Scaling Pedestrian Crossing Analysis to 100 U.S. Cities via AI-based Segmentation of Satellite Imagery

Diese Arbeit präsentiert eine skalierbare, KI-gestützte Methode unter Verwendung von Satellitenbildern und dem Segment Anything Model, um die Fußgängerüberquerungsdistanzen in den 100 größten Städten Amerikas automatisch zu messen, wobei aufgezeigt wird, dass ältere Städte dazu neigen, breitere, autozentriertere Straßen mit mittleren Überquerungsdistanzen zwischen 32 und 78 Fuß zu besitzen.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen zu verstehen, wie einfach es ist, eine Straße zu überqueren. Die Länge dieses Weges – die Distanz von einem Bürgersteig zum anderen – ist ein entscheidender Faktor dafür, ob sich Menschen beim Überqueren sicher fühlen oder von Autos erfasst werden. Aber die Distanz für jede einzelne Kreuzung in einer Stadt zu messen, ist so, als würde man versuchen, jedes Sandkorn an einem Strand zu zählen; es ist zu groß, zu unordentlich und dauert viel zu lange, wenn Menschen dies von Hand machen.

Dieses Papier beschreibt einen cleveren Weg, ein „Roboterauge“ (Künstliche Intelligenz) zu nutzen, um diese Straßenüberquerungen für die 100 größten Städte in den USA gleichzeitig zu messen. So haben sie es gemacht, unterteilt in einfache Schritte:

1. Das Problem: Zu viele Straßen, um sie zu messen

Seit Jahren wissen Forscher, dass längere Überquerungen gefährlicher sind. Aber wir hatten keine Karte der Überquerungsdistanzen für das ganze Land. Frühere Versuche waren wie der Versuch, ein Wandgemälde von Hand zu malen: genau, aber unglaublich langsam und arbeitsintensiv. Zudem suchten sie hauptsächlich nach den aufgemalten „Zebra-Streifen“ auf der Straße, wodurch viele Überquerungen, die gar keine Markierungen haben, unberücksichtigt blieben.

2. Die Lösung: Ein digitales „Ausschneiden und Einfügen“

Die Forscher bauten ein dreistufiges Fließband auf, um den Prozess zu automatisieren:

• Schritt 1: Fotos machen (Der Schnappschuss)
  Sie nutzten ein Computerprogramm, um Satellitenfotos von etwa 3 Millionen Straßenkreuzungen in den 100 größten US-Städten zu erfassen. Stellen Sie sich das wie eine Luftaufnahme von jedem Straßenkreuz in Amerika vor.

• Schritt 2: Den Roboter lehren (Die Kunststunde)
  Der Computer musste lernen, den Unterschied zwischen einer Straße (wo Autos fahren) und einem Bürgersteig (wo Menschen gehen) zu erkennen. Um dies zu lehren, zeigten sie der KI (genannt Meta's „Segment Anything Model“) eine kleine Gruppe von Fotos, bei denen Menschen die Bürgersteige und Gebäude manuell ausgemalt hatten.

  • Die Analogie: Stellen Sie sich vor, Sie zeigen einem Kind ein Bild von einem Keks und ein Bild von einem Teller, und malen den Teller blau und den Keks braun aus. Sobald das Kind das Muster gelernt hat, können Sie ihm sofort ein neues Bild geben und es wird den Teller blau ausmalen, ohne dass Sie es erneut sagen müssen.
  • Sie lehrten die KI, „nicht befahrbare“ Bereiche (Bürgersteige, Parks, Gebäude) zu erkennen und die befahrbaren Straßen zu ignorieren.

• Schritt 3: Die „Grow-Cut“-Magie (Die Schere)
  Dies ist der kreativste Teil. Die Forscher nahmen eine digitale Karte (OpenStreetMap), die grobe Linien enthielt, die anzeigten, wo Überquerungen könnten sein.

  • Die Analogie: Stellen Sie sich vor, Sie haben eine Schnur auf einem Tisch liegen, aber die Schnur ist zu lang und hängt über die Ränder hinaus. Sie haben eine magische Schere, die die Schnur nur dann schneidet, wenn sie eine bestimmte farbige Zone (den Bürgersteig) berührt.
  • Der Computer nahm die groben Überquerungslinien aus der Karte und ließ sie etwas „wachsen“ („grow“). Dann nutzte er die „farbigen Zonen“ (die Bürgersteige) der KI als Leitfaden, um die Linien exakt dort zu „schneiden“ („cut“), wo der Bürgersteig beginnt. Dies lieferte ihnen die präzise Distanz von einer Straßenseite zur anderen.

