TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Jennifer Healey: Kdyby auta mohla mluvit, nehodám by se možná dalo vyhnout
Filmed:
Readability: 3.2
908,454 views
Když řídíme, dostaneme se do skleněné bubliny, zamkneme dveře a šlápneme na plyn, spoléhajíc na naše oči, aby nás vedly -- ačkoliv můžeme vidět jen pár aut před a za námi. Ale co kdyby auta mezi sebou mohla sdílet údaje o své poloze a rychlosti a používat prediktivní modely, aby vypočítala nejbezpečnější cestu pro každého na silnici? Jennifer Healey představuje svět bez nehod. (Filmed at TED@Intel)
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
Double-click the English transcript below to play the video.
00:12
Let's face it:
0
703
1914
Postavme se k tomu čelem --
00:14
Driving is dangerous.
1
2617
2445
řízení je nebezpečné.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Je to jedna z věcí, nad kterou neradi přemýšlíme,
00:20
but the fact that religious icons and good luck charms
3
8160
3652
ale skutečnost, že se náboženské ikony a přívěsky pro štěstí
00:23
show up on dashboards around the world
4
11812
4790
objevují na palubních deskách po celém světě,
00:28
betrays the fact that we know this to be true.
5
16602
4137
zrazuje fakt, že víme, že je to pravda.
00:32
Car accidents are the leading cause of death
6
20739
3594
Autonehody jsou hlavní příčinou smrti
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
lidí ve věku od 16 do 19 let ve Spojených státech --
00:40
leading cause of death --
8
28503
2843
hlavní příčinou smrti --
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
a 75 procent těchto nehod nemá nic společného
00:47
with drugs or alcohol.
10
35209
2285
s drogami nebo alkoholem.
00:49
So what happens?
11
37494
2261
Takže co se děje?
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Nikdo to nemůže říct jistě, ale já si pamatuji svou první nehodu.
00:55
I was a young driver out on the highway,
13
43974
3803
Byla jsem mladá řidička na dálnici
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
a uviděla jsem, jak se brzdová světla auta přede mnou rozsvítila.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
Říkám si: "Dobře, dobře, ten chlapík zpomaluje,
01:03
I'll slow down too."
16
51835
1282
zpomalím taky."
01:05
I step on the brake.
17
53117
1926
Šlápla jsem na brzdu.
01:07
But no, this guy isn't slowing down.
18
55043
2254
Ale ne, ten člověk nezpomaluje.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
Ten člověk zastavuje, na doraz, na doraz na dálnici.
01:12
It was just going 65 -- to zero?
20
60475
2540
Z 65 mil za hodinu na nulu.
01:15
I slammed on the brakes.
21
63015
1520
Prudce jsem sešlápla brzdy.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Cítila jsem, jak ABS naskočilo, a auto stále jede,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
a nezastaví, a já vím, že nezastaví,
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
a airbag vystřeluje, auto je hotové,
01:25
and fortunately, no one was hurt.
25
73229
3557
a naštěstí, nikdo nebyl zraněn.
01:28
But I had no idea that car was stopping,
26
76786
4211
Ale já jsem nevěděla, že to auto zastavovalo
01:32
and I think we can do a lot better than that.
27
80997
3645
a myslím si, že to můžeme udělat mnohem lépe.
01:36
I think we can transform the driving experience
28
84642
4145
Myslím si, že můžeme přeměnit zkušenosti z řízení tak,
01:40
by letting our cars talk to each other.
29
88787
3879
že necháme naše auta spolu mluvit.
01:44
I just want you to think a little bit
30
92666
1424
Chci jen, aby jste trochu popřemýšleli,
01:46
about what the experience of driving is like now.
31
94090
2888
jaké jsou zkušenosti s řízením nyní.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Jdete do svého auta. Zavřete dveře. Jste ve skleněné bublině.
01:53
You can't really directly sense the world around you.
33
101006
2916
Nemůžete bezprostředně vnímat svět kolem vás.
01:55
You're in this extended body.
34
103922
2181
Jste v tomto rozšířeném těle.
01:58
You're tasked with navigating it down
35
106103
2163
Jste pověřeni navigovat je po
02:00
partially-seen roadways,
36
108266
2056
částečně viditelných silnicích,
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
v kovovém obrovi mezi dalšími takovými, rychlostí super člověka.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
Je to tak? A vše, co máte, aby vás vedlo, jsou vaše dvě oči.
02:11
Okay, so that's all you have,
39
119226
1762
Dobrá, takže to je vše, co máte,
02:12
eyes that weren't really designed for this task,
40
120988
1735
oči, které ve skutečnosti ani nebyly navrženy pro takový úkol,
02:14
but then people ask you to do things like,
41
122723
3751
ale pak vás lidé žádají o věci typu
02:18
you want to make a lane change,
42
126474
1549
přejetí do jiného jízdního pruhu.
