Een drempel is fysiek én mentaal een belemmering, zeker als je ergens snel naartoe of weg wilt. Een dagje winkelen, een weekendje weg of spontaan ergens binnenwippen is voor veel mensen op wielen geen vanzelfsprekendheid.

Dat weten we eigenlijk al jaren, maar het in kaart brengen van alle drempels en obstakels is een loodzware klus, dus iemand moet ergens beginnen. We zijn begonnen met gedegen vooronderzoek en veldwerk. En kwamen tot de conclusie dat er mogelijkheden bestaan, we hebben ze getest, en het werkt! Maar het is nog handwerk, en hebben hulp nodig bij het automatiseren van deze klus.

De huidige situatie:

Gemeenten weten welke straten ze onderhouden, maar niet welke drempels, paaltjes en hellingen daarop liggen. Routeplanners voor rolstoelen en scootmobielen werken met schattingen, vrijwilligersmeldingen of helemaal niets.

Je kunt Google vragen naar het type winkel en de weg ernaartoe, maar niet of je met de rolstoel of buggy wel binnenkomt, of onderweg trapjes tegenkomt.

Ruim 2 miljoen mensen gaan daarom elke dag met onzekerheid de deur uit.

280.000 rolstoelgebruikers

250.000 scootmobielen

1.400.000 slecht ter been

300.000 kinderwagens

Gemiddelde score waarmee mensen met een beperking de mate van belemmering in hun eigen buurt beoordelen 3,7 op een schaal waar 5 "zeer grote belemmering" betekent.

Bron: Mulier Instituut - Onbeperkt wandelen

Is het echt zo erg?

Ja! Tijdens ons veldonderzoek in Maastricht kwamen we tot de ontdekking dat 58% van het winkelaanbod niet toegankelijk is voor mindervaliden.

Hoe we tot betrouwbare data komen.

Vier sporen die op elkaar bouwen : van schoenen op de stoep tot een getraind model dat een drempel herkent.

01

Veldwerk

Klassiek veldwerk met meetlint en zelf ontwikkelde intake-tools. Per straat een gestructureerde rondgang ( geen losse meldingen) wel een herhaalbaar protocol.

02

Objectfotografie

Van elk object en obstakel wordt een foto gemaakt vanuit diverse hoeken. Wat vanuit één hoek een verkleuring lijkt, blijkt vanuit een ander perspectief een drempel.

03

Meetblokken

Vaste meetblokken van 2, 4 en 8 cm naast bestaande drempels : daarmee is het model getraind op hoogte-inschatting. Dit zorgt dat we niet meer bij elke drempel hoeven neer te knielen.

04

Modeltraining

Alle foto's zijn handmatig geannoteerd ( duizenden beelden ) en daarmee geschikt gemaakt als trainingsdata voor dit specifieke type beeldherkenning.

05)

De tussenstand - een deel van onze testdata op de kaart

06)

De machine die dit mogelijk gaat maken!

Een compacte, zelfontworpen en samengestelde meetwagen

"Kun je dit zelf bouwen?"

Niet alles. Het chassis, de cameramodules, de LIDAR-sensoren en andere zaken van werktuigbouwkundige aard kopen we gebruiksklaar in. Wat we zelf doen: de integratie, de software, de modeltraining, de data-architectuur.

07)

Drie veelgehoorde vragen

Als we dit project uitleggen, krijgen we regelmatig drie type vragen.

VRAAG:

"Waarom hebben Google of andere grote partijen dit niet allang gedaan?"

ANTWOORD:

Een dakcamera op een auto staat op ongeveer 2,5 meter. Vanaf die hoogte is een stoeprand of drempel van 4 centimeter visueel nauwelijks te onderscheiden van een verkleuring in het wegdek. De invalshoek werkt tegen je: hoe groter de hoek tussen camera en object, hoe slechter de diepte-schatting.

Voor Google is dat geen probleem, hun opdracht is straten indexeren, niet kwalificeren. Geen grote commerciële partij heeft baat bij scannen op stoephoogte. Wij plaatsen de LIDAR-scanner zo dicht mogelijk bij het wegdek: op ongeveer 30 cm.

Geen spannend idee. Wel een ander idee, op een hoogte waar het er werkelijk om gaat.

VRAAG:

"Kan een AI dit niet gewoon voor jullie oplossen?"

ANTWOORD:

Hangt af van wat u met "AI" bedoelt. Taalmodellen : Claude, ChatGPT, Gemini, geven de meest waarschijnlijke output, maar nooit met zekerheid. Voor het meten van een stoeprand is "waarschijnlijk" niet goed genoeg.

Getrainde beeldherkenning kán wel met zekerheid werken, maar alleen na grondige training op de juiste data. Stoepranden en winkeldrempels zijn geen vaste set vormen zoals verkeersborden: ze verschillen per straat, per stad, per bouwjaar.

En vóór je iets kunt herkennen moet je weten wát je opslaat. Toegankelijkheid meten is iets anders dan toegankelijkheid vastleggen. Een bankje is een rustpunt, een lantaarnpaal bepaalt of iemand 's avonds nog durft te lopen, een vuilnisbak is een obstakel buiten verwachting. Daarvoor is een ontologie nodig die nog niet bestaat. Wij bouwen er één.

Waarom dat ook de reden is dat grote partijen het laten liggen: de inspanning is te groot voor wat het aan kaartdata-omzet oplevert. Voor ons is het de kern.

VRAAG :

"Hoe verzeker je continuïteit?"

ANTWOORD:

Tijdens ons vooronderzoek vonden we mooie initiatieven toegankelijkheidskaarten, buurtacties, de vrijwilligers rondom het Ronald McDonald-huis in Houthem. Werk dat we diep respecteren. Maar de meeste worstelen met dezelfde twee dingen.

Het eerste

Vrijwilligers-data is onschatbaar als indicatie, maar moeilijk bruikbaar als hard feit. Een drempel wordt door de één in graden genoteerd, door de ander in "lastig", door een derde in centimeters. Voor mensen prima leesbaar. Voor een routeplanner: te veel ruis. Wij vullen die data aan met uniforme metingen, niet vervangen.

Het tweede

Stoepen veranderen. Een terras gaat staan, een paaltje wordt geplaatst, een tegel breekt. Eén scan per stad is niet genoeg; het moet elke zes maanden opnieuw. Daar lopen subsidie-projecten op stuk: na drie jaar is het geld op en is de data verouderd.

Hoe we het laten blijven werken

Scan

We meten meer dan alleen drempels, maar ook bankjes, verlichting, breedtes, oneffenheden.

→

Verkoop

De rijke dataset wordt verkocht aan routeplanners, bezorgers en gemeenten: twaalf maanden exclusief.

→

Terug naar DREMPELVREES

Verkoopinkomsten financieren primair de volgende scan. Daarna gaat de data open en gratis voor iedereen.

Geen donateurs-vermoeidheid na jaar drie. Geen subsidie-cliff. Het project verdient zichzelf terug.

Voor meer informatie - kijk op www.meandai.nl/drempelvrees