3. Die Ergebnisse: Eine nationale Karte der Gehdistanzen

Durch die Durchführung dieses Prozesses gelang es ihnen, fast 800.000 Überquerungen in etwa einer Stunde pro Stadt zu messen.

• Wie genau ist es?
  Sie testeten es in San Francisco gegen Daten, die Menschen von Hand verifiziert hatten. Die KI war 93 % genau. Im Durchschnitt wich die KI nur um etwa 68 Zentimeter (2 Fuß und 3 Zoll) ab (weniger als ein Meter). Das ist so, als würde man die Länge eines Autos schätzen und nur um die Länge eines einzigen Schrittes danebenliegen.

• Was haben sie herausgefunden?

  • Alte vs. neue Städte: Ältere amerikanische Städte (gegründet vor 1800) haben im Allgemeinen kürzere Überquerungen. Neuere Städte (gegründet später) haben viel längere Überquerungen. Dies deutet darauf hin, dass Amerika mit der Zeit begann, breitere Straßen zu bauen, die für Autos konzipiert sind, was das Gehen erschwert.
  • Die Region spielt eine Rolle: Städte im Nordosten und Mittleren Westen tendieren zu kürzeren Überquerungen (etwa 9 Meter/30 Fuß), während Städte im Süden und Westen viel längere Überquerungen haben (bis zu 24 Meter/78 Fuß).
  • Das Muster: In fast jeder Stadt sind die meisten Überquerungen kurz (Nachbarschaftsstraßen), aber es gibt „Korridore“ mit sehr langen Überquerungen (große Highways), die hervorstechen.

4. Warum das wichtig ist

Diese Studie gibt Stadtplanern eine „Superkraft“. Anstatt zu raten oder Jahre damit zu verbringen, Straßen zu messen, haben sie nun eine Karte, die genau zeigt, wo Überquerungen zu lang sind. Dies hilft ihnen zu entscheiden, wo sie Sicherheitsinseln bauen oder Bürgersteige verbreitern können, um das Gehen sicherer zu machen, insbesondere für ältere Menschen, Eltern mit Kinderwagen oder Menschen mit Mobilitätseinschränkungen.

5. Die Einschränkungen (Die „Fallstricke“)

Die Autoren sind ehrlich darüber, wo ihre Methode nicht perfekt ist:

• Baum-Problematik: Wenn eine Straße von dichtem Laub bedeckt ist, kann die Satellitenkamera den Bürgersteig nicht sehen, sodass die KI verwirrt werden kann.
• Kartenlücken: Das System verlässt sich auf OpenStreetMap, um zu wissen, wo es nach einer Überquerung suchen muss. Wenn eine Überquerung nicht auf dieser Karte verzeichnet ist, wird die KI sie nicht messen.
• Fehlende Stadt: Sie mussten Anchorage, Alaska, durch eine Stadt in Texas ersetzen, da die Satellitenkarten für Alaska nicht in dem Format verfügbar waren, das sie benötigten.

Zusammenfassend zeigt dieses Paper, wie wir eine Kombination aus Satellitenfotos, einer intelligenten KI und einer digitalen Karte nutzen können, um sofort zu messen, wie „fußgängerfreundlich“ unsere Städte sind, und dabei aufzeigen, dass neuere amerikanische Städte breiter für Autos gebaut sind, während ältere Städte enger für Menschen gestaltet sind.

