TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Jennifer Healey: Ha az autók beszélni tudnának, a balesetek elkerülhetőek lennének
Filmed:
Readability: 3.2
908,454 views
Amikor autót vezetünk, egy üvegbuborékba szállunk be, becsukjuk az ajtókat, és rálépünk a gázpedálra, közben a szemünkre hagyatkozunk -- mindezt úgy tesszük, hogy csak néhány autót látunk magunk előtt és mögött. Mi lenne, ha az autók adatokat tudnának megosztani egymással a helyzetükről és a sebességükről, valamint következtető modelleket használnának, hogy kiszámítsák az úton lévők számára a legbiztonságosabb útvonalat? Jennifer Healey egy balesetektől mentes világot képzel el. (Filmre véve: 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
Ismerjük el:
00:14
Driving is dangerous.
1
2617
2445
az autóvezetés veszélyes.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Ez az egyik dolog, amire nem szeretünk gondolni,
00:20
but the fact that religious icons and good luck charms
3
8160
3652
de az a tény, hogy a világ minden táján szentképek
00:23
show up on dashboards around the world
4
11812
4790
és szerencsetárgyak bukkanak fel a műszerfalakon,
00:28
betrays the fact that we know this to be true.
5
16602
4137
azt mutatja, hogy ezt tudjuk is.
00:32
Car accidents are the leading cause of death
6
20739
3594
Az Egyesült Államokban a 16-19 éves korosztálynál
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
a leggyakoribb halálok az autóbaleset --
00:40
leading cause of death --
8
28503
2843
leggyakoribb halálok --
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
és a balesetek 75%-ának semmi köze nincs a drogokhoz
00:47
with drugs or alcohol.
10
35209
2285
vagy az alkoholhoz.
00:49
So what happens?
11
37494
2261
Akkor mi történik?
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Senki sem tudja biztosan. Emlékszem az első balesetemre.
00:55
I was a young driver out on the highway,
13
43974
3803
Kezdő sofőrként autópályán vezettem, és
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
láttam, ahogy az előttem lévő autónak kigyullad a féklámpája.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
Én meg: "Ok, rendben, a pasas lelassít,
01:03
I'll slow down too."
16
51835
1282
akkor én is lassítok."
01:05
I step on the brake.
17
53117
1926
Rálépek a fékre.
01:07
But no, this guy isn't slowing down.
18
55043
2254
De nem, a pasas nem is lassít,
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
hanem megáll, satuzik, satuzik az autópályán.
01:12
It was just going 65 -- to zero?
20
60475
2540
Egyszer százzal megy -- aztán 0?
01:15
I slammed on the brakes.
21
63015
1520
Rátapostam a fékre.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Éreztem, ahogy az ABS rugdossa a fékpedált,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
az autó még mindig nem áll meg, és tudtam, hogy nem is fog.
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
A légzsák kinyílt, az autó totálkáros lett,
01:25
and fortunately, no one was hurt.
25
73229
3557
de szerencsére senki nem sérült meg.
01:28
But I had no idea that car was stopping,
26
76786
4211
Fogalmam sem volt, hogy az az autó meg fog állni.
01:32
and I think we can do a lot better than that.
27
80997
3645
Azt hiszem, ennél mindenképpen többet tehetünk.
01:36
I think we can transform the driving experience
28
84642
4145
Úgy gondolom, meg tudjuk változtatni a vezetési élményt
01:40
by letting our cars talk to each other.
29
88787
3879
úgy, hogy hagyjuk az autóinkat beszélni egymással.
01:44
I just want you to think a little bit
30
92666
1424
Gondoljanak csak bele egy kicsit,
01:46
about what the experience of driving is like now.
31
94090
2888
hogy is néz ki ma a vezetés a gyakorlatban.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Beszállunk az autóba. Becsukjuk az ajtót. Egy üvegbuborékban ülünk.
01:53
You can't really directly sense the world around you.
33
101006
2916
Nem tudjuk közvetlenül érzékelni a körülöttünk lévő világot.
01:55
You're in this extended body.
34
103922
2181
Egy kiterjesztett testben vagyunk.
01:58
You're tasked with navigating it down
35
106103
2163
Az a feladatunk, hogy elkormányozzuk,
02:00
partially-seen roadways,
36
108266
2056
más fémóriások között,
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
emberfeletti sebességgel, úgy hogy az úttestnek csak egy részét látjuk.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
Igaz? Mindaz, ami a segítségünkre lehet, a két szemünk.
02:11
Okay, so that's all you have,
39
119226
1762
Tehát, ez minden amink van,
02:12
eyes that weren't really designed for this task,
40
120988
1735
szemek, amik nem igazán erre a feladatra lettek kitalálva.
