim 和 UTE）统一为规范格式，包含朝向边界框（oriented bounding boxes）、运动学变量及预计算的代理安全指标（surrogate safety measures）。基于 CARLA 的数字孪生地图与标定后的交通模型共同构成集成式基准测试环境。在人因研究、交通场景生成与安全关键建模等案例研究中，Ozone 将实验搭建时间减少 85%，安全模型的跨城市迁移效率达 91%，跨数据集可复现性提升至方差控制在 3% 以内。源代码与数据集均已公开。
The importance of mobile phone GPS trajectory data is widely recognized across many fields, yet the use of real data is often hindered by privacy concerns, limited accessibility, and high acquisition costs. As a result, generating pseudo-GPS trajectory data has become an active area of research. Recent diffusion-based approaches have achieved strong fidelity but remain limited in spatial scale (small urban areas), transportation-mode diversity, and efficiency (requiring numerous sampling steps). To address these challenges, we introduce TrajFlow, which to the best of our knowledge is the first flow-matching-based generative model for GPS trajectory generation. TrajFlow leverages the flow-matching paradigm to improve robustness and efficiency across multiple geospatial scales, and incorporates a trajectory harmonization and reconstruction strategy to jointly address scalability, diversity, and efficiency. Using a nationwide mobile phone GPS dataset with millions of trajectories across Japan, we show that TrajFlow or its variants consistently outperform diffusion-based and deep generative baselines at urban, metropolitan, and nationwide levels. As the first nationwide, multi-scale GPS trajectory generation model, TrajFlow demonstrates strong potential to support inter-region urban planning, traffic management, and disaster response, thereby advancing the resilience and intelligence of future mobility systems.