Technische Zusammenfassung

Technisches Resümee: Skalierung der Analyse von Fußgängerüberwegungen auf 100 US-Städte mittels KI-basierter Segmentierung von Satellitenbildern

Problemstellung
Genaue, granulare Daten zu Straßenabmessungen, insbesondere zu den Entfernungen von Fußgängerüberwegungen, sind essenziell für die Bewertung der Auswirkungen des Stadtdesigns auf das Reiseverhalten und die Sicherheit. Bestehende Datensätze sind jedoch oft unvollständig, veraltet, lückenhaft oder nicht maschinenlesbar. Während frühere computergestützte Studien erfolgreich markierte Zebrastreifen (z. B. „Zebra“-Streifen) in begrenzten Städten identifiziert haben, erfassen sie keine unmarkierten Überwege, die einen signifikanten Teil der Kreuzungen in amerikanischen Städten ausmachen (z. B. 42 % in San Francisco). Zudem waren bisherige manuelle oder semi-automatisierte Methoden zur Messung sowohl markierter als auch unmarkierter Überwege arbeitsintensiv und ließen sich nicht auf nationaler Ebene skalieren. Diese Studie adressiert das Bedürfnis nach einer skalierbaren, genauen und reproduzierbaren Methode zur Messung von Überwegentfernungen in den 100 größten US-Städten unter Verwendung ausschließlich frei verfügbarer Daten.

Methodik
Die Studie verwendet eine dreistufige automatisierte Pipeline, die OpenStreetMap (OSM)-Daten mit Metas Segment Anything Model (SAM) kombiniert, um etwa drei Millionen Satellitenbild-Kacheln (8,3 Terabyte) zu verarbeiten.

1. Segmentierung von Kreuzungsbildern:

   • Datenabruf: Unter Verwendung von OSMnx wurden die Koordinaten aller Straßenkreuzungen und Mittelblock-Überwege in den 100 größten US-Städten generiert. Satellitenbild-Kacheln (25-Meter-Radius, 1629x1629 Pixel) wurden über die Google Maps API abgerufen.
   • Modelltraining: Das Meta's SAM (ein Zero-Shot-Modell) wurde feinjustiert, um befahrbare Oberflächen (Straßen) von nicht befahrbaren Oberflächen (Gehwege, Gebäude, Parks, Verkehrsinseln) zu unterscheiden.
   • Trainingsstrategie: Um das Training zu optimieren, wurden 193 hoch-entropische Kreuzungsbilder (ausgewählt aufgrund visueller Komplexität) aus 14 diversen Städten manuell annotiert. Der Datensatz wurde durch Spiegelung, Rotation, Unschärfe und Hinzufügen von Rauschen augmentiert, wodurch der Trainingssatz auf 5.790 Bilder erweitert wurde.
   • Nachbearbeitung: Zur Verbesserung der Genauigkeit wurden zwei Korrekturschritte angewandt:
     • Reduktion von Falsch-Positiven: Polygone, die mit gepufferten OSM-Straßenmittellinien überlappen (1,2 m für nicht getaggte Straßen, 2 m für Primärstraßen), wurden entfernt.
     • Korrektur von Falsch-Negativen: Fehlende nicht-befahrbare Polygone wurden durch das Zusammenführen von Gebäudegrundrissen, die aus OSM extrahiert wurden, ergänzt.
   • Ausgabe: Das Modell generierte pixelgenaue Masken nicht-befahrbarer Oberflächen, die in polygonale Geometrien umgewandelt und auf reale Koordinaten abgebildet wurden.

2. Extraktion von Überwegkanten:

   • Die Kanten der Fußgängerüberwege wurden aus OSM extrahiert.
   • Single-Node-Überwege (häufig in OSM) wurden in Kanten umgewandelt, indem die Knoten mit den nächstgelegenen „Highway“-Kanten abgeglichen wurden.
   • Duplikate wurden basierend auf räumlicher Nähe (innerhalb von 5 m) und Ausrichtung der Richtung (innerhalb von 5 Grad) zusammengeführt.

3. Grow-Cut-Algorithmus:

   • Die extrahierten Überwegkanten wurden über die segmentierten Satellitenbilder gelegt.
   • Ein Grow-Cut-Algorithmus erweiterte jede Kante um 5 % von ihren Endpunkten aus, wobei die Orientierung beibehalten wurde.
   • Der Algorithmus „schnitt“ die erweiterten Kanten dort ab, wo sie die nicht-befahrbaren Oberflächenpolygone kreuzten, was die endgültige Überwegentfernung ergab.
   • Filterung: Die Endergebnisse wurden gefiltert, um Duplikate (innerhalb von 2-Meter-Puffern) und Ausreißer (Überwege < 6 Fuß oder > 160 Fuß) zu entfernen.

