電気自動車の部品を再利用した低コスト農業ロボット「TS-MAMP」の開発
✨ 本論文の新規性
- 退役電気自動車のBLDCモーターとリチウムイオン電池を再利用し、農業ロボットのコストを約60%削減
- NMS-freeなYOLOv10nを用いた Weed 検出モデルをJetson Nano上で実行可能にし、AI推論の低コスト化を実現
- 農業現場向けに設計されたモジュール式構造で、トラック幅を1200〜2000mmまで調整可能で、5分以内のモジュール交換が可能
論文の主張: 退役電気自動車の部品を再利用した低コスト農業ロボットTS-MAMPを提案。BLDCモーターとリチウムイオン電池を再利用し、コストを約450ドルに抑える。YOLOv10nによる Weed 検出精度は80.87%を達成。
今回の論文は、リサイクルされた電気自動車の部品を活用して作られた農業ロボットについて述べています。特に、退役した低速電気自動車のモーターとバッテリーを再利用し、農業用途に適したコストパフォーマンスのロボットを実現しています
なるほど、退役したEVの部品を再利用するって、環境面でも経済面でもメリットがあるんでしょうね
はい、その通りです。論文では、退役した48VのブラシレスDCモーターと、60〜80％の状態で使用可能なリチウムイオンバッテリーを組み合わせて、コストを約60％削減しています。これにより、小規模農家向けの農業ロボットが実現可能になったのです
60％のバッテリーを使い回すって、意外とリスクがあるんじゃなかったですか？
実際に、バッテリーの容量を測定し、60〜80％の状態で選別し、バッテリーパックを再構成しています。これは、農業用途では低負荷で使用されるため、十分な性能を維持できるとされています
で、そのロボット、どうやって weed を検出するんですか？
このロボットには、NMS-freeなYOLOv10nという画像認識モデルが搭載されています。通常のYOLOでは、後処理として非最大抑制（NMS）が必要ですが、このモデルではその必要がなく、Jetson Nano上でFP16で推論できるようになっています
なるほど、推論を端末上で行えるって、リアルタイム性も確保できるんでしょうね
はい。検出精度はmAP@0.5で80.87％、mAP@0.5:0.95では58.41％と、実用レベルの性能を示しています。さらに、検出モデルはデバイス上で動作するよう設計されており、画像処理の遅延を抑えることができます
コスト削減と同時に、AIの処理も端末上でできるって、小規模農家には非常に魅力的そうですね
その通りです。研究では、ロボットの電源・構造部品の合計コストが450ドル以下と、商業製品と比較して大幅に抑えられています。また、構造はトラック幅を1200〜2000mmで調整可能で、モジュールの交換も5分以内に可能です
これって、今後の導入コストや維持費に影響するんでしょうか？
コスト面の観点から、導入のハードルを下げることは可能ですが、実際の導入には、補助金の有無や地域の政策、農業の規模など、さまざまな要因が影響するでしょう
そうですね、導入する側としては、初期投資の回収期間や労務コストも考慮が必要そうです
まさにその通りです。この研究は、小規模農家向けの低コスト・高効率な農業ロボットの可能性を示していますが、実際に市場投入されるには、今後の技術的成熟と、政策、市場の支援が必要です
背景と課題
農業4.0の高価なロボットシステムは、小規模農家には経済的負担が大きい。一方で、退役電気自動車（EV）のモーターとバッテリーは、再利用可能な資源として注目されている。本研究では、退役EV部品を再利用し、低コストでAIを搭載した農業ロボットを構築する。特に、退役バッテリーは60〜80%のSOH（状態の度合い）で再利用可能であり、コストと環境負荷の両面から有効である。
手法・アプローチ
TS-MAMPは、退役48V BLDCモーターとリチウムイオン電池を再利用した農業ロボット。モーターはバックEMFを用いて一致させ、バッテリーは60〜80%の容量を維持するもののみ使用。検出モデルには、NMS-freeなYOLOv10nを採用し、Jetson Nano上でFP16 TensorRTによる推論を実現。これにより、AI推論のハードウェアコストを抑えることが可能となった。
実験結果
Wanxi Crop-Weedデータセットでの検出精度は、mAP@0.5で80.87%、mAP@0.5:0.95では58.41%を達成。検出モデルはJetson Nano上で実行可能であり、推論速度と精度のバランスを取れている。また、構造は200kg以上の静的荷重を耐え、トラック幅を1200〜2000mmまで調整可能で、5分以内のモジュール交換が可能。
意義・応用可能性
退役EV部品を再利用することで、農業ロボットのコストを大幅に削減できる。これは、小規模農家にとっても導入しやすい形態であり、持続可能な農業技術の普及に貢献する。特に、AI推論を低コストで実行できる点が、広範囲での普及に有利。
限界と今後の課題
退役バッテリーの容量ばらつきが問題となる。また、現在は単一の視覚センサーのみを用いているため、天候や環境に影響されやすい。今後の課題として、LiDARと視覚の融合による環境耐性の向上と、バッテリー管理システムの統合が挙げられる。
日本での適用可能性
日本の農業現場では、小規模な畑が多く、高価なロボット導入が難しい状況が続く。TS-MAMPのような低コストで再利用可能なロボットは、日本における農業自動化の普及に大きく貢献できる。特に、地域の農業協同組合や共同農業機械センターでの導入が期待できる。
📊 本論文の主な指標
参考論文
本記事は以下のarXiv論文を参考に、日本語に解説したものです。詳細は元論文をご覧ください。
– タイトル: TS-MAMP: A Remanufactured Agricultural Robot Powered by Second-Life EV Components and NMS-Free On-Device Weed Detection – 著者: Weijie Shi, Zicheng Xu, Zhenbang Cheng, Haoran Xuan, Mingbo Duan, Gan Ge – 発表日: 2026-08-03 – arXiv ID: 2608.02270v1 – カテゴリ: cs.RO