OmniPath: A Multi-Modal Agentic Framework for Auditing Wheelchair Accessibility

기술 요약: OmniPath: 휠체어 접근성 감사를 위한 멀티모달 에이전트 프레임워크

문제 정의
휠체어 사용자를 위한 현재의 내비게이션 시스템은 심각한 "정보 장벽"에 직면해 있다. OpenStreetMap(OSM)과 같은 플랫폼은 경로의 위상적 연결성(경로가 존재하는지 여부)을 성공적으로 포착하지만, 표면의 물리적 실체(이동 시 느껴지는 질감)를 전달하는 데는 실패한다. 표준 2D 벡터 데이터셋은 네트워크의 연속성을 우선시하는 경향이 있어, 파손된 보도, 가파른 경사, 또는 수직 틈새와 같은 미세 장벽(micro-barriers)으로 인해 경로가 유효해 보이지만 실제로는 통행이 불가능한 "접근성 함정(Accessibility Traps)"을 초래한다. 사용자 제보나 사후 데이터에 의존하는 기존 솔루션은 본질적으로 희소하다. 즉, 장벽이 물리적으로 통과되어 보고되지 않았다면 시스템은 해당 장벽을 인지할 수 없다. 또한, 지자체 데이터셋은 특징을 의미론적으로 일반화하여(예: 작은 계단을 표준 보도로 인코딩) 디지털 의도와 물리적 현실 사이의 위험한 불일치를 생성한다.

방법론
OmniPath는 수동적인 매핑에서 능동적이고 에이전트 중심적인 환경 감사로 전환함으로써 이러한 한계를 해결한다. 이 프레임워크는 두 가지 구별되는 데이터 양식(modality)을 융합한다:

1. 논리적 위상(Logical Topology): OpenStreetMap(OSM) 데이터는 보행자 네트워크의 기본 토대를 제공한다.
2. 물리적 지형(Physical Topography): 고밀도 항공 LiDAR 데이터(USGS 3DEP)는 서브미터 단위의 표면 충실도를 제공한다.

시스템은 다단계 에이전트 프로세스를 통해 작동한다:

• 지형 공간 정렬(Geospatial Alignment): OSM 벡터 네트워크를 공통 투영 좌표계(CRS) 내의 LiDAR 포인트 클라우드와 정렬한다.
• 미세 규모 세분화(Micro-Scale Segmentation): 가상 에이전트(Agent A)가 네트워크를 횡단하며, 연속적인 보도 가장자지를 중첩되지 않는 0.5미터 슬라이딩 윈도우로 이산화한다. 이러한 정밀도는 수동 휠체어의 물리적 점유 면적에 근사하며, 더 큰 세그먼트에서는 평균화되어 사라질 국지적 위험 요소를 격리한다.
• 기하학적 인지(Geometric Perception): 각 0.5m 윈도우에 대해, 에이전트는 관련 LiDAR 포인트를 쿼리하여 미국 장애인법(ADA) 기준에 따른 세 가지 주요 지표를 계산한다:
  • 종단 경사(Running Slope): 종방향 기울기 (임계값: >8.33%는 장벽으로 표시; >10%는 치명적 요소로 표시).
  • 횡단 경사(Cross Slope): 횡방향 기울기 (임계값: >2.0%는 측면 편향 발생 원인으로 표시).
  • 수직 불연속성(Vertical Discontinuity): 급격한 표면 변화 (임계값: >20mm는 탈출/끼임 위험 요소로 표시).
• 심각도 점수 산출(Severity Scoring): 시스템은 ADA 임계값 초과 비율에 따라 **가중 심각도 점수(S)**를 계산한다. 이 점수 가중치는 생체 역학적 위험을 반영한다: 종단 경사(4.0), 수직 불연속성(3.5), 횡단 경사(2.5).
• 분류(Classification): 세그먼트는 네 가지 단계로 분류된다: 경미(Mild) (주행 가능), 보통(Moderate) (주의 필요), 심각(Severe) (높은 저항), 치명(Critical) (통행 불가).

