TED2012
Vijay Kumar: Robots that fly ... and cooperate
Βιτζέι Κουμάρ: Ρομπότ που πετούν... και συνεργάζονται
Filmed:
Readability: 4.5
5,188,706 views
Στο εργαστήριό του στο Πεν, ο Βιτζέι Κουμάρ και η ομάδα του δημιουργούν ιπτάμενα τετραπτέρυγα, μικρά, ευκίνητα ρομπότ που δημιουργούν σμήνη, αντιλαμβάνονται το ένα το άλλο και διαμορφώνουν αυτόνομες ομάδες για κατασκευές, καταγραφή καταστροφών και πολλά άλλα.
Vijay Kumar - Roboticist
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
Double-click the English transcript below to play the video.
00:20
Good morning.
0
5000
2000
Καλημέρα.
00:22
I'm here today to talk
1
7000
2000
Είμαι εδώ σήμερα για να μιλήσω
00:24
about autonomous, flying beach balls.
2
9000
3000
για αυτόνομες, ιπτάμενες μπάλες βόλεϊ.
00:27
No, agile aerial robots like this one.
3
12000
4000
Όχι -- Ευκίνητα ιπτάμενα ρομπότ σαν αυτό εδώ.
00:31
I'd like to tell you a little bit about the challenges in building these
4
16000
3000
Θα ήθελα να σας μιλήσω λίγο για τις προκλήσεις στη δημιουργία τους
00:34
and some of the terrific opportunities
5
19000
2000
και για τις καταπληκτικές δυνατότητες
00:36
for applying this technology.
6
21000
2000
στην εφαρμογή αυτής της τεχνολογίας.
00:38
So these robots
7
23000
2000
Αυτά, λοιπόν, τα ρομπότ
00:40
are related to unmanned aerial vehicles.
8
25000
3000
σχετίζονται με τα μη επανδρωμένα αεροσκάφη.
00:43
However, the vehicles you see here are big.
9
28000
3000
Παρόλα αυτά, τα μέσα που βλέπετε εδώ είναι μεγάλα.
00:46
They weigh thousands of pounds,
10
31000
2000
Ζυγίζουν μερικά εκατοντάδες κιλά,
00:48
are not by any means agile.
11
33000
2000
και δεν είναι επ' ουδενί ευκίνητα.
00:50
They're not even autonomous.
12
35000
2000
Δεν είναι καν αυτόνομα.
00:52
In fact, many of these vehicles
13
37000
2000
Για την ακρίβεια, πολλά από αυτά τα μέσα
00:54
are operated by flight crews
14
39000
2000
ελέγχονται από πληρώματα ιπταμένων
00:56
that can include multiple pilots,
15
41000
3000
που μπορεί να περιλαμβάνουν πολλούς πιλότους,
00:59
operators of sensors
16
44000
2000
χειριστές αισθητήρων
01:01
and mission coordinators.
17
46000
2000
και συντονιστές αποστολών.
01:03
What we're interested in is developing robots like this --
18
48000
2000
Αυτό που μας ενδιαφέρει είναι η ανάπτυξη ρομπότ σαν αυτά
01:05
and here are two other pictures --
19
50000
2000
-- εδώ βλέπετε άλλες δύο φωτογραφίες --
01:07
of robots that you can buy off the shelf.
20
52000
3000
εμπορικά ρομπότ για πώληση στο εμπόριο.
01:10
So these are helicopters with four rotors
21
55000
3000
Αυτά, λοιπόν, είναι ελικόπτερα με τέσσερις έλικες
01:13
and they're roughly a meter or so in scale
22
58000
4000
μεγέθους περίπου ενός μέτρου
01:17
and weigh several pounds.
23
62000
2000
και βάρους μερικών κιλών.
01:19
And so we retrofit these with sensors and processors,
24
64000
3000
Τα εξοπλίζουμε με αισθητήρες και επεξεργαστές,
01:22
and these robots can fly indoors
25
67000
2000
και αυτά τα ρομπότ μπορούν να πετάξουν εντός κτιρίων
01:24
without GPS.
26
69000
2000
χωρίς GPS.
01:26
The robot I'm holding in my hand
27
71000
2000
Το ρομπότ που κρατάω στο χέρι μου
01:28
is this one,
28
73000
2000
είναι αυτό,
01:30
and it's been created by two students,
29
75000
3000
και δημιουργήθηκε από δύο φοιτητές,
01:33
Alex and Daniel.
30
78000
2000
τον Άλεξ και τον Ντάνιελ.
01:35
So this weighs a little more
31
80000
2000
Αυτό, λοιπόν, ζυγίζει λίγο παραπάνω
01:37
than a tenth of a pound.
32
82000
2000
από 45 γραμμάρια.
01:39
It consumes about 15 watts of power.
33
84000
2000
Καταναλώνει ενέργεια περίπου 15 βατ.
01:41
And as you can see,
34
86000
2000
Και, όπως μπορείτε να δείτε,
01:43
it's about eight inches in diameter.
35
88000
2000
έχει διάμετρο περίπου 20 εκατοστά.
01:45
So let me give you just a very quick tutorial
36
90000
3000
Επιτρέψτε μου, λοιπόν, μία γρήγορη επίδειξη
01:48
on how these robots work.
37
93000
2000
για πώς λειτουργούν αυτά τα ρομπότ.
01:50
So it has four rotors.
38
95000
2000
Έχει, λοιπόν, τέσσερις έλικες.
01:52
If you spin these rotors at the same speed,
39
97000
2000
Όταν οι έλικες περιστρέφονται με την ίδια ταχύτητα,
01:54
the robot hovers.
40
99000
2000
το ρομπότ αιωρείται.
01:56
If you increase the speed of each of these rotors,
41
101000
3000
Εάν αυξήσετε την ταχύτητα ενός έλικα,
01:59
then the robot flies up, it accelerates up.
