TEDxPenn
Vijay Kumar: The future of flying robots
Βίτζεϊ Κουμάρ: Το μέλλον των ιπτάμενων ρομπότ
Filmed:
Readability: 4.9
1,780,679 views
Στο εργαστήριό του στο Πανεπιστήμιο της Πενσυλβάνια, ο Βίτζεϊ Κουμάρ και η ομάδα του έχουν φτιάξει αυτόνομα ιπτάμενα ρομπότ που τα εμπνεύστηκαν από τις μέλισσες. Το τελευταίο τους επίτευγμα είναι η Γεωργία Ακριβείας, κατά την οποία σμάρια από ρομπότ καταγράφουν, αναπαράγουν και αναλύουν κάθε φυτό και φρούτο σε έναν οπωρώνα, παρέχοντας έτσι πολύτιμες πληροφορίες στους καλλιεργητές προκειμένου να βελτιώσουν τις σοδειές τους και να κάνουν εξυπνότερη διαχείριση του νερού.
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.
00:13
In my lab, we build
autonomous aerial robots
autonomous aerial robots
0
1280
3656
Στο εργαστήριό μου φτιάχνουμε
αυτόνομα ιπτάμενα ρομπότ,
αυτόνομα ιπτάμενα ρομπότ,
00:16
like the one you see flying here.
1
4960
1880
όπως αυτό που βλέπετε να πετάει εδώ.
00:20
Unlike the commercially available drones
that you can buy today,
that you can buy today,
2
8720
3696
Σε αντίθεση με άλλες ιπτάμενες συσκευές
που διατίθενται στο εμπόριο,
που διατίθενται στο εμπόριο,
αυτό το ρομπότ δεν έχει ενσωματωμένο GPS.
00:24
this robot doesn't have any GPS on board.
3
12440
2640
00:28
So without GPS,
4
16160
1216
Χωρίς GPS λοιπόν,
00:29
it's hard for robots like this
to determine their position.
to determine their position.
5
17400
3280
είναι δύσκολο για τέτοια ρομπότ
να καθορίσουν τη θέση τους.
να καθορίσουν τη θέση τους.
00:34
This robot uses onboard sensors,
cameras and laser scanners,
cameras and laser scanners,
6
22240
4736
Αυτό το ρομπότ διαθέτει ενσωματωμένους
αισθητήρες, κάμερες και σαρωτές λέιζερ
αισθητήρες, κάμερες και σαρωτές λέιζερ
για να σαρώνει το περιβάλλον.
00:39
to scan the environment.
7
27000
1696
Εντοπίζει ορισμένα σημεία στο περιβάλλον
00:40
It detects features from the environment,
8
28720
3056
και καθορίζει τη θέση του
σε σχέση με αυτά τα στοιχεία
σε σχέση με αυτά τα στοιχεία
00:43
and it determines where it is
relative to those features,
relative to those features,
9
31800
2736
00:46
using a method of triangulation.
10
34560
2136
με τη μέθοδο του τριγωνισμού.
00:48
And then it can assemble
all these features into a map,
all these features into a map,
11
36720
3456
Κατόπιν μπορεί να συγκεντρώσει
όλα αυτά τα στοιχεία σ' έναν χάρτη,
όλα αυτά τα στοιχεία σ' έναν χάρτη,
όπως βλέπετε πίσω μου.
00:52
like you see behind me.
12
40200
1736
Έτσι ο χάρτης επιτρέπει στο ρομπότ
να καταλάβει πού είναι τα εμπόδια
να καταλάβει πού είναι τα εμπόδια
00:53
And this map then allows the robot
to understand where the obstacles are
to understand where the obstacles are
13
41960
3936
και να πλοηγηθεί χωρίς συγκρούσεις.
00:57
and navigate in a collision-free manner.
14
45920
2720
01:01
What I want to show you next
15
49160
2096
Το επόμενο που θέλω να σας δείξω
είναι μια ομάδα πειραμάτων
που κάναμε εντός εργαστηρίου,
που κάναμε εντός εργαστηρίου,
01:03
is a set of experiments
we did inside our laboratory,
we did inside our laboratory,
16
51280
3216
01:06
where this robot was able
to go for longer distances.
to go for longer distances.
