TEDxPenn
Vijay Kumar: The future of flying robots
ויג'אי קומאר: העתיד של רובוטים מרחפים
Filmed:
Readability: 4.9
1,780,679 views
במעבדה של אוניברסיטת פנסילבניה, ויג'אי קומאר והצוות שלו יצרו רובוטים אוטונומים אוויריים בהשראת דבורים. פריצת הדרך האחרונה שלהם: חוואות מדוייקת, בה נחילים של רובוטים, ממפים, משחזרים ומנתחים כל צמח ופיסת פרי ופרדס, מספקים מידע חיוני לחוואים שיכול לעזור לשפר יבולים ולהפוך ניהול מים לחכם יותר.
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.
00:13
In my lab, we build
autonomous aerial robots
autonomous aerial robots
0
1280
3656
במעבדה שלי,
אנחנו בונים רובוטים אווירים אוטונומיים
אנחנו בונים רובוטים אווירים אוטונומיים
00:16
like the one you see flying here.
1
4960
1880
כמו זה שאתם רואים מרחף פה.
00:20
Unlike the commercially available drones
that you can buy today,
that you can buy today,
2
8720
3696
בניגוד לרחפנים זמינים מסחרית
שאתם יכולים לקנות היום,
שאתם יכולים לקנות היום,
00:24
this robot doesn't have any GPS on board.
3
12440
2640
על רובוט זה אין GPS.
00:28
So without GPS,
4
16160
1216
אבל בלי GPS,
00:29
it's hard for robots like this
to determine their position.
to determine their position.
5
17400
3280
זה קשה לרובוטים כמו זה
לקבוע את המיקום שלהם.
לקבוע את המיקום שלהם.
00:34
This robot uses onboard sensors,
cameras and laser scanners,
cameras and laser scanners,
6
22240
4736
הרובוט הזה משתמש בחיישנים מובנים,
מצלמות וסורקי לייזר,
מצלמות וסורקי לייזר,
00:39
to scan the environment.
7
27000
1696
כדי לסרוק את הסביבה.
00:40
It detects features from the environment,
8
28720
3056
הוא מזהה תכונות מהסביבה,
00:43
and it determines where it is
relative to those features,
relative to those features,
9
31800
2736
והוא קובע את מיקומו יחסית לתכונות האלו,
00:46
using a method of triangulation.
10
34560
2136
בשימוש בשיטות של טריאנגולציה.
00:48
And then it can assemble
all these features into a map,
all these features into a map,
11
36720
3456
ואז הוא יכול להרכיב
את כל התכונות האלו למפה,
את כל התכונות האלו למפה,
00:52
like you see behind me.
12
40200
1736
כמו שאתם רואים מאחורי.
00:53
And this map then allows the robot
to understand where the obstacles are
to understand where the obstacles are
13
41960
3936
והמפה הזו מאפשרת לרובוט
להבין היכן המכשולים האלו נמצאים
להבין היכן המכשולים האלו נמצאים
00:57
and navigate in a collision-free manner.
14
45920
2720
ולנווט בצורה נטולת התנגשויות.
01:01
What I want to show you next
15
49160
2096
מה שאני רוצה להראות לכם עכשיו
01:03
is a set of experiments
we did inside our laboratory,
we did inside our laboratory,
16
51280
3216
זה סט של ניסויים שעשינו בתוך המעבדה שלנו,
01:06
where this robot was able
to go for longer distances.
to go for longer distances.
17
54520
3480
שם הרובוט הזה היה מסוגל
לעבור מרחקים גדולים יותר.
לעבור מרחקים גדולים יותר.
01:10
So here you'll see, on the top right,
what the robot sees with the camera.
what the robot sees with the camera.
18
58400
5016
אז כאן תראו, למעלה מימין,
מה הרובוט רואה עם המצלמה.
מה הרובוט רואה עם המצלמה.
01:15
And on the main screen --
19
63440
1216
ועל המסך הראשי --
01:16
and of course this is sped up
by a factor of four --
by a factor of four --
20
64680
2456
וכמובן זה מואץ פי ארבע --
01:19
on the main screen you'll see
the map that it's building.
the map that it's building.
21
67160
2667
על המסך הראשי אתם תראו את המפה שהוא בונה.
01:21
So this is a high-resolution map
of the corridor around our laboratory.
of the corridor around our laboratory.
22
69851
4285
אז זו מפה ברזולוציה גבוהה
של המסדרון מסביב למעבדה.
של המסדרון מסביב למעבדה.
01:26
And in a minute
you'll see it enter our lab,
you'll see it enter our lab,
23
74160
2336
ותוך דקה אתם תראו אותו נכנס למעבדה שלנו,
01:28
which is recognizable
by the clutter that you see.
by the clutter that you see.
24
76520
2856
שניתנת לזיהוי מהבלגן שאתם רואים.
