Urbex：面向城市级三维场景的智能体式空间定位

把城市级3D定位从候选排序重构为VLM智能体的主动空间搜索，用强化学习学会看哪里、何时答

前置知识

三维视觉定位（3D Visual Grounding）

给定一段自然语言指代表达（如“停在西米德兰警察拘留所旁边停车场的白色汽车”）和一个三维场景（点云或多视图重建），模型需要输出目标物体的空间范围。主流做法是把语言和三维几何编码到同一特征空间，通过跨模态匹配确定目标。

这是本文要解决的核心任务。理解任务定义与“指代表达—空间范围”的输出形式，才能明白论文为何强调城市尺度场景的特殊困难。

候选排序范式（Candidate Ranking）

把定位拆成两步：先用真值标注或现成实例分割（如 SoftGroup）预生成一批实例候选框，再让打分模型对每个候选计算“文本—实例”匹配分并排序。精度受候选质量制约，推理成本随候选数量线性增长。

CityRefer、CityAnchor 等城市级基线都采用该范式，也是本文批判的对象：Urbex 的核心主张正是摆脱预计算候选，转为主动搜索。

BEV 鸟瞰图与视图-世界坐标映射

BEV（Bird's-Eye View）是把三维场景沿高度轴投影得到的俯视图像。本文每个视图都附带一个从视图坐标系到世界坐标系的仿射变换 $T_v$，智能体在归一化 $[0,1000]\times[0,1000]$ 坐标里画的 2D 框可以被精确投影回真实三维场景。

这是 Urbex 交互环境的空间基石：智能体只在图像坐标系里思考，环境负责度量换算，保证了“简单接口 + 真实 3D 定位”的兼容。

工具调用型 VLM 智能体（Tool-using VLM Agent）

视觉语言模型不再一次性输出答案，而是在“观察—思考—行动—反馈”循环中调用外部工具（查询、裁剪、渲染等），把中间结果累积到交互历史里，逐步逼近目标。代表工作如 ReAct、视觉编程等。

Urbex 把整个城市场景抽象为三个工具构成的小动作空间，智能体的每一次定位都是一次多步工具调用过程，这是理解方法架构的前提。

GRPO（组相对策略优化）

一种免价值网络的在线强化学习算法：对同一输入并行采样 $G$ 条轨迹，用组内奖励的均值和方差把优势归一化为 $A_i=(R_i-\mu_R)/(\sigma_R+\epsilon)$，再最大化带裁剪的策略梯度目标并加 KL 惩罚，省去了训练 critic 的显存开销。

Urbex 完全靠 GRPO 从零学出搜索策略，没有任何监督轨迹演示。理解组相对优势才能读懂其训练流程与超参设置。

奖励塑形（Reward Shaping）

在稀疏的终端奖励之外，为中间步骤注入小型引导信号（源自 Ng et al. 的势函数塑形思想），加速探索。本文对 Zoom-in 按“放大中心是否靠近目标”给正负奖励，对斜视图渲染按与目标区域的重叠比例给奖励，并设置上限防止盖过终端目标。

城市尺度场景早期预测几乎必然与目标零重叠，纯 IoU 奖励无法学习；塑形项是本文训练能收敛的关键设计，也是消融实验的重点对象。

研究动机

城市级 3D 视觉定位要求在覆盖数百米到数公里的室外场景中，根据自然语言指代找到目标物体，而这些场景动辄包含数十万到上千万个点：论文使用的 12 个 CityRefer 场景总面积 1.594 平方公里、共 8.774 亿个点，单场景最多 1.163 亿点，STPLS3D 的 USC 场景也有 9,470 万点。两条现有路线在这里都失效。第一条是室内方法直接迁移：EDA 等方法把点云降采样到 4-5 万点，小型城市目标（车辆等）只剩下几个像素的几何信息，EDA 在 CityRefer 上 Hit@1 仅 0.1%-0.2%，几乎完全失败。第二条是把问题改写成候选排序：CityRefer、CityAnchor 先从真值标注或实例分割管线获取实例候选，再逐一计算文本-实例匹配分，例如一个场景约 1.3k 个实例需要全部打分。这带来三个具体问题：其一，精度被候选质量卡死——实测 SoftGroup 预测候选在 NO 划分上 IoU≥0.25 的召回只有 35.6%，接上 CityAnchor 后 Hit@1 从 14.2 跌到 6.5；其二，推理成本随候选数线性增长，CityAnchor 打完全部候选需要约 32.1 秒/查询；其三，它把定位当成一次性静态检索，而人类在广阔城市环境中找目标本质上是序列化、探索性的过程——先锚定地标、再放大细看、最后确认提交。

