TED2012
Vijay Kumar: Robots that fly ... and cooperate
Vijay Kumar: หุ่นยนต์ที่บิน และร่วมมือกันได้
Filmed:
Readability: 4.5
5,188,706 views
ในห้องทดลองของมหาวิทยาลัยเพนซิลเวเนีย Vijay Kumar และลูกทีมของเขาได้สร้างเฮลิคอปเตอร์สี่ใบพัดขนาดจิ๋ว เป็นหุ่นยนต์ที่สามารถบินเป็นฝูงและร่วมมือกัน เพื่อใช้ในงานก่อสร้าง งานบรรเทาสาธารณะภัย และประโยชน์อื่นๆอีกมากมาย
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.
00:20
Good morning.
0
5000
2000
อรุณสวัสดิ์ครับ
00:22
I'm here today to talk
1
7000
2000
ผมมาที่นี่เพื่อเล่าถึง
00:24
about autonomous, flying beach balls.
2
9000
3000
ลูกบอลที่บินได้ด้วยตนเอง
00:27
No, agile aerial robots like this one.
3
12000
4000
ไม่ใช่ครับ เป็นหุ่นยนต์ที่บินได้คล่องแคล่ว แบบนี้ครับ
00:31
I'd like to tell you a little bit about the challenges in building these
4
16000
3000
ผมอยากจะเล่าถึงความท้าทายในการสร้างสิ่งนี้
00:34
and some of the terrific opportunities
5
19000
2000
และโอกาสที่น่าสนใจ
00:36
for applying this technology.
6
21000
2000
เกี่ยวกับการนำเทคโนโลยีนี้ไปใช้
00:38
So these robots
7
23000
2000
หุ่นยนต์เหล่านี้
00:40
are related to unmanned aerial vehicles.
8
25000
3000
เกี่ยวข้องกับเครื่องบินไร้คนขับ
00:43
However, the vehicles you see here are big.
9
28000
3000
แต่เครื่องบินพวกนี้มันใหญ่มาก
00:46
They weigh thousands of pounds,
10
31000
2000
หนักหลายพันปอนด์
00:48
are not by any means agile.
11
33000
2000
และไม่คล่องแคล่วเอาซะเลย
00:50
They're not even autonomous.
12
35000
2000
มันบินด้วยตนเองไม่ได้ด้วยซ้ำ
00:52
In fact, many of these vehicles
13
37000
2000
ส่วนใหญ่พาหนะเหล่านี้
00:54
are operated by flight crews
14
39000
2000
ต้องใช้ผู้บังคับหลายคน
00:56
that can include multiple pilots,
15
41000
3000
มีนักบินหลายคน
00:59
operators of sensors
16
44000
2000
มีผู้คุมเซ็นเซอร์
01:01
and mission coordinators.
17
46000
2000
และผู้อำนวยการภารกิจ
01:03
What we're interested in is developing robots like this --
18
48000
2000
สิ่งที่พวกเราสนใจ คือการสร้างหุ่นยนต์พวกนี้ --
01:05
and here are two other pictures --
19
50000
2000
อย่างที่เห็นในสองรูปนี้ --
01:07
of robots that you can buy off the shelf.
20
52000
3000
หุ่นยนต์ที่สามารถหาซื้อได้ทั่วไป
01:10
So these are helicopters with four rotors
21
55000
3000
นี่คือเฮลิคอปเตอร์สี่ใบพัด
01:13
and they're roughly a meter or so in scale
22
58000
4000
มีขนาดประมาณหนึ่งเมตร
01:17
and weigh several pounds.
23
62000
2000
น้ำหนักหลายปอนด์
01:19
And so we retrofit these with sensors and processors,
24
64000
3000
เราประกอบเซ็นเซอร์และหน่วยประมวลผลเข้าไป
01:22
and these robots can fly indoors
25
67000
2000
ให้หุ่นยนต์เหล่านี้บินภายในห้องได้
01:24
without GPS.
26
69000
2000
โดยไม่มี GPS
01:26
The robot I'm holding in my hand
27
71000
2000
หุ่นยนต์ที่ผมถืออยู่
01:28
is this one,
28
73000
2000
คือสิ่งนี้
01:30
and it's been created by two students,
29
75000
3000
ซึ่งสร้างโดยนักเรียนสองคน
01:33
Alex and Daniel.
30
78000
2000
อเล็กซ์ และแดเนียล
01:35
So this weighs a little more
31
80000
2000
น้ำหนักของมัน
01:37
than a tenth of a pound.
32
82000
2000
ประมาณ 1 ส่วน 10 ปอนด์
01:39
It consumes about 15 watts of power.
33
84000
2000
ใช้ไฟฟ้า 15 วัตต์
01:41
And as you can see,
34
86000
2000
และอย่างที่เห็น
01:43
it's about eight inches in diameter.
35
88000
2000
ความยาวประมาณ 8 นิ้ว
01:45
So let me give you just a very quick tutorial
36
90000
3000
ผมจะแสดงตัวอย่างสั้นๆ
01:48
on how these robots work.
37
93000
2000
ว่ามันทำงานอย่างไร
01:50
So it has four rotors.
38
95000
2000
มันมีสี่ใบพัด
01:52
If you spin these rotors at the same speed,
39
97000
2000
ถ้ามันหมุนด้วยความเร็วเท่ากัน
01:54
the robot hovers.
