(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN119445016B(65)同一申請的已公布的文獻號(43)申請公布日2025.02.14(73)專利權(quán)人中國人民解放軍陸軍裝甲兵學院地址100072北京市豐臺區(qū)杜家坎21號專利權(quán)人西南交通大學黨超高雨涵康亞健(74)專利代理機構(gòu)成都中弘信知識產(chǎn)權(quán)代理有限公司51309專利代理師梁梅3DgeographicsceneknowledgegraphsandlargSoftware.2025,全文.審查員李斌本發(fā)明公開了一種大語言模型驅(qū)動的地理場景參數(shù)化三維建模方法、系統(tǒng)、存儲介質(zhì)及程序產(chǎn)品，屬于地理信息科學領(lǐng)域，解決采用地理3D場景重建方法在數(shù)據(jù)獲取和處理過程中較為耗時，且生成的模型和場景缺乏語義信息等問題。本發(fā)明構(gòu)建地理場景的漸進式三維場景建模知識圖譜；基于地理實體空間和漸進式三維場景建模知識圖譜構(gòu)建基于空間自相關(guān)性與信息熵的推理上下文篩選機制，得到用于LLMs推理的提示文本；基于LLMs推理的提示文本構(gòu)建思維鏈引導的實體和實體之間的隱式關(guān)聯(lián)推理規(guī)則更新漸進式三維場景建模知識圖譜；基于基元模型和建模對象語義的三維模型生成方法和更新后的建模。2從地理場景的地理、幾何和渲染三個維度對場景進行表達和抽象實現(xiàn)從地理語義到渲步驟2、基于地理實體空間和漸進式三維場景建模知識圖譜構(gòu)建基于空間自相關(guān)性與步驟3、基于LLMs推理的提示文本構(gòu)建思維鏈引導的實體和實體之間的隱式關(guān)和外部知識庫K將上下文描述文本C,轉(zhuǎn)換為向量，然后通過余弦相似度計算向量之間的距步驟3.2、將構(gòu)建的思維鏈提示P輸入到預訓練好的大答案關(guān)系r和新的實體ea,將新的實體e和新的關(guān)系r添加到漸進式三維場景建模知識圖步驟4、基于基元模型和建模對象語義的三維模型生成方法和更新后的漸進式三維場2.根據(jù)權(quán)利要求1所述的一種大語言模型驅(qū)動的地理場景參數(shù)化三維建模方法，其特以被推理對象所屬地理實體空間位置為中心，采用Moran'sI指數(shù)計算地理實體空間基于得到的空間推理范圍，以漸進式三維場景建模知識圖譜中被推理對象所屬知識圖3H時，將該跳數(shù)內(nèi)的所有實體的參數(shù)及實體之間的關(guān)系的文本描述作為LMs待推理對象所屬知識圖譜中的實體作為中心節(jié)點為v時，跳數(shù)為h的所有節(jié)點集合，A(N?(N?(v)中的概率。3.一種計算機系統(tǒng)，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在4大語言模型驅(qū)動的地理場景參數(shù)化三維建模方法、系統(tǒng)、存儲介質(zhì)及程序產(chǎn)品技術(shù)領(lǐng)域[0001]一種大語言模型驅(qū)動的地理場景參數(shù)化三維建模方法、系統(tǒng)、存儲介質(zhì)及程序產(chǎn)品，用于參數(shù)化地理場景三維建模，屬于地理信息科學領(lǐng)域。背景技術(shù)[0002]三維(3D)地理場景建模是地理信息科學和計算機圖形學交叉領(lǐng)域的一個重要研究方向。區(qū)別于普通三維場景，三維地理場景是對真實地理環(huán)境的數(shù)字化抽象與表達，因此需要與真實環(huán)境保持空間、語義和時間的一致性。三維地理場景在數(shù)字孿生城市、智慧城市和虛擬地理環(huán)境等應(yīng)用中發(fā)揮著關(guān)鍵作用，為城市規(guī)劃、應(yīng)急管理、環(huán)境監(jiān)測和導航服務(wù)等地理環(huán)境的復雜性、多樣性和動態(tài)性，構(gòu)建和維護大規(guī)模逼真的3D地理場景模型仍面臨諸[0003]目前，3D地理場景建模主要采用兩種方法：3D重建方法和參數(shù)化建模。