TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Jennifer Healey: si los autos pudiesen hablar, los accidentes podrían evitarse.
Filmed:
Readability: 3.2
908,454 views
Cuando conducimos, entramos en una burbuja de vidrio, cerramos las puertas y apretamos el acelerador, dependiendo de nuestros ojos para guiarnos, aunque solamente podamos ver pocos autos por delante y por detrás de nosotros. Pero, ¿qué tal si los automóviles pudiesen compartir información entre sí, acerca de su posición y velocidad, y utilizar modelos predictivos para calcular las rutas más seguras para todos en el camino? Jennifer Healy imagina un mundo sin accidentes. (Filmado en 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
Enfrentémoslo:
00:14
Driving is dangerous.
1
2617
2445
conducir, es peligroso.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Es una de las cosas en las que no queremos pensar,
00:20
but the fact that religious icons and good luck charms
3
8160
3652
pero el hecho de que íconos religiosos
y amuletos de la suerte
y amuletos de la suerte
00:23
show up on dashboards around the world
4
11812
4790
estén en tableros alrededor del mundo
00:28
betrays the fact that we know this to be true.
5
16602
4137
traiciona el hecho de que sabemos que esto es cierto.
00:32
Car accidents are the leading cause of death
6
20739
3594
Los accidentes automovilísticos,
son la principal causa de muerte
son la principal causa de muerte
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
en personas entre los 16 y 19 años en EE.UU.,
00:40
leading cause of death --
8
28503
2843
principal causa de muerte,
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
y 75 % de estos accidentes no tienen nada que ver
00:47
with drugs or alcohol.
10
35209
2285
con drogas o alcochol.
00:49
So what happens?
11
37494
2261
¿Entonces, qué pasa?
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Nadie sabe a ciencia cierta,
pero recuerdo mi primer accidente.
pero recuerdo mi primer accidente.
00:55
I was a young driver out on the highway,
13
43974
3803
Era una joven conductora en la autopista,
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
y había otro auto en frente mío,
vi que encendió las luces de frenos
vi que encendió las luces de frenos
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
y me dije, "Bueno, este tipo
está bajando la velocidad,
está bajando la velocidad,
01:03
I'll slow down too."
16
51835
1282
también voy a bajar la velocidad.
01:05
I step on the brake.
17
53117
1926
Pisé el freno.
01:07
But no, this guy isn't slowing down.
18
55043
2254
Pero, no, el tipo no estaba reduciendo la velocidad.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
Se está deteniendo, frenando por completo
en medio de la autopista.
en medio de la autopista.
01:12
It was just going 65 -- to zero?
20
60475
2540
¿Iba a pasar de 65 a...cero?
01:15
I slammed on the brakes.
21
63015
1520
Me paré en el freno.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Sentí el ABS activarse, y que el automóvil
seguía en movimiento
seguía en movimiento
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
y que no iba a frenar, y sabía que no iba a frenar,
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
y se activó el airbag, el automóvil estaba destrozado,
01:25
and fortunately, no one was hurt.
25
73229
3557
y por suerte, nadie resultó herido.
01:28
But I had no idea that car was stopping,
26
76786
4211
Pero no tenía idea que ese automóvil estaba frenando,
01:32
and I think we can do a lot better than that.
27
80997
3645
y creo que podemos hacer algo mejor que eso.
01:36
I think we can transform the driving experience
28
84642
4145
Creo que podemos transformar la experiencia de conducir
01:40
by letting our cars talk to each other.
29
88787
3879
dejando que nuestros automóviles se comuniquen entre sí.
01:44
I just want you to think a little bit
30
92666
1424
Quiero que reflexionen un momento
01:46
about what the experience of driving is like now.
31
94090
2888
acerca de la experiencia actual de conducir.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Suban a su auto. Cierren la puerta.
Se encuentran en una burbuja de vidrio.
Se encuentran en una burbuja de vidrio.
01:53
You can't really directly sense the world around you.
33
101006
2916
No pueden sentir directamente el mundo a su alrededor.
01:55
You're in this extended body.
34
103922
2181
Están en este cuerpo extendido.
01:58
You're tasked with navigating it down
35
106103
2163
Les corresponde navegarlo
02:00
partially-seen roadways,
36
108266
2056
por caminos parcialmente visibles,
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
entre otros gigantes de metal,
a velocidades sobrehumanas.
a velocidades sobrehumanas.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
¿Bien? Y lo único que los guía son sus ojos.
02:11
Okay, so that's all you have,
39
119226
1762
Bien, eso es con lo único que cuentan,
02:12
eyes that weren't really designed for this task,
40
120988
1735
con un par de ojos que no fueron diseñados
para esta tarea,
para esta tarea,
02:14
but then people ask you to do things like,
41
122723
3751
pero luego se les pide que hagan cosas como,
02:18
you want to make a lane change,
42
126474
1549
si quieren cambiar de carril,
02:20
what's the first thing they ask you do?