40
99000
2000
มันจะบินอยู่กับที่
01:56
If you increase the speed of each of these rotors,
41
101000
3000
ถ้าคุณเพิ่มความเร็วในการหมุน
01:59
then the robot flies up, it accelerates up.
42
104000
3000
มันจะบินสูงขึ้น
02:02
Of course, if the robot were tilted,
43
107000
2000
ถ้าเราทำให้มันเอียง
02:04
inclined to the horizontal,
44
109000
2000
ไปในแนวนอน
02:06
then it would accelerate in this direction.
45
111000
3000
มันจะเลี้ยวไปทางนั้น
02:09
So to get it to tilt, there's one of two ways of doing it.
46
114000
3000
จะทำให้มันเอียงได้ มีอยู่สองวิธี
02:12
So in this picture
47
117000
2000
ในรูปนี้
02:14
you see that rotor four is spinning faster
48
119000
2000
ใบพัดที่ 4 หมุนเร็วขึ้น
02:16
and rotor two is spinning slower.
49
121000
2000
ในขณะที่ใบพัด 2 หมุนช้าลง
02:18
And when that happens
50
123000
2000
สิ่งที่เกิดขึ้นคือ
02:20
there's moment that causes this robot to roll.
51
125000
3000
มันจะม้วนตัวเล็กน้อย
02:23
And the other way around,
52
128000
2000
ในอีกทางหนึ่ง
02:25
if you increase the speed of rotor three
53
130000
3000
ถ้าคุณเร่งใบพัดที่ 3
02:28
and decrease the speed of rotor one,
54
133000
2000
และให้ใบพัดที่ 1 หมุนช้าลง
02:30
then the robot pitches forward.
55
135000
3000
มันจะเคลื่อนตัวไปข้างหน้า
02:33
And then finally,
56
138000
2000
และท้ายสุด
02:35
if you spin opposite pairs of rotors
57
140000
2000
ถ้าคุณปรับให้ใบพัดที่อยู่คู่กัน
02:37
faster than the other pair,
58
142000
2000
หมุนเร็วกว่าอีกคู่หนึ่ง
02:39
then the robot yaws about the vertical axis.
59
144000
2000
มันก็จะหมุนตัวรอบแกนดิ่ง
02:41
So an on-board processor
60
146000
2000
หน่วยประมวลผลที่อยู่บนตัวมัน
02:43
essentially looks at what motions need to be executed
61
148000
3000
จะคำนวนว่าต้องเคลื่อนที่แบบใด
02:46
and combines these motions
62
151000
2000
เพื่อคำนวนรวมกัน
02:48
and figures out what commands to send to the motors
63
153000
3000
แล้วประมวลว่าจะต้องส่งคำสั่งอะไรไปยังมอเตอร์
02:51
600 times a second.
64
156000
2000
600 ครั้งต่อวินาที
02:53
That's basically how this thing operates.
65
158000
2000
นี่คือการทำงานคร่าวๆ ครับ
02:55
So one of the advantages of this design
66
160000
2000
ข้อดีของระบบแบบนี้คือ
02:57
is, when you scale things down,
67
162000
2000
เมื่อคุณย่อชิ้นงานลง
02:59
the robot naturally becomes agile.
68
164000
3000
คุณได้ความคล่องแคล่วกลับมา
03:02
So here R
69
167000
2000
นี่คือ R
03:04
is the characteristic length of the robot.
70
169000
2000
หรือความยาวของหุ่นยนต์
03:06
It's actually half the diameter.
71
171000
3000
มีขนาดครึ่งหนึ่งของเส้นผ่านศูนย์กลาง
03:09
And there are lots of physical parameters that change
72
174000
3000
ซึ่งจะกระทบตัวแปรหลายอย่าง
03:12
as you reduce R.
73
177000
2000
เมื่อคุณใช้ R ที่เล็กลง
03:14
The one that's the most important
74
179000
2000
ที่สำคัญคือ
03:16
is the inertia or the resistance to motion.
75
181000
2000
ความเฉื่อยหรือแรงต้านทานต่อการเคลื่อนไหว
03:18
So it turns out,
76
183000
2000
ผลปรากฎว่า
03:20
the inertia, which governs angular motion,
77
185000
3000
แรงเฉื่อย ซึ่งควบคุมการเคลื่อนที่แบบหมุน
03:23
scales as a fifth power of R.
78
188000
3000
มีค่าเป็น R ยกกำลัง 5
03:26
So the smaller you make R,
79
191000
2000
แปลว่ายิ่งเราทำให้ R เล็กได้เท่าไหร่
03:28
the more dramatically the inertia reduces.
80
193000
3000
แรงเฉื่อยก็ยิ่งน้อยลง
03:31
So as a result, the angular acceleration,
81
196000
3000
ผลลัพธ์คือ ความเร่งเชิงมุม
03:34
denoted by Greek letter alpha here,
82
199000
2000
ซึ่งแทนที่ด้วยตัวอักษรอัลฟ่า
03:36
goes as one over R.
83
201000
2000
เท่ากับ 1 ส่วน R
03:38
It's inversely proportional to R.
84
203000
2000
มันมีสัดส่วนผกผันกับ R
03:40
The smaller you make it the more quickly you can turn.
85
205000
3000
ยิ่ง R น้อยลงเท่าไหร่ ยิ่งเลี้ยวได้เร็วขึ้นเท่านั้น
03:43
So this should be clear in these videos.