本文的目标是本文的目标是构建一个不依赖任何预计算候选框的智能体式定位框架 Urbex：把城市尺度场景包装成一个可交互的多视图环境，让 VLM 智能体通过少量针对性观察完成搜索——先解析查询中的目标属性与空间线索，用 Landmark Query 把命名地标（建筑、道路）解析成全局空间锚点，用 Zoom-in 从原始高分辨率 BEV（长边超过 10,000 像素）裁剪局部区域恢复真实细节，用 Oblique Rendering 从四个基本方向渲染斜视图做 3D 形状验证，最后在坐标已知的视图里提交一个自由格式边界框并投影回世界坐标。训练上完全用强化学习（GRPO）在 CityRefer 上优化这个工具使用策略，配平滑定位奖励与轻量塑形奖励。量化目标很明确：在 Hit@1 和 IoU 上超过最强的候选排序基线 CityAnchor，把单查询在线推理时间从 32.1 秒压到几秒级，并验证策略能零样本迁移到几何与外观迥异的 STPLS3D 场景。

与已有工作不同的是，本文的独特切入角度在于问题形式本身的替换：不做“一次前向处理全场”也不做“逐候选打分”，而是把 grounding 重构为有限步 MDP 中的主动空间搜索，场景被压缩为少量坐标对齐的视图加三个紧凑工具，动作空间小但表达力强。第一个差异化设计是地理感知工具接口——城市级指代表达高度依赖命名建筑与道路（论文统计 CityRefer-NO 中 1,302/1,396 条含命名地标），Landmark Query 直接利用 OpenStreetMap（12 个场景共 299 个地标）提供全局锚，这是室内 grounding 工作完全不需要考虑的维度。第二个差异化在于与近期 agentic 3D 工作的区别：此前的智能体式 3D 定位（开放世界对象查找、场景图推理、室内序列 grounding）都在室内 RGB-D 或图结构设定下运作，没有人面对城市尺度的搜索空间和在线效率问题。第三个差异化是训练方式：不提供任何监督轨迹，仅凭带塑形项的 RL 让“先查地标、再放大、再斜视验证、后提交”的工作流从探索中自然涌现，而非脚本化规定；平滑终端奖励（含中心距离项 $\exp(-d/\tau)$）专门解决了城市场景早期 IoU 恒为零的稀疏奖励难题。

核心方法

直觉上，人在陌生城市找一辆车也是三步：先在地图上定位描述中提到的地标，再放大那个街区细看，必要时换个角度确认后给出答案。Urbex 把这个流程形式化。环境侧：给定城市场景 $S$，初始观测是全局 BEV 图像 $I_{global}$；每个视图 $v$ 携带图像观测 $I_v$ 和视图到世界的坐标映射 $T_v$，智能体在归一化 $[0,1000]\times[0,1000]$ 坐标系里表达框，环境负责投影回世界坐标——GT 框只用于训练奖励和评测，推理时从不作为输入，即彻底的候选无关。工具侧提供三个互补能力：Landmark Query 解析命名地标并返回其世界坐标与视图投影；Zoom-in 把选中区域映射回原始高分辨率 BEV 裁剪，生成带新标识符和变换的局部视图；Oblique Rendering 从指定基本方向渲染候选区域的斜视图作为 3D 验证证据（不作为提交坐标系）。策略侧：$\pi_\theta$ 是以 Qwen3-VL-4B-Instruct 初始化的 VLM，每步接收当前观测 $o_t$ 与交互历史 $h_t$，输出 $(\text{thought}_t, a_t)\sim\pi_\theta(o_t,h_t)$，$a_t$ 要么是带结构化参数的工具调用，要么是最终答案框。训练侧把整个回合建模为有限步 MDP，用 GRPO 优化：每条查询采 $G=8$ 条轨迹，组内归一化优势后最大化裁剪目标。