01:31
(Laughter)
25
79400
1016
(צחוק)
01:32
But the main point I want to convey to you
26
80440
2007
אבל הנקודה המרכזית שאני רוצה להעביר לכם
01:34
is that these robots are capable
of building high-resolution maps
of building high-resolution maps
27
82472
3584
היא שהרובוטים האלו מסוגלים
לבנות מפות בהפרדה גבוהה
לבנות מפות בהפרדה גבוהה
01:38
at five centimeters resolution,
28
86080
2496
בהפרדה של חמישה סנטימטרים,
01:40
allowing somebody who is outside the lab,
or outside the building
or outside the building
29
88600
4176
שמאפשרת למישהו מחוץ למעבדה, או מחוץ לבניין
01:44
to deploy these
without actually going inside,
without actually going inside,
30
92800
3216
לפרוס את אלו בלי למעשה להכנס,
01:48
and trying to infer
what happens inside the building.
what happens inside the building.
31
96040
3760
ולנסות להסיק מה מתרחש בתוך הבניין.
01:52
Now there's one problem
with robots like this.
with robots like this.
32
100400
2240
עכשיו יש בעיה אחת עם רובוטים כאלה.
01:55
The first problem is it's pretty big.
33
103600
2200
הבעיה הראשונה היא שהוא די גדול.
01:58
Because it's big, it's heavy.
34
106120
1680
מפני שהוא גדול, הוא כבד.
02:00
And these robots consume
about 100 watts per pound.
about 100 watts per pound.
35
108640
3040
והרובוטים האלו צורכים
בעדך 100 וואט לחצי קילו.
בעדך 100 וואט לחצי קילו.
02:04
And this makes for
a very short mission life.
a very short mission life.
36
112360
2280
וזה גורם לחיי משימה מאוד קצרים.
02:08
The second problem
37
116000
1456
הבעיה השניה
02:09
is that these robots have onboard sensors
that end up being very expensive --
that end up being very expensive --
38
117480
3896
היא שלרובוטים האלו יש חיישנים מובנים
שבסופו של דבר הם מאוד יקרים --
שבסופו של דבר הם מאוד יקרים --
02:13
a laser scanner, a camera
and the processors.
and the processors.
39
121400
3440
סורק לייזר, מצלמה והמעבדים.
02:17
That drives up the cost of this robot.
40
125280
3040
זה מעלה את מחיר הרובוט הזה.
02:21
So we asked ourselves a question:
41
129440
2656
אז שאלנו את עצמנו שאלה:
02:24
what consumer product
can you buy in an electronics store
can you buy in an electronics store
42
132120
3776
איזה מוצרים צרכנייים
ניתן לקנות בחנות אלקטרוניקה
ניתן לקנות בחנות אלקטרוניקה
02:27
that is inexpensive, that's lightweight,
that has sensing onboard and computation?
that has sensing onboard and computation?
43
135920
6280
שהם לא יקרים, שהם קלים,
שיש להם חיישנים ועיבוד מובנים?
שיש להם חיישנים ועיבוד מובנים?
02:36
And we invented the flying phone.
44
144080
2656
והמצאנו את הטלפון המעופף.
02:38
(Laughter)
45
146760
1936
(צחוק)
02:40
So this robot uses a Samsung Galaxy
smartphone that you can buy off the shelf,
smartphone that you can buy off the shelf,
46
148720
6176
אז הרובוט הזה משתמש בסמרטפון
סמסונג גלקסי שאתם יכולים לקנות בכל מקום,
סמסונג גלקסי שאתם יכולים לקנות בכל מקום,
02:46
and all you need is an app that you
can download from our app store.
can download from our app store.
47
154920
4016
וכל מה שאתם צריכים היא אפליקציה
שאתם יכולים להוריד מחנות האפליקציות.
שאתם יכולים להוריד מחנות האפליקציות.
02:50
And you can see this robot
reading the letters, "TED" in this case,
reading the letters, "TED" in this case,
48
158960
4216
ואתם יכולים לראות את הרובוט הזה
קורא את האותיות "TED" במקרה הזה.
קורא את האותיות "TED" במקרה הזה.
02:55
looking at the corners
of the "T" and the "E"
of the "T" and the "E"
49
163200
2936
מביט בפינות של ה T וה E
02:58
and then triangulating off of that,
flying autonomously.
flying autonomously.
50
166160
3480
ואז מתאכן מזה, עף אוטונומית.
03:02
That joystick is just there
to make sure if the robot goes crazy,
to make sure if the robot goes crazy,
51
170720
3256
הג'וייסטיק הזה הוא שם
רק למקרה שהרובוט משתגע,
רק למקרה שהרובוט משתגע,
03:06
Giuseppe can kill it.
52
174000
1416
ג'וספה יכול להרוג אותו.
03:07
(Laughter)
53
175440
1640
(צחוק)
03:10
In addition to building
these small robots,
these small robots,
54
178920
3816
בנוסף לבניית הרובוטים הקטנים האלו,
03:14
we also experiment with aggressive
behaviors, like you see here.
behaviors, like you see here.