86
208000
2000
จะเห็นได้ชัดในวีดีโอนี้
03:45
At the bottom right you see a robot
87
210000
3000
ที่มุมซ้ายล่างคุณจะเห็นหุ่นยนต์
03:48
performing a 360 degree flip
88
213000
2000
ตีลังกา 360 องศา
03:50
in less than half a second.
89
215000
2000
ภายในครึ่งวินาที
03:52
Multiple flips, a little more time.
90
217000
3000
ตีลังกาหลายรอบ ใช้เวลามากขึ้นเล็กน้อย
03:55
So here the processes on board
91
220000
2000
ในที่นี้หน่วยประมวลผล
03:57
are getting feedback from accelerometers
92
222000
2000
ได้รับข้อมูลจากมาตรความเร่ง
03:59
and gyros on board
93
224000
2000
และมาตรการหมุนที่อยู่บนเครื่อง
04:01
and calculating, like I said before,
94
226000
2000
เพื่อนำมาคำนวนคำสั่ง
04:03
commands at 600 times a second
95
228000
2000
600 ครั้งต่อวินาที
04:05
to stabilize this robot.
96
230000
2000
เพื่อทรงตัวหุ่นยนต์
04:07
So on the left, you see Daniel throwing this robot up into the air.
97
232000
3000
ด้านซ้ายมือคุณจะเห็นแดเนียลโยนมันขึ้นฟ้า
04:10
And it shows you how robust the control is.
98
235000
2000
เห็นความแม่นยำของการควบคุมไหมครับ
04:12
No matter how you throw it,
99
237000
2000
ไม่ว่าคุณจะโยนมันอย่างไร
04:14
the robot recovers and comes back to him.
100
239000
4000
มันจะทรงตัวด้วยตนเอง แล้วบินกลับมาหาเขา
04:18
So why build robots like this?
101
243000
2000
ทำไมต้องสร้างหุ่นยนต์แบบนี้ล่ะ
04:20
Well robots like this have many applications.
102
245000
3000
เราสามารถนำไปใช้ได้หลายวิธีครับ
04:23
You can send them inside buildings like this
103
248000
3000
ส่งมันเข้าไปในตึกแบบนี้
04:26
as first responders to look for intruders,
104
251000
3000
เพื่อค้นหาผู้บุกรุก
04:29
maybe look for biochemical leaks,
105
254000
3000
หรือหาการรั่วไหลของสารเคมี
04:32
gaseous leaks.
106
257000
2000
หรือแก๊สพิษ
04:34
You can also use them
107
259000
2000
นอกจากนั้นยังสามารถ
04:36
for applications like construction.
108
261000
2000
ใช้ในการก่อสร้างอีกด้วย
04:38
So here are robots carrying beams, columns
109
263000
4000
นี่คือตัวอย่างการขนย้ายคาน เสา
04:42
and assembling cube-like structures.
110
267000
3000
เพื่อก่อสร้างโครงสร้างจตุรัส
04:45
I'll tell you a little bit more about this.
111
270000
3000
ผมจะอธิบายต่ออีกสักหน่อยครับ
04:48
The robots can be used for transporting cargo.
112
273000
3000
เราสามารถใช้มันเพื่อขนย้ายสิ่งของ
04:51
So one of the problems with these small robots
113
276000
3000
แต่ปัญหาหนึ่งคือ
04:54
is their payload carrying capacity.
114
279000
2000
มันรับน้ำหนักได้ไม่มาก
04:56
So you might want to have multiple robots
115
281000
2000
ซึ่งเราสามารถใช้หุ่นยนต์หลายๆตัว
04:58
carry payloads.
116
283000
2000
เพื่อขนย้ายสิ่งของที่หนักขึ้นได้
05:00
This is a picture of a recent experiment we did --
117
285000
2000
นี่คือการทดลองล่าสุด --
05:02
actually not so recent anymore --
118
287000
2000
ซึ่งไม่ใช่ล่าสุดอีกต่อไปแล้ว --
05:04
in Sendai shortly after the earthquake.
119
289000
3000
ไม่นานหลังจากแผ่นดินไหวที่เซนได
05:07
So robots like this could be sent into collapsed buildings
120
292000
3000
เราสามารถส่งหุ่นยนต์เข้าไปในซากปรักหักพัง
05:10
to assess the damage after natural disasters,
121
295000
2000
เพื่อประเมินความเสียหาย
05:12
or sent into reactor buildings
122
297000
3000
หรือส่งไปในเตาปฏิกรณ์
05:15
to map radiation levels.
123
300000
3000
เพื่อวัดกัมมันตภาพรังสี
05:19
So one fundamental problem
124
304000
2000
หนึ่งในปัญหาพื้นฐาน
05:21
that the robots have to solve if they're to be autonomous
125
306000
3000
เกี่ยวกับการทำงานโดยไร้ผู้คุม
05:24
is essentially figuring out
126
309000
2000
นั่นคือการคำนวนวิธีการ
05:26
how to get from point A to point B.
127
311000
2000
เดินทางจากจุด A ไปยังจุด B ให้ได้
05:28
So this gets a little challenging
128
313000
2000
ซึ่งค่อนข้างท้าทายครับ
05:30
because the dynamics of this robot are quite complicated.
129
315000
3000
เพราะการเคลื่อนไหวมีความซับซ้อน
05:33
In fact, they live in a 12-dimensional space.
130
318000
2000
มันมีพื้นที่ 12 มิติ
05:35
So we use a little trick.
