TED2012
Vijay Kumar: Robots that fly ... and cooperate
Vijay Kumar: İşbirliği yapan ve uçan robotlar
Filmed:
Readability: 4.5
5,188,706 views
Pennsylvania'da ki laboratuarında, Vijay Kumar ve ekibi inşa, afet gözlem ve daha fazlası için sürü halinde gezen, birbirlerini hisseden, ve belli bir amaca göre takım oluşturan dört pervaneli, küçük, çevik robotlar inşa ediyorlar.
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
Günaydın.
00:22
I'm here today to talk
1
7000
2000
Bugün buraya kendi kendine çalışan
00:24
about autonomous, flying beach balls.
2
9000
3000
uçan plaj topları hakkında konuşmak için geldim.
00:27
No, agile aerial robots like this one.
3
12000
4000
Hayır, bunun gibi çevik hava robotları hakkında.
00:31
I'd like to tell you a little bit about the challenges in building these
4
16000
3000
Bunları inşa ederken karşılaşılan zorluklar ve
00:34
and some of the terrific opportunities
5
19000
2000
bu teknolojiyi uygulamak için inanılmaz fırsatlar hakkında
00:36
for applying this technology.
6
21000
2000
bir kaç şey söylemek istiyorum.
00:38
So these robots
7
23000
2000
Bu yüzden bu robotlar
00:40
are related to unmanned aerial vehicles.
8
25000
3000
insansız uçan hava araçlarıdır.
00:43
However, the vehicles you see here are big.
9
28000
3000
Buna rağmen, bruada gördüğünüz araçlar büyük.
00:46
They weigh thousands of pounds,
10
31000
2000
Binlerce kilogram ağırlığında ve
00:48
are not by any means agile.
11
33000
2000
hiç bir şekilde çevik değiller.
00:50
They're not even autonomous.
12
35000
2000
Kendi kendine çalışan bile değiller.
00:52
In fact, many of these vehicles
13
37000
2000
Gerçekte, bu araçların çoğu
00:54
are operated by flight crews
14
39000
2000
birden fazla pilotu içeren
00:56
that can include multiple pilots,
15
41000
3000
alıcıları kontrol eden ve görev koordinatörleri olan
00:59
operators of sensors
16
44000
2000
uçuş ekipleri tarafından
01:01
and mission coordinators.
17
46000
2000
çalıştırılmaktadır.
01:03
What we're interested in is developing robots like this --
18
48000
2000
Buna benzer robotları geliştirirken ilgimizi çeken şey
01:05
and here are two other pictures --
19
50000
2000
ve burada diğer iki resmi var --
01:07
of robots that you can buy off the shelf.
20
52000
3000
raftan satın alabiliyor olunması.
01:10
So these are helicopters with four rotors
21
55000
3000
Bunlar dört pervaneli helikopterler
01:13
and they're roughly a meter or so in scale
22
58000
4000
ve neredeyse bir metre büyüklüğünde
01:17
and weigh several pounds.
23
62000
2000
ve bir kilodan az.
01:19
And so we retrofit these with sensors and processors,
24
64000
3000
Ve sensör ve işlemcilerle donanımı iyileştirdik,
01:22
and these robots can fly indoors
25
67000
2000
ve bu robotlar GPS bilgisi olmaksızın
01:24
without GPS.
26
69000
2000
iç mekanlarda uçabiliyorlar.
01:26
The robot I'm holding in my hand
27
71000
2000
Elimde tutmuş olduğum robot
01:28
is this one,
28
73000
2000
bir tanesidir,
01:30
and it's been created by two students,
29
75000
3000
ve Alex ve Daniel isimli öğrenciler tarafından
01:33
Alex and Daniel.
30
78000
2000
yaratılmıştır.
01:35
So this weighs a little more
31
80000
2000
Öyle ki, bunun ağırlığı
01:37
than a tenth of a pound.
32
82000
2000
60 gramdan biraz daha fazla.
01:39
It consumes about 15 watts of power.
33
84000
2000
Yaklaşık 15 watt enerji harcıyor.
01:41
And as you can see,
34
86000
2000
Görüdüğünüz üzere,
01:43
it's about eight inches in diameter.
35
88000
2000
yaklaşık 20 cm çapındadır.
01:45
So let me give you just a very quick tutorial
36
90000
3000
Bu robotların nasıl çalıştığı ile ilgili
01:48
on how these robots work.
37
93000
2000
size kısa bir bilgilendirme yapmama izin verin.
01:50
So it has four rotors.
38
95000
2000
Dört adet pervanesi var.
01:52
If you spin these rotors at the same speed,
39
97000
2000
Bunları aynı hızda döndürürseniz,
01:54
the robot hovers.
40
99000
2000
robot havada duruyor.
01:56
If you increase the speed of each of these rotors,
41
101000
3000
Eğer pervanelerden her birinin hızını arttırırsanız,
01:59
then the robot flies up, it accelerates up.
