TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Jennifer Healey: Se os carros pudessem falar, talvez se evitassem acidentes
Filmed:
Readability: 3.2
908,454 views
Quando conduzimos, entramos numa bolha de vidro, trancamos as portas e pisamos o acelerador, contando com os nossos olhos para nos guiar — mesmo só podendo ver alguns carros para a frente e para trás. Mas e se os carros pudessem partilhar informação com os outros sobre a sua posição e velocidade e usar modelos preditivos para calcular os percursos mais seguros na estrada? Jennifer Healey imagina um mundo sem acidentes. (Filmado na 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
Sejamos diretos:
00:14
Driving is dangerous.
1
2617
2445
Conduzir é perigoso.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
É daquelas coisas em que não queremos pensar
00:20
but the fact that religious icons and good luck charms
3
8160
3652
mas as figuras religiosas e símbolos de sorte
00:23
show up on dashboards around the world
4
11812
4790
que aparecem em tabliers por todo o mundo
00:28
betrays the fact that we know this to be true.
5
16602
4137
revelam que temos consciência disso.
00:32
Car accidents are the leading cause of death
6
20739
3594
Os acidentes automóveis são
a principal causa de morte
a principal causa de morte
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
entre os 16 e os 19 anos nos EUA —
00:40
leading cause of death --
8
28503
2843
principal causa de morte —
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
e 75% destes acidentes não têm que ver
00:47
with drugs or alcohol.
10
35209
2285
com drogas ou álcool.
00:49
So what happens?
11
37494
2261
O que é que se passa?
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Ninguém sabe ao certo, mas lembro-me
do meu primeiro acidente.
do meu primeiro acidente.
00:55
I was a young driver out on the highway,
13
43974
3803
Era uma jovem condutora na autoestrada,
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
e vi as luzes do travão do carro
da frente acenderem.
da frente acenderem.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
Pensei: "Ok, tudo bem, vai abrandar,
01:03
I'll slow down too."
16
51835
1282
"também vou abrandar."
01:05
I step on the brake.
17
53117
1926
Pisei no travão.
01:07
But no, this guy isn't slowing down.
18
55043
2254
Mas não, ele não ia abrandar.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
Ia parar, parar mesmo, parar mesmo
na autoestrada.
na autoestrada.
01:12
It was just going 65 -- to zero?
20
60475
2540
Estava a ir dos 105 km/h aos 0 km/h?
01:15
I slammed on the brakes.
21
63015
1520
Pisei no pedal do travão com força.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Senti o ABS a funcionar,
o carro a continuar a andar,
o carro a continuar a andar,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
e não ia parar, e eu sabia disso,
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
o airbag dispara, o carro fica destruído,
01:25
and fortunately, no one was hurt.
25
73229
3557
e, felizmente, ninguém se magoou.
01:28
But I had no idea that car was stopping,
26
76786
4211
Mas não fazia ideia de que o carro ia parar,
01:32
and I think we can do a lot better than that.
27
80997
3645
e acho que conseguimos fazer melhor.
01:36
I think we can transform the driving experience
28
84642
4145
Penso que podemos transformar
a experiência de conduzir
a experiência de conduzir
01:40
by letting our cars talk to each other.
29
88787
3879
deixando que os carros falem
uns com os outros.
uns com os outros.
01:44
I just want you to think a little bit
30
92666
1424
Só quero que pensem um pouco
01:46
about what the experience of driving is like now.
31
94090
2888
sobre como é a experiência de conduzir agora.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Entrem no carro. Fechem a porta.
Estão numa bolha de vidro.
Estão numa bolha de vidro.
01:53
You can't really directly sense the world around you.
33
101006
2916
Não podem realmente sentir
o mundo à vossa volta.
o mundo à vossa volta.
01:55
You're in this extended body.
34
103922
2181
Estão numa extensão do corpo.
01:58
You're tasked with navigating it down
35
106103
2163
Têm de o conduzir por
02:00
partially-seen roadways,
36
108266
2056
estradas pouco visíveis,
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
em e entre outros gigantes de metal,
a velocidades super-humanas.
a velocidades super-humanas.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
E tudo o que têm a guiar-vos
são os vossos olhos.
são os vossos olhos.
02:11
Okay, so that's all you have,
39
119226
1762
Portanto, é tudo o que têm
02:12
eyes that weren't really designed for this task,
40
120988
1735
olhos que não foram feitos para esta tarefa,
02:14
but then people ask you to do things like,
41
122723
3751
mas depois, as pessoas pedem-vos
para fazer coisas como
para fazer coisas como
02:18
you want to make a lane change,
42
126474
1549
querem mudar de faixa,
02:20
what's the first thing they ask you do?
