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

Este artigo descreve a adaptação da plataforma Project Sidewalk para Chandigarh, Índia, integrando orientações baseadas em Modelos de Linguagem Visual (VLM) para melhorar a anotação de acessibilidade e realizar uma análise centrada em Pontos de Interesse que identificou mais de 1.600 locais onde melhorias na infraestrutura são necessárias.

O essencial

Imagine que você está tentando desenhar um mapa do tesouro para pessoas que usam cadeiras de rodas, bengalas ou apenas têm dificuldade para caminhar. O "tesouro" são os lugares importantes da cidade: hospitais, escolas, mercados e parques. Mas, para chegar lá, você precisa saber se o caminho é seguro ou se está cheio de buracos, pedras soltas e obstáculos.

Este artigo conta a história de como os pesquisadores adaptaram uma ferramenta inteligente chamada Project Sidewalk para a cidade de Chandigarh, na Índia, e como usaram uma "inteligência artificial de olho" para ajudar pessoas comuns a mapearem esses caminhos.

Aqui está a explicação, passo a passo, usando analogias simples:

1. O Problema: O Mapa do Tesouro Incompleto

Pense na cidade como um grande quebra-cabeça. Sabemos onde estão as casas e as lojas, mas não sabemos se o "chão" entre elas é bom para todos. Na Índia, as calçadas são muito diferentes das dos Estados Unidos ou da Europa. Lá, às vezes não há calçada de verdade; as pessoas andam na beira da estrada, em meio a vendedores ambulantes, buracos de drenagem e motos estacionadas.

Se você tentar usar um mapa feito para os EUA na Índia, seria como tentar usar um manual de instruções de um carro americano para consertar um triciclo indiano: as peças não encaixam e as instruções não fazem sentido.

2. A Solução: Adaptando a Ferramenta (O "Kit de Ferramentas" Personalizado)

Os pesquisadores pegaram a ferramenta original (o Project Sidewalk) e fizeram uma "cirurgia plástica" nela para a realidade indiana:

• Rótulos Reais: No original, havia um botão para "Rampa de Calçada Perfeita". Na Índia, isso é raro. Eles mudaram para um botão mais amplo chamado "Estilo de Calçada", que aceita desde rampas de concreto até desníveis improvisados de tijolos.
• Exemplos Locais: Em vez de mostrar fotos de calçadas americanas, eles colocaram fotos de Chandigarh. É como trocar o cardápio de um restaurante italiano por um de comida indiana: você mostra o que o cliente realmente vai encontrar.
• O "GPS" da IA (Guia de Missão): Aqui entra a parte mágica. Eles usaram um modelo de Inteligência Artificial (VLM) que age como um guia turístico sábio.
  • Como funciona: Quando o voluntário começa a "caminhar" virtualmente por uma rua, a IA olha para a foto da rua e para o tipo de estrada (se é residencial, comercial, etc.).
  • A analogia: Imagine que você está jogando um videogame. De repente, um personagem aparece e diz: "Ei, você está numa rua de bairro estreita. Olhe para o chão, porque aqui as motos costumam bloquear o caminho, e não procure por rampas, elas são raras aqui." Isso ajuda o jogador a saber exatamente o que procurar, sem se perder.

3. A Missão: Mapeando Chandigarh

Com essa ferramenta adaptada, eles escolheram três tipos de bairros em Chandigarh para testar:

1. Residencial (Setor 45): Onde as pessoas moram.
2. Comercial (Setor 34): Onde estão as lojas e restaurantes.
3. Institucional (Setor 12): Onde ficam o hospital e a universidade.

Eles focaram em um raio de 1 km ao redor de 230 pontos de interesse (como hospitais, escolas e bancos). Foi como fazer uma "varredura de saúde" de 40 km de ruas, olhando para cada detalhe: buracos, obstáculos, sinalização e se a calçada existe mesmo.

4. O Que Eles Descobriram? (Os Resultados)

Ao final da varredura, eles encontraram 1.644 lugares onde uma pequena reparação poderia melhorar muito a vida das pessoas.