42
104000
3000
robot uçuşa geçiyor ve yükseliyor.
02:02
Of course, if the robot were tilted,
43
107000
2000
Tabi robot eğimli ise,
02:04
inclined to the horizontal,
44
109000
2000
yatay eksene yöneliyor,
02:06
then it would accelerate in this direction.
45
111000
3000
daha sonra bu doğrultuda hızlanıyor.
02:09
So to get it to tilt, there's one of two ways of doing it.
46
114000
3000
Eğim kazandırmak için, iki yöntemden biri bu.
02:12
So in this picture
47
117000
2000
Bu yüzden, resimde gördüğünüz
02:14
you see that rotor four is spinning faster
48
119000
2000
dördüncü pervane daha hızlı dönüyor ve
02:16
and rotor two is spinning slower.
49
121000
2000
ikinci pervane daha yavaş dönüyor.
02:18
And when that happens
50
123000
2000
Ve oluşan şey
02:20
there's moment that causes this robot to roll.
51
125000
3000
robotun yuvarlanmasına sebep olan andır.
02:23
And the other way around,
52
128000
2000
Diğer bir yolu,
02:25
if you increase the speed of rotor three
53
130000
3000
eğer pervane üçü hızlandırır ve
02:28
and decrease the speed of rotor one,
54
133000
2000
pervane birin hızını yavaşlatırsanız,
02:30
then the robot pitches forward.
55
135000
3000
robot öne doğru ilerler.
02:33
And then finally,
56
138000
2000
Ve son olarak,
02:35
if you spin opposite pairs of rotors
57
140000
2000
eğer ters pervane çiftlerini diğer çiften
02:37
faster than the other pair,
58
142000
2000
daha hızlı döndürürseniz,
02:39
then the robot yaws about the vertical axis.
59
144000
2000
robot dik eksininde sapar.
02:41
So an on-board processor
60
146000
2000
Bu yüzden yerleşik bir işlemci
02:43
essentially looks at what motions need to be executed
61
148000
3000
temel olarak hangi hareketin yapılacağına bakar ve
02:46
and combines these motions
62
151000
2000
bu hareketleri oluşturur ve
02:48
and figures out what commands to send to the motors
63
153000
3000
motorlara saniye de 600 kere hangi komutları
02:51
600 times a second.
64
156000
2000
göndereceğini tespit eder.
02:53
That's basically how this thing operates.
65
158000
2000
Bu basit olarak bunun nasıl çalıştığıdır.
02:55
So one of the advantages of this design
66
160000
2000
Bu tasarımın avantajlarından biri
02:57
is, when you scale things down,
67
162000
2000
ölçeği küçülttüğünüz zaman
02:59
the robot naturally becomes agile.
68
164000
3000
robot doğal olarak çevik oluyor.
03:02
So here R
69
167000
2000
İşte burada R
03:04
is the characteristic length of the robot.
70
169000
2000
robotun karekteristik uzunluğudur.
03:06
It's actually half the diameter.
71
171000
3000
Aslında çapın yarısıdır.
03:09
And there are lots of physical parameters that change
72
174000
3000
R'yi azalttığınızda değişen çok fazla
03:12
as you reduce R.
73
177000
2000
fiziksel parametre vardır.
03:14
The one that's the most important
74
179000
2000
Bunlardan en önemlisi
03:16
is the inertia or the resistance to motion.
75
181000
2000
eylemsizlik ya da harekete karşı gelmedir.
03:18
So it turns out,
76
183000
2000
Sonuçta,
03:20
the inertia, which governs angular motion,
77
185000
3000
açısal hareketi idame eden eylemsizlik
03:23
scales as a fifth power of R.
78
188000
3000
R'nin beşinci kuvveti (R üzeri 5) olarak hesaplanır.
03:26
So the smaller you make R,
79
191000
2000
Bu yüzden R ne kadar küçükse
03:28
the more dramatically the inertia reduces.
80
193000
3000
eylemsizlikte bir o kadar azalancaktır.
03:31
So as a result, the angular acceleration,
81
196000
3000
Sonuçta, burada Yunan alfabesindeki Alfa ile belirtilen
03:34
denoted by Greek letter alpha here,
82
199000
2000
açısal hızlanma
03:36
goes as one over R.
83
201000
2000
R üzeri bir şeklide gidiyor.
03:38
It's inversely proportional to R.
84
203000
2000
Ters olarak R'ye orantılıdır.
03:40
The smaller you make it the more quickly you can turn.
85
205000
3000
Daha küçük yaparsanız daha hızlı döndürebilirsiniz.
03:43
So this should be clear in these videos.
86
208000
2000
Bu videolar daha net görülebilir.
03:45
At the bottom right you see a robot
87
210000
3000
Sağ altta gördüğünüz bir robot
03:48
performing a 360 degree flip
88
213000
2000
yarım saniyeden az bir sürede
03:50
in less than half a second.