42
104000
3000
τότε το ρομπότ σηκώνεται, επιταχύνει.
02:02
Of course, if the robot were tilted,
43
107000
2000
Φυσικά, εάν το ρομπότ πάρει κλίση,
02:04
inclined to the horizontal,
44
109000
2000
σε σχέση με το οριζόντιο επίπεδο,
02:06
then it would accelerate in this direction.
45
111000
3000
μετά θα επιταχύνει προς αυτή την κατεύθυνση.
02:09
So to get it to tilt, there's one of two ways of doing it.
46
114000
3000
Για να το κάνετε να γείρει, υπάρχουν δύο τρόποι.
02:12
So in this picture
47
117000
2000
Σε αυτή, λοιπόν, την εικόνα
02:14
you see that rotor four is spinning faster
48
119000
2000
μπορείτε να δείτε ότι ο τέταρτος έλικας περιστρέφεται ταχύτερα
02:16
and rotor two is spinning slower.
49
121000
2000
και ο δεύτερος έλικας περιστρέφεται πιο αργά.
02:18
And when that happens
50
123000
2000
Και όταν συμβαίνει αυτό
02:20
there's moment that causes this robot to roll.
51
125000
3000
υπάρχει ένα σημείο που αναγκάζει το ρομπότ να περιστραφεί.
02:23
And the other way around,
52
128000
2000
Και αντίστροφα,
02:25
if you increase the speed of rotor three
53
130000
3000
εάν αυξηθεί η ταχύτητα περιστροφής του τρίτου έλικα
02:28
and decrease the speed of rotor one,
54
133000
2000
και μειωθεί του πρώτου έλικα,
02:30
then the robot pitches forward.
55
135000
3000
τότε το ρομπότ κινείται προς τα εμπρός.
02:33
And then finally,
56
138000
2000
Και, τέλος,
02:35
if you spin opposite pairs of rotors
57
140000
2000
εάν περιστραφεί ένα αντιδιαμετρικό ζευγάρι έλικες
02:37
faster than the other pair,
58
142000
2000
γρηγορότερα από το άλλο ζευγάρι,
02:39
then the robot yaws about the vertical axis.
59
144000
2000
τότε το ρομπότ περιστρέφεται στον κάθετο άξονα.
02:41
So an on-board processor
60
146000
2000
Έτσι, ένας ενσωματωμένος επεξεργαστής
02:43
essentially looks at what motions need to be executed
61
148000
3000
ουσιαστικά ελέγχει τις κινήσεις που πρέπει να εκτελεστούν
02:46
and combines these motions
62
151000
2000
και συνδυάζει αυτές τις κινήσεις
02:48
and figures out what commands to send to the motors
63
153000
3000
για να βρει ποιες εντολές πρέπει να στείλει στους έλικες
02:51
600 times a second.
64
156000
2000
600 φορές το δευτερόλεπτο.
02:53
That's basically how this thing operates.
65
158000
2000
Αυτή είναι η βασική αρχή λειτουργίας του.
02:55
So one of the advantages of this design
66
160000
2000
Έτσι, ένα από τα πλεονεκτήματα αυτού του σχεδιασμού
02:57
is, when you scale things down,
67
162000
2000
είναι, όταν κατεβαίνουμε κλίμακα,
02:59
the robot naturally becomes agile.
68
164000
3000
ότι το ρομπότ φυσικά γίνεται ευέλικτο.
03:02
So here R
69
167000
2000
Εδώ η τιμή R
03:04
is the characteristic length of the robot.
70
169000
2000
είναι το χαρακτηριστικό μήκος του ρομπότ.
03:06
It's actually half the diameter.
71
171000
3000
Για την ακρίβεια, είναι το μισό της διαμέτρου.
03:09
And there are lots of physical parameters that change
72
174000
3000
Και υπάρχουν πολλές φυσικές παράμετροι που αλλάζουν
03:12
as you reduce R.
73
177000
2000
όσο μειώνεται το R.
03:14
The one that's the most important
74
179000
2000
Αυτή που είναι η πιό σημαντική
03:16
is the inertia or the resistance to motion.
75
181000
2000
είναι η αδράνεια ή η αντίσταση στην κίνηση.
03:18
So it turns out,
76
183000
2000
Αποδεικνύεται, λοιπόν,
03:20
the inertia, which governs angular motion,
77
185000
3000
πως η αδράνεια, που ρυθμίζει την γωνιακή κίνηση,
03:23
scales as a fifth power of R.
78
188000
3000
αυξάνει την τιμή του R στην πέμπτη δύναμη.
03:26
So the smaller you make R,
79
191000
2000
Όσο, λοιπόν, μικρότερη τιμή έχει το R,
03:28
the more dramatically the inertia reduces.
80
193000
3000
τόσο πιο εντυπωσιακά μειώνεται η αδράνεια.
03:31
So as a result, the angular acceleration,
81
196000
3000
Έτσι, ως αποτέλεσμα, η γωνιακή επιτάχυνση,
03:34
denoted by Greek letter alpha here,
82
199000
2000
που εδώ συμβολίζεται με το ελληνικό γράμμα άλφα,
03:36
goes as one over R.
83
201000
2000
γίνεται 1 προς R.
03:38
It's inversely proportional to R.
84
203000
2000
Είναι αντιστρόφως ανάλογη του R.
03:40
The smaller you make it the more quickly you can turn.
85
205000
3000
Όσο μικρότερη είναι, τόσο πιο γρήγορα γίνεται η περιστροφή.
03:43
So this should be clear in these videos.
86
208000
2000
Αυτό φαίνεται ξεκάθαρα στα βίντεο.
03:45
At the bottom right you see a robot
87
210000
3000
Κάτω δεξιά βλέπετε ένα ρομπότ
03:48
performing a 360 degree flip
88
213000
2000
να κάνει μια περιστροφή 360 μοιρών
03:50
in less than half a second.
