概要（ABOUT）
AIおよびビデオベースのテレマティクスソリューションは、ビデオ録画技術とテレマティクスデータを組み合わせ、AIによって自動化することで、各業界の深刻な課題を解決します。これらは、フリート管理における安全性向上とリスク最小化に不可欠なシステムです。ビデオ解析を通じてドライバーの挙動を監視することで、組織は不安全な運転慣行を特定・是正でき、事故の削減と道路安全の向上につながります。録画された映像は、事故再構成のための貴重な証拠となり、保険請求の支援や法的責任の軽減に役立ちます。

さらに、ビデオテレマティクスはルートの最適化、燃料消費の削減、予防的な車両メンテナンスを促進し、運用の効率化に貢献します。リアルタイム監視とアラート機能により、荒い運転や過失運転などのイベントを即座に通知し、迅速な介入によって潜在的なリスクを防止することが可能です。また、業界の法規制や基準への準拠（コンプライアンス管理）においても重要な役割を果たします。蓄積されたパフォーマンスデータに基づく的確なコーチングは、ドライバーのスキル向上だけでなく、長期的な安全性の改善に寄与します。総じて、ビデオテレマティクスは、保険コストの削減、セキュリティの強化、業務のスリム化を実現し、輸送・物流プロセスの最適化を目指す組織にとって不可欠なツールとなっています。

インド市場の現状（INDIA）

広大な土地と多様な地形、そして拡大し続ける道路インフラを抱えるインドでは、輸送、物流、建設などのサービスに影響を与える課題を解決するためのソリューションが求められています。 現在、商用車へのGPS追跡デバイスの搭載が義務化されており、広く普及しています。これらのデバイスから得られる情報は、走行パターンの特定、車両追跡、車両固有のメトリクス収集に有効なデータポイントを提供します。市場の成熟に伴い、早期導入企業は、単なるデータ収集にとどまらず、ドライバーの挙動をポジティブに変容させ、目に見える成果をもたらす、より高度なソリューションを求めています。

インドでは毎年約50万件の交通事故が発生しており、その78%がドライバーの過失によるものです。主な原因には以下が含まれます。

• 過速度（スピード違反）
• 飲酒・薬物等の影響下での運転
• 運転規律の欠如（逆走、強引な追い越し、不適切な車線変更）
• 信号無視
• 携帯電話の使用
• シートベルトの未着用

Source: Ministry of Road Transport and Highways.https://morth.nic.in/sites/default/files/RA_2021_Compressed.pdf

AIビデオテレマティクスは、ドライバーへの警告、トレーニング用のイベント動画のキャプチャ、運用の管理や事故検証、保険請求の証拠としての活用を通じて、これらの課題解決を目指しています。

DHLとの取り組み（DHL ENGAGEMENT）

DHLインドのニーズは、主に「ドライバーの安全確保」と「社内規定およびポリシーのパートナー企業への適用」から生じました。DHLは、自社従業員のみならず、契約業者やパートナー企業の安全とセキュリティを確保することを全社的なポリシーとして掲げています。

テレマティクスパートナーの選定において、AIビデオテレマティクスソリューション「ZigFleet」が選ばれた決め手は以下の通りです。

1. 提示された様々なシナリオへの適合性と、将来的な新シナリオ追加への柔軟性
2. インド特有の道路インフラや条件に最適化されたAIモデルの構築
3. デジタルツインやドライバーコーチングなどのロードマップの明確さ

課題（CHALLENGES）

ドライバーの挙動や走行パターンに直接影響を与え、変化を促す新製品の導入には困難が伴います。ZigFleetの導入過程においても、業界全体に共通する以下のような課題に直面しました。

• ハードウェアへの細工（タマリング）：車内にカメラが設置されることで、ドライバーはプライバシーの侵害を感じ、カメラの向きを変える、取り外す、破損させるといった問題が頻発しました。長期的な運用の成功には、ユーザーの受容（Acceptance）が極めて重要です。
• 道路および走行条件：インドの道路環境は未整備な部分が多く、車内の状況、低照度、歩行者の飛び出し、逆走、車線表示の欠如などが、イベント検知やアラート精度の妨げとなりました。また、都市ごとに異なる道路設計や信号機が、州を跨ぐ走行において誤検知（False Positive）を増加させる要因となりました。
• ハードウェアの限界：アフターマーケット製品には性能の限界があります。例えば、過酷な気象条件や極端な低照度環境への対応には高スペックなハードウェアが必要となり、コストが増大して製品の投資対価値（ROI）を損なう可能性があります。コストとベネフィットのバランスが重要な課題となりました。