02:20
what's the first thing they ask you do?
43
128023
2321
Co je první věcí, kterou chtějí, aby jste udělali?
02:22
Take your eyes off the road. That's right.
44
130344
3095
Spusťte oči ze silnice. Tak je to správně.
02:25
Stop looking where you're going, turn,
45
133439
2096
Přestaňte se dívat, kam jedete, zabočte,
02:27
check your blind spot,
46
135535
2018
zkontrolujte si svůj slepý bod
02:29
and drive down the road without looking where you're going.
47
137553
3471
a jeďte po silnici, aniž by jste sledovali, kam jedete.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Vy a všichni ostatní. Tohle je bezpečný způsob řízení.
02:36
Why do we do this? Because we have to,
49
144159
2241
Proč to děláme? Protože musíme,
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
musíme se rozhodnout, podívám se sem, nebo sem?
02:40
What's more important?
51
148979
1521
Co je důležitější?
02:42
And usually we do a fantastic job
52
150500
2711
A obvykle odvádíme skvělou práci,
02:45
picking and choosing what we attend to on the road.
53
153211
3769
odhadujeme a vybíráme čeho se na silnici účastníme.
02:48
But occasionally we miss something.
54
156980
3650
Ale příležitostně nám něco unikne.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
Příležitostně něco zachytíme špatně nebo příliš pozdě.
02:57
In countless accidents, the driver says,
56
165091
1988
U bezpočtu nehod řidič říká:
02:59
"I didn't see it coming."
57
167079
2308
"Nečekal jsem to."
03:01
And I believe that. I believe that.
58
169387
3281
A já tomu věřím. Věřím tomu.
03:04
We can only watch so much.
59
172668
2925
Nemůžeme vnímat všechno.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
Ale nyní existuje technologie, která nám to může pomoci zlepšit.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
V budoucnosti, kde si auta jedno s druhým budou vyměňovat údaje,
03:17
we will be able to see not just three cars ahead
62
185033
3928
budeme schopni vidět nejen tři auta před sebou
03:20
and three cars behind, to the right and left,
63
188961
1594
a tři za sebou, vpravo a vlevo,
03:22
all at the same time, bird's eye view,
64
190555
3166
vše zároveň, z ptačí perspektivy,
03:25
we will actually be able to see into those cars.
65
193721
3128
ale také uvidíme dovnitř aut.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Budeme schopni vidět rychlost auta před námi,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
jak rychle ten člověk jede nebo zastavuje.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Jestli ten člověk zpomaluje na nulu, budu o tom vědět.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
A s výpočty a algoritmy a prediktivními modely
03:42
we will be able to see the future.
70
210829
3273
budeme schopni vidět do budoucnosti.
03:46
You may think that's impossible.
71
214102
1556
Možná si myslíte, že je to nemožné.
03:47
How can you predict the future? That's really hard.
72
215658
2731
Jak můžete předpovědět budoucnost? Je to skutečně těžké.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Vlastně, není. S auty to není nemožné.
03:54
Cars are three-dimensional objects
74
222008
2732
Auta jsou trojrozměrné objekty,
03:56
that have a fixed position and velocity.
75
224740
2332
které mají pevnou polohu a rychlost.
03:59
They travel down roads.
76
227072
1631
Cestují po silnicích.
04:00
Often they travel on pre-published routes.
77
228703
2412
Často cestují po předběžně zveřejněných cestách.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
Skutečně není tak těžké udělat přiměřené prognózy toho,
04:07
about where a car's going to be in the near future.
79
235053
2864
kam auto pojede v blízké budoucnosti.
04:09
Even if, when you're in your car
80
237917
2002
I v případě, že jste ve svém autě
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
a nějaký motocyklista předjíždí -- bum! --
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
rychlostí 85 mil za hodinu --
04:16
I know you've had this experience --
83
244209
2547
já vím, že jste měli takovou zkušenost --
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
tenhle chlapík nepřijel "jen tak odnikud".
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Tento chlapík byl na silnici nejspíš poslední půl hodiny.
04:25
(Laughter)
86
253002
1190
(Smích)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
Je to tak? Chci říct, někdo jej už viděl.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
Deset, 20, 30 mil nazpět toho chlapíka někdo viděl,
04:32
and as soon as one car sees that guy
89
260549
2384
a jakmile jedno auto toho člověka spatří
04:34
and puts him on the map, he's on the map --
90
262933
2231
a umístí jej na mapu, je na mapě --
04:37
position, velocity,
91
265164
2176
poloha, rychlost,
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
s dobrým odhadem bude pokračovat v jízdě 85 mil za hodinu.
