論文の概要: RoadMind: Towards a Geospatial AI Expert for Disaster Response

• arxiv url: http://arxiv.org/abs/2509.19354v1
• Date: Thu, 18 Sep 2025 09:46:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.506258
• Title: RoadMind: Towards a Geospatial AI Expert for Disaster Response
• Title（参考訳）: RoadMind: 災害対応のための地理空間AIエキスパートを目指す
• Authors: Ahmed El Fekih Zguir, Ferda Ofli, Muhammad Imran,
• Abstract要約: 大規模言語モデル(LLM)は、様々な自然言語タスクで顕著なパフォーマンスを示しているが、地理空間データについて推論する能力には制限がある。 OpenStreetMap (OSM) の構造化データを用いて LLM の地理空間的推論能力を向上させる自己教師型フレームワークである RoadMind を提案する。 以上の結果から,先進的なプログレッシブ・エンジニアリングを備えた最先端のLLMを含む,強力なベースラインをはるかに上回るモデルが得られた。
• 参考スコア（独自算出の注目度）: 6.038207189709353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shown impressive performance across a range of natural language tasks, but remain limited in their ability to reason about geospatial data, particularly road networks, distances, and directions. This gap poses challenges in disaster scenarios, where spatial understanding is critical for tasks such as evacuation planning and resource allocation. In this work, we present RoadMind, a self-supervised framework that enhances the geospatial reasoning capabilities of LLMs using structured data from OpenStreetMap (OSM). Our automated pipeline extracts road infrastructure data for a given city and converts it into multiple supervision formats tailored to key spatial tasks. We pretrain and fine-tune LLMs on these representations using QLoRA adapters and 4-bit quantized models. We evaluate our approach on three disaster-prone cities with varying global representation, Los Angeles, Christchurch, and Manila, across tasks such as road segment identification, nearest road retrieval, and distance/direction estimation. Our results show that models trained via RoadMind significantly outperform strong baselines, including state-of-the-art LLMs equipped with advanced prompt engineering. This demonstrates the potential of structured geospatial data to enhance language models with robust spatial reasoning, enabling more effective offline AI systems for disaster response.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、様々な自然言語タスクにおいて印象的な性能を示してきたが、地理空間データ、特に道路ネットワーク、距離、方向の推論能力には限界がある。 このギャップは、避難計画や資源配分といったタスクにおいて空間的理解が不可欠である災害シナリオにおいて課題となる。 本研究では,OpenStreetMap (OSM) の構造化データを用いて,LLMの地理空間的推論能力を向上する自己教師型フレームワークであるRoadMindを提案する。 我々の自動パイプラインは、ある都市の道路インフラデータを抽出し、主要な空間的タスクに適した複数の監督形式に変換する。 我々はQLoRAアダプタと4ビット量子化モデルを用いて,これらの表現上でのLLMの事前学習と微調整を行う。 我々は,ロサンゼルス,クライストチャーチ,マニラの3都市において,道路セグメントの識別,最寄り道路の検索,距離/方向推定といったタスクを通じて,災害発生リスクの高い都市に対するアプローチを評価した。 以上の結果から,先進的なプログレッシブ・エンジニアリングを備えた最先端のLLMを含む,強力なベースラインをはるかに上回っていることが示唆された。 これは、ロバストな空間推論で言語モデルを強化するために構造化された地理空間データの可能性を示し、災害対応のためのより効果的なオフラインAIシステムを可能にする。

関連論文リスト

• Using Language and Road Manuals to Inform Map Reconstruction for Autonomous Driving [2.905122328210335]
  レーントポロジー予測は安全で信頼性の高い自律航法の重要な構成要素である。 この情報は、道路構造を反映した設計コードや、道路機能を捉えた道路名などを通じて、自然言語で符号化された規則に従うことが多い。 我々はこの情報を,地図に基づくオンラインレーントポロジー予測モデルであるSMERFに軽量に拡張する。
  論文  参考訳（メタデータ） (2025-06-12T03:02:01Z)
• Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
  大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
  論文  参考訳（メタデータ） (2025-03-27T11:56:27Z)
• OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
  マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。 地理空間応用に適したMLLM(OmniGeo)を提案する。 自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
  論文  参考訳（メタデータ） (2025-03-20T16:45:48Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Geode: A Zero-shot Geospatial Question-Answering Agent with Explicit Reasoning and Precise Spatio-Temporal Retrieval [0.0]
  本研究では,ゼロショット地理空間的質問応答タスクを高精度に処理するための先駆的システムを提案する。 当社のアプローチは,現在の大規模言語モデルの限界に対処する上で,大幅な改善を図っている。
  論文  参考訳（メタデータ） (2024-06-26T21:59:54Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Semi-supervised Road Updating Network (SRUNet): A Deep Learning Method for Road Updating from Remote Sensing Imagery and Historical Vector Maps [3.350048575501172]
  本研究では,道路更新のための半教師付き学習(SRUNet)に基づく道路検出手法を提案する。 提案したSRUNetは,幅広い道路更新作業に対して,安定かつ最新かつ信頼性の高い予測結果を提供する。
  論文  参考訳（メタデータ） (2023-04-28T16:51:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。