LAZAR — Live Audio Zone-aware Assisted Routing ni mfumo wa urambazaji wa akili bandia unaomlenga binadamu na unaozingatia mzigo wa kiakili, ulioundwa kwa watu wasioona na wenye uoni hafifu. Mfumo haulengi tu kukokotoa njia ya kufika unakoenda; umejengwa juu ya kutambua vizuizi vya mazingira, kuzingatia uzoefu na wasifu wa ufikivu wa mtumiaji, kudhibiti msongamano wa taarifa na kutumia kwa pamoja njia tofauti za hisi kama sauti, mtetemo na uelekezaji wa anga.

Hoja ya kuanzia ya utafiti huu ni kwamba, ingawa teknolojia zilizopo za urambazaji hutoa uwezo muhimu mmoja mmoja, haziwezi kuunganisha kwa ukamilifu vipengele vinavyohitajika kwa mwendo salama mjini. Mifumo ya GPS inaweza kutoa njia za masafa marefu lakini haitambui vizuizi vya muda katika wakati halisi; fimbo nyeupe ni ya thamani kubwa katika mazingira ya karibu lakini haiwezi kutoa taarifa mapema kuhusu vitu vya mbali au vizuizi vilivyo juu ya usawa wa kiuno; mifumo ya utambuzi wa picha inayotegemea wingu inaweza kutoa taarifa tajiri za kisemantiki lakini inaweza kusababisha matatizo ya muunganisho, ucheleweshaji na faragha.

LAZAR inapendekeza muundo unaounganisha Edge AI, utambuzi wa mazingira wa wakati halisi, uwekaji wasifu wa mtumiaji, mrejesho wa njia nyingi na muundo wa moduli wenye mawakala wengi ili kukabiliana na hali hii iliyogawanyika. Lengo ni kufanya michakato muhimu ya utambuzi kwenye kifaa cha mkononi kadiri inavyowezekana, ili kukatika kwa muunganisho wa wingu kusiizime njia kuu ya utambuzi inayohitajika kwa usalama.

Prototipu ya uaminifu wa juu ilifanyiwa tathmini ya uundaji ya urahisi wa matumizi kwa washiriki 11 wasioona au wenye uoni hafifu. Alama ya wastani ya System Usability Scale (SUS) ilikuwa 91,36/100, kuridhika kwa jumla 4,64/5, na matokeo yalikuwa zaidi ya +2 katika vipimo vyote sita vya uzoefu vya UEQ. Hata hivyo, matokeo haya hayathibitishi kwamba usanifu kamili wa LAZAR unaojiendesha ni salama na wenye ufanisi katika mazingira halisi ya mijini; katika hatua hii utafiti unatoa ushahidi wa awali kuhusu urahisi wa matumizi na kukubalika kwa modeli ya mwingiliano ya prototipu.

LAZAR ni nini na inatofautianaje na programu za kawaida za urambazaji?

LAZAR ni mfumo wa urambazaji unaobadilika na unaomlenga binadamu uliotengenezwa kwa watumiaji wasioona na wenye uoni hafifu. Tofauti yake kuu na programu za kawaida za njia ni kwamba hauchukulii urambazaji kuwa tu “kutafuta njia kutoka sehemu A hadi sehemu B”. Mfumo unalenga kubadilisha kiasi, namna na muda wa msaada unaotolewa kwa kutathmini kwa pamoja uwezo wa mtumiaji wa kutambua, kiwango cha uzoefu, hali yake ya sasa ya kimwili au kiakili na hatari za mazingira.

Mapengo makuu katika suluhisho zilizopo

Fimbo nyeupe hutoa taarifa muhimu sana za kimwili kuhusu uso na vizuizi vilivyo moja kwa moja mbele ya mtumiaji; hata hivyo, haitambui mapema vitu vya mbali, vizuizi vilivyo katika usawa wa kichwa au muktadha wa njia.

Programu zinazotegemea GPS husaidia kutafuta njia kwa kiwango cha mji, lakini haziwezi kutambua kwa wakati halisi hatari zinazobadilika katika mazingira kama kazi za barabarani, magari yaliyoegeshwa kwenye njia za waenda kwa miguu au samani za muda za mitaani ambazo hazipo katika hifadhidata za ramani.

