TEDxStanford
Chris Gerdes: The future race car -- 150mph, and no driver
Chris Gerdes: A jövő versenyautója -- 240 km/h, sofőr nélkül!
Filmed:
Readability: 4
806,444 views
Az autonóm járművek ma már valósággá váltak -- és kezdenek jobban vezetni mint mi, emberek. Chris Gerdes bemutatja, hogyan fejleszt ő és csapata olyan robotvezérlésű versenyautókat, amelyek képesek 240 km/h sebességgel haladni, elkerülve közben minden elképzelhető balesetet. Ám ennek ellenére, a profi autóversenyzők agyhullámainak tanulmányozása alapján Gerdes csodálattal szemléli a profi autóvezetők ösztöneit. (A felvétel a TEDxStanford-on készült.)
Chris Gerdes - Mechanical engineer
An autonomous car may seem like a thing of the distant future, but mechanical engineer Chris Gerdes is racing to make it a reality today. Full bio
An autonomous car may seem like a thing of the distant future, but mechanical engineer Chris Gerdes is racing to make it a reality today. Full bio
Double-click the English transcript below to play the video.
00:16
So, how many of you have ever
0
506
1407
Hányan vannak önök között, akik
00:17
gotten behind the wheel of a car
1
1913
1655
egy kocsi volánja mögé ültek,
00:19
when you really shouldn't have been driving?
2
3568
5687
amikor nem igazán kellett volna ezt tenniük.
00:25
Maybe you're out on the road for a long day,
3
9255
1905
Meglehet, hogy egy hosszú nap állt önök mögött
00:27
and you just wanted to get home.
4
11160
1490
és mindössze haza akartak jutni.
00:28
You were tired, but you felt you could drive a few more miles.
5
12650
2647
Fáradtak voltak, de úgy érezték, hogy képesek még pár mérföldet vezetni.
00:31
Maybe you thought,
6
15297
1199
Talán azt gondolták:
00:32
I've had less to drink than everybody else,
7
16496
2017
"Kevesebbet ittam, mint a többiek,
00:34
I should be the one to go home.
8
18513
1736
nekem kéne vezetnem hazáig."
00:36
Or maybe your mind was just entirely elsewhere.
9
20249
4591
Vagy egyszerűen csak egész máshol járt az eszük.
00:40
Does this sound familiar to you?
10
24840
1454
Ismerősen hangzik ez önöknek?
00:42
Now, in those situations, wouldn't it be great
11
26294
2898
Hát nem lenne remek ilyen helyzetekben,
00:45
if there was a button on your dashboard
12
29192
1593
ha volna egy nyomógomb a műszerfalon,
00:46
that you could push, and the car would get you home safely?
13
30785
6343
amit megnyomva a kocsi biztonságosan hazavinné önöket?
00:53
Now, that's been the promise of the self-driving car,
14
37128
2293
Nos, ez volt az önmagát vezető autó ötlete,
00:55
the autonomous vehicle, and it's been the dream
15
39421
2627
ez az autonóm jármű, amiről már legalább
00:57
since at least 1939, when General Motors showcased
16
42048
3249
1939 óta álmodunk, amikor is a General Motors bemutatta
01:01
this idea at their Futurama booth at the World's Fair.
17
45297
3302
ezt az ötletet a Futurama standján a Világkiállításon.
01:04
Now, it's been one of those dreams
18
48599
1943
Nos, ez egyike azoknak az álmoknak,
01:06
that's always seemed about 20 years in the future.
19
50542
4214
amelyektől mindig 20 évnyi távolságra voltunk.
01:10
Now, two weeks ago, that dream took a step forward,
20
54756
2683
Most viszont, két héttel ezelőtt az álom egy lépéssel közelebb került hozzánk,
01:13
when the state of Nevada granted Google's self-driving car
21
57439
3265
amikor Nevada állam kiadta a Google önmagát vezető autójának
01:16
the very first license for an autonomous vehicle,
22
60704
3600
a legelső, autonóm járműnek járó forgalmi engedélyt,
01:20
clearly establishing that it's legal for them
23
64304
2245
engedélyezve ezzel, hogy legálisan
01:22
to test it on the roads in Nevada.
