面向个性化与公平参与式城市感知的语言基础多智能体规划

参与式城市感知利用人类移动性进行大规模数据采集，但现有方法依赖集中优化且假设参与者同质化，导致分配僵化。本文提出 MAPUS，一种基于大语言模型的多智能体框架，旨在实现个性化与公平的感知任务。该框架将参与者建模为具有个体特征的智能体，由协调智能体通过语言协商执行公平感知选择并优化路线。实验表明，该方法在保持竞争力的覆盖范围同时，显著提升了参与者满意度与公平性。