55
182760
4800
אנחנו מתנסים עם התנהגויות אגרסיביות,
כמו זו שאתם רואים פה.
כמו זו שאתם רואים פה.
03:19
So this robot is now traveling
at two to three meters per second,
at two to three meters per second,
56
187920
5296
אז הרובוט הזה נע עכשיו שניים
עד שלושה מטרים לשניה,
עד שלושה מטרים לשניה,
03:25
pitching and rolling aggressively
as it changes direction.
as it changes direction.
57
193240
3496
מעלרד ומתגלגל אגרסיבית כשהוא משנה כיוון.
03:28
The main point is we can have
smaller robots that can go faster
smaller robots that can go faster
58
196760
4256
הנקודה העיקרית היא שיכולים להיות לנו
רובוטים קטנים יותר שיכולים לנוע מהר יותר
רובוטים קטנים יותר שיכולים לנוע מהר יותר
03:33
and then travel in these
very unstructured environments.
very unstructured environments.
59
201040
2960
ואז לנוע בתוך הסביבות
המאוד לא מובנות האלו.
המאוד לא מובנות האלו.
03:37
And in this next video,
60
205120
2056
ובסרטון הבא,
03:39
just like you see this bird, an eagle,
gracefully coordinating its wings,
gracefully coordinating its wings,
61
207200
5896
ממש כמו שאתם רואים את הציפור הזו,
עיט, מתאים בחינניות את כנפיו,
עיט, מתאים בחינניות את כנפיו,
03:45
its eyes and feet
to grab prey out of the water,
to grab prey out of the water,
62
213120
4296
עיניו ורגליו כדי לתפוש את הטרף מהמים,
03:49
our robot can go fishing, too.
63
217440
1896
הרובוט שלנו יכול גם כן לדוג.
03:51
(Laughter)
64
219360
1496
(צחוק)
03:52
In this case, this is a Philly cheesesteak
hoagie that it's grabbing out of thin air.
hoagie that it's grabbing out of thin air.
65
220880
4056
במקרה הזה, זה הוגי סטייק גבינת פילדלפיה
שהוא תופס מהאוויר.
שהוא תופס מהאוויר.
03:56
(Laughter)
66
224960
2400
(צחוק)
03:59
So you can see this robot
going at about three meters per second,
going at about three meters per second,
67
227680
3296
אז אתם יכולים לראות את הרובוט הזה
שנע במהירות של בערך שלושה מטר לשניה,
שנע במהירות של בערך שלושה מטר לשניה,
04:03
which is faster than walking speed,
coordinating its arms, its claws
coordinating its arms, its claws
68
231000
5136
שזה מהיר יותר ממהירות הליכה,
מתאם את זרועותיו, את הטפרים שלו
מתאם את זרועותיו, את הטפרים שלו
04:08
and its flight with split-second timing
to achieve this maneuver.
to achieve this maneuver.
69
236160
4120
ואת התעופה שלו עם תזמון של חלקיקי שניות
כדי להשיג את התמרון הזה.
כדי להשיג את התמרון הזה.
04:14
In another experiment,
70
242120
1216
בניסוי נוסף,
04:15
I want to show you
how the robot adapts its flight
how the robot adapts its flight
71
243360
3656
אני רוצה להראות לכם איך
הרובוט מתאים את הטיסה שלו
הרובוט מתאים את הטיסה שלו
04:19
to control its suspended payload,
72
247040
2376
כדי לשלוט במטען התלוי שלו,
04:21
whose length is actually larger
than the width of the window.
than the width of the window.
73
249440
3800
שהאורך שלו הוא למעשה
גדול יותר מרוחב החלון.
גדול יותר מרוחב החלון.
04:25
So in order to accomplish this,
74
253680
1696
אז כדי לבצע את זה,
04:27
it actually has to pitch
and adjust the altitude
and adjust the altitude
75
255400
3696
הוא למעשה צריך להסתובב
ולהתאים את הכיוון שלו
ולהתאים את הכיוון שלו
04:31
and swing the payload through.
76
259120
2320
ולסובב את המטען עד הסוף.
04:38
But of course we want
to make these even smaller,
to make these even smaller,
77
266920
2296
אבל כמובן רצינו לעשות אותם
אפילו קטנים יותר,
אפילו קטנים יותר,
04:41
and we're inspired
in particular by honeybees.
in particular by honeybees.
78
269240
3016
ואנחנו מקבלים השראה בעיקר מהדבורים.
04:44
So if you look at honeybees,
and this is a slowed down video,
and this is a slowed down video,
79
272280
3256
אז, אם אתם מביטים בדבורים, וזה סרטון מואט,
04:47
they're so small,
the inertia is so lightweight --
the inertia is so lightweight --
80
275560
3720
הן כל כך קטנות, האינרציה כל כך קלה --
04:51
(Laughter)
81
279960
1176
(צחוק)
04:53
that they don't care --
they bounce off my hand, for example.
they bounce off my hand, for example.