在低空空域中保障先进空中交通（Advanced Air Mobility, AAM）的安全高效运行，需依赖一套可靠、鲁棒且具韧性的监视系统，该系统须能在正常及非标工况下持续完成航空器的探测、识别与跟踪任务。为满足此需求，本研究构建了一个涵盖可靠性（reliability）、鲁棒性（robustness）与韧性（resilience）的综合3R建模框架，面向先进空中交通监视系统（Surveillance for Advanced Air Mobility, SAM），重点支撑多类型传感器网络的最优设计与运行。在正常运行条件下，可靠性模型确定满足监视覆盖与探测要求所需的基准传感器类型、数量及布设位置；针对外部扰动（如恶劣天气或AAM交通需求突增），鲁棒性模型识别为维持系统性能所必需的额外传感器配置；对于因主用传感器失效导致的监视中断，韧性模型则制定备用传感器部署与调度策略，以提供临时监视覆盖、最小化运行中断，并保障AAM作业的安全延续。
城市交通控制是一个涵盖异构子系统（包括交通信号灯、高速公路、公共交通及出租车服务）的系统级协同问题。现有基于优化、强化学习（RL）以及新兴的基于大语言模型（LLM）的方法，大多针对孤立任务设计，因而既限制了跨任务泛化能力，也难以刻画子系统间耦合的物理动力学。我们认为，有效的系统级控制需依托一个统一的物理环境，在该环境中，各子系统共享基础设施、出行需求及时空约束，从而使局部干预得以在网络中传播。为此，我们提出 TrafficClaw——一种构建于统一运行时环境之上的通用城市交通控制框架。TrafficClaw 将异构子系统整合为一个共享的动力学系统，支持对子系统间交互的显式建模以及智能体与环境之间的闭环反馈。在此环境中，我们开发了一个具备可执行时空推理能力与可复用程序化记忆的 LLM 智能体，实现跨子系统的统一诊断与策略的持续优化。此外，我们引入一种多阶段训练流程，包含监督初始化与面向系统级优化的智能体式强化学习（agentic RL），进一步提升协调性与系统感知能力。实验表明，TrafficClaw 在未见过的交通场景、动态特性及任务配置下，均展现出鲁棒、可迁移且具备系统感知能力的性能。本项目代码开源地址为：https://github.com/usail-hkust/TrafficClaw。
城市交通管制政策被越来越多地用于应对交通拥堵、排放及可达性问题，但由于城市交通系统的社会技术复杂性，其影响难以评估。近年来，数据可得性和计算能力的提升为交通政策设计提供了基于模型的仿真决策支持新途径。本文提出一种新型仿真范式，用于事前评估交通管制政策的直接与间接影响，涵盖交通状况、交通相关效应及经济可达性等方面。该方法整合了多层城市交通模型，包括反映交通流与排放的物理层，以及捕捉行为响应与政策变化适应性的社会层。利用真实世界数据构建现状情景，将政策备选方案与行为假设作为模型参数，生成多种“如果”情景。通过分析政策干预引起的模拟结果变化，该框架支持对不同情景进行系统性比较。案例研究展示了该方法在评估广泛城市交通限制方案引入影响方面的应用。结果表明，该框架能够探索不同的监管设计与用户响应，支持对城市交通政策进行知情且前瞻性的评估。
电动汽车（EV）充电需求的快速增长正给配电网（DPN）带来日益加剧的压力，而DPN的承载能力通常有限且在空间上分布不均。本文不仅验证了协调控制的有效性，更回答了一个对规划者至关重要的开放性问题：在区域尺度上，EV负荷灵活性所能实现的最大效益——即最大限度减少因过载引发的配电网升级改造需求——究竟有多大？确立这一理论上限在计算上极具挑战性，因其需求解并验证具有数百万变量、且存在时空耦合结构的大规模群体优化问题的近优解。为此，本文提出MAC（Mobility-Aware Coordinated EV charging，面向移动性感知的协调式电动汽车充电）框架，用于量化在不干扰驾驶员出行需求前提下，利用EV负荷灵活性缓解DPN过载风险的最大潜力。