核心创新是把“静态候选检索”替换为“多步主动探索”，与已有方法的本质区别体现在四点。第一，候选无关性：排序方法的精度上限被候选召回锁死（SoftGroup 候选在 NO 上 IoU≥0.25 召回仅 35.6%），而 Urbex 从不接触候选框，直接输出自由框，绕开了这个瓶颈。第二，城市感知的工具抽象：三个工具分别对应全局锚定（Landmark Query 利用 OSM 地标的语言学作用）、局部细节恢复（Zoom-in 解决下采样后小目标只占几个像素的信息损失）和 3D 验证（Oblique Rendering 提供高度、立面等俯视图看不到的证据），动作空间被刻意压缩到三个，避免智能体在巨大动作空间中迷失。第三，纯 RL 无演示：不依赖任何 SFT 轨迹，终端奖励设计成 $R_{term}=\lambda_{iou}\,\text{IoU}(\hat b,b^\star)+\lambda_{dist}\exp(-d(\hat b,b^\star)/\tau)-\lambda_{step}\,T/T_{max}$，刻意不用离散成功奖金、让奖励随定位质量平滑增长，避免阈值悬崖，距离项保证城市尺度下零重叠早期仍有连续学习信号；再叠加工具级塑形（Zoom 靠近目标为正、远离为负，Oblique 按区域重叠比例给分，均设上限）与非法调用负奖励。第四，搜索工作流是学出来的：Landmark Query→Zoom-in→Oblique Rendering→Answer 的顺序在训练中自发涌现，并且被证明对未调优的 GPT-5.4 也是有用的效率先验。

方法步骤详情

完整流程如下。步骤 0（环境准备，离线一次性）：为每个场景生成全局 BEV、视图-世界变换、地标索引，并可选地预渲染斜视图缓存（12 个场景约 2.3 小时）。步骤 1：智能体收到查询（如“Buckingham Room 停车场里空位与红色汽车之间的蓝色汽车”）和全局 BEV，系统提示规定坐标约定为源视图的 $[0,1000]$ 整数坐标、原点在左上。步骤 2（全局锚定）：调用 landmark_query(names=["Buckingham Room"], view_id="global")，环境返回世界坐标 (360.0, 1528.3) 及其在全局视图的投影 (897, 179)。步骤 3（局部放大）：调用 zoom_in(view_id="global", bbox_2d=[800,100,1000,300])，环境从原始高分辨率 BEV 裁剪该区域，返回新视图 Z1 及其变换。步骤 4（局部消歧）：在 Z1 中按查询的颜色和相对位置关系比对同类干扰物，可继续放大或调用 oblique_render(view_id="Z1", bbox_2d=[515,890,565,935], direction="east") 渲染斜视图验证高度与立面。步骤 5（提交）：发出不含工具调用的回答回合 {"bbox_2d":[515,890,565,935],"view_id":"Z1"}，环境把框投影到世界坐标并与 GT 算 IoU 与中心距离。回合预算最多 8 个助手回合（7 次工具 + 1 次答案）。奖励按前述公式配置：$\lambda_{iou}=1.0$、$\lambda_{dist}=0.3$、$\tau=80$m、$\lambda_{step}=0.05$。训练超参：GRPO rollout 批 256、组大小 8、300 步优化、每批 1 个 PPO epoch，actor 学习率 $1\times10^{-6}$，KL 系数 0.001，bf16，冻结视觉编码器，16 张 NVIDIA H20；推理在单张 H20 上进行。