04:41
You'll know, because your car will know, because
93
269661
2184
Budete to vědět, protože vaše auto to bude vědět,
04:43
that other car will have whispered something in his ear,
94
271845
2275
protože mu to jiné auto zašeptá do ucha:
04:46
like, "By the way, five minutes,
95
274120
1923
"Mimochodem, pět minut,
04:48
motorcyclist, watch out."
96
276043
2775
motocyklista, dávej pozor."
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Můžete přiměřeně předvídat, jak se auta chovají.
04:53
I mean, they're Newtonian objects.
98
281521
1365
Chci říct, jsou to Newtonovy objekty.
04:54
That's very nice about them.
99
282886
2909
To je na nich velice pěkné.
04:57
So how do we get there?
100
285795
3034
Takže jak se k tomu dostaneme?
05:00
We can start with something as simple
101
288829
2266
Můžeme začít s něčím tak jednoduchým,
05:03
as sharing our position data between cars,
102
291095
2870
jako je sdílení údajů o naší poloze mezi auty,
05:05
just sharing GPS.
103
293965
1892
stačí sdílené GPS.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Pokud budu mít ve svém autě GPS a kameru,
05:10
I have a pretty precise idea of where I am
105
298301
2231
budu mít dost přesnou představu o tom, kde jsem
05:12
and how fast I'm going.
106
300532
1732
a jak rychle jedu.
05:14
With computer vision, I can estimate where
107
302264
1657
S počítačovým viděním můžu odhadnout,
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
kde asi jsou auta kolem mě, a kam jedou.
05:19
And same with the other cars.
109
307458
970
A totéž s ostatními auty.
05:20
They can have a precise idea of where they are,
110
308428
1814
Můžou mít přesnou představu o tom, kde jsou,
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
a takovou mlhavou představu, kde jsou ostatní auta.
05:24
What happens if two cars share that data,
112
312388
3231
Co se stane, jestli dvě auta sdílí tyto údaje,
05:27
if they talk to each other?
113
315619
1955
jestli spolu mluví?
05:29
I can tell you exactly what happens.
114
317574
2778
Můžu vám říct přesně, co se stane.
05:32
Both models improve.
115
320352
2339
Oba modely se zlepší.
05:34
Everybody wins.
116
322691
2055
Každý vyhraje.
05:36
Professor Bob Wang and his team
117
324746
2577
Profesor Bob Wang a jeho tým
05:39
have done computer simulations of what happens
118
327323
2738
udělali počítačové simulace toho, co se stane,
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
když se nejasné odhady spojí, dokonce i v provozu za světla,
05:45
when cars just share GPS data,
120
333492
2624
kdy auta sdílí GPS údaje,
05:48
and we've moved this research out of the computer simulation
121
336116
2513
a my jsme tento výzkum posunuli z počítačové simulace
05:50
and into robot test beds that have the actual sensors
122
338629
3027
do robotových testbed, které mají skutečné snímače,
05:53
that are in cars now on these robots:
123
341656
3133
které jsou nyní v autech na těchto robotech:
05:56
stereo cameras, GPS,
124
344789
1838
stereo kamery, GPS,
05:58
and the two-dimensional laser range finders
125
346627
1874
a dvourozměrné laserové dálkoměry,
06:00
that are common in backup systems.
126
348501
2240
které jsou běžné v zálohovacích systémech.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
Přikládáme také diskrétní komunikační rádio krátkého dosahu
06:07
and the robots talk to each other.
128
355225
1909
a roboti spolu hovoří.
06:09
When these robots come at each other,
129
357134
1539
Když na sebe roboti přijdou,
06:10
they track each other's position precisely,
130
358673
2971
přesně sledují vzájemnou polohu
06:13
and they can avoid each other.
131
361644
2737
a mohou se sobě navzájem vyhnout.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Nyní do této kombinace přidáváme více a více robotů
06:19
and we encountered some problems.
133
367607
1471
a narazili jsme na určité problémy.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Jeden z těch problémů je, když je kolem příliš mnoho štěbetání,
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
je obtížné zpracovat všechny balíčky, takže musíte něco upřednostnit,
06:27
and that's where the predictive model helps you.
136
375165
2357
a zde vám pomohou prediktivní modely.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Pokud vaše auta-roboty všechny sledují předpovězené trajektorie,
06:33
you don't pay as much attention to those packets.
138
381894
1767
nemusíte věnovat tolik pozornosti těm balíčkům.
06:35
You prioritize the one guy
139
383661
1703
Upřednostníte jednoho člověka,
06:37
who seems to be going a little off course.
