論文の概要: Intelli-Planner: Towards Customized Urban Planning via Large Language Model Empowered Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2601.21212v1
• Date: Thu, 29 Jan 2026 03:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.543118
• Title: Intelli-Planner: Towards Customized Urban Planning via Large Language Model Empowered Reinforcement Learning
• Title（参考訳）: Intelli-Planner: 大規模言語モデルを活用した強化学習によるカスタマイズ型都市計画を目指して
• Authors: Xixian Yong, Peilin Sun, Zihe Wang, Xiao Zhou,
• Abstract要約: 本稿では,大規模言語モデル(LLM)とDRL(Deep Reinforcement Learning)を統合した新しいフレームワークを提案する。 Intelli-Plannerは、人口統計、地理的データ、計画の好みを利用して、各機能タイプの高レベルな計画要件と要求を決定する。 様々な都市環境における実験的検証は、Intelli-Plannerが従来のベースラインを超え、客観的メトリクスにおける最先端のDRLベースの手法に匹敵するパフォーマンスを達成していることを示している。
• 参考スコア（独自算出の注目度）: 10.737909416707902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective urban planning is crucial for enhancing residents' quality of life and ensuring societal stability, playing a pivotal role in the sustainable development of cities. Current planning methods heavily rely on human experts, which are time-consuming and labor-intensive, or utilize deep learning algorithms, often limiting stakeholder involvement. To bridge these gaps, we propose Intelli-Planner, a novel framework integrating Deep Reinforcement Learning (DRL) with large language models (LLMs) to facilitate participatory and customized planning scheme generation. Intelli-Planner utilizes demographic, geographic data, and planning preferences to determine high-level planning requirements and demands for each functional type. During training, a knowledge enhancement module is employed to enhance the decision-making capability of the policy network. Additionally, we establish a multi-dimensional evaluation system and employ LLM-based stakeholders for satisfaction scoring. Experimental validation across diverse urban settings shows that Intelli-Planner surpasses traditional baselines and achieves comparable performance to state-of-the-art DRL-based methods in objective metrics, while enhancing stakeholder satisfaction and convergence speed. These findings underscore the effectiveness and superiority of our framework, highlighting the potential for integrating the latest advancements in LLMs with DRL approaches to revolutionize tasks related to functional areas planning.
• Abstract（参考訳）: 効果的な都市計画は、住民の生活の質を高め、社会の安定を確保するために重要であり、都市の持続可能な発展において重要な役割を担っている。 現在の計画手法は、時間を費やし、労働集約的な、あるいはディープラーニングアルゴリズムを利用する人間の専門家に大きく依存しており、しばしばステークホルダーの関与を制限する。 これらのギャップを埋めるため、我々は、Deep Reinforcement Learning(DRL)と大規模言語モデル(LLM)を統合する新しいフレームワークであるIntelli-Plannerを提案する。 Intelli-Plannerは、人口統計、地理的データ、計画の好みを利用して、各機能タイプの高レベルな計画要件と要求を決定する。 トレーニング中、政策ネットワークの意思決定能力を高めるために知識強化モジュールが使用される。 さらに,多次元評価システムを構築し,LCMに基づく利害関係者を満足度評価に活用する。 多様な都市環境における実験的な検証は、Intelli-Plannerが従来のベースラインを超え、ステークホルダーの満足度と収束速度を高めつつ、最先端のDRLベースの客観的指標の手法に匹敵するパフォーマンスを達成することを示している。 これらの知見は,LLMの最近の進歩とDRLのアプローチが機能領域計画に関わるタスクに革命をもたらす可能性を明らかにするとともに,我々のフレームワークの有効性と優位性を強調した。

関連論文リスト

• DeepPlanner: Scaling Planning Capability for Deep Research Agents via Advantage Shaping [74.34061104176554]
  我々は、ディープリサーチエージェントの計画能力を効果的に向上するエンドツーエンドのRLフレームワークであるDeepPlannerを提案する。 提案手法は,高エントロピートークンの大幅な更新を割り当てるエントロピーに基づく用語を用いてトークンレベルの優位性を形作るとともに,計画集約ロールアウトに対するサンプルレベルの優位性を選択的に向上させる。
  論文  参考訳（メタデータ） (2025-10-14T20:47:05Z)
• A Goal Without a Plan Is Just a Wish: Efficient and Effective Global Planner Training for Long-Horizon Agent Tasks [66.86312354478478]
  大規模言語モデル(LLM)に基づくエージェントは、長期的タスクにおけるグローバルな計画の欠如により、脳の無い試行錯誤と幻覚行動を引き起こす。 計画実行フレームワークを導入し,人的努力を伴わずに実行エージェントの計画能力を高めるためのプランナー訓練手法を提案する。 実験の結果,我々のプランナーを組み込んだ実行エージェントは既存の手法よりも優れており,新たな最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-10-07T06:10:53Z)
• Learning When to Plan: Efficiently Allocating Test-Time Compute for LLM Agents [35.79575378215309]
  強化学習(RL)による推論のための大規模言語モデル(LLM)の訓練は,その問題解決能力を大幅に向上させる。 LLMエージェントの動的計画を形式化する概念的枠組みを導入し、計画にテスト時間計算をいつ割り当てるかを柔軟に決定できるようにする。 Crafter環境での実験は、このアプローチでトレーニングされた動的計画エージェントがよりサンプリング効率が高く、より複雑な目標を一貫して達成していることを示している。
  論文  参考訳（メタデータ） (2025-09-03T18:00:13Z)
• LASP: Surveying the State-of-the-Art in Large Language Model-Assisted AI Planning [7.36760703426119]
  この調査は、言語モデルで計画する際の既存の課題を強調することを目的としている。 実施環境、最適なスケジューリング、競争と協力のゲーム、タスクの分解、推論、計画といった重要な分野に焦点を当てている。
  論文  参考訳（メタデータ） (2024-09-03T11:39:52Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• Large Language Models are Learnable Planners for Long-Term Recommendation [59.167795967630305]
  即時利益と長期利益の両方の計画が、勧告においてますます重要になる。 既存手法では,長期的推薦に対する累積報酬を最大化することにより,計画能力の学習に強化学習を適用している。 本稿では,長期的推薦のために,大規模言語モデルのスパースデータよりも優れた計画能力を活用することを提案する。
  論文  参考訳（メタデータ） (2024-02-29T13:49:56Z)
• 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)
• 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)

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。