OmniAcc : quand l’IA se met vraiment au service de l’accessibilité
À propos du papier : OmniAcc: Personalized Accessibility Assistant Using Generative AI, Karki, Han, Mahmud, Bhunia, Femiani, Raychoudhury — AAAI 2025 Workshop on AI for Urban Planning (11 pages, 9 figures).
Introduction — La bonne techno est celle qui aide
On a tous croisé des trottoirs trop hauts, des escaliers sans rampe, des passages piétons effacés. Pour beaucoup, c’est une gêne. Pour une personne en fauteuil, c’est un mur. Ce papier m’a happé parce qu’il propose un système qui ne se contente pas de reconnaître des chats en 4K : il rend la ville praticable. OmniAcc, c’est l’idée simple et ambitieuse d’assembler un LLM (GPT‑4), de l’imagerie satellite et les données d’OpenStreetMap pour repérer ce qui rend un trajet faisable (rampes, passages, pentes…) et guider quelqu’un sans friction. La tech devrait toujours faire ça : se mettre au service des gens.
Résumé vulgarisé — Les grandes idées sans le jargon
Le système prend trois ingrédients et les met au travail. D’abord, des images satellites qui montrent l’état réel du terrain. Ensuite, OpenStreetMap, la base cartographique ouverte où la communauté décrit routes, trottoirs, tags crossing=*, kerb=*, etc. Enfin, GPT‑4, qui joue le chef d’orchestre : il lit, décrit, classe, explique et répond à des questions d’accessibilité comme on parlerait à un humain. Plutôt que d’entraîner un lourd modèle de vision, les auteurs s’appuient sur de l’apprentissage zéro‑shot : de bons prompts suffisent souvent à reconnaître des motifs (zébrures d’un passage, bords de trottoir, etc.), avec une validation structurée quand l’incertitude est trop haute. OmniAcc n’est pas qu’un classifieur : c’est un assistant de navigation qui personnalise des itinéraires, répond en mains libres et donne des réponses instantanées sur l’accessibilité d’un lieu.
Dans son étude de cas, l’équipe se concentre sur la détection des passages piétons et annonce une précision de 97,5 %. Ce n’est pas un “score Kaggle” abstrait : c’est le genre de performance qui change une journée, parce qu’un seul passage manquant peut rallonger un trajet de plusieurs minutes — ou le rendre impossible.
Méthodologie — Une cuisine pragmatique, pas un château de cartes
Visualisez un petit poste de commande. À gauche, la carte OSM donne le cadre et les métadonnées ; à droite, l’imagerie montre la texture du réel ; au centre, un agent LLM qui orchestre : il propose des candidats (par exemple des zébrures qui “ressemblent” à un crosswalk), croise avec OSM pour affiner, et explique ses décisions. Plutôt que de courir après 10 000 annotations, les auteurs misent sur un pipeline guidé par prompts : description → hypothèse → vérification ; et si le doute persiste, un workflow humain‑dans‑la‑boucle prend le relais pour confirmer, corriger, enrichir. L’ensemble vise la rapidité de prototypage et une mise en production réaliste dans une app de guidage accessible.
Côté usage, les promesses sont claires : itinéraires personnalisés, navigation mains libres, réponses instantanées. J’aime bien l’honnêteté du papier : il ne vend pas une omniscience artificielle, il assume l’incertitude et prévoit des mécanismes pour la traiter (explications, validations, boucles d’amélioration). Comme le résument les auteurs, « OmniAcc offers personalized route planning, real‑time hands‑free navigation, and instant query responses regarding physical accessibility. »
Ce que ça change pour l’IA appliquée — Leçon d’humilité et de design
OmniAcc est un rappel salutaire : parfois, de bonnes données + de bons prompts + un bon protocole valent mieux qu’un nouveau modèle XXL. On peut lire ce travail comme une forme de RAG géospatial : on aligne des sources hétérogènes (images, graphes routiers, POI) et on demande au LLM de raisonner et justifier, pas juste de “deviner”. Ce design facilite l’auditabilité (on sait pourquoi l’assistant a conseillé tel détour), et la calibration (on peut décider quand s’abstenir ou demander confirmation). Tout ce qui rend une IA fiable dans la vraie vie.
D’un point de vue produit, c’est aussi une posture éthique : reconnaître que la donnée est imparfaite (OSM n’est pas homogène, les images vieillissent), expliciter les limites, et laisser la main à l’utilisateur. L’assistant devient un co‑pilote qui explique, plutôt qu’un oracle qui assène.
