ABOUT THE SPEAKER
Chris Urmson - Roboticist
Chris Umson is the Director of Self-Driving Cars at Google[x].

Why you should listen

Since 2009, Chris Urmson has headed up Google’s self-driving car program. So far, the team’s vehicles have driven over three quarters of a million miles. While early models included a driverless Prius that TEDsters got to test- ... um, -not-drive in 2011, more and more the team is building vehicles from the ground up, custom-made to go driverless.

Prior to joining Google, Umson was on the faculty of the Robotics Institute at Carnegie Mellon University, where his research focused on motion planning and perception for robotic vehicles. During his time at Carnegie Mellon, he served as Director of Technology for the team that won the 2007 DARPA Urban Challenge.

More profile about the speaker
Chris Urmson | Speaker | TED.com
TED2015

Chris Urmson: How a driverless car sees the road

Chris Urmson: Wie ein fahrerloses Auto die Straße wahrnimmt

Filmed:
2,536,355 views

Statistisch gesehen ist der unzuverlässigste Teil eines Autos – der Fahrer. Chris Urmson leitet das Entwicklungsprogramm für fahrerlose Autos, eine von mehreren Initiativen, um den Menschen aus dem Fahrersitz zu entfernen. Urmson spricht über den aktuellen Stand der Entwicklung und zeigt faszinierende Sequenzen über den Blick des Autos auf die Straße und wie es selbständig die Entscheidung für die nächste Handlung trifft.
- Roboticist
Chris Umson is the Director of Self-Driving Cars at Google[x]. Full bio

Double-click the English transcript below to play the video.