3D重建方法是從真實世界采集的數(shù)據(jù)(如圖像、點云)直接構(gòu)建三維模型的技術(shù)。常見的技術(shù)包括基于圖像的StructurefromMotion(SfM)和Multi-ViewStereo(MVS),以及基于激光掃描的LiDAR重建。這種方法的主要優(yōu)勢在于能夠生成高度真實和精確的模型，尤其適合捕捉復雜的地理環(huán)境細節(jié)，具有高度的幾何準確性和視覺真實感。然而，3D重建也存在一些局限性，首先，3D重建在數(shù)據(jù)獲取和處理過程中較為耗時，尤其是對于大規(guī)模場景的重建。更重要的是，生成的模型和場景往往缺乏語義信息。而語義信息是三維地理場景和GIS的核心要素，它不僅賦予幾何模型豐富的屬性和含義，更是實現(xiàn)空間查詢、空間分析、智能決策的關(guān)鍵基礎(chǔ)。參數(shù)化建模是基于對真實世界的抽象和概括，通過設(shè)定參數(shù)和規(guī)則來生成3D模型的方法。這種方法的核心在于將復雜的地理實體和現(xiàn)象轉(zhuǎn)化為一系列帶有語義的參數(shù)和規(guī)則。首先，通過分析真實世界的數(shù)據(jù)特征，提取關(guān)鍵的語義屬性和關(guān)系；然后，基于這些語義信息制定建模參數(shù)和規(guī)則。常見的技術(shù)包括基于語法的建模(Grammar-basedModeling)和程序化建模(ProceduralModeling)等，這些方法本質(zhì)上是將語義知識編碼到建模過程中。這種方法的優(yōu)勢是可以快速生成大規(guī)模復雜場景，可以通過調(diào)整參數(shù)生成多種變體，并且模型自身具有豐富的語義信息。然而，這種方法在精確還原場景細節(jié)方面存在局限。[0004]造成上述局限的根本原因在于參數(shù)化建模試圖通過有限的、通用的參數(shù)和規(guī)則來描述復雜和多樣的真實環(huán)境，這使得參數(shù)化建模必須在通用性與特殊性之間權(quán)衡。如，從更多的數(shù)據(jù)中提取建模信息、增加參數(shù)和規(guī)則、手動調(diào)整等方法可以讓三維場景更詳細，但有會導致參數(shù)化建模失去其本來的效率優(yōu)勢?？偟膩碚f，這種限制的關(guān)鍵在于效率與準確性之間的平衡。在不改變參數(shù)化建模的基本范式下，提升智能化程度是解決該限制最有效的方法。智能化的參數(shù)建模不僅可以更有效的整合和分析用于建模的數(shù)據(jù)，提取更多的有價值信息。還可以根據(jù)建模對象的特殊性自適應(yīng)的改變建模策略。[0005]綜上所述，現(xiàn)有技術(shù)中3D地理場景建模方法存在如下技術(shù)問題：5[0012]步驟2、基于地理實體空間和漸進式三維場景建模知識圖譜構(gòu)建基于空間自相關(guān)[0014]步驟4、基于基元模型和建模對象語義的三維模型生成方法和更新后的漸進式三[0018]以被推理對象所屬地理實體空間位置為中心，采用Moran'sI指數(shù)計算地理實體空間距離閾值下的空間自相關(guān)性，選擇空間自相D的地理實體空間對象總數(shù)，D表示第k個地理實體空間距離閾值，x;和x;分別為被推理對6識圖譜中的實體為中心，以不同的跳數(shù)來組成子網(wǎng)絡(luò)，并以示以待推理對象所屬知識圖譜中的實體作為中心節(jié)點為v時，跳數(shù)為h的所有節(jié)點集合，A跳數(shù)為h組成的子網(wǎng)絡(luò)中的關(guān)系集合，P(a)和和R(N?(v)中的概率。生成答案關(guān)系r。