17
54520
3480
όπου το ρομπότ μπορούσε
να καλύψει μεγαλύτερες αποστάσεις.
να καλύψει μεγαλύτερες αποστάσεις.
01:10
So here you'll see, on the top right,
what the robot sees with the camera.
what the robot sees with the camera.
18
58400
5016
Εδώ λοιπόν θα δείτε πάνω δεξιά,
τι βλέπει το ρομπότ με την κάμερα.
τι βλέπει το ρομπότ με την κάμερα.
Και στην κεντρική οθόνη
01:15
And on the main screen --
19
63440
1216
01:16
and of course this is sped up
by a factor of four --
by a factor of four --
20
64680
2456
-φυσικά το έχουμε σε τετραπλή ταχύτητα-
θα δείτε τον χάρτη που φτιάχνει.
01:19
on the main screen you'll see
the map that it's building.
the map that it's building.
21
67160
2667
Είναι ένας χάρτης υψηλής ανάλυσης
του διαδρόμου γύρω από το εργαστήριό μας.
του διαδρόμου γύρω από το εργαστήριό μας.
01:21
So this is a high-resolution map
of the corridor around our laboratory.
of the corridor around our laboratory.
22
69851
4285
Και σε ένα λεπτό
μπαίνει στο εργαστήριό μας
μπαίνει στο εργαστήριό μας
01:26
And in a minute
you'll see it enter our lab,
you'll see it enter our lab,
23
74160
2336
που το αναγνωρίζετε
από την ακαταστασία που βλέπετε.
από την ακαταστασία που βλέπετε.
01:28
which is recognizable
by the clutter that you see.
by the clutter that you see.
24
76520
2856
01:31
(Laughter)
25
79400
1016
(Γέλια)
01:32
But the main point I want to convey to you
26
80440
2007
Αλλά αυτό που θέλω να σας δείξω
01:34
is that these robots are capable
of building high-resolution maps
of building high-resolution maps
27
82472
3584
είναι ότι αυτά τα ρομπότ μπορούν
να φτιάξουν χάρτες υψηλής ανάλυσης
να φτιάξουν χάρτες υψηλής ανάλυσης
01:38
at five centimeters resolution,
28
86080
2496
σε ανάλυση πέντε εκατοστών,
επιτρέποντας σε κάποιον έξω
από το εργαστήριο ή το κτίριο
από το εργαστήριο ή το κτίριο
01:40
allowing somebody who is outside the lab,
or outside the building
or outside the building
29
88600
4176
να τα δρομολογεί
χωρίς να χρειάζεται να μπει μέσα
χωρίς να χρειάζεται να μπει μέσα
01:44
to deploy these
without actually going inside,
without actually going inside,
30
92800
3216
και να προσπαθήσει να καταλάβει
πώς είναι μέσα στο κτίριο.
πώς είναι μέσα στο κτίριο.
01:48
and trying to infer
what happens inside the building.
what happens inside the building.
31
96040
3760
01:52
Now there's one problem
with robots like this.
with robots like this.
32
100400
2240
Βέβαια, τέτοια ρομπότ έχουν ένα πρόβλημα.
01:55
The first problem is it's pretty big.
33
103600
2200
Πρώτον, ότι είναι αρκετά μεγάλα.
Κι επειδή είναι μεγάλα είναι και βαριά.
01:58
Because it's big, it's heavy.
34
106120
1680
02:00
And these robots consume
about 100 watts per pound.
about 100 watts per pound.
35
108640
3040
Καταναλώνουν περίπου 200 βατ ανά κιλό.
02:04
And this makes for
a very short mission life.
a very short mission life.
36
112360
2280
Έτσι συντομεύει ο χρόνος της αποστολής.
02:08
The second problem
37
116000
1456
Το δεύτερο πρόβλημα
02:09
is that these robots have onboard sensors
that end up being very expensive --
that end up being very expensive --
38
117480
3896
είναι ότι έχουν ενσωματωμένους αισθητήρες
που είναι αρκετά ακριβοί -
που είναι αρκετά ακριβοί -
έναν σαρωτή λέιζερ, μια κάμερα
και τους επεξεργαστές.