24
66549
1810
tesztelhessék Nevada útjain.
01:24
Now, California's considering similar legislation,
25
68359
3727
Már Kalifornia is tervezi hasonló szabályozás bevezetését,
01:27
and this would make sure that the autonomous car
26
72086
2408
és ezzel bizonyossá válik, hogy az autonóm jármű
01:30
is not one of those things that has to stay in Vegas.
27
74494
2977
nem olyan dolog, aminek Vegasban kell maradnia.
01:33
(Laughter)
28
77471
2096
(Nevetés)
01:35
Now, in my lab at Stanford, we've been working on
29
79567
3784
Stanford-i laboratóriumunkban mi is
01:39
autonomous cars too, but with a slightly different spin
30
83351
3487
autonóm járműveken dolgozunk, ám egy kicsit más
01:42
on things. You see, we've been developing robotic race cars,
31
86838
4248
megközelítésből. Mi ugyanis robotvezérlésű versenyautókat fejlesztünk,
01:46
cars that can actually push themselves to the very limits
32
91086
4120
olyan autókat, amelyek a fizikai teljesítmény
01:51
of physical performance.
33
95206
2240
határait feszegetik.
01:53
Now, why would we want to do such a thing?
34
97446
2613
De hét miért is akarunk ilyen dolgokat csinálni?
01:55
Well, there's two really good reasons for this.
35
100059
2100
Nos, ennek két nagyon jó oka van.
01:58
First, we believe that before people turn over control
36
102159
3959
Először is hisszük, hogy mielőtt az ember átadná a kormányt
02:02
to an autonomous car, that autonomous car should be
37
106118
2834
egy autonóm járműnek, ennek a járműnek
02:04
at least as good as the very best human drivers.
38
108952
3254
legalább olyan jónak kell lennie, mint a legjobb emberi sofőr.
02:08
Now, if you're like me, and the other 70 percent of the population
39
112206
3305
Ha pedig önök hozzám - és a népesség 70 százalékához - hasonlóan
02:11
who know that we are above-average drivers,
40
115511
2193
átlagosnál jobb autóvezetőnek tartják magukat,
02:13
you understand that's a very high bar.
41
117704
3175
akkor megértik, hogy elég magasra tettük a lécet.
02:16
There's another reason as well.
42
120879
2392
Van azonban egy másik ok is.
02:19
Just like race car drivers can use all of the friction
43
123271
3576
Ahogy egy autóversenyző képes kihasználni a teljes súrlódást
02:22
between the tire and the road,
44
126847
1280
a gumi és az úttest között,
02:24
all of the car's capabilities to go as fast as possible,
45
128127
3177
és az autó minden képességét a lehető leggyorsabb haladás érdekében,
02:27
we want to use all of those capabilities to avoid
46
131304
3345
úgy akarjuk mi az összes lehetőséget kihasználni
02:30
any accident we can.
47
134649
1588
hogy elkerüljük a baleseteket.
02:32
Now, you may push the car to the limits
48
136237
2050
Az autó nem csak azért érheti el a korlátait,
02:34
not because you're driving too fast,
49
138287
1967
mert túl gyorsan vezetünk,
02:36
but because you've hit an icy patch of road,
50
140254
2160
hanem mert például egy jeges útszakaszra fut,
02:38
conditions have changed.
51
142414
1704
ahol mások a feltételek.
02:40
In those situations, we want a car
52
144118
2761
Az ilyen helyzetekben azt akarjuk,
02:42
that is capable enough to avoid any accident
53
146879
3720
hogy az autó képes legyen elkerülni minden balesetet,
02:46
that can physically be avoided.
54
150599
2678
ami fizikailag elkerülhető.
02:49
I must confess, there's kind of a third motivation as well.
55
153277
4267
Be kell vallanom, hogy van egy harmadik motivációnk is.
02:53
You see, I have a passion for racing.
56
157544
2256
Imádom az autóversenyzést.
02:55
In the past, I've been a race car owner,
57
159800
2764
Régebben voltam versenyautó tulajdonos,
02:58
a crew chief and a driving coach,
58
162564
2555
csapatfőnök, vezetés oktató,
03:01
although maybe not at the level that you're currently expecting.