Suluhisho za utambuzi wa picha zinazotegemea wingu zinaweza kutoa taarifa tajiri zaidi za kisemantiki katika utambuzi wa vitu na mandhari. Hata hivyo, kutuma data za picha kwa seva ya mbali kunaweza kusababisha ucheleweshaji, na kuhamishwa bila kukusudia kwa picha za watu walio karibu au maeneo binafsi kunaweza kuleta tatizo la faragha.

Kwa sababu hiyo, mbinu ya muundo wa LAZAR haijikiti katika “kuboresha sensa moja”, bali inachukulia upangaji wa njia, utambuzi wa wakati halisi na mwingiliano wa binadamu–AI kwa pamoja.

Kwa nini mzigo wa kiakili huwa tatizo la usalama katika mfumo wa urambazaji?

Watumiaji wasioona katika mazingira ya mji huchakata kwa wakati mmoja ishara nyingi za asili kama sauti za trafiki, waenda kwa miguu wengine, mwangwi wa mazingira, mabadiliko ya uso na vidokezo vya kutafuta njia. Ikiwa mfumo wa urambazaji unazungumza mfululizo na kwa maelezo mengi, unaweza kupunguza uwezo wa mtumiaji kutambua ishara hizi za mazingira. Utafiti unaita hali hii “cognitive masking”: taarifa kutoka kwa mfumo saidizi zinaweza, badala ya kusaidia, kufunika taarifa muhimu zinazotoka katika mazingira.

Kwa hiyo, lengo la LAZAR si kutoa taarifa nyingi iwezekanavyo; ni kutoa taarifa zinazohitajika kwa kiasi kinachohitajika na kwa wakati unaofaa. Hasa, mrejesho wa sauti haujaundwa kama maelezo marefu ya mdomo yanayoendelea. Kwa vizuizi vinavyokaribia, mapigo mafupi ya akustiki yanayoongeza kasi kulingana na umbali, mifumo bainifu ya mtetemo na, inapohitajika, maelekezo yanayotegemea usemi hutumiwa kwa pamoja.

“Geiger Effect” ni nini?

Mfumo hutumia mapigo mafupi ya akustiki ambayo marudio yake huongezeka kadiri kizuizi kinavyomkaribia mtumiaji. Katika utafiti, mbinu hii inafafanuliwa kama “Geiger Effect”. Hivyo, badala ya kusikiliza sentensi ndefu kila mara, mtumiaji anaweza kutambua kwa hisia ukaribu wa kizuizi kutokana na kasi ya mapigo ya sauti.

Kwa mfano, kizuizi kilicho mbali hutoa sauti kwa nadra, lakini mapigo huongezeka kasi kadiri kizuizi kinavyokaribia. Katika hali hatari, ishara hii ya sauti inaweza kuungwa mkono na mtetemo na uelekezaji.

Lengo la mrejesho wa njia nyingi

LAZAR haifungi uwasilishaji wa taarifa kwenye njia moja tu ya hisi:

• Sauti: uelekezaji, usemi na sonifikesheni ya anga,
• Mrejesho wa kugusa: mifumo ya mtetemo kwa viwango tofauti vya hatari,
• Tabaka la kuona: utofautishaji mkubwa na maeneo lengwa makubwa kwa watumiaji wenye uoni hafifu,
• Harakati kubwa: ishara kubwa na rahisi za skrini badala ya mguso unaohitaji usahihi mkubwa.

Lengo la mgawanyo huu ni kuongeza ufikivu na pia kuzuia njia moja ya hisi kubebeshwa taarifa nyingi kupita kiasi.

Kwa nini kiolesura huachwa tupu kadiri inavyowezekana?

Skrini ya urambazaji hai imeundwa kwa makusudi kuwa rahisi sana. Hii ni kwa sababu sehemu kubwa ya umakini wa mtumiaji anayetembea mjini tayari imeelekezwa kwenye mazingira ya kimwili. Kuongeza vitufe, ujumbe au menyu nyingi kwenye skrini kunaweza kuongeza mzigo wa mwingiliano.