και τους επεξεργαστές.
02:13
a laser scanner, a camera
and the processors.
and the processors.
39
121400
3440
02:17
That drives up the cost of this robot.
40
125280
3040
όλα αυτά ανεβάζουν το κόστος του ρομπότ.
02:21
So we asked ourselves a question:
41
129440
2656
Έτσι αναρωτηθήκαμε:
ποιο καταναλωτικό προϊόν μπορείς
να αγοράσεις σε κατάστημα ηλεκτρονικών
να αγοράσεις σε κατάστημα ηλεκτρονικών
02:24
what consumer product
can you buy in an electronics store
can you buy in an electronics store
42
132120
3776
που να είναι φτηνό, με χαμηλό βάρος και
να διαθέτει αισθητήρες και επεξεργαστή.
να διαθέτει αισθητήρες και επεξεργαστή.
02:27
that is inexpensive, that's lightweight,
that has sensing onboard and computation?
that has sensing onboard and computation?
43
135920
6280
02:36
And we invented the flying phone.
44
144080
2656
Έτσι εφηύραμε το ιπτάμενο τηλέφωνο.
(Γέλια)
02:38
(Laughter)
45
146760
1936
Αυτό το ρομπότ έχει ένα έξυπνο κινητό
Samsung Galaxy που διατίθεται στο εμπόριο,
Samsung Galaxy που διατίθεται στο εμπόριο,
02:40
So this robot uses a Samsung Galaxy
smartphone that you can buy off the shelf,
smartphone that you can buy off the shelf,
46
148720
6176
και χρειάζεται μόνο να κατεβάσετε μια
εφαρμογή από το ηλεκτρονικό μας κατάστημα.
εφαρμογή από το ηλεκτρονικό μας κατάστημα.
02:46
and all you need is an app that you
can download from our app store.
can download from our app store.
47
154920
4016
Βλέπετε αυτό το ρομπότ να διαβάζει
τα γράμματα "TED" σε αυτή την περίπτωση,
τα γράμματα "TED" σε αυτή την περίπτωση,
02:50
And you can see this robot
reading the letters, "TED" in this case,
reading the letters, "TED" in this case,
48
158960
4216
ψάχνοντας τις γωνίες στα "T" και "E"
02:55
looking at the corners
of the "T" and the "E"
of the "T" and the "E"
49
163200
2936
και εφαρμόζοντας τριγωνισμό από εκείνο
το σημείο, να πετάει αυτόνομα.
το σημείο, να πετάει αυτόνομα.
02:58
and then triangulating off of that,
flying autonomously.
flying autonomously.
50
166160
3480
03:02
That joystick is just there
to make sure if the robot goes crazy,
to make sure if the robot goes crazy,
51
170720
3256
Υπάρχει ένας μοχλός πλοήγησης
μην τυχόν το ρομπότ τρελαθεί,
μην τυχόν το ρομπότ τρελαθεί,
03:06
Giuseppe can kill it.
52
174000
1416
ο Τζιουζέπε να το σβήσει.
03:07
(Laughter)
53
175440
1640
(Γέλια)
03:10
In addition to building
these small robots,
these small robots,
54
178920
3816
Εκτός από την κατασκευή μικρών ρομπότ,
πειραματιζόμαστε επίσης με επιθετικές
συμπεριφορές, όπως βλέπετε εδώ.
συμπεριφορές, όπως βλέπετε εδώ.
03:14
we also experiment with aggressive
behaviors, like you see here.
behaviors, like you see here.
55
182760
4800
03:19
So this robot is now traveling
at two to three meters per second,
at two to three meters per second,
56
187920
5296
Το ρομπότ ταξιδεύει
με 2 ή 3 μέτρα το δευτερόλεπτο,
με 2 ή 3 μέτρα το δευτερόλεπτο,
γέρνοντας και στρίβοντας επιθετικά
όταν αλλάζει κατεύθυνση.
όταν αλλάζει κατεύθυνση.
03:25
pitching and rolling aggressively
as it changes direction.
as it changes direction.