89
215000
2000
σε λιγότερο από μισό δευτερόλεπτο.
03:52
Multiple flips, a little more time.
90
217000
3000
Πολλαπλές περιστροφές σε λίγο περισσότερο χρόνο.
03:55
So here the processes on board
91
220000
2000
Οι διεργασίες στην μητρική πλακέτα
03:57
are getting feedback from accelerometers
92
222000
2000
παίρνουν πληροφορίες από επιταχυνσιόμετρα
03:59
and gyros on board
93
224000
2000
και ενσωματωμένα γυροσκόπια
04:01
and calculating, like I said before,
94
226000
2000
και υπολογίζουν, όπως είπα πριν,
04:03
commands at 600 times a second
95
228000
2000
600 εντολές το δευτερόλεπτο
04:05
to stabilize this robot.
96
230000
2000
για την σταθεροποίηση του ρομπότ.
04:07
So on the left, you see Daniel throwing this robot up into the air.
97
232000
3000
Στα αριστερά, βλέπεται τον Ντάνιελ να πετάει το ρομπότ στον αέρα.
04:10
And it shows you how robust the control is.
98
235000
2000
Και φαίνεται πόσο ομαλός είναι ο έλεγχος.
04:12
No matter how you throw it,
99
237000
2000
Με οποιονδήποτε τρόπο και να το πετάξετε,
04:14
the robot recovers and comes back to him.
100
239000
4000
το ρομπότ επανέρχεται και γυρίζει πίσω σε αυτόν.
04:18
So why build robots like this?
101
243000
2000
Γιατί, λοιπόν, να φτιάξουμε τέτοια ρομπότ;
04:20
Well robots like this have many applications.
102
245000
3000
Λοιπόν, αυτά τα ρομπότ έχουν πολλές εφαρμογές.
04:23
You can send them inside buildings like this
103
248000
3000
Μπορείτε να τα στείλετε στο εσωτερικό κτιρίων σαν αυτό
04:26
as first responders to look for intruders,
104
251000
3000
ως τους πρώτους ανταποκριτές για να ψάξουν εισβολείς,
04:29
maybe look for biochemical leaks,
105
254000
3000
ίσως για έλεγχο βιοχημικών διαρροών,
04:32
gaseous leaks.
106
257000
2000
διαρροών αερίων.
04:34
You can also use them
107
259000
2000
Μπορούν ακόμα να χρησιμοποιηθούν
04:36
for applications like construction.
108
261000
2000
σε εργασίες όπως η κατασκευαστική.
04:38
So here are robots carrying beams, columns
109
263000
4000
Εδώ τα ρομπότ μεταφέρουν δοκούς, υποστυλώματα
04:42
and assembling cube-like structures.
110
267000
3000
και συναρμολογούν κατασκευές που μοιάζουν με κύβο.
04:45
I'll tell you a little bit more about this.
111
270000
3000
Θα σας πω για αυτό σε λίγο.
04:48
The robots can be used for transporting cargo.
112
273000
3000
Τα ρομπότ μπορούν να χρησιμοποιηθούν για τη μεταφορά φορτίων.
04:51
So one of the problems with these small robots
113
276000
3000
Ένα, λοιπόν, από τα προβλήματα με αυτά τα μικρά ρομπότ
04:54
is their payload carrying capacity.
114
279000
2000
είναι το ωφέλιμο φορτίο τους.
04:56
So you might want to have multiple robots
115
281000
2000
Μπορεί, λοιπόν, να θέλετε πολλαπλά ρομπότ
04:58
carry payloads.
116
283000
2000
να μεταφέρουν φορτία.
05:00
This is a picture of a recent experiment we did --
117
285000
2000
Αυτή είναι μια φωτογραφία από ένα πρόσφατο πείραμα που κάναμε
05:02
actually not so recent anymore --
118
287000
2000
για την ακρίβεια δεν είναι και τόσο πρόσφατο πια --
05:04
in Sendai shortly after the earthquake.
119
289000
3000
στην Σεντάι αμέσως μετά τον σεισμό.
05:07
So robots like this could be sent into collapsed buildings
120
292000
3000
Ρομπότ σαν και αυτά μπορούν να σταλούν σε γκρεμισμένα κτίρια
05:10
to assess the damage after natural disasters,
121
295000
2000
για εκτίμηση ζημιών μετά από φυσικές καταστροφές
05:12
or sent into reactor buildings
122
297000
3000
ή να σταλούν σε κτίρια αντιδραστήρων
05:15
to map radiation levels.
123
300000
3000
για την καταγραφή των επιπέδων ακτινοβολίας.
05:19
So one fundamental problem
124
304000
2000
Έτσι, ένα βασικό πρόβλημα
05:21
that the robots have to solve if they're to be autonomous
125
306000
3000
που πρέπει να λύσουν τα ρομπότ, εάν τα θέλουμε αυτόνομα,
05:24
is essentially figuring out
126
309000
2000
είναι η εξεύρεση ενός τρόπου
05:26
how to get from point A to point B.
127
311000
2000
μετάβασης από το σημείο Α στο σημείο Β.
05:28
So this gets a little challenging
128
313000
2000
Αυτό αποτελεί μια μικρή πρόκληση,
05:30
because the dynamics of this robot are quite complicated.
129
315000
3000
γιατί η δυναμική αυτού του ρομπότ είναι αρκετά πολύπλοκη.
05:33
In fact, they live in a 12-dimensional space.
130
318000
2000
Για την ακρίβεια, ζουν σε ένα χώρο 12 διαστάσεων.
05:35
So we use a little trick.
131
320000
2000
Χρησιμοποιούμε, λοιπόν, ένα μικρό τέχνασμα.