140
385364
1333
který se zdá být trochu mimo kurz.
06:38
That guy could be a problem.
141
386697
2526
Ten by mohl být problémem.
06:41
And you can predict the new trajectory.
142
389223
3002
A vy můžete předpovědět novou trajektorii.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
Takže víte nejen to, že jede mimo kurz, víte i jak.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
A víte které řidiče máte varovat, aby uhnuli z cesty.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
Šlo nám o to, jak nejlépe varovat každého.
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
Jak mohou tato auta šeptat: "Musíš uhnout z cesty?"
06:56
Well, it depends on two things:
147
404529
1517
Nu, záleží to na dvou věcech:
06:58
one, the ability of the car,
148
406046
2169
zaprvé na schopnosti auta,
07:00
and second the ability of the driver.
149
408215
3217
a zadruhé na schopnosti řidiče.
07:03
If one guy has a really great car,
150
411432
1505
Pokud má jeden člověk opravdu velké auto,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
ale zrovna telefonuje, nebo, však víte, prostě něco dělá,
07:07
they're not probably in the best position
152
415862
1930
asi není v té nejlepší pozici,
07:09
to react in an emergency.
153
417792
2970
aby reagoval v případě pohotovosti.
07:12
So we started a separate line of research
154
420762
1665
Takže jsme začali se samostatnou částí výzkumu,
07:14
doing driver state modeling.
155
422427
2551
který modeluje stav řidiče.
07:16
And now, using a series of three cameras,
156
424978
2329
A nyní, za užití série tří kamer,
07:19
we can detect if a driver is looking forward,
157
427307
2270
můžeme odhalit, jestli se řidič dívá dopředu,
07:21
looking away, looking down, on the phone,
158
429577
2860
jinam, dolů, na telefon,
07:24
or having a cup of coffee.
159
432437
3061
nebo jestli si dává šálek kávy.
07:27
We can predict the accident
160
435498
2070
Umíme předpovědět nehodu,
07:29
and we can predict who, which cars,
161
437568
3651
a umíme předpovědět kdo, která auta,
07:33
are in the best position to move out of the way
162
441219
3486
jsou v nejlepší pozici k poodjetí z cesty,
07:36
to calculate the safest route for everyone.
163
444705
3009
abychom vypočítali nejbezpečnější cestu pro každého.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
V podstatě tyto technologie dnes existují.
07:44
I think the biggest problem that we face
165
452349
2824
Myslím si, že největší problém, kterému čelíme,
07:47
is our own willingness to share our data.
166
455173
3013
je naše vlastní ochota sdílet údaje.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Myslím, že je to velmi znepokojující představa,
07:52
this idea that our cars will be watching us,
168
460817
2386
tento nápad, že naše auta nás budou sledovat,
07:55
talking about us to other cars,
169
463203
3371
říkat o nás dalším autům,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
že pojedeme po cestě v moři pomluv.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Ale věřím, že to může být uděláno způsobem, který by chránil naše soukromí,
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
stejně jako nyní, kdy se zvenku podívám na vaše auto,
08:09
I don't really know about you.
173
477639
2363
a prakticky o vás nevím.
08:12
If I look at your license plate number,
174
480002
1137
Když se podívám na vaši státní poznávací značku,
08:13
I don't really know who you are.
175
481139
1886
ve skutečnosti nevím, kdo jste.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Věřím, že naše auta o nás mohou mluvit za našimi zády.
08:19
(Laughter)
177
487274
2975
(Smích)
08:22
And I think it's going to be a great thing.
178
490249
3185
A myslím si, že to bude skvělá věc.
08:25
I want you to consider for a moment
179
493434
1650
Chci, aby jste na chvíli pouvažovali,
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
zda opravdu nechcete, aby ten nepozorný teenager za vámi
08:31
to know that you're braking,
181
499202
2120
věděl, že zastavujete,
08:33
that you're coming to a dead stop.
182
501322
2924
že zastavujete na doraz.
08:36
By sharing our data willingly,
183
504246
2741
Ochotným sdílením našich dat
08:38
we can do what's best for everyone.
184
506987
2812
můžeme udělat to, co je nejlepší pro každého.
08:41
So let your car gossip about you.
185
509799
3076
Tak nechte vaše auto, aby vás pomlouvalo.
08:44
It's going to make the roads a lot safer.
186
512875
3038
Silnice budou mnohem bezpečnější.
08:47
Thank you.
187
515913
1791
Děkuji vám za pozornost.
08:49
(Applause)
188
517704
4985
(Potlesk)
ABOUT THE SPEAKER
Jennifer Healey - Research scientistA research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.
Why you should listen
Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.
Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.
Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.
Jennifer Healey | Speaker | TED.com