57
193240
3496
Το κύριο σημείο είναι ότι μπορούμε
να έχουμε μικρότερα και ταχύτερα ρομπότ
να έχουμε μικρότερα και ταχύτερα ρομπότ
03:28
The main point is we can have
smaller robots that can go faster
smaller robots that can go faster
58
196760
4256
που θα ταξιδεύουν
σε πολύ ακανόνιστα περιβάλλοντα.
σε πολύ ακανόνιστα περιβάλλοντα.
03:33
and then travel in these
very unstructured environments.
very unstructured environments.
59
201040
2960
03:37
And in this next video,
60
205120
2056
Και στο επόμενο βίντεο,
ακριβώς όπως βλέπετε αυτόν τον αετό
να συντονίζει με χάρη τα φτερά του,
να συντονίζει με χάρη τα φτερά του,
03:39
just like you see this bird, an eagle,
gracefully coordinating its wings,
gracefully coordinating its wings,
61
207200
5896
τα μάτια και τα πόδια του
για ν' αρπάξει το θήραμα από το νερό,
για ν' αρπάξει το θήραμα από το νερό,
03:45
its eyes and feet
to grab prey out of the water,
to grab prey out of the water,
62
213120
4296
το ρομπότ μας μπορεί να ψαρέψει επίσης.
03:49
our robot can go fishing, too.
63
217440
1896
03:51
(Laughter)
64
219360
1496
(Γέλια)
Σε αυτή την περίπτωση αρπάζει στον αέρα
ένα σάντουιτς σε μπαγκέτα.
ένα σάντουιτς σε μπαγκέτα.
03:52
In this case, this is a Philly cheesesteak
hoagie that it's grabbing out of thin air.
hoagie that it's grabbing out of thin air.
65
220880
4056
03:56
(Laughter)
66
224960
2400
(Γέλια)
03:59
So you can see this robot
going at about three meters per second,
going at about three meters per second,
67
227680
3296
Βλέπετε το ρομπότ να ταξιδεύει
με περίπου 3 μέτρα το δευτερόλεπτο,
με περίπου 3 μέτρα το δευτερόλεπτο,
πιο γρήγορα από την ταχύτητα βαδίσματος,
συντονίζοντας τους βραχίονες, τις αρπάγες
συντονίζοντας τους βραχίονες, τις αρπάγες
04:03
which is faster than walking speed,
coordinating its arms, its claws
coordinating its arms, its claws
68
231000
5136
και την πτήση του με μεγάλη ακρίβεια
για να πραγματοποιήσει αυτόν τον ελιγμό.
για να πραγματοποιήσει αυτόν τον ελιγμό.
04:08
and its flight with split-second timing
to achieve this maneuver.
to achieve this maneuver.
69
236160
4120
04:14
In another experiment,
70
242120
1216
Σε ένα άλλο πείραμα,
04:15
I want to show you
how the robot adapts its flight
how the robot adapts its flight
71
243360
3656
θέλω να σας δείξω πώς το ρομπότ
προσαρμόζει την πτήση του
προσαρμόζει την πτήση του
04:19
to control its suspended payload,
72
247040
2376
για να ελέγξει το αναρτημένο φορτίο του,
04:21
whose length is actually larger
than the width of the window.
than the width of the window.
73
249440
3800
το μήκος του οποίου είναι μεγαλύτερο
από το πλάτος του παραθύρου.
από το πλάτος του παραθύρου.
04:25
So in order to accomplish this,
74
253680
1696
Για να το επιτύχει αυτό,
πρέπει να σκύψει
και να ρυθμίσει το ύψος του
και να ρυθμίσει το ύψος του
04:27
it actually has to pitch
and adjust the altitude
and adjust the altitude
75
255400
3696
ώστε το φορτίο να περάσει μέσα
με την ταλάντωση.
με την ταλάντωση.
04:31
and swing the payload through.
76
259120
2320
04:38
But of course we want
to make these even smaller,
to make these even smaller,
77
266920
2296
Φυσικά θέλουμε να τα κάνουμε
ακόμη μικρότερα,
ακόμη μικρότερα,
04:41
and we're inspired
in particular by honeybees.
in particular by honeybees.