Zentrale Beiträge

• Skalierbarkeit: Die Methode verarbeitete erfolgreich 808.377 Fußgängerüberwege in den 100 größten US-Städten mit einer Verarbeitungszeit von etwa einer Stunde pro Stadt.
• Inklusivität der Überwegtypen: Im Gegensatz zu früheren Studien, die sich auf visuelle Markierungen stützten, erfasst dieser Ansatz sowohl markierte als auch unmarkierte Überwege, indem er die geometrische Beziehung zwischen Straßenkanten und nicht-befahrbaren Oberflächen nutzt.
• Reproduzierbarkeit: Der gesamte Workflow nutzt frei verfügbare Daten (OSM, Google Maps) und Open-Source-Modelle (SAM), wobei der Code auf GitHub öffentlich zugänglich gemacht wurde.
• Nationaler Datensatz: Die Studie produziert den ersten landesweiten Datensatz von Fußgängerüberwegentfernungen, der interstädtische und regionale Vergleiche ermöglicht, die in diesem Maßstab zuvor unmöglich waren.

Ergebnisse

• Genauigkeit: Validiert gegen einen manuell verifizierten Datensatz für San Francisco, erreichte die automatisierte Methode eine Genauigkeit von 93 % mit einem medianen absoluten Fehler von 2 Fuß 3 Zoll (0,69 Meter). Der automatisierte Prozess deckte 72 % der im manuellen Datensatz vorhandenen Überwege ab, was primär auf die Verfügbarkeit von Überwegkanten in OSM zurückzuführen ist.
• Räumliche Muster:
  • Regionale Varianz: Die medianen Überwegentfernungen reichen von 32 Fuß (9,8 m) bis 78 Fuß (23,8 m). Kürzere Überwege häufen sich im Nordosten und Mittleren Westen (z. B. Toledo, OH bei ~32 ft), während längere Überwege im Südwesten und an der Westküste verbreitet sind (z. B. North Las Vegas mit ~78 ft).
  • Stadtgestalt: Städte im Nordosten und Mittleren Westen weisen eine Verteilung mit einem Peak nahe 30 Fuß auf, was wahrscheinlich auf rechtwinklige Raster zurückzuführen ist. Städte im Süden und Westen zeigen einen Peak nahe 40 Fuß, was die sprawl-artigen Layouts und breiteren Arterienkorridore widerspiegelt.
• Historische Korrelation: Es wurde eine positive Beziehung zwischen dem Gründungsjahr einer Stadt und der medianen Überwegentfernung festgestellt. Städte, die vor 1800 gegründet wurden, haben im Allgemeinen kürzere Überwege (~40 ft), während neuere Städte einen progressiven Trend hin zu längeren, autozentrierten Straßendesigns zeigen.

Bedeutung und Behauptungen
Das Paper behauptet, dass diese Methodik neue Einblicke in Fußgängernetzwerke auf nationaler Ebene ermöglicht und zeigt, dass die Überwegentfernung über US-Städte hinweg einer universellen „linksverschobenen Normalverteilung“ folgt, aber signifikant durch Region und Stadtgeschichte moduliert wird. Die Autoren betonen, dass diese Datensätze Stadtplaner und Sicherheitsaktivisten befähigen:

1. Spezifische Nachbarschaften und Korridore für gezielte Verkehrsberuhigungsmaßnahmen zu identifizieren.
2. Überwegdaten mit anderen lokalen Attributen (Geschwindigkeitsbegrenzungen, Unfalldaten, Demografie) zu kombinieren, um Straßengestaltungen zu informieren.
3. Zu testen, ob die in kleineren Studien beobachteten Zusammenhänge zwischen Überwegentfernung und Fußgängersicherheit auch auf nationaler Ebene Bestand haben.

Die Studie kommt zu dem Schluss, dass die zunehmende Betonung breiterer, autozentrierter Straßen in neueren amerikanischen Städten durch längere mediane Überwegentfernungen quantitativ belegt ist. Die Autoren weisen auf Einschränkungen hin, wie etwa die reduzierte Genauigkeit in Gebieten mit dichtem Baumdach (das Gehwege verdeckt) und die Abhängigkeit von der Vollständigkeit der OSM-Daten, betonen jedoch das Potenzial der Methode für die Anpassung an internationale Kontexte und andere urbane Merkmale wie die Fahrradinfrastruktur.