59
165119
3855
bár valószínűleg nem voltam azon a szinten, ahogy azt most önök elvárnák.
03:04
One of the things that we've developed in the lab --
60
168974
2704
Az egyik dolog, amit kifejlesztettünk a laborban --
03:07
we've developed several vehicles --
61
171678
1704
több járművet is kifejlesztettünk --
03:09
is what we believe is the world's first
62
173382
2235
az, amiről azt hisszük, hogy a világ első
03:11
autonomously drifting car.
63
175617
2365
önállóan driftelő autója lesz.
03:13
It's another one of those categories
64
177982
2513
Ez egy másik olyan kategória,
03:16
where maybe there's not a lot of competition.
65
180495
2423
ahol valószínűleg nincs nagy verseny.
03:18
(Laughter)
66
182918
1408
(Nevetés)
03:20
But this is P1. It's an entirely student-built electric vehicle,
67
184326
3822
De ez a P1-es. Egy teljes egészében a hallgatók által épített elektromos jármű,
03:24
which through using its rear-wheel drive
68
188148
2078
ami hátsókerék-hajtása
03:26
and front-wheel steer-by-wire
69
190226
1565
és elektronikusan kormányzott első kerekei lévén
03:27
can drift around corners.
70
191791
2067
képes driftelve bevenni a kanyarokat.
03:29
It can get sideways like a rally car driver,
71
193858
2200
Képes oldalirányban csúszni, mint egy raliversenyző,
03:31
always able to take the tightest curve,
72
196058
1715
és képes mindig a legszűkebb ívet használni,
03:33
even on slippery, changing surfaces,
73
197773
3304
még csúszós, változó felületeken is,
03:36
never spinning out.
74
201077
1616
anélkül, hogy kisodródna.
03:38
We've also worked with Volkswagen Oracle,
75
202693
2368
Dolgoztunk a Volkswagen Oracle-lel is,
03:40
on Shelley, an autonomous race car that has raced
76
205061
3424
Shelley-n, egy autonóm versenyautón, ami
03:44
at 150 miles an hour through the Bonneville Salt Flats,
77
208485
3070
240 km/h sebességgel versenyzett a Bonneville Salt Flats-en keresztül,
03:47
gone around Thunderhill Raceway Park in the sun,
78
211555
4471
körözött a Thunderhill Raceway Park-ban napsütésben,
03:51
the wind and the rain,
79
216026
2639
szélben és esőben,
03:54
and navigated the 153 turns and 12.4 miles
80
218665
5018
és végignavigált 153 kanyart és 20 kilométert
03:59
of the Pikes Peak Hill Climb route
81
223683
1562
a Pikes Peak Hill Climb szerpentinen
04:01
in Colorado with nobody at the wheel.
82
225245
3473
Colorado-ban, sofőr nélkül.
04:04
(Laughter)
83
228718
1448
(Nevetés)
04:06
(Applause)
84
230166
5566
(Taps)
04:11
I guess it goes without saying that we've had a lot of fun
85
235732
3279
Azt hiszem, mondanom sem kell, hogy rettenetesen jól szórakoztunk
04:14
doing this.
86
239011
1304
mindeközben.
04:16
But in fact, there's something else that we've developed
87
240315
3657
Valójában azonban valami mást is kifejlesztettünk
04:19
in the process of developing these autonomous cars.
88
243972
3055
ezeknek az autonóm autóknak a fejlesztése során.
04:22
We have developed a tremendous appreciation
89
247027
3871
Megtanultuk nagyon csodálni
04:26
for the capabilities of human race car drivers.
90
250898
3817
az emberi autóversenyzőket.
04:30
As we've looked at the question of how well do these cars perform,
91
254715
4345
Miközben ezeknek a kocsiknak a teljesítményét vizsgáltuk,
04:34
we wanted to compare them to our human counterparts.
92
259060
3279
össze akartuk hasonlítani őket emberi megfelelőjükkel.
04:38
And we discovered their human counterparts are amazing.
93
262339
5680
És e közben rájöttünk, hogy az emberi megfelelőik lenyűgözőek.
