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

Este artículo presenta un método escalable impulsado por IA que utiliza imágenes satelitales y el Segment Anything Model para medir automáticamente las distancias de cruce de peatones en las 100 ciudades más grandes de Estados Unidos, revelando que las ciudades más antiguas tienden a tener calles más anchas y centradas en los automóviles con distancias de cruce de mediana de entre 32 y 78 pies.

Lo esencial

Imagina que estás tratando de entender qué tan fácil es cruzar una calle en una ciudad. La longitud de esa caminata —la distancia desde una acera hasta la otra— es un factor enorme para determinar si las personas se sienten seguras al cruzar o si son atropelladas por los autos. Pero medir esta distancia para cada intersección de una ciudad es como intentar contar cada grano de arena en una playa; es demasiado grande, demasiado caótico y toma demasiado tiempo para que los humanos lo hagan a mano.

Este artículo describe una forma ingeniosa de usar un "ojo de robot" (Inteligencia Artificial) para medir estos cruces de calles en las 100 ciudades más grandes de los EE. UU. todo a la vez. Así es como lo hicieron, desglosado en pasos simples:

1. El Problema: Demasiadas calles para medir

Durante años, los investigadores han sabido que los cruces más largos son más peligrosos. Pero no teníamos un mapa de las distancias de cruce para todo el país. Los intentos anteriores eran como intentar pintar un mural a mano: precisos, pero increíblemente lentos y laboriosos. Además, la mayoría buscaba las "rayas de cebra" pintadas en la carretera, pasando por alto muchos de los cruces que no tienen pintura en absoluto.

2. La Solución: Un trabajo digital de "cortar y pegar"

Los investigadores construyeron una línea de ensamblaje de tres pasos para automatizar el proceso:

• Paso 1: Tomar las fotos (La instantánea)
  Utilizaron un programa informático para obtener fotos satelitales de aproximadamente 3 millones de intersecciones de calles en las 100 ciudades más grandes de los EE. UU. Piensa en esto como tomar una instantánea desde una vista de pájaro de cada cruce de caminos en América.

• Paso 2: Enseñar al robot (La clase de arte)
  Necesitaban que la computadora supiera la diferencia entre una carretera (por donde van los autos) y una acera (por donde camina la gente). Para enseñar esto, les mostraron a la IA (llamada el "Segment Anything Model" de Meta) un pequeño lote de fotos donde los humanos habían coloreado manualmente las aceras y los edificios.

  • La analogía: Imagina mostrarle a un niño la foto de una galleta y la foto de un plato, coloreando el plato de azul y la galleta de marrón. Una vez que el niño aprende el patrón, puedes darle una foto nueva y podrá colorear el plato de azul instantáneamente sin que se lo vuelvas a decir.
  • Le enseñaron a la IA a detectar áreas "no transitables para vehículos" (aceras, parques, edificios) e ignorar las carreteras transitables.

• Paso 3: La magia del "Grow-Cut" (Las tijeras)
  Esta es la parte más creativa. Los investigadores tomaron un mapa digital (OpenStreetMap) que tenía líneas aproximadas indicando dónde podrían estar los cruces.

  • La analogía: Imagina que tienes un trozo de cuerda extendido sobre una mesa, pero la cuerda es demasiado larga y sobresale de los bordes. Tienes un par de tijeras mágicas que solo cortan la cuerda cuando toca una zona de un color específico (la acera).
  • La computadora tomó las líneas aproximadas de los cruces del mapa y las hizo "crecer" ligeramente. Luego, utilizó las "zonas de colores" de la IA (las aceras) como guía para "cortar" las líneas exactamente donde comienza la acera. Esto les dio la distancia precisa de un lado de la calle al otro.

3. Los Resultados: Un mapa nacional de distancias de caminata

Al ejecutar este proceso, lograron medir casi 800,000 cruces en aproximadamente una hora por ciudad.

• ¿Qué tan preciso es?
  Lo probaron en San Francisco contra datos que humanos habían verificado a mano. La IA fue un 93% precisa. En promedio, la IA falló por solo unos 2 pies y 3 pulgadas (menos de un metro). Eso es como adivinar la longitud de un auto y fallar por el largo de un solo paso.

• ¿Qué encontraron?

  • Ciudades viejas vs. nuevas: Las ciudades estadounidenses más antiguas (fundadas antes de 1800) generalmente tienen cruces más cortos. Las ciudades más nuevas (fundadas después) tienen cruces mucho más largos. Esto sugiere que, a medida que Estados Unidos creció, comenzó a construir calles más anchas diseñadas para los autos, lo que dificulta el paso de los peatones.
  • La región importa: Las ciudades del Noreste y del Medio Oeste tienden a tener cruces más cortos (alrededor de 30 pies), mientras que las ciudades del Sur y del Oeste tienen cruces mucho más largos (hasta 78 pies).
  • El patrón: En casi todas las ciudades, la mayoría de los cruces son cortos (calles de vecindario), pero existen "corredores" de cruces muy largos (grandes autopistas) que destacan.