131
320000
2000
เราใช้กลเล็กน้อย
05:37
We take this curved 12-dimensional space
132
322000
3000
เราใช้พื้นที่ 12 มิตินี้
05:40
and transform it
133
325000
2000
นำมาแปลงรูป
05:42
into a flat four-dimensional space.
134
327000
2000
ให้กลายเป็นพื้นที่ 4 มิติ
05:44
And that four-dimensional space
135
329000
2000
และพื้นที่ 4 มิตินั้น
05:46
consists of X, Y, Z and then the yaw angle.
136
331000
3000
มีแกน X Y Z และมุมหัน
05:49
And so what the robot does
137
334000
2000
สิ่งที่หุ่นยนต์พวกนี้ทำ
05:51
is it plans what we call a minimum snap trajectory.
138
336000
4000
คือการวางแผนวิถีแบบ minimum snap trajectory
05:55
So to remind you of physics,
139
340000
2000
รื้อฟื้นวิชาฟิสิกส์เล็กน้อยครับ
05:57
you have position, derivative, velocity,
140
342000
2000
คุณมีตำแหน่ง อนุพันธ์ ความเร็ว
05:59
then acceleration,
141
344000
2000
และความเร่ง
06:01
and then comes jerk
142
346000
2000
แรงกระตุก
06:03
and then comes snap.
143
348000
2000
และแรงกระชาก
06:05
So this robot minimizes snap.
144
350000
3000
มันลดแรงกระชากให้เหลือน้อยที่สุด
06:08
So what that effectively does
145
353000
2000
ซึ่งทำให้
06:10
is produces a smooth and graceful motion.
146
355000
2000
เกิดการเคลื่อนไหวที่นุ่มนวล
06:12
And it does that avoiding obstacles.
147
357000
3000
เพื่อหลบหลีกสิ่งกีดขวาง
06:15
So these minimum snap trajectories in this flat space
148
360000
3000
วีถีการกระชากที่น้อยที่สุดแบบนี้
06:18
are then transformed back
149
363000
2000
ถูกแปลงรูปให้กลับไป
06:20
into this complicated 12-dimensional space,
150
365000
2000
เป็นพื้นที่ 12 มิติที่ซับซ้อน
06:22
which the robot must do
151
367000
2000
ที่หุ่นพวกนี้ต้องทำ
06:24
for control and then execution.
152
369000
2000
เพื่อการควบคุม และการปฏิบัติหน้าที่
06:26
So let me show you some examples
153
371000
2000
ผมจะยกตัวอย่างให้ดู
06:28
of what these minimum snap trajectories look like.
154
373000
2000
ว่ามันทำงานอย่างไร
06:30
And in the first video,
155
375000
2000
ในวีดีโอแรกนี้
06:32
you'll see the robot going from point A to point B
156
377000
2000
คุณจะเห็นหุ่นยนต์บินจากจุด A ไปจุด B
06:34
through an intermediate point.
157
379000
2000
ผ่านจุดระหว่างทาง
06:42
So the robot is obviously capable
158
387000
2000
หุ่นยนต์ตัวนี้สามารถ
06:44
of executing any curve trajectory.
159
389000
2000
เคลื่อนไหวในวิถีโค้งแบบใดก็ได้
06:46
So these are circular trajectories
160
391000
2000
นี่คือวิถีโค้งหนึ่ง
06:48
where the robot pulls about two G's.
161
393000
3000
มีแรงดึงประมาณ 2G
06:52
Here you have overhead motion capture cameras on the top
162
397000
4000
ในรูปนี้เรามีกล้องจับการเคลื่อนไหวอยู่ด้านบน
06:56
that tell the robot where it is 100 times a second.
163
401000
3000
ที่บอกตำแหน่งของหุ่นยนต์ 100 ครั้งต่อวินาที
06:59
It also tells the robot where these obstacles are.
164
404000
3000
พร้อมทั้งบอกหุ่นพวกนี้ให้ทราบถึงสิ่งกีดขวาง
07:02
And the obstacles can be moving.
165
407000
2000
และสิ่งกีดขวางอาจเคลื่อนที่อยู่ก็เป็นได้
07:04
And here you'll see Daniel throw this hoop into the air,
166
409000
3000
ในที่นี้คุณจะเห็นแดเนียลโยนห่วงขึ้นกลางอากาศ
07:07
while the robot is calculating the position of the hoop
167
412000
2000
ในขณะที่หุ่นยนต์คำนวนตำแหน่งของห่วง
07:09
and trying to figure out how to best go through the hoop.
168
414000
4000
เพื่อหาวิธีลอดห่วงที่ดีที่สุด
07:13
So as an academic,
169
418000
2000
ในฐานะนักวิชาการ
07:15
we're always trained to be able to jump through hoops to raise funding for our labs,
170
420000
3000
เราถูกสอนให้กระโดดลอดห่วงเสมอ เพื่อหาทุนทำการทดลอง
07:18
and we get our robots to do that.
171
423000
3000
เราเลยสอนหุ่นยนต์เราตามนั้น
07:21
(Applause)
172
426000
6000
(เสียงปรบมือ)
07:27
So another thing the robot can do
173
432000
2000
อีกความสามารถหนึ่งของหุ่นยนต์นี้
07:29
is it remembers pieces of trajectory
174
434000
3000
มันสามารถจดจำวิถี
07:32
that it learns or is pre-programmed.