和新的實體ea,將新的實體e和新的關(guān)系r添加到器執(zhí)行所述計算機程序以實現(xiàn)所述一種大語言模型驅(qū)動的地理場景參數(shù)化三維建模方法7隱式關(guān)聯(lián)推理；[0034]三、本發(fā)明引入了基于思維鏈提示的大語言模型推理，結(jié)合構(gòu)建的知識圖譜，將Qwen2-75b大語言模型在建模知識圖譜中的推理準確率從82%提高到了94%;[0035]四、本發(fā)明提出的基于基元模型和建模對象語義的三維模型生成方法，將大語言模型的推理結(jié)果與參數(shù)化建模技術(shù)相結(jié)合，節(jié)省了傳統(tǒng)建模時手動構(gòu)建知識圖譜的時間和3D模型建模時間，極大的提高了智能化程度及建模效率，且生成的模型和場景具備語義信附圖說明[0036]為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，應(yīng)當理解，以下附圖僅示出了本發(fā)明的某些實施例，因此不應(yīng)該看作是對范圍的限定，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。[0037]圖1為本發(fā)明中三種知識圖譜及關(guān)系定義示意圖；[0038]圖2為本發(fā)明中上下文實體及子圖的篩選的示意圖；[0039]圖3為本發(fā)明中隱式關(guān)系推理的Prompt模板的示意圖；[0040]圖4為本發(fā)明中新實體推理的Prompt模板的示意圖；[0041]圖5為本發(fā)明中基元模型示例圖。具體實施方式[0042]為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。[0043]構(gòu)建地理場景的漸進式三維場景建模知識圖譜：[0044]三維地理場景建模是將現(xiàn)實世界的地理環(huán)境抽象為計算機可識別和渲染的數(shù)字模型的過程。為了實現(xiàn)三維地理場景的智能化建模，提出了一種漸進式多維度語義融合的知識圖譜構(gòu)建，核心是從地理語義、幾何語義和渲染語義三個維度對場景進行形式化表達和抽象，并通過語義映射機制從地理場景的地理、幾何和渲染三個維度對不同粒度語義進行關(guān)聯(lián)與轉(zhuǎn)換，最終得到相關(guān)聯(lián)的多維度語義圖譜，即得到漸進式三維場景建模知識圖譜。地理語義用于對現(xiàn)實世界中的地理信息進行抽象和概念化，形成地理語義知識圖譜。接著，幾何語義對地理語義進行進一步細化，生成幾何語義知識圖譜，以支持具體的幾何建模過程。最后，渲染語義在幾何語義的基礎(chǔ)上進一步抽象，形成渲染語義知識圖譜，以支持高真實感的可視化渲染。[0045]地理語義知識圖譜側(cè)重于對地理實體類型、屬性以及時空關(guān)系等進行本體化定義和實例化描述，形成反映地理世界的結(jié)構(gòu)化語義網(wǎng)絡(luò)。例如，在地理語義知樹可以表示為一個地理實體，其屬性包括樹種、高度、冠幅等。幾何語義知識圖譜則聚焦于對場景的幾何要素、結(jié)構(gòu)關(guān)系以及約束規(guī)則進行刻畫，形成反映場景幾何特征的語義表示。在幾何語義知識圖譜中，這棵樹可以表示為一個幾何模型，其幾何要素包括樹干(圓柱體)8和樹冠(球體或圓錐體),結(jié)構(gòu)關(guān)系為樹干支撐樹冠，約束規(guī)則為樹冠高度不超過樹的總高度。渲染語義知識圖譜著眼于對場景的材質(zhì)、紋理、光照等可視化屬性進行語義化組織，形成支撐高真實感渲染的參數(shù)化表示。在渲染語義圖譜中，樹的幾何模型可以賦予樹皮的材質(zhì)、樹葉的紋理，并設(shè)置光照參數(shù)以實現(xiàn)逼真[0046]這三個語義知識圖譜既相對獨立，又存在邏輯關(guān)聯(lián)。從地理語義到幾何語義再到一語義知識圖譜都可以與其他圖譜建立關(guān)聯(lián)，實現(xiàn)跨維度的語義轉(zhuǎn)換與推理。多維度語義圖譜間的關(guān)聯(lián)包括顯式關(guān)聯(lián)和隱式關(guān)聯(lián)兩種形式。