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

Technische Samenvatting: OmniPath: Een Multi-Modaal Agentisch Framework voor het Auditeren van Rolstoeltoegankelijkheid

Probleemstelling
Huidige navigatiesystemen voor rolstoelgebruikers lijden aan een kritieke "informatiebarrière". Hoewel platforms zoals OpenStreetMap (OSM) er succesvol in zijn om de topologische connectiviteit van paden vast te leggen (waar een route bestaat), falen ze in het overbrengen van de fysieke realiteit van het oppervlak (hoe het voelt om te reizen). Standaard 2D-vectordatasets geven vaak prioriteit aan netwerkcontinuïteit boven fysieke toegankelijkheid, wat leidt tot "Toegankelijkheidsvallen"—routes die op een kaart geldig lijken, maar onbegaanbaar zijn door micro-barrières zoals beschadigd wegdek, steile hellingen of verticale gaten. Bestaande oplossingen die vertrouwen op crowdsourced gebruikersrapportages of retrospectieve gegevens zijn inherent schaars; als een barrière niet fysiek is afgelegd en gerapporteerd, blijft het systeem er blind voor. Bovendien generaliseren gemeentelijke datasets kenmerken semantisch (bijvoorbeeld het coderen van kleine trappen als standaard stoepen), wat gevaarlijke discrepanties creëert tussen digitale intentie en fysieke realiteit.

Methodologie
OmniPath adresseert deze beperkingen door over te stappen van passieve mapping naar proactieve, agentische omgevingsauditering. Het framework fuseert twee verschillende datamodaliteiten:

1. Logische Topologie: OpenStreetMap (OSM) data levert het basisvoetgangersnetwerk.
2. Fysieke Topografie: Hoog-densiteit luchtfotogrammetrie/LiDAR-data (USGS 3DEP) zorgt voor submeteroppervlaktegetrouwheid.

Het systeem werkt via een multi-stage agentisch proces:

• Geospatiale Uitlijning: Het OSM-vectornetwerk wordt uitgelijnd met LiDAR-puntenwolken binnen een gemeenschappelijk Projected Coordinate Reference System (CRS).
• Micro-schaal Segmentatie: Een virtuele agent (Agent A) doorkruist het netwerk en discretiseert continue stoepranden in overlappende sliding windows van 0,5 meter. Deze granulariteit benadert de fysieke voetafdruk van een handbewogen rolstoel, waardoor gelokaliseerde gevaren worden geïsoleerd die in grotere segmenten zouden worden gemiddeld.
• Geometrische Perceptie: Voor elk venster van 0,5 m bevraagt de agent de bijbehorende LiDAR-punten om drie primaire metrieken te berekenen tegen de Amerikaanse Disabilities Act (ADA) standaarden:
  • Running Slope (Longitudinale helling): Longitudinaal gradiënt (drempelwaarden: >8,33% gemarkeerd als barrière; >10% als kritiek).
  • Cross Slope (Dwarshelling): Transversaal gradiënt (drempelwaarde: >2,0% gemarkeerd als oorzaak van zijdelingse drift).
  • Vertical Discontinuity (Verticale discontinuïteit): Abrupte oppervlakteveranderingen (drempelwaarde: >20 mm gemarkeerd als gevangenschapgevaar).
• Ernstscore (Severity Scoring): Het systeem berekent een Gewogen Ernstscore (S) op basis van proportionele overschrijding van ADA-drempelwaarden. Deze score-gewichten reflecteren biomechanische risico's: Running Slope (4,0), Vertical Discontinuity (3,5) en Cross Slope (2,5).
• Classificatie: Segmenten worden gecategoriseerd in vier niveaus: Mild (navigeerbaar), Moderate (waarschuwend), Severe (hoge impedantie) en Critical (onoverkomelijk).

Belangrijkste Bijdragen

1. Proactieve Agentische Auditering: Het artikel stelt een paradigmaverschuiving voor van reactieve, mens-in-de-loop rapportage naar autonome omgevingsscanning. Het systeem voorspelt micro-barrières zonder dat een gebruiker fysiek een traject hoeft af te leggen.
2. Multi-Modale Fusie: Het introduceert een methodologie voor het fuseren van 2D-vectortopologie met 3D-luchtopografie, wat de extractie van micro-schaal wegkenmerken op intervallen van 0,5 meter mogelijk maakt—een granulariteit die onbereikbaar is voor standaard GPS-gebaseerde smartphone-sensoring.
3. ADA-Conforme Anomaliedetectie: Het framework biedt een algoritmische aanpak om paden rigoureus te valideren tegen specifieke ADA-voorschriften, waarbij verifieerbare, objectieve veiligheidsmetrieken worden gegenereerd.

Resultaten en Evaluatie
Het framework werd gevalideerd tegen 200 fysieke grondwaarheid-veldmetingen uitgevoerd op de National Mall in Washington, D.C., met behulp van gestratificeerde steekproefname om representatie over verschillende ernstklassen te garanderen.

• Detectieprestaties: Het systeem vertoonde een sterke diagnostische betrouwbaarheid voor hoog-ernstige gevaren. Het behaalde F1-scores van 0,60 voor Severe schendingen en 0,58 voor de Critical categorie. De prestaties waren lager voor Mild schendingen (F1: 0,33), wat de uitdaging weerspiegelt bij het detecteren van kleine afwijkingen.
• Veldbevindingen: In de geanalyseerde subset van 97 LiDAR-zichtbare segmenten werd 97,9% geclassificeerd als Severe of Critical. Het systeem identificeerde in totaal 331 overtredingen, met een gemiddelde van 3,41 overtredingen per segment.
• Specifieke Gevaren: Het systeem detecteerde succesvol specifieke real-world gevaren, waaronder een 11,76% running slope bij het Vietnam Veterans Memorial, een samengestelde barrière (20,81% running slope, 12,99% cross slope) langs Independence Avenue, en een 24 voet lange wegdekdiscontinuïteit in West Potomac Park.
• Databeperkingen: Slechts 6,53% van het totale stoelnetwerk voldeed aan de LiDAR-puntendichtheidsdrempels vanwege bladerdak-occlusie en gaten in de vliegroute. De auteurs merken op dat dit de ruimtelijke dekking beperkt, maar de meetgetrouwheid voor de geauditeerde segmenten waarborgt.

Betekenis en Claims
Het artikel claimt dat OmniPath effectief statische datasets transformeert in proactieve toegankelijkheidsbronnen die uitdagingen voorzien voordat een gebruiker het huis verlaat. Door micro-schaal inspectie te automatiseren, identificeert het systeem "onzichtbare" barrières die door standaard kaarten worden gemist. De auteurs positioneren het framework niet als een grove volledigheidsestimator, maar als een hoog-precisie diagnostisch instrument geschikt voor veiligheidskritische infrastructuur-auditing. De resultaten onderstrepen de systemische prevalentie van toegankelijkheidsfouten, met name wat betreft dwarshellingen en oppervlaktediscontinuïteiten, wat wijst op de noodzaak voor gerichte, datagestuurde remediatiestrategieën in plaats van algemene reparaties. De studie concludeert dat hoewel huidige beperkingen bestaan met betrekking tot semantisch bewustzijn (bijv. het identificeren van specifieke obstakels zoals lichtmasten), de integratie van geometrische auditering met toekomstige multi-modale redenering (bijv. straatniveau beeldmateriaal) een schaalbaar pad biedt naar een rechtvaardige voetgangersmobiliteit.