82
281160
3536
שלא אכפת להם -- הם קפצו מהיד שלי, לדוגמה.
04:56
This is a little robot
that mimics the honeybee behavior.
that mimics the honeybee behavior.
83
284720
3160
זה רובוט זעיר שמחקה את התנהגות הדבורים.
05:00
And smaller is better,
84
288600
1216
וקטן יותר זה טוב יותר,
05:01
because along with the small size
you get lower inertia.
you get lower inertia.
85
289840
3536
מפני שיחד עם הגודל הקטן
אתם מקבלים אינרציה קטנה יותר.
אתם מקבלים אינרציה קטנה יותר.
05:05
Along with lower inertia --
86
293400
1536
יחד עם אינרציה נמוכה יותר --
05:06
(Robot buzzing, laughter)
87
294960
2856
(רובוט מזמזם, צחוק)
05:09
along with lower inertia,
you're resistant to collisions.
you're resistant to collisions.
88
297840
2816
יחד עם אינרציה נמוכה יותר,
אתם עמידים להתנגשויות.
אתם עמידים להתנגשויות.
05:12
And that makes you more robust.
89
300680
1720
וזה עושה אתכם ליותר עמידים.
05:15
So just like these honeybees,
we build small robots.
we build small robots.
90
303800
2656
אז ממש כמו הדבורים האלו,
נבנה רובוטים קטנים.
נבנה רובוטים קטנים.
05:18
And this particular one
is only 25 grams in weight.
is only 25 grams in weight.
91
306480
3376
והספציפי הזה שוקל רק 25 גרם.
05:21
It consumes only six watts of power.
92
309880
2160
הוא צורך רק שישה וואט.
05:24
And it can travel
up to six meters per second.
up to six meters per second.
93
312440
2536
והוא יכול לנוע במהירות גבוהה
משישה מטר לשניה.
משישה מטר לשניה.
05:27
So if I normalize that to its size,
94
315000
2336
אז אם אני מנרמל את זה לגודל שלו,
05:29
it's like a Boeing 787 traveling
ten times the speed of sound.
ten times the speed of sound.
95
317360
3640
זה כמו בואינג 787 שנע
במהירות של פי עשר ממהירות הקול.
במהירות של פי עשר ממהירות הקול.
05:36
(Laughter)
96
324000
2096
(צחוק)
05:38
And I want to show you an example.
97
326120
1920
ואני רוצה להראות לכם דוגמה.
05:40
This is probably the first planned mid-air
collision, at one-twentieth normal speed.
collision, at one-twentieth normal speed.
98
328840
5256
זו כנראה ההתנגשות האווירית המתוכננת הראשונה,
באחד חלקי עשרים מהמהירות הנורמלית.
באחד חלקי עשרים מהמהירות הנורמלית.
05:46
These are going at a relative speed
of two meters per second,
of two meters per second,
99
334120
2858
אלה נעים במהירות יחסית של שני מטר לשניה,
05:49
and this illustrates the basic principle.
100
337002
2480
וזה מתאר את העיקרון הבסיסי.
05:52
The two-gram carbon fiber cage around it
prevents the propellers from entangling,
prevents the propellers from entangling,
101
340200
4976
הכלוב מסיבי פחמן בן שני הגרם סביבו
מונע מהמדחפים להתנגש,
מונע מהמדחפים להתנגש,
05:57
but essentially the collision is absorbed
and the robot responds to the collisions.
and the robot responds to the collisions.
102
345200
5296
אבל בעיקרון ההתנגשות נספגת
והרובוט מגיב להתנגשויות.
והרובוט מגיב להתנגשויות.
06:02
And so small also means safe.
103
350520
2560
וכך קטן גם אומר בטוח.
06:05
In my lab, as we developed these robots,
104
353400
2016
במעבדה שלי,
כשאנחנו מפתחים את הרובוטים האלו,
כשאנחנו מפתחים את הרובוטים האלו,
06:07
we start off with these big robots
105
355440
1620
אנחנו מתחילים עם הרובוטים הגדולים האלו
06:09
and then now we're down
to these small robots.
to these small robots.
106
357084
2812
ואז, עכשיו אנחנו ירדנו לרובוטים הקטנים האלה.
06:11
And if you plot a histogram
of the number of Band-Aids we've ordered
of the number of Band-Aids we've ordered
107
359920
3456
ואם אתם משרטטים את ההיסטוגרמה
של מספר הפלסטרים שהיזמנו
של מספר הפלסטרים שהיזמנו
06:15
in the past, that sort of tailed off now.
108
363400
2576
בעבר, זה איכשהו ירד עכשיו.
06:18
Because these robots are really safe.
109
366000
1960
מפני שהרובוטים האלו באמת בטוחים.
06:20
The small size has some disadvantages,
110
368760
2456
לגודל הקטן יש כמה חסרונות,
06:23
and nature has found a number of ways
to compensate for these disadvantages.
to compensate for these disadvantages.