（i）MAC通过在整个移动性时间窗内耦合充电决策来扩展可行调度空间：它不强制要求单次充电会话必须补足全部耗电量，而仅需确保电动汽车的荷电状态（SOC）足以支撑后续行程；（ii）MAC采用基于交替方向乘子法（ADMM）的分解策略，并配备定制化子问题求解器，从而实现计算可扩展性；该框架亦具备去中心化解释性，其中对偶变量可被诠释为具有时空定位特征的价格信号，使社会最优解得以作为竞争均衡实现。基于旧金山湾区高分辨率移动轨迹数据与馈线承载能力数据，在面向未来的30%电动汽车渗透率情景下，本文表明MAC相较于无序充电可显著降低由过载驱动的升级需求。本研究展示了轨迹耦合型灵活性与可扩展、可验证的优化方法如何共同提供具有实操价值的最优基准。
近期研究聚焦于突破多模态遥感数据融合的结构性瓶颈，重心从简单特征拼接转向建模模态间差异性、时序动态性与垂直维度感知等内在几何与语义关系。
尽管多模态大语言模型（MLLMs）在通用视觉-语言任务中表现优异，但其在遥感变化理解中的应用受限于一种根本性的“时间盲性”。现有架构缺乏内在的多时相对比推理机制，且难以实现精确的空间定位。为此，我们首先提出Delta-QA——一个包含18万条视觉问答样本的综合性基准。Delta-QA在双时相与三时相场景下统一了像素级分割与视觉问答任务，并将变化解释结构化为四个递进的认知维度。方法上，我们提出Delta-LLaVA，一种专为多时相遥感解释设计的新型MLLM框架。该框架通过三项核心创新克服了朴素特征拼接的局限：（1）变化增强注意力（Change-Enhanced Attention）模块，系统性地分离并强化视觉差异；（2）变化分割（Change-SEG）模块，利用变化先验嵌入（Change Prior Embedding）提取可区分的差异特征作为大语言模型（LLM）输入；（3）局部因果注意力（Local Causal Attention），防止跨时相上下文泄露。大量实验表明，Delta-LLaVA在复杂变化推理与高精度边界定位任务上显著优于主流通用MLLM及专用分割模型，确立了一种面向地球观测智能的统一框架。
多模态语义分割通过整合来自不同传感器的互补信息，实现遥感地球观测。然而，实际系统常因传感器故障或覆盖不全导致模态缺失，即不完整多模态语义分割（IMSS）。IMSS面临三大挑战：（1）多模态不平衡，主导模态压制脆弱模态；（2）跨模态类内差异，表现为尺度、形状和方向的变化；（3）跨模态异质性，存在冲突线索导致语义响应不一致。现有方法依赖对比学习或联合优化，易造成过度对齐，忽略模态特异性特征或训练不平衡，偏向鲁棒模态，且普遍忽视类内差异与跨模态异质性。为此，本文提出语义引导模态感知（SGMA）框架，在确保多模态均衡学习的同时，通过语义引导减少类内差异并调和跨模态不一致性。SGMA引入两个互补的即插即用模块：（1）语义引导融合（SGF）模块提取多尺度、类别相关的语义原型，捕捉跨模态的一致性类别表征，基于原型-特征对齐估计各模态鲁棒性，并依据鲁棒性得分进行自适应加权融合，以缓解类内差异与跨模态异质性；（2）模态感知采样（MAS）模块利用SGF提供的鲁棒性估计，动态重加权训练样本，优先关注脆弱模态中的困难样本，以解决模态不平衡问题。在多个数据集与骨干网络上的大量实验表明，SGMA
多模态遥感图像的语义分割在土地利用/土地覆盖（LULC）制图、环境监测及精准地球观测中发挥着关键作用。当前多模态方法主要集中于融合互补的视觉模态，却忽视了非视觉文本数据这一富含知识的信息源——文本可有效弥合视觉模式与现实世界概念之间的语义鸿沟。为解决该局限，我们提出TSMNet：一种文本监督的多模态开放词汇语义分割网络，通过协同整合文本监督与视觉表征实现开放词汇语义分割。不同于传统多模态分割框架，TSMNet引入双分支文本编码器，从多种文本数据中分别提取场景级语义与物体级标签信息，从而支持动态跨模态融合。这些由文本导出的特征通过所提出的文本引导视觉语义融合模块与视觉嵌入动态交互，实现领域感知的特征优化及人类可解释的决策过程。为验证本方法，我们创新性地构建了两个新的多模态数据集，并开展大量实验，将所提方法与其它前沿（SOTA）语义分割模型进行系统性对比。结果表明，TSMNet在分割精度上表现优越，且在多样化的地理区域与传感器特异性场景中展现出强泛化能力。本工作为可解释遥感分析建立了新范式，证实文本知识整合可显著提升模型泛化性。源代码将于https://github.com/yeyuanxin公开。