04:43
Now, we can take a map of a race track,
94
268019
4023
Tudunk térképet készíteni a versenypályáról,
04:47
we can take a mathematical model of a car,
95
272042
2370
el tudjuk készíteni a kocsi matematikai modelljét,
04:50
and with some iteration, we can actually find
96
274412
2903
néhány iterációval meg tudjuk találni
04:53
the fastest way around that track.
97
277315
1625
a leggyorsabb utat a pályán.
04:54
We line that up with data that we record
98
278940
2533
Ezeket az adatokat aztán összevetettük azokkal, amelyeket
04:57
from a professional driver,
99
281473
1433
profi autóversenyzőktől gyűjtöttünk,
04:58
and the resemblance is absolutely remarkable.
100
282906
4107
és a hasonlóság rendkívül figyelemreméltó.
05:02
Yes, there are subtle differences here,
101
287013
3212
Vannak persze kis eltérések is itt,
05:06
but the human race car driver is able to go out
102
290225
3127
ám az emberi autóversenyző képes rá,
05:09
and drive an amazingly fast line,
103
293352
2335
hogy egy fantasztikusan gyors kört fusson
05:11
without the benefit of an algorithm that compares
104
295687
2330
anélkül, hogy egy olyan algoritmusra támaszkodna, ami optimalizál
05:13
the trade-off between going as fast as possible
105
298017
2608
a lehető leggyorsabb haladás között
05:16
in this corner, and shaving a little bit of time
106
300625
2037
az egyik ponton, és egy kis idő lecsípése
05:18
off of the straight over here.
107
302662
1902
között a másikon.
05:20
Not only that, they're able to do it lap
108
304564
3457
És mindezek mellett, képesek rá, hogy ezt
05:23
after lap after lap.
109
308021
2375
körről-körre megismételjék.
05:26
They're able to go out and consistently do this,
110
310396
2912
Képesek rá, hogy ezt kitartóan csinálják,
05:29
pushing the car to the limits every single time.
111
313308
4128
miközben a kocsit folyamatosan a határon vezetik.
05:33
It's extraordinary to watch.
112
317436
3169
Rendkívüli dolog ezt látni.
05:36
You put them in a new car,
113
320605
2066
Aztán átütetjük őket egy másik autóba,
05:38
and after a few laps, they've found the fastest line in that car,
114
322671
3902
ahol néhány kör után újra megtalálják a leggyorsabb utat,
05:42
and they're off to the races.
115
326573
3877
és újra versenyre készek.
05:46
It really makes you think,
116
330450
1146
Ezt látva óhatatlanul eszünkbe jut,
05:47
we'd love to know what's going on inside their brain.
117
331596
4871
hogy szeretnénk tudni, mi játszódik le a fejükben.
05:52
So as researchers, that's what we decided to find out.
118
336467
4541
Mi, mint kutatók, éppen ennek kiderítésére vállalkoztunk.
05:56
We decided to instrument not only the car,
119
341008
1812
Ezért elhatároztuk, hogy nem csak az autót műszerezzük fel,
05:58
but also the race car driver,
120
342820
2495
hanem a vezetőket is,
06:01
to try to get a glimpse into what was going on
121
345315
2769
hogy képet kapjunk róla, mi történik
06:03
in their head as they were doing this.
122
348084
2186
a fejükben vezetés közben.
06:06
Now, this is Dr. Lene Harbott applying electrodes
123
350270
3950
Ez itt Dr. Lene Harbott, amint elektródákat helyez el
06:10
to the head of John Morton.
124
354220
1232
John Morton fején.
06:11
John Morton is a former Can-Am and IMSA driver,
125
355452
2989
John Morton egy egykori Can-Am és IMSA versenyző,
06:14
who's also a class champion at Le Mans.
126
358441
1800
aki Le Mans-ban kategória-bajnok is volt.
06:16
Fantastic driver, and very willing to put up with graduate students
127
360241
3496
Fantasztikus autóvezető, aki türelmesen viseli a hallgatókat,
06:19
and this sort of research.
128
363737
1855
és ezt a fajta kutatást.
06:21
She's putting electrodes on his head
129
365592
2672
Elektródákat teszünk a fejére,
06:24
so that we can monitor the electrical activity
130
368264
2112
hogy megfigyelhessük az elektromos aktivitást,
06:26
in John's brain as he races around the track.