05:37
We take this curved 12-dimensional space
132
322000
3000
Παίρνουμε αυτόν τον κυρτό χώρο των 12 διαστάσεων
05:40
and transform it
133
325000
2000
και τον μετατρέπουμε
05:42
into a flat four-dimensional space.
134
327000
2000
σε έναν επίπεδο τετραδιάστατο χώρο.
05:44
And that four-dimensional space
135
329000
2000
Και αυτός ο τετραδιάστατος χώρος
05:46
consists of X, Y, Z and then the yaw angle.
136
331000
3000
αποτελείται από τους άξονες X, Y, Z και την γωνία εκτροπής.
05:49
And so what the robot does
137
334000
2000
Και αυτό που κάνει αυτό το ρομπότ
05:51
is it plans what we call a minimum snap trajectory.
138
336000
4000
είναι να σχεδιάζει από που αποκαλούμε ελάχιστη διαδρομή.
05:55
So to remind you of physics,
139
340000
2000
Να σας θυμίσω από την Φυσική,
05:57
you have position, derivative, velocity,
140
342000
2000
έχουμε την θέση, κατεύθυνση, ταχύτητα,
05:59
then acceleration,
141
344000
2000
μετά την επιτάχυνση
06:01
and then comes jerk
142
346000
2000
και μετά έχουμε μια απότομη κίνηση
06:03
and then comes snap.
143
348000
2000
και μετά έρχεται η διαδρομή.
06:05
So this robot minimizes snap.
144
350000
3000
Αυτό, λοιπόν, το ρομπότ ελαχιστοποιεί τη διαδρομή.
06:08
So what that effectively does
145
353000
2000
Αυτό που πετυχαίνει
06:10
is produces a smooth and graceful motion.
146
355000
2000
είναι να παράγει μια ομαλή και χαριτωμένη κίνηση.
06:12
And it does that avoiding obstacles.
147
357000
3000
Και αυτό το κάνει με το να αποφεύγει εμπόδια.
06:15
So these minimum snap trajectories in this flat space
148
360000
3000
Αυτές, λοιπόν, οι ελάχιστες διαδρομές στον επίπεδο χώρο
06:18
are then transformed back
149
363000
2000
μετατρέπονται ξανά και δίνονται πίσω
06:20
into this complicated 12-dimensional space,
150
365000
2000
σε αυτόν τον πολύπλοκο χώρο των 12 διαστάσεων,
06:22
which the robot must do
151
367000
2000
τις οποίες πρέπει να εκτελέσει το ρομπότ
06:24
for control and then execution.
152
369000
2000
για έλεγχο και μετά για εκτέλεση.
06:26
So let me show you some examples
153
371000
2000
Επιτρέψτε μου να σας δείξω μερικά παραδείγματα
06:28
of what these minimum snap trajectories look like.
154
373000
2000
για το πώς είναι αυτές οι ελάχιστες τροχιές.
06:30
And in the first video,
155
375000
2000
Και, στο πρώτο βίντεο,
06:32
you'll see the robot going from point A to point B
156
377000
2000
βλέπετε ένα ρομπότ να πηγαίνει από το σημείο Α στο σημείο Β
06:34
through an intermediate point.
157
379000
2000
μέσω ενός ενδιάμεσου σημείου.
06:42
So the robot is obviously capable
158
387000
2000
Αυτό, λοιπόν, το ρομπότ είναι ικανό
06:44
of executing any curve trajectory.
159
389000
2000
να εκτελέσει οποιαδήποτε καμπύλη τροχιά.
06:46
So these are circular trajectories
160
391000
2000
Αυτές είναι κυκλικές τροχιές
06:48
where the robot pulls about two G's.
161
393000
3000
όπου το ρομπότ δέχεται επιτάχυνση περίπου 2G.
06:52
Here you have overhead motion capture cameras on the top
162
397000
4000
Εδώ έχουμε κάμερες γενικής καταγραφής της κίνησης στην κορυφή
06:56
that tell the robot where it is 100 times a second.
163
401000
3000
που ενημερώνουν το ρομπότ για τη θέση του 100 φορές το δευτερόλεπτο.
06:59
It also tells the robot where these obstacles are.
164
404000
3000
Επίσης, ενημερώνει το ρομπότ που είναι αυτά τα εμπόδια.
07:02
And the obstacles can be moving.
165
407000
2000
Και τα εμπόδια μπορεί να είναι κινούμενα.
07:04
And here you'll see Daniel throw this hoop into the air,
166
409000
3000
Εδώ βλέπετε τον Ντάνιελ να πετάει μια στεφάνη στον αέρα,
07:07
while the robot is calculating the position of the hoop
167
412000
2000
ενώ το ρομπότ υπολογίζει τη θέση της στεφάνης
07:09
and trying to figure out how to best go through the hoop.
168
414000
4000
και προσπαθεί να προσδιορίσει πώς να περάσει με βέλτιστο τρόπο μέσα από αυτήν.
07:13
So as an academic,
169
418000
2000
Σαν ακαδημαϊκοί,
07:15
we're always trained to be able to jump through hoops to raise funding for our labs,
170
420000
3000
έχουμε μάθει να πηδάμε μέσα από στεφάνες ώστε να μαζέψουμε χρήματα για τα εργαστήριά μας
07:18
and we get our robots to do that.
171
423000
3000
και μαθαίνουμε και στα ρομπότ μας να κάνουν το ίδιο.
07:21
(Applause)
172
426000
6000
(Χειροκρότημα)
07:27
So another thing the robot can do
173
432000
2000
Κάτι άλλο που μπορεί να κάνει το ρομπότ
07:29
is it remembers pieces of trajectory
174
434000
3000
είναι να θυμάται τμήματα της πορείας του
07:32
that it learns or is pre-programmed.
175
437000
2000
που μαθαίνει ή έχει προγραμματιστεί.