当前地球观测领域的大规模多模态模型（LMMs）通常忽略关键的“垂直”维度，从而限制了其在复杂遥感几何结构及灾害场景中的推理能力——在这些场景中，物理空间结构往往比平面视觉纹理更为重要。为弥补这一空白，我们提出一个专用于高度感知遥感理解的综合性评估框架。首先，为应对标注数据严重匮乏的问题，我们构建了一条可扩展的、基于视觉语言模型（VLM）的数据生成流水线，该流水线结合系统性提示工程与元数据提取技术。该流水线构建了两个互补的基准数据集：用于相对高度分析的 GeoHeight-Bench，以及更具挑战性的 GeoHeight-Bench+（支持整体性、地形感知推理）。此外，为验证高度感知的必要性，我们提出了 GeoHeightChat——首个具备高度感知能力的遥感 LMM 基线模型。作为一项有力的概念验证，该基线模型表明：将视觉语义与隐式注入的高度几何特征协同融合，可有效缓解模型的“垂直盲区”，成功在现有光学模型中开启交互式高度推理的新范式。
多模态遥感语义分割通过利用异构数据中的互补物理特征，提升了场景理解能力。尽管预训练视觉基础模型（VFMs）提供了强大的通用表征能力，但将其适配至多模态任务通常带来显著的计算开销，并易受模态不平衡影响，即在优化过程中辅助模态的贡献被抑制。为应对上述挑战，本文提出MoBaNet，一种参数高效且模态平衡的对称融合框架。该框架基于大量冻结的VFM主干网络，采用对称双流结构，在保留可泛化表征的同时最大限度减少可训练参数数量。具体而言，我们设计了跨模态提示注入适配器（CPIA），通过生成共享提示并在冻结主干下的瓶颈适配器中注入，实现深层语义交互。为进一步获得紧凑且具有判别性的多模态表征以用于解码，我们引入差异引导门控融合模块（DGFM），通过显式利用跨模态差异来指导特征选择，自适应融合成对阶段特征。此外，我们提出模态条件随机掩码（MCRM）策略，通过仅在训练时掩码一个模态，并对模态特定分支施加硬像素辅助监督，缓解模态不平衡问题。在ISPRS Vaihingen和Potsdam基准上的大量实验表明，MoBaNet在显著少于全微调可训练参数的情况下实现了当前最优性能，验证了其在鲁棒且均衡的多模态融合中的有效性。本工作源代码见：https://github.com/saur
光学遥感影像对地球观测不可或缺，但持续存在的云层遮挡严重限制了其下游应用价值。现有云去除（CR）方法大多针对低层保真度进行优化，易过度平滑对分析就绪数据（ARD）至关重要的纹理与边界，导致视觉上合理的重建结果与其语义实用性之间存在不匹配。为弥合这一差距，我们提出TDP-CR——一种任务驱动的多模态框架，可联合执行云去除与地表覆盖分割。该框架的核心是提示引导融合（PGF）机制，其利用可学习的退化提示来编码云层厚度与空间不确定性；通过融合全局通道上下文与局部提示条件化的空间偏差，PGF自适应地仅在光学数据受云污染区域引入合成孔径雷达（SAR）信息。此外，我们设计了一种参数高效的两阶段训练策略，将重建学习与语义表征学习解耦。在LuojiaSET-OSFCR数据集上的实验表明，本框架性能优越：TDP-CR在PSNR指标上以仅15%的参数量超越当前重型先进基线0.18 dB，并在mIoU指标上相较其他多任务方法稳定提升1.4%，有效生成分析就绪数据。
近期研究重心正从通用地理空间表征学习，转向面向高风险、高时效性地球观测任务的可靠性增强与领域知识对齐；方法上强调基础模型（GeoFoundationModel）与遥感物理机制、空间结构先验及人类可理解解释的深度耦合。