00:12
So in 1885, KarlKarl BenzBenz
inventederfunden the automobileAutomobil.
0
528
3949
Im Jahr 1885 erfand
Carl Benz das Automobil.
00:16
LaterSpäter that yearJahr, he tookdauerte it out
for the first publicÖffentlichkeit testTest driveFahrt,
1
4707
3762
Noch im gleichen Jahr unternahm
er die erste öffentliche Testfahrt
00:20
and -- truewahr storyGeschichte --
crashedabgestürzt into a wallMauer.
2
8469
3375
und fuhr gegen eine Wand.
00:24
For the last 130 yearsJahre,
3
12184
2043
Seit 130 Jahren versuchen wir,
00:26
we'vewir haben been workingArbeiten around that leastam wenigsten
reliablezuverlässig partTeil of the carAuto, the driverTreiber.
4
14227
4319
das Unzuverlässigste an einem
Auto zu umgehen: den Fahrer.
00:30
We'veWir haben madegemacht the carAuto strongerstärker.
5
18546
1354
Autos sind jetzt stabiler,
00:32
We'veWir haben addedhinzugefügt seatSitz beltsGürtel,
we'vewir haben addedhinzugefügt airLuft bagsTaschen,
6
20200
2548
wir haben Gurte und Airbags eingebaut.
00:34
and in the last decadeDekade, we'vewir haben actuallytatsächlich
startedhat angefangen tryingversuchen to make the carAuto smarterintelligenter
7
22748
3971
In den letzten Jahren haben wir versucht,
das Auto selbst intelligenter zu machen,
00:38
to fixFix that bugFehler, the driverTreiber.
8
26719
2938
um das Problem "Fahrer" zu lösen.
00:41
Now, todayheute I'm going to talk to you
a little bitBit about the differenceUnterschied
9
29657
3261
Ich erzähle Ihnen heute davon,
welchen Unterschied es macht,
00:44
betweenzwischen patchingPatchen around the problemProblem
with driverTreiber assistanceHilfe systemsSysteme
10
32918
3808
ob man das Problem nur mit Hilfe
von Assistenzsystemen angeht
oder völlig selbstständig
fahrende Autos entwickelt,
00:48
and actuallytatsächlich havingmit fullyvöllig
self-drivingselbstfahrender carsAutos
11
36726
2564
00:51
and what they can do for the worldWelt.
12
39290
1880
und wie sie die Welt verändern können.
00:53
I'm alsoebenfalls going to talk to you
a little bitBit about our carAuto
13
41170
2995
Ich werde Ihnen auch ein wenig
von unserem Auto erzählen
00:56
and allowzulassen you to see how it seessieht the worldWelt
and how it reactsreagiert and what it does,
14
44165
3999
und zeigen, wie es die Umgebung
wahrnimmt und darauf reagiert.
01:00
but first I'm going to talk
a little bitBit about the problemProblem.
15
48164
3187
Zunächst aber möchte ich noch ein
wenig das Problem erläutern.
01:03
And it's a biggroß problemProblem:
16
51651
1648
Denn es ist ein großes Problem:
01:05
1.2 millionMillion people are killedermordet
on the world'sWelt roadsStraßen everyjeden yearJahr.
17
53299
3089
1,2 Mio. Menschen weltweit sterben
jedes Jahr bei Autounfällen.
01:08
In AmericaAmerika aloneallein, 33,000 people
are killedermordet eachjede einzelne yearJahr.
18
56388
3784
Allein in den USA sind es 33 000 pro Jahr.
01:12
To put that in perspectivePerspektive,
19
60172
2028
Um das mal ins Verhältnis zu setzen:
01:14
that's the samegleich as a 737
fallingfallend out of the skyHimmel everyjeden workingArbeiten day.
20
62200
4797
Das ist, also ob an jedem Arbeitstag
eine Boeing 737 abstürzen würde.
01:19
It's kindArt of unbelievablenicht zu fassen.
21
67342
1786
Das ist unglaublich.
01:21
CarsAutos are soldverkauft to us like this,
22
69548
2298
So wie hier werden uns Autos verkauft.
01:23
but really, this is what driving'sFahren des like.
23
71846
2717
Aber eigentlich sieht Fahren eher so aus.
01:26
Right? It's not sunnysonnig, it's rainyregnerisch,
24
74563
2159
Die Sonne scheint nicht, es regnet.
01:28
and you want to do anything
other than driveFahrt.
25
76722
2488
Sie wollen lieber alles
andere tun, als zu fahren.
01:31
And the reasonGrund why is this:
26
79210
1622
Dafür gibt es einen Grund:
01:32
TrafficVerkehr is gettingbekommen worseschlechter.
27
80832
1858
Der Verkehr wird immer schlimmer.
01:34
In AmericaAmerika, betweenzwischen 1990 and 2010,
28
82690
3506
In den USA wurden zwischen 1990 und 2010
01:38
the vehicleFahrzeug milesMeilen traveledbereist
increasederhöht by 38 percentProzent.
29
86196
3504
38 % mehr Kilometer gefahren als zuvor.
01:42
We grewwuchs by sixsechs percentProzent of roadsStraßen,
30
90213
2749
Es gibt nur 6 % mehr Straßen,
01:44
so it's not in your brainsGehirne.
31
92962
1602
es ist also kein Trugschluss:
01:46
TrafficVerkehr really is substantiallyim Wesentlichen worseschlechter
than it was not very long agovor.
32
94564
4276
Der Verkehr ist heute deutlich
schlimmer als noch vor kurzer Zeit.
01:50
And all of this has a very humanMensch costKosten.
33
98840
2409
Dafür zahlen wir einen Preis.
01:53
So if you take the averagedurchschnittlich commutependeln time
in AmericaAmerika, whichwelche is about 50 minutesProtokoll,
34
101529
3948
Ein Pendler fährt in den USA
durchschnittlich ca. 50 Minuten.
01:57
you multiplymultiplizieren that by the 120 millionMillion
workersArbeitskräfte we have,
35
105477
3649
Multiplizieren Sie das mit
unseren 120 Mio. Pendlern,
02:01
that turnswendet sich out to be
about sixsechs billionMilliarde minutesProtokoll
36
109126
2225
kommen Sie auf etwa 6 Mrd. Minuten,
02:03
wastedverschwendet in commutingpendeln everyjeden day.
37
111351
2026
die täglich beim Pendeln verloren gehen.
02:05
Now, that's a biggroß numberNummer,
so let's put it in perspectivePerspektive.
38
113377
2827
Eine riesige Zahl,
also vergleichen wir das mal.
02:08
You take that sixsechs billionMilliarde minutesProtokoll
39
116204
1774
Wenn Sie 6 Mrd. Minuten
02:09
and you divideTeilen it by the averagedurchschnittlich
life expectancyErwartung of a personPerson,
40
117978
3784
durch die durchschnittliche
Lebenserwartung eines Menschen teilen,
02:13
that turnswendet sich out to be 162 lifetimesLebenszeiten
41
121762
3135
kommen Sie auf 162 Leben.
02:16
spentverbraucht everyjeden day, wastedverschwendet,
42
124897
2925
So viele werden jeden Tag verschwendet,
02:19
just gettingbekommen from A to B.
43
127822
2044
nur um von A nach B zu kommen.
02:21
It's unbelievablenicht zu fassen.
44
129866
1730
Das ist unglaublich.
02:23
And then, there are those of us
who don't have the privilegePrivileg
45
131596
2844
Dann gibt es solche Menschen,
die gar nicht im Verkehr
steckenbleiben können.
02:26
of sittingSitzung in trafficder Verkehr.
46
134440
1672
02:28
So this is SteveSteve.
47
136112
1578
So wie Steve.
Er ist ein unheimlich fähiger Kerl,
02:29
He's an incrediblyunglaublich capablefähig guy,
48
137690
1765
02:31
but he just happensdas passiert to be blindblind,
49
139455
2516
aber leider ist er blind.
02:33
and that meansmeint insteadstattdessen of a 30-minute-Minute
driveFahrt to work in the morningMorgen,
50
141971
3217
Statt morgens in 30 Minuten