175
437000
2000
ซึ่งมันได้เรียนรู้ หรือถูกตั้งให้มัน
07:34
So here you see the robot
176
439000
2000
คุณจะเห็นมัน
07:36
combining a motion
177
441000
2000
รวมการเคลื่อนไหว
07:38
that builds up momentum
178
443000
2000
ที่สร้างโมเมนตัม
07:40
and then changes its orientation and then recovers.
179
445000
3000
เพื่อเปลี่ยนการทรงตัว แล้วคืนรูปเดิม
07:43
So it has to do this because this gap in the window
180
448000
3000
มันต้องทำเพราะความกว้างของช่องทาง
07:46
is only slightly larger than the width of the robot.
181
451000
4000
กว้างกว่าความยาวของมันเพียงเล็กน้อย
07:50
So just like a diver stands on a springboard
182
455000
3000
เหมือนนักโดดน้ำที่ยืนบนแผ่นกระดาน
07:53
and then jumps off it to gain momentum,
183
458000
2000
ต้องกระโดดขึ้นเพื่อสร้างโมเมนตัม
07:55
and then does this pirouette, this two and a half somersault through
184
460000
3000
ตีลังกาสองรอบครึ่ง
07:58
and then gracefully recovers,
185
463000
2000
แล้วคืนสู่สภาวะปกติ
08:00
this robot is basically doing that.
186
465000
2000
มันกำลังทำตามนั้นเลยครับ
08:02
So it knows how to combine little bits and pieces of trajectories
187
467000
3000
มันรู้ว่าต้องดัดแปลงวิถีต่างๆอย่างไร
08:05
to do these fairly difficult tasks.
188
470000
4000
เพื่อปฏิบัติในสิ่งที่ยากขึ้น
08:09
So I want change gears.
189
474000
2000
ในอีกมุมหนึ่ง
08:11
So one of the disadvantages of these small robots is its size.
190
476000
3000
ข้อเสียของหุ่นยนต์พวกนี้คือขนาดของมัน
08:14
And I told you earlier
191
479000
2000
ดังที่ผมบอกข้างต้น
08:16
that we may want to employ lots and lots of robots
192
481000
2000
เราอาจต้องใช้หุ่นยนต์หลายๆ ตัว
08:18
to overcome the limitations of size.
193
483000
3000
เพื่อแก้ปัญหาเรื่องขนาด
08:21
So one difficulty
194
486000
2000
ความยากอย่างหนึ่งคือ
08:23
is how do you coordinate lots of these robots?
195
488000
3000
เราจะประสานงานมันอย่างไร
08:26
And so here we looked to nature.
196
491000
2000
เราเลยหันไปหาธรรมชาติ
08:28
So I want to show you a clip
197
493000
2000
นี่คือคลิป
08:30
of Aphaenogaster desert ants
198
495000
2000
มดทะเลทรายที่กำลังขนย้ายสิ่งของ
08:32
in Professor Stephen Pratt's lab carrying an object.
199
497000
3000
ภายใต้ห้องทดลองของศาสตราจารย์ Stephen Pratt
08:35
So this is actually a piece of fig.
200
500000
2000
นี่คือผลมะเดื่อ
08:37
Actually you take any object coated with fig juice
201
502000
2000
คุณสามารถทาอะไรก็ได้ด้วยน้ำมะเดื่อ
08:39
and the ants will carry them back to the nest.
202
504000
3000
มดเหล่านี้จะนำมันกลับไปที่รัง
08:42
So these ants don't have any central coordinator.
203
507000
3000
มดเหล่านี้ไม่มีศูนย์กลางประสานงาน
08:45
They sense their neighbors.
204
510000
2000
มันใช้ความรู้สึกเพื่อรับรู้
08:47
There's no explicit communication.
205
512000
2000
ไม่มีการสื่อสารตายตัว
08:49
But because they sense the neighbors
206
514000
2000
แต่การใช้ประสาทสัมผัสกับมดตัวอื่นๆ
08:51
and because they sense the object,
207
516000
2000
และใช้ประสาทสัมผัสกับสิ่งของ
08:53
they have implicit coordination across the group.
208
518000
3000
มันสามารถประสานงานภายในกลุ่มได้
08:56
So this is the kind of coordination
209
521000
2000
นี่คือการประสานงาน
08:58
we want our robots to have.
210
523000
3000
ที่เราต้องการให้หุ่นของเราทำได้
09:01
So when we have a robot
211
526000
2000
เมื่อเรามีหุ่นยนต์
09:03
which is surrounded by neighbors --
212
528000
2000
ที่รายล้อมด้วยหุ่นตัวอื่นๆ --
09:05
and let's look at robot I and robot J --
213
530000
2000
ลองดูหุ่นยนต์ I กับ J นะครับ --
09:07
what we want the robots to do
214
532000
2000
สิ่งที่เราต้องการคือ
09:09
is to monitor the separation between them
215
534000
3000
ให้มันคอยสอดส่องระยะห่าง
09:12
as they fly in formation.
216
537000
2000
ในขณะที่มันบินเป็นฝูง
09:14
And then you want to make sure
217
539000
2000
และคุณต้องการมั่นใจว่า
09:16
that this separation is within acceptable levels.
218
541000
2000
ระยะห่างอยู่ในระดับที่ปลอดภัย
09:18
So again the robots monitor this error
219
543000
3000
มันจะคอยควบคุมระยะคลาดเคลื่อน
09:21
and calculate the control commands
220
546000
2000
แล้วคำนวนการเคลื่อนไหว
09:23
100 times a second,
221
548000
2000
100 ครั้งต่อวินาที
09:25
which then translates to the motor commands 600 times a second.
