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

Cet article présente l'adaptation de la plateforme Project Sidewalk pour la ville de Chandigarh en Inde, en intégrant des guides d'annotation basés sur des modèles de vision par langage pour évaluer l'accessibilité des trottoirs et identifier des améliorations d'infrastructure autour de points d'intérêt clés.

L'essentiel

🌍 Le Grand Défi : Rendre la ville accessible à tous

Imaginez que vous êtes aveugle, ou que vous utilisez un fauteuil roulant. Pour vous, marcher dans une ville n'est pas aussi simple que pour quelqu'un qui marche bien. Un trottoir qui manque, une marche trop haute, ou un stand de vendeur qui bloque le passage peuvent transformer un simple trajet vers l'épicerie en une mission impossible.

Les chercheurs de ce papier veulent résoudre ce problème à Chandigarh, en Inde, une ville connue pour son plan en grille très ordonné. Leur objectif ? Créer une carte numérique qui dit : "Ici, c'est facile de passer. Là-bas, attention, c'est un obstacle."

🛠️ L'Outil : "Project Sidewalk" (Le Projet Trottoir)

Pour faire cela, ils utilisent un outil appelé Project Sidewalk.

• L'idée de base : Au lieu d'envoyer des milliers de personnes marcher partout dans la ville (ce qui coûterait une fortune et prendrait des années), ils utilisent Google Street View.
• Le jeu : Des bénévoles ("annotateurs") regardent des photos de rues sur un ordinateur et cliquent pour signaler les problèmes : "Il manque une rampe", "Le sol est en boue", "Il y a un arbre qui bloque".

Cependant, cet outil a été créé aux États-Unis. Si on l'utilise tel quel en Inde, c'est comme essayer de conduire une voiture américaine sur des routes de montagne indiennes : ça ne fonctionne pas bien !

🇮🇳 Le Problème : L'Inde est différente des États-Unis

Les chercheurs ont réalisé que le trottoir indien est un animal différent :

1. Le trottoir n'est pas toujours un trottoir : Parfois, on marche sur la route, parfois sur un chemin de terre, parfois sur un trottoir en briques cassées.
2. Les obstacles sont différents : Aux USA, on signale des bornes incendie ou des boîtes aux lettres. En Inde, les obstacles sont des charrettes de vendeurs, des motos garées n'importe où, ou des canaux d'égout à ciel ouvert.
3. Le vocabulaire ne colle pas : Le mot "Rampe de trottoir" (Curb Ramp) aux USA implique une pente en béton lisse. En Inde, la "transition" peut être une pente improvisée, une marche en escalier, ou un trou rempli de boue.

🤖 La Solution Magique : L'Assistant IA (Le "Guide de Mission")

Pour aider les bénévoles à ne pas se perdre, les chercheurs ont ajouté un cerveau artificiel (une Intelligence Artificielle visuelle) qui agit comme un guide de voyage intelligent.

• Comment ça marche ? Avant que l'utilisateur ne commence à regarder une rue, l'IA analyse la photo de la rue et le type de route (résidentielle, commerciale, etc.).
• L'analogie : Imaginez que vous jouez à un jeu vidéo. Avant d'entrer dans un niveau, le jeu vous dit : "Attention, ici il y a beaucoup de boue et des vendeurs de rue, concentrez-vous sur les obstacles au sol." Au lieu de vous lancer aveuglément, l'IA vous donne des indices précis sur ce que vous allez voir.
• Le résultat : Les bénévoles ont trouvé cet assistant très utile (note de 4,66 sur 5). Cela les a aidés à mieux comprendre ce qu'ils devaient signaler sans se sentir submergés.

🗺️ La Mission : Cartographier Chandigarh

Avec cet outil amélioré, l'équipe a exploré 40 kilomètres de rues dans trois quartiers très différents de Chandigarh :

1. Un quartier résidentiel (des maisons, des familles).
2. Un quartier commercial (des magasins, des restaurants).
3. Un quartier institutionnel (un grand hôpital, une université).

Ils se sont concentrés sur les lieux importants (les "Points d'Intérêt") : les hôpitaux, les écoles, les banques, les gares de bus. Ils ont demandé : "Est-ce qu'on peut facilement aller de la maison à l'hôpital ?"

