[논문 리뷰] Language-Grounded Multi-Agent Planning for Personalized and Fair Participatory Urban Sensing

Xusen Guo, Mingxing Peng외 4명|arXiv (Cornell University)|2026. 03. 25.

Mobile Crowdsensing and Crowdsourcing인용 수 0

한 줄 요약

MAPUS는 참여 도시 감지(Participatory Urban Sensing, PUS)를 위한 언어-기반 다중 에이전트 프레임워크를 도입하여 자율 참가자에 의한 개인화된 경로 계획 및 중앙 에이전트가 조정하는 공정성 인식 작업 배치를 가능하게 한다. 실험은 경쟁력 있는 감지 커버리지를 보이며 참가자 만족도와 공정성을 향상시킨다는 것을 보여준다.

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.

연구 동기 및 목표

• 참여 도시 감지(PUS)를 동질적 참가자 가정에서 벗어나 개인 선호도와 도시 맥락을 반영하여 재정의한다.
• 자율 참가자 에이전트와 조정자 에이전트가 있는 분산형 MAPUS 프레임워크를 개발한다.
• 참가자 프로필과 지역 속성을 고려한 언어 가이드 추론을 통해 개인화된 경로 계획을 enable한다.
• 장기 참여와 데이터 커버리지를 균형 있게 만들기 위한 공정성 인식 작업 선택을 도입한다.
• 일원화된 기준선과 비교하여 실제 세계의 모빌리티 데이터셋에서 효과를 Demonstrate한다.

제안 방법

• 참가자를 개별 프로필과 일정이 있는 자율 LLM 에이전트로 모델링한다.
• 조정자 에이전트를 사용하여 작업을 방송하고 예산 내에서 참가자를 선택하며 협상 기반의 경로 정제를 조정한다.
• 참가자 프로필과 도시 속성을 활용한 LLM 기반 정제를 결합한 고전적인 경로 플래너를 통해 개인화된 경로를 생성한다.
• 경로 속성의 유사성 및 루트의 위험을 결합한 경로 만족도 점수(PSS)를 정의한다.
• 한계 데이터를 포함한 과거 참여Term으로 구성된 공정성 인식 선택 점수(FPS)를 도입해 공정한 접근을 촉진한다.
• 동의 기반 조정으로 경로 중복을 줄이기 위한 협상 기반 정제 단계를 적용한다.

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

실험 결과

연구 질문

• RQ1 참여 도시 감지를 이질적이며 언어-바운딩된 에이전트 간의 분산형 조정으로 재정의할 수 있는가?
• RQ2 참가자 프로필과 도시 맥락을 활용한 개인화된 경로 계획이 감지 유틸리티를 유지하면서 만족도를 향상시킬 수 있는가?
• RQ3 공정성 인식 조정자가 데이터 커버리지를 해치지 않으면서 장기 참여를 개선하는가?
• RQ4 협상 기반 경로 정제가 참가자 자율성을 보존하면서 중복 감지를 줄이는가?
• RQ5 MAPUS가 실제 모빌리티 데이터셋에서 데이터 커버리지, 경로 만족도 및 공정성에 미치는 영향은 어떤가?

주요 결과

• MAPUS는 데이터셋 간 및 기준선에 비해 경쟁력 있거나 우수한 데이터 커버리지를 달성한다.
• MAPUS는 모든 데이터셋과 스케일에서 최고 경로 만족도 점수(PSS)를 달성하여 참가자 선호도와의 강한 정합성을 나타낸다.
• 공정성 인식 선택(FPS)은 커버리지 유틸리티를 유지한 채 참가자 참여의 균형을 더 잘 이끌어낸다.
• 협상 기반 경로 정제는 경로 중복을 현저히 줄이고 공간적 엔트로피를 증가시켜 감지 효율성을 향상시킨다.
• 다-에이전트 추론은 개인화 및 안정성에서 단일 LLM 기반보다 우수하다.

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.