111
371240
4080
והטבע מצא מספר דרכים
לפצות על החסרונות האלו.
לפצות על החסרונות האלו.
06:27
The basic idea is they aggregate
to form large groups, or swarms.
to form large groups, or swarms.
112
375960
4000
הרעיון הבסיסי הוא שהם מתקבצים
ליצור קבוצות גדולות, או נחילים.
ליצור קבוצות גדולות, או נחילים.
06:32
So, similarly, in our lab,
we try to create artificial robot swarms.
we try to create artificial robot swarms.
113
380320
3976
אז, בדומה, במעבדה שלנו, אנחנו מנסים ליצור
נחילי רובוטים מלאכותיים.
נחילי רובוטים מלאכותיים.
06:36
And this is quite challenging
114
384320
1381
וזה די מאתגר
06:37
because now you have to think
about networks of robots.
about networks of robots.
115
385725
3320
מפני שעכשיו אתם צריכים לחשוב
על רשתות של רובוטים.
על רשתות של רובוטים.
06:41
And within each robot,
116
389360
1296
ובתוך כל רובוט,
06:42
you have to think about the interplay
of sensing, communication, computation --
of sensing, communication, computation --
117
390680
5616
אתם חייבים לחשוב על צורת השיתוף
של חישה, תקשורת, חישוב --
של חישה, תקשורת, חישוב --
06:48
and this network then becomes
quite difficult to control and manage.
quite difficult to control and manage.
118
396320
4960
והרשתות האלו הופכות אז
לדי קשות לשליטה וניהול.
לדי קשות לשליטה וניהול.
06:54
So from nature we take away
three organizing principles
three organizing principles
119
402160
3296
אז מהטבע אנחנו לוקחים שלושה עקרונות ארגון
06:57
that essentially allow us
to develop our algorithms.
to develop our algorithms.
120
405480
3160
שבעיקרון מאפשרים לנו לפתח
את האלגוריתמים שלנו.
את האלגוריתמים שלנו.
07:01
The first idea is that robots
need to be aware of their neighbors.
need to be aware of their neighbors.
121
409640
4536
הרעיון הראשון הוא שרובוטים צריכים
להיות מודעים לשכנים שלהם.
להיות מודעים לשכנים שלהם.
07:06
They need to be able to sense
and communicate with their neighbors.
and communicate with their neighbors.
122
414200
3440
הם צריכים להיות מסוגלים לחוש
ולתקשר עם השכנים שלהם.
ולתקשר עם השכנים שלהם.
07:10
So this video illustrates the basic idea.
123
418040
2656
אז זה סרטון שמתאר את הרעיון הבסיסי.
07:12
You have four robots --
124
420720
1296
יש לכם ארבעה רובוטים --
07:14
one of the robots has actually been
hijacked by a human operator, literally.
hijacked by a human operator, literally.
125
422040
4240
אחד הרובוטים נחטף למעשה
על ידי מפעיל אנושי, מילולית.
על ידי מפעיל אנושי, מילולית.
07:19
But because the robots
interact with each other,
interact with each other,
126
427217
2239
אבל בגלל שהרובוטים מתקשרים אחד עם השני,
07:21
they sense their neighbors,
127
429480
1656
הם חשים את השכנים שלהם,
07:23
they essentially follow.
128
431160
1296
הם בעיקרון עוקבים.
07:24
And here there's a single person
able to lead this network of followers.
able to lead this network of followers.
129
432480
5360
ופה יש איש בודד שמסוגל
להוביל את רשת העוקבים האלו.
להוביל את רשת העוקבים האלו.
07:32
So again, it's not because all the robots
know where they're supposed to go.
know where they're supposed to go.
130
440000
5056
אז שוב, זה לא בגלל שכל הרובוטים יודעים
לאן הם אמורים ללכת.
לאן הם אמורים ללכת.
07:37
It's because they're just reacting
to the positions of their neighbors.
to the positions of their neighbors.
131
445080
4320
זה בגלל שהם מגיבים למיקומים
של השכנים שלהם.
של השכנים שלהם.
07:43
(Laughter)
132
451720
4120
(צחוק)
07:48
So the next experiment illustrates
the second organizing principle.
the second organizing principle.
133
456280
5240
אז הניסוי הבא מתאר את עיקרון הארגון השני.
07:54
And this principle has to do
with the principle of anonymity.
with the principle of anonymity.
134
462920
3800
ולעיקרון הזה יש קשר
לעקרון של אנונימיות.
לעקרון של אנונימיות.
07:59
Here the key idea is that
135
467400
4296
פה רעיון המפתח הוא
08:03
the robots are agnostic
to the identities of their neighbors.
to the identities of their neighbors.
136
471720
4240
שהרובוטים אגנוסטיים לזהויות
של השכנים שלהם.
של השכנים שלהם.
