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

Cet article présente une méthode évolutive pilotée par l'IA utilisant l'imagerie satellite et le modèle Segment Anything pour mesurer automatiquement les distances de traversée des piétons dans les 100 plus grandes villes d'Amérique, révélant que les villes plus anciennes ont tendance à avoir des rues plus larges et plus centrées sur la voiture, avec des distances de traversée médianes allant de 32 à 78 pieds.

L'essentiel

Imaginez que vous essayez de comprendre la facilité avec laquelle on peut traverser une rue en ville. La longueur de cette marche — la distance d'un trottoir à l'autre — est un facteur majeur pour déterminer si les gens se sentent en sécurité en traversant ou s'ils risquent d'être renversés par des voitures. Mais mesurer cette distance pour chaque intersection d'une ville, c'est comme essayer de compter chaque grain de sable sur une plage ; c'est trop vaste, trop complexe et cela prendrait beaucoup trop de temps à faire à la main pour des humains.

Ce document décrit une manière ingénieuse d'utiliser un « œil de robot » (Intelligence Artificielle) pour mesurer ces traversées de rues dans les 100 plus grandes villes des États-Unis, le tout en une seule fois. Voici comment ils ont procédé, décomposé en étapes simples :

1. Le Problème : Trop de rues à mesurer

Depuis des années, les chercheurs savent que les traversées plus longues sont plus dangereuses. Mais nous n'avions pas de carte des distances de traversée pour tout le pays. Les tentatives précédentes étaient comme essayer de peindre une fresque à la main : précises, mais incroyablement lentes et exigeantes en main-d'œuvre. Elles se concentraient également principalement sur les « bandes de zèbre » peintes sur la route, manquant ainsi de nombreuses traversées qui ne possèdent aucune peinture.

2. La Solution : Un travail de « Découper et Coller » numérique

Les chercheurs ont construit une chaîne de montage en trois étapes pour automatiser le processus :

• Étape 1 : Prendre les photos (Le cliché)
  Ils ont utilisé un programme informatique pour récupérer des photos satellites d'environ 3 millions d'intersections de rues à travers les 100 plus grandes villes des États-Unis. Considérez cela comme une prise de vue aérienne de chaque carrefour de l'Amérique.

• Étape 2 : Enseigner au robot (Le cours d'art)
  Ils avaient besoin que l'ordinateur fasse la différence entre une route (où circulent les voitures) et un trottoir (où marchent les piétons). Pour l'enseigner, ils ont montré à l'IA (appelée le « Segment Anything Model » de Meta) un petit lot de photos où des humains avaient manuellement colorié les trottoirs et les bâtiments.

  • L'analogie : Imaginez montrer à un enfant la photo d'un cookie et la photo d'une assiette, en coloriant l'assiette en bleu et le cookie en marron. Une fois que l'enfant a appris le modèle, vous pouvez lui donner une nouvelle image, et il pourra instantanément colorier l'assiette en bleu sans que vous ne lui disiez quoi faire.
  • Ils ont appris à l'IA à repérer les zones « non carrossables » (trottoirs, parcs, bâtiments) et à ignorer les routes carrossables.

• Étape 3 : La magie du « Grow-Cut » (Les ciseaux)
  C'est la partie la plus créative. Les chercheurs ont pris une carte numérique (OpenStreetMap) qui contenait des lignes approximatives indiquant où les traversées pourraient se trouver.

  • L'analogie : Imaginez que vous avez un morceau de ficelle posé sur une table, mais que la ficelle est trop longue et dépasse des bords. Vous avez une paire de ciseaux magiques qui ne coupent la ficelle que lorsqu'elle touche une zone colorée spécifique (le trottoir).
  • L'ordinateur a pris les lignes de traversée approximatives de la carte et les a fait « croître » légèrement. Ensuite, il a utilisé les « zones colorées » de l'IA (les trottoirs) comme guide pour « couper » les lignes exactement là où le trottoir commence. Cela leur a donné la distance précise d'un côté de la rue à l'autre.

3. Les Résultats : Une carte nationale des distances de marche

En exécutant ce processus, ils ont réussi à mesurer près de 800 000 traversées en environ une heure par ville.

• Quel est le degré de précision ?
  Ils ont testé ce système à San Francisco par rapport à des données vérifiées manuellement par des humains. L'IA était précise à 93 %. En moyenne, l'IA n'était décalée que d'environ 68 centimètres (2 pieds et 3 pouces) (moins d'un mètre). C'est comme deviner la longueur d'une voiture en se trompant de la longueur d'un seul pas.

• Qu'ont-ils découvert ?