222
550000
3000
ซึ่งถูกแปลงเป็น 600 คำสั่งต่อวินาที ไปยังมอเตอร์
09:28
So this also has to be done
223
553000
2000
ซึ่งทั้งหมดนี้ต้องทำ
09:30
in a decentralized way.
224
555000
2000
โดยไร้ศูนย์กลาง
09:32
Again, if you have lots and lots of robots,
225
557000
2000
แน่นอนว่าถ้าคุณมีหุ่นยนต์จำนวนมาก
09:34
it's impossible to coordinate all this information centrally
226
559000
4000
คุณไม่สามารถใช้ศูนย์กลาง
09:38
fast enough in order for the robots to accomplish the task.
227
563000
3000
เพื่อประสานงานที่เร็วพอได้
09:41
Plus the robots have to base their actions
228
566000
2000
หุ่นยนต์เหล่านี้ต้องขับเคลื่อน
09:43
only on local information,
229
568000
2000
ด้วยข้อมูลจากตัวมันเอง
09:45
what they sense from their neighbors.
230
570000
2000
เกี่ยวกับที่อยู่ของหุ่นรอบๆ ตัว
09:47
And then finally,
231
572000
2000
และสุดท้าย
09:49
we insist that the robots be agnostic
232
574000
2000
เราต้องการให้มันเป็นอิสระ
09:51
to who their neighbors are.
233
576000
2000
ไม่จำเป็นต้องรู้ว่าสิ่งรอบตัวคืออะไร
09:53
So this is what we call anonymity.
234
578000
3000
ซึ่งเราเรียกว่า สภาวะนิรนาม
09:56
So what I want to show you next
235
581000
2000
สิ่งที่ผมอยากแสดงต่อไป
09:58
is a video
236
583000
2000
คือวีดีโอ
10:00
of 20 of these little robots
237
585000
3000
หุ่นยนต์จำนวน 20 ตัว
10:03
flying in formation.
238
588000
2000
บินในลักษณะฝูง
10:05
They're monitoring their neighbors' position.
239
590000
3000
มันกำลังเฝ้าดูตำแหน่งของเพื่อนๆ
10:08
They're maintaining formation.
240
593000
2000
คงตำแหน่งของตัวเองในฝูง
10:10
The formations can change.
241
595000
2000
เราสามารถเปลี่ยนรูปแบบได้
10:12
They can be planar formations,
242
597000
2000
ไม่ว่าจะเป็นในแนวระนาบ
10:14
they can be three-dimensional formations.
243
599000
2000
หรือในระดับสามมิติ
10:16
As you can see here,
244
601000
2000
คุณจะเห็นได้ว่า
10:18
they collapse from a three-dimensional formation into planar formation.
245
603000
3000
มันสามารถแปรขบวนจากสามมิติ กลายเป็นสองมิติ
10:21
And to fly through obstacles
246
606000
2000
และสามารถปรับเปลี่ยนขบวน
10:23
they can adapt the formations on the fly.
247
608000
4000
เพื่อบินผ่านสิ่งกีดขวาง
10:27
So again, these robots come really close together.
248
612000
3000
หุ่นยนต์พวกนี้บินใกล้ชิดกันมาก
10:30
As you can see in this figure-eight flight,
249
615000
2000
ดังที่เห็นในการบินเป็นเลขแปด
10:32
they come within inches of each other.
250
617000
2000
เข้าใกล้กันในระดับนิ้วเลยทีเดียว
10:34
And despite the aerodynamic interactions
251
619000
3000
ทั้งๆ ที่มีผลทางกลศาสตร์
10:37
of these propeller blades,
252
622000
2000
ระหว่างใบพัดของแต่ละลำ
10:39
they're able to maintain stable flight.
253
624000
2000
มันก็ยังสามารถทรงตัวและเคลื่อนที่ได้
10:41
(Applause)
254
626000
7000
(เสียงปรบมือ)
10:48
So once you know how to fly in formation,
255
633000
2000
เมื่อคุณสามารถบินเป็นฝูงได้
10:50
you can actually pick up objects cooperatively.
256
635000
2000
คุณก็สามารถจับให้มันยกสิ่งของร่วมกันได้
10:52
So this just shows
257
637000
2000
นี่แสดงให้เห็นว่า
10:54
that we can double, triple, quadruple
258
639000
3000
เราสามารถเพิ่มความแข็งแรงเป็นสอง สาม หรือสี่เท่า
10:57
the robot strength
259
642000
2000
ในการยกของได้
10:59
by just getting them to team with neighbors, as you can see here.
260
644000
2000
เพียงแค่จับมันประสานงานกัน
11:01
One of the disadvantages of doing that
261
646000
3000
แต่ข้อเสียหนึ่งคือ
11:04
is, as you scale things up --
262
649000
2000
เมื่อคุณทำให้ขอบเขตใหญ่ขึ้น --
11:06
so if you have lots of robots carrying the same thing,
263
651000
2000
คุณต้องใช้หุ่นยนต์หลายตัวเพื่อขนย้ายของชิ้นเดียว
11:08
you're essentially effectively increasing the inertia,
264
653000
3000
ซึ่งคุณกำลังเพิ่มแรงเฉื่อย
11:11
and therefore you pay a price; they're not as agile.