ソリューション（THE SOLUTION）

直面した課題に対し、以下の具体的な対策を講じました。

1. ハードウェアへの細工対策：(1) AIとセンサーデータを用いてカメラ角度の変化や電源断を検知する体制を構築。(2) カメラ設置は罰則のためではなく、ドライバー自身の安全を守るためであるという教育を積極的に行い、トラブルを減少させました。
2. ローカライズされたAIモデル：地域の交通状況や地理的要件に合わせ、カスタマイズ可能なAIモデルを採用。定期的なアップデートにより、予期せぬ新シナリオにも対応し、誤検知を大幅に削減しました。
3. 最適なハードウェア構成：効果を最大化するため、適切なコンポーネントを組み合わせました。(1) 将来的なセンサーやストレージの拡張性を確保。(2) 一体型ではなくセパレート型を採用することで、故障時の全交換を避け、特定部品のみの交換を可能にしました。(3) 騒音の大きい車内でも聞こえるよう、独立した高出力スピーカーを設置しました。

結果（THE RESULTS）

継続的な教育と定期的な安全ブリーフィングにより、DHL は一定期間を通じて各カテゴリの違反件数を減少させることに成功しました。主な事例は以下の通りです。 （※ここに具体的な事例が続く）

• カメラの遮蔽．妨害
  

• わき見運転：喫煙
  

• シートベルト未着用
  

• 逆走
  

• 追い越し違反
  

お客様の声（CUSTOMER TESTIMONIALS）

「当社はドライバーの安全を最優先事項として捉えています。万が一、ドライバーに影響を及ぼす不測の事態が発生した際には、徹底した調査を実施し、運行スケジュールやサポートに携わった全メンバーが詳細を報告する義務があります。この調査報告は、安全プロセスが厳守されているかを確認し、必要に応じて将来の過失を防ぐために改善を行うためのものです。AIおよびビデオテレマティクスソリューションは、ドライバーへの警告だけでなく、録画された映像がドライバー側の視点を裏付ける有力な証拠としても役立っています。」 – [DHL 担当者]

「本ソリューションの導入直後、社内規定や交通規則に対する違反件数が急増しました。これは、導入前には可視化（検証）できていなかったインサイトです。現在では、運行終了後のドライバーへのデブリーフィング（振り返り）に、これらの違反動画を活用しています。また、動画を通じてドライバーが直面している具体的な困難も把握できるようになり、より良い運転環境の整備に向けた改善へと繋がっています。」 – [DHL 担当者]

結論（CONCLUSION）

現在、約100台の車両にシステムが導入され、DHL はドライバーの挙動を詳細に把握できるようになりました。特に優れた運転を行ったドライバーには表彰制度を設けています。これが他のドライバーにとっても、自身の安全確保や車両メンテナンスへの意識を高め、より良い運転を心がけるインセンティブとなっています。
OmniEyes は、これまで DHL が把握できていなかった情報の可視化を実現しました。ドライバーの運転習慣、パターン、およびそれらに付随する要因についてのインサイトを得ることで、DHLはドライバーの労働環境に影響を与えている課題の解決に取り組めるようになりました。証拠の欠如はしばしば不信感に繋がりますが、ビデオ録画は信頼できる情報を提供し、そのギャップを埋める役割を果たしています。

他の市場においても、AI ビデオテレマティクスソリューションは、まずイベントを「特定」し、次にそれらを「削減」することで、すべての関係者に多大な利益をもたらしてきました。DHLでの導入はまだ初期段階ですが、プロジェクトの完了後には、他市場と同様の成功を収めることが期待されています。

The post DHL first appeared on OmniEyes | 動見科技.

背景：ジャイアント・グループとYouBike
世界的な自転車メーカーであり、広範な市場シェアを持つジャイアント・グループ（Giant Manufacturing Co. Ltd.）は、持続可能な都市モビリティのリーダーとして長年業界を牽引してきました。エコフレンドリーな交通手段を強化するというミッションの一環として、同社は台湾最大級のステーション型シェアサイクルサービス「YouBike」を運営しています。

公共交通機関のハブや都市の主要スポットに戦略的に配置された7,900以上のステーションを擁するYouBikeは、台湾の都市通勤ネットワークにおいて不可欠な存在となりました。台北、台中、高雄を含む6大都市における2024年の年間レンタル回数は1億6,000万回を超え、その普及度の高さと重要性を裏付けています。

ユーザーにシームレスな体験を提供するため、YouBikeは各ステーション間の自転車を再配置するための専用フリート（車両部隊）を運用しています。これらのトラックは交通量の激しい都市環境で走行しており、特に「信号無視」などの交通違反が安全上の大きな懸念となっていました。安全かつ効率的なフリート管理の重要性を認識したYouBikeは、ドライバーの安全性向上と運用監視の強化を目指し、高度なAI駆動型ソリューションを導入しました。

