Towards Human-AI Accessibility Mapping in India: VLM-Guided Annotations and POI-Centric Analysis in Chandigarh

Este artículo describe la adaptación de la plataforma Project Sidewalk para Chandigarh, India, mediante la integración de guías de anotación asistidas por modelos de visión y lenguaje (VLM) y un análisis centrado en puntos de interés, lo que permitió auditar 40 km de aceras e identificar más de 1.600 ubicaciones que requieren mejoras en la accesibilidad.

Lo esencial

Imagina que la ciudad es como una gran casa gigante donde todos vivimos. Para que esta casa sea acogedora para todos sus habitantes, desde los abuelos que caminan con dificultad hasta las personas que usan sillas de ruedas, los pasillos (las aceras) deben estar libres de obstáculos.

Este artículo cuenta la historia de cómo un grupo de investigadores tomó una herramienta digital existente y la "tradujo" para que funcionara perfectamente en Chandigarh, India, una ciudad famosa por su planificación ordenada.

Aquí tienes la explicación, paso a paso, con analogías sencillas:

1. El Problema: El "Manual de Instrucciones" no servía

Existe una herramienta llamada Project Sidewalk (Proyecto Aceras) que funciona como un videojuego de exploración. En lugar de caminar físicamente, la gente usa fotos de Google Street View para "caminar" virtualmente por las calles de ciudades como Nueva York o París y señalar problemas: "¡Aquí falta una rampa!", "¡Hay una piedra suelta!".

El problema: Cuando intentaron usar este mismo juego en Chandigarh, India, se dieron cuenta de que las reglas no funcionaban.

• La analogía: Es como intentar usar un manual de instrucciones para cocinar un taco mexicano en una cocina donde solo hay ingredientes para hacer curry indio. Las rampas en EE. UU. son rectas y de hormigón; en la India, a veces son improvisadas, hay escalones, o la acera es solo un trozo de tierra junto al camino. Si le dices a un usuario "busca una rampa estándar", no encontrará nada y se confundirá.

2. La Solución: Un "Guía Inteligente" con IA

Para arreglar esto, los investigadores hicieron dos cosas principales:

• A. Cambiaron el "Menú" de opciones: Reescribieron las etiquetas. En lugar de solo buscar "Rampa", ahora buscan "Estilo de borde de la acera" (que puede ser una pendiente, un escalón o un hueco). También cambiaron las fotos de ejemplo para que mostraran calles reales de Chandigarh, no de Estados Unidos.
• B. El "Compañero de Viaje" con IA (VLM): Esta es la parte más divertida. Integraron una Inteligencia Artificial (un modelo de lenguaje visual) que actúa como un guía turístico inteligente.
  • Cómo funciona: Antes de que el usuario empiece a revisar un tramo de calle, la IA mira la foto de la calle y le dice: "Oye, esta es una calle residencial estrecha. No busques rampas formales, pero fíjate bien en las motos estacionadas que bloquean el paso o en el suelo de tierra suelta".
  • El resultado: Es como tener a un amigo experto caminando a tu lado y susurrándote: "¡Mira aquí!", en lugar de dejarte solo adivinando qué buscar. Los usuarios probaron este guía y le dieron una calificación de 4.66 sobre 5, diciendo que les ayudó muchísimo a entender qué tenían que hacer.

3. La Misión: Un Mapa de Tesoros (y Trampas)

Con esta herramienta mejorada, decidieron mapear la accesibilidad alrededor de lugares importantes (POIs), como hospitales, escuelas, tiendas y parques.

• La analogía: Imagina que quieres saber si tu ciudad es amigable para caminar. No tiene sentido revisar todas las calles al azar. Es mejor revisar los caminos que llevan a los lugares donde la gente realmente necesita ir: al médico, a la escuela o a comprar pan.
• El trabajo: Revisaron 3 zonas muy diferentes de Chandigarh:
  1. Zona Residencial (Sector 45): Donde vive la gente.
  2. Zona Comercial (Sector 34): Donde hay tiendas y centros comerciales.
  3. Zona Institucional (Sector 12): Donde están el hospital grande y la universidad.

Revisaron unos 40 kilómetros de aceras alrededor de 230 lugares clave.