43
128023
2321
¿qué es lo primero que se les pide que hagan?
02:22
Take your eyes off the road. That's right.
44
130344
3095
Que quiten la vista del camino. Eso es.
02:25
Stop looking where you're going, turn,
45
133439
2096
Tienen que dejar de ver por dónde van, girar,
02:27
check your blind spot,
46
135535
2018
verificar su punto ciego,
02:29
and drive down the road without looking where you're going.
47
137553
3471
y seguir conduciendo por el camino sin ver por dónde van.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Para Uds. y todos los demás.
Esta es la manera segura de conducir.
Esta es la manera segura de conducir.
02:36
Why do we do this? Because we have to,
49
144159
2241
¿Por qué hacemos esto?
Porque tenemos que hacerlo,
Porque tenemos que hacerlo,
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
debemos elegir, ¿miro aquí o miro allá?
02:40
What's more important?
51
148979
1521
¿Qué es más importante?
02:42
And usually we do a fantastic job
52
150500
2711
Y en general, hacemos un muy buen trabajo
02:45
picking and choosing what we attend to on the road.
53
153211
3769
eligiendo y decidiendo a qué
le prestamos atención en la carretera.
le prestamos atención en la carretera.
02:48
But occasionally we miss something.
54
156980
3650
Pero, a veces, fallamos.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
A veces, precibimos algo mal, o demasiado tarde.
02:57
In countless accidents, the driver says,
56
165091
1988
En incontables accidentes, el conductor dice,
02:59
"I didn't see it coming."
57
167079
2308
"No lo vi venir".
03:01
And I believe that. I believe that.
58
169387
3281
Y lo creo. En serio.
03:04
We can only watch so much.
59
172668
2925
No podemos verlo todo.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
Pero la tecnología actual puede ayudarnos a mejorar esto.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
En el futuro, con automóviles intercambiando
información entre ellos,
información entre ellos,
03:17
we will be able to see not just three cars ahead
62
185033
3928
vamos a poder ver hasta tres autos más adelante
03:20
and three cars behind, to the right and left,
63
188961
1594
y tres autos más atrás, a la derecha y a la izquierda,
03:22
all at the same time, bird's eye view,
64
190555
3166
todo al mismo tiempo, con vista panorámica,
03:25
we will actually be able to see into those cars.
65
193721
3128
realmente vamos a poder ver esos automóviles.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Vamos a poder saber la velocidad
del auto que tenemos delante,
del auto que tenemos delante,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
saber cuán rápidamente el tipo está frenando.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Si el tipo está frenando a cero, lo sabré.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
Y con cálculos, algoritmos y modelos predictivos,
03:42
we will be able to see the future.
70
210829
3273
vamos a poder predecir el futuro.
03:46
You may think that's impossible.
71
214102
1556
Pueden pensar que es imposible.
03:47
How can you predict the future? That's really hard.
72
215658
2731
¿Cómo puede predecirse el futuro? Es muy difícil.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Pero no. En el caso de los automóviles,
no es imposible.
no es imposible.
03:54
Cars are three-dimensional objects
74
222008
2732
Los autos son objetos tridimensionales
03:56
that have a fixed position and velocity.
75
224740
2332
que tienen una velocidad y posición fija.
03:59
They travel down roads.
76
227072
1631
Se desplazan por caminos.
04:00
Often they travel on pre-published routes.
77
228703
2412
A veces se desplazan en rutas pre prublicadas.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
No es realmente difícil hacer predicciones razonables
04:07
about where a car's going to be in the near future.
79
235053
2864
acerca de dónde un auto va a estar en el futuro cercano.
04:09
Even if, when you're in your car
80
237917
2002
Incluso si están dentro de su auto
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
y pasa un motociclista, ¡fiuuuummm!
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
a 85 millas por hora, cambiando de carriles.
04:16
I know you've had this experience --
83
244209
2547
Sé que han pasado por esto,
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
ese tipo simplemente no "salió de la nada".
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Lo más probable es que ya estuviera en la carretera
durante la última media hora.
durante la última media hora.
04:25
(Laughter)
86
253002
1190
(Risas)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
¿Cierto? Quiero decir, alguien lo vio.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
Diez, 20, 30 millas atrás, alguien vio a este tipo,
04:32
and as soon as one car sees that guy
89
260549
2384
y tan pronto como un auto ve al motociclista
04:34
and puts him on the map, he's on the map --
90
262933
2231
y lo incorpora al mapa, está en el mapa...
04:37
position, velocity,
91
265164
2176
posición, velocidad,
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
se puede decir que continuará su trayecto
a 85 millas por hora.
a 85 millas por hora.
