ABOUT THE SPEAKER
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.

Why you should listen

Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.

Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.

Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.

More profile about the speaker
Jennifer Healey | Speaker | TED.com
TED@Intel

Jennifer Healey: If cars could talk, accidents might be avoidable

Τζένιφερ Χίλι: Εάν τα αυτοκίνητα μιλούσαν, τα ατυχήματα ίσως μπορούν να αποφευχθούν

Filmed:
908,454 views

Όταν οδηγούμε, μπαίνουμε σε μια γυάλινη φυσαλίδα, κλειδώνουμε τις πόρτες και πατάμε το γκάζι, βασιζόμενοι στην όρασή μας να μας καθοδηγήσει -- παρότι μπορούμε να δούμε μόνο μερικά αυτοκίνητα μπροστά και πίσω μας. Αλλά, τι θα γινόταν έαν τα αυτοκίνητα μπορούσαν να διαμοιραστούν δεδομένα μεταξύ τους για τη θέση και την ταχύτητά τους και με τη χρήση προγνωστικών μοντέλων να υπολογίζουν τις ασφαλέστερες διαδρομές για όλους όσους είναι στον δρόμο; Η Τζένιφερ Χίλι φαντάζεται έναν κόσμο δίχως (τροχαία) ατυχήματα. (Κινηματογραφήθηκε στο TED@Intel.)
- Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio

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

00:12
Let's faceπρόσωπο it:
0
703
1914
Ας το παραδεχτούμε:
00:14
DrivingΟδήγηση is dangerousεπικίνδυνος.
1
2617
2445
Η οδήγηση είναι επικίνδυνη.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Είναι ένα από τα πράγματα που δεν θέλουμε να σκεφτόμαστε,
00:20
but the factγεγονός that religiousθρησκευτικός iconsεικονίδια and good luckτυχη charmsΓούρια
3
8160
3652
αλλά το γεγονός ότι θρησκευτικές εικόνες και γούρια
00:23
showπροβολή up on dashboardsπίνακες εργαλείων around the worldκόσμος
4
11812
4790
είναι τοποθετημένα σε ταμπλό ανά τον κόσμο
00:28
betraysπροδίδει the factγεγονός that we know this to be trueαληθής.
5
16602
4137
προδίδει το γεγονός πως ξέρουμε ότι αυτό είναι αλήθεια.
00:32
CarΑυτοκίνητο accidentsατυχήματα are the leadingκύριος causeαιτία of deathθάνατος
6
20739
3594
Τα τροχαία ατυχήματα είναι η κύρια αιτία θανάτου
00:36
in people agesηλικίες 16 to 19 in the UnitedΕνωμένοι StatesΚράτη μέλη --
7
24333
4170
στις ηλικίες 16 έως 19 στις ΗΠΑ
00:40
leadingκύριος causeαιτία of deathθάνατος --
8
28503
2843
-- η κύρια αιτία θανάτου --
00:43
and 75 percentτοις εκατό of these accidentsατυχήματα have nothing to do
9
31346
3863
και το 75% αυτών των ατυχημάτων δεν σχετίζονται
00:47
with drugsφάρμακα or alcoholαλκοόλ.
10
35209
2285
με ναρκωτικές ή οινοπνευματώδεις ουσίες.
00:49
So what happensσυμβαίνει?
11
37494
2261
Τι συμβαίνει λοιπόν;
00:51
No one can say for sure, but I rememberθυμάμαι my first accidentατύχημα.
12
39755
4219
Κανείς δεν μπορεί να πει με σιγουριά, αλλά θυμάμαι το πρώτο μου ατύχημα.
00:55
I was a youngνεαρός driverοδηγός out on the highwayΑυτοκινητόδρομος,
13
43974
3803
Ήμουν νέα οδηγός σε εθνική οδό
00:59
and the carαυτοκίνητο in frontεμπρός of me, I saw the brakeφρένο lightsφώτα go on.
14
47777
2258
και στο προπορευόμενο αυτοκίνητο είδα να ανάβουν τα φώτα των φρένων.
01:02
I'm like, "Okay, all right, this guy is slowingεπιβράδυνση down,
15
50035
1800
Σκέφτομαι «Εντάξει, όλα καλά, ο τύπος επιβραδύνει,
01:03
I'll slowαργός down too."
16
51835
1282
θα επιβραδύνω και εγώ».
01:05
I stepβήμα on the brakeφρένο.
17
53117
1926
Πατάω φρένο.
01:07
But no, this guy isn't slowingεπιβράδυνση down.
18
55043
2254
Αλλά όχι, ο τύπος δεν επιβράδυνε.
01:09
This guy is stoppingστάθμευση, deadνεκρός stop, deadνεκρός stop on the highwayΑυτοκινητόδρομος.
19
57297
3178
Ο τύπος σταματούσε, τελείως, σταμάτησε τελείως στην εθνική οδό.
01:12
It was just going 65 -- to zeroμηδέν?
20
60475
2540
Πήγε από τα 100 χιλιόμετρα στο 0;
01:15
I slammedχτύπησε on the brakesφρένα.
21
63015
1520
Πάτησα πολύ δυνατά το φρένο.
01:16
I feltένιωσα the ABSABS kickλάκτισμα in, and the carαυτοκίνητο is still going,
22
64535
3059
Ένιωσα το ABS να κλωτσάει και το αυτοκίνητο ακόμα προχωρούσε,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
και δεν επρόκειτο να σταματήσει, και το ξέρω ότι δεν θα σταματήσει,
01:22
and the airαέρας bagτσάντα deploysαναπτύσσει, the carαυτοκίνητο is totaledσυνολικά,
24
70290
2939
και ανοίγει ο αερόσακος, το αυτοκίνητο διαλύθηκε,
01:25
and fortunatelyΕυτυχώς, no one was hurtπλήγμα.
25
73229
3557
και ευτυχώς, κανένας δεν τραυματίστηκε.
01:28
But I had no ideaιδέα that carαυτοκίνητο was stoppingστάθμευση,
26
76786
4211
Αλλά δεν είχα ιδέα ότι εκείνο το αυτοκίνητο θα σταματούσε
01:32
and I think we can do a lot better than that.
27
80997
3645
και πιστεύω ότι μπορούμε να κάνουμε κάτι πολύ καλύτερο από αυτό.
01:36
I think we can transformμεταμορφώνω the drivingοδήγηση experienceεμπειρία
28
84642
4145
