言葉は、どうやって
街になったのか。

使っているのは、すでにある3つのデータだけです。みちよみ(街路写真を AI が読んだ言葉)、PLATEAU(国の 3D 都市モデル。地物ごとに ID を持つ)、LOOVIC(その場を知る人の声)。この3つを、PLATEAU の地物IDという共通の住所に結びます。

みちよみは、街路写真1枚ごとに VLM が書いた構造化 JSON です。約191万場面(東京を中心)。看板の文字、建物の種類と見た目の階数、歩道の幅、舗装、危険の手がかりまで、文と数値で持ちます。例は、2026年9月27日朝のごみ回収の実録が始まった場所、新橋のファミリーマート前。

分からないことは「不明」と書く。 この写真では点字ブロックが判定できず、tactile_paving.present = "不明" とし、needs_close_inspection(近くで確かめる項目)に残しています。推定の値には必ず確からしさ(高・中・低)が付きます。

みちよみ JSON(場面 )— DB の値そのまま

1件の JSON を、PLATEAU の地物に振り分けられる単位の記述に分けます。文面は元の値をつないだだけ。記述ごとに振り分け先の種類(建物・都市設備・街路樹・植樹帯・歩道部・車道部)、左右、距離、そして元の JSON のどこから来たかを示す JSON Pointer を持ちます。(mlink/statements.py)

「右の看板」がどの建物かを決めるのに、AI に文章を書かせません。写真の画角に PLATEAU を描いて候補の地物に記号を重ね、VLM には「この記述が指す記号」を選ばせるだけにします。答えは英字1文字に制限し、出力の確率から選択肢ごとの確からしさを出します。

1. 撮影位置と向きを補正する

   Mapillary の SfM 補正後の位置・方位を、写真の建物の見え方と PLATEAU の建物が重なるように合わせる(方位 ±30°、横 ±6m、前後 ±4m。効いたときだけ使う)。

2. 画角に PLATEAU を描き、候補を出す

   建物ごとに色の違う「建物IDの画像」を描き、写っている地物と、左右・距離から見た幾何の確率を作る。

3. 候補に記号 A〜G を重ねる

   写っていない・該当しないときの逃げ道として Z も必ず入れる。

4. VLM は記号を選ぶだけ

   出力を JSON Schema で英字に制限し、トークンの対数確率を選択肢の確率にする。文は生成しない。

下の記述を押すと、写真の記号と候補が連動します。

採る・採らないの規則

26 / 30

徒歩の場面の目視確認で、判定できた紐づけのうち正しかった数

車・自転車からの写真は目視で15件中4件と悪かったため、確率0.9以上だけを採る。少数の目視なので「確かめた範囲では」の数字です。

結んだ記述を地物IDごとに集めます。同じ店の看板を別々の撮影列で読んでいれば多数決でそろえ、歩道の幅のような値は中央値・最小・最大・観測数に。こうして、PLATEAU の形に「その場所がどう見えるか」という言葉の層が付きます。

地物の言葉を6つの意味に分けます。そして、文に書かれた素材と色の語から CC0 の素材を選んで色を合わせ、建物の種類と1階の業態から部品を選びます。画像は生成していません。

「左側の茶色系タイル張りの高層ビル」

/townscape/buildings/1 → 記号 A の建物

→

素材「タイル」

+

色「茶」

=

ambientCG の CC0 素材を、言葉の色に合わせる

形だけ(PLATEAU)

言葉から描いた想像図

形だけ ⇄ 言葉から PLATEAU の写真テクスチャ ⇄ 言葉から 形だけ ⇄ 写真テクスチャ

言葉が無ければ描かない

導入「言葉がつくる街」は、この一連の流れを約67秒で見せます。約14万字の一字一字が、自分の文が結ばれた地物の面を知っていて、そこへ飛び、PLATEAU の形を下から書いていきます。

「ここは朝早くは音を鳴らしちゃいけないので、気をつけて入ってください。」LOOVIC 現地記録 No.13 · 2026-09-27 朝 · 新橋(書き起こしのまま)

写真の言葉は「どう見えるか」しか分かりません。ここでは、こうするという判断は、その場を知る人の声にあります。2026年9月27日の朝8時、ごみ回収の道を歩きながら LOOVIC で残した声を、声は無加工のまま、位置だけを PLATEAU で締め直して、同じ地物IDに結びました。

補正した道が通る面(PLATEAU の交通領域)

位置は GPS のままではなく、声と同時に撮った写真・公式の店舗位置・曲がる順序から、話した人の立ち位置を補正しています。指している対象(「これ」「その店」)は、立ち位置とは別の候補として持ちます。AI はこの記録を先に全部読めるので、ロボットのデモでは、人が着いてから話した条件を、手前で先に使って動きを決めます。