04:41
You'll know, because your car will know, because
93
269661
2184
Uds. lo sabrán, porque su auto lo sabrá, porque
04:43
that other car will have whispered something in his ear,
94
271845
2275
ese otro auto se lo habrá susurrado,
04:46
like, "By the way, five minutes,
95
274120
1923
algo así como, "por cierto, en cinco minutos,
04:48
motorcyclist, watch out."
96
276043
2775
pasa un motociclista, cuidado".
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Pueden hacer predicciones razonables acerca
del comportamiento de los autos.
del comportamiento de los autos.
04:53
I mean, they're Newtonian objects.
98
281521
1365
Quiero decir, son objetos newtonianos.
04:54
That's very nice about them.
99
282886
2909
Lo cual es algo muy bueno.
04:57
So how do we get there?
100
285795
3034
¿Pero cómo llegamos allí?
05:00
We can start with something as simple
101
288829
2266
Podemos empezar con algo tan sencillo como
05:03
as sharing our position data between cars,
102
291095
2870
compartir la información de nuestra posición
entre vehículos,
entre vehículos,
05:05
just sharing GPS.
103
293965
1892
simplemente compartiendo el GPS.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Si tengo un GPS y una cámara en mi auto,
05:10
I have a pretty precise idea of where I am
105
298301
2231
tengo una idea bastante precisa de dónde estoy
05:12
and how fast I'm going.
106
300532
1732
y a qué velocidad me desplazo.
05:14
With computer vision, I can estimate where
107
302264
1657
Con visión de computadora, puedo calcular dónde
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
están los vehículos a mi alrededor,
más o menos, y hacia dónde van.
más o menos, y hacia dónde van.
05:19
And same with the other cars.
109
307458
970
Y lo mismo para otros autos.
05:20
They can have a precise idea of where they are,
110
308428
1814
Pueden tener una idea precisa de dónde están,
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
y al menos una vaga idea de dónde están los demás autos.
05:24
What happens if two cars share that data,
112
312388
3231
¿Qué pasa si dos automóviles
pudiesen compartir esa información,
pudiesen compartir esa información,
05:27
if they talk to each other?
113
315619
1955
si pudiesen hablarse?
05:29
I can tell you exactly what happens.
114
317574
2778
Se los diré.
05:32
Both models improve.
115
320352
2339
Ambos modelos mejoran.
05:34
Everybody wins.
116
322691
2055
Todos ganan.
05:36
Professor Bob Wang and his team
117
324746
2577
El profesor Bob Wang y su equipo
05:39
have done computer simulations of what happens
118
327323
2738
han creado simulaciones computarizadas de lo que ocurre
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
cuando se combinan cálculos aproximados,
incluso con poco tráfico,
incluso con poco tráfico,
05:45
when cars just share GPS data,
120
333492
2624
cuando los autos solo comparten información GPS,
05:48
and we've moved this research out of the computer simulation
121
336116
2513
y hemos llevado esta investigación
de simulación por computación
de simulación por computación
05:50
and into robot test beds that have the actual sensors
122
338629
3027
y hacia un banco de pruebas robóticas
que tienen los sensores reales
que tienen los sensores reales
05:53
that are in cars now on these robots:
123
341656
3133
que los autos tienen actualmente, en estos robots:
05:56
stereo cameras, GPS,
124
344789
1838
cámaras estéreo, GPS,
05:58
and the two-dimensional laser range finders
125
346627
1874
y los telémetros láser bidimensionales
06:00
that are common in backup systems.
126
348501
2240
que son comunes en los sistemas de respaldo.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
También incluimos una radio de comunicación
de corto alcance,
de corto alcance,
06:07
and the robots talk to each other.
128
355225
1909
y los robots hablan entre sí.
06:09
When these robots come at each other,
129
357134
1539
Cuando estos robots se acercan,
06:10
they track each other's position precisely,
130
358673
2971
rastrean la posición del otro de manera precisa
06:13
and they can avoid each other.
131
361644
2737
y pueden evitarse.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Ahora agregamos más y más robots a la ecuación,
06:19
and we encountered some problems.
133
367607
1471
y hemos encontrado algunos problemas.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Uno de ellos, es que cuando hay demasiada charla,
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
es difícil procesar todos los paquetes de información,
entonces se debe priorizar,
entonces se debe priorizar,
06:27
and that's where the predictive model helps you.
136
375165
2357
y allí es cuando nos ayuda el modelo predictivo.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Si todos sus autos robots están rastreando
las trayectorias predecidas,
las trayectorias predecidas,
06:33
you don't pay as much attention to those packets.
138
381894
1767
no se presta demasiada atención a esos paquetes.
06:35
You prioritize the one guy
139
383661
1703
Se da prioridad
06:37
who seems to be going a little off course.
