ActivityEditor：学习生成物理上有效的人类活动行为
人工智能
2026-04-13 v2
摘要
人类活动行为建模对于多样化的城市应用至关重要。然而，现有数据驱动方法常因数据稀缺而受限，在历史轨迹不可得或受限的地区适用性较差。为弥合这一差距，我们提出ActivityEditor，一个 Novel dual-LLM-agent 框架，用于零样本跨地区轨迹生成。该框架将复杂的合成任务分解为两个协作阶段：首先，基于人意图的智能体利用人口统计驱动的先验生成结构化人类意图和粗糙活动链，以确保高层次的社会语义一致性；随后，编辑型智能体通过迭代修订确保遵循人类活动法则来获得活动轨迹。这种能力通过基于多奖励的强化学习获得，奖励依据真实世界物理约束，使代理内化活动常规，确保高保真轨迹生成。广泛实验表明，ActivityEditor在跨越多样化城市语境的迁移学习中实现了卓越的零样本性能，保持高统计保真度和物理有效性，为数据稀缺场景下的 mobility simulation 提供了稳健且高度可泛化的解决方案。我们的代码已公开：https://anonymous.4open.science/r/ActivityEditor-066B。
引用
@article{arxiv.2604.05529,
title = {ActivityEditor: Learning to Synthesize Physically Valid Human Mobility},
author = {Chenjie Yang and Yutian Jiang and Anqi Liang and Wei Qi and Chenyu Wu and Junbo Zhang},
journal= {arXiv preprint arXiv:2604.05529},
year = {2026}
}