技术新颖性

技术新颖性可以从四个对照面评估。对照室内 grounding（EDA、InstanceRefer 一系）：Urbex 不降采样点云也不依赖候选，用 BEV 多视图环境替代点云编码器，规避了城市尺度下降采样的信息损失（EDA 仅 0.1%-0.2% Hit@1）和候选依赖（InstanceRefer 必须给实例才能跑）。对照城市级排序（CityAnchor）：把随候选数增长的 $O(N)$ 次打分前向压缩为常数次工具交互（约 3 次/回合），在线延迟从 32.1 秒/查询降到 3.2 秒，且打分模型的离线特征预处理被彻底去掉。对照近期 agentic 3D 工作（动态 2D-3D 重建、开放世界查找结构、场景图推理、室内序列 grounding）：Urbex 是首个面向城市尺度的完整方案，其“地理工具 + BEV 视图接口 + RL 塑形”的组合是针对城市表达依赖命名地标这一语言特性量身定制的。对照 RLVR/过程奖励文献：工具级塑形奖励设了上限以免盖过终端目标，且被明确界定为仅训练期使用的特权信号、绝不进入推理时的文本观察，避免了目标信息泄漏；消融显示距离塑形（Hit@3 从 22.8 到 30.6）与工具塑形（再配合后全量 36.9）各自贡献互补。此外论文发现学到的 L-Z-O 固定序列把 GPT-5.4 的 token 消耗从 16,321 降到 7,734 且 Hit@3/5 反而提升（18.6/20.1→23.0/26.5），说明 RL 挖掘出的是可复用的搜索结构而非过拟合技巧，这一“策略可蒸馏为提示先验”的发现本身也有独立价值。

**Figure 2**: Architecture of Urbex: (left) a multi-view environment exposing global BEV, zoomed, and oblique views; (middle) the policy's reasoning trace and tool calls over observation and interaction history; (right) RL under a terminal reward (IoU and center-distance) plus tool-level shaping.

**Figure 5**: Prompt template for tool-using VLM agents, specifying the task, tools, coordinates, action format, and final box format shared by prompted VLM baselines and Urbex.

**Figure 8**: Example agent reasoning processes from the initial query and global scene observation to landmark anchoring, local zoom-in, oblique verification, and final box commitment.

