[论文解读] 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 0

一句话总结

MAPUS 引入一个以语言为基础的多智能体框架用于参与式城市感知，使自治参与者能够进行个性化路线规划，中央智能体协调实现公平任务分配。实验显示在感知覆盖率竞争力强的同时，参与者满意度与公平性有所提升。

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.

研究动机与目标

• 通过纳入个人偏好与城市语境，将参与式城市感知（PUS）从同质参与者假设中解放出来。
• 开发一个去中心化的 MAPUS 框架，包含自主参与者代理和协作者代理。
• 通过语言引导推理实现个性化路线规划，考虑参与者画像与区域属性。
• 引入公平感知的任务选择，以平衡长期参与与数据覆盖。
• 在真实移动数据集上展示相对于集中化基线的有效性。

提出的方法

• 将参与者建模为具有个人画像和日程的自主大语言模型代理。
• 使用协作者代理广播任务、在预算范围内选择参与者，并通过基于协商的路线细化进行协调。
• 通过将经典路线规划器与基于参与者画像和城市属性的 LLM 细化相结合，生成个性化路线。
• 定义路径满意度分数（PSS），将偏好与路线属性的相似性以及路线风险综合纳入考量。
• 引入公平感知的选择分数（FPS），将边际数据覆盖增量与历史参与项结合，促进公平访问。
• 应用基于协商的细化阶段，通过同意驱动的调整来减少路线重叠。

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

实验结果

研究问题

• RQ1 如何将参与式城市感知重新表述为异质性、以语言为基础的代理之间的去中心化协同？
• RQ2 利用参与者画像与城市语境的个性化路线规划能否在提升满意度的同时保持感知效用？
• RQ3 公平感知的协作者是否能在不降低数据覆盖的前提下改善长期参与？
• RQ4 基于协商的路线细化是否能在保留参与者自主性的前提下减少冗余感知？
• RQ5 MAPUS 在真实移动数据集上的数据覆盖、路线满意度与公平性的影响是什么？

主要发现

• MAPUS 在数据覆盖方面相对于基线具有竞争力甚至更优，且具可扩展性。
• MAPUS 在所有数据集与规模下均达到最高的路径满意度分数（PSS），显示与参与者偏好高度对齐。
• 公平感知选择（FPS）实现了更均衡的参与者参与，同时保持覆盖效用。
• 基于协商的路线细化显著减少路线重叠并提高空间熵，提升感知效率。
• 多智能体推理在个性化和稳定性方面优于单一 LLM 基线。

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.