課題：ドライバーの安全性とコンプライアンスの向上

常に交通量の多いエリアを走行するフリートを抱えるYouBikeは、以下のようないくつかの主要な課題に直面していました。

• 信号無視や交差点での一時不停止を含む、交通リスク全般の低減。および、歩行者・自転車・ドライバーを保護するため、事故を未然に防ぐリアルタイムアラートの提供。
• AI駆動のインサイトとドライバーの挙動監視による、フリート管理の向上。

2023年、YouBikeはOmniEyesのAI搭載フリート管理ソリューション「MyFleet」の導入を決定するという戦略的な一歩を踏み出しました。その後、導入車両を当初の約200台から300台近くまで拡大し、その全車両にOmniEyesの技術を搭載しました。この投資は、ドライバーの挙動に対する監視体制を強化し、安全性と責任感（アカウンタビリティ）を重んじる文化を醸成することを目的としています。

ソリューション：AIによるモニタリングとドライバーコーチング

OmniEyesの「MyFleet」システムは、ドライバーの挙動をリアルタイムで継続的にモニタリングし、信号無視や交差点での一時不停止といった重大な安全上の懸念を検知します。また、ドライバーにリアルタイムでアラートを通知することで、他車両や歩行者との衝突回避を支援し、より安全な運転環境を確保します。このソリューションは即座にフィードバックと実行可能なインサイトを提供するため、運行管理者はリスクの高い運転挙動を迅速に特定することが可能です。

2024年4月より、YouBikeはOmniEyesのAIが生成したインサイトを活用し、特に信号無視や交差点での法規遵守に焦点を当てた、体系的なドライバーコーチングプログラムを開始しました。このプロアクティブなアプローチにより、ドライバーは安全運転の習慣を身につけるために必要な意識とツールを備えることができました。的確な介入が行われたことで、ドライバーのリアルタイムな状況把握能力が高まり、安全運転の実践が強化されました。

成果：交通違反の顕著な減少

OmniEyesのAIによる介入の効果は、迅速かつ数値として明確に現れ、継続的な安全性向上に対するYouBikeの取り組みを裏付ける結果となりました。主な改善点は以下の通りです。

• 2024年4月から12月にかけて、信号無視の違反件数が53%減少。
• コーチングプログラムの実施後、ドライバーの挙動において全体で94%の改善を達成。
• 交通法規の遵守率が向上し、道路交通の安全化と、YouBikeの安全への取り組みに対する社会的な信頼獲得に貢献。

お客様の声：YouBikeの体験（Customer Testimonial: The YouBike Experience）

「YouBikeにとって、安全は最優先事項です。それはYouBikeを利用するユーザーだけでなく、道路を共有するすべての人々にとっても同様です。OmniEyesのAIソリューションを導入したことで、当社のフリート管理の方法は一変しました。『MyFleet』を活用し始めて以来、ドライバーの挙動に対する意識が大幅に向上し、交通違反の顕著な減少につながっています。」 – [YouBike担当者]

「OmniEyesから提供されるデータ駆動型のインサイトにより、特定の課題に焦点を当てたコーチングや挙動の是正が可能になりました。その成果は数値として明確に現れており、フリートの安全性とコンプライアンスの向上を非常に嬉しく感じています。」 – [YouBike 運行管理者]

結論：AI主導のインサイトが切り拓く安全な未来

YouBikeは、OmniEyesのAI技術「MyFleet」を業務に統合することで、ドライバーの安全性を大幅に高め、コンプライアンスを改善し、台湾全土の道路安全に貢献しました。本ケーススタディは、フリート管理におけるAI駆動型インサイトの有用性を強調するものであり、データに基づいた意思決定がいかにインパクトのある変革をもたらすかを証明しています。

安全性と卓越した運用への継続的な取り組みにより、YouBikeとOmniEyesは、未来に向けたより安全でスマートな都市モビリティ・エコシステムの構築を目指し、これからも協力し続けてまいります。

The post U-Bike first appeared on OmniEyes | 動見科技.

Currently, both regular and commercial vehicles can enhance driving safety by extensively applying driving image equipment and technology through either pre-installation or post-installation. For example, regulations require larger commercial vehicles over 3.5 tons to be equipped with a driver assistance system with at least four cameras. These images can be displayed in real-time on dazzling screens for driver reference, stored in in-vehicle devices like DVRs for future accident investigation, or even streamed live to the cloud for real-time monitoring by management or driver live streaming. They can also be stored in the cloud for big data analysis using various AI technologies. Consequently, the value of images is rising rapidly, with a promising outlook.