• O "Melhor Aluno": As áreas comerciais (lojas e restaurantes) tinham as melhores calçadas. É como se o comércio cuidasse melhor do caminho para atrair clientes.
• Os "Precisam de Ajuda": As áreas de educação (escolas/universidades) e serviços públicos (hospitais, transporte) estavam em pior situação.
  • Uma ironia: No setor do hospital (Institucional), o caminho até o hospital em si era razoável, mas os pontos de ônibus e as padarias ao redor eram péssimos. É como ter uma porta da frente bonita, mas o jardim estar cheio de espinhos.
• A IA Funcionou: Os voluntários que testaram o guia da IA deram uma nota de 4,66 em 5. Eles disseram que a IA ajudou muito a entender o que olhar, tornando a tarefa menos confusa e mais rápida.

5. Por Que Isso é Importante?

Este trabalho é como dar um raio-X para a cidade. Antes, os governos não sabiam exatamente onde estavam os maiores problemas. Agora, eles têm um mapa colorido que mostra: "Aqui precisamos consertar a calçada para o hospital", ou "Ali precisamos remover as motos estacionadas".

A ideia é que, ao focar nos lugares que as pessoas realmente usam (os Pontos de Interesse), o dinheiro e o esforço de conserto vão para onde realmente importam, tornando a cidade mais justa e acessível para todos, não apenas para quem tem pernas fortes.

Em resumo: Eles pegaram uma tecnologia de mapeamento, ensinaram a ela a "idioma" e a "cultura" das ruas da Índia, usaram uma IA como um guia inteligente e descobriram onde a cidade precisa de um "curativo" urgente para que ninguém fique de fora.

Resumo técnico

Título: Mapeamento de Acessibilidade Humano-IA na Índia: Anotações Guiadas por VLM e Análise Centrada em POIs em Chandigarh

1. Problema

O mapeamento de acessibilidade em cidades é crucial para a equidade urbana e inclusão, conforme destacado pela Agenda Urbana da ONU. No entanto, existem desafios significativos na adaptação de ferramentas de auditoria de calçadas existentes (como o Project Sidewalk, originalmente desenvolvido para contextos dos EUA e Europa) para cidades indianas.

• Divergência Contextual: A infraestrutura de calçadas na Índia difere fundamentalmente dos padrões ocidentais. Calçadas padronizadas são raras; pedestres frequentemente caminham em vias compartilhadas, acostamentos informais ou calçadas descontínuas. Elementos como rampas de calçada (curb ramps) seguem padrões variados (improvisados, com degraus, ou inexistentes), e obstáculos comuns incluem vendedores ambulantes, drenagens e motocicletas estacionadas.
• Limitações das Ferramentas Atuais: O uso direto das etiquetas e exemplos visuais do Project Sidewalk original gera confusão e ambiguidade para anotadores indianos, pois as categorias de "rampa de calçada" ou "obstáculos" não capturam a realidade local.
• Necessidade de Dados Locais: Há uma falta de dados granulares e acionáveis sobre acessibilidade em cidades indianas para orientar melhorias na infraestrutura pública e informar usuários sobre rotas acessíveis.

2. Metodologia

Os autores propõem uma adaptação do Project Sidewalk para o contexto de Chandigarh, Índia, integrando Inteligência Artificial Generativa e uma análise centrada em Pontos de Interesse (POIs).

• Adaptação da Interface e Taxonomia:

  • Revisão de Etiquetas: A etiqueta "Curb Ramp" (Rampa de Calçada) foi substituída por "Curb Style" (Estilo de Calçada) para capturar a diversidade de transições (ladeiras, degraus, improvisações).
  • Novos Tags: Adição de obstáculos específicos da Índia (vendedores, drenagens, motos estacionadas) e remoção de tags irrelevantes (hidrantes, caixas de correio).
  • Exemplos Visuais: Todas as imagens de referência foram substituídas por fotos reais de Chandigarh para reduzir a ambiguidade na avaliação de severidade.

• Guia de Missão Assistido por VLM (Visual Language Model):

  • Um modelo de linguagem visual (Gemini 2.5-flash) foi integrado para fornecer orientações contextuais "just-in-time".
  • Entrada do Modelo: O VLM recebe o tipo de estrada (do OpenStreetMap) e as imagens panorâmicas de início e fim do segmento da rua (Google Street View).
  • Saída: O modelo gera instruções em linguagem natural sobre quais barreiras são prováveis naquele segmento específico (ex.: em ruas residenciais, focar em obstáculos no asfalto; em vias secundárias, focar em rampas e faixas de pedestres).
  • Objetivo: Reduzir a carga cognitiva do anotador e melhorar a consistência das anotações sem automatizar totalmente o processo.