131
370376
2832
ami kialakul John fejében versenyzés közben.
06:29
Now, clearly we're not going to put a couple of electrodes on his head
132
373208
3195
Persze nem hisszük, hogy attól, hogy pár elektródát teszünk a fejére,
06:32
and understand exactly what all of his thoughts are on the track.
133
376403
3270
pontosan meg fogjuk érteni, mi jár a fejében a pályán.
06:35
However, neuroscientists have identified certain patterns
134
379673
3407
A neurológusok azonban azonosítottak néhány mintát,
06:38
that let us tease out some very important aspects of this.
135
383080
3761
amelyek alapján több fontos megállapítást tehettünk.
06:42
For instance, the resting brain
136
386841
1847
Például a nyugalmi állapotban lévő agy
06:44
tends to generate a lot of alpha waves.
137
388688
2155
rengeteg alfa-hullámot bocsát ki.
06:46
In contrast, theta waves are associated with
138
390843
3752
Ezzel szemben a théta-hullámok olyan kognitív
06:50
a lot of cognitive activity, like visual processing,
139
394595
3184
tevékenységekhez kapcsolódnak, mint például a képfeldolgozás,
06:53
things where the driver is thinking quite a bit.
140
397779
3048
olyan dolgokhoz, amelyeknél a vezető sokat gondolkozik.
06:56
Now, we can measure this,
141
400827
1663
Most már meg tudjuk mérni ezeket,
06:58
and we can look at the relative power
142
402490
1985
és láthatóvá tehetjük a théta és
07:00
between the theta waves and the alpha waves.
143
404475
2200
alfa hullámok viszonylagos energiáját.
07:02
This gives us a measure of mental workload,
144
406675
2442
Ez által mérni tudjuk a mentális terhelést,
07:05
how much the driver is actually challenged cognitively
145
409117
3567
vagyis hogy milyen kognitív kihívásokkal néz szembe a vezető
07:08
at any point along the track.
146
412684
1786
a pálya egyes pontjain.
07:10
Now, we wanted to see if we could actually record this
147
414470
2942
Kiváncsiak voltunk, hogy tudjuk-e ezt a valóságban is rögzíteni,
07:13
on the track, so we headed down south to Laguna Seca.
148
417412
3038
a pályán, ezért lementünk délre, Laguna Seca-ba.
07:16
Laguna Seca is a legendary raceway
149
420450
2016
Laguna Seca egy legendás versenypálya,
07:18
about halfway between Salinas and Monterey.
150
422466
2301
nagyjából félúton Salinas és Monterey között.
07:20
It has a curve there called the Corkscrew.
151
424767
2087
Van ott egy kanyarkombináció, amit Dugóhúzónak hívnak.
07:22
Now, the Corkscrew is a chicane, followed by a quick
152
426854
2717
Nos, a Dugóhúzó egy sikán, amit egy gyors
07:25
right-handed turn as the road drops three stories.
153
429571
2746
jobbkanyar követ, miközben az út három emeletet zuhan.
07:28
Now, the strategy for driving this as explained to me was,
154
432317
3766
A vezetési stratégia ezen a helyen, ahogy elmagyarázták nekem,
07:31
you aim for the bush in the distance,
155
436083
2022
becélozni a távoli bozotós részt,
07:34
and as the road falls away, you realize it was actually the top of a tree.
156
438105
3025
majd ahogy az út lejteni kezd, rájössz, hogy valójában egy fa teteje volt.
07:37
All right, so thanks to the Revs Program at Stanford,
157
441130
3304
Köszönet tehát a Stanford-i Revs Program-nak,
07:40
we were able to take John there
158
444434
1473
hogy odavihettük John-t
07:41
and put him behind the wheel
159
445907
964
és hogy beültethettük egy
07:42
of a 1960 Porsche Abarth Carrera.
160
446871
2439
1960-as Porsche Abarth Carrera volánja mögé.
07:45
Life is way too short for boring cars.
161
449310
3698
Az élet túl rövid ahhoz, hogy unalmas autók vezetésére fecséreljük.