📊 Ce qu'ils ont découvert (Les Résultats)

Après avoir analysé environ 230 lieux importants, ils ont trouvé 1 644 endroits où de petites réparations pourraient grandement améliorer la vie des gens.

Voici les grandes tendances, comme si on regardait un tableau de bord :

• Les zones commerciales sont les plus "faciles" : Les magasins et les centres commerciaux ont généralement de meilleurs trottoirs. C'est logique, car les gens y dépensent de l'argent.
• Les écoles et les transports sont les plus "difficiles" : C'est là qu'il y a le plus de problèmes. Les arrêts de bus et les écoles sont souvent mal desservis, ce qui est très pénible pour les familles et les personnes à mobilité réduite.
• L'hôpital est bien, mais pas tout le reste : Dans le quartier de l'hôpital, l'accès aux bâtiments médicaux est correct, mais trouver un arrêt de bus ou un restaurant à proximité est un vrai casse-tête.

🚀 Pourquoi c'est important ?

Ce papier ne se contente pas de dire "c'est nul". Il donne une carte au trésor pour les décideurs.
Au lieu de réparer toute la ville au hasard, les autorités peuvent maintenant regarder cette carte et dire : "Regardez, si on répare ces 100 mètres de trottoir devant l'école, on aide des milliers d'enfants et de personnes âgées."

C'est une première étape majeure pour rendre les villes indiennes plus inclusives, en utilisant la technologie non pas pour remplacer l'humain, mais pour l'aider à voir ce qu'il ne voit pas toujours.

En résumé : Ils ont pris un outil américain, l'ont "indianisé" avec un peu d'IA pour le rendre plus intelligent, et ont découvert que si certains quartiers sont bien, les lieux essentiels pour la vie quotidienne (écoles, transports) ont encore beaucoup de chemin à faire pour être accessibles à tous.

Résumé technique

1. Problématique

L'urbanisation équitable et inclusive est un principe clé du développement urbain moderne, mais la collecte de données fiables et rentables sur l'accessibilité des trottoirs reste un défi majeur, en particulier dans les pays en développement comme l'Inde.

• Contexte : Les outils existants de cartographie d'accessibilité (comme Project Sidewalk) ont été principalement développés et déployés dans des contextes nord-américains et européens.
• Défi spécifique : L'adaptation de ces outils à des villes indiennes comme Chandigarh est complexe en raison de différences fondamentales dans l'infrastructure (absence de trottoirs standardisés, présence de vendeurs de rue, transitions de bordures improvisées, mélange piétons-véhicules). Les labels et exemples visuels originaux sont souvent inadaptés ou confus pour les annotateurs locaux.
• Objectif : Développer une méthode pour cartographier l'accessibilité à l'échelle de la ville en adaptant l'interface utilisateur et en intégrant l'IA pour guider les annotateurs humains, tout en se concentrant sur les points d'intérêt (POI) pour prioriser les interventions.

2. Méthodologie

L'équipe a adapté la plateforme Project Sidewalk pour le contexte indien en trois étapes principales :

A. Adaptation de l'interface et du schéma de label

Pour refléter la réalité des rues de Chandigarh, les auteurs ont modifié l'interface de crowdsourcing :

• Refonte des labels : Le label « Curb Ramp » (Rampe de bordure) a été remplacé par « Curb Style » (Style de bordure) pour capturer la diversité des transitions (pentes improvisées, marches, bordures brisées).
• Ajout/Suppression de tags : De nouveaux obstacles spécifiques à l'Inde ont été ajoutés (vendeurs de rue, drains, deux-roues stationnés), tandis que des éléments non pertinents (bornes incendie, boîtes aux lettres) ont été supprimés.
• Localisation visuelle : Toutes les images d'exemple et les infobulles ont été remplacées par des captures d'écran réelles de Chandigarh pour réduire l'ambiguïté.