265
656000
3000
ทำให้สูญเสียความคล่องแคล่วไป
11:14
But you do gain in terms of payload carrying capacity.
266
659000
3000
แต่คุณก็ได้รับการขนย้ายน้ำหนักที่มากขึ้นกลับมา
11:17
Another application I want to show you --
267
662000
2000
อีกหนึ่งการใช้งานคือ
11:19
again, this is in our lab.
268
664000
2000
ในห้องทดลองของเรา
11:21
This is work done by Quentin Lindsey who's a graduate student.
269
666000
2000
นักเรียนปริญญาโทชื่อว่า Quentin Lindsey
11:23
So his algorithm essentially tells these robots
270
668000
3000
ได้สร้างอัลกอริทึมที่สอนหุ่นยนต์เหล่านี้
11:26
how to autonomously build
271
671000
2000
ให้สร้างสิ่งก่อสร้าง
11:28
cubic structures
272
673000
2000
ทรงลูกเต๋าขึ้น
11:30
from truss-like elements.
273
675000
3000
ด้วยเสาค้ำแบบนี้
11:33
So his algorithm tells the robot
274
678000
2000
อัลกอริทึมของเขาสอนหุ่นยนต์
11:35
what part to pick up,
275
680000
2000
ว่าต้องหยิบอะไรขึ้น
11:37
when and where to place it.
276
682000
2000
หยิบเมื่อไหร่ และวางที่ไหน
11:39
So in this video you see --
277
684000
2000
ในวีดีโอนี้ --
11:41
and it's sped up 10, 14 times --
278
686000
2000
เราเร่งความเร็ว 10 เท่า 14 เท่า --
11:43
you see three different structures being built by these robots.
279
688000
3000
คุณจะเห็นสิ่งก่อสร้างรูปแบบต่างๆ สร้างโดยหุ่นยนต์
11:46
And again, everything is autonomous,
280
691000
2000
และแน่นอน ทุกอย่างเกิดขึ้นโดยอัตโนมัติ
11:48
and all Quentin has to do
281
693000
2000
สิ่งที่ Quentin ต้องทำ
11:50
is to get them a blueprint
282
695000
2000
คือป้อนพิมพ์เขียว
11:52
of the design that he wants to build.
283
697000
4000
สิ่งที่เขาต้องการสร้างเท่านั้น
11:56
So all these experiments you've seen thus far,
284
701000
3000
การทดลองที่คุณเห็นทั้งหมด
11:59
all these demonstrations,
285
704000
2000
ตัวอย่างที่ผมได้แสดง
12:01
have been done with the help of motion capture systems.
286
706000
3000
ได้การช่วยเหลือจากระบบจับการเคลื่อนไหว
12:04
So what happens when you leave your lab
287
709000
2000
แต่ถ้าเราลองนำไปทดลองข้างนอก
12:06
and you go outside into the real world?
288
711000
3000
ในโลกแห่งความเป็นจริง
12:09
And what if there's no GPS?
289
714000
3000
และถ้าไม่มี GPS
12:12
So this robot
290
717000
2000
หุ่นยนต์เหล่านี้
12:14
is actually equipped with a camera
291
719000
2000
ถูกติดตั้งด้วยกล้อง
12:16
and a laser rangefinder, laser scanner.
292
721000
3000
และเครื่องสแกนเลเซอร์
12:19
And it uses these sensors
293
724000
2000
มันใช้เซ็นเซอร์เหล่านี้
12:21
to build a map of the environment.
294
726000
2000
เพื่อวาดผังของสิ่งแวดล้อมรอบตัว
12:23
What that map consists of are features --
295
728000
3000
มันสามารถสร้างแผนที่
12:26
like doorways, windows,
296
731000
2000
ประกอบไปด้วยประตู หน้าต่าง
12:28
people, furniture --
297
733000
2000
ผู้คน เฟอร์นิเจอร์
12:30
and it then figures out where its position is
298
735000
2000
และคำนวนตำแหน่งของตนเอง
12:32
with respect to the features.
299
737000
2000
จากสิ่งรอบๆ ตัว
12:34
So there is no global coordinate system.
300
739000
2000
มันไม่จำเป็นต้องมีระบบพิกัดกลาง
12:36
The coordinate system is defined based on the robot,
301
741000
3000
ระบบพิกัดถูกกำหนดโดยตัวมันเอง
12:39
where it is and what it's looking at.
302
744000
3000
โดยที่ที่มันอยู่ และสิ่งที่มันเห็น
12:42
And it navigates with respect to those features.
303
747000
3000
และมันเคลื่อนที่ไปตามสิ่งที่มันเห็น
12:45
So I want to show you a clip
304
750000
2000
ผมอยากแสดงคลิปหนึ่ง
12:47
of algorithms developed by Frank Shen
305
752000
2000
ของอัลกอริทึมที่สร้างโดย Frank Shen
12:49
and Professor Nathan Michael
306
754000
2000
และศาสตราจารย์ Nathan Micheal
12:51
that shows this robot entering a building for the very first time
307
756000
4000
ขณะที่หุ่นยนต์เข้าสู่ตึกแห่งหนึ่งเป็นครั้งแรก
12:55
and creating this map on the fly.
308
760000
3000
และสร้างแผนที่นี้ขึ้นมาทันที
12:58
So the robot then figures out what the features are.
309
763000
3000
มันสามารถคำนวนสิ่งต่างๆรอบตัว
13:01
It builds the map.