zur Arbeit zu fahren,
02:37
it's a two-hourzwei Stunden ordealTortur
of piecingAnsetzer togetherzusammen bitsBits of publicÖffentlichkeit transitTransit
51
145188
3979
müht er sich mit den öffentlichen
Verkehrsmitteln ab -- 2 Std. lang.
Es sei denn, er bittet Freunde
und Familie um eine Fahrt.
02:41
or askingfragen friendsFreunde and familyFamilie for a rideReiten.
52
149167
2385
02:43
He doesn't have that samegleich freedomFreiheit
that you and I have to get around.
53
151552
3669
Er hat nicht dieselbe Freiheit wie wir,
um von A nach B zu kommen.
02:47
We should do something about that.
54
155221
2460
Das sollten wir ändern.
02:49
Now, conventionalkonventionell wisdomWeisheit would say
55
157891
1757
Nach allgemeiner Meinung
02:51
that we'llGut just take
these driverTreiber assistanceHilfe systemsSysteme
56
159648
2492
sollten wir vorhandene
Fahrerassistenzsysteme
02:54
and we'llGut kindArt of pushdrücken them
and incrementallyinkrementell improveverbessern them,
57
162140
3750
immer schrittweise verbessern.
Irgendwann werden daraus
selbstfahrende Autos.
02:57
and over time, they'llsie werden turnWende
into self-drivingselbstfahrender carsAutos.
58
165890
2542
03:00
Well, I'm here to tell you
that's like me sayingSprichwort
59
168432
2409
Das wäre etwa damit zu vergleichen:
Wenn ich mich beim Springen
nur richtig anstrengen würde,
03:02
that if I work really hardhart at jumpingSpringen,
one day I'll be ablefähig to flyFliege.
60
170841
4057
könnte ich eines Tages fliegen.
03:06
We actuallytatsächlich need to do
something a little differentanders.
61
174898
2728
Stattdessen sollten wir etwas anderes tun.
03:09
And so I'm going to talk to you
about threedrei differentanders waysWege
62
177626
2711
Ich möchte Ihnen drei Punkte vorstellen,
03:12
that self-drivingselbstfahrender systemsSysteme are differentanders
than driverTreiber assistanceHilfe systemsSysteme.
63
180337
3346
die selbstfahrende Systeme von
Assistenzsystemen unterscheiden.
03:15
And I'm going to startAnfang
with some of our ownbesitzen experienceErfahrung.
64
183683
2651
Ich fange mit dem an,
was wir selbst erfahren haben.
03:18
So back in 2013,
65
186334
2253
Im Jahr 2013
machten wir den ersten Test
mit selbstfahrenden Autos,
03:20
we had the first testTest
of a self-drivingselbstfahrender carAuto
66
188587
2663
03:23
where we let regularregulär people use it.
67
191250
2027
die normale Leute benutzen konnten.
03:25
Well, almostfast regularregulär --
they were 100 GooglersGoogler,
68
193277
2202
Fast normale Leute --
100 Google-Mitarbeiter,
03:27
but they weren'twaren nicht workingArbeiten on the projectProjekt.
69
195479
2003
aber sie waren nicht am Projekt beteiligt.
03:29
And we gavegab them the carAuto and we alloweddürfen
them to use it in theirihr dailyTäglich livesLeben.
70
197482
3621
Wir gaben ihnen das Auto,
um es im Alltag auszuprobieren.
03:33
But unlikenicht wie a realecht self-drivingselbstfahrender carAuto,
this one had a biggroß asteriskSternchen with it:
71
201103
3719
Es gab es aber eine wichtige Besonderheit:
03:36
They had to payZahlen attentionAufmerksamkeit,
72
204822
1504
Sie mussten aufpassen,
03:38
because this was an experimentalExperimental- vehicleFahrzeug.
73
206326
2633
schließlich war es ein Experiment.
03:40
We testedgeprüft it a lot,
but it could still failScheitern.
74
208959
3525
Trotz intensiver Tests könnte es versagen.
03:44
And so we gavegab them two hoursStd. of trainingAusbildung,
75
212484
2059
Also schulten wir sie zwei Stunden lang,
03:46
we put them in the carAuto,
we let them use it,
76
214543
2092
setzten sie ins Auto
und ließen sie es benutzen.
03:48
and what we heardgehört back
was something awesomegenial,
77
216635
2127
Das Feedback war fantastisch für jemanden,
03:50
as someonejemand tryingversuchen
to bringbringen a productProdukt into the worldWelt.
78
218762
2524
der ein Produkt in die Welt setzen will.
03:53
EveryJedes one of them told us they lovedliebte it.
79
221286
1925
Alle fanden es toll.
03:55
In factTatsache, we had a PorschePorsche driverTreiber
who camekam in and told us on the first day,
80
223211
3566
Einer war Porsche-Fahrer
und sagte uns am ersten Tag:
"Das ist totaler Unsinn,
Was glauben wir eigentlich?"
03:58
"This is completelyvollständig stupidblöd.
What are we thinkingDenken?"
81
226777
2663
04:01
But at the endEnde of it, he said,
"Not only should I have it,
82
229850
2840
Am Ende meinte er:
"Nicht nur ich sollte es haben,
04:04
everyonejeder elsesonst should have it,
because people are terriblefurchtbar driversTreiber."
83
232690
3175
sondern auch alle anderen.
Menschen sind schreckliche Fahrer."
04:09
So this was musicMusik- to our earsOhren,
84
237135
1735
Das war Musik in unseren Ohren.
04:10
but then we startedhat angefangen to look at what
the people insideinnen the carAuto were doing,
85
238870
3803
Dann sahen wir uns an,
was die Leute im Auto taten.
04:14
and this was eye-openingEye-opening.
86
242673
1579
Das öffnete uns die Augen.
04:16
Now, my favoriteFavorit storyGeschichte is this gentlemanGentleman
87
244252
2438
Da gab es einen Herrn.
04:18
who lookssieht aus down at his phoneTelefon
and realizesrealisiert the batteryBatterie is lowniedrig,
88
246690
3829
Er schaut auf sein Handy und bemerkt,
dass der Akku fast leer ist.
04:22
so he turnswendet sich around like this in the carAuto
and digsgräbt around in his backpackRucksack,
89
250519
4548
Also dreht er sich ungefähr so um
und durchsucht seinen Rucksack,
04:27
pullszieht out his laptopLaptop,
90
255067
2153
holt seinen Laptop raus,
04:29
putslegt it on the seatSitz,
91
257220
1567
legt ihn auf den Sitz,
04:30
goesgeht in the back again,
92
258787
1764
dreht sich wieder um,
04:32
digsgräbt around, pullszieht out
the chargingAufladen cableKabel for his phoneTelefon,
93
260551
3367
sucht weiter und findet das
Ladekabel für sein Handy,
04:35
futzesfutzes around, putslegt it into the laptopLaptop,
putslegt it on the phoneTelefon.
94
263918
3367
steckt es in den Laptop,
danach in sein Handy.
04:39
Sure enoughgenug, the phoneTelefon is chargingAufladen.
95
267285
2043
Klar, das Telefon wird geladen.
04:41
All the time he's been doing
65 milesMeilen perpro hourStunde down the freewayAutobahn.
96
269328
3994
Währenddessen fuhr er die ganze Zeit
mit 105 km/h den Freeway entlang.
04:45
Right? UnbelievableUnglaubliche.
97
273322
2484
Unglaublich.
04:47
So we thought about this and we said,
it's kindArt of obviousoffensichtlich, right?
98
275806
3121
Nach einiger Überlegung wurde uns klar:
04:50
The better the technologyTechnologie getsbekommt,
99
278927
2263
Je besser die Technologie wird,
04:53
the lessWeniger reliablezuverlässig
the driverTreiber is going to get.