07:34
So here you see the robot
176
439000
2000
Εδώ, λοιπόν, βλέπετε ένα ρομπότ
07:36
combining a motion
177
441000
2000
να συνδυάζει μια κίνηση
07:38
that builds up momentum
178
443000
2000
που χτίζεται δυναμικά
07:40
and then changes its orientation and then recovers.
179
445000
3000
και μετά αλλάζει προσανατολισμό και μετά επανέρχεται.
07:43
So it has to do this because this gap in the window
180
448000
3000
Πρέπει να το κάνει αυτό, γιατί αυτό το κενό στο παράθυρο
07:46
is only slightly larger than the width of the robot.
181
451000
4000
είναι ελαφρώς μεγαλύτερο από το πλάτος του ρομπότ.
07:50
So just like a diver stands on a springboard
182
455000
3000
Όπως όταν ένας καταδύτης στέκεται στο βατήρα
07:53
and then jumps off it to gain momentum,
183
458000
2000
και μετά πηδάει από αυτόν για να αποκτήσει ορμή,
07:55
and then does this pirouette, this two and a half somersault through
184
460000
3000
και μετά κάνει αυτή την πιρουέτα, την δυόμιση περιστροφών
07:58
and then gracefully recovers,
185
463000
2000
και μετά επανέρχεται με χάρη.
08:00
this robot is basically doing that.
186
465000
2000
Αυτή είναι η βασική λειτουργία του ρομπότ.
08:02
So it knows how to combine little bits and pieces of trajectories
187
467000
3000
Γνωρίζει πως να συνδυάσει μικρά κομμάτια από τροχιές
08:05
to do these fairly difficult tasks.
188
470000
4000
για να κάνει αυτές τις αρκετά δύσκολες διαδρομές.
08:09
So I want change gears.
189
474000
2000
Ας αλλάξουμε θέμα.
08:11
So one of the disadvantages of these small robots is its size.
190
476000
3000
Ένα από τα μειονεκτήματα αυτών των μικρών ρομπότ είναι το μέγεθός τους.
08:14
And I told you earlier
191
479000
2000
Και, όπως σας είπα νωρίτερα,
08:16
that we may want to employ lots and lots of robots
192
481000
2000
μπορεί να θέλουμε να χρησιμοποιήσουμε πάρα πολλά ρομπότ
08:18
to overcome the limitations of size.
193
483000
3000
για να υπερβούμε τους περιορισμούς του μεγέθους.
08:21
So one difficulty
194
486000
2000
Έτσι, μια δυσκολία
08:23
is how do you coordinate lots of these robots?
195
488000
3000
είναι πώς συντονίζεις όλα αυτά τα ρομπότ;
08:26
And so here we looked to nature.
196
491000
2000
Εδώ, λοιπόν, εξετάσαμε τι συμβαίνει στη φύση.
08:28
So I want to show you a clip
197
493000
2000
Θέλω, λοιπόν, να σας δείξω ένα βίντεο
08:30
of Aphaenogaster desert ants
198
495000
2000
με αυστραλιανά μυρμήγκια της ερήμου
08:32
in Professor Stephen Pratt's lab carrying an object.
199
497000
3000
στο εργαστήριο του καθηγητή Στίβεν Πρατ όπου μεταφέρουν ένα αντικείμενο.
08:35
So this is actually a piece of fig.
200
500000
2000
Για την ακρίβεια αυτό είναι ένα κομμάτι σύκου.
08:37
Actually you take any object coated with fig juice
201
502000
2000
Για την ακρίβεια, οτιδήποτε είναι επικαλυμμένο με χυμό σύκου
08:39
and the ants will carry them back to the nest.
202
504000
3000
τα μυρμήγκια θα το μεταφέρουν στη φωλιά.
08:42
So these ants don't have any central coordinator.
203
507000
3000
Αυτά, λοιπόν, τα μυρμήγκια δεν έχουν κάποιον κεντρικό συντονιστή.
08:45
They sense their neighbors.
204
510000
2000
Νιώθουν τους γείτονές τους.
08:47
There's no explicit communication.
205
512000
2000
Δεν υπάρχει σαφής επικοινωνία.
08:49
But because they sense the neighbors
206
514000
2000
Αλλά, λόγω του ότι νιώθουν τους γείτονές τους,
08:51
and because they sense the object,
207
516000
2000
και επειδή νιώθουν το αντικείμενο,
08:53
they have implicit coordination across the group.
208
518000
3000
έχουν σαφή συντονισμό μέσα στην ομάδα.
08:56
So this is the kind of coordination
209
521000
2000
Τέτοιου είδους συντονισμό
08:58
we want our robots to have.
210
523000
3000
θέλουμε να έχουν τα ρομπότ μας.
09:01
So when we have a robot
211
526000
2000
Έχουμε, λοιπόν, ένα ρομπότ
09:03
which is surrounded by neighbors --
212
528000
2000
που περιτριγυρίζεται από γείτονες
09:05
and let's look at robot I and robot J --
213
530000
2000
και ας δούμε τα ρομπότ I και J --
09:07
what we want the robots to do
214
532000
2000
αυτό που θέλουμε τα ρομπότ να κάνουν
09:09
is to monitor the separation between them
215
534000
3000
είναι να παρακολουθούν τις αποστάσεις μεταξύ τους
09:12
as they fly in formation.
216
537000
2000
καθώς πετούν σε σχηματισμό.
09:14
And then you want to make sure
217
539000
2000
Και θέλουμε να είμαστε σίγουροι
09:16
that this separation is within acceptable levels.
218
541000
2000
ότι αυτές οι αποστάσεις είναι μέσα σε αποδεκτά όρια.
09:18
So again the robots monitor this error
219
543000
3000
Ξαναλέω, τα ρομπότ ελέγχουν αυτό το σφάλμα
09:21
and calculate the control commands
220
546000
2000
και υπολογίζουν τις εντολές ελέγχου
09:23
100 times a second,
221
548000
2000
100 φορές το δευτερόλεπτο,
09:25
which then translates to the motor commands 600 times a second.
