3.32 短期机遇（Short-Term Opportunities）
这里提出的空间计算中意义深远的变革，反映了空间计算研究中新兴的各种方法，并且引发了新的机遇。增强现实系统（Augmented reality systems）。
增强现实通过实时覆盖空间对齐的媒体资源，从而丰富了我们对现实世界的认知。比如，它可以通过增加计算机图像功能改变一个用户的对于环境的看法，这些图像传达了一个地点或物体过去、现在或将来的信息（见图 3 和图 4）。增强现实也被应用在飞机驾驶舱的平视显示器中，还成为了智能手机应用中一个标准配置。包含计算机功能的眼镜是轻量级的，但是功能十分强大，这种眼镜如今十分常见，将会在医疗、建筑学、旅游业、商业、工程学、城市规划、装配与维护，以及普通的日常智慧放大领域中起到主要作用。该领域中空间计算研究面临的新挑战源于对于新算法的需求，以及用户和云技术、全 3D 人类及设备的定位和姿势预测、物理和虚拟事物的配准之间的协作。
怎样的自然界面可以充分发挥人类所有的感觉（例如视觉、听觉和触觉）并支持各类肢体操作（例如拇指和指头、手和胳膊、眼睛、头以及躯干等），从而在多种任务之间与增强现实进行互动？技术怎样才可以完全自由地捕获人类身体的各种特征，并将它们在虚拟空间中进行表示？
空间预测分析（Spatial predictive analytics）。空间统计学和空间数据挖掘方面在过去几十年内的进步可能会提高对飓风的路径、传染性疾病的传播，以及交通拥堵情况的预测精度和及时性。由于空间自相关、非平稳性以及边缘效应，这些问题混淆了传统的预测方法[32,35] 。空间模型在某种情况下可能是无价的，比如对诸多问题进行时空预测，包括人体内大概的肿瘤生长的位置、飞机机翼或者公路桥上裂痕的扩大情况。在这个研究领域中需要回答的问题包括：机器学习技术怎样进行扩展来应对自相关、非平稳性、异构性以及多层级方面的挑战？面对事务引起的结果扭曲（例如邻居关系的损失或重复计算）怎样才能挖掘频繁时空模式？空间自回归建模中计算最大似然估计中出现的大型稀疏矩阵的行列式有什么可伸缩的并且数学上鲁棒的方法？
地理协同系统，车队和人群（Geocollaborativesystems, fleets, and crowds）。空间计算会将网络空间上的互联网应用于位置感知的物联网中，使得固定结构和移动物体（例如车辆、行人和自行车）之间的联系变得可能，并且可以帮助调整运动过程、理解城市或国家中的移动模式。比如，2013 年 4 月，洛杉矶连接了城市中所有 4 500 个交通信号来提高高峰期的交通流量。空间计算使快闪暴走族因为一个共同的原因可以快速聚集在一起，从而减少对行动领导协调者的需要。司机、智能汽车和基础设施在将来可能会互相协作减少拥堵，提高疏散速度，从而提高安全性。这种协作提升了使用一组空间代理进行计算和决策对于“信任”的挑战。即使面对可能的 GPS 欺骗，地理分布式代理应该怎样以一种值得信任的方式互相协作？
室内、水下和地下的空间计算（Moving spatialcomputing indoors, underwater, and underground）。尽管 GPS 在世界范围内被普遍使用，但是在室内 GPS 信号很难获得，而我们人类会在室内度过80%~90% 的时间[56] 。现在基于位置的服务（例如路线导航）占据了我们 10%~20% 的时间，但是随着室内定位、路线选择和导航（在大型机场和医院可以使用）技术的兴起，21 世纪新的期望是，我们的空间上下文基本上一直可用，这种空间上下文可以通过手机信号塔、Wi-Fi 信号传送器以及其他室内基础设施，利用室内和地下定位得到。室内定位引起了一些新的研究课题，包括：什么样的算法可以从 CAD 绘图数据中创造室内空间的导航地图？那些没有 CAD 绘图的建筑又怎样进行导航？当室内空间中的 GPS 信号十分微弱甚至没有的时候，我们怎样才能进行可靠的室内空间定位？