• Seleção de Áreas e POIs:

  • Foram selecionados três setores representativos de Chandigarh com diferentes usos de solo: Setor 45 (Residencial), Setor 34 (Comercial) e Setor 12 (Institucional/Hospitalar).
  • Identificaram-se 230 POIs (hospitais, escolas, lojas, etc.) e mapeou-se um raio de caminhada de 1 km ao redor de cada um, totalizando cerca de 40 km de ruas auditadas.
  • Filtrou-se apenas os segmentos com cobertura de Google Street View (GSV) de pelo menos 75%.

• Métricas de Acessibilidade:

  • Desenvolveu-se uma pontuação de acessibilidade (Access Score) ponderada pela severidade das falhas (escala de 1 a 3 convertida em pesos de 0.2 a 1.0).
  • Cálculos realizados em três níveis: segmento de rua, POI individual e agregado por setor.

3. Contribuições Principais

1. Adaptação Cultural e Técnica: Primeira implementação do Project Sidewalk na Índia, com uma interface redefinida e taxonomia de dados contextualizada para a infraestrutura urbana indiana.
2. Integração de VLM para Orientação: Criação e validação de um sistema de guia de missão baseado em VLM que fornece contexto específico por segmento de rua, demonstrando alta utilidade para anotadores humanos.
3. Análise Centrada em POIs: Um estudo de caso abrangente que mapeia a acessibilidade em torno de 230 pontos de interesse críticos em três setores distintos, fornecendo uma visão granular das desigualdades de acesso.
4. Conjunto de Dados e Métricas: Geração de dados sobre 1.644 locais de melhoria em 40 km de infraestrutura, com métricas agregadas para comparação entre setores e tipos de uso do solo.

4. Resultados

• Avaliação do Guia VLM: A utilidade do guia assistido por IA foi avaliada por 3 anotadores em uma escala Likert (1-5).
  • Pontuação Média de Utilidade: 4.66/5.
  • Relevância: Média de 4.97 (alta concordância entre avaliadores).
  • Precisão e Utilidade: Médias de 4.40 e 4.61, respectivamente.
  • O sistema demonstrou ser eficaz em orientar os usuários sobre o que procurar em diferentes contextos de rua.
• Descobertas de Acessibilidade em Chandigarh:
  • Desigualdades Setoriais: Áreas comerciais (Setor 34) apresentaram melhor acessibilidade geral. Áreas educacionais e de serviços públicos (Setor 12 e 45) mostraram lacunas significativas.
  • Paradoxo Institucional: No Setor 12 (institucional), a acessibilidade ao redor de hospitais e centros de saúde foi relativamente boa, mas locais de uso cotidiano, como paradas de transporte e restaurantes, apresentaram baixa acessibilidade.
  • Problemas Críticos: A análise revelou uma "cauda negativa longa" nas pontuações dos segmentos, indicando que muitos trechos possuem problemas substanciais de infraestrutura.
  • Impacto: Identificação de 1.644 locais específicos onde intervenções de infraestrutura poderiam melhorar significativamente a acessibilidade.

5. Significado e Impacto

Este trabalho representa um avanço significativo na interseção entre HCI (Interação Humano-Computador), Visão Computacional e Planejamento Urbano no Sul Global.

• Validação de IA Contextual: Demonstra que modelos de linguagem visual podem ser usados com sucesso para adaptar ferramentas de crowdsourcing a novos contextos geográficos, reduzindo a barreira de entrada para anotadores humanos.
• Política Pública e Ação Local: Fornece aos governos locais e planejadores urbanos dados acionáveis e priorizados. Ao focar em POIs, a metodologia ajuda a identificar onde as melhorias trarão o maior retorno social (ex.: garantir acesso a escolas e hospitais).
• Escalabilidade: O framework desenvolvido pode ser replicado em outras cidades indianas e em desenvolvimento, onde a infraestrutura de pedestres é heterogênea e muitas vezes não padronizada, preenchendo uma lacuna crítica na literatura de mapeamento de acessibilidade que historicamente focou no Ocidente.

Em suma, o artigo não apenas adapta uma ferramenta existente, mas inova ao integrar IA generativa para guiar a coleta de dados humanos, resultando em um mapa de acessibilidade mais preciso e culturalmente relevante para a Índia.