Πιστεύω ότι μπορούμε να μετατρέψουμε την οδική εμπειρία
01:40
by lettingαφήνοντας our carsαυτοκίνητα talk to eachκαθε other.
29
88787
3879
αφήνοντας τα αυτοκίνητά μας να μιλούν μεταξύ τους.
01:44
I just want you to think a little bitκομμάτι
30
92666
1424
Θέλω να σκεφτείτε για λίγο
01:46
about what the experienceεμπειρία of drivingοδήγηση is like now.
31
94090
2888
το πώς είναι τώρα η οδική εμπειρία.
01:48
Get into your carαυτοκίνητο. CloseΚλείστε the doorθύρα. You're in a glassποτήρι bubbleφυσαλλίδα.
32
96978
4028
Μπαίνεις στο αυτοκίνητο. Κλείνεις την πόρτα. Είσαι μέσα σε μια γυάλινη φυσαλίδα.
01:53
You can't really directlyκατευθείαν senseέννοια the worldκόσμος around you.
33
101006
2916
Δεν μπορείς να αισθανθείς άμεσα τον κόσμο γύρω σου.
01:55
You're in this extendedεπεκτάθηκε bodyσώμα.
34
103922
2181
Είσαι μέσα σε μία προέκταση του εαυτού σου.
01:58
You're taskedκαθώς έχει καθήκον να with navigatingπλοήγηση it down
35
106103
2163
Πρέπει να το πλοηγήσεις σε
02:00
partially-seenεν μέρει δει- roadwaysοδοστρώματα,
36
108266
2056
μερικώς ορατές εθνικές οδούς,
02:02
in and amongstμεταξύ των other metalμέταλλο giantsγίγαντες, at super-humanυπερ-ανθρώπου speedsταχύτητες.
37
110322
4424
εντός και μεταξύ άλλων μεταλλικών γιγάντων, σε υπεράνθρωπες ταχύτητες.
02:06
Okay? And all you have to guideοδηγός you are your two eyesμάτια.
38
114746
4480
Σωστά; Και τα μόνα που σε καθοδηγούν είναι τα δύο σου μάτια.
02:11
Okay, so that's all you have,
39
119226
1762
Σωστά, αυτά είναι τα μόνα που έχεις,
02:12
eyesμάτια that weren'tδεν ήταν really designedσχεδιασμένο for this taskέργο,
40
120988
1735
μάτια τα οποία πραγματικά δεν είναι σχεδιασμένα για αυτό το σκοπό,
02:14
but then people askπαρακαλώ you to do things like,
41
122723
3751
αλλά οι άνθρωποι σου ζητούν να κάνεις πράγματα, όπως
02:18
you want to make a laneΠάροδος changeαλλαγή,
42
126474
1549
όταν θέλεις να αλλάξεις λωρίδα κυκλοφορίας,
02:20
what's the first thing they askπαρακαλώ you do?
43
128023
2321
ποιο είναι το πρώτο πράγμα που σου ζητάνε να κάνεις;
02:22
Take your eyesμάτια off the roadδρόμος. That's right.
44
130344
3095
Να πάρεις τα μάτια σου από το δρόμο. Σωστά.
02:25
Stop looking where you're going, turnστροφή,
45
133439
2096
Σταμάτα να κοιτάζεις που πας, γύρνα,
02:27
checkέλεγχος your blindτυφλός spotσημείο,
46
135535
2018
κοίτα στο τυφλό σημείο σου
02:29
and driveοδηγώ down the roadδρόμος withoutχωρίς looking where you're going.
47
137553
3471
και συνέχισε να οδηγείς χωρίς να βλέπεις που πας.
02:33
You and everyoneΟλοι elseαλλού. This is the safeασφαλής way to driveοδηγώ.
48
141024
3135
Εσύ και όλοι οι άλλοι. Αυτός είναι ο ασφαλής τρόπος οδήγησης.
02:36
Why do we do this? Because we have to,
49
144159
2241
Γιατί το κάνουμε αυτό; Επειδή πρέπει,
02:38
we have to make a choiceεπιλογή, do I look here or do I look here?
50
146400
2579
πρέπει να επιλέξουμε, βλέπω εδώ ή βλέπω εκεί;
02:40
What's more importantσπουδαίος?
51
148979
1521
Τι είναι πιο σημαντικό;
02:42
And usuallyσυνήθως we do a fantasticφανταστικός jobδουλειά
52
150500
2711
Και συνήθως κάνουμε εκπληκτική δουλειά
02:45
pickingσυλλογή and choosingεπιλογή what we attendπαρακολουθήσουν to on the roadδρόμος.
53
153211
3769
επιλέγοντας και διαλέγοντας τι να προσέξουμε στο δρόμο.
02:48
But occasionallyενίοτε we missδεσποινίδα something.
54
156980
3650
Αλλά, περιστασιακά κάτι θα μας ξεφύγει.
02:52
OccasionallyΠεριστασιακά we senseέννοια something wrongλανθασμένος or too lateαργά.
55
160630
4461
Περιστασιακά αισθανόμαστε κάτι είτε λανθασμένα είτε πολύ αργά.
02:57