Katika hali ya utambuzi hai, katikati ya mfumo kuna kiashiria cha mwelekeo kinachoonyesha upande unaopendekezwa wa kukwepa na makadirio ya umbali wa kizuizi cha karibu zaidi. Kutofungua dirisha la modal katika hali ya hatari kubwa kunafuata mantiki hiyo hiyo: kumtaka mtumiaji kufanya hatua mpya kama “Thibitisha hatari” kunaweza kuongeza mzigo wa kiakili na wa mwendo katika wakati hasa ambapo mwitikio wa kimwili unahitajika.

Hali salama na hatari hutofautishwaje?

Katika prototipu, hali salama huwakilishwa na fremu ya kijani kuzunguka skrini, ilhali hatari ya karibu huwakilishwa na fremu nyekundu. Hata hivyo, rangi kamwe si ishara pekee. Katika hali ya hatari, mabadiliko ya rangi huambatana na mtetemo bainifu na onyo la akustiki.

Kwa hivyo, mfumo huzalisha ishara nyingi kwa namna inayolingana na kanuni ya WCAG kwamba taarifa hazipaswi kuwasilishwa kwa rangi pekee.

Muundo wa utofautishaji kwa watumiaji wenye uoni hafifu

Kiolesura hutumia mandharinyuma meusi ya #373635 badala ya nyeusi tupu. Uwiano wa utofautishaji kati ya rangi kuu ya msisitizo #E7F434 na mandharinyuma ni 9,97:1, na kati ya rangi ya pili #C1DE79 na mandharinyuma ni 8,00:1. Hii inapita hitaji la utofautishaji wa maandishi la WCAG AAA la 7:1.

Ukubwa wa msingi wa herufi huanzia angalau 22 sp na unaweza kuongezeka kwa nguvu. Kwa vitendo vikuu hutumiwa maeneo makubwa sana ya kugusa na, inapohitajika, kadi za kuchagua zinazochukua takriban nusu ya skrini.

Wasifu wa watumiaji hubadilishaje mfumo?

LAZAR haiwaweki watumiaji wote katika “wasifu wa ufikivu” wa aina moja. Katika usanidi wa mwanzo kuna wasifu watatu wa uzoefu:

Kwa mfano, katika hali ya Mwanzo, kizuizi kilichotambuliwa kinaweza kutangazwa kama “Kuna mtu mbele yako, mita 1,5, pita kulia” kwa kutoa taarifa ya aina, umbali na mwelekeo. Katika hali ya Mtaalamu, ni vizuizi vinavyoingia ndani ya kiwango hatari cha umbali pekee vinavyoweza kuanzisha onyo la usemi.

Kwa nini mbinu ya “Ninajisikiaje leo?” ni muhimu?

Moja ya maamuzi ya kuvutia ya muundo katika utafiti ni kuruhusu wasifu uliosajiliwa wa mtumiaji ubadilishwe kwa muda kabla ya safari. Chaguo la “Today I feel” huruhusu kiwango cha msaada wa mfumo kurekebishwa tena katika hali kama uchovu, wasiwasi au mabadiliko ya kila siku ya uwezo wa kuona.

Mbinu hii haichukulii ulemavu kuwa sifa ya mtumiaji isiyobadilika kabisa, bali kama hali ya utendaji inayoweza kubadilika ndani ya siku.

Kwa nini prototipu ya karatasi inayogusika ilitumika?

Prototipu ya kawaida ya karatasi ni njia ya kuona, hivyo yenyewe haipatikani kwa urahisi katika muundo shirikishi unaohusisha watumiaji wasioona kabisa. Watafiti walijaribu kutatua tatizo hili kwa kufanya mipaka ya mwingiliano kwenye karatasi ionekane kwa rangi inayoinuka.

Kwa kutumia rangi maalumu inayounda unafuu inapokauka, mipaka ya vitufe na kadi iliweza kutambulika kwa kugusa kwa kidole. Hivyo, badala ya kutegemea tafsiri za watafiti wanaoona pekee, ililenga kuwashirikisha moja kwa moja watumiaji lengwa katika hatua za awali za muundo.

Kwa nini kuna chaguo kubwa mbili tu katika kuchagua unakoenda?