222
550000
3000
που μετά μεταφράζονται στον ρότορα σε 600 φορές το δευτερόλεπτο.
09:28
So this also has to be done
223
553000
2000
Αυτό, λοιπόν, πρέπει να γίνεται
09:30
in a decentralized way.
224
555000
2000
με έναν αποκεντρωτικό τρόπο.
09:32
Again, if you have lots and lots of robots,
225
557000
2000
Ξανά, εάν έχετε πάρα πολλά ρομπότ,
09:34
it's impossible to coordinate all this information centrally
226
559000
4000
είναι αδύνατος ο κεντρικός συντονισμός όλης αυτής της πληροφορίας
09:38
fast enough in order for the robots to accomplish the task.
227
563000
3000
τόσο γρήγορα ώστε τα ρομπότ να εκτελέσουν το έργο.
09:41
Plus the robots have to base their actions
228
566000
2000
Συν το ότι τα ρομπότ πρέπει να βασίζουν τις ενέργειές τους
09:43
only on local information,
229
568000
2000
μόνο στις τοπικές πληροφορίες,
09:45
what they sense from their neighbors.
230
570000
2000
τι νιώθουν από τους γείτονές τους.
09:47
And then finally,
231
572000
2000
Και, τέλος,
09:49
we insist that the robots be agnostic
232
574000
2000
επιμένουμε ότι τα ρομπότ πρέπει να είναι αδιάφορα
09:51
to who their neighbors are.
233
576000
2000
για το ποιοι είναι οι γείτονές τους.
09:53
So this is what we call anonymity.
234
578000
3000
Είναι αυτό που ονομάζουμε ανωνυμία.
09:56
So what I want to show you next
235
581000
2000
Αυτό, λοιπόν, που θέλω να σας δείξω
09:58
is a video
236
583000
2000
είναι ένα βίντεο
10:00
of 20 of these little robots
237
585000
3000
από 20 τέτοια μικρά ρομπότ
10:03
flying in formation.
238
588000
2000
που πετούν σε σχηματισμό.
10:05
They're monitoring their neighbors' position.
239
590000
3000
Παρακολουθούν την κίνηση των διπλανών τους.
10:08
They're maintaining formation.
240
593000
2000
Διατηρούν τον σχηματισμό.
10:10
The formations can change.
241
595000
2000
Ο σχηματισμός μπορεί να αλλάξει.
10:12
They can be planar formations,
242
597000
2000
Μπορεί να είναι επίπεδοι σχηματισμοί,
10:14
they can be three-dimensional formations.
243
599000
2000
μπορεί να είναι τρισδιάστατοι σχηματισμοί.
10:16
As you can see here,
244
601000
2000
Όπως μπορείτε να δείτε εδώ,
10:18
they collapse from a three-dimensional formation into planar formation.
245
603000
3000
μεταπίπτουν από έναν τρισδιάστατο σε έναν επίπεδο σχηματισμό.
10:21
And to fly through obstacles
246
606000
2000
Και για να πετάξουν μέσα από αντικείμενα
10:23
they can adapt the formations on the fly.
247
608000
4000
μπορούν να προσαρμόσουν τους σχηματισμούς στον αέρα.
10:27
So again, these robots come really close together.
248
612000
3000
Ξαναλέω ότι, αυτά τα ρομπότ ήρθαν πολύ κοντά μεταξύ τους.
10:30
As you can see in this figure-eight flight,
249
615000
2000
Όπως μπορείτε να δείτε σε αυτή την πτήση σχήματος "8",
10:32
they come within inches of each other.
250
617000
2000
πλησιάζουν σε απόσταση εκατοστών το ένα από το άλλο.
10:34
And despite the aerodynamic interactions
251
619000
3000
Και παρά τις αεροδυναμικές αλληλεπιδράσεις
10:37
of these propeller blades,
252
622000
2000
από τους έλικες,
10:39
they're able to maintain stable flight.
253
624000
2000
μπορούν να διατηρήσουν σταθερή πτήση.
10:41
(Applause)
254
626000
7000
(Χειροκρότημα)
10:48
So once you know how to fly in formation,
255
633000
2000
Από τη στιγμή που ξέρουν πως να πετάξουν σε σχηματισμούς,
10:50
you can actually pick up objects cooperatively.
256
635000
2000
μπορούν να σηκώσουν αντικείμενα συνεργατικά.
10:52
So this just shows
257
637000
2000
Αυτό μας δείχνει
10:54
that we can double, triple, quadruple
258
639000
3000
πως μπορούμε να διπλασιάσουμε, τριπλασιάσουμε, τετραπλασιάσουμε
10:57
the robot strength
259
642000
2000
τη δύναμη των ρομπότ
10:59
by just getting them to team with neighbors, as you can see here.
260
644000
2000
απλά σχηματίζοντας ομάδες με γείτονες, όπως μπορείτε να δείτε εδώ.
11:01
One of the disadvantages of doing that
261
646000
3000
Ένα από τα μειονεκτήματα αυτού είναι,
11:04
is, as you scale things up --
262
649000
2000
καθώς ανεβαίνουμε κλίμακα.
11:06
so if you have lots of robots carrying the same thing,
263
651000
2000
εάν έχουμε πολλά ρομπότ που μεταφέρουν το ίδιο αντικείμενο,
11:08
you're essentially effectively increasing the inertia,
264
653000
3000
έχετε στην ουσία αποτελεσματική αύξηση της αδράνειας,
11:11
and therefore you pay a price; they're not as agile.
265
656000
3000
και επομένως πληρώνουμε το τίμημα: δεν είναι τόσο ευκίνητα.
11:14
But you do gain in terms of payload carrying capacity.
266
659000
3000
Αλλά κερδίζετε σε ωφέλιμο φορτίο.