  • Villes anciennes vs Villes nouvelles : Les anciennes villes américaines (fondées avant 1800) ont généralement des traversées plus courtes. Les villes plus récentes (fondées plus tard) ont des traversées beaucoup plus longues. Cela suggère qu'à mesure que l'Amérique s'est développée, elle a commencé à construire des rues plus larges conçues pour les voitures, ce qui rend la marche plus difficile.
  • La région compte : Les villes du Nord-Est et du Midwest ont tendance à avoir des traversées plus courtes (environ 9 mètres), tandis que les villes du Sud et de l'Ouest ont des traversées beaucoup plus longues (jusqu'à 24 mètres).
  • Le schéma : Dans presque toutes les villes, la plupart des traversées sont courtes (rues de quartier), mais il existe des « corridors » de traversées très longues (grandes autoroutes) qui se distinguent nettement.

4. Pourquoi cela importe

Cette étude donne aux urbanistes un « superpouvoir ». Au lieu de deviner ou de passer des années à mesurer les rues, ils disposent désormais d'une carte montrant exactement où les traversées sont trop longues. Cela les aide à décider où construire des îlots de sécurité ou raccourcir les trottoirs pour rendre la marche plus sûre, en particulier pour les personnes âgées, les parents avec des poussettes ou toute personne ayant des problèmes de mobilité.

5. Les Limites (Les « points de vigilance »)

Les auteurs sont honnêtes sur les points où leur méthode n'est pas parfaite :

• Problèmes d'arbres : Si une rue est couverte d'un feuillage épais, la caméra satellite ne peut pas voir le trottoir, l'IA peut donc s'embrouiller.
• Lacunes des cartes : Le système repose sur OpenStreetMap pour savoir où chercher une traversée. Si une traversée n'est pas sur cette carte, l'IA ne la mesurera pas.
• Ville manquante : Ils ont dû remplacer Anchorage, en Alaska, par une ville du Texas car les cartes satellites pour l'Alaska n'étaient pas disponibles dans le format dont ils avaient besoin.

En résumé, ce document montre comment nous pouvons utiliser une combinaison de photos satellites, d'une IA intelligente et d'une carte numérique pour mesurer instantanément à quel point nos villes sont « marchables », révélant que les villes américaines plus récentes sont construites plus larges pour les voitures, tandis que les plus anciennes sont plus serrées pour les piétons.

Résumé technique

Résumé Technique : Mise à l'échelle de l'analyse des passages piétons à 100 villes américaines via la segmentation par IA de l'imagerie satellite

Énoncé du problème
Des données précises et granulaires sur les dimensions des rues, spécifiquement les distances de traversée piétonne, sont essentielles pour évaluer l'impact de la conception urbaine sur les comportements de déplacement et la sécurité. Cependant, les ensembles de données existants sont souvent manquants, obsolètes, incomplets ou non exploitables par machine. Bien que des études de vision par ordinateur antérieures aient réussi à identifier les passages cloutés (ex: rayures « zébrées ») dans des villes limitées, elles ne parviennent pas à capturer les passages non marqués, qui constituent une part importante des intersections dans les villes américaines (ex: 42 % à San Francisco). De plus, les méthodes manuelles ou semi-automatisées précédentes pour mesurer les passages marqués et non marqués ont été laborieuses et manquaient de scalabilité à l'échelle nationale. Cette étude répond au besoin d'une méthode scalable, précise et reproductible pour mesurer les distances de traversée à travers les 100 plus grandes villes des États-Unis en utilisant uniquement des données librement disponibles.

Méthodologie
L'étude emploie un pipeline automatisé en trois étapes combinant les données d'OpenStreetMap (OSM) avec le modèle Segment Anything de Meta (SAM) pour traiter environ trois millions de tuiles d'imagerie satellite (8,3 téraoctets).

1. Segmentation d'images d'intersections :

   • Récupération des données : En utilisant OSMnx, les coordonnées de toutes les intersections de rues et des passages en milieu de bloc dans les 100 plus grandes villes des États-Unis ont été générées. Des tuiles d'imagerie satellite (rayon de 25 mètres, 1629x1629 pixels) ont été récupérées via l'API Google Maps.
   • Entraînement du modèle : Le modèle SAM (un modèle zero-shot) a été affiné pour différencier les surfaces carrossables (routes) des surfaces non carrossables (trottoirs, bâtiments, parcs, îlots de refuge).
   • Stratégie d'entraînement : Pour optimiser l'entraînement, 193 images d'intersections à haute entropie (sélectionnées pour leur complexité visuelle) provenant de 14 villes diverses ont été annotées manuellement. Le jeu de données a été augmenté par des inversions, rotations, floutages et ajout de bruit, portant l'ensemble d'entraînement à 5 790 images.
   • Post-traitement : Pour améliorer la précision, deux étapes correctives ont été appliquées :
     • Réduction des faux positifs : Les polygones chevauchant les zones tampons des axes centraux de rues OSM (1,2 m pour les routes non étiquetées, 2 m pour les routes primaires) ont été supprimés.
     • Correction des faux négatifs : Les polygones non carrossables manquants ont été complétés en fusionnant les empreintes de bâtiments extraites d'OSM.
   • Résultat : Le modèle a généré des masques au niveau du pixel des surfaces non carrossables, convertis en géométries polygonales mappées sur des coordonnées réelles.