89
215000
2000
360 derece dönebiliyor.
03:52
Multiple flips, a little more time.
90
217000
3000
Bir çok dönüş, daha az bir zamanda oluyor.
03:55
So here the processes on board
91
220000
2000
Kartın üzerindeki işlemci
03:57
are getting feedback from accelerometers
92
222000
2000
hız ölçerlerden ve kart üzerindeki
03:59
and gyros on board
93
224000
2000
ciroskoptan geri bildirim alıyor ve
04:01
and calculating, like I said before,
94
226000
2000
daha önce söylediğim gibi
04:03
commands at 600 times a second
95
228000
2000
bu robotu stabil tutmak için saniyede 600 kez
04:05
to stabilize this robot.
96
230000
2000
komut gönderek hesaplama yapıyor.
04:07
So on the left, you see Daniel throwing this robot up into the air.
97
232000
3000
Solda, Daniel'in robotu havaya attığını görüyorsunuz.
04:10
And it shows you how robust the control is.
98
235000
2000
Ve bu kontrolün ne kadar duyarı olduğunu gösteriyor.
04:12
No matter how you throw it,
99
237000
2000
Nasıl fırlatırsanız fırlatın
04:14
the robot recovers and comes back to him.
100
239000
4000
robot kendini kurtarıp tekrar olması gereken hale geliyor.
04:18
So why build robots like this?
101
243000
2000
Peki bunun gibi robotları niye yapıyoruz?
04:20
Well robots like this have many applications.
102
245000
3000
Şey, bunun gibi robotlar bir çok uygulamaya sahiptir.
04:23
You can send them inside buildings like this
103
248000
3000
Onları saldırganlarla ilk olarak temas kurmak için ya da
04:26
as first responders to look for intruders,
104
251000
3000
biokimyasal sızıntıları ya da gaz sızıntılarını
04:29
maybe look for biochemical leaks,
105
254000
3000
kontrol etmek için
04:32
gaseous leaks.
106
257000
2000
gönderebilirsiniz.
04:34
You can also use them
107
259000
2000
Onları inşaat işleri gibi uygulamalarda
04:36
for applications like construction.
108
261000
2000
Kullanabilirsiniz.
04:38
So here are robots carrying beams, columns
109
263000
4000
İşte burada robotlar kiriş, kolon taşıyorlar ve
04:42
and assembling cube-like structures.
110
267000
3000
küp biçimde yapılar oluşturuyorlar.
04:45
I'll tell you a little bit more about this.
111
270000
3000
Size bunun hakkında biraz daha anlatayım.
04:48
The robots can be used for transporting cargo.
112
273000
3000
Robotlar kargo taşımacılığında kullanılabilirler.
04:51
So one of the problems with these small robots
113
276000
3000
Küçük robotların problemlerinden biri
04:54
is their payload carrying capacity.
114
279000
2000
taşıyabilecekleri yük kapasitesidir.
04:56
So you might want to have multiple robots
115
281000
2000
Bunu birden çok robot kullanarak
04:58
carry payloads.
116
283000
2000
aşabilirsiniz.
05:00
This is a picture of a recent experiment we did --
117
285000
2000
Bu yaşamış olduğumuz bir tecrübenin resmidir.
05:02
actually not so recent anymore --
118
287000
2000
aslında çok yakın bir zamanda değil artık--
05:04
in Sendai shortly after the earthquake.
119
289000
3000
depremden kısa bir süre sonra Sendai'de.
05:07
So robots like this could be sent into collapsed buildings
120
292000
3000
Bunu gibi robotlar yıkılmış binalara
05:10
to assess the damage after natural disasters,
121
295000
2000
hasar tespiti için ya da reaktör binalarına
05:12
or sent into reactor buildings
122
297000
3000
radyasyon seviyesini oluşturmak için
05:15
to map radiation levels.
123
300000
3000
gönderebilebilirler.
05:19
So one fundamental problem
124
304000
2000
Burada temel problem
05:21
that the robots have to solve if they're to be autonomous
125
306000
3000
Eğer robotlar birbirinden bağımsız şekildeyse
05:24
is essentially figuring out
126
309000
2000
çözmek zorunda olduğu temel problem
05:26
how to get from point A to point B.
127
311000
2000
temel olarak A noktasından B noktasına nasıl gideceğidir.
05:28
So this gets a little challenging
128
313000
2000
Burası biraz zorlayıcı çünkü
05:30
because the dynamics of this robot are quite complicated.
129
315000
3000
robotların dinamiği oldukça karmaşıktır.
05:33
In fact, they live in a 12-dimensional space.
130
318000
2000
Aslında, 12 boyutlu bir uzayda yaşıyorlar.
05:35
So we use a little trick.
131
320000
2000
Burada ufak bir hile yapıyoruz.