In countlessαμέτρητος accidentsατυχήματα, the driverοδηγός saysλέει,
56
165091
1988
Σε αμέτρητα ατυχήματα, ο οδηγός λέει:
02:59
"I didn't see it comingερχομός."
57
167079
2308
«Δεν το είδα να έρχεται.»
03:01
And I believe that. I believe that.
58
169387
3281
Και το πιστεύω αυτό. Το πιστεύω.
03:04
We can only watch so much.
59
172668
2925
Τόσο μπορούμε να προσέξουμε.
03:07
But the technologyτεχνολογία existsυπάρχει now that can help us improveβελτιώσει that.
60
175593
5144
Αλλά τώρα υπάρχει η τεχνολογία που μπορεί να μας βοηθήσει να το βελτιώσουμε αυτό.
03:12
In the futureμελλοντικός, with carsαυτοκίνητα exchangingανταλλαγή dataδεδομένα with eachκαθε other,
61
180737
4296
Στο μέλλον, με τα αυτοκίνητα να ανταλλάσσουν δεδομένα μεταξύ τους,
03:17
we will be ableικανός to see not just threeτρία carsαυτοκίνητα aheadεμπρός
62
185033
3928
θα μπορούμε να δούμε όχι μόνο τρία αυτοκίνητα μπροστά
03:20
and threeτρία carsαυτοκίνητα behindπίσω, to the right and left,
63
188961
1594
και τρία αυτοκίνητα πίσω, στα δεξιά και αριστερά,
03:22
all at the sameίδιο time, bird'sτου πουλιού eyeμάτι viewθέα,
64
190555
3166
όλα την ίδια στιγμή, πανοραμική θέα.
03:25
we will actuallyπράγματι be ableικανός to see into those carsαυτοκίνητα.
65
193721
3128
θα μπορούμε να δούμε μέσα σε αυτά τα αυτοκίνητα.
03:28
We will be ableικανός to see the velocityταχύτητα of the carαυτοκίνητο in frontεμπρός of us,
66
196849
2371
Θα μπορούμε να δούμε την ταχύτητα του προπορευόμενου αυτοκινήτου,
03:31
to see how fastγρήγορα that guy'sπαιδιά going or stoppingστάθμευση.
67
199220
3240
να δούμε πόσο γρήγορα πηγαίνει κάποιος ή εάν σταματά.
03:34
If that guy'sπαιδιά going down to zeroμηδέν, I'll know.
68
202460
4510
Εάν κάποιος σταματάει τελείως, θα το ξέρω.
03:38
And with computationυπολογισμός and algorithmsαλγορίθμους and predictiveπρογνωστική modelsμοντέλα,
69
206970
3859
Και με υπολογισμούς, αλγόριθμους και προγνωστικά μοντέλα,
03:42
we will be ableικανός to see the futureμελλοντικός.
70
210829
3273
θα μπορούμε να δούμε το μέλλον.
03:46
You mayενδέχεται think that's impossibleαδύνατο.
71
214102
1556
Μπορεί να σκέφτεστε ότι αυτό είναι αδύνατο.
03:47
How can you predictπρολέγω the futureμελλοντικός? That's really hardσκληρά.
72
215658
2731
Πώς να προβλέψεις το μέλλον; Αυτό είναι κάτι πολύ δύσκολο.
03:50
ActuallyΣτην πραγματικότητα, no. With carsαυτοκίνητα, it's not impossibleαδύνατο.
73
218389
3619
Για την ακρίβεια, όχι. Για τα αυτοκίνητα, δεν είναι αδύνατο.
03:54
CarsΑυτοκίνητα are three-dimensionalτρισδιάστατο objectsαντικείμενα
74
222008
2732
Τα αυτοκίνητα είναι τρισδιάστατα αντικείμενα
03:56
that have a fixedσταθερός positionθέση and velocityταχύτητα.
75
224740
2332
που έχουν συγκεκριμένη θέση και ταχύτητα.
03:59
They travelταξίδι down roadsδρόμους.
76
227072
1631
Κινούνται πάνω σε οδόστρωμα.
04:00
OftenΣυχνά they travelταξίδι on pre-publishedπρο-δημοσίευση routesδρομολόγια.
77
228703
2412
Συχνά ακολουθούν προκαθορισμένα δρομολόγια.
04:03
It's really not that hardσκληρά to make reasonableλογικός predictionsΠρογνωστικά
78
231115
3938
Πραγματικά δεν είναι τόσο δύσκολο να γίνουν λογικές προβλέψεις
04:07
about where a car'sτου αυτοκινήτου going to be in the nearκοντά futureμελλοντικός.
79
235053
2864
για το που θα είναι ένα αυτοκίνητο στο άμεσο μέλλον.
04:09
Even if, when you're in your carαυτοκίνητο
80
237917
2002
Ακόμη και εάν όταν είστε σε ένα αυτοκίνητο
04:11
and some motorcyclistμοτοσικλετιστής comesέρχεται -- bshoombshoom! --
81
239919
1994
και έρθει ένας μοτοσικλετιστής --βζουμ!--
04:13
