[論文レビュー] Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing

Xusen Guo, Mingxing Peng+4 more|arXiv (Cornell University)|Mar 25, 2026

Mobile Crowdsensing and Crowdsourcing被引用数 0

ひとこと要約

MAPUS は、自治参加者による個別ルート計画を可能にする言語 grounded マルチエージェントフレームワークと、中央エージェントによる公平性を考慮したタスク割り当てを提供する participatory urban sensing。実験は、参加者満足度と公平性を改善しつつ、競争力のあるセンシングカバレッジを示す。

ABSTRACT

Participatory urban sensing leverages human mobility for large-scale urban data collection, yet existing methods typically rely on centralized optimization and assume homogeneous participants, resulting in rigid assignments that overlook personal preferences and heterogeneous urban contexts. We propose MAPUS, an LLM-based multi-agent framework for personalized and fair participatory urban sensing. In our framework, participants are modeled as autonomous agents with individual profiles and schedules, while a coordinator agent performs fairness-aware selection and refines sensing routes through language-based negotiation. Experiments on real-world datasets show that MAPUS achieves competitive sensing coverage while substantially improving participant satisfaction and fairness, promoting more human-centric and sustainable urban sensing systems.

研究の動機と目的

• homogeneous な参加者仮定を超え、個人の嗜好と都市文脈を取り入れて参与型都市センシング（PUS）を動機づける。
• 自律型参加者エージェントとコーディネータエージェントを備えた分散型 MAPUS フレームワークを開発する。
• 参加者プロファイルと地域属性を考慮した言語誘導推論による個別ルート計画を実現する。
• 長期的な参加とデータカバレッジを balanced にする公正性を意識したタスク選択を組み込む。
• 中央集権的ベースラインと比較して現実世界のモビリティデータセット上で有効性を示す。

提案手法

• 参加者を個別プロファイルとスケジュールを持つ自律的 LLM エージェントとしてモデル化する。
• コーディネータエージェントを用いてタスクをブロードキャストし、予算下で参加者を選択し、交渉ベースのルート改良を調整する。
• 古典的なルートプランナーと LLM ベースの改良を組み合わせて、個人プロファイルと都市属性を用いた個別ルートを生成する。
• ルート属性と嗜好の類似性、リスクを組み合わせた経路満足度スコア（PSS）を定義する。
• マージナルデータカバレッジの増分と過去の参加度項を組み合わせた公正性を意識した選択スコアを組み込み、公正アクセスを促進する。
• 同意に基づく調整を通じてルート重複を減らす交渉ベースの改良段階を適用する。

Figure 1: Comparison of paradigms for PUS problem. (a) Conventional centralized PUS relies on simplified assumptions about participants and sensing regions. (b) MAPUS models participants as autonomous agents with personalized preferences while incorporating heterogeneous urban context. (c) AgentSens

実験結果

リサーチクエスチョン

• RQ1 多様な言語 grounded エージェント間の分散型協調として、参与型都市センシングをどのように再定式化できるか？
• RQ2 参加者プロファイルと都市文脈を活用した個別ルート計画は、センシング有用性を維持しつつ満足度を向上させられるか？
• RQ3 公正性を考慮したコーディネータはデータカバレッジを損なうことなく長期的参加を改善できるか？
• RQ4 交渉ベースのルート改良は、参加者の自律性を保ちつつ冗長なセンシングを減らせるか？
• RQ5 MAPUS が現実データセット上でデータカバレッジ、ルート満足度、及び公平性に与える影響はどれほどか？

主な発見

• MAPUS はベースラインと比較してデータカバレッジが競合的または優れており、データセット間で拡張可能性を示す。
• MAPUS は全データセットとスケールで最高の経路満足度スコア（PSS）を達成し、参加者嗜好との高い整合性を示す。
• 公正性を意識した選択（FPS）は、カバレッジ有用性を維持しつつ参加者の関与をよりバランス良く実現する。
• 交渉ベースのルート改良はルート重複を大幅に減らし、空間的エントロピーを高め、センシング効率を向上させる。
• マルチエージェント推論は個別化と安定性の点で単一LLM ベースラインを上回る。

Figure 2: Overview of proposed MAPUS. It operates in three stages: (a) task dispatch and preference-aware route generation, (b) fairness-aware participant selection, and (c) negotiation-based route refinement.