05:37
We take this curved 12-dimensional space
132
322000
3000
Eğik 12 boyutlu uzayı alıyoruz ve
05:40
and transform it
133
325000
2000
onu dört boyutlu düz bir uzaya
05:42
into a flat four-dimensional space.
134
327000
2000
dönüştürüyoruz.
05:44
And that four-dimensional space
135
329000
2000
Dört boyutlu uzay
05:46
consists of X, Y, Z and then the yaw angle.
136
331000
3000
X,Y,Z ve rota açısından oluşmaktadır.
05:49
And so what the robot does
137
334000
2000
Bu yüzden robotların yaptığı şey
05:51
is it plans what we call a minimum snap trajectory.
138
336000
4000
minimum hava yörüngesinin oluşumunun planlamasıdır.
05:55
So to remind you of physics,
139
340000
2000
Fiziği hatırlamak gerekirse,
05:57
you have position, derivative, velocity,
140
342000
2000
konumunuz, türeviniz, ivmeniz var,
05:59
then acceleration,
141
344000
2000
sonra hızlanma ve
06:01
and then comes jerk
142
346000
2000
ve sonra hareketlenme geliyor
06:03
and then comes snap.
143
348000
2000
ve daha sonra birleştirme geliyor.
06:05
So this robot minimizes snap.
144
350000
3000
Bu robot birleşimi minimize ediyor.
06:08
So what that effectively does
145
353000
2000
Etkin olarak yaptığı şey
06:10
is produces a smooth and graceful motion.
146
355000
2000
pürüzsüz ve ince hareket oluşturmasıdır.
06:12
And it does that avoiding obstacles.
147
357000
3000
Bunu engellerden kaçınarak yapıyor.
06:15
So these minimum snap trajectories in this flat space
148
360000
3000
Bu düz bir uzayda minimum yörünge oluşturma
06:18
are then transformed back
149
363000
2000
daha sonra robotların kontrolü
06:20
into this complicated 12-dimensional space,
150
365000
2000
ve sonra yerine getirmesi için
06:22
which the robot must do
151
367000
2000
yapması gereken karmaşık 12 boyutlu uzaya
06:24
for control and then execution.
152
369000
2000
tekrar geri dönüştürülecektir,
06:26
So let me show you some examples
153
371000
2000
Size bu minimum yörünge oluşturmanın
06:28
of what these minimum snap trajectories look like.
154
373000
2000
neye benzediğini göstermem için bazı örnekler vermeme izin verin.
06:30
And in the first video,
155
375000
2000
Ve ilk videoda,
06:32
you'll see the robot going from point A to point B
156
377000
2000
Robot A noktasından B noktasına
06:34
through an intermediate point.
157
379000
2000
bir ara noktadan geçerek gidiyor.
06:42
So the robot is obviously capable
158
387000
2000
Yani robot herhangi bir kavis yörüngesini
06:44
of executing any curve trajectory.
159
389000
2000
kesinlikle oluşturabilir durumda.
06:46
So these are circular trajectories
160
391000
2000
Bunlar robotların 2G oluşuturduğu
06:48
where the robot pulls about two G's.
161
393000
3000
dairesel yörüngelerdir.
06:52
Here you have overhead motion capture cameras on the top
162
397000
4000
Burada saniyede 100 kere robota nerede olduğunu ileten
06:56
that tell the robot where it is 100 times a second.
163
401000
3000
üzerindeki hareket yakalayan kameradır.
06:59
It also tells the robot where these obstacles are.
164
404000
3000
Aynı zamanda roboto engellerin nerede olduğunu söylüyor.
07:02
And the obstacles can be moving.
165
407000
2000
Engeller hareket ediyor olabilir.
07:04
And here you'll see Daniel throw this hoop into the air,
166
409000
3000
Ve burada Daniel'in halkayı havaya attığını görüyorsunuz,
07:07
while the robot is calculating the position of the hoop
167
412000
2000
robot halkanın konumunu hesaplıyor
07:09
and trying to figure out how to best go through the hoop.
168
414000
4000
ve halkanın içinden geçecebileceği en iyi yeri bulmaya çalışıyor.
07:13
So as an academic,
169
418000
2000
Ve akademik olduğu gibi,
07:15
we're always trained to be able to jump through hoops to raise funding for our labs,
170
420000
3000
laboratuarımızda fonları arttırabilmek için halkaların içinden atlamak için eğitim alıyoruz
07:18
and we get our robots to do that.
171
423000
3000
ve robotların bunu yapmasını sağlıyoruz.
07:21
(Applause)
172
426000
6000
(alkış)
07:27
So another thing the robot can do
173
432000
2000
Robotların yapabildiği diğer birşey
07:29
is it remembers pieces of trajectory
174
434000
3000
daha önce programlanabilen ve öğrenen
07:32
that it learns or is pre-programmed.
175
437000
2000
yörünge parçalarını hatırlamasıdır.