4. Por qué esto es importante

Este estudio le da a los planificadores urbanos un "superpoder". En lugar de adivinar o pasar años midiendo calles, ahora tienen un mapa que muestra exactamente dónde los cruces son demasiado largos. Esto ayuda a decidir dónde construir islas de seguridad o acortar las aceras para que caminar sea más seguro, especialmente para personas mayores, padres con cochecitos de bebé o cualquier persona con problemas de movilidad.

5. Las Limitaciones (Los "peros")

Los autores son honestos sobre dónde su método no es perfecto:

• Problemas con los árboles: Si una calle está cubierta por hojas espesas de árboles, la cámara satelital no puede ver la acera, por lo que la IA podría confundirse.
• Vacíos en el mapa: El sistema depende de OpenStreetMap para saber dónde buscar un cruce. Si un cruce no está en ese mapa, la IA no lo medirá.
• Ciudad faltante: Tuvieron que cambiar Anchorage, Alaska, por una ciudad en Texas porque los mapas satelitales para Alaska no estaban disponibles en el formato que necesitaban.

En resumen, este artículo muestra cómo podemos usar una combinación de fotos satelitales, una IA inteligente y un mapa digital para medir instantáneamente qué tan "caminables" son nuestras ciudades, revelando que las ciudades más nuevas de Estados Unidos están construidas más anchas para los autos, mientras que las más antiguas son más estrechas para las personas.

Resumen técnico

Resumen Técnico: Escalamiento del Análisis de Cruces Peatonales a 100 Ciudades de EE. UU. mediante la Segmentación de Imágenes Satelitales Basada en IA

Planteamiento del Probleza
Los datos precisos y granulares sobre las dimensiones de las calles, específicamente las distancias de los cruces peatonales, son esenciales para evaluar los impactos del diseño urbano en el comportamiento de viaje y la seguridad. Sin embargo, los conjuntos de datos existentes suelen estar incompletos, desactualizados, ser parciales o no ser legibles por máquinas. Si bien estudios previos de visión computacional han identificado con éxito pasos de cebra marcados (por ejemplo, rayas de "cebra") en ciudades limitadas, estos no logran capturar los cruces no marcados, que constituyen una parte significativa de las intersecciones en las ciudades estadounidenses (por ejemplo, el 42% en San Francisco). Además, los métodos manuales o semiautomáticos previos para medir tanto los cruces marcados como los no marcados han sido laboriosos y carecían de la escalabilidad necesaria para un nivel nacional. Este estudio aborda la necesidad de un método escalable, preciso y reproducible para medir las distancias de los cruces en las 100 ciudades más grandes de EE. UU. utilizando únicamente datos de libre acceso.

Metodología
El estudio emplea un flujo de trabajo automatizado de tres pasos que combina datos de OpenStreetMap (OSM) con el Segment Anything Model (SAM) de Meta para procesar aproximadamente tres millones de teselas de imágenes satelitales (8.3 terabytes).

1. Segmentación de Imágenes de Intersecciones:

   • Recuperación de Datos: Utilizando OSMnx, se generaron las coordenadas de todas las intersecciones de calles y cruces de media cuadra en las 100 ciudades más grandes de EE. UU. Las teselas de imágenes satelitales (radio de 25 metros, 1629x1629 píxeles) se recuperaron a través de la API de Google Maps.
   • Entrenamiento del Modelo: El SAM de Meta (un modelo zero-shot) se ajustó para diferenciar superficies transitables (carreteras) de superficies no transitables (aceras, edificios, parques, islas de refugio).
   • Estrategia de Entrenamiento: Para optimizar el entrenamiento, se anotaron manualmente 193 imágenes de intersecciones de alta entropía (seleccionadas por su complejidad visual) de 14 ciudades diversas. El conjunto de datos se aumentó mediante técnicas de volteo, rotación, desenfoque y adición de ruido, expandiendo el conjunto de entrenamiento a 5,790 imágenes.
   • Post-procesamiento: Para mejorar la precisión, se aplicaron dos pasos correctivos:
     • Reducción de Falsos Positivos: Se eliminaron los polígonos que se superponían con las líneas centrales de las calles de OSM con buffer (1.2 m para carreteras no etiquetadas, 2 m para vías primarias).
     • Corrección de Falsos Negativos: Los polígonos no transitables faltantes se suplementaron mediante la fusión de las huellas de edificios extraídas de OSM.
   • Salida: El modelo generó máscaras a nivel de píxel de las superficies no transitables, convertidas en geometrías poligonales mapeadas a coordenadas del mundo real.

