[논문 리뷰] Towards Intelligent Urban Park Development Monitoring: LLM Agents for Multi-Modal Information Fusion and Analysis

Zixuan Xiao, Chunguang Hu외 1명|arXiv (Cornell University)|2026. 01. 28.

Remote-Sensing Image Classification인용 수 0

한 줄 요약

이 논문은 이질적인 소스로부터의 강건한 데이터 융합과 분석을 가능하게 하는 도시 공원 개발 모니터링을 위한 다중 모달 LLM 에이전트 프레임워크를 제안하며, 환각을 줄이기 위한 도메인 특화 도구키트를 포함합니다.

ABSTRACT

As an important part of urbanization, the development monitoring of newly constructed parks is of great significance for evaluating the effect of urban planning and optimizing resource allocation. However, traditional change detection methods based on remote sensing imagery have obvious limitations in high-level and intelligent analysis, and thus are difficult to meet the requirements of current urban planning and management. In face of the growing demand for complex multi-modal data analysis in urban park development monitoring, these methods often fail to provide flexible analysis capabilities for diverse application scenarios. This study proposes a multi-modal LLM agent framework, which aims to make full use of the semantic understanding and reasoning capabilities of LLM to meet the challenges in urban park development monitoring. In this framework, a general horizontal and vertical data alignment mechanism is designed to ensure the consistency and effective tracking of multi-modal data. At the same time, a specific toolkit is constructed to alleviate the hallucination issues of LLM due to the lack of domain-specific knowledge. Compared to vanilla GPT-4o and other agents, our approach enables robust multi-modal information fusion and analysis, offering reliable and scalable solutions tailored to the diverse and evolving demands of urban park development monitoring.

연구 동기 및 목표

• 새로 건설된 도시 공원의 모니터링 향상을 통해 도시 계획 및 자원 배분을 지원합니다.
• 고수준의 지능적 분석 제공에 있어 기존 원격탐사 변화 탐지의 한계를 addressing합니다.
• 다양하고 진화하는 도시 공원 개발 시나리오에 적합한 유연한 다중 모달 데이터 분석을 가능하게 합니다.
• 이질적 데이터 소스 간 일관성을 보장하기 위한 데이터 정렬 메커니즘을 개발합니다.

제안 방법

• 다중 모달 데이터 정렬을 위한 일반적인 수평적 및 수직적 데이터 정렬 메커니즘을 도입합니다.
• LLM 환각을 완화하고 지식 격차를 보완하기 위한 도메인 특화 도구키트를 구성합니다.
• 제안된 LLM 에이전트 프레임워크를 일반 GPT-4o 및 기타 에이전트와 비교 평가하여 다중 모달 융합 및 분석의 강건성을 평가합니다.

실험 결과

연구 질문

• RQ1 다양한 소스 간 도시 공원 개발에 대한 일관된 분석을 가능하게 하려면 다중 모달 데이터를 어떻게 정렬할 수 있을까요?
• RQ2 도메인 특화 도구키트가 도시 공원 모니터링 작업에서 LLM 환각을 줄이고 신뢰성을 향상시킬 수 있을까요?
• RQ3 제안된 LLM 에이전트 프레임워크가 기초 에이전트와 비교하여 강건한 다중 모달 정보 융합에서 어떤 성능을 보이나요?
• RQ4 진화하는 도시 공원 개발 시나리오에 LLM 에이전트를 적용하는 데 있어 도전과 이점은 무엇인가요?

주요 결과

• 프레임워크가 도시 공원 모니터링을 위한 강건한 다중 모달 정보 융합 및 분석을 지원합니다.
• 수평적 및 수직적 데이터 정렬 메커니즘이 일관성과 효과적 데이터 추적을 보장하도록 설계되었습니다.
• 도메인 특화 도구키트가 지식 격차로 인한 LLM 환각을 완화하도록 구성됩니다.
• 제안된 접근법은 모달리티 간 융합 및 분석의 강건성에서 일반 GPT-4o 및 다른 에이전트보다 우수한 성능을 보입니다.