140
385364
1333
al que parece estar saliéndose un poco de su curso.
06:38
That guy could be a problem.
141
386697
2526
Este tipo podría ser un problema.
06:41
And you can predict the new trajectory.
142
389223
3002
Y se puede predecir la trayectoria nueva.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
Así que no solo se sabe que está cambiando su curso,
también se sabe cómo.
también se sabe cómo.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
Y se sabe a qué conductor advertir
para que se quite del camino.
para que se quite del camino.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
Y quisimos saber: ¿cómo podemos alertar mejor a todos?
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
¿Cómo pueden los autos susurrarse:
"Necesitas quitarte del camino"?
"Necesitas quitarte del camino"?
06:56
Well, it depends on two things:
147
404529
1517
Bien, depende de dos cuestiones:
06:58
one, the ability of the car,
148
406046
2169
una, es la capacidad del auto,
07:00
and second the ability of the driver.
149
408215
3217
y la otra, la capacidad del conductor.
07:03
If one guy has a really great car,
150
411432
1505
Si alguien tiene un auto muy bueno,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
pero está hablando por teléfono,
o ya saben, haciendo otra cosa,
o ya saben, haciendo otra cosa,
07:07
they're not probably in the best position
152
415862
1930
probablemente no esté en la mejor posición
07:09
to react in an emergency.
153
417792
2970
para reaccionar ante una emergencia.
07:12
So we started a separate line of research
154
420762
1665
Así que comenzamos una línea de investigación adicional
07:14
doing driver state modeling.
155
422427
2551
enfocándonos en los conductores.
07:16
And now, using a series of three cameras,
156
424978
2329
Y ahora, utilizando una serie de tres cámaras,
07:19
we can detect if a driver is looking forward,
157
427307
2270
podemos detectar si un conductor
está mirando hacia adelante,
está mirando hacia adelante,
07:21
looking away, looking down, on the phone,
158
429577
2860
hacia otro lado, hacia arriba, si está al teléfono,
07:24
or having a cup of coffee.
159
432437
3061
o tomando una taza de café.
07:27
We can predict the accident
160
435498
2070
Podemos predecir el accidente
07:29
and we can predict who, which cars,
161
437568
3651
y podemos predecir, quiénes, qué autos,
07:33
are in the best position to move out of the way
162
441219
3486
están en la mejor posición para quitarse del camino
07:36
to calculate the safest route for everyone.
163
444705
3009
y así calcular la ruta más segura para todos.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
Fundamentalmente, este tipo de tecnología existe hoy.
07:44
I think the biggest problem that we face
165
452349
2824
Creo que el mayor problema que enfrentamos,
07:47
is our own willingness to share our data.
166
455173
3013
es nuestra voluntad para compartir nuestra información.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Creo que hay una noción muy desconcertante,
07:52
this idea that our cars will be watching us,
168
460817
2386
esta idea de que nuestros autos
van a estar observándonos,
van a estar observándonos,
07:55
talking about us to other cars,
169
463203
3371
hablando de nosotros con otros autos,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
que vamos a desplazarnos por la ruta en un mar de cotilleo.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Pero creo que puede hacerse de un modo
que proteja nuestra privacidad,
que proteja nuestra privacidad,
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
tal y como ahora, cuando miro
su auto desde afuera,
su auto desde afuera,
08:09
I don't really know about you.
173
477639
2363
realmente no sé nada de usted.
08:12
If I look at your license plate number,
174
480002
1137
Si miro la matrícula de su vehículo,
08:13
I don't really know who you are.
175
481139
1886
realmente no sé quién es usted.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Creo que nuestros autos pueden hablar
de nosotros a nuestra espalda.
de nosotros a nuestra espalda.
08:19
(Laughter)
177
487274
2975
(Risas)
08:22
And I think it's going to be a great thing.
178
490249
3185
Y creo que eso será algo estupendo.
08:25
I want you to consider for a moment
179
493434
1650
Quiero que reflexionen por un momento
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
si realmente no quieren que
el adolescente distraído detrás de ustedes
el adolescente distraído detrás de ustedes
08:31
to know that you're braking,
181
499202
2120
sepa que están frenando,
08:33
that you're coming to a dead stop.
182
501322
2924
que están frenando por completo.
08:36
By sharing our data willingly,
183
504246
2741
Compartiendo nuestra información, voluntariamente,
08:38
we can do what's best for everyone.
184
506987
2812
podemos hacer lo que es mejor para todos.
08:41
So let your car gossip about you.
185
509799
3076
Así que dejen que su auto hable de ustedes.
08:44
It's going to make the roads a lot safer.
186
512875
3038
Eso hará mucho más seguras nuestras calles.
08:47
Thank you.
187
515913
1791
Gracias.
08:49
(Applause)
188
517704
4985
(Aplausos)
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