Mise en perspective — De la ville à vos projets (et à mes jeux)
Pour un développeur, OmniAcc est un terrain d’expérimentation en or. On peut imaginer un prototype en quelques sprints : ingestion OSM, extraction dalles satellite, prompts zéro‑shot qui renvoient des objets structurés (type, coordonnées, confiance, justification), un petit tableau de bord de validation, et un moteur de routage (OSRM/GraphHopper) adapté à l’accessibilité. À chaque itération, la boucle humaine corrige et améliore le référentiel. C’est du code utile : pas un proof‑of‑concept qui reste sur l’étagère, mais une brique qu’on peut déployer dans une collectivité, une association, une appli de mobilité.
Pour une équipe data, l’intérêt est double : on réduit la dépendance à de gros datasets annotés grâce au zéro‑shot, et on maximise l’itérabilité : on peut tester de nouveaux prompts, ajouter une classe (« rampe amovible », « entrée de plain‑pied »), instrumenter des métriques (précision, confiance, temps de réponse), créer des rapports actionnables pour l’aménagement urbain. La promesse d’OmniAcc n’est pas “plus d’IA”, c’est mieux d’IA — cadrée, explicable, pilotable.
Et comme je conçois aussi des jeux, je vois un pont naturel : un city‑builder de l’accessibilité. Imaginez que la qualité d’un quartier ne dépende pas seulement des parcs ou des commerces, mais des itinéraires praticables pour des profils variés. Vous dépensez des ressources pour ajouter des rampes, élargir des trottoirs, aplanir des pentes ; votre score grimpe quand la connectivité accessible s’améliore. Techniquement : un graphe, des features, un coût personnalisé par joueur (pente max, largeur, préférence pour sol lisse), et un “bot‑auditeur” façon OmniAcc qui signale les goulets d’étranglement. Un jeu, oui — mais aussi une pédagogie.
Deux citations pour le relief
« OmniAcc offers personalized route planning, real‑time hands‑free navigation, and instant query responses regarding physical accessibility. » — Karki et al., 2025
« With a crosswalk detection accuracy of 97.5% » — Karki et al., 2025
Limites et questions ouvertes — Restons honnêtes
Aucune magie. L’imagerie peut dater (marquages refaits, chantiers), la couverture OSM varie selon les quartiers, et certains objets d’accessibilité sont subtils (rebords, pentes légères, portes automatiques capricieuses). Le zéro‑shot tient tant que le contexte visuel reste proche de ce que le modèle “comprend” ; pour le reste, il faudra des détecteurs vision dédiés, du few‑shot bien supervisé, voire des capteurs embarqués (IMU, LIDAR léger) pour valider sur le terrain. Et côté LLM, il faut institutionnaliser la méfiance : traces d’audit, politique d’abstention, vérifications croisées.
Autre sujet non trivial : la personnalisation. Guider “pour moi” suppose un profil de mobilité (largeur du fauteuil, tolérance à la pente, fatigue, préférences). On ne collecte pas ça à la légère. Chiffrement, minimisation, consentement explicite, opt‑out à tout moment : si OmniAcc doit nous inspirer, que ce soit aussi par sa gouvernance des données.
Conclusion — Une boussole, pas un gadget
OmniAcc n’est pas une démo clinquante, c’est une boussole. Elle indique une direction où la technologie, enfin, sert. L’assemblage LLM + OSM + imagerie n’a rien d’ésotérique ; sa force est d’avoir été pensé pour la vie réelle : un bouton parler, des réponses claires, des détours justifiés, une place pour le doute. C’est ce que j’ai envie de construire : des outils à impact, qui améliorent un trajet demain matin. Et si l’on rit un peu en chemin — par exemple quand l’assistant nous évite “l’escalier de la honte” — c’est bon signe.
Je prépare un POC ouvert pour tester ces idées sur des villes françaises. Si ça vous parle (développeurs, urbanistes, créateurs, joueurs), faites signe : on a un monde à rendre plus praticable, un passage piéton à la fois.
Référence : Karki, S., Han, E., Mahmud, N., Bhunia, S., Femiani, J., & Raychoudhury, V. (2025). OmniAcc: Personalized Accessibility Assistant Using Generative AI. AAAI 2025 Workshop on AI for Urban Planning. Préprint arXiv : https://arxiv.org/abs/2509.07220v1.