43
128023
2321
qual é a primeira coisa que vos pedem?
02:22
Take your eyes off the road. That's right.
44
130344
3095
Desviem os olhos da estrada. Tudo certo.
02:25
Stop looking where you're going, turn,
45
133439
2096
Parem de olhar para onde vão, virem,
02:27
check your blind spot,
46
135535
2018
verifiquem o ângulo morto,
02:29
and drive down the road without looking where you're going.
47
137553
3471
e conduzam sem saberem para onde vão.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Vocês e toda a gente.
Este é o modo seguro de conduzir.
Este é o modo seguro de conduzir.
02:36
Why do we do this? Because we have to,
49
144159
2241
Porque o fazemos? Porque temos de o fazer
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
temos de escolher: "Olho para aqui ou para aqui?
02:40
What's more important?
51
148979
1521
"O que é mais importante?"
02:42
And usually we do a fantastic job
52
150500
2711
Geralmente, fazemos um ótimo trabalho
02:45
picking and choosing what we attend to on the road.
53
153211
3769
a decidir e escolher a que é que damos
atenção na estrada.
atenção na estrada.
02:48
But occasionally we miss something.
54
156980
3650
Mas, às vezes, escapa-nos qualquer coisa.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
Às vezes, apercebemo-nos de algo
mal ou muito tarde.
mal ou muito tarde.
02:57
In countless accidents, the driver says,
56
165091
1988
Em inúmeros acidentes, o condutor diz:
02:59
"I didn't see it coming."
57
167079
2308
"Não o vi".
03:01
And I believe that. I believe that.
58
169387
3281
E eu acredito. Acredito.
03:04
We can only watch so much.
59
172668
2925
Não podemos ver tudo.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
Mas agora existe tecnologia que
nos ajuda a melhorar isso.
nos ajuda a melhorar isso.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
No futuro, com carros a trocar informação
uns com os outros,
uns com os outros,
03:17
we will be able to see not just three cars ahead
62
185033
3928
veremos não só três carros à frente
03:20
and three cars behind, to the right and left,
63
188961
1594
e três carros atrás, para a direita
e para a esquerda,
e para a esquerda,
03:22
all at the same time, bird's eye view,
64
190555
3166
tudo ao mesmo tempo, com visão ampla,
03:25
we will actually be able to see into those cars.
65
193721
3128
mas veremos também dentro dos carros.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Veremos a velocidade do carro à nossa frente,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
para vermos a que velocidade vai
ou se vai parar.
ou se vai parar.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Se ele abrandar para 0, eu vou saber.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
E com computação e algoritmos
e modelos preditivos,
e modelos preditivos,
03:42
we will be able to see the future.
70
210829
3273
conseguiremos ver o futuro.
03:46
You may think that's impossible.
71
214102
1556
Podem pensar que é impossível.
03:47
How can you predict the future? That's really hard.
72
215658
2731
Como podem prever o futuro?
É muito difícil.
É muito difícil.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Na verdade não. Com carros
não é impossível.
não é impossível.
03:54
Cars are three-dimensional objects
74
222008
2732
Os carros são objetos tridimensionais
03:56
that have a fixed position and velocity.
75
224740
2332
com uma posição e velocidade fixas.
03:59
They travel down roads.
76
227072
1631
Viajam por estradas.
04:00
Often they travel on pre-published routes.
77
228703
2412
Frequentemente em itinerários
pré-publicados.
pré-publicados.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
Não é muito difícil fazer previsões sensatas
04:07
about where a car's going to be in the near future.
79
235053
2864
sobre onde vai um carro estar
no futuro próximo.
no futuro próximo.
04:09
Even if, when you're in your car
80
237917
2002
Mesmo quando está no carro
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
e vem um motociclista
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
a 140 km/h, a mudar de faixa —
04:16
I know you've had this experience --
83
244209
2547
sei que já tiveram esta experiência —
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
aquele tipo não "apareceu do nada."
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Provavelmente já estava na estrada
desde há meia hora.
desde há meia hora.
04:25
(Laughter)
86
253002
1190
(Risos)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
Certo? Quer dizer, alguém o viu.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
16, 32, 48 km atrás, alguém o viu,
04:32
and as soon as one car sees that guy
89
260549
2384
e assim que um carro vê esse tipo
04:34
and puts him on the map, he's on the map --
90
262933
2231
e o coloca no mapa, ele fica lá —
04:37
position, velocity,
91
265164
2176
posição, velocidade,
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
é provável que continue a 140 km/h.