卫星数量的持续增加提升了地球观测的时间分辨率，使基于卫星的洪水制图成为业务化洪水监测中一种颇具前景的方法。作为地理空间人工智能（GeoAI）的重要应用，基于深度学习的卫星影像洪水制图方法通过从海量遥感数据中学习复杂的空谱模式，显著提升了预测性能。然而，深度学习模型决策过程的不透明性仍是其融入关键科学与业务工作流的主要障碍。这凸显了系统评估模型解释是否符合既定遥感领域知识的必要性。为填补这一研究空白，本研究提出了ADAGE（Alignment between Domain Knowledge And GeoAI Explanation Evaluation，领域知识与GeoAI解释对齐性评估）框架。该框架旨在系统评估深度学习模型解释与既定遥感知识（特别是地表独特光谱特性）之间的对齐程度。ADAGE框架采用通道分组SHAP（SHapley Additive exPlanations）方法，估算分组输入通道对像素级预测的贡献。在两项基于卫星的洪水制图任务上的实验表明，ADAGE框架能够：（1）定量评估模型解释与基于领域知识生成的参考解释之间的对齐性；（2）通过对齐得分辅助领域专家识别未对齐的解释。本研究有助于弥合GeoAI可解释性与地球观测领域知识之间的鸿沟，提升GeoAI模型的适用性。
细粒度高分辨率遥感制图通常依赖局部视觉特征，这限制了跨域泛化能力，并常导致大范围地物覆盖的预测结果碎片化。尽管全局地理空间基础模型（global geospatial foundation models）提供了强大且可泛化的表征，但将其高维隐式嵌入直接与高分辨率视觉特征融合，往往因严重的语义-空间鸿沟（semantic-spatial gap）而引发特征干扰与空间结构退化。为克服上述局限，我们提出一种结构-语义解耦调制（Structure-Semantic Decoupled Modulation, SSDM）框架，将全局地理空间表征解耦为两条互补的跨模态注入路径：其一，结构先验调制分支（structural prior modulation branch）将全局表征所蕴含的宏观感受野先验引入高分辨率编码器的自注意力模块，通过整体性结构约束引导局部特征提取，从而有效抑制由高频细节噪声和类内差异过大所导致的预测碎片化；其二，全局语义注入分支（global semantic injection branch）显式对齐整体上下文与深层高分辨率特征空间，并通过跨模态融合直接补充全局语义，显著提升复杂地物覆盖的语义一致性与类别级判别能力。大量实验表明，本方法在各类跨模态融合方法中达到当前最优性能；SSDM通过充分释放全局嵌入的潜力，在多种场景下持续提升高分辨率制图精度，为地理空间基础模型融入高分辨率遥感分析提供了一种通用且有效的范式。
细粒度高分辨率遥感制图通常依赖局部视觉特征，这限制了跨域泛化能力，并常导致大范围地物覆盖的预测碎片化。尽管全局地理空间基础模型（geospatial foundation models）提供了强大且可泛化的表征，但将其高维隐式嵌入直接与高分辨率视觉特征融合，往往因严重的语义-空间鸿沟而引发特征干扰与空间结构退化。为克服上述局限，我们提出一种结构-语义解耦调制（Structure-Semantic Decoupled Modulation, SSDM）框架，将全局地理空间表征解耦为两条互补的跨模态注入路径：其一，结构先验调制分支将全局表征所蕴含的宏观感受野先验引入高分辨率编码器的自注意力模块，通过整体性结构约束引导局部特征提取，从而有效抑制由高频细节噪声和类内差异过大所导致的预测碎片化；其二，全局语义注入分支显式对齐整体上下文与深层高分辨率特征空间，并通过跨模态融合直接补充全局语义，显著提升复杂地物覆盖的语义一致性与类别级判别能力。大量实验表明，本方法在各类跨模态融合方法中达到当前最优性能；通过充分释放全局嵌入潜力，SSDM在多种场景下持续提升高分辨率制图精度，为地理空间基础模型融入高分辨率遥感分析提供了一种通用且有效的范式。
