AI Agent as Urban Planner: Steering Stakeholder Dynamics in Urban Planning via Consensus-based Multi-Agent Reinforcement Learning

要約

都市計画において、土地利用区画整理は、土地利用構成を持続可能な都市開発の現在の需要に合わせる上で極めて重要な役割を果たします。
しかし、今日の都市計画の実践は 2 つの主要な問題に直面しています。
まず、土地利用の決定は主に人間の専門家に依存しています。
さらに、都市計画への住民の関与は都市の持続可能性と住みやすさを促進することができますが、利害関係者の多様な利益を調整することは困難です。
これらの課題に対処するために、現実世界の土地利用再調整のためのコンセンサスベースのマルチエージェント強化学習フレームワークを導入します。
この枠組みは参加型都市計画に役立ち、利害関係者の代表としての多様な知的なエージェントが好ましい土地利用タイプに投票できるようにします。
この枠組みの中で、集団的な意思決定を通じて土地利用を最適化するための報酬設計における新しいコンセンサスメカニズムを提案します。
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ます。
従来のトップダウン計画と現実世界のコミュニティからの参加型計画手法の両方に関する包括的な実験は、私たちの計算フレームワークが世界的な利益を高め、多様な関心に対応し、さまざまな人口統計グループ全体の満足度の向上につながることを示しています。
マルチエージェント強化学習を統合することで、私たちのフレームワークは、参加型の都市計画決定がより動的で進化するコミュニティのニーズに適応できるようにし、複雑な現実世界の都市計画プロセスを自動化するための堅牢なプラットフォームを提供します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google