B. Intégration de la Guidance de Mission par VLM (Vision-Language Model)

Pour réduire la charge cognitive des annotateurs et améliorer la cohérence, un système de guidance assistée par l'IA a été intégré :

• Fonctionnement : Un modèle de langage visuel (Gemini 2.5-flash) génère des instructions contextuelles en temps réel au début de chaque segment de rue.
• Entrées du modèle : Le type de route (OSM : résidentielle, secondaire, tertiaire) et les panoramas Google Street View (début et fin du segment).
• Sortie : Une instruction naturelle (ex: « Sur cette rue résidentielle, traitez la route elle-même comme un chemin piéton et cherchez des obstacles comme des scooters stationnés »).
• Objectif : Guider l'annotateur sur ce qu'il doit chercher sans automatiser le processus de labellisation.

C. Analyse centrée sur les Points d'Intérêt (POI)

Au lieu de cartographier l'ensemble de la ville de manière uniforme, l'étude se concentre sur un rayon de 1 km autour de 230 POIs sélectionnés dans trois secteurs de Chandigarh :

• Secteurs analysés : 45 (résidentiel), 34 (commercial), 12 (institutionnel/hôpital).
• Métriques : Calcul d'un score d'accessibilité (AccessScore) à trois niveaux : segment de rue, POI, et agrégation par secteur. Le score pondère la présence et la sévérité des obstacles (de 0,2 à 1,0).

3. Contributions Clés

1. Adaptation contextuelle de Project Sidewalk : Première déployement de l'outil en Inde, avec une refonte complète du schéma de taxonomie pour correspondre aux infrastructures locales.
2. Guidage IA (VLM) : Intégration d'un système de guidance contextuelle basé sur un modèle VLM pour aider les annotateurs à naviguer dans des environnements urbains hétérogènes.
3. Analyse comparative inter-sectorielle : Une évaluation de l'accessibilité à travers 40 km de trottoirs et 230 POIs, fournissant des données granulaires sur les inégalités d'accès selon l'usage des sols (résidentiel, commercial, institutionnel).

4. Résultats

Évaluation de la Guidance VLM

Une étude avec 3 annotateurs a évalué la qualité des messages générés par l'IA sur 50 segments de rue :

• Pertinence (Relevance) : Note moyenne de 4,97/5 (très élevée).
• Utilité (Usefulness) : Note moyenne de 4,61/5.
• Précision (Accuracy) : Note moyenne de 4,40/5.
• Conclusion : Les annotateurs ont trouvé le guide très pertinent et utile, bien que quelques messages aient nécessité des ajustements pour plus de précision. L'accord inter-annotateurs sur l'utilité était substantiel.

Résultats de l'Analyse d'Accessibilité à Chandigarh

Sur les 40 km de routes auditées (environ 2 913 emplacements) :

• Défauts identifiés : 1 644 emplacements nécessitent des améliorations d'infrastructure.
• Comparaison des secteurs :
  • Les zones commerciales (Secteur 34) présentent globalement les meilleures conditions d'accès.
  • Les zones éducatives et de services publics (Secteurs 12 et 45) affichent des scores plus faibles.
  • Dans le secteur institutionnel (Secteur 12), l'accès aux établissements de santé est correct, mais les points d'intérêt quotidiens (transports, alimentation) sont moins accessibles.
• Catégories critiques : Les catégories « Éducation » et « Transport » obtiennent les scores les plus bas à travers tous les secteurs, indiquant un besoin prioritaire d'intervention.
• Distribution des scores : Une longue « queue négative » a été observée, indiquant que de nombreux segments de rue souffrent de problèmes d'accessibilité substantiels.

5. Signification et Impact

• Modèle reproductible : Cette étude démontre qu'il est possible de déployer des outils de crowdsourcing d'accessibilité dans des contextes du Sud global en adaptant non seulement les données, mais aussi l'interface et le support cognitif (via l'IA).
• Prise de décision locale : En fournissant des données géolocalisées et des scores d'accessibilité par type de POI, l'étude offre aux autorités urbaines de Chandigarh (et potentiellement d'autres villes indiennes) des informations actionnables pour prioriser les investissements dans l'infrastructure piétonne.
• Inclusion sociale : L'approche met en lumière les inégalités micro-échelles souvent ignorées par les indicateurs macro-urbains, en particulier pour les personnes à mobilité réduite, les personnes âgées et les usagers vulnérables.
• Futur : Ce travail pose les bases pour une cartographie de l'accessibilité à l'échelle nationale en Inde, en combinant l'expertise humaine et l'assistance par l'IA pour surmonter les défis de la diversité infrastructurelle.