2. Extracción de Bordes de Cruce:

   • Los bordes de los cruces peatonales se extrajeron de OSM.
   • Los cruces de un solo nodo (comunes en OSM) se convirtieron en bordes mediante la correspondencia de los nodos con los bordes de "carretera" más cercanos.
   • Los duplicados se fusionaron basándose en la proximidad espacial (dent way de 5 m) y la alineación de la dirección (dentro de 5 grados).

3. Algoritmo Grow-Cut:

   • Los bordes de cruce extraídos se superpusieron sobre las imágenes satelitales segmentadas.
   • Un algoritmo de grow-cut expandió cada borde un 5% desde sus extremos manteniendo la orientación.
   • El algoritmo "cortó" los bordes expandidos donde estos interceptaban con los polígonos de superficies no transitables, proporcionando la distancia final del cruce.
   • Filtrado: Los resultados finales se filtraron para eliminar duplicados (dentro de buffers de 2 m) y valores atípicos (cruces <6 pies o >160 pies).

Contribuciones Clave

• Escalabilidad: El método procesó con éxito 808,377 cruces peatonales en las 100 ciudades más grandes de EE. UU., con un tiempo de procesamiento de aproximadamente una hora por ciudad.
• Inclusividad de Tipos de Cruce: A diferencia de estudios previos que dependen de marcas visuales, este enfoque captura tanto cruces marcados como no marcados al aprovechar la relación geométrica entre los bordes de la carretera y las superficies no transitables.
• Reproducibilidad: Todo el flujo de trabajo utiliza datos de libre acceso (OSM, Google Maps) y modelos de código abierto (SAM), con el código disponible públicamente en GitHub.
• Conjunto de Datos Nacional: El estudio produce el primer conjunto de datos a nivel nacional de distancias de cruce peatonal, permitiendo comparaciones interurbanas y regionales que antes eran imposibles a esta escala.

Resultos

• Precisión: Validado contra un conjunto de datos verificado manualmente para San Francisco, el método automatizado alcanzó un 93% de precisión con un error absoluto mediano de 2 pies 3 pulgadas (0.69 metros). El proceso automatizado cubrió el 72% de los cruces presentes en el conjunto de datos manual, limitado principalmente por la disponibilidad de bordes de cruce en OSM.
• Patrones Espaciales:
  • Variación Regional: Las distancias medianas de los cruces oscilan entre 32 pies (9.8 m) y 78 pies (23.8 m). Los cruces más cortos se agrupan en el Noreste y el Medio Oeste (por ejemplo, Toledo, OH con ~32 pies), mientras que los cruces más largos prevalecen en el Suroeste y la Costa Oeste (por ejemplo, North Las Vegas con ~78 pies).
  • Forma Urbana: Las ciudades del Noreste y el Medio Oeste exhiben una distribución de pico cerca de los 30 pies, probablemente debido a las cuadrículas rectilíneas. Las ciudades del Sur y el Oeste muestran un pico cerca de los 40 pies, lo que refleja diseños más dispersos y corredores arteriales más anchos.
• Correlación Histórica: Se identificó una relación positiva entre el año de incorporación de una ciudad y la distancia mediana del cruce. Las ciudades incorporadas antes de 1800 generalmente tienen cruces más cortos (~40 pies), mientras que aquellas incorporadas más tarde muestran una tendencia progresiva hacia diseños de calles más largos y centrados en el automóvil.

Significancia y Reivindicaciones
El artículo afirma que esta metodología desbloquea nuevos conocimientos sobre las redes peatonales a escala nacional, demostrando que la distancia de cruce sigue una "distribución normal desplazada a la izquierda" universal en las ciudades de EE. UU., pero está significativamente modulada por la región y la historia urbana. Los autores sostienen que estos conjuntos de datos permiten a los planificadores y defensores de la seguridad:

1. Identificar vecindarios y corredores específicos para inversiones focalizadas en la mitigación del tráfico.
2. Combinar los datos de cruces con otros atributos locales (límites de velocidad, datos de accidentes, demografía) para informar el rediseño de las calles.
3. Probar si las asociaciones entre la distancia de cruce y la seguridad peatonal, observadas previamente en estudios más pequeños, se mantienen a escala nacional.

El estudio concluye que el énfasis creciente en las calles más anchas y centradas en el automóvil en las ciudades más nuevas de Estados Unidos es cuantitativamente evidente a través de las distancias de cruce medianas más largas. Los autores señalan limitaciones, incluyendo la reducción de la precisión en áreas con densa cobertura de árboles (que oscurece las aceras) y la dependencia de la integridad de los datos de OSM, pero enfatizan el potencial del método para la adaptación a contextos internacionales y otras características urbanas como la infraestructura ciclista.