生産管理ハブ、映像による匠の技の形式知化、ハウス内を学習する自律栽培AI、そして農協向け流通ソリューション。Local Diveは農業のバリューチェーン全層に、実稼働中のシステムを持っています。
本日の正式資料は22枚のデッキ（本編10＋技術付録A1–A11）。デッキは匿名・合成データで統一されているため、このページは「実際に動いているURL」と「デッキに足りない技術の深掘り」を補う位置づけです。
すべてCloudflare Workers / Pages + D1 + R2 構成。ログインが必要な画面は自分の端末で画面共有し、顧客実データは表示しない。
単発のPoCではなく、上流の生産管理から下流の農協・流通まで、それぞれの現場で稼働・実証中のシステムです。各層で得たデータとナレッジは、中核の栽培AIへ還流します。
センサーだけでは「なぜ今その操作をしたか」は分かりません。熟練者の作業映像と環境データを同期させ、判断の条件を抽出してナレッジ化し、栽培AIの教師信号と制約条件として組み込みます。
固定RGB／RGB-Dカメラと作業者視点映像を、環境・灌水・作業ログと同一タイムラインに揃えて解析します。
匠の技は「正解」ではなく「強い事前知識」として扱います。AIはそれを出発点に、ハウス固有のデータで校正します。
気候・根域・草丈・発育・画像・品質・経済を別モデルに分け、共通状態推定器で結びます。各モデルは単独で検証でき、低信頼時は個別に使用禁止にできます。内部の目的関数・特徴量設計は非開示ですが、構造と性能は以下の通りです。
WUR Autonomous Greenhouse Challengeの設計思想と温室物理・作物生理の一般原理を骨格に、山田園芸の現地データで全パラメータを校正します。巨大事前学習モデルは画像系のみに限定し、他は軽量で説明可能なモデルを採用しています。
熱・水蒸気・土壌水収支と作物生理（受光→光合成→乾物分配→LAI更新）を状態方程式として実装し、物理が説明しきれない残差のみを勾配ブースティングで学習。
I_abs = I₀(1−e^(−k·LAI)) で受光を推定W_{t+1} = W_t + Irr − ET − Drain を多深度VWCで状態推定5分データをランダム分割せず、期間・区画・作単位で分割。未来情報の漏洩を防ぎ、未学習期間での汎化のみを性能として報告します。
AI要求、安全ガード通過後の採用要求、制御機の採用値、実アクチュエータ状態と環境結果を別列で保持。設備の「言うことを聞かない」部分も含めて学習します。
quality_flag=imputedPersistence → ARX／状態空間 → LightGBM → グレーボックス熱収支 → TCN/LSTM をベースラインから積み上げ、操作候補ごとの予測軌道を出力。
Catch-canで散水分布を実測し、乾燥・標準・湿潤地点を分離。Kalman Filterで排水・吸水を状態推定し、最終的に制約付き灌水MPCへ。
SAM 2.1 / Depth Anything V2 / Florence-2 を比較、OAK-D実深度を主系統に。他農場映像で事前学習→代表株ラベルで微調整。商用ライセンス未整理モデルは必須依存にしない。
影運転（Shadow）での未学習期間に対する評価値と、要件定義で定めた受入目標の比較です。緑が現在値、琥珀の線が受入目標。表示値はデモ用の代表値で、作ごとに監査・更新します。
山田園芸4連棟ハウスのデジタルツイン。土壌・気象・PAR・カメラの観測がEdgeに集まり、7モデルが予測・最適化し、安全ガードを通って天窓・カーテン・暖房・灌水へ届く1日を、約50秒で再生します。ドラッグで回転、ホイールでズーム。
| 室温 / 外気 | 14.2℃ / 9.8℃ |
| RH / VPD | 88% / 0.19kPa |
| PAR（群落上） | 0 µmol |
| VWC L1–L4 | 31 · 29 · 33 · 30% |
| M1 60分先 室温 | 13.9℃ ±0.6 |
| M7 推奨 | 暖房 設定13.5℃ 維持 |
TEROS 12アンカー＋SenseCAP S2105ノードをLoRaWANで独立収集。流量・圧力・葉面濡れ・PAR・RGB-Dを5分粒度でEdgeへ。
Model 0で品質を確認した観測だけが状態推定器へ。M1–M6の予測をM7が束ね、候補操作ごとの利益と不確実性を比較。
変更幅制限・最小最大値・連続灌水上限・夜間高湿の灌水制約を通過した要求のみ採用。手動上書きが常に最優先。
AeroBeat／PLCアダプター経由で天窓・側窓・幕・暖房・灌水へ。通信断時は既存制御へ自動復帰。実動作は再びセンサーで観測。
人の作業記録 → 時刻同期 → 模擬検証 → 実機の4段階（デッキA10）のうち、第3段階「模擬検証」の姿です。脚付きロボット＋アームが、シミュレーション内で果実を探索し、触覚センサーで把持力を調整しながら収穫する方策を学習します。デジタルツインで学んだハウス状態と、匠の技の映像ナレッジが、この訓練環境の「正解」になります。
仮想環境でのトレーニング映像（シミュレーション・12秒）。実機の稼働実績ではありません。四足＋6軸アーム、手先に触覚センサーを想定。
最初の1作は監視・影運転・推奨まで。LLM／Agentは説明と実行調整役であり、自由文から天窓やポンプを直接駆動することはありません。
画面表示のみ → 手動反映 → 承認後に設定値書込み → 制約付き自動設定 → 限定機器で閉ループ。
センサー異常時は自動制御停止、通信断時は既存制御へ復帰。全判断と承認者を監査ログに保存。
各モデルにモデルカードと禁止条件を実装。品種未登録・校正未実施・等級未記録では該当機能を本番化しない。
予測精度だけでなく、秀2L箱数・暖房費／箱・箱／時間・差引／時間・安全違反ゼロで評価。