04:41
You'll know, because your car will know, because
93
269661
2184
Vão saber, porque o vosso carro
vai saber, porque
vai saber, porque
04:43
that other car will have whispered something in his ear,
94
271845
2275
o outro carro terá dito algo ao seu ouvido,
04:46
like, "By the way, five minutes,
95
274120
1923
tipo: "Já agora, daqui a 5 minutos,
04:48
motorcyclist, watch out."
96
276043
2775
"motociclista, cuidado."
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Podem fazer previsões razoáveis sobre
como os carros se comportam.
como os carros se comportam.
04:53
I mean, they're Newtonian objects.
98
281521
1365
Isto é, são objetos newtonianos.
04:54
That's very nice about them.
99
282886
2909
É algo muito bom sobre eles.
04:57
So how do we get there?
100
285795
3034
Então como chegamos lá?
05:00
We can start with something as simple
101
288829
2266
Podemos começar com algo
tão simples como
tão simples como
05:03
as sharing our position data between cars,
102
291095
2870
partilhar informação sobre a nossa posição
entre carros,
entre carros,
05:05
just sharing GPS.
103
293965
1892
apenas partilhando o GPS.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Se eu tiver um GPS e uma câmara
no meu carro,
no meu carro,
05:10
I have a pretty precise idea of where I am
105
298301
2231
tenho uma ideia muito precisa
sobre onde estou
sobre onde estou
05:12
and how fast I'm going.
106
300532
1732
e a que velocidade vou.
05:14
With computer vision, I can estimate where
107
302264
1657
Com visão computacional, posso calcular onde
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
estão os carros à minha volta, mais ou menos,
e para onde vão.
e para onde vão.
05:19
And same with the other cars.
109
307458
970
E o mesmo com os outros carros.
05:20
They can have a precise idea of where they are,
110
308428
1814
Podem ter uma ideia precisa de onde estão,
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
e uma ideia vaga de onde os outros estão.
05:24
What happens if two cars share that data,
112
312388
3231
O que acontece quando dois carros
partilham essa informação,
partilham essa informação,
05:27
if they talk to each other?
113
315619
1955
comunicando um com o outro?
05:29
I can tell you exactly what happens.
114
317574
2778
Posso-vos dizer exatamente
o que acontece.
o que acontece.
05:32
Both models improve.
115
320352
2339
Ambos os modelos melhoram.
05:34
Everybody wins.
116
322691
2055
Todos ganham.
05:36
Professor Bob Wang and his team
117
324746
2577
O Professor Bob Wang e a sua equipa
05:39
have done computer simulations of what happens
118
327323
2738
fizeram simulações
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
quando cálculos vagos se combinam,
até no semáforo,
até no semáforo,
05:45
when cars just share GPS data,
120
333492
2624
quando os carros apenas partilham
informação de GPS,
informação de GPS,
05:48
and we've moved this research out of the computer simulation
121
336116
2513
e passámos da pesquisa da simulação
no computador
no computador
05:50
and into robot test beds that have the actual sensors
122
338629
3027
para os bancos de teste robô que
têm os sensores reais
têm os sensores reais
05:53
that are in cars now on these robots:
123
341656
3133
que estão nos carros agora nestes robôs:
05:56
stereo cameras, GPS,
124
344789
1838
câmaras estéreo, GPS,
05:58
and the two-dimensional laser range finders
125
346627
1874
e os dois telémetros a laser bi-dimensionais
06:00
that are common in backup systems.
126
348501
2240
que são comuns em sistemas de emergência.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
Juntamos um discreto rádio de curto alcance,
06:07
and the robots talk to each other.
128
355225
1909
e os robôs falam uns com os outros.
06:09
When these robots come at each other,
129
357134
1539
Quando estes robôs se encontram,
06:10
they track each other's position precisely,
130
358673
2971
localizam a posição do outro de modo preciso,
06:13
and they can avoid each other.
131
361644
2737
e podem evitar-se uns aos outros.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Estamos a juntar cada vez mais
robôs à mistura,
robôs à mistura,
06:19
and we encountered some problems.
133
367607
1471
e encontrámos alguns problemas.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Um dos problemas, devido ao excesso de dados,
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
é difícil processar todos os pacotes,
por isso é preciso ter prioridades,
por isso é preciso ter prioridades,
06:27
and that's where the predictive model helps you.
136
375165
2357
e é aí que o modelo preditivo vos ajuda.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Se todos os vossos carros-robô estiverem
a localizar as trajetórias previstas
a localizar as trajetórias previstas
06:33
you don't pay as much attention to those packets.
138
381894
1767
não darão tanta atenção a esses pacotes.
06:35
You prioritize the one guy
139
383661
1703
A prioridade será aquele
06:37
who seems to be going a little off course.