100
281190
2121
desto unzuverlässiger wird der Fahrer.
04:55
So by just makingHerstellung the carsAutos
incrementallyinkrementell smarterintelligenter,
101
283311
2396
Wenn wir Autos nur
schrittweise schlauer machen,
04:57
we're probablywahrscheinlich not going to see
the winsGewinnt we really need.
102
285707
2902
werden wir wahrscheinlich
unsere Ziele nicht erreichen.
05:00
Let me talk about something
a little technicaltechnisch for a momentMoment here.
103
288609
3901
Ich werde nun kurz etwas technisch.
Dieses Diagramm zeigt
von links nach rechts,
05:04
So we're looking at this graphGraph,
and alongeine lange the bottomBoden
104
292510
2438
05:06
is how oftenhäufig does the carAuto
applysich bewerben the brakesBremsen when it shouldn'tsollte nicht.
105
294948
3051
wie oft das Auto bremst,
wenn es das nicht sollte.
Sie können das meiste
auf dieser Achse ignorieren,
05:09
You can ignoreignorieren mostdie meisten of that axisAchse,
106
297999
1621
05:11
because if you're drivingFahren around townStadt,
and the carAuto startsbeginnt stoppingAnhalten randomlynach dem Zufallsprinzip,
107
299620
3719
denn wenn Sie in der Stadt herumfahren
und das Auto immer mal wieder anhält,
05:15
you're never going to buykaufen that carAuto.
108
303339
1701
werden Sie es niemals kaufen.
05:17
And the verticalvertikal axisAchse is how oftenhäufig
the carAuto is going to applysich bewerben the brakesBremsen
109
305040
3375
Von unten nach oben sehen Sie,
wie oft das Auto richtigerweise bremst,
05:20
when it's supposedsoll to
to help you avoidvermeiden an accidentUnfall.
110
308415
3049
um so einen Unfall zu verhindern.
05:23
Now, if we look at
the bottomBoden left cornerEcke here,
111
311464
2221
Schauen wir uns die Ecke links unten an:
05:25
this is your classicklassisch carAuto.
112
313685
1845
Das ist ein Standardauto.
05:27
It doesn't applysich bewerben the brakesBremsen for you,
it doesn't do anything goofyGoofy,
113
315530
3133
Es bremst nicht selbstständig,
es tut nichts Merkwürdiges,
05:30
but it alsoebenfalls doesn't get you
out of an accidentUnfall.
114
318663
2779
aber es verhindert auch keine Unfälle.
05:33
Now, if we want to bringbringen
a driverTreiber assistanceHilfe systemSystem into a carAuto,
115
321442
3018
Wenn wir ein
Fahrerassistenzsystem installieren,
05:36
say with collisionKollision mitigationMinderung brakingBremsen,
116
324460
1828
das Auffahrunfälle vermeiden soll,
05:38
we're going to put some packagePaket
of technologyTechnologie on there,
117
326288
2612
dann packen wir einige
Technologien in das Auto.
05:40
and that's this curveKurve, and it's going
to have some operatingBetriebs propertiesEigenschaften,
118
328900
3418
Das sehen Sie hier.
Die Technologien sind gut,
05:44
but it's never going to avoidvermeiden
all of the accidentsUnfälle,
119
332318
2490
aber sie können niemals
alle Unfälle verhindern.
05:46
because it doesn't have that capabilityFähigkeit.
120
334808
2059
Dafür sind sie einfach nicht ausgelegt.
05:48
But we'llGut pickwähle some placeOrt
alongeine lange the curveKurve here,
121
336867
2249
Sehen wir uns diese Kurve an:
05:51
and maybe it avoidsvermeidet halfHälfte of accidentsUnfälle
that the humanMensch driverTreiber missesvermisst,
122
339116
3254
So könnte man vielleicht die Hälfte
aller Unfälle verhindern.
05:54
and that's amazingtolle, right?
123
342370
1297
Hervorragend, oder?
05:55
We just reducedreduziert accidentsUnfälle on our roadsStraßen
by a factorFaktor of two.
124
343667
2727
Wir haben gerade die Zahl
der Autounfälle halbiert!
05:58
There are now 17,000 lessWeniger people
dyingsterben everyjeden yearJahr in AmericaAmerika.
125
346394
3987
Jetzt sterben in den USA
17 000 Menschen weniger pro Jahr.
Aber wenn wir selbstfahrende Autos wollen,
06:02
But if we want a self-drivingselbstfahrender carAuto,
126
350381
2020
muss die Technologiekurve so aussehen.
06:04
we need a technologyTechnologie curveKurve
that lookssieht aus like this.
127
352401
2307
06:06
We're going to have to put
more sensorsSensoren in the vehicleFahrzeug,
128
354708
2599
Wir müssen mehr Sensoren
in das Auto integrieren,
06:09
and we'llGut pickwähle some
operatingBetriebs pointPunkt up here
129
357307
2021
bis zu dem Punkt, an dem es praktisch
06:11
where it basicallyGrundsätzlich gilt never
getsbekommt into a crashAbsturz.
130
359328
2019
nie mehr in einen Unfall verwickelt wird.
06:13
They'llSie werden happengeschehen, but very lowniedrig frequencyFrequenz.
131
361347
2443
Es wird noch passieren, aber sehr selten.
06:15
Now you and I could look at this
and we could argueargumentieren
132
363790
2461
Jetzt könnten wir darüber diskutieren,
06:18
about whetherob it's incrementalinkrementell, and
I could say something like "80-20 ruleRegel,"
133
366251
3605
ob die Kurve stetig steigt, oder ob sie
eher der 80/20-Regel entspricht.
06:21
and it's really hardhart to moveBewegung up
to that newneu curveKurve.
134
369856
2568
Die obere Kurve ist
sehr schwer zu erreichen.
06:24
But let's look at it
from a differentanders directionRichtung for a momentMoment.
135
372424
2934
Aber sehen wir es einmal anders.
Wie oft muss die Technologie
die richtigen Entscheidungen treffen?
06:27
So let's look at how oftenhäufig
the technologyTechnologie has to do the right thing.
136
375358
3512
06:30
And so this greenGrün dotPunkt up here
is a driverTreiber assistanceHilfe systemSystem.
137
378870
3506
Dieser grüne Punkt hier ist
das Fahrerassistenzsystem.
06:34
It turnswendet sich out that humanMensch driversTreiber
138
382376
2485
Menschliche Fahrer machen Fehler,
die Unfälle verursachen --
06:36
make mistakesFehler that leadführen
to trafficder Verkehr accidentsUnfälle
139
384861
2647
06:39
about onceEinmal everyjeden 100,000 milesMeilen in AmericaAmerika.
140
387508
3172
und zwar etwa alle 160 000 km in den USA.
06:42
In contrastKontrast, a self-drivingselbstfahrender systemSystem
is probablywahrscheinlich makingHerstellung decisionsEntscheidungen
141
390680
3167
Im Gegensatz dazu trifft
ein selbstfahrendes System
06:45
about 10 timesmal perpro secondzweite,
142
393847
3663
etwa 10 Entscheidungen pro Sekunde.
06:49
so orderAuftrag of magnitudeGröße,
143
397510
1422
Umgerechnet wären das
etwa 600-mal pro Kilometer.
06:50
that's about 1,000 timesmal perpro mileMeile.
144
398932
2832
06:53
So if you comparevergleichen the distanceEntfernung
betweenzwischen these two,
145
401764
2485
Wenn wir den Abstand zwischen
beiden vergleichen,
06:56
it's about 10 to the eighthachte, right?
146
404249
2600
ist das etwa 10 hoch 8.
06:58
EightAcht ordersBestellungen of magnitudeGröße.
147
406849
1765
8 Größenordnungen.
07:00
That's like comparingVergleichen how fastschnell I runLauf
148