85 milesμίλια an hourώρα down, lane-splittingΠάροδος-διαχωρισμό --
82
241913
2296
με 140 χλμ την ώρα, εναλλάσσοντας λωρίδες κυκλοφορίας
04:16
I know you've had this experienceεμπειρία --
83
244209
2547
-- ξέρω ότι είχατε αυτή την εμπειρία --
04:18
that guy didn't "just come out of nowhereπουθενά."
84
246756
2603
αυτός ο τύπος δεν «ήρθε από το πουθενά».
04:21
That guy'sπαιδιά been on the roadδρόμος probablyπιθανώς for the last halfΉμισυ hourώρα.
85
249359
3643
Αυτός ο τύπος πιθανότατα ήταν στο δρόμο το τελευταίο μισάωρο.
04:25
(LaughterΤο γέλιο)
86
253002
1190
(Γέλια)
04:26
Right? I mean, somebody'sκάποιου seenείδα him.
87
254192
3589
Σωστά; Εννοώ, κάποιος τον έχει δει.
04:29
TenΔέκα, 20, 30 milesμίλια back, someone'sκάποιου seenείδα that guy,
88
257781
2768
15, 30, 50 χιλιόμετρα πριν, κάποιος τον έχει δει
04:32
and as soonσύντομα as one carαυτοκίνητο seesβλέπει that guy
89
260549
2384
και μόλις ένα αυτοκίνητο τον δει
04:34
and putsθέτει him on the mapχάρτης, he's on the mapχάρτης --
90
262933
2231
και τον τοποθετήσει στον χάρτη, είναι στον χάρτη --
04:37
positionθέση, velocityταχύτητα,
91
265164
2176
θέση, ταχύτητα,
04:39
good estimateεκτίμηση he'llκόλαση continueνα συνεχίσει going 85 milesμίλια an hourώρα.
92
267340
2321
καλή εκτίμηση ότι θα συνεχίσει να πηγαίνει με 140 χλμ την ώρα.
04:41
You'llΘα σας know, because your carαυτοκίνητο will know, because
93
269661
2184
Θα το ξέρεις, γιατί το αυτοκίνητό σου θα το ξέρει, γιατί
04:43
that other carαυτοκίνητο will have whisperedψιθύρισε something in his earαυτί,
94
271845
2275
το άλλο αυτοκίνητο του ψιθύρισε κάτι στο αυτί,
04:46
like, "By the way, fiveπέντε minutesλεπτά,
95
274120
1923
όπως, «Παρεμπιπτόντως, πέντε λεπτά,
04:48
motorcyclistμοτοσικλετιστής, watch out."
96
276043
2775
μοτοσικλετιστής, πρόσεχε».
04:50
You can make reasonableλογικός predictionsΠρογνωστικά about how carsαυτοκίνητα behaveσυμπεριφέρομαι.
97
278818
2703
Μπορείτε να κάνετε λογικές προβλέψεις σχετικά με το πώς συμπεριφέρονται τα αυτοκίνητα.
04:53
I mean, they're NewtonianΝευτώνεια objectsαντικείμενα.
98
281521
1365
Θέλω να πω ότι είναι Νευτώνεια αντικείμενα.
04:54
That's very niceόμορφη about them.
99
282886
2909
Αυτό είναι το καλό με αυτά.
04:57
So how do we get there?
100
285795
3034
Πώς φτάνουμε λοιπόν εκεί;
05:00
We can startαρχή with something as simpleαπλός
101
288829
2266
Μπορούμε να ξεκινήσουμε με κάτι τόσο απλό
05:03
as sharingμοιρασιά our positionθέση dataδεδομένα betweenμεταξύ carsαυτοκίνητα,
102
291095
2870
όσο ο διαμοιρασμός των δεδομένων της θέσης μας μεταξύ των αυτοκινήτων,
05:05
just sharingμοιρασιά GPSGPS.
103
293965
1892
απλά διαμοιρασμός GPS.
05:07
If I have a GPSGPS and a cameraΦΩΤΟΓΡΑΦΙΚΗ ΜΗΧΑΝΗ in my carαυτοκίνητο,
104
295857
2444
Εάν έχω ένα GPS και μια κάμερα στο αυτοκίνητό μου,
05:10
I have a prettyαρκετά preciseακριβής ideaιδέα of where I am
105
298301
2231
έχω μια αρκετά ακριβής ιδέα για το πού βρίσκομαι
05:12
and how fastγρήγορα I'm going.
106
300532
1732
και το πόσο γρήγορα πηγαίνω.
05:14
With computerυπολογιστή visionόραμα, I can estimateεκτίμηση where
107
302264
1657
Με μηχανική όραση, μπορώ να εκτιμήσω που
05:15
the carsαυτοκίνητα around me are, sortείδος of, and where they're going.
108
303921
3537
είναι τα τριγύρω μου αυτοκίνητα, περίπου, και που πηγαίνουν.
05:19
And sameίδιο with the other carsαυτοκίνητα.
109
307458
970
Το ίδιο με τα άλλα αυτοκίνητα.
05:20
They can have a preciseακριβής ideaιδέα of where they are,
110
308428
1814
Μπορούν να έχουν μια ακριβής ιδέα για το που είναι
05:22
and sortείδος of a vagueασαφής ideaιδέα of where the other carsαυτοκίνητα are.