07:48
So, here you see John on the track,
162
453008
1759
Itt láthatják John-t a pályán,
07:50
he's going up the hill -- Oh! Somebody liked that --
163
454767
2184
amint megy felfelé az emelkedőn - Ó! Ez valakinek tetszett --
07:52
and you can see, actually, his mental workload
164
456951
2465
és látható, valóban, a mentális terhelése
07:55
-- measuring here in the red bar --
165
459416
2153
-- amit a piros sáv mutat --
07:57
you can see his actions as he approaches.
166
461569
2343
láthatják az akcióit, amint közeledik.
07:59
Now watch, he has to downshift.
167
463912
3230
Most figyeljék, vissza kellett váltania.
08:03
And then he has to turn left.
168
467142
761
Aztán balra kellett fordulnia.
08:03
Look for the tree, and down.
169
467903
3993
Keressük a fát, aztán lefelé.
08:07
Not surprisingly, you can see this is a pretty challenging task.
170
471896
2838
Nem meglepő módon, látható, hogy ez egy elég komoly kihívás.
08:10
You can see his mental workload spike as he goes through this,
171
474734
2976
Látható, hogyan fokozódik a mentális terhelés a mindeközben,
08:13
as you would expect with something that requires
172
477710
2064
pontosan ahogy várnánk egy ilyen
08:15
this level of complexity.
173
479774
2809
komplexitású tevékenységtől.
08:18
But what's really interesting is to look at areas of the track
174
482583
3416
Ám ami igazán érdekes, az, ha megnézzük a pályának azon részeit,
08:21
where his mental workload doesn't increase.
175
485999
2846
ahol a mentális terhelés nem mutat növekedést.
08:24
I'm going to take you around now
176
488845
1495
Megmutatom most önöknek
08:26
to the other side of the track.
177
490340
1089
a pálya másik oldalát.
08:27
Turn three. And John's going to go into that corner
178
491429
2336
A hármas kanyar. John be fog hajtani ebbe a kanyarba
08:29
and the rear end of the car is going to begin to slide out.
179
493765
2551
és a kocsi hátsó része elkezd kifelé sodródni.
08:32
He's going to have to correct for that with steering.
180
496316
2017
Ezt kormányzással kell korrigálnia.
08:34
So watch as John does this here.
181
498333
2231
Lássuk, hogy oldja meg John a feladatot!
08:36
Watch the mental workload, and watch the steering.
182
500564
2322
Figyeljük a mentális terhelést és a kormányzást.
08:38
The car begins to slide out, dramatic maneuver to correct it,
183
502886
3672
A kocsi elkezd kifele sodródni, drámai manőver a korrigálására,
08:42
and no change whatsoever in the mental workload.
184
506558
3523
és semmi változás a mentális terhelésben.
08:45
Not a challenging task.
185
510081
2832
Semmi kihívás.
08:48
In fact, entirely reflexive.
186
512913
3200
Egy teljesen reflex-szerű megoldás.
08:52
Now, our data processing on this is still preliminary,
187
516113
3643
Persze az adatfeldolgozás még elég kezdetleges,
08:55
but it really seems that these phenomenal feats
188
519756
2672
de határozottan úgy tűnik, hogy ezek a cselekvések
08:58
that the race car drivers are performing
189
522428
1610
melyeket az autóversenyzők végrehajtanak.
08:59
are instinctive.
190
524038
1910
ösztönösek.
09:01
They are things that they have simply learned to do.
191
525948
3390
Ezeket a dolgokat egyszerűen megtanulták végrehajtani.
09:05
It requires very little mental workload
192
529338
2282
És nagyon kevés mentális igénybevétellel jár
09:07
for them to perform these amazing feats.
193
531620
2824
ezeknek lenyűgöző manővereknek a végrehajtása.
09:10
And their actions are fantastic.
194
534444
3135
És a cselekedeteik fantasztikusak.
09:13
This is exactly what you want to do on the steering wheel
195
537579
2611
Ez pontosan az, amit tenni akarunk a kormánykerékkel,
09:16
to catch the car in this situation.
196
540190
3337
hogy megtartsuk az autót ebben a helyzetben.
09:19
Now, this has given us tremendous insight
197
543527
3445
Mindez egy remek betekintést
09:22
and inspiration for our own autonomous vehicles.
198
546972
3122
és inspirációt adott nekünk a autonóm járműveinkhez.
