論文の概要: AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban
Planning via Consensus-based Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2310.16772v2
- Date: Thu, 9 Nov 2023 15:18:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-10 17:19:52.375010
- Title: AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban
Planning via Consensus-based Multi-Agent Reinforcement Learning
- Title(参考訳): 都市プランナーとしてのAIエージェント: 合意に基づくマルチエージェント強化学習による都市計画におけるステアリングステークホルダダイナミクス
- Authors: Kejiang Qian, Lingjun Mao, Xin Liang, Yimin Ding, Jin Gao, Xinran Wei,
Ziyi Guo, Jiajie Li
- Abstract要約: 本稿では,コンセンサスを基盤としたマルチエージェント強化学習フレームワークについて紹介する。
この枠組みは参加型都市計画に役立ち、多様な知的エージェントを利害関係者の代表として好まれる土地利用形態に投票することができる。
マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応することを保証する。
- 参考スコア(独自算出の注目度): 8.363841553742912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In urban planning, land use readjustment plays a pivotal role in aligning
land use configurations with the current demands for sustainable urban
development. However, present-day urban planning practices face two main
issues. Firstly, land use decisions are predominantly dependent on human
experts. Besides, while resident engagement in urban planning can promote urban
sustainability and livability, it is challenging to reconcile the diverse
interests of stakeholders. To address these challenges, we introduce a
Consensus-based Multi-Agent Reinforcement Learning framework for real-world
land use readjustment. This framework serves participatory urban planning,
allowing diverse intelligent agents as stakeholder representatives to vote for
preferred land use types. Within this framework, we propose a novel consensus
mechanism in reward design to optimize land utilization through collective
decision making. To abstract the structure of the complex urban system, the
geographic information of cities is transformed into a spatial graph structure
and then processed by graph neural networks. Comprehensive experiments on both
traditional top-down planning and participatory planning methods from
real-world communities indicate that our computational framework enhances
global benefits and accommodates diverse interests, leading to improved
satisfaction across different demographic groups. By integrating Multi-Agent
Reinforcement Learning, our framework ensures that participatory urban planning
decisions are more dynamic and adaptive to evolving community needs and
provides a robust platform for automating complex real-world urban planning
processes.
- Abstract(参考訳): 都市計画において、土地利用調整は、土地利用構成と持続可能な都市開発への現在の要求を整合させる上で重要な役割を担っている。
しかし、現在の都市計画の実践は2つの大きな問題に直面している。
まず、土地利用の決定は、主に人間の専門家に依存している。
また、都市計画への住民参加は、都市の持続可能性と居住性を促進することができるが、利害関係者の多様な利益を和解させることは困難である。
これらの課題に対処するために,実世界の土地利用再調整のためのコンセンサスに基づくマルチエージェント強化学習フレームワークを提案する。
この枠組みは参加型都市計画に役立ち、利害関係者として多様な知的エージェントが望ましい土地利用タイプに投票できる。
本枠組みでは,集団意思決定による土地利用の最適化を目的とした報酬設計における新たなコンセンサス機構を提案する。
複雑な都市システムの構造を抽象化するために、都市の地理情報は空間グラフ構造に変換され、グラフニューラルネットワークによって処理される。
従来のトップダウン計画と実世界のコミュニティによる参加型計画方法の両方に関する包括的な実験は、我々の計算フレームワークがグローバルな利益を高め、様々な関心事に対応し、異なる人口層間での満足度の向上をもたらすことを示している。
マルチエージェント強化学習を統合することで、参加型都市計画決定がよりダイナミックで、コミュニティのニーズに適応し、複雑な都市計画プロセスを自動化する堅牢なプラットフォームを提供する。
関連論文リスト
- MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳(メタデータ) (2024-07-11T17:56:49Z) - Large Language Model for Participatory Urban Planning [22.245571438540512]
大きな言語モデル(LLM)は、人間のようなエージェントをシミュレートする能力を示す。
参加型都市計画のためのLLMに基づくマルチエージェント協調フレームワークを提案する。
本手法は, 住民満足度と包括性の測定値において, 最先端の性能を実現する。
論文 参考訳(メタデータ) (2024-02-27T02:47:50Z) - Large language model empowered participatory urban planning [5.402147437950729]
本研究では,大規模言語モデル(LLM)を参加型プロセスに統合した革新的な都市計画手法を提案する。
このフレームワークは、LLMエージェントをベースとして、役割プレイ、共同生成、フィードバックで構成され、コミュニティレベルの土地利用タスクを1000の異なる関心事に対応させて解決する。
論文 参考訳(メタデータ) (2024-01-24T10:50:01Z) - Human-instructed Deep Hierarchical Generative Learning for Automated
Urban Planning [57.91323079939641]
我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。
最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。
第2の段階は、都市機能投影を形成するための計画要件を理解することである。
第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
論文 参考訳(メタデータ) (2022-12-01T23:06:41Z) - A Contextual Master-Slave Framework on Urban Region Graph for Urban
Village Detection [68.84486900183853]
都市域を階層的にモデル化する都市域グラフ(URG)を構築した。
そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。
提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
論文 参考訳(メタデータ) (2022-11-26T18:17:39Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳(メタデータ) (2021-12-02T06:48:16Z) - Dynamic Urban Planning: an Agent-Based Model Coupling Mobility Mode and
Housing Choice. Use case Kendall Square [5.620109882646823]
本稿では,住民の行動パターンを特徴付けるエージェントモデルを提案する。
この意思決定プロセスに影響を与える基準の現実的な識別と表現は、潜在的住宅インセンティブの影響を理解し評価するのに役立ちます。
論文 参考訳(メタデータ) (2021-06-28T10:54:44Z) - A Consciousness-Inspired Planning Agent for Model-Based Reinforcement
Learning [104.3643447579578]
本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。
この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
論文 参考訳(メタデータ) (2021-06-03T19:35:19Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳(メタデータ) (2021-04-30T12:47:52Z) - Reimagining City Configuration: Automated Urban Planning via Adversarial
Learning [28.930624100994514]
都市計画は、土地利用形態を設計する努力を指す。
近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
論文 参考訳(メタデータ) (2020-08-22T21:15:39Z) - Empowering Urban Governance through Urban Science: Multi-scale Dynamics
of Urban Systems Worldwide [0.0]
現在の都市科学は将来の都市政策に有用な基盤を提供することができる。
都市の進化に関する国際比較は、国家の領土の枠組みが都市システムの力学と厳密に一致しているとは限らないため、しばしば不確実な結果をもたらす。
地域・国家境界を超えた都市の動的ネットワークを考慮した都市システムの構築を提案する。
論文 参考訳(メタデータ) (2020-05-20T12:47:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。