实验结果

实验沿域内精度、跨域泛化、组件敏感性三条线展开。(1) CityRefer 有 GT 候选设定（Table 1）：Urbex Hit@1 在 ND/NO 达 25.8/23.9，均为最佳，对比 CityAnchor 的 23.4/14.2（NO 上领先 9.7 点）；Hit@3 39.2/36.9 也均第一；Hit@5 在 NO 40.7 第一，但 ND 上 42.3 略低于 CityAnchor 的 45.4——穷举排序能把多个可能候选保留进 top-5，而单框搜索一旦区域搜错就完全 miss，二者失败模式不同。GPT-5.4、Qwen3.6-plus 挂上同样工具环境后仅得 9.3/13.1 和 6.4/11.5，说明纯提示的工具使用远不及 RL 训练的策略；室内基线 EDA 几乎全灭（0.1/0.2），InstanceRefer 因退化为带候选的简单排序而稍好（1.6/4.9）。五次重复解码给出 ND Hit@1 25.62±0.33、NO 23.53±0.73，ND 的 95% t 区间 [25.21,26.03] 高于 CityAnchor 的 23.4。(2) 无候选设定：Urbex 在 ND/NO 的 2D IoU/3D IoU/点 F1 为 15.6/11.0/20.1 和 14.6/7.7/17.8，而 GPT-5.4 仅 4.4/2.2/9.4；完整 proposal 管线（SoftGroup 提候选 + CityAnchor 打分）在 NO 上只有 4.2/2.4/4.7，差距悬殊。(3) 效率：Urbex 3.2 秒/查询对比 CityAnchor 32.1 秒，约 10 倍加速，其中工具执行仅 0.36 秒（Landmark <1ms、Zoom 70ms、缓存斜视图 292ms）；不用缓存按需渲染约 4.4 秒，仍快 7.3 倍。(4) 零样本 STPLS3D-Refer（Table 2）：Urbex Hit@1 27.2，全面第一——GPT-5.4 16.3、CityAnchor 仅 2.1、原 CityRefer 1.4；Urbex 4.8 秒对比 CityAnchor 47.2 秒；在 30 条人工核验的无地标表达上达到 23.3 Hit@1，说明策略不是只依赖地理锚。(5) 消融（Table 3/4）：无工具只有 10.5 Hit@3/2.1 IoU，仅 Zoom 15.5/4.1，加 Landmark 跳到 28.2/8.9（最大单项增益，印证地标锚定的核心地位），全工具 8 回合达 36.9/14.6，9 回合反而降到 36.8/13.2，说明搜索应有界。奖励消融：仅 IoU 22.8/6.7，加距离项 30.6/10.9，仅加工具项 28.4/9.6，全量奖励 36.9/14.6。(6) 策略分析（Table 9）：固定 L-Z-O 序列下 base Qwen 只有 2.7 Hit@1 而 RL 后达 10.0，自由策略 23.5，证明训练教会的是空间决策而非仅工具顺序；训练动态上 zoom_in 每回合调用次数从峰值约 4.7 收敛到每工具约 1 次。(7) 诊断：10 米地标坐标噪声仅降 1.2 点 Hit@1，而地标缺失/错误分别降 10.8/12.2 点；对预测框加 IoU≥0.25 门槛后 NO Hit@1 从 23.53 降到 18.71，预测/目标面积比中位数 1.40、P90 达 9.92，暴露框不紧的问题；地标距离 ≥200 米时区域搜索成功率从 <50 米的 40.0% 跌到 14.3%，50 米内同类干扰物 ≥10 个时局部消歧成功率在 ND 降到 25.1%、STPLS3D 降到 0.0%。

**Table 1**: Main results on CityRefer. Urbex supports candidate-free grounding and efficient inference.

**Table 2**: Zero-shot generalization on STPLS3D-Refer.

**Table 5**: Definitions, inputs, and outputs of the city-aware tools.

**Table 6**: Scale of the 12 CityRefer scenes used in our experiments.

**Table 7**: Statistics of STPLS3D-Refer.

**Table 8**: Hit@1 over five decoding runs of one checkpoint (mean ± sample standard deviation).

**Table 9**: Free and fixed L-Z-O tool policies.

**Table 10**: Landmark robustness (Hit@1, %).

**Table 11**: CityRefer-NO proposal comparison.

**Table 12**: Matching-rule sensitivity on CityRefer-NO (five-run mean, %).

**Table 13**: Target-IoU-thresholded Hit@1 (%).

**Table 14**: Number of candidate boxes overlapped per prediction.

**Table 15**: Predicted-to-target BEV area ratio (unitless).

**Table 16**: Reported trajectory diagnostics (success, %).

**Table 17**: CityRefer latency and optional scene-cache preparation.

**Figure 3**: Qualitative examples on CityRefer. The visualization shows how Urbex moves from global BEV search to local zoom-in and final grounding in city-scale scenes with dense repeated objects and landmark-based references.

**Figure 4**: Qualitative examples on STPLS3D-Refer. The visualization highlights zero-shot transfer cases where the same active-search policy anchors, zooms, verifies, and grounds targets in scenes with different geometry and object distributions from CityRefer.

**Figure 6**: Additional qualitative examples on the CityRefer NO split.

**Figure 7**: Training dynamics on CityRefer. (a) Total task reward. (b) Train/validation 2D grounding IoU. (c) Per-episode tool-call frequency, showing convergence from over-calling zoom_in and under-using oblique_render to one call per tool.

