AirSpatialBot：用于细粒度车辆属性识别与检索的空间感知航空代理
计算机视觉与模式识别
2026-01-06 v1
摘要
尽管远程感知视觉语言模型（VLM）取得了显著进展，但现有模型在空间理解方面常常不足，限制了其在实际应用中的效果。为推动远程感知领域的VLM发展，我们聚焦于无人机拍摄的车辆图像，构建空间感知数据集AirSpatial，包含超过20.6万条指令，提出两种新任务：空间定位和空间问答。它是首个提供3DBB（3D Bounding Box）的远程感知定位数据集。为有效将现有VLM的图像理解能力迁移至空间领域，我们采用两阶段训练策略：图像理解预训练与空间理解微调。基于该训练得到的空间感知VLM，我们开发了航空代理AirSpatialBot，具备细粒度车辆属性识别与检索能力。通过动态整合任务规划、图像理解、空间理解与任务执行能力，AirSpatialBot能够适应多样化的查询需求。实验结果验证了我们方法的有效性，揭示了现有VLM的空间局限性，并提供了宝贵的改进思路。模型、代码及数据集将发布于 https://github.com/VisionXLab/AirSpatialBot
引用
@article{arxiv.2601.01416,
title = {AirSpatialBot: A Spatially-Aware Aerial Agent for Fine-Grained Vehicle Attribute Recognization and Retrieval},
author = {Yue Zhou and Ran Ding and Xue Yang and Xue Jiang and Xingzhao Liu},
journal= {arXiv preprint arXiv:2601.01416},
year = {2026}
}
备注
12 pages, 9 figures