Kwenye skrini ya kuchagua njia kuna chaguo kuu mbili: kuingiza unakoenda kwa uhuru na njia ya “Nenda Nyumbani” iliyohifadhiwa mapema. Kila chaguo kuchukua takriban nusu ya skrini hupunguza sana hitaji la mguso wa usahihi.

Uamuzi huu haujafanywa kwa ajili ya urahisi wa kuona pekee; umeundwa kupunguza muda wa uchakataji na mzigo wa kiakili kwa kupunguza nafasi ya maamuzi.

Kuweka mbele kazi ya Nenda Nyumbani

Kurudi nyumbani ni moja ya hali za urambazaji zinazotumiwa mara kwa mara na watumiaji wasioona. Kwa hiyo, kipengele hiki hakijafichwa ndani ya orodha za njia zilizopita, bali kimefanywa moja kwa moja kuwa mojawapo ya chaguo kuu. Lengo ni kutomlazimisha mtumiaji kupitia hatua zisizohitajika za menyu akiwa barabarani.

Usanifu wa akili bandia wenye mawakala wengi wa LAZAR utafanyaje kazi?

Usanifu uliopendekezwa wa LAZAR hutumia mawakala sita waliobobea na waliotenganishwa badala ya moduli moja kubwa ya AI. Muundo huu unalenga kufanya kazi tofauti kama utambuzi, njia, ubinafsishaji, usalama na kiolesura cha mtumiaji zitekelezwe na vipengele tofauti.

Muundo huu wa mawakala sita haujajaribiwa wote kwa pamoja kama mfumo mmoja unaofanya kazi katika utafiti wa watumiaji. Sehemu ya usanifu ya makala inaeleza msingi wa muundo kwa ajili ya ujumuishaji kamili utakaofanywa baadaye.

Kwa nini Edge AI ni muhimu?

LAZAR inalenga kutekeleza kwenye kifaa cha mkononi michakato ya utambuzi ambayo ni muhimu kwa usalama. Kutuma kwanza picha ya kamera kwenye seva ya mbali, kuichakata huko na kurudisha jibu kunategemea ucheleweshaji wa muunganisho. Zaidi ya hayo, kuhamisha picha ghafi kwenye miundombinu ya mbali kunaweza kusababisha tatizo la faragha.

Katika mbinu ya Edge AI, utambuzi muhimu wa mazingira hufanyika kwenye simu ya mtumiaji kadiri inavyowezekana. Huduma za wingu zinaweza kutumiwa katika kazi zisizo nyeti sana kwa muda, kama jiometri ya njia au geocoding.

Kikomo cha milisekunde 300 kinamaanisha nini?

Katika mahitaji ya programu, lengo la ucheleweshaji wa uchakataji muhimu limefafanuliwa kuwa chini ya 300 ms ili kusaidia urambazaji wa watembea kwa miguu katika wakati halisi. Pia, uwezo wa modeli kuu za utambuzi kufanya kazi nje ya mtandao na kiolesura kubuniwa kwa mantiki ya matumizi ya “eyes-free” umeongezwa kwenye mahitaji.

Je, wingu linaondolewa kabisa?

Hapana. Usanifu haukatai wingu; unajaribu kutofanya kazi muhimu kwa usalama zitegemee wingu. Huduma kama Google Directions zinaweza kutumiwa kwa namna isiyosubiri majibu moja kwa moja kwa kazi kama njia ya jumla, OpenStreetMap/Nominatim geocoding na ujifunzaji wa muda mrefu.

Kwa hiyo, mbinu si “Edge pekee”; ni muundo mseto ambapo utambuzi muhimu wa wakati halisi hufanyika kwenye Edge, na kazi za kimkakati zisizo nyeti sana kwa muda hufanyika kwenye wingu inapohitajika.

Mbinu na Matokeo ya Utafiti

Hatua kuu za muundo wa utafiti

Utafiti haujaundwa kwa mbinu moja tu. Watafiti walitumia tabaka kadhaa zinazofuatana za muundo na uthibitishaji:

1. kupitia fasihi ya urambazaji saidizi na mapengo ya kiteknolojia yaliyopo,
2. kufafanua mahitaji ya mtumiaji kwa namna ya Software Requirements Specification,
3. kutengeneza prototipu ya karatasi inayofikika yenye uaminifu wa chini,
4. kutengeneza kiolesura cha Android na modeli ya mwingiliano yenye uaminifu wa juu,
5. kufafanua muundo wa Edge AI na usanifu wenye mawakala wengi,
6. kufanya tathmini ya uundaji ya urahisi wa matumizi kwa washiriki 11 wasioona au wenye uoni hafifu.