To conclude, more money is always better. Just as the moon waxes and wanes, and life is full of uncertainties, who knows what the future holds? However, poverty is said to limit imagination, and truly wealthy people worry about being so poor that all they have is money.

Whether through government regulations or existing fleet management technologies, driving images are often viewed as a form of currency—the more, the better. Just as the moon waxes and wanes, and vehicles face uncertainties, who knows what might happen in the future? It’s best to store everything, both in the vehicle and in the cloud. As for how much is stored, how much is used, and whether it becomes something people like, that can be discussed later.

Let me temporarily put on the hat of a National Taiwan University professor and propose a method to turn images into something as desirable as money: Once images are stored in the cloud, they can undergo various image recognition or AI computations using the cloud’s powerful computing capabilities. Without the limitation of computing resources, the most accurate models and highest quality images can be utilized. If that’s not attractive enough, images uploaded from different vehicles can be integrated and analyzed to build various smart city applications, turning these invaluable images into something golden.

As for how much money needs to be spent initially to generate more money, a professor only needs to focus on imaginative research without worrying about costs. However, as the CEO of a startup, I can clearly tell you that customers won’t spend $1,000 to generate $100 worth of gold. The costs of the three major cloud platforms are available online and are more transparent than taxi fares. We spend a considerable amount on AWS every month, and the service is decent, but the proportion of AI computing costs is zero—not because it’s free, but because it’s simply unused.

The post AIフリートマネジメントシリーズ Part 2：映像はすべてを解決するのか？ first appeared on OmniEyes | 動見科技.

Data shows that the risk level for commercial fleets or professional drivers is several times higher than that of general drivers (this can be objectively compared through accident rates and insurance premiums). Let me first clarify that this is not entirely because professional drivers are worse. If you drive on the road for 8-10 hours a day, need to park by the roadside dozens of times, get in and out of the vehicle to load or unload, or let passengers on and off, and on top of that, deal with complaints from bosses or customers about late deliveries, your record might not look so good either.

However, the data is clear: poor or even dangerous driving behavior is a long-standing issue that any commercial fleet must face and resolve. Where there is demand, there will be supply—this is an unchanging law of market economics. As a result, various products and technologies for detecting and monitoring driving behavior flood the market, many of which claim to be backed by scientific evidence. Just like various health supplements, they not only always receive certification from some unheard-of authoritative British institution but also often claim to be the result of years of effort by doctors or professors from National Taiwan University.

The effectiveness of many fleet management technologies is as inscrutable as the medical effects of these supplements. While data itself does not lie, those who select and interpret the data might. This time, let’s explore two indicators that are often valued in both the Taiwanese and Western markets: Harsh braking and Harsh acceleration.

From the perspective of the average person, harsh braking or acceleration is indeed a negative indicator of driving behavior. For commercial fleets, it may lead to frequent accidents or unnecessary fuel consumption, making it a good basis for fleet management. Products that obtain these two data points using OBD, CAN, or gyro/accelerometer are as numerous as fish in the sea.

To conclude: if you’re hesitating about whether to bring an umbrella, just look at the probability of rain, not the height or thickness of the clouds. While understanding cloud information is helpful, looking at the probability of rain is more direct and effective.

Back to the topic, when do people usually brake harshly? Aside from professional tofu delivery drivers like Takumi Fujiwara, it’s usually when following too closely (poor driving), being aggressive or being aggressed upon (the former is poor driving, the latter is helplessness), or encountering unexpected obstacles on the road (emergency defensive driving). Can harsh braking data distinguish between poor, helpless, or emergency defensive driving? Maybe, but it’s like observing cloud height and thickness—not direct or effective. Is there a more direct and effective method? Yes—direct video analysis.

When do people usually accelerate harshly? Typically, it’s to beat a red or yellow light (poor driving), aggressive driving (poor driving), maintaining speed uphill (normal driving), or merging into fast traffic (normal driving). Can harsh acceleration data distinguish between poor and normal driving? Maybe, but it’s not direct or effective. Is there a more direct and effective method? Yes—direct video analysis.

You might say that video analysis can’t analyze fuel consumption, right? From my understanding of various fuel consumption analysis methods, I’ve never seen one using video, because it’s not direct or effective. But can harsh braking or acceleration analyze fuel consumption? Maybe, but isn’t it simpler and more direct to use the total mileage/total fuel consumption figures for a single trip, day, week, or month? Isn’t this elaborate process similar to deciding whether to bring an umbrella by looking at cloud height or thickness?

The post AIフリートマネジメントシリーズ Part 1：運転行動 vs 車両コンディション first appeared on OmniEyes | 動見科技.