# サービス企画書: どこカメ (Semantic Geo-Locator, Real-time Video Edition)
**視覚情報 × オープンデータによる、次世代型・位置特定エンジン**
- **Version:** 2.0 (Video Streaming Model)
- **Date:** 2025/12/06
- **Infrastructure Strategy:** Zero-Cost Cloud Prototyping（無料クラウド枠で成立する実装）
---
## 1. サービスコンセプト
> **「かざすだけで、視界がそのまま住所になる」**
GPS精度が低下する環境（ビル街・屋内・山間部など）で、
通報者がスマホカメラを周囲に向けるだけで、
AIが映像をリアルタイム（準リアルタイム）に解析し、
**数秒〜数十秒以内に「ここです」と言える座標・住所をピンポイントで特定**する。
---
## 2. 解決する課題 (Pain Points)
1. **GPSの限界**
- 高層ビル群・屋内・山間部では、数十〜数百メートルの誤差が平常的に発生する。
- 「現在地を送る」ボタンだけでは、指令員が現場を特定できないケースが残る。
2. **パニック時の伝達困難**
- 「山と自販機しかない」「大きな道路のそば」など、
**住所・目印が言語化できない状況**での口頭説明は、通報者にも指令員にも大きな負担。
- 特に外国人観光客や土地勘のない人は、「今どこにいるか」を説明できない。
3. **静止画送信の心理的ハードル**
- 「写真を撮って送る」という操作は、
緊急時の通報者にとって
- 立ち止まる
- 撮影する
- 送信ボタンを押す
というステップが必要で、**予想以上に心理的・操作的なハードルが高い**。
---
## 3. ソリューション概要: リアルタイム・セマンティック解析
### 3.1 連続スキャニング (Continuous Scanning)
- ユーザーは「動画モード」でカメラを起動し、
**そのまま周囲を見渡すだけ**。
- システム側は、ブラウザから送られてくる映像ストリームを継続的に受信する。
### 3.2 準リアルタイム解析 (Quasi-Real-time Analysis)
**無料インフラでの運用（Zero-Cost）を前提**に、
全フレームではなく「間引きフレーム」を解析対象とするサンプリング方式を採用する。
- **OCR解析（高頻度 / 約 1.0 秒ごと）**
- 電柱番号、店舗看板、ビル名、信号機名、標識など、
画面に映る**文字情報**を高速に抽出し続ける。
- ユーザー画面には、
- 「検出中：田中歯科…」
- 「検出中：ローソン…」
のように、検出されたテキストが1〜2秒遅延で次々とポップアップ表示される。
- **VLMによる空間推論（低頻度 / 約 5.0 秒ごと、または条件トリガー時）**
- Vision-Language Model (VLM) を用いて、
- 「コンビニの向かいにコインパーキング」
- 「右奥にガソリンスタンド、左にドラッグストア」
といった**ランドマーク間の位置関係**を文章として抽出。
- このテキスト化された「風景の構造情報」をもとに、
**位置特定ロジック（後述）を発火**させる。
### 3.3 複合クエリによる位置特定
抽出されたテキストと空間情報を OpenStreetMap (OSM) へ照合する。
> **例: 検索ロジックのイメージ**
> - 「現在地から半径1km以内」かつ
> - 「`田中歯科` というテキストを持つ POI が存在」し
> - その 30m 以内に 「`ローソン` が存在」する地点
> → この組み合わせ条件を満たす候補地点をスコアリングし、
> 最も尤度の高い座標を「推定位置」として採用。
---
## 4. システム構成とインフラ (Tech Stack)
**Hugging Face Spaces を中核に、GPU不要・ゼロコスト運用を実現する構成。**
| レイヤー | 役割 | 採用技術・仕様 |
| :--- | :--- | :--- |
| **Frontend** | 映像入力・UI | - **WebRTC (Gradio streaming)** によるブラウザ映像ストリーミング
