論文の概要: OmniPath: A Multi-Modal Agentic Framework for Auditing Wheelchair Accessibility
- arxiv url: http://arxiv.org/abs/2606.24129v1
- Date: Tue, 23 Jun 2026 04:23:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.762722
- Title: OmniPath: A Multi-Modal Agentic Framework for Auditing Wheelchair Accessibility
- Title（参考訳）: OmniPath: 車椅子アクセシビリティを監査するマルチモーダルエージェントフレームワーク
- Authors: ASM Mobarak Hossain, Nadim Mahmud, Vaskar Raychoudhury, Md Osman Gani,
- Abstract要約: 我々は,受動的マッピングから積極的な環境監査に移行するシステムであるOmniPathを紹介する。
我々はOSMのネットワークトポロジを高密度LiDARのサブメーター精度で融合する。
ADAコンプライアンス標準に対して、特に走行する斜面、横断斜面、垂直不連続性を厳格に定量化する。
- 参考スコア（独自算出の注目度）: 2.3519129043938762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For a wheelchair user, a standard blue line on a map is often a broken promise. While platforms like OpenStreetMap (OSM) successfully capture where a path is, they frequently fail to convey how it physically feels to travel on it. This information barrier is problematic for wheelchair users. To solve this issue, we present OmniPath, a system that moves from passive mapping to proactive environmental auditing. Our framework fuses the network topology of OSM with the submeter precision of high-density aerial LiDAR (USGS 3DEP) to create a high-fidelity 3D model of the pedestrian environment. Rather than simply routing a user, our agent virtually traverses the network, analyzing the surface in 0.5 meter increments. It rigorously quantifies physical friction points specifically running slope, cross slope, and vertical discontinuities against ADA compliance standards, calculating a weighted severity score to categorize hazards from ``Mild'' to ``Critical.'' To ensure real world reliability, we validated the system against 200 physical ground truth field surveys across the National Mall using stratified random sampling. The framework demonstrated strong diagnostic reliability for high-severity hazards, achieving F1-scores of 0.60 for Severe and 0.58 for critical categories. By automating this micro-scale inspection, OmniPath identifies the ``invisible'' barriers that standard maps miss, effectively transforming a static dataset into accessibility data source that anticipates accessibility challenges before the user ever leaves home.
- Abstract（参考訳）: 車椅子の利用者にとって、地図上の標準的な青い線は、しばしば壊れた約束である。
OpenStreetMap(OSM)のようなプラットフォームは、パスがどこにあるかをうまくキャプチャするが、その上で物理的にどう感じるかを伝えるのに失敗することが多い。
この情報バリアは車椅子利用者にとって問題となる。
この問題を解決するために,受動的マッピングから能動的環境監査に移行するシステムであるOmniPathを提案する。
我々は,OSMのネットワークトポロジを高密度空中LiDAR(USGS 3DEP)のサブメートル精度で融合し,歩行者環境の高忠実度3Dモデルを作成する。
ユーザをルーティングするのではなく、エージェントはネットワークを仮想的に横切り、0.5mのインクリメントで表面を解析します。
ADAコンプライアンス基準に対して、特に走行する斜面、横断斜面、垂直不連続の物理的摩擦点を厳密に定量化し、重み付けされた重度スコアを計算し、"Mild'から"`Critical"までハザードを分類する。
実世界の信頼性を確保するため, 階層化されたランダムサンプリングを用いて, 国立モール全体で200件の地中真実調査を行った。
このフレームワークは、重度ハザードに対して強力な診断信頼性を示し、重度ではF1スコアが0.60、臨界カテゴリーでは0.58を記録した。
このマイクロスケールインスペクションを自動化することで、OmniPath氏は、標準マップが見逃す‘見えない’障壁を特定し、静的データセットをアクセシビリティデータソースに効果的に変換し、ユーザが家に帰る前にアクセシビリティの課題を予想する。
関連論文リスト
- Integrating Object Detection, LiDAR-Enhanced Depth Estimation, and Segmentation Models for Railway Environments [4.617323086618366]
鉄道線路を識別し,潜在的な障害物を検知し,その距離を推定するモジュラーでフレキシブルなフレームワークを提案する。
提案システムでは,LiDARと単分子深度マップを統合することにより,平均絶対誤差(MAE)を0.63mまで低減する。
論文 参考訳（メタデータ） (2026-04-16T08:39:37Z) - LLM-Generated Fault Scenarios for Evaluating Perception-Driven Lane Following in Autonomous Edge Systems [0.5046831208137847]
本稿では,エッジデバイス上での自律型視覚システムのためのオフラインオフライン障害注入フレームワークについて紹介する。
このアーキテクチャは検証プロセスを,計算集約的なオフラインフェーズと軽量オンラインフェーズという,2つの異なるフェーズに分割する。
我々は460の障害シナリオにわたるResNet18レーンフォローモデルでこのフレームワークを広範囲に検証した。
論文 参考訳（メタデータ） (2026-04-01T09:27:46Z) - ShrinkBox: Backdoor Attack on Object Detection to Disrupt Collision Avoidance in Machine Learning-based Advanced Driver Assistance Systems [4.9276746621153285]
本稿では,衝突回避ML-ADASにおける物体検出を目的とした新しいバックドア攻撃であるShrinkBoxを紹介する。
ShrinkBox は YOLOv9m オブジェクト検出器で 96% の攻撃成功率 (ASR) で実現可能であることを示す。
その結果,ShrinkBoxは平均絶対誤差(MAE)を3倍以上に増大させることがわかった。
論文 参考訳（メタデータ） (2025-07-22T20:04:29Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。
RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-09-17T07:21:03Z) - PathwayBench: Assessing Routability of Pedestrian Pathway Networks Inferred from Multi-City Imagery [15.563635571840733]
都市部における歩行者の移動を支援するには、構築された環境の完全かつ頑健なグラフ表現が必要である。
道路ネットワークの経路とは対照的に、歩行者ネットワークの経路は狭く、より頻繁に切断され、視覚的にも物質的にも小さな領域で変化している。
歩行者経路網グラフを抽出する既存のアルゴリズムは矛盾なく評価され、ルータビリティを無視する傾向がある。
論文 参考訳（メタデータ） (2024-07-23T22:47:32Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。