11:17
Another application I want to show you --
267
662000
2000
Μία άλλη εφαρμογή που θέλω να σας δείξω
11:19
again, this is in our lab.
268
664000
2000
ξανά από το εργαστήριό μας.
11:21
This is work done by Quentin Lindsey who's a graduate student.
269
666000
2000
Η εργασία αυτή έχει γίνει από τον τελειόφοιτο Κουέντιν Λίντσεϊ.
11:23
So his algorithm essentially tells these robots
270
668000
3000
Ο αλγόριθμός του στην ουσία λέει σε αυτά τα ρομπότ
11:26
how to autonomously build
271
671000
2000
πως να χτίσουν αυτόνομα
11:28
cubic structures
272
673000
2000
κυβικές κατασκευές
11:30
from truss-like elements.
273
675000
3000
από μικές σανίδες.
11:33
So his algorithm tells the robot
274
678000
2000
Ο αλγόριθμός του λέει στο ρομπότ
11:35
what part to pick up,
275
680000
2000
ποιο μέρος να σηκώσει,
11:37
when and where to place it.
276
682000
2000
πότε και που να το τοποθετήσει.
11:39
So in this video you see --
277
684000
2000
Σε αυτό το βίντεο βλέπετε
11:41
and it's sped up 10, 14 times --
278
686000
2000
-- είναι επιταγχυμένο κατά 10 - 14 φορές --
11:43
you see three different structures being built by these robots.
279
688000
3000
βλέπετε τρεις διαφορετικές κατασκευές να χτίζονται από αυτά τα ρομπότ.
11:46
And again, everything is autonomous,
280
691000
2000
Επαναλαμβάνω, όλα είναι αυτόνομα
11:48
and all Quentin has to do
281
693000
2000
και το μόνο που πρέπει να κάνει ο Κουέντιν
11:50
is to get them a blueprint
282
695000
2000
είναι να τους δώσει ένα σχεδιάγραμμα
11:52
of the design that he wants to build.
283
697000
4000
αυτού που θέλει να κατασκευάσει.
11:56
So all these experiments you've seen thus far,
284
701000
3000
Όλα αυτά τα πειράματα που είδαμε μέχρι στιγμής,
11:59
all these demonstrations,
285
704000
2000
όλες αυτές οι παρουσιάσεις,
12:01
have been done with the help of motion capture systems.
286
706000
3000
έχουν γίνει με τη βοήθεια συστήματων καταγραφής κίνησης.
12:04
So what happens when you leave your lab
287
709000
2000
Τι γίνεται όμως εάν αφήσουμε το εργαστήριο
12:06
and you go outside into the real world?
288
711000
3000
και πάμε έξω στον πραγματικό κόσμο;
12:09
And what if there's no GPS?
289
714000
3000
Και τι γίνεται όταν δεν υπάρχει διαθέσιμο GPS;
12:12
So this robot
290
717000
2000
Αυτό, λοιπόν, το ρομπότ
12:14
is actually equipped with a camera
291
719000
2000
είναι εξοπλισμένο με μία κάμερα
12:16
and a laser rangefinder, laser scanner.
292
721000
3000
και ένα τηλέμετρο λέιζερ, σαρωτή λέιζερ.
12:19
And it uses these sensors
293
724000
2000
Και χρησιμοποιεί αυτούς τους αισθητήρες
12:21
to build a map of the environment.
294
726000
2000
για να χαρτογραφήσει το περιβάλλοντα χώρο.
12:23
What that map consists of are features --
295
728000
3000
Αυτός ο χάρτης αποτελείται από χαρακτηριστικά
12:26
like doorways, windows,
296
731000
2000
-- όπως εισόδους, παράθυρα,
12:28
people, furniture --
297
733000
2000
ανθρώπους, έπιπλα --
12:30
and it then figures out where its position is
298
735000
2000
και μετά υπολογίζει που βρίσκεται
12:32
with respect to the features.
299
737000
2000
σε σχέση με αυτά τα χαρακτηριστικά.
12:34
So there is no global coordinate system.
300
739000
2000
Δεν υπάρχει, λοιπόν, ένα παγκόσμιο σύστημα συντεταγμένων.
12:36
The coordinate system is defined based on the robot,
301
741000
3000
Το σύστημα συντεταγμένων καθορίζεται σε σχέση με το ρομπότ,
12:39
where it is and what it's looking at.
302
744000
3000
που βρίσκεται και προς τα που έχει στραφεί.
12:42
And it navigates with respect to those features.
303
747000
3000
Και πλοηγείται σε σχέση με αυτά τα χαρακτηριστικά.
12:45
So I want to show you a clip
304
750000
2000
Θέλω να σας δείξω ένα απόσπασμα
12:47
of algorithms developed by Frank Shen
305
752000
2000
από αλγόριθμους που ανέπτυξε ο Φράνκ Σεν
12:49
and Professor Nathan Michael
306
754000
2000
και ο καθηγητής Νέιθαν Μάικλ
12:51
that shows this robot entering a building for the very first time
307
756000
4000
που δείχνει αυτό το ρομπότ να μπαίνει σε ένα κτίριο για πρώτη φορά
12:55
and creating this map on the fly.
308
760000
3000
και να δημιουργεί τον χάρτη επιτόπου.
12:58
So the robot then figures out what the features are.
309
763000
3000
Έτσι, το ρομπότ βρίσκει ποια χαρακτηριστικά υπάρχουν.
13:01
It builds the map.
310
766000
2000
Δημιουργεί τον χάρτη.
13:03
It figures out where it is with respect to the features
311
768000
2000
Βρίσκει τη θέση του σε σχέση με τα χαρακτηριστικά
13:05
and then estimates its position
312
770000
2000
και μετά εκτιμά την θέση του
13:07
100 times a second
313
772000
2000
100 φορές το δευτερόλεπτο
13:09
allowing us to use the control algorithms
314
774000
2000
επιτρέποντάς μας να χρησιμοποιήσουμε τους αλγορίθμους ελέγχου
13:11
that I described to you earlier.