Mahitaji ya programu

Katika utafiti, SRS haikuchukuliwa kama hati ya uhandisi pekee, bali kama kiungo kinachoweza kufuatiliwa kati ya mahitaji ya mtumiaji na tabia ya mfumo.

Miongoni mwa mahitaji makuu ya utendaji ni:

• utambuzi wa vizuizi kwa wakati halisi,
• uainishaji wa kisemantiki wa vitu,
• makadirio ya umbali na urefu,
• mapendekezo ya kukwepa,
• urekebishaji wa njia na msaada kulingana na wasifu wa uzoefu wa mtumiaji

yamo.

Mahitaji makuu yasiyo ya kiutendaji ni ucheleweshaji wa uchakataji wa <300 ms, uwezo wa utambuzi mkuu kufanya kazi nje ya mtandao na mbinu ya matumizi ya “eyes-free” isiyohitaji kutazama skrini kila wakati.

Utafiti wa uthibitishaji wa watumiaji

Tathmini ya uundaji ilifanywa na watu 11 kutoka jamii ya watu wasioona nchini Hispania. Washiriki walitumia prototipu ya Android inayofanya kazi katika vipindi vya think-aloud vilivyowezeshwa.

Vyanzo vitatu vikuu vya data vilitumiwa katika tathmini:

• SUS — System Usability Scale,
• UEQ — User Experience Questionnaire,
• mrejesho wa ubora uliopangwa na maoni ya wazi ya watumiaji.

Wasifu wa washiriki

Uaminifu wa awali kwenye njia mpya na zisizojulikana

Washiriki waliulizwa kiwango chao cha kujiamini katika urambazaji wa kujitegemea kwenye njia mpya au isiyojulikana kati ya 1–5. Thamani ya wastani ilikuwa tu 2,55. Matokeo haya yanaonyesha kwamba matatizo ya kujiamini na usalama yanaendelea katika mazingira ya miji yasiyojulikana hata kama washiriki wanafahamu teknolojia saidizi.

Alama ya SUS ya 91,36 inamaanisha nini?

Katika tathmini ya System Usability Scale, alama ya wastani ya prototipu ya LAZAR yenye uaminifu wa juu ilikuwa 91,36/100. Kulingana na uainishaji wa Bangor na wenzake uliotumiwa kwenye chanzo, thamani hii iko katika eneo la urahisi wa matumizi wa juu sana. Washiriki tisa walitoa zaidi ya 85, washiriki sita walitoa 90 au zaidi, na watumiaji wawili walitoa alama ya juu kabisa ya 100.

Hata hivyo, kutokana na ukubwa wa sampuli wa n=11, thamani hii haiwezi kufasiriwa kama makadirio thabiti ya kigezo kwa idadi pana ya watumiaji. Utafiti wenyewe unaiwasilisha kama ushahidi wenye nguvu lakini wa awali kuhusu kukubalika.

Matokeo ya UEQ

Kipimo cha UEQ kiko kati ya −3 na +3. Kupata thamani zaidi ya +2 katika vipimo vyote sita kunaonyesha kwamba uzoefu wa jumla wa washiriki kuhusu prototipu ulikuwa chanya.

Kuridhika kwa jumla

Wastani wa tathmini ya jumla ya nyota tano ulikuwa 4,64/5. Washiriki saba walitoa nyota tano, washiriki wanne walitoa nyota nne; hakuna aliyetoa chini ya nyota nne.

Vipengele vilivyopendwa zaidi na watumiaji

Mada nne zilijitokeza katika mrejesho wa ubora:

• Ramani ya Kijamii ya Ufikivu inayochangiwa na jamii,
• wasifu wa kiakili uliobinafsishwa na mpangilio wa muda wa wasifu wa “Today I feel”,
• uwazi wa moja kwa moja katika utafutaji wa njia na mtiririko wa skrini,
• utambuzi wa vizuizi na utaratibu wa msaada wa moja kwa moja inapohitajika.