2. Extraction des bords de traversée :

   • Les bords de traversée piétonne ont été extraits d'OSM.
   • Les traversées à nœud unique (courantes dans OSM) ont été converties en segments en faisant correspondre les nœuds aux « highway » (axes routiers) les plus proches.
   • Les doublons ont été fusionnés sur la base de la proximité spatiale (dans un rayon de 5 m) et de l'alignement directionnel (à moins de 5 degrés).

3. Algorithme Grow-Cut :

   • Les bords de traversée extraits ont été superposés sur les images satellites segmentées.
   • Un algorithme de type « grow-cut » a étendu chaque bord de 5 % à partir de ses extrémités tout en maintenant l'orientation.
   • L'algorithme a « coupé » les bords étendus là où ils intersectaient les polygones de surfaces non carrossables, produisant ainsi la distance de traversée finale.
   • Filtrage : Les résultats finaux ont été filtrés pour supprimer les doublons (tampons de 2 m) et les valeurs aberrantes (traversées < 6 pieds ou > 160 pieds).

Principales contributions

• Scalabilité : La méthode a réussi à traiter 808 377 passages piétons à travers les 100 plus grandes villes des États-Unis, avec un temps de traitement d'environ une heure par ville.
• Inclusivité des types de traversées : Contrairement aux études antérieures reposant sur les marquages visuels, cette approche capture à la fois les passages marqués et non marqués en exploitant la relation géométrique entre les bords de route et les surfaces non carrossables.
• Reproductibilité : L'ensemble du flux de travail utilise des données librement disponibles (OSM, Google Maps) et des modèles open-source (SAM), avec le code rendu public sur GitHub.
• Jeu de données national : L'étude produit le premier jeu de données national de distances de traversée piétonne, permettant des comparaisons inter-villes et régionales auparavant impossibles à cette échelle.

Résultats

• Précision : Validée par rapport à un ensemble de données vérifiées manuellement pour San Francisco, la méthode automatisée a atteint une précision de 93 % avec une erreur absolue médiane de 2 pieds 3 pouces (0,69 mètre). Le processus automatisé a couvert 72 % des passages présents dans le jeu de données manuel, une limite principalement due à la disponibilité des bords de traversée dans OSM.
• Motifs spatiaux :
  • Variance régionale : Les distances médianes de traversée varient de 32 pieds (9,8 m) à 78 pieds (23,8 m). Les traversées plus courtes se concentrent dans le Nord-Est et le Midwest (ex: Toledo, OH à ~32 pieds), tandis que les traversées plus longues sont prévalentes dans le Sud-Ouest et la côte Ouest (ex: North Las Vegas à ~78 pieds).
  • Forme urbaine : Les villes du Nord-Est et du Midwest présentent une distribution de pic près de 30 pieds, probablement en raison de leurs réseaux rectilignes. Les villes du Sud et de l'Ouest montrent un pic près de 40 pieds, reflétant des configurations plus tentaculaires et des corridors artériels plus larges.
• Corrélation historique : Une relation positive a été identifiée entre l'année d'incorporation d'une ville et la distance de traversée médiane. Les villes incorporées avant 1800 ont généralement des traversées plus courtes (~40 pieds), tandis que celles incorporées plus tard montrent une tendance progressive vers des conceptions de rues plus longues et plus axées sur l'automobile.

Signification et affirmations
L'article affirme que cette méthodologie ouvre de nouvelles perspectives sur les réseaux piétons à l'échelle nationale, démontant que la distance de traversée suit une « distribution normale décalée vers la gauche » universelle à travers les villes américaines, mais qu'elle est significativement modulée par la région et l'histoire urbaine. Les auteurs soutiennent que ces jeux de données permettent aux urbanistes et aux défenseurs de la sécurité de :

1. Identifier des quartiers et des corridors spécifiques pour des investissements ciblés dans le calme de la circulation.
2. Combiner les données de traversée avec d'autres attributs locaux (limites de vitesse, données de collisions, démographie) pour éclairer les redécoupages de rues.
3. Tester si les associations entre distance de traversée et sécurité piétonne, observées dans des études plus petites, se vérifient à l'échelle nationale.

L'étude conclut que l'accent croissant mis sur des rues plus larges et axées sur la voiture dans les villes plus récentes est quantitativement évident à travers des distances de traversée médianes plus longues. Les auteurs notent des limites, notamment une précision réduite dans les zones à canopée arborée dense (qui masque les trottoirs) et la dépendance à l'exhaustivité des données OSM, mais soulignent le potentiel de la méthode pour une adaptation à des contextes internationaux et à d'autres caractéristiques urbaines comme les infrastructures cyclables.