07:34
So here you see the robot
176
439000
2000
Burada görüdüğünüz robot hızlanmayı gerçekleştirmek için
07:36
combining a motion
177
441000
2000
bir hareket oluşturuyor ve
07:38
that builds up momentum
178
443000
2000
ve oryantasyonunu değiştirip,
07:40
and then changes its orientation and then recovers.
179
445000
3000
sonra önceki konumuna geliyor.
07:43
So it has to do this because this gap in the window
180
448000
3000
Bunu yapmak zorunda çünkü penceredeki bu boşluk
07:46
is only slightly larger than the width of the robot.
181
451000
4000
robotun genişliğinden birazcık daha büyük.
07:50
So just like a diver stands on a springboard
182
455000
3000
Sıçrama tahtasının üzerinde duran dalgıç gibi
07:53
and then jumps off it to gain momentum,
183
458000
2000
eblirli bir momentum kazaranak kendini bırakır,
07:55
and then does this pirouette, this two and a half somersault through
184
460000
3000
ve sonra kendi etrafında döner, ikibuçuk salto ve
07:58
and then gracefully recovers,
185
463000
2000
zarifçe eksi haline döner,
08:00
this robot is basically doing that.
186
465000
2000
bu robot basitçe bunu yapıyor.
08:02
So it knows how to combine little bits and pieces of trajectories
187
467000
3000
Böylece bu oldukça zor işleri yapabilmek için küçük ufak tefek
08:05
to do these fairly difficult tasks.
188
470000
4000
yolları nasıl birleştireceğini biliyor.
08:09
So I want change gears.
189
474000
2000
Şimdi konuyu değiştirmek istiyorum.
08:11
So one of the disadvantages of these small robots is its size.
190
476000
3000
Bu küçük robotların en büyük dezavantajlarından biri boyutlarıdır.
08:14
And I told you earlier
191
479000
2000
Size daha önce söylediğim gibi
08:16
that we may want to employ lots and lots of robots
192
481000
2000
bu boyut engelini aşmak için çok, bir çok robot
08:18
to overcome the limitations of size.
193
483000
3000
kullanmak isteyebiliriz.
08:21
So one difficulty
194
486000
2000
Zorluklardan biri
08:23
is how do you coordinate lots of these robots?
195
488000
3000
bukadar çok robotu nasıl koordine edebileceğinizdir.
08:26
And so here we looked to nature.
196
491000
2000
Burada doğaya dönüyoruz.
08:28
So I want to show you a clip
197
493000
2000
Size Professor Stephen Pratt'in laboratuarında
08:30
of Aphaenogaster desert ants
198
495000
2000
nesne taşıyan Aphaenogaster çöl karıncılarının
08:32
in Professor Stephen Pratt's lab carrying an object.
199
497000
3000
bir klibini göstermek istiyorum.
08:35
So this is actually a piece of fig.
200
500000
2000
Bu aslında bir incir parçasıdır.
08:37
Actually you take any object coated with fig juice
201
502000
2000
Aslında incir suyu ile kaplanmış herhangi bir nesneyi alabilirsiniz
08:39
and the ants will carry them back to the nest.
202
504000
3000
ve karıncalar bunu yuvalarına götüreceklerdir.
08:42
So these ants don't have any central coordinator.
203
507000
3000
Bu karıncaların herhangi bir merkezi koordinatörü yoktur.
08:45
They sense their neighbors.
204
510000
2000
Komşularını algılayabiliyorlar.
08:47
There's no explicit communication.
205
512000
2000
Belirgin bir iletişim yok.
08:49
But because they sense the neighbors
206
514000
2000
Fakat, komşularını algılabildikleri ve
08:51
and because they sense the object,
207
516000
2000
nesneleri algılayabildikleri için
08:53
they have implicit coordination across the group.
208
518000
3000
Grup arasında üstü kapalı bir koordinasyon var.
08:56
So this is the kind of coordination
209
521000
2000
Bu robotlarda olmasını istediğimiz
08:58
we want our robots to have.
210
523000
3000
bir koordinasyon tipidir.
09:01
So when we have a robot
211
526000
2000
etrafında komşularının olduğu bir robotumuz
09:03
which is surrounded by neighbors --
212
528000
2000
olduğu zaman --
09:05
and let's look at robot I and robot J --
213
530000
2000
robot I ve robot J'ye bakalım --
09:07
what we want the robots to do
214
532000
2000
robotlardan yapmasını istediğimiz
09:09
is to monitor the separation between them
215
534000
3000
belli bir formasyonda uçarken
09:12
as they fly in formation.
216
537000
2000
kendi aralarındaki mesafeyi gözlemlemeleridir.
09:14
And then you want to make sure
217
539000
2000
Ve bu mesafenin kabuledilebilir seviyelerde olduğundan
09:16
that this separation is within acceptable levels.
218
541000
2000
emin olmak istiyorsunuz.
