TS-MAMP: 재활용 전기차 부품 기반의 스마트 농업 로봇 - NMS 없는 온보드 잡초 감지 기능 탑재

TS-MAMP: A Remanufactured Agricultural Robot Powered by Second-Life EV Components and NMS-Free On-Device Weed Detection

농업 4.0 시대의 로봇 시스템은 현장 효율성을 향상시키지만, 전 세계 농업을 지배하는 분산된 소규모 농가에게는 여전히 자본 집약적이라는 단점이 있습니다. 동시에, 수명이 다한 저속 전기 자동차(LSEV) 파워트레인은 여전히 기능적인 전기 기계적 가치를 가지고 있지만, 대부분 폐기됩니다. 본 논문에서는 3R (감소, 재사용, 재활용) 순환 경제 원칙에 따라 제작된 재제조 로봇인 TS-MAMP(Telescopic-Sleeve Modular Agricultural Mobile Platform)를 소개합니다. 사용 후 회수된 48V 브러시리스 DC(BLDC) 허브 모터를 역 EMF 매칭을 통해 결합하고, 60~80%의 건강 상태로 평가된 납산 배터리 모듈을 100mV 이내의 모듈 간 전압 편차 범위 내에서 능동적으로 균형 조정합니다. 이러한 재활용 부품들을 활용하여 파워트레인 및 차대 부품 비용을 약 60% 절감하여 450달러 미만(센서 및 제초 모듈 제외)으로 구현했습니다. 트러스 구조의 차대는 200kg 이상의 정적 하중을 견딜 수 있으며, 트랙 폭은 1200mm에서 2000mm까지 연속적으로 조절 가능하고, 모듈 교체 시간은 5분 이내입니다. NMS(Non-Maximum Suppression)를 사용하지 않는 YOLOv10n 검출기는 일관된 이중 할당 학습과 부정 샘플 학습을 통해 Wanxi Crop-Weed 데이터셋에서 80.87%의 평균 정밀도(mAP@0.5, 58.41% mAP@0.5:0.95)를 달성했으며, FP16 TensorRT를 사용하여 Jetson Nano에 탑재하여 온보드 추론의 가능성을 확인했습니다. TS-MAMP는 적절한 선별 과정을 거친 폐 전기차 부품을 활용하여 저렴하고 AI 기반의 농업 로봇을 개발할 수 있음을 보여주며, 상용 자동화 시스템이 제공하지 못하는 소규모 농가에 대한 재제조 솔루션을 제시합니다.

Agriculture 4.0 robotic systems improve field efficiency yet remain too capital-intensive for the fragmented smallholdings that dominate global agriculture. Meanwhile, a growing number of retired low-speed electric-vehicle (LSEV) powertrains retain functional electromechanical value but are destructively recycled. This paper presents TS-MAMP (Telescopic-Sleeve Modular Agricultural Mobile Platform), a remanufactured robot built under 3R (reduce, reuse, recycle) circular-economy principles. Retired 48 V brushless-DC (BLDC) hub motors are paired via back-EMF matching, and lead-acid battery modules screened at 60%-80% state of health are actively balanced within a 100 mV inter-module voltage deviation. Together, these reused components reduce the powertrain-and-chassis BOM cost by approximately 60%, to below USD 450 (perception and weeding modules excluded). The truss chassis provides >=200 kg static load, continuously adjustable track width from 1200 mm to 2000 mm, and <=5-minute module changeover. An NMS-free (non-maximum-suppression-free) YOLOv10n detector with consistent dual-assignment training and negative-sample learning achieves 80.87% mean average precision (mAP)@0.5 (58.41% mAP@0.5:0.95) on the Wanxi Crop-Weed dataset, and is deployed via FP16 TensorRT on a Jetson Nano, confirming on-device inference feasibility. TS-MAMP demonstrates that retired EV components, under modest screening, can be re-engineered into affordable, AI-enabled agricultural robots--opening a remanufacturing pathway for the smallholder fields that commercial automation leaves unserved.