111
310242
2146
και μια ασαφή ιδέα του που είναι τα άλλα αυτοκίνητα.
05:24
What happensσυμβαίνει if two carsαυτοκίνητα shareμερίδιο that dataδεδομένα,
112
312388
3231
Τι συμβαίνει όταν δύο αυτοκίνητα μοιράζονται αυτά τα δεδομένα,
05:27
if they talk to eachκαθε other?
113
315619
1955
εάν μιλούν μεταξύ τους;
05:29
I can tell you exactlyακριβώς what happensσυμβαίνει.
114
317574
2778
Μπορώ να σας πω ακριβώς τι γίνεται.
05:32
BothΚαι οι δύο modelsμοντέλα improveβελτιώσει.
115
320352
2339
Και τα δύο μοντέλα βελτιώνονται.
05:34
EverybodyΟ καθένας winsκερδίζει.
116
322691
2055
Όλοι κερδίζουν.
05:36
ProfessorΚαθηγητής BobBob WangWang and his teamομάδα
117
324746
2577
Ο καθηγητής Μπομπ Γουάνγκ και η ομάδα του
05:39
have doneΈγινε computerυπολογιστή simulationsπροσομοιώσεις of what happensσυμβαίνει
118
327323
2738
έχουν κάνει προσομοιώσεις σε υπολογιστή για το τι συμβαίνει
05:42
when fuzzyασαφής estimatesυπολογίζει combineσυνδυασμός, even in lightφως trafficΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ,
119
330061
3431
όταν ασαφείς εκτιμήσεις συνδυάζονται, ακόμα και σε μικρή συμφόρηση,
05:45
when carsαυτοκίνητα just shareμερίδιο GPSGPS dataδεδομένα,
120
333492
2624
όταν αυτοκίνητα απλά μοιράζονται δεδομένα GPS,
05:48
and we'veέχουμε movedμετακινήθηκε this researchέρευνα out of the computerυπολογιστή simulationπροσομοίωση
121
336116
2513
και μεταφέραμε αυτή την έρευνα εκτός προσομοιώσεων υπολογιστή
05:50
and into robotρομπότ testδοκιμή bedsκρεβάτια that have the actualπραγματικός sensorsΑισθητήρες
122
338629
3027
σε κλίνες δοκιμών ρομπότ που έχουν τους πραγματικούς αισθητήρες
05:53
that are in carsαυτοκίνητα now on these robotsρομπότ:
123
341656
3133
που υπάρχουν τώρα στα αυτοκίνητα, σε αυτά τα ρομπότ:
05:56
stereoστέρεο camerasκάμερες, GPSGPS,
124
344789
1838
στερεοφωνικές κάμερες, GPS
05:58
and the two-dimensionalδιδιάστατη laserλέιζερ rangeσειρά findersανιχνευτές
125
346627
1874
και δισδιάστατα τηλέμετρα λέιζερ,
06:00
that are commonκοινός in backupαντιγράφων ασφαλείας systemsσυστήματα.
126
348501
2240
τα οποία είναι κοινά σε εφεδρικά συστήματα.
06:02
We alsoεπίσης attachσυνδέω a discreteδιακεκριμένος short-rangeμικρής εμβέλειας communicationεπικοινωνία radioραδιόφωνο,
127
350741
4484
Επίσης, προσαρμόσαμε έναν διακριτικό ασύρματο μικρής εμβέλειας
06:07
and the robotsρομπότ talk to eachκαθε other.
128
355225
1909
και τα ρομπότ μιλάνε μεταξύ τους.
06:09
When these robotsρομπότ come at eachκαθε other,
129
357134
1539
Όταν αυτά τα ρομπότ πλησιάζουν μεταξύ τους,
06:10
they trackπίστα eachκαθε other'sοι υπολοιποι positionθέση preciselyακριβώς,
130
358673
2971
παρακολουθούν με ακρίβεια το ένα τη θέση του άλλου
06:13
and they can avoidαποφύγει eachκαθε other.
131
361644
2737
και μπορούν να αποφύγουν το ένα το άλλο.
06:16
We're now addingπροσθέτωντας more and more robotsρομπότ into the mixμείγμα,
132
364381
3226
Τώρα προσθέτουμε ακόμα περισσότερα ρομπότ στο χώρο
06:19
and we encounteredσυνάντησε some problemsπροβλήματα.
133
367607
1471
και αντιμετωπίσαμε μερικά προβλήματα.
06:21
One of the problemsπροβλήματα, when you get too much chatterφλυαρία,
134
369078
2359
Ένα από τα προβλήματα, όταν δέχεστε πολλή φλυαρία,
06:23
it's hardσκληρά to processεπεξεργάζομαι, διαδικασία all the packetsπακέτα, so you have to prioritizeπροτεραιότητα,
135
371437
3728
είναι δύσκολο να επεξεργαστείτε όλα τα πακέτα, έτσι πρέπει να θέσετε προτεραιότητες
06:27
and that's where the predictiveπρογνωστική modelμοντέλο helpsβοηθάει you.
136
375165
2357