**Figure 9**: Aggregate trajectory diagnostics from Table 16. Left: success versus target-landmark distance. Right: success versus same-class distractor count within 50 m.

查看结构化数据

任务	指标	本文	基线	提升
CityRefer-ND（有GT候选，新描述）目标识别	Hit@1 (%)	25.8	23.4（CityAnchor，最强排序基线）	+2.4
CityRefer-NO（有GT候选，新场景）目标识别	Hit@1 (%)	23.9	14.2（CityAnchor）	+9.7
CityRefer 在线推理延迟（单 GPU，含工具执行）	秒/查询	3.2	32.1（CityAnchor）	约 10 倍加速
CityRefer-NO 无候选自由定位	2D IoU (%)	14.6	4.2（SoftGroup 预测候选 + CityAnchor 打分管线）	+10.4
STPLS3D-Refer 零样本迁移	Hit@1 (%)	27.2	16.3（GPT-5.4 挂 Urbex 工具）	+10.9
STPLS3D-Refer 零样本推理延迟	秒/查询	4.8	47.2（CityAnchor）	约 10 倍加速

局限与改进

作者明确承认的局限有三点：其一，方法依赖任务特定的交互环境——可靠的 BEV 渲染与视图-世界标定，一旦标定或渲染出错，一个看似合理的 2D 框就会被投影到错误的世界位置；其二，对地标基础设施敏感，OSM 地标缺失、歧义或过时会迫使智能体退化为纯视觉搜索，效率明显下降（实验显示地标缺失/错误使 Hit@1 下降 10.8/12.2 点）；其三，当前策略只输出 BEV 对齐的 2D 框，精细 3D 分割精度有限，3D IoU（7.7）明显低于 2D IoU（14.6）。此外在线计时排除了离线场景准备——仅斜视图缓存就需要约 2.3 小时/12 场景，BEV 生成、标定、地标注册的时间未报告。我自己补充几点观察：第一，绝对准确率仍然不高，Hit@1 约 25% 意味着大多数查询仍失败，距离实用还有距离；第二，框“过大”的尾部问题突出（面积比 P90 达 9.92，IoU≥0.25 门槛掉 4.8 点），识别正确但边界松弛；第三，密集同类干扰下的消歧能力弱（STPLS3D 上 ≥10 个干扰物时成功率 0.0%），且 Figure 10 显示失败后缺乏回溯——斜视图检查后智能体两次都维持原错误框；第四，ND Hit@5 输给 CityAnchor 说明单框搜索的召回天花板，区域搜索一步错则全盘输；第五，STPLS3D-Refer 是半自动构建、仅 2 个场景 445 条、所有表达都依赖地标的诊断集，30 条无地标子集太小，跨域结论的统计强度有限；第六，训练奖励需要 GT 框这类特权信号，对标注质量有依赖。

独立分析的弱点

以下是独立分析的弱点，均落到具体场景并给出改进方向。(1) 全局 BEV 中稀疏小目标只占几个像素，第一次 Zoom 框错区域就直接失败：Figure 10a 中“西米德兰警察拘留所停车场第 2 排左起第 9 辆白色汽车”的首次裁剪 Z1 不含目标，智能体在裁剪内选了另一辆车，BEV IoU=0、中心误差 34.2 米。改进方向：自适应初始裁剪（按查询类型调整窗口尺度）、并行多假设区域、或引入轻量区域提议先验引导首个 zoom。(2) 密集停车场的“第几行第几辆”式相对关系消歧失败：Figure 10b 中 Z1 明明包含目标，预测却选了另一排的车，中心误差 30.7 米；诊断显示 50 米内同类干扰物 ≥10 个时 ND 消歧成功率仅 25.1%。改进方向：干扰物感知验证（对局部候选逐一做对比评分）、对候选做更高分辨率的多次斜视、显式的关系推理模块。(3) 提交后无修订机制：两个失败案例都在斜视图检查后维持原框，缺少自我校验与回溯。改进方向：允许框细化工具、低置信时撤销并重新放大、引入“证据不足则继续搜索”的显式策略。(4) 输出只有 BEV 2D 框，高度估计不足（3D IoU 7.7 对 2D IoU 14.6）。改进方向：如作者建议，把多视图 3D 实例分割模型作为第四个工具，从 2D 区域提升出 3D mask。(5) 对命名地标的硬依赖：无地标的表达虽可达 31.2 Hit@1，但地标一旦缺失/错误即掉 10 点以上。改进方向：训练视觉锚定兜底策略、地标检索多候选冗余、学习“地标不可用时切换模式”的元策略。(6) 奖励与评测都依赖 GT 框和 BEV 渲染管线，迁移到街景、无人机视频等无标定数据困难。改进方向：自监督标定、渲染一致性弱监督、用可微渲染器替代显式变换。

