論文の概要: Deploying and Evaluating a Smart-Agriculture Agentic Engine for Full-Season Soybean Farm Operations
- arxiv url: http://arxiv.org/abs/2609.00106v1
- Date: Mon, 31 Aug 2026 17:53:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:35.878699
- Title: Deploying and Evaluating a Smart-Agriculture Agentic Engine for Full-Season Soybean Farm Operations
- Title（参考訳）: フルシーソン大豆経営におけるスマート農業エージェントエンジンの展開と評価
- Abstract要約: 本稿では,ハルビン工科大学スマート・アグリカルチャー・サイトにおけるオペレーティングダイズ研究農場におけるフルタイム農業エージェントシステムであるFAIRYについて述べる。
フェアリーは、準備、植林、灌水、施肥、害虫と病気の治療、収穫、穀物処理、乾燥、空間記録にまたがるフルシーズンの尾根でのエージェント操作を実行し、評価する。
我々はFAIRYを用いて,大豆100シーズンにおける9つの最先端エージェントコントローラの評価を行った。
- 参考スコア（独自算出の注目度）: 11.138508620021495
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents FAIRY, a full-stack smart-agriculture agent system developed for and deployed to an operating soybean research farm at Harbin Institute of Technology's smart-agriculture site. We develop FAIRY to execute and evaluate agentic agronomic operations on full-season spatiotemporal workflows that span ridge preparation, planting, irrigation, fertilization, pest and disease treatment, harvest, grain handling, drying, and storage. FAIRY integrates APIs and infrastructure across production-grade machinery, fixed soil and canopy sensors, multispectral and thermal drones, satellite vegetation products, a weather station, calibrated crop-process models, agronomic records, and multi-season yield histories. The system is built around the novel "everything is an event" execution paradigm, which represents spatiotemporal world evolution, remote sensing and UAV observations, sensor readings, crop-growth transitions, machinery actions, and management interventions as state-changing events in a shared farm process engine. On top of this event-driven world model, FAIRY implements a complete agentic stack: a knowledge library of atomic agronomic skills; multi-agent controller and orchestration backends; frontier- and edge-model execution; full-path trace logging; and deployment profiling on local nodes. We use FAIRY to evaluate nine state-of-the-art agent controllers across one hundred full-season soybean scenarios that preserve the operational coupling between spatial observations in a 64-ridge field, temporal decision sequences, agronomic constraints, delayed effects, and final yield. We develop an evaluation suite that combines agentic success, full-path spatiotemporal correctness, token cost, and edge-device runtime.
- Abstract（参考訳）: 本稿では,ハルビン工科大学スマート・アグリカルチャー・サイトにおけるオペレーティングダイズ研究ファーム向けに開発されたフルスタックのスマート・アグリカルチャー・エージェント・システムであるFAIRYについて述べる。
本研究はFAIRYを開発し,尾根形成,植林,灌水,施肥,害虫・病害処理,収穫,穀物処理,乾燥,貯蔵にまたがるフルシーズンの時空間ワークフロー上でのエージェント的農業活動の実施と評価を行う。
FAIRYは、プロダクショングレードの機械、固定土壌と天蓋センサー、マルチスペクトルと熱ドローン、衛星植生製品、気象観測所、調整済みの作物処理モデル、農業記録、マルチシーズン収量履歴など、APIとインフラを統合している。