4. Lo que Descubrieron: El Mapa de la Realidad

Al final del viaje, encontraron 1,644 lugares donde se necesitan arreglos urgentes. Pero hubo hallazgos interesantes:

• Las zonas comerciales (tiendas) tenían las aceras en mejor estado. Es como si el dinero fluyera hacia los centros comerciales y dejara las calles de atrás un poco descuidadas.
• Los hospitales (en la zona institucional) tenían buenas aceras cerca de la entrada, pero los lugares para tomar el autobús o las cafeterías cercanas estaban en mal estado. ¡Es como tener una casa con una puerta de oro, pero el camino hasta ella lleno de baches!
• Las escuelas y el transporte público fueron los que peor puntuaron. Aquí es donde más se necesita trabajar.

En Resumen

Este paper nos dice que para hacer ciudades inclusivas, no basta con tener una buena idea; necesitas adaptar las herramientas a la realidad local.

Al igual que un sastre no puede hacer un traje perfecto usando las medidas de otra persona, los ingenieros y planificadores no pueden usar reglas de ciudades occidentales para ciudades indias. Al usar Inteligencia Artificial para guiar a las personas y adaptar las reglas al contexto local, lograron crear el primer mapa detallado de accesibilidad en la India, revelando dónde están los "baches" en el camino hacia una ciudad más justa para todos.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Hacia el Mapeo de Accesibilidad Humano-IA en India: Anotaciones Guiadas por VLM y Análisis Centrado en Puntos de Interés (POI) en Chandigarh

1. El Problema

La accesibilidad peatonal es un principio clave del desarrollo urbano moderno, pero la recolección de datos fiables y rentables sobre barreras de accesibilidad sigue siendo un desafío, especialmente en contextos fuera de EE. UU. y Europa.

• Limitaciones del contexto actual: Herramientas existentes como Project Sidewalk (una plataforma de crowdsourcing que utiliza Google Street View para auditar aceras) han sido exitosas en ciudades occidentales, pero su aplicación directa en India es inviable debido a diferencias fundamentales en la infraestructura.
• Divergencia de infraestructura: En ciudades indias como Chandigarh, las aceras a menudo son inexistentes, informales, compartidas con vehículos o interrumpidas por vendedores, drenajes y motocicletas estacionadas. Las etiquetas predeterminadas de EE. UU. (como "rampa de bordillo estandarizada") no capturan la realidad local, lo que genera confusión para los anotadores y datos de baja calidad.
• Necesidad de priorización: Dada la vasta población y área de India, se requiere un marco de priorización para identificar brechas de accesibilidad que ofrezcan el mayor retorno de inversión, enfocándose en la accesibilidad a lugares específicos (POIs) en lugar de toda la infraestructura indiscriminadamente.

2. Metodología

Los autores adaptaron Project Sidewalk para el contexto indio mediante tres pilares principales:

A. Adaptación de la Interfaz y Esquema de Etiquetado

• Reestructuración de etiquetas: Se modificó el vocabulario para reflejar las condiciones locales. Por ejemplo, la etiqueta "Curb Ramp" (Rampa de bordillo) se reemplazó por "Curb Style" (Estilo de bordillo), que abarca transiciones improvisadas, escalonadas o con pendientes, comunes en India.
• Nuevas etiquetas y eliminaciones: Se añadieron obstáculos específicos (vendedores callejeros, canales de drenaje, motocicletas estacionadas) y se eliminaron irrelevantes (hidrantes, buzones). Se amplió la categoría de "Problemas de superficie" para incluir ladrillos sueltos, barro y aceras no pavimentadas.
• Localización visual: Todas las imágenes de ejemplo en la interfaz se reemplazaron por fotografías reales de Chandigarh para reducir la ambigüedad en la severidad de las anotaciones.

B. Guía de Misión Asistida por Modelo de Lenguaje Visual (VLM)

• Objetivo: Reducir la carga cognitiva de los anotadores proporcionando instrucciones "just-in-time" (en el momento justo) basadas en el contexto de la calle.
• Funcionamiento: Se utiliza el modelo Gemini 2.5-Flash. El sistema toma dos entradas: el tipo de carretera de OpenStreetMap (OSM) y las panorámicas de inicio y fin de Google Street View (GSV) del segmento.
• Salida: El VLM genera una instrucción natural breve que indica qué barreras esperar (ej. "En una calle residencial estrecha, trata la carretera como el camino peatonal y busca obstáculos como scooters estacionados"). Esto guía al usuario sobre qué categorías de etiquetas son relevantes antes de comenzar a marcar.