408614
2809
Das ist, wie wenn Sie mein Lauftempo
07:03
to the speedGeschwindigkeit of lightLicht.
149
411423
2206
mit der Lichtgeschwindigkeit vergleichen.
07:05
It doesn't matterAngelegenheit how hardhart I trainZug,
I'm never actuallytatsächlich going to get there.
150
413629
3785
Ganz egal, wieviel ich trainiere:
Das kann ich nie erreichen.
07:09
So there's a prettyziemlich biggroß gapSpalt there.
151
417414
2438
Der Unterschied ist also ziemlich groß.
07:11
And then finallyendlich, there's how
the systemSystem can handleGriff uncertaintyUnsicherheit.
152
419852
3729
Betrachten wir nun schließlich, wie
das System mit Unsicherheit umgeht.
07:15
So this pedestrianFußgänger here mightMacht be
steppingStepping into the roadStraße, mightMacht not be.
153
423581
3323
Dieser Fußgänger läuft vielleicht
auf die Straße -- oder auch nicht.
07:18
I can't tell,
nornoch can any of our algorithmsAlgorithmen,
154
426904
3395
Ich kann es nicht erkennen und
unsere Algorithmen auch nicht.
07:22
but in the caseFall of
a driverTreiber assistanceHilfe systemSystem,
155
430310
2284
Für ein Assistenzsystem heißt das,
07:24
that meansmeint it can't take actionAktion,
because again,
156
432594
2806
dass es nichts unternehmen kann,
denn es wäre völlig inakzeptabel,
07:27
if it pressesPressen the brakesBremsen unexpectedlyunerwartet,
that's completelyvollständig unacceptableinakzeptabel.
157
435400
3339
wenn es unerwartet bremsen würde.
07:30
WhereasWährend a self-drivingselbstfahrender systemSystem
can look at that pedestrianFußgänger and say,
158
438739
3133
Ein selbstfahrendes System sieht
den Fußgänger und sagt:
07:33
I don't know what they're about to do,
159
441872
1890
"Keine Ahnung, was du tun wirst,
07:35
slowlangsam down, take a better look,
and then reactreagieren appropriatelypassend after that.
160
443762
3762
ich fahre langsamer, schaue genauer
hin und reagiere dann entsprechend."
07:39
So it can be much safersicherer than
a driverTreiber assistanceHilfe systemSystem can ever be.
161
447524
3702
Es ist also viel sicherer, als ein
Assistenzsystem je sein könnte.
07:43
So that's enoughgenug about
the differencesUnterschiede betweenzwischen the two.
162
451226
2730
Aber damit genug von den
Unterschieden zwischen beiden.
07:45
Let's spendverbringen some time talkingim Gespräch about
how the carAuto seessieht the worldWelt.
163
453956
3484
Betrachten wir, wie das Auto
die Umgebung wahrnimmt.
07:49
So this is our vehicleFahrzeug.
164
457440
1252
Das ist unser Auto.
Zuerst bestimmt es seine Position,
07:50
It startsbeginnt by understandingVerstehen
where it is in the worldWelt,
165
458692
2438
indem es auf einer Karte
seine Sensordaten einträgt.
07:53
by takingunter a mapKarte and its sensorSensor dataDaten
and aligningAusrichten von the two,
166
461130
2787
07:55
and then we layerSchicht on topoben of that
what it seessieht in the momentMoment.
167
463917
2948
Darüber legen wir das,
was das Auto momentan sieht.
07:58
So here, all the purplelila boxesKästen you can see
are other vehiclesFahrzeuge on the roadStraße,
168
466865
3655
Diese violetten Kästchen sind
andere Fahrzeuge auf der Straße
08:02
and the redrot thing on the sideSeite
over there is a cyclistRadrennfahrer,
169
470520
2528
und das rote Ding ist ein Radfahrer.
08:05
and up in the distanceEntfernung,
if you look really closelyeng,
170
473048
2402
In der Entfernung sehen Sie
noch einige Leitkegel.
08:07
you can see some conesKegel.
171
475450
1794
08:09
Then we know where the carAuto
is in the momentMoment,
172
477244
2773
Jetzt wissen wir, wo das Auto gerade ist.
08:12
but we have to do better than that:
we have to predictvorhersagen what's going to happengeschehen.
173
480017
3833
Aber das reicht nicht: Wir müssen
vorhersagen, was passieren wird.
08:15
So here the pickupAbholung truckLKW in topoben right
is about to make a left laneLane changeVeränderung
174
483850
3488
Der Pickup-Truck oben rechts
will auf die linke Spur wechseln,
08:19
because the roadStraße in frontVorderseite of it is closedabgeschlossen,
175
487338
2223
denn vor ihm ist die Straße gesperrt.
08:21
so it needsBedürfnisse to get out of the way.
176
489561
1731
Also muss er ausweichen.
08:23
KnowingWissen that one pickupAbholung truckLKW is great,
177
491292
1863
Es ist toll, wenn man das weiß,
08:25
but we really need to know
what everybody'sjedermanns thinkingDenken,
178
493155
2479
aber wir müssen wissen,
was jeder gerade denkt.
08:27
so it becomeswird quiteganz a complicatedkompliziert problemProblem.
179
495634
2507
Damit wird es zur komplizierten Aufgabe.
08:30
And then givengegeben that, we can figureZahl out
how the carAuto should respondreagieren in the momentMoment,
180
498141
4749
Wenn wir das wissen, können wir bestimmen,
wie sich das Auto verhalten sollte,
08:34
so what trajectoryFlugbahn it should followFolgen, how
quicklyschnell it should slowlangsam down or speedGeschwindigkeit up.
181
502890
3866
wo genau es lang fahren sollte, wie stark
es bremsen und beschleunigen sollte.
08:38
And then that all turnswendet sich into
just followinges folgen a pathPfad:
182
506756
3065
Im Grunde geht es nur darum,
einem Weg zu folgen,
08:41
turningDrehen the steeringLenkung wheelRad left or right,
pressingdrücken the brakeBremse or gasGas.
183
509821
3197
also nach links oder rechts zu lenken,
zu bremsen oder Gas zu geben.
08:45
It's really just two numbersNummern
at the endEnde of the day.
184
513018
2464
Letztlich geht es nur um zwei Zahlen.
08:47
So how hardhart can it really be?
185
515482
2241
Wie schwierig kann das schon sein?
08:50
Back when we startedhat angefangen in 2009,
186
518433
1952
Als wir 2009 angefangen haben,
08:52
this is what our systemSystem lookedsah like.
187
520385
1798
sah unser System so aus.
08:54
So you can see our carAuto in the middleMitte
and the other boxesKästen on the roadStraße,
188
522183
3391
Sie sehen unser Auto in der Mitte
und die anderen Kästchen,
die auf der Autobahn fahren.
08:57
drivingFahren down the highwayAutobahn.
189
525574
1271
Das Auto muss wissen, wo es selbst ist
und ungefähr, wo die anderen sind.
08:58
The carAuto needsBedürfnisse to understandverstehen where it is
and roughlygrob where the other vehiclesFahrzeuge are.
190
526845
3818
Es geht um ein geometrisches
Verständnis der Umwelt.
09:02
It's really a geometricgeometrisch
understandingVerstehen of the worldWelt.
191
530663
2429
09:05
OnceEinmal we startedhat angefangen drivingFahren
on neighborhoodGegend and cityStadt streetsStraßen,
192
533092
2948
Als wir begannen, in der
Innenstadt zu fahren,
09:08
the problemProblem becomeswird a wholeganze
newneu levelEbene of difficultySchwierigkeit.
193
536040
2445
wurde die Aufgabe viel schwieriger.