Hasa ramani ya kijamii ilitathminiwa na washiriki kama kipengele kinachoitofautisha na zana nyingine za urambazaji kwa sababu inategemea uwezo wa watumiaji kushiriki vizuizi au matukio ya ufikivu katika wakati halisi.

Matatizo yaliyobainishwa

Baadhi ya matatizo ya watumiaji yalionekana kuhusiana zaidi na tabia ya Android TalkBack kuliko usanifu wa programu yenyewe. Miongoni mwa hayo ni kusomwa bila ulazima kwa ikoni za mapambo, baadhi ya vipengele vya skrini kutamkwa kama mfululizo mmoja mrefu na uthibitisho usiotosha wa chaguo.

Tatizo la msingi zaidi la muundo ni kwamba paneli ya ramani bado haifai vya kutosha kwa matumizi bila kutazama kabisa. Kwa kazi zinazohitaji mtumiaji kuweka alama ya eneo kwenye ramani, mbinu mbadala za uingizaji zinazotegemea koordinati au sauti zimepangwa kwa siku zijazo.

Pia, baadhi ya washiriki wanaotumia iOS/VoiceOver walipata shida kuzoea ishara za Android TalkBack na waliomba toleo la iOS.

Matokeo yanayoungwa mkono na utafiti

• Kanuni za mwingiliano zinazozingatia mzigo wa kiakili na ufikivu zimeweza kubadilishwa kuwa prototipu ya simu inayofanya kazi.
• Tathmini ya uundaji yenye washiriki 11 ilionyesha urahisi mkubwa wa matumizi unaotambuliwa na uzoefu chanya wa mtumiaji kwa prototipu.
• Ukali wa msaada unaotegemea wasifu, maeneo makubwa ya kugusa, kiolesura rahisi na ishara za njia nyingi kwa ujumla zilitathminiwa vyema na watumiaji.
• Usanifu wa moduli unaounganisha utambuzi wa wakati halisi, huduma za njia na ubinafsishaji kupitia Edge AI hutoa mfumo wa muundo ulio thabiti kiufundi.

Matokeo yasiyoungwa mkono na utafiti

• Haijathibitishwa kwamba LAZAR ni salama zaidi kuliko mifumo iliyopo katika mazingira halisi ya mji.
• Bado hakuna matokeo ya uwanjani yaliyodhibitiwa kuhusu mafanikio ya kukwepa vizuizi, kiwango cha makosa ya urambazaji au kupotoka kwa njia.
• Haijaonyeshwa kwa NASA-TLX, EEG au kipimo kingine cha kisaikofiziolojia kwamba mzigo wa kiakili umepungua kwa namna ya objektivu.
• Usanifu kamili wenye mawakala sita haujajaribiwa kama mfumo mmoja uliounganishwa katika utafiti wa watumiaji.
• Kwa sababu thamani ya SUS 91,36 ilipatikana kutoka kwa washiriki 11, haiwezi kufasiriwa kama makadirio ya idadi ya watu kwa ujumla.
• Hakuna ulinganisho uliodhibitiwa wa moja kwa moja uliofanywa dhidi ya BlindSquare, Lazarillo au programu nyingine za urambazaji.

Vikwazo vikuu

Kikwazo muhimu zaidi ni ukubwa wa sampuli. Watu kumi na mmoja, ingawa wana maana kwa utafiti wa uundaji wa urahisi wa matumizi unaohusisha kundi la watumiaji ambalo ni vigumu kulifikia, hawatoshi kwa ujumlishaji mpana wa kitakwimu.

Kikwazo cha pili muhimu ni kwamba mzigo wa kiakili haukupimwa moja kwa moja. Ingawa utafiti unaweka mzigo wa kiakili katikati ya utaratibu wa muundo, haukupima kwa majaribio ni kiasi gani mzigo huo ulibadilika kwa kweli.

Tatu, tathmini haikuwa jaribio kamili la uwanjani katika mazingira halisi ya mji yasiyodhibitiwa. Kwa hiyo, usalama wa kiutendaji wa mfumo chini ya trafiki, umati, kelele, hali ya hewa na vizuizi vinavyobadilika kila mara bado haujathibitishwa.