02:14
but then people ask you to do things like,
41
122723
3751
Majd azt kérik tőlünk, hogy olyan dolgokat
02:18
you want to make a lane change,
42
126474
1549
csináljunk, mint a sávváltás.
02:20
what's the first thing they ask you do?
43
128023
2321
Mi az első dolog, amit tenni kell?
02:22
Take your eyes off the road. That's right.
44
130344
3095
Vegyük le a szemünket az útról. Így van.
02:25
Stop looking where you're going, turn,
45
133439
2096
Ne arra nézzünk, amerre megyünk, forduljunk el,
02:27
check your blind spot,
46
135535
2018
nézzünk a holttérbe,
02:29
and drive down the road without looking where you're going.
47
137553
3471
és úgy vezessünk, hogy nem is abba az irányba nézünk, amerre haladunk.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Mindenki ezt teszi. Ez a biztonságos vezetés.
02:36
Why do we do this? Because we have to,
49
144159
2241
Miért csináljuk így? Mert kell,
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
döntést kell hoznunk: ide nézzünk vagy oda?
02:40
What's more important?
51
148979
1521
Mi a fontosabb?
02:42
And usually we do a fantastic job
52
150500
2711
Általában remek munkát végzünk
02:45
picking and choosing what we attend to on the road.
53
153211
3769
abban, hogy kiválasszuk, mire figyelünk.
02:48
But occasionally we miss something.
54
156980
3650
De esetenként valamit figyelmen kívül hagyunk.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
Esetenként valamit rosszul mérünk fel vagy túl későn.
02:57
In countless accidents, the driver says,
56
165091
1988
Számos baleset után a sofőr azt mondja:
02:59
"I didn't see it coming."
57
167079
2308
"Nem vettem észre."
03:01
And I believe that. I believe that.
58
169387
3281
És én ezt elhiszem. Elhiszem.
03:04
We can only watch so much.
59
172668
2925
Nem tudunk mindenre figyelni.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
De a technológia már létezik, ami segíthet ennek fejlesztésében.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
A jövőben képesek leszünk az egymással adatokat megosztó
03:17
we will be able to see not just three cars ahead
62
185033
3928
autók segítségével egyidőben nem csak három előttünk
03:20
and three cars behind, to the right and left,
63
188961
1594
és három utánunk lévő autót látni, jobbra és balra,
03:22
all at the same time, bird's eye view,
64
190555
3166
madártávlatból. Tulajdonképpen
03:25
we will actually be able to see into those cars.
65
193721
3128
az autókba is képesek leszünk belelátni.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Láthatjuk az előttünk lévő autó sebességét,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
milyen gyorsan halad vagy áll meg.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Ha teljesen megáll, tudni fogom.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
Számításokkal, algoritmusokkal és következtető modellekkel képesek
03:42
we will be able to see the future.
70
210829
3273
leszünk arra, hogy lássuk a jövőt.
03:46
You may think that's impossible.
71
214102
1556
Talán azt gondolják, hogy az lehetetlen.
03:47
How can you predict the future? That's really hard.
72
215658
2731
Hogy lehet megjósolni a jövőt? Az nagyon nehéz.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Valójában nem. Az autók esetében ez nem lehetetlen.
03:54
Cars are three-dimensional objects
74
222008
2732
Az autók háromdimenziós objektumok,
03:56
that have a fixed position and velocity.
75
224740
2332
amiknek fix poziciójuk és sebességük van.
03:59
They travel down roads.
76
227072
1631
Az utakon közlekednek.
04:00
Often they travel on pre-published routes.
77
228703
2412
Gyakran előre megtervezett útvonalakon.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
Nem is annyira nehéz ésszerű becslésekbe bocsátkozni,
04:07
about where a car's going to be in the near future.
79
235053
2864
hol lesz egy autó a közeljövőben.
04:09
Even if, when you're in your car
80
237917
2002
Még az autónkban ülve sem,
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
mikor egy motoros jön-- bshoom! --
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
136 km/órával hasít a sávok között --
04:16
I know you've had this experience --
83
244209
2547
Tudom, hogy volt már ilyen élményük --
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
nem "csak úgy a semmiből jött".
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Valószínűleg már az elmúlt fél órában is az úton volt.
04:25
(Laughter)
86
253002
1190
(Nevetés)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
Igaz? Úgy értem, valaki látta már.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
10, 20, 30 kilométerrel korábban, valaki már látta,
04:32
and as soon as one car sees that guy
89
260549
2384
és amint egy autó észleli,
04:34
and puts him on the map, he's on the map --
90
262933
2231
és a térképre helyezi, már a térképen is van --
04:37
position, velocity,
91
265164
2176
helyzet, sebesség.
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
Jó eséllyel továbbra is 136 km/órával fog haladni.
