🤖 AI

City Editing: Hierarchical Agentic Execution for Dependency-Aware Urban Geospatial Modification

이 논문은 기존 도시 계획의 지리 공간적 수정을 위해 자연어 지시를 계층적 기하학적 의도로 분해하고, 공간적 제약의 전파와 검증 메커니즘을 통해 의존성을 고려한 다단계 편집을 자동화하는 계층적 에이전트 실행 프레임워크를 제안합니다.

원저자: Rui Liu, Steven Jige Quan, Zhong-Ren Peng, Zijun Yao, Han Wang, Zhengzhang Chen, Kunpeng Liu, Yanjie Fu, Dongjie Wang

게시일 2026-03-02

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Rui Liu, Steven Jige Quan, Zhong-Ren Peng, Zijun Yao, Han Wang, Zhengzhang Chen, Kunpeng Liu, Yanjie Fu, Dongjie Wang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"도시를 다시 설계하는 것"이 아니라, "이미 있는 도시를 자연스럽게 고치는 것"**을 인공지능이 어떻게 도와줄 수 있는지에 대한 연구입니다.

기존의 도시 계획은 빈 땅에 새로운 도시를 그리는 것처럼 처음부터 끝까지 새로 만드는 방식이었습니다. 하지만 현실에서는 교통 체증 해결이나 공원 확장처럼 기존 도시의 일부만 조금씩 고치는 작업이 훨씬 더 많습니다. 문제는 이 '조금씩 고치는 작업'이 사람에게는 매우 번거롭고, 실수가 나면 전체 지도가 망가질 수 있다는 점입니다.

이 논문은 이 문제를 해결하기 위해 **'CEAE'**라는 새로운 인공지능 시스템을 제안합니다. 이를 쉽게 이해할 수 있도록 몇 가지 비유로 설명해 드리겠습니다.

1. 기존 방식 vs. 새로운 방식 (비유: 그림 그리기)

기존 방식 (한 번에 다 그리기):
화가가 캔버스에 도시를 그릴 때, "공원을 좀 넓혀줘"라고 하면 화가는 기존 그림을 지우고 아예 처음부터 다시 그림을 그립니다. 기존에 있던 길이나 건물이 어디에 있었는지 기억하지 않고 새로 그리는 거죠. 그래서 기존 도시의 흐름을 무시하거나, 길을 끊어버리는 실수가 자주 발생합니다.
새로운 방식 (CEAE, 점진적인 수정):
이 시스템은 숙련된 건축 현장의 감독관처럼 행동합니다. "공원을 넓혀줘"라는 말을 들으면, 기존 그림을 지우지 않고 기존 길과 건물을 살피며 공원만 조금씩 넓혀갑니다. 그리고 공원이 넓어지면 자연스럽게 옆에 있던 벤치나 가로등도 함께 이동시킵니다.

2. CEAE 가 어떻게 일하는가? (3 단계 팀워크)

이 시스템은 혼자서 일하는 것이 아니라, 세 명의 전문가로 구성된 팀이 협력하여 일합니다.

① 기획자 (Task Planner) - "대본 작가"

역할: "공원을 넓혀줘"라는 복잡한 명령을 받아, 어떤 순서로, 무엇을 먼저 고쳐야 할지 구체적인 대본을 작성합니다.
비유: 건축주에게 "집을 리모델링해 줘"라고 하면, 건축가는 "먼저 벽을 허물고, 그다음 배관을 고치고, 마지막으로 페인트를 칠하자"라고 단계별 계획을 세우는 사람입니다.
중요한 점: 큰 것 (건물, 공원) 을 먼저 고치고, 그다음 중간 것 (도로), 마지막으로 작은 것 (가로등) 을 고치는 큰 것에서 작은 것 순서로 계획을 잡습니다.

② 실행자 (GeoExecutor) - "현장 작업반장"

역할: 기획자가 쓴 대본대로 실제 지도 (GeoJSON) 를 수정합니다.
비유: 계획대로 공원을 넓히는 작업을 합니다. 하지만 여기서 중요한 건, 작업 중간중간마다 "지금까지 한 일이 맞는지" 확인한다는 것입니다. 예를 들어, 공원을 넓히다가 갑자기 도로를 덮어버리면 안 되니까, 작업할 때마다 "도로는 건드리지 않았나?"를 체크합니다.

③ 검증자 (Validator) - "품질 관리 심사관"

역할: 실행자가 수정한 결과가 논리적으로 맞는지, 법규에 어긋나지 않는지 매번 검사합니다.
비유: 공원에서 벤치를 옮겼는데, 그 자리에 갑자기 나무가 생겼다면? "아니야, 이건 말이 안 돼!"라고 즉시 멈추고 다시 하라고 지시합니다.
효과: 작은 실수가 쌓여서 큰 사고 (지도 전체가 망가짐) 가 나는 것을 막아줍니다. 실수가 나면 되돌려서 (Rollback) 다시 시도합니다.

3. 왜 이 방식이 더 좋은가? (핵심 장점)

이 시스템은 **"실수를 바로잡는 능력"**과 **"서로 연결된 관계를 이해하는 능력"**이 뛰어납니다.