Utafiti wa baadaye

Hatua kuu za uthibitishaji ambazo waandishi wanapanga kwa siku zijazo ni hizi:

1. kutumia vipimo vilivyothibitishwa vya mzigo wa kiakili kama NASA-TLX na EEG,
2. kufanya ulinganisho uliodhibitiwa katika kazi zinazolinganishwa na zana zilizopo kama BlindSquare na Lazarillo,
3. kuendeleza msaada wa iOS na VoiceOver,
4. kukamilisha uratibu unaotegemea ACL kati ya mawakala wote sita,
5. kuunganisha kikamilifu utaratibu wa veto wa SecurityAgent na mzunguko wa ujifunzaji unaobadilika,
6. kufanya tafiti za uwanjani katika mazingira halisi ya mji na makundi makubwa na yenye utofauti wa kijiografia wa watumiaji,
7. kupima vipimo objektivu kama muda wa kukamilisha kazi, kosa la urambazaji, kupotoka kwa njia na kiwango cha kukwepa vizuizi.

Maelezo ya Chanzo na Mbinu

Kichwa asili:Designing Human-Centred Adaptive AI Navigation for Blind and Visually Impaired Individuals: A Cognitive Load-Aware Framework for Accessible Urban Mobility

Waandishi: Pilar Herrero-Martín na Álvaro García-Ballestero.

Taasisi: Escuela Técnica Superior de Ingenieros Informáticos, Universidad Politécnica de Madrid; Center for Biomedical Technology (CTB-UPM), Madrid, Hispania.

Jarida:AI, 2026, 7, Article 206.

DOI:10.3390/ai7060206

Iliwasilishwa: 9 Aprili 2026. Ilirekebishwa: 29 Mei 2026. Ilikubaliwa: 31 Mei 2026. Ilichapishwa: 5 Juni 2026.

Aina ya utafiti: Muundo wa AI saidizi unaomlenga binadamu, prototipu ya simu yenye uaminifu wa juu na uthibitishaji wa uundaji wa watumiaji.

Washiriki: watu 11 wasioona au wenye uoni hafifu.

Ufadhili: Uliungwa mkono na Universidad Politécnica de Madrid chini ya mradi RP2510470096.

Maadili: Universidad Politécnica de Madrid R&D+I Ethics Committee, kwa rejea CE260302, iliamua kuwa mapitio rasmi ya kimaadili hayakuhitajika chini ya taratibu za taasisi zinazotumika. Ridhaa iliyo na taarifa ilipatikana kutoka kwa washiriki wote.

Upatikanaji wa data: Data zinaweza kupatikana kutoka kwa mwandishi anayewajibika kwa ombi la msingi; itifaki za SUS na UEQ pamoja na zana ya mahojiano ya ubora yaliyopangwa zimeelezwa katika makala.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi; imeelezwa kuwa mfadhili hakuwa na jukumu katika muundo wa utafiti, ukusanyaji wa data, uchambuzi, tafsiri, uandishi wa makala au uamuzi wa kuchapisha.

Leseni: Creative Commons Attribution (CC BY).

Kikomo cha kimbinu: Utafiti huu si jaribio la ufanisi wa mfumo kamili wa urambazaji wa AI wenye mawakala wengi katika mazingira halisi ya mji. Tathmini ya watumiaji ililenga hasa kiolesura cha prototipu, ufikivu, uzoefu wa mtumiaji na baadhi ya vipengele vya mwingiliano vinavyofanya kazi. Uratibu kamili wa usanifu na kipimo objektivu cha mzigo wa kiakili vimeachwa kwa utafiti wa baadaye.

Maelezo ya mbinu ya Verianla: Maudhui haya ya Kiswahili yanapanga upya kwa muundo huru wa kufundishia tatizo la utafiti, mahitaji ya muundo, mantiki ya kiolesura cha mtumiaji, mbinu ya Edge AI, usanifu wenye mawakala wengi, uthibitishaji wa watumiaji, matokeo ya kiasi na vikwazo vilivyo katika makala chanzo huku yakihifadhi maana ya chanzo. Picha za skrini za chanzo au uwasilishaji wa awali wa vielelezo haujanakiliwa.