08:08
They're asked to form a circular shape,
137
476440
2616
הם מתבקשים ליצור צורה מעגלית,
08:11
and no matter how many robots
you introduce into the formation,
you introduce into the formation,
138
479080
3296
ולא משנה כמה רובוטים אתם מכניסים למבנה,
08:14
or how many robots you pull out,
139
482400
2576
או כמה רובוטים אתם מוציאים,
08:17
each robot is simply
reacting to its neighbor.
reacting to its neighbor.
140
485000
3136
כל רובוט פשוט מגיב לשכן שלו.
08:20
It's aware of the fact that it needs
to form the circular shape,
to form the circular shape,
141
488160
4976
הוא מודע לעובדה שהוא צריך
ליצור צורה מעגלית,
ליצור צורה מעגלית,
08:25
but collaborating with its neighbors
142
493160
1776
אבל בשיתוף פעולה עם שכניו
08:26
it forms the shape
without central coordination.
without central coordination.
143
494960
3720
הוא יוצר צורה בלי תאום מרכזי.
08:31
Now if you put these ideas together,
144
499520
2416
עכשיו אם אתם מחברים את הרעיונות האלה,
08:33
the third idea is that we
essentially give these robots
essentially give these robots
145
501960
3896
הרעיון השלישי הוא שאנחנו בעיקרון
נותנים לרובוטים האלו
נותנים לרובוטים האלו
08:37
mathematical descriptions
of the shape they need to execute.
of the shape they need to execute.
146
505880
4296
תיאורים מתמטיים של הצורה שהם צריכים ליצור.
08:42
And these shapes can be varying
as a function of time,
as a function of time,
147
510200
3496
והצורות האלו יכולות להשתנות
כפונקציה של זמן,
כפונקציה של זמן,
08:45
and you'll see these robots
start from a circular formation,
start from a circular formation,
148
513720
4496
ואתם תראו את הרובוטים האלו
מתחילים מצורה מעגלית,
מתחילים מצורה מעגלית,
08:50
change into a rectangular formation,
stretch into a straight line,
stretch into a straight line,
149
518240
3256
משנים לצורה מרובעת, נמתחים לקו ישר,
08:53
back into an ellipse.
150
521520
1375
וחזרה לאליפסה.
08:54
And they do this with the same
kind of split-second coordination
kind of split-second coordination
151
522919
3617
והם עושים את זה באותו סוג של תאום תוך שניה
08:58
that you see in natural swarms, in nature.
152
526560
3280
שאתם רואים בנחילים טבעיים, בטבע.
09:03
So why work with swarms?
153
531080
2136
אז למה לעבוד עם נחילים?
09:05
Let me tell you about two applications
that we are very interested in.
that we are very interested in.
154
533240
4120
תנו לי לספר לכם על שני שימושים
שאנחנו מאוד מעוניינים בהם.
שאנחנו מאוד מעוניינים בהם.
09:10
The first one has to do with agriculture,
155
538160
2376
הראשון קשור לחקלאות,
09:12
which is probably the biggest problem
that we're facing worldwide.
that we're facing worldwide.
156
540560
3360
שזו כנראה הבעיה הכי גדולה
שעומדת לפנינו בעולם.
שעומדת לפנינו בעולם.
09:16
As you well know,
157
544760
1256
כמו שאתם יודעים,
09:18
one in every seven persons
in this earth is malnourished.
in this earth is malnourished.
158
546040
3520
אחד מכל שבעה אנשים על כדור הארץ
סובל מתת תזונה.
סובל מתת תזונה.
09:21
Most of the land that we can cultivate
has already been cultivated.
has already been cultivated.
159
549920
3480
רוב האדמה שאנחנו יכולים לעבד כבר עובדה.
09:25
And the efficiency of most systems
in the world is improving,
in the world is improving,
160
553960
3216
והיעילות של רוב המערכות בעולם משתפרת,
09:29
but our production system
efficiency is actually declining.
efficiency is actually declining.
161
557200
3520
אבל יעילות מערכות היצור שלנו למעשה יורדת.
09:33
And that's mostly because of water
shortage, crop diseases, climate change
shortage, crop diseases, climate change
162
561080
4216
וזה בעיקר בגלל מחסור במים,
מחלות יבולים, שינוי אקלים
מחלות יבולים, שינוי אקלים
09:37
and a couple of other things.
163
565320
1520
ומספר דברים נוספים.
09:39
So what can robots do?
164
567360
1480
אז מה רובוטים יכולים לעשות?
09:41
Well, we adopt an approach that's
called Precision Farming in the community.
called Precision Farming in the community.
165
569200
4616
ובכן, אנחנו מאמצים גישה
שנקראת חקלאות מדוייקת בקהילה.
שנקראת חקלאות מדוייקת בקהילה.
09:45
And the basic idea is that we fly
aerial robots through orchards,
aerial robots through orchards,
166
573840
5376
והרעיון הבסיסי הוא להטיס
רובוטים אוויריים דרך המטעים,
רובוטים אוויריים דרך המטעים,
09:51
and then we build
precision models of individual plants.
precision models of individual plants.