의존성 이해: "공원을 넓히면" 자연스럽게 "옆에 있던 길도 같이 넓혀야 하고", "그 길 위에 있던 전봇대는 옮겨야 합니다." 이런 연쇄 반응을 인공지능이 스스로 이해하고 처리합니다.
오류 방지: 사람이 일하다 보면 "아, 실수했네" 하고 나중에야 깨닫는 경우가 많습니다. 하지만 이 시스템은 작업할 때마다 실시간으로 검증하므로, 잘못된 결과가 다음 단계로 넘어가는 것을 막습니다.

4. 실제 효과 (실험 결과)

연구진은 이 시스템을 다양한 도시 수정 시나리오 (공원 확장, 도로 변경 등) 에 적용해 보았습니다. 그 결과:

정확도: 기존 인공지능들이 한 번에 그리는 방식보다 오류가 훨씬 적었습니다.
성공률: 작업이 실패하거나 지도가 망가질 확률이 크게 줄었습니다.
복잡한 작업: 단순한 점 하나를 옮기는 작업보다는, 건물과 도로가 얽힌 복잡한 작업일수록 이 시스템의 성능이 압도적으로 좋았습니다.

요약

이 논문은 **"도시를 고칠 때, 인공지능이 단순히 그림을 그리는 게 아니라, 현장의 감독관처럼 단계별로 계획을 세우고, 실수를 바로잡으며, 서로 연결된 관계를 고려해서 도시를 자연스럽게 업그레이드하는 방법"**을 제시했습니다.

이는 미래에 도시 계획가들이 더 빠르고 정확하게 도시를 개선하는 데 큰 도움을 줄 기술로 기대됩니다. 마치 수술실의 로봇이 의사의 지시를 받아 정교하게 수술하듯, 인공지능이 도시의 '수술'을 도와주는 것이라고 생각하시면 됩니다.

1. 문제 정의 (Problem)

기존의 도시 계획 및 재생 (Urban Renewal) 은 종종 처음부터 새로운 계획을 수립하는 방식 (From-scratch) 으로 접근했으나, 실제 도시 환경은 교통 체증, 기능적 불균형, 비효율적인 토지 이용 등의 국소적 결함을 해결하기 위해 기존 계획을 점진적으로 수정하는 방식으로 진화하고 있습니다.

현실적 한계: 실제 도시 재생은 이해관계자 간의 조정과 규제 준수를 위해 반복적이고 세밀한 지리 공간 편집을 요구합니다. 하지만 소규모 변경 사항조차 지리적 유효성 (Geometric Validity), 의존성 일관성, 계획 제약 조건을 유지하며 수동으로 재작성해야 하므로 비효율적이고 확장성이 낮습니다.
기존 방법론의 부족:
- 생성형 AI: 전체 계획을 한 번에 생성 (One-shot) 하므로 기존 계획의 점진적 수정을 지원하지 못함.
- 최적화 기반: 사전 정의된 목적 함수와 단순화된 추상에 의존하여 복잡한 의존성을 처리하기 어려움.
- LLM 에이전트: 계획 합성에는 초점을 맞추나, 중간 단계의 결정 의존성 (Intermediate Decision Dependencies) 을 명시적으로 모델링하지 못함.
핵심 과제: 기존 도시 계획 (GeoJSON 형식) 을 기반으로 자연어 지시를 받아 의존성을 인지하고 오류를 수정하며 점진적으로 편집하는 자동화된 시스템 구축이 필요함.

2. 방법론 (Methodology)

저자들은 **CEAE (City Editing with Hierarchical Agentic Execution)**라는 위계적 에이전트 실행 프레임워크를 제안합니다. 이 프레임워크는 지리 공간 편집을 "한 번의 생성"이 아닌 "구조화된 실행 과정"으로 재정의합니다.

2.1. 기본 구조 및 데이터 표현

입력: 기존 도시 지리 공간 레이아웃 (GeoJSON) 과 자연어 편집 지시문 (Human Instruction).
출력: 수정된 GeoJSON 계획 ( $G^*$ ).
전략: Coarse-to-Fine (거시에서 미시) 접근법을 채택합니다. 편집은 다각형 (Polygon) $\rightarrow$ 선 (Line) $\rightarrow$ 점 (Point) 순서로 지리 공간 추상화 수준을 거치며 진행됩니다.

