本文提出了一种增强强化学习的波函数坍缩框架，旨在解决现有程序生成方法在动态叙事驱动应用中的局限性。该方法专为移动增强现实环境设计，生成的地图具有情境一致性和响应游戏需求的能力，显著提升了地图质量。

本研究提出了一种统一的GPD-1模型，解决了自主驾驶系统在场景建模中的不足，能够同时进行地图生成、运动预测和轨迹规划，展现出广泛的应用潜力。

本文探讨了基于深度生成学习和人类指导的城市规划新模型，提出了AI地理信息系统（Autonomous GIS）以自动化空间数据分析。研究表明，生成型AI能够提升城市设计效率和地图标记准确性，并探讨了GeoAI在测绘中的应用及其伦理挑战。UrbanGenAI结合计算机视觉和生成式AI，推动城市景观重建和设计教学，而P-MapNet通过地图先验提高在线地图生成性能。

本文介绍了ExelMap，一种可解释的基于元素的高清地图变更检测与更新方法，用于自动驾驶中的地图生成与维护。ExelMap能有效识别变更的地图元素，并改善变更检测评估指标的使用。这是对真实世界图像的端到端地图变更检测与更新问题的首次深入探讨。

Loopy-SLAM 结合神经 RGBD SLAM 方法，解决了摄像机跟踪中的误差和地图扭曲问题，提升了实时 SLAM 的准确性和完整性。NICE-SLAM 引入分层场景表示，优化大型室内场景重建。此外，提出的新型稠密建图框架和协作式隐式 SLAM 系统在跟踪和地图生成方面表现优越。

本文介绍了一种利用RGB-D图像序列进行协作式SLAM系统，包括前端和后端模块，采用基于神经元的三维场景表示方法，实现了相机跟踪和地图生成的优越性。