气候相关灾害的频次与强度持续上升，加剧了对实时监测、早期预警及科学决策支持的需求。地球观测（Earth Observation, EO）依托卫星数据与机器学习（Machine Learning, ML），为此类挑战提供了有力工具。基础模型（Foundation Models, FMs）通过在大规模遥感数据集上进行通用预训练，已深刻变革了EO领域的ML应用。然而，现有大多数模型依赖高空间分辨率但重访周期较长的卫星影像，难以适配快速演变的现象及时间敏感的应急响应任务。本文提出HighFM，一种面向高时间分辨率、多光谱EO数据的基础模型初步方案。我们利用Meteosat第二代（Meteosat Second Generation, MSG）平台提供的逾2 TB SEVIRI影像，适配SatMAE掩码自编码框架，以学习鲁棒的时空表征；为支持实时监测，我们在原始架构中引入细粒度时间编码，以捕捉短期变化特征。预训练模型随后在云掩膜与活跃火点检测任务上进行微调。我们将SEVIRI预训练的视觉Transformer与传统基线方法及近期地理空间基础模型进行基准测试，在平衡准确率（balanced accuracy）与交并比（IoU）指标上均展现出稳定提升。结果表明，时间密度高的静止轨道观测数据在实时地球观测中具有显著潜力，为面向灾害检测与追踪的基础模型构建提供了一条可扩展路径。
合成孔径雷达（SAR）影像生成对于深入研究散射机制、构建可信的电磁场景模型，以及从根本上缓解制约该领域发展的数据稀缺瓶颈至关重要。然而，现有方法难以同时保障全球地理空间语义与微观散射机制两方面的高保真度，导致全球尺度生成面临严峻挑战。为此，我们提出\textbf{HuiYanEarth-SAR}——首个基于AlphaEarth并融合散射机制的基础性SAR影像生成模型。该模型通过注入地理空间先验以控制宏观结构，并利用隐式散射特性建模确保微观纹理的真实性，从而仅依据地理坐标即可实现全球任意位置高保真SAR影像的生成。本研究不仅构建了一个高效的SAR场景仿真器，更在方法论层面建立了连接地理学、散射机制与人工智能的桥梁；推动SAR研究范式从感知与理解拓展至仿真与生成，为构建高置信度地球数字孪生体提供关键技术支撑。
预训练与微调已成为遥感图像解译的新范式。其中，基于掩码自编码器（MAE）的预训练因其能够通过重建被掩码图像区域来学习通用特征表示而尤为突出。然而，将MAE应用于多光谱遥感图像仍面临挑战，主要源于复杂的背景、目标不明显以及掩码过程中缺乏语义引导，这阻碍了底层结构和有意义的空间-光谱特征的学习。为此，我们提出一种简单而有效的多光谱图像预训练方法——光谱指数引导的MAE（SIGMAE）。其核心思想是引入领域特定的光谱指数作为先验知识，以指导动态令牌掩码聚焦于信息丰富的区域。SIGMAE引入了语义显著性引导的动态令牌掩码（SSDTM）策略，采用课程学习风格，量化每个图像块的语义丰富度与内部异质性，从而在训练过程中自适应地选择最具信息量的令牌。通过优先关注语义显著区域并逐步增加样本难度，SSDTM增强了光谱丰富且结构感知的表征学习能力，缓解过拟合问题，并相比随机掩码减少了冗余计算。在五个广泛使用的数据集上开展的大量实验表明，SIGMAE在场景分类、语义分割、目标提取和变化检测等多种下游任务中均优于其他预训练地理空间基础模型。此外，即使在90%的掩码率下，SIGMAE仍表现出强大的空间-光谱重建能力，并在标注数据有限的情况下提升了复杂目标的识别性能。源代码与模型权重将
近期研究正从单一尺度静态建模转向融合高阶交互、多源异构视角与动态压力测试的韧性评估框架；方法重心由传统CA/GIS工具驱动，逐步迁移至以GeoAI为内核的生成式建模、超图结构表征与数字孪生基础设施构建。
