面向个性化与公平参与式城市感知的语言锚定多智能体规划

摘要

参与式城市感知利用人的移动性进行大规模城市数据采集，但现有方法通常依赖集中式优化并假设参与者同质，导致任务指派僵化，忽视个人偏好与异质的城市情境。我们提出MAPUS，一个基于LLM的面向个性化与公平参与式城市感知的多智能体框架。在该框架中，参与者被建模为拥有个人画像与日程的自主智能体，而协调者智能体执行公平感知的选择，并通过基于语言的协商来细化感知路线。在真实数据集上的实验表明，MAPUS在感知覆盖率具有竞争力的同时，大幅提升了参与者满意度与公平性，推动构建更以人为本、更可持续的城市感知系统。

面向个性化与公平参与式城市感知的语言锚定多智能体规划：论文配图 — 图 1：PUS 问题范式比较。 (a) 传统的集中式 PUS 依赖于有关参与者和感知区域的简化假设。 (b) MAPUS 将参与者建模为具有个性化偏好的自主代理，同时融入异构城市环境。 (c) AgentSense（Guo 等人，2025b）使用 LLM 代理作为工作流程组件，在干扰下迭代地完善基线 PUS 解决方案。 (d) MAPUS 采用协调者和参与者的多主体范式，实现去中心化、个性化和公平意识的规划。