09:10
You see pedestriansFußgänger crossingKreuzung in frontVorderseite
of us, carsAutos crossingKreuzung in frontVorderseite of us,
194
538485
3494
Da laufen Fußgänger vorbei,
Autos überqueren die Kreuzung,
09:13
going everyjeden whichwelche way,
195
541979
1811
fahren in verschiedene Richtungen,
es gibt Ampeln, Zebrastreifen.
09:15
the trafficder Verkehr lightsBeleuchtung, crosswalksZebrastreifen.
196
543790
1527
09:17
It's an incrediblyunglaublich complicatedkompliziert
problemProblem by comparisonVergleich.
197
545317
2797
Das ist im Vergleich viel komplizierter.
09:20
And then onceEinmal you have
that problemProblem solvedgelöst,
198
548114
2103
Wenn Sie dieses Problem gelöst haben,
09:22
the vehicleFahrzeug has to be ablefähig
to dealDeal with constructionBau.
199
550217
2512
muss das Auto noch mit
Baustellen zurechtkommen.
09:24
So here are the conesKegel on the left
forcingzwingen it to driveFahrt to the right,
200
552729
3151
Hier links sind die Pylonen, wir
müssen also nach rechts wechseln.
09:27
but not just constructionBau
in isolationIsolierung, of courseKurs.
201
555880
2402
Aber die Baustelle kommt nicht allein.
09:30
It has to dealDeal with other people movingbewegend
throughdurch that constructionBau zoneZone as well.
202
558282
3723
Das Auto muss mit anderen zurecht kommen,
die sich durch die Baustelle bewegen.
09:34
And of courseKurs, if anyone'sniemandes
breakingbrechen the rulesRegeln, the policePolizei are there
203
562005
3263
Natürlich, falls jemand die Regeln
bricht, taucht die Polizei auf.
Das Auto muss verstehen, was ein
Blinklicht auf dem Wagendach bedeutet:
09:37
and the carAuto has to understandverstehen that
that flashingblinken lightLicht on the topoben of the carAuto
204
565268
3622
Das ist kein normales Auto,
sondern ein Polizeiauto.
09:40
meansmeint that it's not just a carAuto,
it's actuallytatsächlich a policePolizei officerOffizier.
205
568890
3105
09:43
SimilarlyIn ähnlicher Weise, the orangeOrange boxBox
on the sideSeite here,
206
571995
2032
Mit diesem orangen Kasten ist das ähnlich:
09:46
it's a schoolSchule busBus,
207
574027
1109
Das ist ein Schulbus,
09:47
and we have to treatbehandeln that
differentlyanders as well.
208
575136
2520
den müssen wir auch anders behandeln.
09:50
When we're out on the roadStraße,
other people have expectationsErwartungen:
209
578576
2793
Im Verkehr haben die anderen
Teilnehmer Erwartungen.
09:53
So, when a cyclistRadrennfahrer putslegt up theirihr armArm,
210
581369
1780
Streckt ein Radfahrer den Arm aus,
09:55
it meansmeint they're expectingerwartet the carAuto
to yieldAusbeute to them and make roomZimmer for them
211
583149
3518
erwartet er, dass ihm das Auto
Vorrang einräumt
09:58
to make a laneLane changeVeränderung.
212
586667
2053
und ihn die Spur wechseln lässt.
10:01
And when a policePolizei officerOffizier
stoodstand in the roadStraße,
213
589030
2173
Wenn ein Polizist auf der Straße steht,
10:03
our vehicleFahrzeug should understandverstehen
that this meansmeint stop,
214
591203
2740
sollte das Auto "Stopp" verstehen.
10:05
and when they signalSignal to go,
we should continuefortsetzen.
215
593943
3506
Wenn man uns weiterwinkt,
sollten wir weiterfahren.
10:09
Now, the way we accomplisherreichen this
is by sharingTeilen dataDaten betweenzwischen the vehiclesFahrzeuge.
216
597449
3761
Wir erreichen das, indem wir Daten
zwischen den Fahrzeugen austauschen.
10:13
The first, mostdie meisten crudegrobe modelModell- of this
217
601210
1696
In einem ersten, einfachen Modell
erkennt ein Auto eine Baustelle
10:14
is when one vehicleFahrzeug
seessieht a constructionBau zoneZone,
218
602906
2113
10:17
havingmit anotherein anderer know about it
so it can be in the correctrichtig laneLane
219
605019
3062
und informiert andere Fahrzeuge,
damit diese die richtige Spur wählen.
10:20
to avoidvermeiden some of the difficultySchwierigkeit.
220
608081
1570
10:21
But we actuallytatsächlich have a much
deeperTiefer understandingVerstehen of this.
221
609651
2664
Wir können heute aber
noch viel mehr als das.
10:24
We could take all of the dataDaten
that the carsAutos have seengesehen over time,
222
612315
3009
Wir haben alle Daten, die unsere Autos
mit der Zeit erfasst haben --
hunderttausende Fußgänger,
10:27
the hundredsHunderte of thousandsTausende
of pedestriansFußgänger, cyclistsRadfahrer,
223
615324
2376
10:29
and vehiclesFahrzeuge that have been out there
224
617700
1787
Radfahrer und Fahrzeuge --
10:31
and understandverstehen what they look like
225
619487
1695
wir kennen ihr Aussehen.
10:33
and use that to inferSchließen
what other vehiclesFahrzeuge should look like
226
621182
2831
Daraus können wir ableiten,
wie andere Fahrzeuge
10:36
and other pedestriansFußgänger should look like.
227
624013
1926
und andere Fußgänger aussehen sollten.
10:37
And then, even more importantlywichtig,
we could take from that a modelModell-
228
625939
3021
Daraus könnten wir dann
sogar ein Modell ableiten,
10:40
of how we expecterwarten von them
to moveBewegung throughdurch the worldWelt.
229
628960
2330
das ihre Bewegungen vorhersagt.
10:43
So here the yellowGelb boxBox is a pedestrianFußgänger
crossingKreuzung in frontVorderseite of us.
230
631290
2963
Hier läuft gerade ein Fußgänger
vor uns über die Straße.
10:46
Here the blueblau boxBox is a cyclistRadrennfahrer
and we anticipateerwarten
231
634253
2250
Das Blaue ist ein Radfahrer
und wir nehmen an,
10:48
that they're going to nudgeSchubs out
and around the carAuto to the right.
232
636503
3312
dass er gleich ausscheren wird,
um das geparkte Auto zu umfahren.
10:52
Here there's a cyclistRadrennfahrer
comingKommen down the roadStraße
233
640115
2092
Hier kommt uns ein Radfahrer entgegen.
10:54
and we know they're going to continuefortsetzen
to driveFahrt down the shapegestalten of the roadStraße.
234
642207
3486
Wir wissen, dass er weiter
dem Straßenverlauf folgen wird.
10:57
Here somebodyjemand makesmacht a right turnWende,
235
645693
1867
Hier biegt jemand rechts ab.
10:59
and in a momentMoment here, somebody'sjemandes
going to make a U-turnU-turn in frontVorderseite of us,
236
647560
3360
Hier wird gleich jemand vor uns wenden.
11:02
and we can anticipateerwarten that behaviorVerhalten
and respondreagieren safelysicher.
237
650920
2614
Wir erkennen das und können
sofort sicher reagieren.
11:05
Now, that's all well and good
for things that we'vewir haben seengesehen,
238
653534
2728
Das funktioniert alles prima
für Dinge, die wir kennen.
11:08
but of courseKurs, you encounterBegegnung
lots of things that you haven'thabe nicht
239
656262
2865
Natürlich trifft man immer
wieder auf Situationen,
die neu für uns sind.
11:11
seengesehen in the worldWelt before.