주요 기여

1. 선제적 에이전트 감사(Proactive Agentic Auditing): 본 논문은 인간이 개입하는 사후 보고 방식에서 자율적인 환경 스캐닝 방식으로의 패러다임 전환을 제안한다. 시스템은 사용자의 물리적 통과 없이도 미세 장벽을 예측한다.
2. 멀티모달 융합(Multi-Modal Fusion): 2D 벡터 위상과 3D 항공 지형을 융합하는 방법론을 도입하여, 표준 GPS 기반 스마트폰 센싱으로는 도달할 수 없는 0.5미터 간격의 미세 규모 도로 특징 추출을 가능하게 한다.
3. ADA 준수 이상 탐지(ADA-Compliant Anomaly Detection): 특정 ADA 규정에 따라 경로를 엄격하게 검증하고, 검증 가능한 객관적 안전 지표를 생성하는 알고리즘적 접근 방식을 제공한다.

결과 및 평가
프레큘 프레임워크는 워싱턴 D.C.의 내셔널 몰(National Mall) 전역에서 수행된 200건의 물리적 현장 조사 데이터를 통해 검증되었으며, 심각도 클래스 전반에 걸친 대표성을 확보하기 위해 층화 무작위 샘플링을 사용하였다.

• 탐지 성능: 시스템은 고심각도 위험 요소에 대해 강력한 진단 신뢰성을 보여주었다. '심각(Severe)' 위반에 대해 0.60, '치명(Critical)' 범주에 대해 0.58의 F1 점수를 달성했다. '경미(Mild)' 위반에 대한 성능은 낮았으며(F1: 0.33), 이는 미세한 편차를 탐지하는 것의 어려움을 반영한다.
• 현장 발견 사항: 분석된 97개의 LiDAR 가시 세그먼트 중 **97.9%**가 '심각' 또는 '치명' 단계로 분류되었다. 시스템은 총 331개의 위반 사항을 식별했으며, 세그먼트당 평균 3.41개의 위반이 발견되었다.
• 특정 위험 요소: 시스템은 베트남 참전 용사 기념관의 11.76% 종단 경사, 인디펜던스 애비뉴(Independence Avenue)의 복합 장벽(종단 경사 20.81%, 횡단 경사 12.99%), 웨스트 포토맥 파크(West Potomac Park)의 24피트 노면 불연속성 등 실제 세계의 위험 요소를 성공적으로 탐지했다.
• 데이터 제한 사항: 캐노피 폐쇄(canopy occlusion) 및 비행 경로 간극으로 인해 전체 보도 네트워크의 6.53%만이 LiDAR 포인트 밀도 임계값을 충족했다. 저자들은 이것이 공간적 범위를 제한하지만, 감사 대상 세그먼트에 대한 높은 측정 충실도를 보장한다고 언급했다.

의의 및 주장
본 논문은 OmniPath가 정적인 데이터셋을 사용자가 집을 나서기 전에 도전 과제를 예측할 수 있는 선제적 접근성 데이터 소스로 효과적으로 변환한다고 주장한다. 미세 규모 검사를 자동화함으로써, 시스템은 표준 지도에서 놓치는 "보이지 않는" 장벽을 식별한다. 저자들은 이 프레임워크를 단순한 완전성 추정기가 아니라, 안전이 중요한 인프라 감사를 위한 고정밀 진단 도구로 위치시킨다. 연구 결과는 특히 횡단 경사와 표면 불연속성 측면에서 접근성 실패가 체계적으로 만연해 있음을 보여주며, 이는 포괄적인 수리가 아닌 타겟팅된 데이터 기반 개선 전략의 필요성을 강조한다. 결론적으로, 현재의 의미론적 인식(예: 가로등과 같은 특정 장애물 식별)에 대한 한계가 존재함에도 불구하고, 기하학적 감사와 미래의 멀티모달 추론(예: 거리 수준 이미지)의 통합은 형평성 있는 보행 모빌리티를 향한 확장 가능한 경로를 제공한다.