未来方向

作者提出的方向：把多视图 3D 实例分割模型作为额外工具暴露给智能体，让它在锁定 2D 区域后调用该工具把预测精化为更准确的 3D 实例 mask 或框；伦理侧建议研究专用许可与人脸车牌模糊等隐私预处理。基于本文成果可以自然延伸的方向：(1) 自适应初始裁剪与干扰物感知验证，直接对应 D.6 的两类失败分析（远地标区域搜索失败、密集同类消歧失败），例如让智能体根据查询类型先输出搜索尺度假设，或在提交前对局部 top-k 候选做逐一对比；(2) 把学到的 L-Z-O 工作流作为提示先验蒸馏给更小的开源模型——Table 9 已证明该序列让 GPT-5.4 的 token 减半且 Hit@3/5 提升，进一步可以做小模型 + 固定工作流的低成本部署方案；(3) 混合架构：先用 Urbex 式主动搜索把场景缩小到局部区域，再在局部用 CityAnchor 式打分器精排，兼得探索效率与细粒度召回，有望补齐 ND Hit@5 的短板；(4) 扩展动作空间到量测、计数、路径查询等城市级空间推理原语，并把框架推广到街景图像、无人机视频等多源输入；(5) 用过程奖励模型自动生成塑形信号，摆脱对人工设计的 Zoom/Oblique 塑形规则的依赖；(6) 用即时神经渲染（如 3D Gaussian Splatting）替代 2.3 小时的斜视图离线缓存，把部署准备成本摊平，也让环境能扩展到更多城市。

复现评估

开源情况：代码已在 GitHub 公开（github.com/AMAP-ML/Urbex），论文承诺发布训练 checkpoint 与自建的 STPLS3D-Refer 基准（研究专用许可，禁止未授权监控与个体跟踪）。数据侧：CityRefer 基于公开的 SensatUrban，论文给出了自己的清洗与划分方案（2,744 训练/549 验证/1,098 ND/1,396 NO）；STPLS3D-Refer 的构建流程在附录 B.2 描述得相当完整——DBSCAN 聚类参数（建筑 $\epsilon$=2.0m、min_samples=80，车辆 $\epsilon$=0.6m、min_samples=30）、5-7 个地面控制点的一阶仿射配准（RMS 残差 0.72m/2.19m）、OSM 标签查询、Qwen3.6-plus 生成表达加自动与人工过滤，技术可复现但含人工筛查环节。算力门槛：训练用 16 张 NVIDIA H20 跑 4B 模型的 GRPO（rollout 批 256、组大小 8、300 步），对多数实验室来说成本偏高；推理只需单张 H20，工具执行便宜（约 0.36 秒/查询），闭源 VLM 基线走 API 即可。工程门槛：需要搭建 BEV 渲染、视图-世界标定、OSM 地标索引和斜视图缓存（约 2.3 小时/12 场景）的完整环境，这部分工程量不小但论文提供了提示模板（Figure 5）与工具 schema（Table 5）。总体评估：文档与代码诚意较足，复现推理与评测属中等难度，复现完整训练需要相当算力与 RL 工程经验。

Urbex：面向城市级三维场景的智能体式空间定位 Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes