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

Questo articolo presenta un metodo scalabile guidato dall'IA che utilizza immagini satellitari e il Segment Anything Model per misurare automaticamente le distanze di attraversamento pedonale nelle 100 città più grandi d'America, rivelando che le città più antiche tendono ad avere strade più larghe e incentrate sulle auto con distanze di attraversamento del mediano che variano da 32 a 78 piedi.

L'essenziale

Immagina di cercare di capire quanto sia facile attraversare una strada in città. La lunghezza di quella camminata — la distanza da un marciapiede all'altro — è un fattore enorme nel determinare se le persone si sentono al sicuro nell'attraversare o se rischiano di essere investite dalle auto. Ma misurare questa distanza per ogni singola intersezione di una città è come cercare di contare ogni granello di sabbia su una spiaggia: è troppo grande, troppo caotico e richiede troppo tempo per gli esseri umani per farlo a mano.

Questo articolo descrive un modo intelligente per usare un "occhio robotico" (Intelligenza Artificiale) per misurare questi attraversamenti stradali nelle 100 più grandi città degli Stati Uniti tutto in una volta. Ecco come ci sono riusciti, suddiviso in semplici passaggi:

1. Il Problema: Troppe strade da misurare

Per anni, i ricercatori hanno saputo che gli attraversamenti più lunghi sono più pericolosi. Ma non avevamo una mappa delle distanze di attraversamento per l'intero paese. I tentativi precedenti erano come cercare di dipingere un murale a mano: accurati, ma incredibilmente lenti e laboriosi. Inoltre, cercavano principalmente le "strisce zebrate" dipinte sulla strada, trascurando molti attraversamenti che non hanno alcuna vernice.

2. La Soluzione: Un lavoro digitale di "ritaglio e incolla"

I ricercatori hanno costruito una catena di montaggio in tre fasi per automatizzare il processo:

• Passaggio 1: Scattare le foto (L'istantanea)
  Hanno usato un programma per computer per estrarre foto satellitari di circa 3 milioni di intersezioni stradali nelle 100 più grandi città degli Stati Uniti. Immaginate di scattare una foto dall'alto di ogni incrocio dell'America.

• Passaggio 2: Insegnare al robot (La lezione d'arte)
  Dovevano insegnare al computer la differenza tra una strada (dove passano le auto) e un marciapiede (dove camminano le persone). Per insegnarlo, hanno mostrato all'IA (chiamata "Segment Anything Model" di Meta) un piccolo gruppo di foto dove gli esseri umani avevano colorato manualmente i marciapiedi e gli edifici.

  • L'analogia: Immaginate di mostrare a un bambino la foto di un biscotto e la foto di un piatto, colorando il piatto di blu e il biscotto di marrone. Una volta che il bambino ha imparato lo schema, potete consegnargli una nuova foto e lui saprà istantaneamente colorare il piatto di blu senza che dobbiate dirglielo di nuovo.
  • Hanno insegnato all'IA a individuare le aree "non percorribili per auto" (marciapiedi, parchi, edifici) e a ignorare le strade percorribili.

• Passaggio 3: La magia del "Grow-Cut" (Le forbici)
  Questa è la parte più creativa. I ricercatori hanno preso una mappa digitale (OpenStreetMap) che conteneva linee approssimative indicanti dove potrebbero esserci degli attraversamenti.

  • L'analogia: Immaginate di avere uno spago steso su un tavolo, ma lo spago è troppo lungo e ricade dai bordi. Avete un paio di forbici magiche che tagliano lo spago solo quando tocca una zona di un colore specifico (il marciapiede).
  • Il computer ha preso le linee approssimative degli attraversamenti dal modello e le ha fatte "crescere" leggermente. Poi, ha usato le "zone colorate" dell'IA (i marciapiedi) come guida per "tagliare" le linee esattamente dove inizia il marciapiede. Questo ha fornito loro la distanza precisa da un lato della strada all'altro.

3. I Risultati: Una mappa nazionale delle distanze di cammino

Eseguendo questo processo, sono riusciti a misurare quasi 800.000 attraversamenti in circa un'ora per città.

• Quanto è accurato?
  Hanno testato il sistema a San Francisco confrontandolo con dati verificati a mano dagli esseri umani. L'IA era accurata al 93%. In media, l'IA sbagliava di soli circa 68 centimetri (2 piedi e 3 pollici) (meno di un metro). È come indovinare la lunghezza di un'auto sbagliando di un singolo passo.

• Cosa hanno scoperto?

  • Città vecchie vs Nuove: Le città americane più antiche (fondate prima del 1800) hanno generalmente attraversamenti più brevi. Le città più recenti (fondate più tardi) hanno attraversamenti molto più lunghi. Ciò suggerisce che, mentre l'America cresceva, ha iniziato a costruire strade più larghe progettate per le auto, rendendo più difficile il passaggio dei pedoni.
  • La regione conta: Le città del Nord-est e del Midwest tendono ad avere attraversamenti più brevi (circa 9 metri), mentre le città del Sud e dell'Ovest hanno attraversamenti molto più lunghi (fino a 24 metri).
  • Il modello: In quasi ogni città, la maggior parte degli attraversamenti è breve (strade di quartiere), ma esistono dei "corridoi" di attraversamenti molto lunghi (grandi autostrade) che risaltano.

4. Perché questo è importante

Questo studio offre ai pianificatori urbani un "superpotere". Invece di tirare a indovinare o passare anni a misurare le strade, ora hanno una mappa che mostra esattamente dove gli attraversamenti sono troppo lunghi. Questo aiuta a decidere dove costruire isole di sicurezza o accorciare i marciapiedi per rendere il camminare più sicuro, specialmente per gli anziani, i genitori con i passeggini o chiunque abbia problemi di mobilità.

5. Le limitazioni (I "problemi")

Gli autori sono onesti riguardo ai punti in cui il loro metodo non è perfetto:

• Problemi con gli alberi: Se una strada è coperta da foglie fitte, la telecamera satellitare non può vedere il marciapiede, quindi l'IA potrebbe confondersi.
• Lacune nelle mappe: Il sistema si affida a OpenStreetMap per sapere dove cercare un attraversamento. Se un attraversamento non è presente in quella mappa, l'IA non lo misurerà.
• Città mancante: Hanno dovuto sostituire Anchorage, in Alaska, con una città del Texas perché le mappe satellitari per l'Alaska non erano disponibili nel formato di cui avevano bisogno.

In breve, questo articolo mostra come possiamo usare una combinazione di foto satellitari, un'IA intelligente e una mappa digitale per misurare istantaneamente quanto siano "camminabili" le nostre città, rivelando che le città americane più recenti sono costruite più larghe per le auto, mentre quelle più antiche sono più strette per le persone.

Sommario tecnico

Sintesi Tecnica: Scalare l'Analisi degli Attraversamenti Pedonali a 100 Città Statunitensi tramite la Segmentazione di Immagini Satellitari basata su IA

Definizione del Problema
Dati accurati e granulari sulle dimensioni stradali, specificamente sulle distanze di attraversamento pedonale, sono essenziali per valutare l'impatto del design urbano sul comportamento di viaggio e sulla sicurezza. Tuttavia, i dataset esistenti sono spesso mancanti, obsoleti, incompleti o non leggibili dalle macchine. Sebbene precedenti studi di computer vision abbiano identificato con successo strisce pedonali segnalate (es. strisce "zebra") in città limitate, essi non riescono a catturare gli attraversamenti non segnalati, che costituiscono una parte significativa delle intersezioni nelle città americane (es. il 42% a San Francisco). Inoltre, i precedenti metodi manuali o semi-automatizzati per misurare sia gli attraversamenti segnalati che quelli non segnalati sono stati laboriosi e privi di scalabilità a livello nazionale. Questo studio affronta la necessità di un metodo scalabile, accurato e riproducibile per misurare le distanze di attraversamento attraverso le 100 più grandi città degli Stati Uniti utilizzando solo dati liberamente disponibili.

Metodologia
Lo studio impiega una pipeline automatizzata in tre fasi che combina i dati di OpenStreetMap (OSM) con il Segment Anything Model (SAM) di Meta per elaborare circa tre milioni di tile di immagini satellitari (8,3 terabyte).

1. Segmentazione delle Immagini delle Intersezioni:

   • Recupero dei Dati: Utilizzando OSMnx, sono state generate le coordinate di tutte le intersezioni stradali e gli attraversamenti in mezzo alla carreggiata nelle 100 più grandi città degli Stati Uniti. Le tile di immagini satellitari (raggio di 25 metri, 1629x1629 pixel) sono state recuperate tramite l'API di Google Maps.
   • Addestramento del Modello: Il SAM di Meta (un modello zero-shot) è stato perfezionato (fine-tuned) per differenziare le superfici percorribili (strade) dalle superfici non percorribili (marciapiedi, edifici, parchi, isole di rifugio).
   • Strategia di Addestramento: Per ottimizzare l'addestramento, 193 immagini di intersezioni ad alta entropia (selezionate per complessità visiva) da 14 città diverse sono state annotate manualmente. Il dataset è stato aumentato tramite flipping, rotazione, sfocatura e aggiunta di rumore, espandendo il set di addestramento a 5.790 immagini.
   • Post-Processing: Per migliorare l'accuratezza, sono stati applicati due passaggi correttivi:
     • Riduzione dei Falsi Positivi: I poligoni che si sovrappongono ai buffer delle linee centrali stradali di OSM (1,2 m per strade non taggate, 2 m per strade primarie) sono stati rimossi.
     • Correzione dei Falsi Negativi: I poligoni non percorribili mancanti sono stati integrati fondendo le impronte degli edifici estratte da OSM.
   • Output: Il modello ha generato maschere a livello di pixel delle superfici non percorribili, convertite in geometrie poligonali mappate su coordinate del mondo reale.

2. Estrazione dei Bordi di Attraversamento:

   • Gli spigoli degli attraversamenti pedonali sono stati estratti da OSM.
   • Gli attraversamenti a nodo singolo (comuni in OSM) sono stati convertiti in segmenti (edges) accoppiando i nodi all' "highway" edge più vicino.
   • I duplicati sono stati uniti in base alla prossimità spaziale (entro 5 m) e all'allineamento della direzione (entro 5 gradi).

3. Algoritmo Grow-Cut:

   • Gli spigoli degli attraversamenti estratti sono stati sovrapposti alle immagini satellitari segmentate.
   • Un algoritmo grow-cut ha espanso ogni spigolo del 5% dai suoi endpoint mantenendo l'orientamento.
   • L'algoritmo ha "tagliato" gli spigoli espansi dove intersecavano i poligoni delle superfici non percorribili, fornendo la distanza finale dell'attraversamento.
   • Filtraggio: Gli output finali sono stati filtrati per rimuovere i duplicati (buffer entro 2 m) e gli outlier (attraversamenti < 6 piedi o > 160 piedi).

Contributi Chiave

• Scalabilità: Il metodo ha elaborato con successo 808.377 attraversamenti pedonali in 100 città degli Stati Uniti, con un tempo di elaborazione di circa un'ora per città.
• Inclusività dei Tipi di Attraversamento: A differenza di studi precedenti basati su segnaletica visiva, questo approccio cattura sia gli attraversamenti segnalati che quelli non segnalati, sfruttando la relazione geometrica tra i bordi stradali e le superfici non percorribili.
• Riproducibilità: L'intero flusso di lavoro utilizza dati liberamente disponibili (OSM, Google Maps) e modelli open-source (SAM), con il codice reso pubblico su GitHub.
• Dataset Nazionale: Lo studio produce il primo dataset nazionale delle distanze di attraversamento pedonale, consentendo confronti inter-cittadini e regionali precedentemente impossibili a questa scala.

Risultati

• Accuratezza: Validato rispetto a un dataset verificato manualmente per San Francisco, il metodo automatizzato ha raggiunto un'accuratezza del 93% con un errore assoluto mediano di 2 piedi e 3 pollici (0,69 metri). Il processo automatizzato ha coperto il 72% degli attraversamenti presenti nel dataset manuale, limitato principalmente dalla disponibilità degli spigoli di attraversamento in OSM.
• Modelli Spaziali:
  • Varianza Regionale: Le distanze mediane di attraversamento variano da 32 piedi (9,8 m) a 78 piedi (23,8 m). Gli attraversamenti più brevi si concentrano nel Nordest e nel Midwest (es. Toledo, OH a ~32 ft), mentre gli attraversamenti più lunghi sono prevalenti nel Sudovest e sulla Costa Ovest (es. North Las Vegas a ~78 ft).
  • Forma Urbana: Le città del Nordest e del Midwest mostrano una distribuzione di picco vicino ai 30 piedi, probabilmente a causa di griglie rettilinee. Le città del Sud e dell'Ovest mostrano un picco vicino ai 40 piedi, riflettendo layout più dispersivi e corridoi arteriosi più ampi.
• Correlazione Storica: È stata identificata una relazione positiva tra l'anno di incorporazione di una città e la distanza mediana di attraversamento. Le città incorporate prima del 1800 hanno generalmente attraversamenti più brevi (~40 ft), mentre quelle incorporate successivamente mostrano una tendenza progressiva verso design stradali più lunghi e incentrati sull'auto.

Significatività e Rivendicazioni
L'articolo sostiene che questa metodologia sblocca nuove intuizioni sulle reti pedonali su scala nazionale, dimostrando che la distanza di attraversamento segue una "distribuzione normale spostata a sinistra" universale tra le città degli Stati Uniti, ma è significativamente modulata dalla regione e dalla storia urbana. Gli autori affermano che questi dataset permettono ai pianificatori e agli attivisti per la sicurezza di:

1. Identificare quartieri e corridoi specifici per investimenti mirati di moderazione del traffico.
2. Combinare i dati di attraversamento con altri attributi locali (limiti di velocità, dati sugli incidenti, demografia) per informare la riprogettazione delle strade.
3. Testare se le associazioni tra distanza di attraversamento e sicurezza pedonale, osservate in studi più piccoli, si mantengono su scala nazionale.

Lo studio conclude che l'enfasi crescente su strade più larghe e incentrate sull'auto nelle città più recenti è quantitativamente evidente attraverso le distanze mediane di attraversamento più lunghe. Gli autori segnalano i limiti, tra cui la ridotta accuratezza nelle aree con fitta chioma arborea (che oscura i marciapiedi) e la dipendenza dalla completezza dei dati OSM, ma sottolineano il potenziale del metodo per l'adattamento in contesti internazionali e per altre caratteristiche urbane come le infrastrutture ciclabili.