도시 편집: 의존성을 고려한 도시 지형공간 수정을 위한 계층적 에이전트 실행

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

시간이 지남에 따라 도시가 발전하면서 교통 혼잡 및 기능적 불균형과 같은 문제로 인해 전면적인 재계획보다는 기존 계획의 효율적인 수정을 통한 도시 재생의 필요성이 점차 커지고 있다. 실제로는 사소한 도시 변경조차도 지형공간 레이아웃을 다시 그리기 위해 상당한 수작업 노력이 필요하며, 이는 반복적인 계획 및 의사결정 과정을 지연시킨다. 최근 에이전트 시스템과 멀티모달 추론의 발전에 영감을 받아, 본 연구는 도시 재생을 구조화된 지형공간 형식으로 표현된 기존 도시 계획을 반복적으로 수정하는 기계 실행 가능한 작업으로 공식화한다. 구체적으로, GeoJSON을 사용하여 도시 레이아웃을 표현하고, 자연어 편집 지시를 다각형, 선, 점 수준의 연산을 포괄하는 계층적 기하학적 의도로 분해한다. 공간 요소 및 추상화 수준 전반에서 상호 의존적인 편집을 조정하기 위해, 중간 공간 제약을 명시적으로 전파하면서 다단계 계획과 실행을 통합적으로 수행하는 계층적 에이전트 프레임워크를 제안한다. 나아가 다단계 편집 과정에서 오류 누적을 완화하고 전역적인 공간 일관성을 보장하는 반복적 실행-검증 메커니즘을 도입한다. 다양한 도시 편집 시나리오에 대한 광범위한 실험을 통해 제안한 방법이 기존 베이스라인에 비해 효율성, 강건성, 정확도 및 공간적 타당성 측면에서 상당한 개선을 이루었음을 입증한다.

As cities evolve over time, challenges such as traffic congestion and functional imbalance increasingly necessitate urban renewal through efficient modification of existing plans, rather than complete re-planning. In practice, even minor urban changes require substantial manual effort to redraw geospatial layouts, slowing the iterative planning and decision-making procedure. Motivated by recent advances in agentic systems and multimodal reasoning, we formulate urban renewal as a machine-executable task that iteratively modifies existing urban plans represented in structured geospatial formats. More specifically, we represent urban layouts using GeoJSON and decompose natural-language editing instructions into hierarchical geometric intents spanning polygon-, line-, and point-level operations. To coordinate interdependent edits across spatial elements and abstraction levels, we propose a hierarchical agentic framework that jointly performs multi-level planning and execution with explicit propagation of intermediate spatial constraints. We further introduce an iterative execution-validation mechanism that mitigates error accumulation and enforces global spatial consistency during multi-step editing. Extensive experiments across diverse urban editing scenarios demonstrate significant improvements in efficiency, robustness, correctness, and spatial validity over existing baselines.