09:18
So again the robots monitor this error
219
543000
3000
Böylece tekrar robotlar bu hataları gözlemler ve
09:21
and calculate the control commands
220
546000
2000
daha sonra saniyede 600 kez hareket komutlarına çevirdikleri
09:23
100 times a second,
221
548000
2000
saniyede 100 kez olan
09:25
which then translates to the motor commands 600 times a second.
222
550000
3000
kontrol komutlarını hesaplarlar.
09:28
So this also has to be done
223
553000
2000
Bu merkezi olmayan bir yol ile de
09:30
in a decentralized way.
224
555000
2000
yapılabilir.
09:32
Again, if you have lots and lots of robots,
225
557000
2000
Tekrar, eğer çok ama çok robotunuz varsa,
09:34
it's impossible to coordinate all this information centrally
226
559000
4000
görevi yerine getirebilmek için bu kadar hız ile bu bilgiyi merkezi olarak
09:38
fast enough in order for the robots to accomplish the task.
227
563000
3000
koordine etmeniz mümkün değildir.
09:41
Plus the robots have to base their actions
228
566000
2000
Ayrıca robotlar kendi hareketlerini diğer komuşlarından algıladıkları
09:43
only on local information,
229
568000
2000
yalnızca lokal bilgiyi
09:45
what they sense from their neighbors.
230
570000
2000
temel alırlar.
09:47
And then finally,
231
572000
2000
Ve son olarak
09:49
we insist that the robots be agnostic
232
574000
2000
robotların komşularına
09:51
to who their neighbors are.
233
576000
2000
bilinmezlik içinde olduğu üzerinde duruyoruz.
09:53
So this is what we call anonymity.
234
578000
3000
Ve buna kişisel alan diyoruz.
09:56
So what I want to show you next
235
581000
2000
Size bir sonraki göstermek istediğim
09:58
is a video
236
583000
2000
belirli bir formda uçan
10:00
of 20 of these little robots
237
585000
3000
bu küçük 20 robotun
10:03
flying in formation.
238
588000
2000
videosudur.
10:05
They're monitoring their neighbors' position.
239
590000
3000
Komşularının konumlarını iziliyorlar.
10:08
They're maintaining formation.
240
593000
2000
Dizilişi koruyorlar.
10:10
The formations can change.
241
595000
2000
Diziliş değişebiliyor.
10:12
They can be planar formations,
242
597000
2000
Düzlemsel dizilimde olabilirler,
10:14
they can be three-dimensional formations.
243
599000
2000
üç boyutlu diziliş içinde olabilirler.
10:16
As you can see here,
244
601000
2000
Burada gördüğünüz gibi,
10:18
they collapse from a three-dimensional formation into planar formation.
245
603000
3000
üç boyutlu dizilişten düzlemsel dizilişe geçiyorlar.
10:21
And to fly through obstacles
246
606000
2000
Engellerin içinden uçarak geçebilmek için
10:23
they can adapt the formations on the fly.
247
608000
4000
uçuş sırasında dizilişe uymaları gerekiyor.
10:27
So again, these robots come really close together.
248
612000
3000
Yani tekrar, bu robotlar gerçekten birbirlerine yaklaşıyorlar.
10:30
As you can see in this figure-eight flight,
249
615000
2000
Sekizinci uçuşta gördüğünüz gibi,
10:32
they come within inches of each other.
250
617000
2000
birbirlerine 3-5 santim kadar yaklaşıyorlar.
10:34
And despite the aerodynamic interactions
251
619000
3000
Bu pervane kantlarının aerodinamik
10:37
of these propeller blades,
252
622000
2000
etkileşimlerine rağmen,
10:39
they're able to maintain stable flight.
253
624000
2000
stabil uçusu sağlayabiliyorlar.
10:41
(Applause)
254
626000
7000
(Alkış)
10:48
So once you know how to fly in formation,
255
633000
2000
Dizilişte nasıl uçaçacağınızı bir kere bildikten sonra
10:50
you can actually pick up objects cooperatively.
256
635000
2000
nesneleri elbirliği ile toplayabilirsiniz.
10:52
So this just shows
257
637000
2000
Bu gösteriyor ki,
10:54
that we can double, triple, quadruple
258
639000
3000
robotun dayanıklılığını komşuları ile
10:57
the robot strength
259
642000
2000
takım oluşturarak iki, üç, dört katına
10:59
by just getting them to team with neighbors, as you can see here.
260
644000
2000
çıkarabilirsiniz, burada gördüğünüz gibi.
11:01
One of the disadvantages of doing that
261
646000
3000
Bunu yapmanın dezavantajlarından biri
11:04
is, as you scale things up --
262
649000
2000
bunları yükselttiğiniz zaman
11:06
so if you have lots of robots carrying the same thing,
263
651000
2000
diyelim ki aynı şeyi taşıyan birçok robota sahipsiniz,
11:08
you're essentially effectively increasing the inertia,
264
653000
3000
temel olarak etkili şekilde eylemsizliği arttırıyorsunuz,
11:11
and therefore you pay a price; they're not as agile.