09:25
We've started to ask the question:
199
550094
1928
Feltettük magunknak a kérdést:
09:27
Can we make them a little less algorithmic
200
552022
2253
Tudjuk-e a működésüket kevésbé algoritmikussá,
09:30
and a little more intuitive?
201
554275
2449
és inkább intuitívvá tenni?
09:32
Can we take this reflexive action
202
556724
2281
Képesek vagyunk-e a legjobb autóversenyzőktől látott
09:34
that we see from the very best race car drivers,
203
559005
2287
ösztönös cselekvést
09:37
introduce it to our cars,
204
561292
1649
átvinni a mi autóinkba,
09:38
and maybe even into a system that could
205
562941
1984
vagy esetleg egy olyan rendszerbe, ami
09:40
get onto your car in the future?
206
564925
1968
a jövőben az önök autójában is megjelenhet?
09:42
That would take us a long step
207
566893
1611
Ez egy hatalmas lépés lenne
09:44
along the road to autonomous vehicles
208
568504
2509
olyan autonóm járművek irányába,
09:46
that drive as well as the best humans.
209
571013
1912
amelyek olyan jól vezetnek, mint a legjobb emberi autóvezetők.
09:48
But it's made us think a little bit more deeply as well.
210
572925
3440
Itt azonban egy kicsit mélyebben elgondolkoztunk.
09:52
Do we want something more from our car
211
576365
2968
Akarunk-e többet a kocsinktól,
09:55
than to simply be a chauffeur?
212
579333
1840
mint hogy egyszerűen a sofőrünk is legyen?
09:57
Do we want our car to perhaps be a partner, a coach,
213
581173
4235
Akarjuk-e, hogy az autónk esetleg a partnerünk, egyfajta edzőnk legyen,
10:01
someone that can use their understanding of the situation
214
585408
3087
olyasvalami, ami képes saját helyzetértékelését használni
10:04
to help us reach our potential?
215
588495
4256
a mi képességeink kihasználására?
10:08
Can, in fact, the technology not simply replace humans,
216
592751
2273
Képes-e a technológia nem egyszerűen csak helyettesíteni az embert,
10:10
but allow us to reach the level of reflex and intuition
217
595024
4575
de akár a reflexek és ösztönök olyan szintjét elérni,
10:15
that we're all capable of?
218
599599
3425
amire mi magunk képesek vagyunk?
10:18
So, as we move forward into this technological future,
219
603024
1923
Ahogy haladunk előre ennek a technológiai jövőnek az irányába,
10:20
I want you to just pause and think of that for a moment.
220
604947
2821
szeretnék megállni és elgondolkozni egy pillanatra.
10:23
What is the ideal balance of human and machine?
221
607768
3775
Hol van az arany középút az emberi és a gépi között?
10:27
And as we think about that,
222
611543
1709
Mi azt gondoljuk,
10:29
let's take inspiration
223
613252
1731
hogy használjuk inspirációnak
10:30
from the absolutely amazing capabilities
224
614983
3329
az emberi test és az emberi elme
10:34
of the human body and the human mind.
225
618312
2816
rendkívüli, lenyűgőző képességeit.
10:37
Thank you.
226
621128
1736
Köszönöm.
10:38
(Applause)
227
622864
4604
(Taps)
ABOUT THE SPEAKER
Chris Gerdes - Mechanical engineerAn autonomous car may seem like a thing of the distant future, but mechanical engineer Chris Gerdes is racing to make it a reality today.
Why you should listen
Imagine a car that can drive itself -- that with the push of a button can get you home safely when you’re too tired to drive or have had a night of one too many drinks. Dr. Chris Gerdes , the Director of the Center for Automotive Research at Stanford (conveniently acronymed CARS), and his team are developing a robotic race car, capable of driving at outrageous speeds while avoiding every possible accident. Gerdes’ research focuses on the development of driver assistance systems for collision avoidance, as well as on new combustion processes for engines.
Prior to teaching at Stanford, Gerdes was the project leader for vehicle dynamics at the Vehicle Systems Technology Center of Daimler-Benz Research and Technology North America. His work at Daimler focused on safety analysis.
Chris Gerdes | Speaker | TED.com