04:41
You'll know, because your car will know, because
93
269661
2184
Tudni fogjuk, mert az autónk tudni fogja.
04:43
that other car will have whispered something in his ear,
94
271845
2275
Egy másik autó valami ilyesmit fog a fülébe súgni:
04:46
like, "By the way, five minutes,
95
274120
1923
"Közeledik, 5 perc,
04:48
motorcyclist, watch out."
96
276043
2775
motoros, figyelj!"
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Ésszerű előrejelzéseket kaphatunk az autók viselkedéséről.
04:53
I mean, they're Newtonian objects.
98
281521
1365
Úgy értem, ezek newtoni testek.
04:54
That's very nice about them.
99
282886
2909
Ez a jó bennük.
04:57
So how do we get there?
100
285795
3034
Tehát, hogy jutunk el idáig?
05:00
We can start with something as simple
101
288829
2266
Kezdhetjük egy olyan egyszerű dologgal,
05:03
as sharing our position data between cars,
102
291095
2870
mint a helyzetünk megosztása a többi autóval.
05:05
just sharing GPS.
103
293965
1892
Csupán GPS megosztással.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Ha van az autómban GPS és kamera,
05:10
I have a pretty precise idea of where I am
105
298301
2231
akkor pontosan tudatában vagyok, hol vagyok,
05:12
and how fast I'm going.
106
300532
1732
és milyen gyorsan haladok.
05:14
With computer vision, I can estimate where
107
302264
1657
Számítógépes látással meg tudom becsülni
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
a körülöttem lévő autók hol vannak, és merre mennek.
05:19
And same with the other cars.
109
307458
970
Ugyanez a helyzet a többi autóval.
05:20
They can have a precise idea of where they are,
110
308428
1814
Pontos ismeretük lehet arról, merre vannak, és
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
bizonytalan elképzelésük arról, hogy a többi autó hol van.
05:24
What happens if two cars share that data,
112
312388
3231
Mi történik, ha két autó adatokat oszt meg egymással,
05:27
if they talk to each other?
113
315619
1955
ha beszélnek egymáshoz?
05:29
I can tell you exactly what happens.
114
317574
2778
Pontosan meg tudom mondani, mi történik.
05:32
Both models improve.
115
320352
2339
Mindkét modell fejlődik.
05:34
Everybody wins.
116
322691
2055
Mindenki nyer.
05:36
Professor Bob Wang and his team
117
324746
2577
Bob Wang professor és csapata
05:39
have done computer simulations of what happens
118
327323
2738
számítógépes szimulációkat végeztek, hogy mi történik,
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
ha a homályos becslések összeadódnak még gyér
05:45
when cars just share GPS data,
120
333492
2624
forgalomban is, mikor az autók GPS
05:48
and we've moved this research out of the computer simulation
121
336116
2513
adatokat osztanak meg egymással. Azután a számítógépes szimulációkat
05:50
and into robot test beds that have the actual sensors
122
338629
3027
robot tesztelőkbe helyeztük át, amik rendelkeznek
05:53
that are in cars now on these robots:
123
341656
3133
az autókban is megtalálható szenzorokkal:
05:56
stereo cameras, GPS,
124
344789
1838
sztereó kamerák, GPS,
05:58
and the two-dimensional laser range finders
125
346627
1874
és kétdimenziós lézerletapogatók, amik
06:00
that are common in backup systems.
126
348501
2240
gyakoriak a tolatórendszerekben.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
Egy egyedi, kis hatótávú rádiókommunikációval is ellátjuk őket,
06:07
and the robots talk to each other.
128
355225
1909
és a robotok egymáshoz beszélnek.
06:09
When these robots come at each other,
129
357134
1539
Mikor ezek a robotok közelednek egymáshoz,
06:10
they track each other's position precisely,
130
358673
2971
pontosan nyomon követik egymás helyzetét,
06:13
and they can avoid each other.
131
361644
2737
és ki tudnak térni a másik elől.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Ahogy egyre több robotot vontunk be a tesztbe,
06:19
and we encountered some problems.
133
367607
1471
beleütköztünk néhány problémába.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Az egyik probléma az, mikor túl sokat csevegnek,
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
nehéz az összes adatot feldolgozni, így fontossági sorrendet
06:27
and that's where the predictive model helps you.
136
375165
2357
kell felállítanunk. Itt segít a következtető modell.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Ha robotautóink mind nyomon követik az előrejelzett pályagörbéket,
06:33
you don't pay as much attention to those packets.
138
381894
1767
akkor nem kell akkora figyelmet fordítanunk azokra az adatokra.
06:35
You prioritize the one guy
139
383661
1703
Arra az egy pasasra fordítunk
06:37
who seems to be going a little off course.