このシステムは、時空間の進化、リモートセンシングとUAV観測、センサーの読み取り、作物の成長過程の遷移、機械の動作、および共有農業プロセスエンジンにおける状態変化イベントとしての管理介入を表現した、新しい「すべてはイベントである」実行パラダイムを中心に構築されている。
このイベント駆動の世界モデルに加えて、FAIRYは完全なエージェントスタック(アトミックアグロノミックスキルの知識ライブラリ、マルチエージェントコントローラとオーケストレーションバックエンド、フロンティアとエッジモデルの実行、フルパストレースロギング、ローカルノードへのデプロイメントプロファイリング)を実装している。
我々はFAIRYを用いて,64尾根領域における空間観測,時間的決定シーケンス,農業制約,遅延効果,最終収率の操作的結合を保った,100のフルシーズン大豆シナリオの9つの最先端エージェントコントローラを評価する。
エージェント的成功、フルパス時空間的正しさ、トークンコスト、エッジデバイスランタイムを組み合わせた評価スイートを開発する。
関連論文リスト
- Design and Evaluation of an AI-Enabled Cloud-Edge Architecture for Connected Precision Agriculture Farms [0.28312565521926425]
植物病は世界中で顕著な収量減少を引き起こし、トマトの作物は特に早熟、遅熟、葉型に影響を受けやすい。
この制限に対処するため、自律的な作物モニタリングのために人工知能(AI)によりクラウドエッジアーキテクチャが提案されている。
このアーキテクチャでは、IoT(Internet of Things)センサ、無人航空機(UAV)、ディープラーニング、Azure IoT Hubベースのクラウド分析、マルチプラットフォームインターフェースを統合している。
論文 参考訳（メタデータ） (2026-08-04T15:25:02Z) - EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery [51.466674519159824]
本稿では,計量駆動型自律科学的発見のための環境工学的エージェントシステムであるEurekAgentを紹介する。
環境工学とは、生産的行動を増幅する環境を構築することであり、報酬のハッキングや高いフリクションによる人間の監視といった有害な行動を抑えるものである。
我々は、コードと結果をオープンソース化し、信頼性の高い自律的な研究エージェントを開発するための中核研究の方向性として環境工学を要求します。
論文 参考訳（メタデータ） (2026-06-11T17:56:35Z) - AgriWorld:A World Tools Protocol Framework for Verifiable Agricultural Reasoning with Code-Executing LLM Agents [17.904008870689964]
我々は,Pythonの実行環境であるAgriWorldを紹介し,フィールドパーセル上のクエリ,リモートセンシング時系列分析,作物の成長シミュレーション,タスク固有の予測器(収量,ストレス,病気リスクなど)について,統一的なツールを公開している。
この環境上では,複数ターンのAgroReflectiveエージェントを設計し,コードを反復的に書き,実行結果を観察し,実行-観測-再定義ループを通じて解析を洗練する。
論文 参考訳（メタデータ） (2026-02-17T03:12:57Z) - Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。
ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。
ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
論文 参考訳（メタデータ） (2025-12-31T14:03:39Z) - TEMPO-VINE: A Multi-Temporal Sensor Fusion Dataset for Localization and Mapping in Vineyards [39.38262052015926]
TEMPO-VINEは、異種LiDAR、AHRS、RTK-GPS、および実際のトレリスとパーゴラのブドウ畑のカメラからデータを収集する、最初のマルチモーダルなパブリックデータセットである。
複数のランとリビジョンを持つシーケンスパスは、センサフュージョン、ローカライゼーション、マッピング、農業分野の場所認識ソリューションの開発を促進する。
論文 参考訳（メタデータ） (2025-12-04T13:20:41Z) - AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。
これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。
本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文 参考訳（メタデータ） (2025-07-29T17:59:48Z) - Enhancing Strawberry Yield Forecasting with Backcasted IoT Sensor Data and Machine Learning [3.057175662139921]
環境データ収集のため,イチゴ生産用ポリタンネルにIoTセンサを2年間展開した。
センサ観測と手動で4シーズンにわたる収量記録を組み合わせた。
実測と合成観測を組み合わせたAIを用いた収量予測モデルを構築した。
論文 参考訳（メタデータ） (2025-04-25T16:02:50Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。
しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。
本稿では,知識蒸留を用いた領域一般化手法を提案する。
論文 参考訳（メタデータ） (2023-04-03T14:28:29Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳（メタデータ） (2020-07-07T12:44:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。