140
385364
1333
que parece um pouco fora de rota.
06:38
That guy could be a problem.
141
386697
2526
Aquele tipo pode ser um problema.
06:41
And you can predict the new trajectory.
142
389223
3002
E será possível prever a nova trajetória.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
Então, não só sabem que ele vai na rota errada,
mas também o quanto.
mas também o quanto.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
E sabe quais os condutores terá que alertar
para saírem do caminho.
para saírem do caminho.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
E quisemos — qual a melhor maneira
de alertar toda a gente?
de alertar toda a gente?
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
Como é que estes carros podem sussurrar:
"Precisa de sair do caminho"?
"Precisa de sair do caminho"?
06:56
Well, it depends on two things:
147
404529
1517
Bem, depende de duas coisas:
06:58
one, the ability of the car,
148
406046
2169
primeira, da capacidade do carro,
07:00
and second the ability of the driver.
149
408215
3217
e segunda, da capacidade do condutor.
07:03
If one guy has a really great car,
150
411432
1505
Se um tipo tem um ótimo carro,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
mas está ao telemóvel ou a fazer algo,
07:07
they're not probably in the best position
152
415862
1930
provavelmente não estão na melhor posição
07:09
to react in an emergency.
153
417792
2970
para reagir numa emergência.
07:12
So we started a separate line of research
154
420762
1665
Então iniciámos uma linha de
investigação separada
investigação separada
07:14
doing driver state modeling.
155
422427
2551
a fazer modelagem do estado do condutor.
07:16
And now, using a series of three cameras,
156
424978
2329
E agora, usando um conjunto de três câmaras,
07:19
we can detect if a driver is looking forward,
157
427307
2270
podemos detetar se um condutor
está a olhar para frente,
está a olhar para frente,
07:21
looking away, looking down, on the phone,
158
429577
2860
desviando o olhar, para baixo, ao telefone,
07:24
or having a cup of coffee.
159
432437
3061
ou a beber um café.
07:27
We can predict the accident
160
435498
2070
Podemos prever o acidente
07:29
and we can predict who, which cars,
161
437568
3651
e quem, que carros,
07:33
are in the best position to move out of the way
162
441219
3486
estão na melhor posição para se desviarem
07:36
to calculate the safest route for everyone.
163
444705
3009
para calcularem o caminho
mais seguro para todos.
mais seguro para todos.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
Fundamentalmente, estas tecnologias
já existem.
já existem.
07:44
I think the biggest problem that we face
165
452349
2824
Acho que o nosso maior problema
07:47
is our own willingness to share our data.
166
455173
3013
é a vontade de partilharmos os nossos dados.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Acho que é uma noção muito perturbadora,
07:52
this idea that our cars will be watching us,
168
460817
2386
esta ideia de que os nossos carros
nos estarão a observar,
nos estarão a observar,
07:55
talking about us to other cars,
169
463203
3371
a falar sobre nós a outros carros,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
que andaremos pela estrada como
num mar de boatos.
num mar de boatos.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Mas acho que pode ser feito de maneira
a proteger a nossa privacidade,
a proteger a nossa privacidade,
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
como agora, quando olho para
o vosso carro, do lado de fora
o vosso carro, do lado de fora
08:09
I don't really know about you.
173
477639
2363
não o conheço.
08:12
If I look at your license plate number,
174
480002
1137
Olho para a vossa matrícula,
08:13
I don't really know who you are.
175
481139
1886
Na verdade, não sei quem são.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Acho que os nossos carros podem falar
de nós pelas costas.
de nós pelas costas.
08:19
(Laughter)
177
487274
2975
(Risos)
08:22
And I think it's going to be a great thing.
178
490249
3185
E acho que vai ser ótimo.
08:25
I want you to consider for a moment
179
493434
1650
Quero que considerem por um momento
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
se não querem mesmo que
o adolescente distraído lá atrás
o adolescente distraído lá atrás
08:31
to know that you're braking,
181
499202
2120
saiba que estão a travar,
08:33
that you're coming to a dead stop.
182
501322
2924
que está a chegar a uma paragem brusca.
08:36
By sharing our data willingly,
183
504246
2741
Partilhando voluntariamente estes dados
08:38
we can do what's best for everyone.
184
506987
2812
podemos fazer o que é melhor para todos.
08:41
So let your car gossip about you.
185
509799
3076
Por isso, deixem o carro falar sobre vocês.
08:44
It's going to make the roads a lot safer.
186
512875
3038
Vai tornar as estradas muito mais seguras.
08:47
Thank you.
187
515913
1791
Obrigada.
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