265
656000
3000
ve bir bedel ödüyorsunuz; çok çevik olmuyorlar.
11:14
But you do gain in terms of payload carrying capacity.
266
659000
3000
Fakat taşıma kapasitesi adına kazanım elde ediyorsunuz.
11:17
Another application I want to show you --
267
662000
2000
Size göstermek istediğim diğer bir uygulama --
11:19
again, this is in our lab.
268
664000
2000
tekrar, bizim laboratuarımızda--
11:21
This is work done by Quentin Lindsey who's a graduate student.
269
666000
2000
Bu Quentin Lindsey isimli yüksek lisans ögrencimizin çalışmasıdır.
11:23
So his algorithm essentially tells these robots
270
668000
3000
Onun algoritması bu rotobotlara temel olarak
11:26
how to autonomously build
271
671000
2000
üçgen şeklindeki elemanlardan
11:28
cubic structures
272
673000
2000
kübik yapıları nasıl bağımsız olarak inşa edeceğini
11:30
from truss-like elements.
273
675000
3000
söylüyor olmasıdır.
11:33
So his algorithm tells the robot
274
678000
2000
Algoritması robotlara hangi parçanın
11:35
what part to pick up,
275
680000
2000
alınacağı
11:37
when and where to place it.
276
682000
2000
nereye konulacağını söylüyor.
11:39
So in this video you see --
277
684000
2000
Bu videoda görüdüğünüz --
11:41
and it's sped up 10, 14 times --
278
686000
2000
10-15 kat hızlandırılmıştır--
11:43
you see three different structures being built by these robots.
279
688000
3000
üç farklı yapının robotlar tarafından inşa ediliğini görüyorsunuz.
11:46
And again, everything is autonomous,
280
691000
2000
Ve tekrar, herşey birbirinden bağımsız,
11:48
and all Quentin has to do
281
693000
2000
ve Quentinin yapmak zorunda olduğu şey
11:50
is to get them a blueprint
282
695000
2000
inşa etmek istediği tasarımın
11:52
of the design that he wants to build.
283
697000
4000
kopyasını elde etmektir.
11:56
So all these experiments you've seen thus far,
284
701000
3000
Şu ana kadar gördüğünüz deneyler,
11:59
all these demonstrations,
285
704000
2000
bütün bu gösteriler,
12:01
have been done with the help of motion capture systems.
286
706000
3000
hareket yakalama sistemlerinin yardımıyla yapılmıştır.
12:04
So what happens when you leave your lab
287
709000
2000
Laboratuardan ayrıldığınız zaman ve
12:06
and you go outside into the real world?
288
711000
3000
ve dışarı çıkıp gerçek dünyaya çıktığınızda ne oluyor?
12:09
And what if there's no GPS?
289
714000
3000
Ya hiç GPS konum bilgisi yoksa?
12:12
So this robot
290
717000
2000
Bu robot
12:14
is actually equipped with a camera
291
719000
2000
bir kamera, lazer mesafe ölçer
12:16
and a laser rangefinder, laser scanner.
292
721000
3000
tarayıcı ile donatılmıştır.
12:19
And it uses these sensors
293
724000
2000
Çevresinin haritasını çıkarmak için
12:21
to build a map of the environment.
294
726000
2000
sensörlerini kullanıyor.
12:23
What that map consists of are features --
295
728000
3000
Haritanın sahip olduğu özellikler olan --
12:26
like doorways, windows,
296
731000
2000
kapı girişleri, pencereler,
12:28
people, furniture --
297
733000
2000
insanlar, mobilyalar--
12:30
and it then figures out where its position is
298
735000
2000
ve sonra kendi konumunu bunlarla karşılaştırarak
12:32
with respect to the features.
299
737000
2000
tahmin edebiliyor.
12:34
So there is no global coordinate system.
300
739000
2000
Öyle ki hiç bir global koordinasyon sistemi yok.
12:36
The coordinate system is defined based on the robot,
301
741000
3000
Koordinasyon sistemi robotun
12:39
where it is and what it's looking at.
302
744000
3000
nerede olduğu ve nereye baktığı baz alınarak oluşuyor.
12:42
And it navigates with respect to those features.
303
747000
3000
Bu özelliklere riayet ederek yön tayininde bulunuyor.
12:45
So I want to show you a clip
304
750000
2000
Size Frank Shen ve
12:47
of algorithms developed by Frank Shen
305
752000
2000
Professor Nathan Micheal tarafından geliştirilen
12:49
and Professor Nathan Michael
306
754000
2000
robotun binaya ilk kez girdiğinde ve
12:51
that shows this robot entering a building for the very first time
307
756000
4000
uçuş sırasında harita oluşturmasını gösteren
12:55
and creating this map on the fly.
308
760000
3000
bir video göstereceğim.