顯式關(guān)聯(lián)通過知識圖譜的實體連接直接建立不同維度語義間的確定性映射，如地理實體與幾何模型的一一對應(yīng)關(guān)系。隱式關(guān)聯(lián)則是潛在的可能由規(guī)則推理、路徑推理或本案中使用的大語言模型等智能推理機制建立不同維度語義間的不確定性關(guān)聯(lián)，如地理屬性與渲染參數(shù)的依賴關(guān)系。通過顯式和隱式關(guān)聯(lián)的結(jié)合，多維度語義圖譜可以動態(tài)地協(xié)同演化，不斷豐富和完善場景模型的語義表示。例如，給定一個地理實體及其屬性，可以通過顯式關(guān)聯(lián)直接生成其幾何模型，并通過隱式關(guān)聯(lián)推斷合適的渲染參數(shù)。反之，給定一個幾何模型，也可以通過顯式關(guān)聯(lián)確定其地理實體類型，并通過隱式關(guān)聯(lián)推斷其地理屬性。多維度語義圖譜間的交互與協(xié)同，增強了場景模型的語義一致性和完備性。[0047]三個語義知識圖譜之間能相互轉(zhuǎn)換是最理想的情況?？紤]到最終的視覺效果由渲染語義決定，因此，渲染語義需要根據(jù)不同的3D引擎進行嚴格的設(shè)置，并不能由用戶或者開發(fā)者自定義，每一個實體、屬性、關(guān)系都應(yīng)當在3D引擎中有對應(yīng)的實現(xiàn)方法(本發(fā)明提供了一種新的實現(xiàn)方法)。相反，地理語義知識圖譜則可以盡可能的豐富且多樣化，并且不受到限制。更加豐富和龐大的地理語義知識圖譜有助于LLMs捕獲更加詳細的細節(jié)，這使得建模的結(jié)果更加準確。幾何語義知識圖譜是介于二者之間的，幾何語義知識圖譜是對地理知識圖譜的特征抽取，渲染語義知識圖譜是幾何語義知識圖譜的實現(xiàn)，這也意味著語義知識圖譜是無關(guān)具體的3D引擎的，這便于該方法在不同平臺、不同環(huán)境下的實現(xiàn)。三種知識圖譜的實體與關(guān)系定義如圖1所示。[0048]此外，對于顯式定義的關(guān)系，在建模過程中需要提供對應(yīng)的映射方法，如將地理語義中的草的綠色屬性通過顯式定義連接到渲染語義中的ARGB值，則需要提供對應(yīng)的工具或者方法。而隱式關(guān)系的推理則是后面介紹的基于LLMs推理的提示文本構(gòu)建思維鏈引導的實體和實體之間的隱式關(guān)聯(lián)推理規(guī)則更新漸進式三維場景建模知識圖譜。因此，地理場景的漸進式三維場景建模知識圖譜的初步構(gòu)建只有顯式關(guān)聯(lián)，而通過后續(xù)挖掘來增加隱式關(guān)聯(lián)。[0049]基于地理實體空間和漸進式三維場景建模知識圖譜構(gòu)建基于空間自相關(guān)性與信[0050]在利用大語言模型(LLM)進行知識推理時，選擇合適的上下文信息至關(guān)重要。上下文信息的質(zhì)量和數(shù)量直接影響推理的準確性和效率。過多的信息會導致冗余和干擾，使LLM難以把握重點；而信息不足則可能導致推理結(jié)果不準確或不完整。因此，需要一種方法來平衡上下文信息的廣度和深度，以優(yōu)化LLM的推理性能。考慮到被推理對象在知識圖譜中存在對應(yīng)的實例，同樣也在地理實體空間中存在對應(yīng)的對象，因此，本案從地理實體空間和三維場景建模知識圖譜空間兩個維度來評價其他對象及其關(guān)系是否需要被納入推理上下文。9[0051]空間自相關(guān)性是指空間中的對象在某種屬性上的相似程度與其空間位置的相關(guān)[0052]采用Moran's1指數(shù)來量化空間自相關(guān)性。對于不同的距離閾值Dk=k·信息熵H(v),當信息熵達到閾值H時，將該跳數(shù)內(nèi)的所有實體的參數(shù)及實體示以待推理對象所屬知識圖譜中的實體作為中心節(jié)點為v時，跳數(shù)為h的所有節(jié)點集合，A[0058]D的取值決定了空間距離的采樣精度，D值越小則選擇的空間對象更趨于合理，但過大的D值則相反。