2.2. 주요 구성 요소 (4 가지 에이전트)

Task Planner Agent (작업 계획 에이전트):
- 자연어 지시를 분석하여 구조화된 편집 계획 ( $\Pi$ ) 을 생성합니다.
- 각 지리 공간 수준 (다각형, 선, 점) 에 필요한 편집 의도 (Intents), 하위 작업 (Subtasks), 그리고 의존성 및 제약 조건을 명시적으로 정의합니다.
GeoExecutor Agent (지리 실행 에이전트):
- 계획된 의도에 따라 수준별 (Level-dependent) 지리 공간 도구를 호출하여 편집을 수행합니다.
- 상태 전이 (State Transition): 상위 수준 (예: 다각형) 에서 생성된 업데이트된 레이아웃이 하위 수준 (예: 선, 점) 의 입력 컨텍스트로 전달되어, 하위 편집이 상위 구조적 결정에 의존하도록 합니다.
- 하위 작업은 정보 추출 (Read-only) 또는 상태 업데이트 (State-updating) 로 구분되어 순차적으로 실행됩니다.
Validator Agent (검증 에이전트):
- 자기 성찰적 검증 (Self-Reflective Validation): 각 하위 작업 실행 후 즉시 결과의 유효성을 검증합니다.
- 검증 기준: 기하학적 유효성 (자기 교차 없음), 의존성 일관성, 편집 의도 준수 여부.
- 오류 처리: 검증 실패 시 해당 작업을 폐기하고 재실행 (Re-execution) 하거나, 검증된 결과만 다음 단계로 전달하여 오류의 누적을 방지합니다.
Aggregator Agent (집계 에이전트):
- 모든 단계에서 검증된 편집 결과를 통합하여 최종 GeoJSON 계획을 생성합니다.
- 실행 경로, 검증 결정, 재시도 통계 등을 기록하여 추적 가능성 (Traceability) 을 제공합니다.

3. 주요 기여 (Key Contributions)

문제 정의: 도시 재생을 '기존 계획에 대한 의존성 인지형 레이아웃 수정'으로 재정의하고, 이를 위한 계산적 패러다임을 제시했습니다.
알고리즘: 위계적 에이전트 실행 프레임워크 (CEAE) 를 제안하여, 구조화된 의존성 전파와 자기 성찰적 검증 전략을 통해 다중 수준 기하 편집을 가능하게 했습니다.
평가: 다양한 실제 도시 재생 시나리오에서 기존 베이스라인 대비 편집 정확도, 구조적 유효성, 견고성 (Robustness) 에서 일관된 개선을 입증했습니다.

4. 실험 결과 (Experimental Results)

데이터셋: OpenStreetMap 에서 추출한 219 개 도시의 2,500 개 샘플 (점 500, 선 500, 다각형 1,500) 을 사용했습니다.
평가 지표:
- REE (상대 실행 오차): 목표 편집량 대비 기하학적 편차.
- ACE (면적 준수 오차): 목표 녹지 면적 변화 대비 실제 변화 편차.
- EVR (실행 유효성률): 실패 없이 성공적으로 완료된 작업의 비율.
성능 비교:
- CEAE 는 GPT-5, DeepSeek, Llama 등 다양한 단일 패스 (Single-pass) LLM 베이스라인보다 모든 작업 수준 (점, 선, 다각형) 에서 REE/ACE 오차를 낮추고 EVR 을 높였습니다.
- 특히 작업이 복잡해질수록 (선 $\rightarrow$ 다각형) 성능 격차가 커졌습니다.
Ablation Study:
- Task Planner 제거 (CEAE-t): 복잡한 지시를 구조화하지 못해 의존성 오류가 발생하고 성능이 저하됨.
- Validator 제거 (CEAE-v): 중간 오류를 수정하지 못해 오류가 누적되어 최종 결과의 유효성이 떨어짐.
- 두 구성 요소 모두 필수적이며, 특히 복잡한 편집 작업에서 그 중요성이 부각됨.
견고성 (Robustness): 프롬프트에 노이즈 (동의어 교체, 순서 변경 등) 를 주입했을 때 CEAE 는 다른 모델들에 비해 성능 저하가 거의 없었으며, 구조화된 계획과 검증 메커니즘이 이를 완화한 것으로 확인됨.
케이스 스터디: 녹지 공간 확장 및 통합 시나리오에서 CEAE 는 토지 이용 우선순위, 파편화 감소, 인프라 버퍼 유지 등 실제 도시 계획 고려사항을 반영하여 성공적으로 편집을 수행함.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 도시 재생을 단순한 생성 작업이 아닌 신뢰할 수 있는 기계 실행 가능한 편집 프로세스로 전환하는 데 중요한 기여를 했습니다.

실용적 가치: 도시 계획자가 반복적이고 복잡한 지리 공간 수정 작업을 효율적으로 수행할 수 있도록 지원하며, 수동 작업의 부담을 줄이고 의사 결정의 투명성을 높입니다.
기술적 통찰: 복잡한 공간 편집 작업에서는 구조화된 의도 분해 (Intent Decomposition), 위계적 실행 (Hierarchical Execution), 그리고 **검증 인지 제어 (Validation-aware Control)**가 필수적임을 입증했습니다.
미래 전망: 더 풍부한 계획 제약 조건과 상호작용적인 인간 피드백을 통합하여 실제 도시 편집 시나리오에서의 적응성과 제어 가능성을 높이는 방향으로 연구가 확장될 수 있습니다.

요약하자면, CEAE 는 자연어 지시를 받아 기존 도시 계획을 지리 공간적으로 정확하고 의존성을 고려하여 점진적으로 수정하는 최초의 체계적인 에이전트 프레임워크로서, 도시 지능 (Urban Intelligence) 분야에서 중요한 이정표가 됩니다.