論文の概要: Large language model empowered participatory urban planning
- arxiv url: http://arxiv.org/abs/2402.01698v1
- Date: Wed, 24 Jan 2024 10:50:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 16:39:46.057884
- Title: Large language model empowered participatory urban planning
- Title(参考訳): 大言語モデルによる参加型都市計画
- Authors: Zhilun Zhou, Yuming Lin, Yong Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.402147437950729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Participatory urban planning is the mainstream of modern urban planning and
involves the active engagement of different stakeholders. However, the
traditional participatory paradigm encounters challenges in time and manpower,
while the generative planning tools fail to provide adjustable and inclusive
solutions. This research introduces an innovative urban planning approach
integrating Large Language Models (LLMs) within the participatory process. The
framework, based on the crafted LLM agent, consists of role-play, collaborative
generation, and feedback iteration, solving a community-level land-use task
catering to 1000 distinct interests. Empirical experiments in diverse urban
communities exhibit LLM's adaptability and effectiveness across varied planning
scenarios. The results were evaluated on four metrics, surpassing human experts
in satisfaction and inclusion, and rivaling state-of-the-art reinforcement
learning methods in service and ecology. Further analysis shows the advantage
of LLM agents in providing adjustable and inclusive solutions with natural
language reasoning and strong scalability. While implementing the recent
advancements in emulating human behavior for planning, this work envisions both
planners and citizens benefiting from low-cost, efficient LLM agents, which is
crucial for enhancing participation and realizing participatory urban planning.
- Abstract(参考訳): 参加型都市計画は現代の都市計画の主流であり、様々な利害関係者の活発な関与を伴う。
しかし、従来の参加型パラダイムは時間と人力の課題に遭遇する一方、生成型計画ツールは調整可能で包括的なソリューションを提供しない。
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する革新的な都市計画手法を提案する。
llmエージェントに基づいたこのフレームワークは、ロールプレイ、コラボレーティブ生成、フィードバックイテレーションで構成され、1000の関心事に対応するコミュニティレベルの土地利用タスクを解決している。
多様な都市社会における実証実験は、様々な計画シナリオにまたがるLLMの適応性と有効性を示している。
その結果、満足度と包摂性の専門家を上回る4つの指標と、サービスと生態学における最先端の強化学習手法に対抗して評価された。
さらなる分析は、自然言語推論と強力なスケーラビリティを備えた調整可能かつ包括的ソリューションを提供する上で、LLMエージェントの利点を示している。
計画立案における人間行動のエミュレートの最近の進歩の中で, 低コストで効率的なLLMエージェントの恩恵を受けるプランナーと市民の両方を想定し, 参加の促進と参加型都市計画の実現に不可欠である。
関連論文リスト
- 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) - What's the Plan? Evaluating and Developing Planning-Aware Techniques for
LLMs [8.110829402014819]
大きな言語モデル(LLM)は、計画機能を必要とするアプリケーションにますます使われています。
我々は,新しいハイブリッド・メソドであるSimPlanを紹介し,その性能を新たな挑戦的な設定で評価する。
論文 参考訳(メタデータ) (2024-02-18T07:42:49Z) - Using Left and Right Brains Together: Towards Vision and Language
Planning [95.47128850991815]
本稿では,任意の形態の入力を伴うタスクに対して,視覚と言語を同時に計画する新しい視覚言語計画フレームワークを提案する。
我々は,視覚言語タスク,視覚のみタスク,言語のみタスクにまたがるフレームワークの有効性を評価する。
論文 参考訳(メタデータ) (2024-02-16T09:46:20Z) - On the Prospects of Incorporating Large Language Models (LLMs) in
Automated Planning and Scheduling (APS) [23.024862968785147]
本稿では, LLMのユニークな応用に基づく8つのカテゴリを, 計画問題の諸側面に対処するために検討する。
我々のレビューから得られた重要な洞察は、LLMの真の可能性は、従来のシンボリックプランナーと統合されたときに広がります。
論文 参考訳(メタデータ) (2024-01-04T19:22:09Z) - LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。
当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
論文 参考訳(メタデータ) (2023-12-30T02:53:45Z) - EgoPlan-Bench: Benchmarking Egocentric Embodied Planning with Multimodal
Large Language Models [87.8282946526824]
EgoPlan-Benchという人間のアノテーションを用いたベンチマークを導入し,MLLMの具体的タスクプランナとしての可能性について定量的に検討する。
各種オープンソースMLLMを評価し,これらのモデルがまだ具体化された計画ジェネラリストに進化していないことを明らかにした。
我々は,高レベルのタスクプランニングの学習を容易にするために,人間とオブジェクトのインタラクションのビデオから指導学習データセットEgoPlan-ITを構築した。
論文 参考訳(メタデータ) (2023-12-11T03:35:58Z) - LALM: Long-Term Action Anticipation with Language Models [74.10147822693791]
言語モデル(LALM)を用いた長期的行動予測のための新しいアプローチを提案する。
本手法は,従来の行動系列を追跡する行動認識モデルと,関連する環境の詳細を記述するための視覚言語モデルを含む。
実験の結果、LALMは長期的な行動予測のタスクにおいて最先端の手法を超越していることが示された。
論文 参考訳(メタデータ) (2023-11-29T02:17:27Z) - AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban
Planning via Consensus-based Multi-Agent Reinforcement Learning [8.363841553742912]
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。
論文 参考訳(メタデータ) (2023-10-25T17:04:11Z) - Corex: Pushing the Boundaries of Complex Reasoning through Multi-Model
Collaboration [88.3753421239906]
Corexは,大規模言語モデルを自律エージェントに変換する,新たな汎用戦略スイートだ。
人間の振る舞いにインスパイアされたCorexは、Debate、Review、Retrieveモードといった多様なコラボレーションパラダイムによって構成されている。
我々は,複数のLDMを協調的に演奏することで,既存の手法に比べて性能が著しく向上することが実証された。
論文 参考訳(メタデータ) (2023-09-30T07:11:39Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳(メタデータ) (2023-05-26T05:52:27Z) - On the Planning Abilities of Large Language Models (A Critical
Investigation with a Proposed Benchmark) [30.223130782579336]
我々は,国際計画コンペティションで採用されるドメインの種類に基づいて,ベンチマークスイートを開発する。
LLMを3つのモードで評価する: 自律型, ループ型, ループ型, ループ型, ループ型である。
以上の結果から, LLMが自律的に実行可能な計画を生成する能力は極めて高く, 平均的な成功率は3%程度に過ぎなかった。
論文 参考訳(メタデータ) (2023-02-13T21:37:41Z)
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。