[논문 리뷰] Autonomous AI Agents for Real-Time Affordable Housing Site Selection: Multi-Objective Reinforcement Learning Under Regulatory Constraints

Olaf Yunus Laitinen Imanov, Duygu Erisken외 3명|arXiv (Cornell University)|2026. 02. 03.

Housing Market and Economics인용 수 0

한 줄 요약

AURA는 여러 목표를 공동 최적화하고 강한 규제 준수를 보장하면서 실시간으로 규정 준수 인식 가능한 저렴한 주택 부지 선정을 수행하는 계층적 다중 에이전트 강화 학습 프레임워크로, 파레토 성능이 높고 의사결정 속도가 빠릅니다.

ABSTRACT

Affordable housing shortages affect billions, while land scarcity and regulations make site selection slow. We present AURA (Autonomous Urban Resource Allocator), a hierarchical multi-agent reinforcement learning system for real-time affordable housing site selection under hard regulatory constraints (QCT, DDA, LIHTC). We model the task as a constrained multi-objective Markov decision process optimizing accessibility, environmental impact, construction cost, and social equity while enforcing feasibility. AURA uses a regulatory-aware state encoding 127 federal and local constraints, Pareto-constrained policy gradients with feasibility guarantees, and reward decomposition separating immediate costs from long-term social outcomes. On datasets from 8 U.S. metros (47,392 candidate parcels), AURA attains 94.3% regulatory compliance and improves Pareto hypervolume by 37.2% over strong baselines. In a New York City 2026 case study, it reduces selection time from 18 months to 72 hours and identifies 23% more viable sites; chosen sites have 31% better transit access and 19% lower environmental impact than expert picks.

연구 동기 및 목표

• 도시권 규모에서 신속하고 데이터 기반의 부지 선정을 가능하게 하여 글로벌 주택 위기를 완화한다.
• 연방 및 지역 프로그램(QCT, DDA, LIHTC, LIHTC 할당, 구역지정) 전체의 실행 가능성을 보장하기 위해 최적화 루프에 엄격한 규제 제약을 내재화한다.
• 제약된 MDP 프레임워크 내에서 접근성, 환경 지속 가능성, 건설 비용, 사회적 형평성의 네 가지 목표를 균형 있게 조정한다.
• 지리공간 분석, 규정 준수 검증 및 파레토 프런트 최적화를 조정하는 확장 가능한 다중 에이전트 아키텍처를 개발한다.

제안 방법

• 사이트 선택을 127개의 엄격한 제약을 가진 제약된 다목적 MDP(CMO-MDP)로 형식화한다.
• GAA, RCA, MOOA, CA의 네 에이전트 계층 구조인 AURA를 도입한다.
• 연속 지리공간 특성과 이산 제약을 결합한 규제 인식 상태 표현을 개발한다.
• 제약 페널티가 있는 목적 함수와 명시적 실행 가능 항을 통해 실행 가능성을 강제하면서 파레토 프런트를 학습하기 위한 Pareto-Constrained PPO(PC-PPO)를 제안한다.
• 단기 비용과 장기 사회 및 환경 영향 등을 분리하기 위해 10년까지의 시간 추상화를 사용한 다충실도 보상을 구현한다.
• 공간 인코딩에 그래프 신경망을 사용하고 제약 조건에 대한 신경적 만족도 해결기를 사용하며 다양한 선호 벡터를 가진 파레토 프런트 유지 정책 집단을 유지한다.

실험 결과

연구 질문

• RQ1 강력한 규제 요건하에서 저렴한 주택 부지 선정을 제약된 다목적 최적화 문제로 어떻게 정의할 수 있는가?
• RQ2 자율적 다중 에이전트 시스템이 127개의 규제 제약을 존중하면서 접근성, 환경 영향, 비용, 사회적 형평성 간의 파레토 최적 균형을 발견할 수 있는가?
• RQ3 파레토-제약 PPO 접근법이 전통적인 MORL이나 제약 무시 방법보다 실행 가능하고 고품질의 파레토 프런트를 더 빨리 만들 수 있는가?
• RQ4 규제 인식 상태 표현과 다중 에이전트 조정이 대도시 대규모 데이터 세트에서 해답 품질과 준수율에 미치는 영향은 무엇인가?

주요 결과

• AURA는 미국 8개 도시에서 하이퍼볼륨 0.715와 94.3%의 규제 준수를 달성한다.
• AURA는 최상의 기본값보다 파레토 하이퍼볼륨을 37.2% 향상시키고 여러 목표에서 베이스라인을 능가한다.
• RCA를 통합하여 규제 준수가 크게 향상되며, RCA를 제거하면 준수율이 급격히 떨어진다(78.4% 대 94.3%).
• AURA는 부지 선정이 훨씬 빨라지며(72시간 대 18개월) 제약 하에서 더 많은 실행 가능한 장소를 식별한다(예: 뉴욕시 사례).
• 배포 결과 AURA가 선택한 부지가 인간 전문가 선택과 비교해 대중 교통 접근성 31% 향상 및 환경 영향 19% 감소를 보인다.
• 도시 전반에 걸쳐 AURA는 파레토 프런트에서 베이스라인을 지속적으로 능가하고 형평성 특성도 강하게 유지한다(지니계수 유사 불평등이 낮음).