C. Análisis Centrado en POIs y Métricas

• Selección de Sectores: Se seleccionaron tres sectores representativos de Chandigarh: Sector 45 (Residencial), Sector 34 (Comercial) y Sector 12 (Institucional/Hospitalario).
• Extracción de POIs: Se identificaron 230 POIs (hospitales, escuelas, paradas de transporte, restaurantes, etc.) dentro de un radio de 1 km.
• Auditoría: Se mapearon aproximadamente 40 km de aceras alrededor de estos POIs.
• Sistema de Puntuación (AccessScore): Se desarrolló una métrica cuantitativa que asigna pesos a las etiquetas según su severidad (1-3). Se calculan puntuaciones a tres niveles:
  1. SegScore: Puntuación por segmento de calle.
  2. POISecScore: Puntuación promedio ponderada por longitud para cada POI.
  3. POIScore: Puntuación agregada por sector y categoría de uso de suelo.

3. Contribuciones Clave

1. Adaptación contextual de Project Sidewalk: Primera implementación de la herramienta en India, con una interfaz rediseñada y un esquema de etiquetado localizado que maneja la heterogeneidad de la infraestructura peatonal india.
2. Integración de IA para Guía de Misión: Desarrollo e integración de un sistema de guía basado en VLM que adapta las instrucciones al contexto visual y al tipo de vía, mejorando la consistencia de las anotaciones humanas.
3. Análisis de Accesibilidad Basado en POIs: Realización de un análisis transversal en Chandigarh que vincula las anotaciones de aceras con la accesibilidad a servicios esenciales, proporcionando una base de datos priorizada para la acción gubernamental.

4. Resultados

• Evaluación de la Guía VLM: La utilidad de la guía asistida por IA fue evaluada por 3 anotadores en 50 segmentos de calle.
  • Puntuación media de utilidad: 4.66/5.
  • Relevancia: 4.97/5 (muy alta).
  • Precisión y Utilidad: También altas (4.40 y 4.61 respectivamente), aunque con mayor variabilidad.
  • Consenso: Los evaluadores mostraron un alto acuerdo en la relevancia (Kappa = 1.0 entre algunos pares), indicando que las instrucciones eran claras y fáciles de entender.
• Hallazgos de Accesibilidad en Chandigarh:
  • Se auditaron 40 km de carreteras y 230 POIs.
  • Se identificaron 1,644 ubicaciones (de un total de 2,913) donde las mejoras de infraestructura podrían aumentar significativamente la accesibilidad.
  • Desigualdades por sector:
    • Las áreas comerciales mostraron la mejor accesibilidad general.
    • Las áreas de educación y servicios públicos (incluyendo paradas de transporte y centros de comida) presentaron los peores resultados.
    • En el sector institucional (Sector 12), aunque la accesibilidad a centros de salud es relativamente buena, otros servicios esenciales como paradas de transporte y comercios de alimentos son menos accesibles.
  • Se observó una "cola negativa" en las puntuaciones de los segmentos, indicando que muchos tramos tienen problemas sustanciales de accesibilidad.

5. Significado e Impacto

Este trabajo representa un paso crucial hacia la democratización de la accesibilidad urbana en el Sur Global.

• Validación de la IA en Crowdsourcing: Demuestra que los modelos de lenguaje visual (VLM) pueden mejorar efectivamente la calidad y eficiencia de la anotación humana en entornos complejos y no estandarizados, reduciendo la carga cognitiva.
• Marco Replicable: La metodología de adaptación de etiquetas y guía contextual ofrece un modelo para desplegar herramientas de mapeo de accesibilidad en otras ciudades de India y países en desarrollo con infraestructuras similares.
• Acción Política: Proporciona a los gobiernos locales datos granulares y priorizados (centrados en POIs) para asignar recursos de manera eficiente, enfocándose primero en los lugares donde la mejora de la accesibilidad tendrá el mayor impacto social y económico.
• Inclusión: Al identificar brechas específicas en la infraestructura peatonal, el estudio apoya directamente la implementación de la Ley de Derechos de las Personas con Discapacidad de la India (RPwD 2016) y las directrices de diseño universal.