論文の概要: EO-Gym: A Multimodal, Interactive Environment for Earth Observation Agents
- arxiv url: http://arxiv.org/abs/2605.01250v1
- Date: Sat, 02 May 2026 05:09:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.667199
- Title: EO-Gym: A Multimodal, Interactive Environment for Earth Observation Agents
- Title（参考訳）: EO-Gym:地球観測エージェントのためのマルチモーダル・インタラクティブ環境
- Authors: Sai Ma, Zhuang Li, Sichao Li, Xinyue Xu, Ruibiao Zhu, Tony Boston, John A. Taylor,
- Abstract要約: マルチモーダルツールを用いたEOエージェントのための制御可能なフレームワークであるEO-Gymを提案する。
この環境上に構築されたEO-Gym-Dataは,9,078個の軌道と34,604個の推論ステップのベンチマークである。
O-GymはインタラクティブなEOエージェントのための再現可能な環境を提供し、EOをエビデンス収集問題として運用する。
- 参考スコア（独自算出の注目度）: 12.620816688406679
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth Observation (EO) analysis is inherently interactive: resolving uncertainty often requires expanding the region of interest, retrieving historical observations, and switching across sensors such as optical and Synthetic Aperture Radar. However, most EO benchmarks collapse this process into fixed-input, single-turn tasks. To address this gap, we present EO-Gym, a controlled executable framework for multimodal, tool-using EO agents that formulates EO analysis as a Gymnasium-style local geospatial workspace backed by more than 660k multimodal files indexed by location, time, and sensor type, with 35 EO-specialized tools spanning six task families. Built on this environment, we construct EO-Gym-Data, a benchmark of 9,078 trajectories and 34,604 reasoning steps, and grounded in eight public EO datasets together with Landsat and Sentinel-2 imagery. Evaluating $10$ open and closed VLMs shows that strong general-purpose models still struggle with interactive EO reasoning, especially on temporal and cross-modal workflows. As a reference baseline, EO-Gym-4B, obtained by fine-tuning Qwen3-VL-4B-Instruct on EO-Gym-Data, improves overall Pass@3 from $0.49$ to $0.74$ under the main evaluation setting. O-Gym provides a reproducible environment for interactive EO agents, operationalizing EO as an evidence-gathering problem that requires planning across geospatial, temporal, and sensing modality.
- Abstract（参考訳）: 地球観測(EO)分析は本質的に対話的であり、不確実性を解決するには、しばしば関心領域を広げ、歴史的観測を回収し、光学と合成開口レーダのようなセンサーを切り替える必要がある。
しかし、ほとんどのEOベンチマークは、このプロセスを固定入力のシングルターンタスクに分解する。
このギャップに対処するために、EO-Gymは、EO分析をGymnasiumスタイルのローカルな地理空間ワークスペースとして定式化し、6つのタスクファミリーにまたがる35のEO専用ツールで、位置、時間、センサータイプでインデックス付けされた660万以上のマルチモーダルファイルに基づく、マルチモーダルの制御可能なEOエージェントである。
この環境上に構築されたEO-Gym-Dataは,9,078の軌道と34,604の推論ステップのベンチマークであり,LandsatとSentinel-2の画像とともに8つの公開EOデータセットに基盤を置いている。
オープンかつクローズドなVLMの評価によると、強力な汎用モデルは、特に時間的および横断的なワークフローにおいて、インタラクティブなEO推論に苦戦している。
基準ベースラインとして、EO-Gym-Data上のQwen3-VL-4B命令を微調整することで得られるEO-Gym-4Bは、全体的なPass@3を主評価設定で0.49$から0.74$に改善する。
O-GymはインタラクティブなEOエージェントのための再現可能な環境を提供し、地理空間的、時間的、知覚的なモダリティの計画を必要とするエビデンス収集問題としてEOを運用する。
関連論文リスト
- Agentic AI for Remote Sensing: Technical Challenges and Research Directions [37.28125428920207]
地球観測(EO)は、データ、参照ツール、地理空間状態の協調推論を必要とする多段階解析への静的予測を超えて進んでいる。
本稿では,これらの課題は偶発的ではなく構造的仮定であると主張する。
次に、構造的地理空間状態、ツール認識推論、検証者誘導実行、地理空間的および物理的妥当性に適合した学習目標を中心に、EOネイティブエージェントの設計原理を概説する。
論文 参考訳（メタデータ） (2026-04-27T18:59:49Z) - ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。
ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。
このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
論文 参考訳（メタデータ） (2026-04-14T14:06:19Z) - OpenEarth-Agent: From Tool Calling to Tool Creation for Open-Environment Earth Observation [52.19243746173158]
オープン環境の地球観測に適した最初のツール作成エージェントフレームワークであるOpenEarth-Agentを紹介する。
OpenEarth-Agentは事前に定義されたツールを呼び出すのではなく、適応的なワークフロー計画とツール作成を使用して、目に見えないデータやタスクに一般化する。
OpenEarth-Agentは、オープン環境で複数のドメインにまたがって完全なEOをマスターできることを示す。
論文 参考訳（メタデータ） (2026-03-23T16:14:15Z) - Hide and Seek: Investigating Redundancy in Earth Observation Imagery [4.456501634317761]
地球観測(EO)データには多次元の冗長性(スペクトル、時間、空間、意味)があり、現在の文献よりも領域とその応用に顕著な影響を与えていると論じる。
以上の結果から,EOデータの冗長性が重大かつ広範であることが確認された。
これらの結果は、より効率的でスケーラブルでアクセスしやすい大規模EOモデルの基盤となった。
論文 参考訳（メタデータ） (2026-03-13T18:56:54Z) - IC-EO: Interpretable Code-based assistant for Earth Observation [5.490577355567582]
地球観測 (EO) 解析は, 平民にとって依然として困難である。
多くのシステムは、監査や再現が難しいブラックボックス予測を返す。
本研究では,自然言語クエリを実行可能なPythonクエリに変換する対話型言語エージェントを提案する。
論文 参考訳（メタデータ） (2026-01-27T10:49:29Z) - Behavior Trees vs Executable Ontologies: a Comparative Analysis of Robot Control Paradigms [51.56484100374058]
ロボット行動のモデリングには,インペラティブ・ビヘイビア・ツリー(BT)と宣言的実行可能オントロジー(EO)の2つのアプローチを比較した。
一方、EOはデータフロールールによって駆動される時間的イベントベースのセマンティックグラフとしてドメインを表現している。
論文 参考訳（メタデータ） (2025-11-19T09:38:01Z) - Earth-Agent: Unlocking the Full Landscape of Earth Observation with Agents [49.3216026940601]
地球観測は、地球系の状態を理解するために不可欠である。
近年のMLLMは高度なEO研究を行っているが、多段階推論を必要とする複雑なタスクに対処する能力は乏しい。
我々は,MPPベースのツールエコシステム内でRGBとスペクトルEOデータを統一する最初のエージェントフレームワークであるEarth-Agentを紹介する。
論文 参考訳（メタデータ） (2025-09-27T06:04:28Z) - EarthMind: Leveraging Cross-Sensor Data for Advanced Earth Observation Interpretation with a Unified Multimodal LLM [103.7537991413311]
地球観測(EO)データ分析は、環境と人間の動態のモニタリングに不可欠である。
最近のMultimodal Large Language Models (MLLM) は、EO理解の可能性を秘めているが、シングルセンサー入力に限定されている。
我々は、シングルセンサーとクロスセンサーの両方の入力を処理する統合視覚言語フレームワークであるEarthMindを提案する。
論文 参考訳（メタデータ） (2025-06-02T13:36:05Z)
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。