και εδώ το προγνωστικό μοντέλο σας βοηθάει.
06:29
If your robotρομπότ carsαυτοκίνητα are all trackingπαρακολούθηση the predictedπροβλεπόταν trajectoriesτροχιές,
137
377522
4372
Εάν τα αυτοκίνητα ρομπότ ακολουθούν τις προβλεφθείσες πορείες,
06:33
you don't payπληρωμή as much attentionπροσοχή to those packetsπακέτα.
138
381894
1767
δεν δίνεις μεγάλη σημασία σε αυτά τα πακέτα.
06:35
You prioritizeπροτεραιότητα the one guy
139
383661
1703
Δίνεις προτεραιότητα σε αυτό
06:37
who seemsφαίνεται to be going a little off courseσειρά μαθημάτων.
140
385364
1333
που φαίνεται να πηγαίνει λίγο εκτός πορείας.
06:38
That guy could be a problemπρόβλημα.
141
386697
2526
Αυτός ο τύπος μπορεί να δημιουργήσει ένα πρόβλημα.
06:41
And you can predictπρολέγω the newνέος trajectoryτροχιά.
142
389223
3002
Και μπορείτε να προβλέψετε μια νέα πορεία.
06:44
So you don't only know that he's going off courseσειρά μαθημάτων, you know how.
143
392225
2763
Έτσι, όχι μόνο ξέρεις ότι θα βγει εκτός πορείας, ξέρεις πώς.
06:46
And you know whichοι οποίες driversπρογράμματα οδήγησης you need to alertσυναγερμός to get out of the way.
144
394988
3725
Και ξέρετε ποιους οδηγούς πρέπει να προειδοποιήσετε να κάνουν στην άκρη.
06:50
And we wanted to do -- how can we bestκαλύτερος alertσυναγερμός everyoneΟλοι?
145
398713
2633
Και θέλαμε να κάνουμε -- ποιος είναι ο καλύτερος τρόπος να ειδοποιηθούν όλοι;
06:53
How can these carsαυτοκίνητα whisperψίθυρος, "You need to get out of the way?"
146
401346
3183
Πώς μπορούν τα αυτοκίνητα να ψιθυρίσουν «Πρέπει να κάνεις στην άκρη;»
06:56
Well, it dependsΕξαρτάται on two things:
147
404529
1517
Εξαρτάται από δύο πράγματα:
06:58
one, the abilityικανότητα of the carαυτοκίνητο,
148
406046
2169
πρώτον, την ικανότητα του αυτοκινήτου
07:00
and secondδεύτερος the abilityικανότητα of the driverοδηγός.
149
408215
3217
και δεύτερον την ικανότητα του οδηγού.
07:03
If one guy has a really great carαυτοκίνητο,
150
411432
1505
Εάν κάποιος έχει ένα πραγματικά καλό αυτοκίνητο,
07:04
but they're on theirδικα τους phoneτηλέφωνο or, you know, doing something,
151
412937
2925
αλλά χρησιμοποιεί το τηλέφωνο ή, ξέρετε, κάνει κάτι,
07:07
they're not probablyπιθανώς in the bestκαλύτερος positionθέση
152
415862
1930
πιθανότατα δεν είναι στην καλύτερη θέση
07:09
to reactαντιδρώ in an emergencyεπείγον.
153
417792
2970
να αντιδράσει σε μια αιφνίδια κατάσταση.
07:12
So we startedξεκίνησε a separateξεχωριστός lineγραμμή of researchέρευνα
154
420762
1665
Έτσι, ξεκινήσαμε μια ξεχωριστή έρευνα
07:14
doing driverοδηγός stateκατάσταση modelingπρίπλασμα.
155
422427
2551
κάνοντας μοντελοποίηση της κατάστασης του οδηγού.
07:16
And now, usingχρησιμοποιώντας a seriesσειρά of threeτρία camerasκάμερες,
156
424978
2329
Τώρα, χρησιμοποιώντας μια σειρά τριών καμερών,
07:19
we can detectανιχνεύουν if a driverοδηγός is looking forwardπρος τα εμπρός,
157
427307
2270
μπορούμε να εντοπίσουμε εάν ο οδηγός κοιτάζει μπροστά,
07:21
looking away, looking down, on the phoneτηλέφωνο,
158
429577
2860
κοιτάζει μακρυά, κοιτάζει κάτω, είναι στο τηλέφωνο
07:24
or havingέχοντας a cupφλιτζάνι of coffeeκαφές.
159
432437
3061
ή πίνει καφέ.
07:27
We can predictπρολέγω the accidentατύχημα
160
435498
2070
Μπορούμε να προβλέψουμε το ατύχημα
07:29
and we can predictπρολέγω who, whichοι οποίες carsαυτοκίνητα,
161
437568
3651
και μπορούμε να προβλέψουμε ποιος, ποια αυτοκίνητα,
07:33
are in the bestκαλύτερος positionθέση to moveκίνηση out of the way
162
441219
3486
είναι στην βέλτιστη θέση να κινηθούν εκτός πορείας
07:36