167
579240
3120
ואז לבנות מודלים מדוייקים של צמחים יחידים.
09:54
So just like personalized medicine,
168
582829
1667
אז ממש כמו רפואה מותאמת אישית,
09:56
while you might imagine wanting
to treat every patient individually,
to treat every patient individually,
169
584520
4816
בעוד שאולי תדמיינו רצון
לטפל בכל חולה אישית,
לטפל בכל חולה אישית,
10:01
what we'd like to do is build
models of individual plants
models of individual plants
170
589360
3696
מה שהיינו רוצים לעשות
זה לבנות מודל של צמחים יחידים
זה לבנות מודל של צמחים יחידים
10:05
and then tell the farmer
what kind of inputs every plant needs --
what kind of inputs every plant needs --
171
593080
4136
ואז להגיד לחקלאי איזה סוג של קלט
כל צמח צריך --
כל צמח צריך --
10:09
the inputs in this case being water,
fertilizer and pesticide.
fertilizer and pesticide.
172
597240
4440
הקלט במקרה הזה הוא מים, דשן וחומרי הדברה.
10:14
Here you'll see robots
traveling through an apple orchard,
traveling through an apple orchard,
173
602640
3616
פה אתם תמצאו רובוטים שטסים דרך מטע תפוחים,
10:18
and in a minute you'll see
two of its companions
two of its companions
174
606280
2256
ותוך דקה אתם תראו שניים מהשותפים שלו
10:20
doing the same thing on the left side.
175
608560
1810
עושים את אותו הדבר מצד שמאל.
10:22
And what they're doing is essentially
building a map of the orchard.
building a map of the orchard.
176
610800
3656
ומה שהם עושים זה בעיקרון
בונים מפה של המטע.
בונים מפה של המטע.
10:26
Within the map is a map
of every plant in this orchard.
of every plant in this orchard.
177
614480
2816
בתוך המפה יש מפה של כל צמח במטע.
10:29
(Robot buzzing)
178
617320
1656
(רובוטים מזמזמים)
10:31
Let's see what those maps look like.
179
619000
1896
בואו נראה איך המפות האלו נראות.
10:32
In the next video, you'll see the cameras
that are being used on this robot.
that are being used on this robot.
180
620920
4296
בסרטון הבא, אתם תראו
את המצלמות שבשימוש על הרובוט הזה.
את המצלמות שבשימוש על הרובוט הזה.
10:37
On the top-left is essentially
a standard color camera.
a standard color camera.
181
625240
3240
משמאל למעלה יש בעיקרון
מצלמה בצבעים רגילים.
מצלמה בצבעים רגילים.
10:41
On the left-center is an infrared camera.
182
629640
3296
משמאל באמצע יש מצלמת אינפרה אדום.
10:44
And on the bottom-left
is a thermal camera.
is a thermal camera.
183
632960
3776
ומשמאל למטה יש מצלמה תרמית.
10:48
And on the main panel, you're seeing
a three-dimensional reconstruction
a three-dimensional reconstruction
184
636760
3336
ועל הפאנל הראשי,
אתם רואים שיחזור מבנה תלת מימדי
אתם רואים שיחזור מבנה תלת מימדי
10:52
of every tree in the orchard
as the sensors fly right past the trees.
as the sensors fly right past the trees.
185
640120
6120
של כל עץ במטע
כשהחיישנים עפים ממש ליד העצים.
כשהחיישנים עפים ממש ליד העצים.
10:59
Armed with information like this,
we can do several things.
we can do several things.
186
647640
4040
חמושים במידע כמו זה,
אנחנו יכולים לעשות מספר דברים.
אנחנו יכולים לעשות מספר דברים.
11:04
The first and possibly the most important
thing we can do is very simple:
thing we can do is very simple:
187
652200
4256
הדבר הראשון וכנראה הכי חשוב
שאנחנו יכולים לעשות הוא מאוד פשוט:
שאנחנו יכולים לעשות הוא מאוד פשוט:
11:08
count the number of fruits on every tree.
188
656480
2440
לספור את מספר הפירות על כל עץ.
11:11
By doing this, you tell the farmer
how many fruits she has in every tree
how many fruits she has in every tree
189
659520
4536
ובכך, אתם אומרים לחקלאית
כמה פירות יש לה על כל עץ
כמה פירות יש לה על כל עץ
11:16
and allow her to estimate
the yield in the orchard,
the yield in the orchard,
190
664080
4256
ומאפשרים לה להעריך את היבול של המטע,
11:20
optimizing the production
chain downstream.
chain downstream.
191
668360
2840
למטב את שרשרת היצור במורד הזרם.
11:23
The second thing we can do
192
671640
1616
הדבר השני שאנחנו יכולים לעשות
11:25
is take models of plants, construct
three-dimensional reconstructions,
three-dimensional reconstructions,
193
673280
4496
זה לקחת מודלים של צמחים,
לבנות מודלים תלת מימדים,
לבנות מודלים תלת מימדים,
11:29
and from that estimate the canopy size,
194
677800
2536
ומזה להעריך את גודל החופה,
11:32
and then correlate the canopy size
to the amount of leaf area on every plant.
to the amount of leaf area on every plant.