310
766000
2000
แล้วสร้างแผนที่ขึ้น
13:03
It figures out where it is with respect to the features
311
768000
2000
คำนวนว่ามันอยู่ใกล้กับอะไร
13:05
and then estimates its position
312
770000
2000
เพื่อคำนวนที่ตั้งของมัน
13:07
100 times a second
313
772000
2000
100 ครั้งต่อวินาที
13:09
allowing us to use the control algorithms
314
774000
2000
ซึ่งทำให้เราสามารถใช้อัลกอริทึมควบคุม
13:11
that I described to you earlier.
315
776000
2000
ดังที่ผมอธิบายก่อนหน้านี้
13:13
So this robot is actually being commanded
316
778000
2000
หุ่นยนต์ตัวนี้ถูกควบคุมทางไกล
13:15
remotely by Frank.
317
780000
2000
โดย Frank
13:17
But the robot can also figure out
318
782000
2000
แต่มันยังสามารถคำนวนเองได้
13:19
where to go on its own.
319
784000
2000
หากต้องการให้มันเดินทางเอง
13:21
So suppose I were to send this into a building
320
786000
2000
ถ้าผมจะส่งหุ่นยนต์เข้าไปในสิ่งก่อสร้างหนึ่ง
13:23
and I had no idea what this building looked like,
321
788000
2000
แต่ผมไม่รู้ว่าข้างในเป็นอย่างไร
13:25
I can ask this robot to go in,
322
790000
2000
ผมสามารถสั่งให้มันเข้าไป
13:27
create a map
323
792000
2000
สร้างแผนที่
13:29
and then come back and tell me what the building looks like.
324
794000
3000
แล้วกลับมาบอกว่าภายในของตึกนั้นเป็นอย่างไร
13:32
So here, the robot is not only solving the problem,
325
797000
3000
มันไม่ได้แก้โจทย์เพียงแค่ว่า
13:35
how to go from point A to point B in this map,
326
800000
3000
จะเดินทางจากจุด A ไปจุด B ได้อย่างไร
13:38
but it's figuring out
327
803000
2000
แต่มันยังสามารถ
13:40
what the best point B is at every time.
328
805000
2000
คำนวนว่า B อยู่ที่ไหนได้ตลอดเวลา
13:42
So essentially it knows where to go
329
807000
3000
มันรู้ว่าที่ไหน
13:45
to look for places that have the least information.
330
810000
2000
ที่มันรู้จักน้อยที่สุด
13:47
And that's how it populates this map.
331
812000
3000
และนั่นคือวิธีที่มันสร้างแผนที่
13:50
So I want to leave you
332
815000
2000
ท้ายสุดนี้
13:52
with one last application.
333
817000
2000
ผมมีการใช้งานสุดท้าย
13:54
And there are many applications of this technology.
334
819000
3000
จากหลายๆ การประยุกต์ใช้จากเทคโนโลยีนี้
13:57
I'm a professor, and we're passionate about education.
335
822000
2000
ผมเป็นศาสตราจารย์ และเราหลงใหลในการศึกษา
13:59
Robots like this can really change the way
336
824000
2000
หุ่นยนต์เหล่านี้สามารถเปลี่ยน
14:01
we do K through 12 education.
337
826000
2000
การเรียนการสอนจากอนุบาลถึงมัธยมได้
14:03
But we're in Southern California,
338
828000
2000
แต่เราอยู่ในแคลิฟอร์เนียตอนใต้
14:05
close to Los Angeles,
339
830000
2000
ใกล้ลอสแองเจลีส
14:07
so I have to conclude
340
832000
2000
ผมเลยต้องทิ้งท้าย
14:09
with something focused on entertainment.
341
834000
2000
ด้วยสิ่งที่เกี่ยวกับความบันเทิง
14:11
I want to conclude with a music video.
342
836000
2000
ผมอยากจบด้วยมิวสิควีดีโอ
14:13
I want to introduce the creators, Alex and Daniel,
343
838000
3000
ผมขอแนะนำผู้กำกับ อเล็กซ์และแดเนียล
14:16
who created this video.
344
841000
2000
ผู้สร้างวีดีโอนี้ขึ้น
14:18
(Applause)
345
843000
7000
(เสียงปรบมือ)
14:25
So before I play this video,
346
850000
2000
ก่อนที่ผมจะเปิดวีดีโอ
14:27
I want to tell you that they created it in the last three days
347
852000
3000
ผมต้องบอกว่าพวกเขาทำขึ้นภายในสามวัน
14:30
after getting a call from Chris.
348
855000
2000
หลังจากที่ผมได้คำเชิญจากคริส
14:32
And the robots that play the video
349
857000
2000
และหุ่นยนต์ในวีดีโอนี้
14:34
are completely autonomous.
350
859000
2000
ทำงานอัตโนมัติทั้งหมด
14:36
You will see nine robots play six different instruments.
351
861000
3000
คุณจะเห็นหุ่นยนต์ 9 ตัว เล่นเครื่องดนตรี 6 ชนิด
14:39
And of course, it's made exclusively for TED 2012.
352
864000
4000
แน่นอน เราทำเพื่อ TED2012 โดยเฉพาะ
14:43
Let's watch.
353
868000
3000
เรามาดูกันครับ
15:19
(Music)
354
904000
10000
(เสียงดนตรี)
16:23
(Applause)
355
968000
17000
(เสียงปรบมือ)
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