to calculateυπολογίζω the safestασφαλέστερο routeΔιαδρομή for everyoneΟλοι.
163
444705
3009
να υπολογίσουν την ασφαλέστερη διαδρομή για όλους.
07:39
FundamentallyΟυσιαστικά, these technologiesτεχνολογίες existυπάρχει todayσήμερα.
164
447714
4635
Κατά βάση, αυτές οι τεχνολογίες υπάρχουν σήμερα.
07:44
I think the biggestμέγιστος problemπρόβλημα that we faceπρόσωπο
165
452349
2824
Πιστεύω ότι το μεγαλύτερο πρόβλημα που αντιμετωπίζουμε
07:47
is our ownτα δικά willingnessπροθυμία to shareμερίδιο our dataδεδομένα.
166
455173
3013
είναι η προθυμία μας να μοιραστούμε τα δεδομένα μας.
07:50
I think it's a very disconcertingανησυχητική notionέννοια,
167
458186
2631
Νομίζω ότι είναι μια πολύ ανησυχητική έννοια,
07:52
this ideaιδέα that our carsαυτοκίνητα will be watchingβλέποντας us,
168
460817
2386
η ιδέα ότι τα αυτοκίνητά μας θα μας παρακολουθούν,
07:55
talkingομιλία about us to other carsαυτοκίνητα,
169
463203
3371
θα μιλάνε για εμάς σε άλλα αυτοκίνητα,
07:58
that we'llΚαλά be going down the roadδρόμος in a seaθάλασσα of gossipκουτσομπολιό.
170
466574
3427
θα μας κουτσομπολεύουν διαρκώς.
08:02
But I believe it can be doneΈγινε in a way that protectsπροστατεύει τα our privacyπροστασίας προσωπικών δεδομένων,
171
470001
3897
Αλλά πιστεύω ότι μπορεί να γίνει με τέτοιο τρόπο ώστε να προστατευτεί η ιδιωτικότητά μας,
08:05
just like right now, when I look at your carαυτοκίνητο from the outsideεξω απο,
172
473898
3741
όπως ακριβώς τώρα, όταν βλέπω εξωτερικά το αμάξι σας
08:09
I don't really know about you.
173
477639
2363
πραγματικά δεν γνωρίζω για εσάς.
08:12
If I look at your licenseάδεια plateπλάκα numberαριθμός,
174
480002
1137
Εάν κοιτάξω τις πινακίδες κυκλοφορίας σας,
08:13
I don't really know who you are.
175
481139
1886
δεν ξέρω ποιος είστε.
08:15
I believe our carsαυτοκίνητα can talk about us behindπίσω our backsπλάτες.
176
483025
4249
Πιστεύω ότι τα αυτοκίνητά μας θα μιλάνε για εμάς πίσω από την πλάτη μας.
08:19
(LaughterΤο γέλιο)
177
487274
2975
(Γέλια)
08:22
And I think it's going to be a great thing.
178
490249
3185
Και πιστεύω ότι θα είναι κάτι πάρα πολύ καλό.
08:25
I want you to considerσκεφτείτε for a momentστιγμή
179
493434
1650
Θέλω να σκεφτείτε για μια στιγμή
08:27
if you really don't want the distractedαποσπάται teenagerνεαρός behindπίσω you
180
495084
4118
εάν πραγματικά δεν θέλετε ο αφηρημένος έφηβος πίσω σας
08:31
to know that you're brakingφρενάρισμα,
181
499202
2120
να γνωρίζει ότι φρενάρετε,
08:33
that you're comingερχομός to a deadνεκρός stop.
182
501322
2924
ότι σκοπεύετε να σταματήσετε.
08:36
By sharingμοιρασιά our dataδεδομένα willinglyπρόθυμα,
183
504246
2741
Με τον εθελούσιο διαμοιρασμό των δεδομένων μας,
08:38
we can do what's bestκαλύτερος for everyoneΟλοι.
184
506987
2812
μπορούμε να κάνουμε το καλύτερο για όλους.
08:41
So let your carαυτοκίνητο gossipκουτσομπολιό about you.
185
509799
3076
Αφήστε λοιπόν το αυτοκίνητό σας να σας κουτσομπολεύσει.
08:44
It's going to make the roadsδρόμους a lot saferασφαλέστερα.
186
512875
3038
Θα κάνει τους δρόμους πιο ασφαλής.
08:47
Thank you.
187
515913
1791
Σας ευχαριστώ.
08:49
(ApplauseΧειροκροτήματα)
188
517704
4985
(Χειροκρότημα)
Translated by Nikolaos Benias
Reviewed by Dimitris Kataivatis

▲Back to top

ABOUT THE SPEAKER
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.

Why you should listen

Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.

Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.

Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.

More profile about the speaker
Jennifer Healey | Speaker | TED.com