315
776000
2000
που σας περιέγραψα νωρίτερα.
13:13
So this robot is actually being commanded
316
778000
2000
Στην ουσία το ρομπότ παίρνει εντολές
13:15
remotely by Frank.
317
780000
2000
εξ' αποστάσεως από τον Φράνκ.
13:17
But the robot can also figure out
318
782000
2000
Αλλά το ρομπότ μπορεί επίσης να υπολογίσει
13:19
where to go on its own.
319
784000
2000
που να πάει από μόνο του.
13:21
So suppose I were to send this into a building
320
786000
2000
Υποθέστε, λοιπόν, ότι πρέπει να το στείλω σε ένα κτίριο
13:23
and I had no idea what this building looked like,
321
788000
2000
που δεν έχω ιδέα πώς είναι,
13:25
I can ask this robot to go in,
322
790000
2000
μπορώ να ζητήσω στο ρομπότ να μπει μέσα,
13:27
create a map
323
792000
2000
να δημιουργήσει έναν χάρτη
13:29
and then come back and tell me what the building looks like.
324
794000
3000
και μετά να επιστρέψει και να μου πει πώς είναι το κτίριο.
13:32
So here, the robot is not only solving the problem,
325
797000
3000
Εδώ, λοιπόν, το ρομπότ όχι μόνο λύνει το πρόβλημα,
13:35
how to go from point A to point B in this map,
326
800000
3000
του πώς να πάω από το σημείο Α στο σημείο Β του χάρτη,
13:38
but it's figuring out
327
803000
2000
αλλά βρίσκει
13:40
what the best point B is at every time.
328
805000
2000
ποιο είναι το καλύτερο σημείο Β κάθε φορά.
13:42
So essentially it knows where to go
329
807000
3000
Στην ουσία γνωρίζει που να πάει
13:45
to look for places that have the least information.
330
810000
2000
για να βρει σημεία που έχουν την μικρότερη πληροφορία.
13:47
And that's how it populates this map.
331
812000
3000
Με αυτόν τον τρόπο συμπληρώνει τον χάρτη.
13:50
So I want to leave you
332
815000
2000
Θα ήθελα να σας αφήσω
13:52
with one last application.
333
817000
2000
με μια τελευταία εφαρμογή.
13:54
And there are many applications of this technology.
334
819000
3000
Και υπάρχουν πολλές εφαρμογές για αυτή την τεχνολογία.
13:57
I'm a professor, and we're passionate about education.
335
822000
2000
Είμαι καθηγητής και είμαστε παθιασμένοι με την εκπαίδευση.
13:59
Robots like this can really change the way
336
824000
2000
Ρομπότ σαν αυτό μπορούν πραγματικά να αλλάξουν τον τρόπο
14:01
we do K through 12 education.
337
826000
2000
με τον οποίο διδάσκουμε την υποχρεωτική εκπαίδευση.
14:03
But we're in Southern California,
338
828000
2000
Αλλά, είμαστε στην Νότια Καλιφόρνια,
14:05
close to Los Angeles,
339
830000
2000
κοντά στο Λος Άντζελες,
14:07
so I have to conclude
340
832000
2000
οπότε θα πρέπει να τελειώσω
14:09
with something focused on entertainment.
341
834000
2000
με κάτι σχετικό με την διασκέδαση.
14:11
I want to conclude with a music video.
342
836000
2000
Θέλω να κλείσω με ένα μουσικό βίντεο.
14:13
I want to introduce the creators, Alex and Daniel,
343
838000
3000
Θα ήθελα να σας παρουσιάσω τους δημιουργούς, Άλεξ και Ντάνιελ,
14:16
who created this video.
344
841000
2000
που έφτιαξαν αυτό το βίντεο
14:18
(Applause)
345
843000
7000
(Χειροκρότημα)
14:25
So before I play this video,
346
850000
2000
Πριν, λοιπόν, παρουσιάσω αυτό το βίντεο,
14:27
I want to tell you that they created it in the last three days
347
852000
3000
θέλω να σας πω ότι το δημιούργησαν τις τελευταίες τρεις μέρες
14:30
after getting a call from Chris.
348
855000
2000
μόλις δέχθηκαν το τηλεφώνημα του Κρις.
14:32
And the robots that play the video
349
857000
2000
Και τα ρομπότ που φαίνονται στο βίντεο
14:34
are completely autonomous.
350
859000
2000
είναι πλήρως αυτόνομα.
14:36
You will see nine robots play six different instruments.
351
861000
3000
Θα δείτε εννέα ρομπότ να παίζουν έξι διαφορετικά όργανα.
14:39
And of course, it's made exclusively for TED 2012.
352
864000
4000
Και, φυσικά, φτιάχτηκε ειδικά για το TED 2012.
14:43
Let's watch.
353
868000
3000
Ας το παρακολουθήσουμε.
15:19
(Music)
354
904000
10000
(Μουσική)
16:23
(Applause)
355
968000
17000
(Χειροκρότημα)
ABOUT THE SPEAKER
Vijay Kumar - RoboticistAs the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations.
Why you should listen
At the General Robotics, Automation, Sensing and Perception (GRASP) Lab at the University of Pennsylvania, flying quadrotor robots move together in eerie formation, tightening themselves into perfect battalions, even filling in the gap when one of their own drops out. You might have seen viral videos of the quads zipping around the netting-draped GRASP Lab (they juggle! they fly through a hula hoop!). Vijay Kumar headed this lab from 1998-2004. He's now the dean of the School of Engineering and Applied Science at the University of Pennsylvania in Philadelphia, where he continues his work in robotics, blending computer science and mechanical engineering to create the next generation of robotic wonders.
Vijay Kumar | Speaker | TED.com