- スマホアプリ不要、SMSリンクからブラウザ起動だけで利用開始 |
| **Infrastructure** | 実行基盤 | - **Hugging Face Spaces (Free Tier)**
- CPU: 2 vCPU / RAM: 16GB 程度
- ランニングコスト: **0円（PoC/小規模運用想定）** |
| **Edge Logic** | フレーム制御 | - **Sampling Middleware** により、動画全フレームを処理せず、1〜2秒ごとにフレーム抽出
- CPU 負荷・APIコストを制御 |
| **OCR Engine** | 文字認識 | - **PaddleOCR** を Hugging Face 上でローカル実行
- 日本語・自然風景の看板文字に強いモデルを採用 |
| **AI Brain** | 空間理解 | - **Gemini 2.5 Flash API (Free Tier)** を利用（将来は他VLMへの差し替えも可能）
- サンプリングした静止画を入力として、ランドマーク情報・位置関係をテキストとして構造化 |
| **Map DB** | 地図データ | - **OpenStreetMap (Overpass API)**
- 無料でPOI情報やタグ検索が可能
- 「店舗名＋カテゴリ＋距離条件」による複合クエリで候補地点を絞り込み |
---
## 5. ユーザー体験フロー (UX)
1. **アクセス**
- 通報者へ SMS などで URL を送信。
- 通報者が URL をタップするとブラウザが起動し、
カメラ使用の許可ダイアログが表示される。
2. **スキャン**
- 画面の案内: 「カメラを周囲に向けて、ゆっくり一周してください。」
- 通報者はその場でスマホを回転させるだけでよく、
写真撮影や送信といった操作は一切不要。
3. **フィードバック**
- 画面上には、AIが検出した文字情報が**1〜2秒程度のラグで順次ポップアップ**。
- 例: 「検出中: 〇〇医院」「検出中: 消火栓」「検出中: LAWSON」など。
- これにより通報者に
- 「ちゃんと見てくれている」
- 「今の映像が役に立っている」
という安心感を与える。
4. **位置特定**
- OSM との照合が一定スコア以上になった時点で、
画面に以下のように表示：
- 「**場所を特定しました：〇〇市〇〇町3丁目 〇〇交差点付近**」
- 同時に、この座標・テキスト情報が指令台システムへ送信される想定。
---
## 6. 競合優位性 (Differentiators)
1. **導入・運用コストゼロに近い構成**
- Google Maps API 等の従量課金サービスに依存せず、
OSS ＋ 無料枠クラウドで最小構成を実現。
- **PoC〜小規模本番**までは、自治体予算にほぼ影響を与えない形でスタート可能。
2. **「動画」なのに軽い設計**
- 通信は WebRTC による動画ストリーミングだが、
サーバ側の解析は間欠的なサンプリング方式。
- 全フレームを処理するリアルタイム動画解析と比べて、
**CPUのみ＋低スペックでも成立する負荷設計**。
3. **曖昧な状況に強いセマンティック位置特定**
- 住所プレートが見えない場合でも、
- コンビニ＋駐車場
- ガソリンスタンド＋大型交差点
といった**ランドマーク構成・風景の“組み合わせ”**から位置を推定。
- 文字情報だけに頼らず、
**「風景の構造」×「オープンデータ」の掛け合わせ**
による位置特定が可能。
---
## 7. 将来拡張性 (Future Extensions)
- **PLATEAU (3D都市モデル) との連携**
- ビル群の「スカイライン（屋上形状・高さ分布）」を3D都市モデルと照合。
- 文字情報や店舗が乏しいエリアでも、
- 建物の輪郭
- 道路のパターン
- 遠景の山並み
などの**幾何学的特徴から方角・位置を推定**できるように拡張。
- **マルチモーダル連携**
- 将来的には、音声（環境音・通話内容）も加味し、
- 「踏切の音」「救急車サイレンの反響」「川のせせらぎ」などを手がかりに
空間推論の精度をさらに高める余地がある。
---
**End of Document**