12:58
So the robot then figures out what the features are.
309
763000
3000
Öyle ki robotlar binanın özelliklerinin ne olduğunu buluyorlar.
13:01
It builds the map.
310
766000
2000
Harita oluşturuyorlar.
13:03
It figures out where it is with respect to the features
311
768000
2000
Bu özelliklerin nerede olduğunu tayin edip
13:05
and then estimates its position
312
770000
2000
size daha önce tarif ettiğim
13:07
100 times a second
313
772000
2000
bize saniyede 100 kez izin veren
13:09
allowing us to use the control algorithms
314
774000
2000
kontrol algoritmalarını
13:11
that I described to you earlier.
315
776000
2000
kullanarak kendi yerini tahmin ediyor.
13:13
So this robot is actually being commanded
316
778000
2000
Bu robot aslında Frank tarafından
13:15
remotely by Frank.
317
780000
2000
komuta ediliyor.
13:17
But the robot can also figure out
318
782000
2000
Fakat bu robot kendisinin
13:19
where to go on its own.
319
784000
2000
nereye gideceğini bilebilir.
13:21
So suppose I were to send this into a building
320
786000
2000
Farz edin ki; bunu bir binanın içine gönderdim
13:23
and I had no idea what this building looked like,
321
788000
2000
ve binanın neye benzediği hakkında bir fikrim yok,
13:25
I can ask this robot to go in,
322
790000
2000
robota içeri girip
13:27
create a map
323
792000
2000
bir harita oluşturmasını ve sonra geri gelip
13:29
and then come back and tell me what the building looks like.
324
794000
3000
bana binanın neye benzediğini isteyebilirim.
13:32
So here, the robot is not only solving the problem,
325
797000
3000
Öyle ki burada, robot bu haritadaki A noktasından B noktasına
13:35
how to go from point A to point B in this map,
326
800000
3000
nasıl gideceği problemi sadece çözmekle kalmıyor,
13:38
but it's figuring out
327
803000
2000
ayrıca B noktasına her defasında gideceği en iyi yolun ne olduğunu
13:40
what the best point B is at every time.
328
805000
2000
buluyor.
13:42
So essentially it knows where to go
329
807000
3000
Temel olarak az bilgi ile yerleri arayarak
13:45
to look for places that have the least information.
330
810000
2000
nereye gideceğini biliyor.
13:47
And that's how it populates this map.
331
812000
3000
Ve bu haritayı nasıl oluşturduğudur.
13:50
So I want to leave you
332
815000
2000
Sizi son bir uygulama ile
13:52
with one last application.
333
817000
2000
bırakmak istiyorum.
13:54
And there are many applications of this technology.
334
819000
3000
Bu teknolojinin bir çok uygulaması vardır.
13:57
I'm a professor, and we're passionate about education.
335
822000
2000
Ben bir profesörüm ve eğiteme tutkuluyum.
13:59
Robots like this can really change the way
336
824000
2000
Robotlar anaokuldan lise son eğitimine kadar ki
14:01
we do K through 12 education.
337
826000
2000
yapıyı gerçekten değiştirebilir.
14:03
But we're in Southern California,
338
828000
2000
Fakat biz Güney Kaliforniya'dayız,
14:05
close to Los Angeles,
339
830000
2000
Los Angeles'a yakınız,
14:07
so I have to conclude
340
832000
2000
Bu yüzden eğlenceye yönelik birşey ile
14:09
with something focused on entertainment.
341
834000
2000
sonlandırmak istiyorum.
14:11
I want to conclude with a music video.
342
836000
2000
Bir müzik videosu ile bitirmek istiyorum.
14:13
I want to introduce the creators, Alex and Daniel,
343
838000
3000
Bu videoyu oluşturan yaratıcılardan
14:16
who created this video.
344
841000
2000
Alex ve Daniel'i takdim etmek istiyorum.
14:18
(Applause)
345
843000
7000
(Alkış)
14:25
So before I play this video,
346
850000
2000
Bu videoyu başlatmadan önce,
14:27
I want to tell you that they created it in the last three days
347
852000
3000
bunun Chris'ten telefon aldıktan son üç gün
14:30
after getting a call from Chris.
348
855000
2000
içinde yaptıklarını söylemek istiyorum.
14:32
And the robots that play the video
349
857000
2000
Ve videoyu çalan robotlar
14:34
are completely autonomous.
350
859000
2000
tamamen bağımsızlar.
14:36
You will see nine robots play six different instruments.
351
861000
3000
Dokuz robotun altı farklı enstrümanı çaldığını göreceksiniz.
14:39
And of course, it's made exclusively for TED 2012.
352
864000
4000
Ve tabi ki, sadece TED 2012 için yapıldı.
14:43
Let's watch.
353
868000
3000
Hadi izleyelim.
15:19
(Music)
354
904000
10000
(Müzik)
16:23
(Applause)
355
968000
17000
(Alkış)
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