195
680360
3776
ואז לתאם את גודל החופה
לכמות שטח העלים על כל צמח.
לכמות שטח העלים על כל צמח.
11:36
And this is called the leaf area index.
196
684160
2176
וזה נקרא אינדקס שטח העלים.
11:38
So if you know this leaf area index,
197
686360
1936
אז אם אתם יודעים
את אינדקס שטח העלים הזה,
את אינדקס שטח העלים הזה,
11:40
you essentially have a measure of how much
photosynthesis is possible in every plant,
photosynthesis is possible in every plant,
198
688320
5456
יש לכם בעיקרון מידה של
כמה פוטוסינתזה אפשרית בכל צמח,
כמה פוטוסינתזה אפשרית בכל צמח,
11:45
which again tells you
how healthy each plant is.
how healthy each plant is.
199
693800
2880
שאומרת לנו שוב כמה בריא כל צמח.
11:49
By combining visual
and infrared information,
and infrared information,
200
697520
4216
על ידי שילוב מידע ויזואלי ואינפרא אדום,
11:53
we can also compute indices such as NDVI.
201
701760
3296
אנחנו יכולים לחשב מדד כמו NDVI.
11:57
And in this particular case,
you can essentially see
you can essentially see
202
705080
2816
ובמקרה הספציפי הזה,
אתם יכולם בעיקרון לראות
אתם יכולם בעיקרון לראות
11:59
there are some crops that are
not doing as well as other crops.
not doing as well as other crops.
203
707920
3016
שיש כמה יבולים שלא מצליחים
כמו יבולים אחרים.
כמו יבולים אחרים.
12:02
This is easily discernible from imagery,
204
710960
4056
ניתן להבחין בזה בקלות מהתמונות,
12:07
not just visual imagery but combining
205
715040
2216
לא רק תמונות ויזואליות אלא שילוב
12:09
both visual imagery and infrared imagery.
206
717280
2776
של תמונות ויזואליות ותמונות באינפרא אדום.
12:12
And then lastly,
207
720080
1336
ואז לבסוף,
12:13
one thing we're interested in doing is
detecting the early onset of chlorosis --
detecting the early onset of chlorosis --
208
721440
4016
דבר אחד שאנחנו מעוניינים לעשות
זה לזהות סימנים ראשונים לכלורוזיס --
זה לזהות סימנים ראשונים לכלורוזיס --
12:17
and this is an orange tree --
209
725480
1496
וזה עץ תפוז --
12:19
which is essentially seen
by yellowing of leaves.
by yellowing of leaves.
210
727000
2560
שבעיקרון נראה עם עלים מצהיבים.
12:21
But robots flying overhead
can easily spot this autonomously
can easily spot this autonomously
211
729880
3896
אבל רובוטים שעפים מעל יכולים בקלות
לזהות את זה אוטונומית
לזהות את זה אוטונומית
12:25
and then report to the farmer
that he or she has a problem
that he or she has a problem
212
733800
2936
ואז לדווח לחקלאים שיש להם בעיה
12:28
in this section of the orchard.
213
736760
1520
בחלק הזה של הפרדס.
12:30
Systems like this can really help,
214
738800
2696
מערכות כמו זו יכולות באמת לעזור,
12:33
and we're projecting yields
that can improve by about ten percent
that can improve by about ten percent
215
741520
5816
ואנחנו צופים יבולים שיכולים
להשתפר עד עשרה אחוזים
להשתפר עד עשרה אחוזים
12:39
and, more importantly, decrease
the amount of inputs such as water
the amount of inputs such as water
216
747360
3216
ויותר חשוב, הפחתה בכמות הקלט כמו מים
12:42
by 25 percent by using
aerial robot swarms.
aerial robot swarms.
217
750600
3280
עד 25 אחוז על ידי שימוש
בנחילי רובוטים מרחפים.
בנחילי רובוטים מרחפים.
12:47
Lastly, I want you to applaud
the people who actually create the future,
the people who actually create the future,
218
755200
5736
לבסוף, אני רוצה שתריעו לאנשים
שלמעשה יוצרים את העתיד,
שלמעשה יוצרים את העתיד,
12:52
Yash Mulgaonkar, Sikang Liu
and Giuseppe Loianno,
and Giuseppe Loianno,
219
760960
4920
יאש מולגאונקר, סיקנג ליו וג'וספה לואיאנו,
12:57
who are responsible for the three
demonstrations that you saw.
demonstrations that you saw.
220
765920
3496
שאחראים לשלושת ההדגמות שראיתם.
13:01
Thank you.
221
769440
1176
תודה לכם.
13:02
(Applause)
222
770640
5920
(מחיאות כפיים)
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