240
659127
1231
Vor ein paar Monaten
11:12
And so just a couplePaar of monthsMonate agovor,
241
660358
1741
11:14
our vehiclesFahrzeuge were drivingFahren
throughdurch MountainBerg ViewBlick,
242
662099
2235
fuhren unsere Autos durch Mountain View,
11:16
and this is what we encounteredangetroffen.
243
664334
1644
und dann geschah das:
11:17
This is a womanFrau in an electricelektrisch wheelchairRollstuhl
244
665978
2082
Eine Frau in einem elektrischen Rollstuhl
11:20
chasingjagen a duckEnte in circlesKreise on the roadStraße.
(LaughterLachen)
245
668060
2617
verfolgte eine Ente auf der Straße.
(Lachen)
11:22
Now it turnswendet sich out, there is nowherenirgends
in the DMVDMV handbookHandbuch
246
670677
3111
In der Straßenverkehrsordnung
steht leider nicht,
11:25
that tellserzählt you how to dealDeal with that,
247
673788
2245
wie man damit umgehen sollte.
11:28
but our vehiclesFahrzeuge were ablefähig
to encounterBegegnung that,
248
676033
2143
Aber unser Auto reagierte richtig.
11:30
slowlangsam down, and driveFahrt safelysicher.
249
678176
2255
Es bremste und fuhr vorsichtig.
11:32
Now, we don't have to dealDeal
with just ducksEnten.
250
680431
2041
Natürlich sind Enten nur die eine Sache.
11:34
Watch this birdVogel flyFliege acrossüber in frontVorderseite of us.
The carAuto reactsreagiert to that.
251
682472
3708
Hier fliegt ein Vogel direkt vor
uns vorbei. Das Auto reagiert.
11:38
Here we're dealingUmgang with a cyclistRadrennfahrer
252
686180
1615
Hier ist ein Radfahrer,
11:39
that you would never expecterwarten von to see
anywhereirgendwo other than MountainBerg ViewBlick.
253
687795
3290
den es so wohl nur in Mountain View gibt.
11:43
And of courseKurs, we have
to dealDeal with driversTreiber,
254
691085
2068
Dann gibt es die Autofahrer,
11:45
even the very smallklein onesEinsen.
255
693153
3715
selbst die Allerkleinsten.
11:48
Watch to the right as someonejemand
jumpsspringt out of this truckLKW at us.
256
696868
4131
Hier rechts springt uns jemand
aus einem LKW entgegen.
11:54
And now, watch the left as the carAuto
with the greenGrün boxBox decidesentscheidet
257
702460
2929
Hier links entscheidet sich
das Auto in der grünen Box
11:57
he needsBedürfnisse to make a right turnWende
at the last possiblemöglich momentMoment.
258
705389
3325
im allerletzten Moment fürs Abbiegen.
Hier wechseln wir die Spur
12:00
Here, as we make a laneLane changeVeränderung,
the carAuto to our left decidesentscheidet
259
708714
2851
12:03
it wants to as well.
260
711565
3553
und der Fahrer links beschließt dasselbe.
12:07
And here, we watch a carAuto
blowSchlag throughdurch a redrot lightLicht
261
715118
2693
Hier fährt jemand über eine rote Ampel,
12:09
and yieldAusbeute to it.
262
717811
2090
und wir weichen aus.
12:11
And similarlyähnlich, here, a cyclistRadrennfahrer
blowingweht throughdurch that lightLicht as well.
263
719901
3854
Hier das gleiche mit einem Radfahrer.
12:15
And of courseKurs,
the vehicleFahrzeug respondsantwortet safelysicher.
264
723755
2746
Natürlich reagiert das Fahrzeug sicher.
12:18
And of courseKurs, we have people
who do I don't know what
265
726501
2601
Dann gibt es Leute, die Verrücktes tun.
Er hier drängelt sich zwischen
zwei selbstfahrende Autos.
12:21
sometimesmanchmal on the roadStraße, like this guy
pullingziehen out betweenzwischen two self-drivingselbstfahrender carsAutos.
266
729102
3823
Da fragt man sich schon:
"Warum macht der das?!"
12:24
You have to askFragen, "What are you thinkingDenken?"
267
732925
2045
12:26
(LaughterLachen)
268
734970
1212
(Lachen)
12:28
Now, I just fire-hosedFeuer-abgespritzt you
with a lot of stuffSachen there,
269
736182
2521
Jetzt habe ich Sie mit
vielen Infos überschüttet.
12:30
so I'm going to breakUnterbrechung one of these
down prettyziemlich quicklyschnell.
270
738703
2650
Ein Beispiel möchte ich noch
kurz näher erklären.
Hier sehen wir noch einmal
die Szene mit dem Radfahrer.
12:33
So what we're looking at is the sceneSzene
with the cyclistRadrennfahrer again,
271
741353
2940
Sie erkennen vielleicht, dass man den
Radfahrer noch gar nicht sehen kann.
12:36
and you mightMacht noticebeachten in the bottomBoden,
we can't actuallytatsächlich see the cyclistRadrennfahrer yetnoch,
272
744293
3491
Das Auto aber kann es:
Er ist die kleine blaue Box.
12:39
but the carAuto can: it's that little
blueblau boxBox up there,
273
747784
2504
Das erkennen wir anhand von Laserdaten.
12:42
and that comeskommt from the laserLaser- dataDaten.
274
750288
2081
12:44
And that's not actuallytatsächlich
really easyeinfach to understandverstehen,
275
752369
2418
Das ist nicht so leicht zu verstehen.
12:46
so what I'm going to do is I'm going
to turnWende that laserLaser- dataDaten and look at it,
276
754787
3584
Ich wechsle mal die Darstellung.
Haben Sie öfter mit Laserdaten zu tun,
12:50
and if you're really good at looking
at laserLaser- dataDaten, you can see
277
758371
3029
erkennen Sie da oben
ein paar Punkte in der Kurve.
12:53
a fewwenige dotsPunkte on the curveKurve there,
278
761400
1487
Genau da. Das blaue Kästchen
ist der Radfahrer.
12:54
right there, and that blueblau boxBox
is that cyclistRadrennfahrer.
279
762887
2372
Unsere Ampel ist rot,
12:57
Now as our lightLicht is redrot,
280
765259
1149
12:58
the cyclist'sRadfahrers lightLicht
has turnedgedreht yellowGelb alreadybereits,
281
766408
2192
die Ampel des Radlers zeigt schon gelb.
13:00
and if you squintSchielen, you can see that
in the imageryBilder.
282
768600
2438
Das sehen Sie, wenn Sie
die Augen zusammenkneifen.
13:03
But the cyclistRadrennfahrer, we see, is going
to proceedVorgehen throughdurch the intersectionÜberschneidung.
283
771038
3286
Aber der Radfahrer fährt einfach weiter.
13:06
Our lightLicht has now turnedgedreht greenGrün,
his is solidlysolide redrot,
284
774324
2394
Unsere Ampel ist jetzt grün,
die des Radlers rot.
13:08
and we now anticipateerwarten that this bikeFahrrad
is going to come all the way acrossüber.
285
776718
4292
Wir schließen daraus, dass er die
komplette Kreuzung überqueren wird.
13:13
UnfortunatelyLeider the other driversTreiber nextNächster to us
were not payingzahlend as much attentionAufmerksamkeit.
286
781010
3742
Leider haben die Fahrer neben
uns nicht so gut aufgepasst.
13:16
They startedhat angefangen to pullziehen forwardVorwärts-,
and fortunatelyglücklicherweise for everyonejeder,
287
784752
3157
Sie fahren schon los und zum Glück
13:19
this cyclistsRadfahrer reactsreagiert, avoidsvermeidet,
288
787909
3011
reagiert der Radler, er weicht aus
13:22
and makesmacht it throughdurch the intersectionÜberschneidung.
289
790920
2191
und schafft es über die Kreuzung.
Und ab durch die Mitte.
13:25
And off we go.
290
793111