精确的空中无线电环境表征对低空规划至关重要。然而，现有数据集与估计方法缺乏应对复杂空中空间所需的高分辨率粒度；当前方案还普遍存在泛化能力差、严重依赖环境先验等问题。为弥补上述不足，本文提出FARM——一种面向统一空中无线电地图估计的开创性基础模型。该模型依托一个新构建的高分辨率数据集，该数据集专为低空环境设计，涵盖多频段与多天线配置。FARM采用掩码自编码器提取空中无线电环境的深层潜在表征，并以此引导基于扩散机制的解码器，通过迭代优化生成高保真度的信号分布。大量实验表明，FARM显著优于现有最先进基准方法，并在未见场景中展现出卓越的泛化能力。最终，FARM作为低空经济的关键基础设施，赋能自主空中物流与智能城市网络。
离线向量化地图是高精度自动驾驶与地图服务的关键基础设施。现有方法主要依赖单一自车轨迹，存在固有的视角不足问题：基于记忆的方法虽通过聚合自车轨迹帧延长观测时间，却缺乏揭示被遮挡区域所需的几何空间多样性。引入周围车辆视角可提供互补视点，但简单融合会带来三方面挑战：大规模候选车辆池导致的计算开销、近共线视角引发的冗余性，以及位姿误差与遮挡伪影引入的噪声。本文提出 OptiMVMap，将多车地图构建重新建模为“先选择、后融合”的问题，以系统性应对上述挑战。其中，最优车辆选择（OVS）模块策略性地选取一组精简的辅助车辆子集，以最大程度降低自车视角下被遮挡区域的不确定性，从而缓解计算开销与冗余性问题；跨车注意力机制（CVA）与语义感知噪声滤波器（SNF）则在鸟瞰图（BEV）级融合前，分别实现位姿鲁棒的对齐与伪影抑制，以应对噪声挑战。该目标导向的流程相比无差别聚合，仅需更少视角即可生成更完整、拓扑更保真的地图。在 nuScenes 和 Argoverse2 数据集上，OptiMVMap 分别将 MapTRv2 的 mAP 提升了 +10.5 和 +9.3；在 nuScenes 上，其 mAP 分别较记忆增强基线 MVMap 和 HRMapNet 提升 +6.2 和 +3.8。结果表明，以不确定性为指导的辅助车辆选择，对高效且准确的多车向量化地图构建至关重要。代码已开源：https://github.com/DanZeDong/OptiMVMap。
“绘制新世界”是日本国土交通省（MLIT）主导的PLATEAU项目的口号，旨在开发并扩大全国城市多样性三维模型的可及性。日本共有744座城市，其中包括14座人口超百万的城市、190座人口介于10万至100万之间的城市，以及540座人口介于1万至10万之间的城市。截至目前，已有250多座城市的三维模型通过日本公共G-空间信息中心作为开放数据发布，并可通过在线浏览器查看器访问。据官方机构称，该项目旨在通过向全社会提供应对地方挑战的新工具，增强城市韧性。这不仅涉及城市空间建模，还包括与地方政府、私营企业及技术社群的合作。项目还包含对近期闭幕的大阪世博会会址的数字重建。
影响最大化（IM）是复杂网络分析中的基础性问题，具有广泛的实际应用场景。迄今为止，现有IM方法在识别关键节点时主要依赖于标准图模型，难以刻画许多现实系统中固有的高阶交互关系。超图可更有效地建模此类高阶交互。然而，采用超图可能导致搜索空间过大及级联动力学建模复杂度升高，从而难以准确识别关键节点。为此，本研究提出一种基于离散粒子群优化（Discrete Particle Swarm Optimization）算法与阈值模型（threshold model）的新型超图建模IM方法。在该方法中，一个粒子（即候选解）表示种子节点的选择信息；适应度函数通过双层局部影响近似机制，对种子节点的影响范围进行准确且高效的评估。我们还提出一种基于度数的初始化策略以提升初始解质量，并设计了融合局部搜索的粒子速度与位置更新规则，以引导粒子向更优解收敛。实验结果表明，所提方法在合成超图与真实超图上均优于基线方法。消融实验进一步验证了局部搜索策略与初始化策略的有效性。
城市气候建模对韧性城市规划至关重要，但其应用仍受限于高昂的计算成本与对专家的高度依赖。我们引入……
出版日期：2026年6月；来源：《Cities》，第173卷；作者：Ting-Hsiang Tseng、Siqi Song、Martin Raubal、Božidar Stojadinović
围绕实验室五个研究方向整理的研究日报 PDF，包含头版综述、方向趋势与当日延伸阅读。