H值過大會導致合理的上下文優(yōu)勢小時，過小則會導致被選去的有用信息減少。因此這兩個值的設(shè)定取決于實踐中的需求，需要根據(jù)地理對象的密度、空間尺度、知識圖譜實體數(shù)量等參數(shù)來進行調(diào)整。[0059]基于LLMs推理的提示文本構(gòu)建思維鏈引導的實體和實體之間的隱式關(guān)聯(lián)推理規(guī)則更新漸進式三維場景建模知識圖譜：思維鏈(Chain-of-Thought,CoT)是一種新興的大語言模型推理范式，旨在通過將復雜的推理任務(wù)分解為一系列中間步驟，引導模型進行逐步推理，從而提高推理的可解釋性和準確性。與傳統(tǒng)的端到端推理方法不同，CoT推理引入了結(jié)構(gòu)化的推理路徑，模擬了人類的逐步思考過程，使得模型能夠更有效地利用已有知識進行推理。在本案中，推理的內(nèi)容包括隱式的關(guān)系推理和新的實體推理。隱式關(guān)系推理是基于知識圖譜中已經(jīng)存在的實體和關(guān)系來推理潛在的關(guān)系，新實體推理則是根據(jù)外部知識庫向[0060]將局部子圖G。轉(zhuǎn)換為自然語言形式的上下文描述文本C,采用Embedding技術(shù)和外部知識庫K將上下文描述文本C轉(zhuǎn)換為向量，然后通過余弦相似度計算向量之間的距離，以距離最相近向量所對應(yīng)的上下文描述文本作為外部知識庫K,最后，根據(jù)給定的查詢實體e和查詢關(guān)系r。檢索外部知識庫K得到目標上下文描述文本構(gòu)建思維鏈提示P,其中，思維鏈提示P包括查詢描述、知識描述和推理步驟提示，如在推理樹木葉子的顏色時，查詢描述："請推理樹木葉子在冬季季節(jié)的顏色。"知識描述："樹葉含有葉綠素，能進行光合作用。秋天溫度降低，日照減少，樹木停止生產(chǎn)葉綠素。"推理步驟提示：Step1:分析樹葉顏色的主要影響因素；Step2:考慮冬季樹葉的顏色及原因；Step3:分析冬季樹葉顏色變化的原理；Step4:推斷冬季落葉樹和常綠樹葉子的顏色差異；Step5:總結(jié)冬季的顏色的RGB值。[0062]將構(gòu)建的思維鏈提示P輸入到預訓練好的大語言模型進行隱式關(guān)聯(lián)推理生成答案關(guān)系r。和新的實體ea,將新的實體e和新的關(guān)系ra添加到漸進式三維場景建模知識圖譜G中，同時更新實體和關(guān)系的表示，即得到更新后的漸進式三維場景建模知識圖譜。[0063]新的知識圖譜則是根據(jù)外部知識庫K多步引導預訓練好的大語言模型LLM來推理理場景的漸進式三維場景建模知識圖譜中，如圖4。[0064]基于基元模型和建模對象語義的三維模型生成方法和更新后的漸進式三維場景建模知識圖譜進行參數(shù)化地理場景三維建模：[0065]本案中所有的三維模型都通過基元模型(立方體、不規(guī)則幾何體、道路、樹木)的屬性修改來實現(xiàn)，一個簡單的示例如圖5所示。義知識圖譜中，同樣也可以通過顯式關(guān)系或者隱式關(guān)系來與其它節(jié)點或?qū)傩躁P(guān)聯(lián)。其中一些基元模型為外部導入的完整三維模型，如多個部件構(gòu)成的模型，通過為該模型添加合適的修改函數(shù)來實現(xiàn)對不同部件參數(shù)控制。而一些基元模型則不依賴于外部建模軟件，直接由控制函數(shù)生成，如雙車道和不規(guī)則建筑。雙車道中輸入一系列的三維點，并根據(jù)寬度、長度、顏色等屬性來生成道路。不規(guī)則建筑同樣也是輸入一系列的三維點作為建筑物的形狀，11然后通過樓層高度、樓層數(shù)量等來構(gòu)建三維建筑的外觀。[0067]本案面向三維地理場景建模，提出一種大語言模型驅(qū)動的參數(shù)化三維建模方法。首先，從地理實體、幾何信息和渲染引擎的角度抽取特征并設(shè)計了三個知識圖譜，提出從地理到渲染的漸進式三維場景建模知識圖譜表達。通過漸進式三維場景建模知識圖譜來管理建模對象的語義和參數(shù)。然后，引入基于思維鏈(Chain-of-Th