1568
Sie sehen, wir haben schon
erstaunliche Fortschritte gemacht.
13:26
Now, as you can see, we'vewir haben madegemacht
some prettyziemlich excitingaufregend progressFortschritt,
291
794679
2948
13:29
and at this pointPunkt we're prettyziemlich convincedüberzeugt
292
797627
1902
Heute sind wir ziemlich überzeugt,
dass diese Technologie
auf den Markt kommen wird.
13:31
this technologyTechnologie is going
to come to marketMarkt.
293
799529
2010
13:33
We do threedrei millionMillion milesMeilen of testingtesten
in our simulatorsSimulatoren everyjeden singleSingle day,
294
801539
4783
Wir fahren täglich
4,8 Mio. Kilometer im Simulator.
13:38
so you can imaginevorstellen the experienceErfahrung
that our vehiclesFahrzeuge have.
295
806322
2689
Unsere Autos haben also
ziemlich viel Erfahrung.
Wir freuen uns darauf, die Technologie
auf die Straße zu bringen.
13:41
We are looking forwardVorwärts- to havingmit
this technologyTechnologie on the roadStraße,
296
809011
2864
13:43
and we think the right pathPfad
is to go throughdurch the self-drivingselbstfahrender
297
811875
2890
Wir glauben, ein selbstfahrendes
Auto ist sinnvoller
13:46
ratherlieber than driverTreiber assistanceHilfe approachAnsatz
298
814765
1844
als der Ansatz mit Assistenzsystemen,
13:48
because the urgencyDringlichkeit is so largegroß.
299
816609
2621
weil es um so viel geht.
13:51
In the time I have givengegeben this talk todayheute,
300
819230
2393
Während meines Vortrags heute
13:53
34 people have diedist verstorben on America'sAmerikas roadsStraßen.
301
821623
3135
sind 34 Menschen auf
amerikanischen Straßen gestorben.
13:56
How soonbald can we bringbringen it out?
302
824758
2368
Wann sind wir marktreif?
13:59
Well, it's hardhart to say because
it's a really complicatedkompliziert problemProblem,
303
827126
3832
Schwer zu sagen, denn die
Aufgabe ist enorm komplex.
14:02
but these are my two boysJungen.
304
830958
2214
Aber das hier sind meine beiden Jungs.
14:05
My oldestälteste sonSohn is 11, and that meansmeint
in fourvier and a halfHälfte yearsJahre,
305
833172
3623
Der ältere ist 11 und das heißt:
In nur 4,5 Jahren kann er
seinen Führerschein machen.
14:08
he's going to be ablefähig
to get his driver'sFahrer licenseLizenz.
306
836795
2577
14:11
My teamMannschaft and I are committedverpflichtet
to makingHerstellung sure that doesn't happengeschehen.
307
839372
3204
Mein Team und ich setzen
alles daran, das zu verhindern.
14:14
Thank you.
308
842576
1904
Danke!
14:16
(LaughterLachen) (ApplauseApplaus)
309
844480
3667
(Lachen) (Applaus)
14:21
ChrisChris AndersonAnderson: ChrisChris,
I've got a questionFrage for you.
310
849110
2568
Chris Anderson: Chris,
ich habe noch eine Frage.
Chris Urmson: Klar.
14:23
ChrisChris UrmsonUrmson: Sure.
311
851678
2809
CA: Dieses "Gehirn" eurer Autos
ist schon ziemlich verblüffend.
14:26
CACA: So certainlybestimmt, the mindVerstand of your carsAutos
is prettyziemlich mind-bogglingirrsinnig.
312
854487
3924
14:30
On this debateDebatte betweenzwischen
driver-assistedTreiber unterstützt and fullyvöllig driverlessfahrerlose --
313
858411
4459
Was diese Debatte über Assistenzsysteme
und fahrerlose Autos angeht --
14:34
I mean, there's a realecht debateDebatte
going on out there right now.
314
862870
3041
also, da läuft ja tatsächlich
eine große Debatte.
14:37
So some of the companiesFirmen,
for exampleBeispiel, TeslaTesla,
315
865911
2833
Einige Unternehmen, beispielsweise Tesla,
14:40
are going the driver-assistedTreiber unterstützt routeRoute.
316
868744
2159
entscheiden sich für Assistenzsysteme.
14:42
What you're sayingSprichwort is that
that's kindArt of going to be a deadtot endEnde
317
870903
5248
Meinst du, das ist eine Sackgasse?
14:48
because you can't just keep improvingVerbesserung
that routeRoute and get to fullyvöllig driverlessfahrerlose
318
876151
5456
Wenn man diese Systeme weiterentwickelt
und keinen Fahrer mehr braucht,
14:53
at some pointPunkt, and then a driverTreiber
is going to say, "This feelsfühlt sich safeSafe,"
319
881607
3530
denkt sich der Fahrer:
"Das fühlt sich sicher an",
14:57
and climbsteigen into the back,
and something uglyhässlich will happengeschehen.
320
885137
2647
klettert nach hinten und
etwas Schlimmes passiert.
14:59
CUCU: Right. No, that's exactlygenau right,
and it's not to say
321
887784
2676
CU: Ja, ganz genau.
Ich sage auch klar, dass Assistenzsysteme
unglaublich wichtig sind.
15:02
that the driverTreiber assistanceHilfe systemsSysteme
aren'tsind nicht going to be incrediblyunglaublich valuablewertvoll.
322
890460
3537
Sie können übergangsweise
viele Leben retten.
15:05
They can savesparen a lot of livesLeben
in the interimInterim,
323
893997
2058
Aber nun haben wir die Chance, Menschen
wie Steve das Fahren zu ermöglichen
15:08
but to see the transformativetransformative opportunityGelegenheit
to help someonejemand like SteveSteve get around,
324
896055
3833
15:11
to really get to the endEnde caseFall in safetySicherheit,
325
899888
1969
und größte Sicherheit zu erreichen.
15:13
to have the opportunityGelegenheit
to changeVeränderung our citiesStädte
326
901857
2479
Wir haben die Chance,
unsere Städte zu verändern,
15:16
and moveBewegung parkingParken out and get ridloswerden of
these urbanstädtisch cratersKrater we call parkingParken lots,
327
904336
4204
indem wir hässliche Parkplätze in
der Stadt selbst nach draußen verlagern.
15:20
it's the only way to go.
328
908540
1240
Das ist der einzige Weg.
15:21
CACA: We will be trackingVerfolgung your progressFortschritt
with hugeenorm interestinteressieren.
329
909780
2718
CA: Wir werden eure Fortschritte
gespannt verfolgen.
15:24
ThanksVielen Dank so much, ChrisChris.
CUCU: Thank you. (ApplauseApplaus)
330
912498
4232
Vielen Dank, Chris.
CU: Danke. (Appplaus)
Translated by Axel Beyer
Reviewed by Wolfgang Schuster

▲Back to top

ABOUT THE SPEAKER
Chris Urmson - Roboticist
Chris Umson is the Director of Self-Driving Cars at Google[x].

Why you should listen

Since 2009, Chris Urmson has headed up Google’s self-driving car program. So far, the team’s vehicles have driven over three quarters of a million miles. While early models included a driverless Prius that TEDsters got to test- ... um, -not-drive in 2011, more and more the team is building vehicles from the ground up, custom-made to go driverless.

Prior to joining Google, Umson was on the faculty of the Robotics Institute at Carnegie Mellon University, where his research focused on motion planning and perception for robotic vehicles. During his time at Carnegie Mellon, he served as Director of Technology for the team that won the 2007 DARPA Urban Challenge.

More profile about the speaker
Chris Urmson | Speaker | TED.com