140
385364
1333
nagyobb figyelmet, aki látszólag letér az útról.
06:38
That guy could be a problem.
141
386697
2526
Az a pasas probléma lehet.
06:41
And you can predict the new trajectory.
142
389223
3002
És előrejelezhetjük az új pályagörbét.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
Így már nem csak azt tudjuk, hogy letér az útvonalról, de azt is, hogyan.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
És tudjuk, melyik sofőröket kell figyelmeztetni, hogy térjenek ki az útjából.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
Akartunk -- hogy tudunk a legegyszerűbben figyelmezetetni mindenkit?
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
Hogy suttoghatnak ezek az autók: "Félre kell húzódnod?"
06:56
Well, it depends on two things:
147
404529
1517
Két dolgon múlik:
06:58
one, the ability of the car,
148
406046
2169
először is az autó képességein,
07:00
and second the ability of the driver.
149
408215
3217
másodszor a sofőr képességein.
07:03
If one guy has a really great car,
150
411432
1505
Hiába van valakinek nagyon jó autója,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
ha éppen telefonál, vagy valami mással foglalkozik, valószínűleg
07:07
they're not probably in the best position
152
415862
1930
nincs a legjobb helyzetben, hogy vészhelyzet
07:09
to react in an emergency.
153
417792
2970
esetén reagálni tudjon.
07:12
So we started a separate line of research
154
420762
1665
Így a kutatásnak egy másik irányába kezdtünk,
07:14
doing driver state modeling.
155
422427
2551
a vezető állapotának modellezésébe.
07:16
And now, using a series of three cameras,
156
424978
2329
Jelenleg három kamera használatával
07:19
we can detect if a driver is looking forward,
157
427307
2270
észlelni tudjuk, hogy a sofőr előre néz,
07:21
looking away, looking down, on the phone,
158
429577
2860
másfelé néz, lefelé néz, telefonál,
07:24
or having a cup of coffee.
159
432437
3061
vagy kávézik.
07:27
We can predict the accident
160
435498
2070
Előrejelezhetünk egy balesetet, és
07:29
and we can predict who, which cars,
161
437568
3651
előrejelezhetjük kik, melyik autók vannak
07:33
are in the best position to move out of the way
162
441219
3486
a legjobb helyzetben, hogy kitérjenek. Kiszámolhatjuk
07:36
to calculate the safest route for everyone.
163
444705
3009
a mindenki számára legbiztonságosabb útvonalat.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
Alapvetően ezek a technológiák ma is léteznek.
07:44
I think the biggest problem that we face
165
452349
2824
A legnagyobb probléma, amivel szembesülünk,
07:47
is our own willingness to share our data.
166
455173
3013
az a hajlandóságunk, hogy megosszuk az adatainkat.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Szerintem, az egy nagyon nyugtalanító
07:52
this idea that our cars will be watching us,
168
460817
2386
gondolat, hogy az autóink figyelnek minket,
07:55
talking about us to other cars,
169
463203
3371
beszélnek rólunk más autóknak,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
hogy pletykaáradatban haladunk az úton.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Hiszek abban, hogy ezt úgy is megtehetjük, hogy a személyiségi jogaink ne sérüljenek.
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
Csakúgy, mint most, mikor kivülről az autójukra nézek,
08:09
I don't really know about you.
173
477639
2363
igazán nem tudok Önökről semmit.
08:12
If I look at your license plate number,
174
480002
1137
Ha a rendszámukra nézek, igazán
08:13
I don't really know who you are.
175
481139
1886
nem tudom, hogy kik is valójában.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Hiszem, hogy az autóink a hátunk mögött kibeszélhetnek.
08:19
(Laughter)
177
487274
2975
(Nevetés)
08:22
And I think it's going to be a great thing.
178
490249
3185
Azt gondolom, ez egy nagyszerű dolog lesz.
08:25
I want you to consider for a moment
179
493434
1650
Gondoljanak bele egy pillanatra.
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
Nem akarják, hogy a figyelmetlen tinédzser mögöttünk
08:31
to know that you're braking,
181
499202
2120
tudja, hogy fékezünk,
08:33
that you're coming to a dead stop.
182
501322
2924
hogy satuzni fogunk?
08:36
By sharing our data willingly,
183
504246
2741
Az adataink önkéntes megosztásával
08:38
we can do what's best for everyone.
184
506987
2812
azt tehetjük, ami mindenkinek a legjobb.
08:41
So let your car gossip about you.
185
509799
3076
Engedjék, hogy az autójuk pletykáljon Önökről.
08:44
It's going to make the roads a lot safer.
186
512875
3038
Az utak sokkal biztonságosabbá válnak.
08:47
Thank you.
187
515913
1791
Köszönöm.
08:49
(Applause)
188
517704
4985
(Taps)
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