78
269240
3016
και ειδικότερα
εμπνεόμαστε από τις μέλισσες.
εμπνεόμαστε από τις μέλισσες.
Αν δείτε τις μέλισσες
σε αυτό το βίντεο με αργή κίνηση,
σε αυτό το βίντεο με αργή κίνηση,
04:44
So if you look at honeybees,
and this is a slowed down video,
and this is a slowed down video,
79
272280
3256
04:47
they're so small,
the inertia is so lightweight --
the inertia is so lightweight --
80
275560
3720
είναι τόσο μικρές,
με τόσο μικρή αδράνεια -
με τόσο μικρή αδράνεια -
04:51
(Laughter)
81
279960
1176
(Γέλια)
που δεν τις νοιάζει -
αναπηδούν πάνω στο χέρι μου.
αναπηδούν πάνω στο χέρι μου.
04:53
that they don't care --
they bounce off my hand, for example.
they bounce off my hand, for example.
82
281160
3536
Αυτό το μικρό ρομπότ μιμείται
τη συμπεριφορά των μελισσών.
τη συμπεριφορά των μελισσών.
04:56
This is a little robot
that mimics the honeybee behavior.
that mimics the honeybee behavior.
83
284720
3160
05:00
And smaller is better,
84
288600
1216
Και το μικρότερο είναι καλύτερο,
05:01
because along with the small size
you get lower inertia.
you get lower inertia.
85
289840
3536
γιατί μικρό βάρος έχει μικρή αδράνεια.
Μαζί με την χαμηλή αδράνεια
05:05
Along with lower inertia --
86
293400
1536
05:06
(Robot buzzing, laughter)
87
294960
2856
(Βουητό από ρομπότ, γέλια)
λόγω χαμηλής αδράνειας
είναι ανθεκτικό στις συγκρούσεις.
είναι ανθεκτικό στις συγκρούσεις.
05:09
along with lower inertia,
you're resistant to collisions.
you're resistant to collisions.
88
297840
2816
Έτσι είναι πιο δυναμικό.
05:12
And that makes you more robust.
89
300680
1720
Έτσι φτιάχνουμε μικρά ρομπότ,
παραδειγματιζόμενοι από τις μέλισσες.
παραδειγματιζόμενοι από τις μέλισσες.
05:15
So just like these honeybees,
we build small robots.
we build small robots.
90
303800
2656
05:18
And this particular one
is only 25 grams in weight.
is only 25 grams in weight.
91
306480
3376
Και το συγκεκριμένο
έχει βάρος μόνο 25 γραμμάρια.
έχει βάρος μόνο 25 γραμμάρια.
Καταναλώνει μόνο 6 βατ ισχύος.
05:21
It consumes only six watts of power.
92
309880
2160
05:24
And it can travel
up to six meters per second.
up to six meters per second.
93
312440
2536
Μπορεί να φτάσει ταχύτητα
6 μέτρων το δευτερόλεπτο.
6 μέτρων το δευτερόλεπτο.
05:27
So if I normalize that to its size,
94
315000
2336
Σε αναλογία μεγέθους
είναι σαν ένα Μπόϊνγκ 787 να πετάει
με 10 φορές την ταχύτητα του ήχου.
με 10 φορές την ταχύτητα του ήχου.
05:29
it's like a Boeing 787 traveling
ten times the speed of sound.
ten times the speed of sound.
95
317360
3640
05:36
(Laughter)
96
324000
2096
(Γέλια)
Θέλω να σας δείξω ένα παράδειγμα.
05:38
And I want to show you an example.
97
326120
1920
05:40
This is probably the first planned mid-air
collision, at one-twentieth normal speed.
collision, at one-twentieth normal speed.
98
328840
5256
Είναι ίσως η πρώτη σχεδιασμένη σύγκρουση
στον αέρα, στο 1/28 της ταχύτητας.
στον αέρα, στο 1/28 της ταχύτητας.
Πάνε με σχετική ταχύτητα
2 μέτρων το δευτερόλεπτο,
2 μέτρων το δευτερόλεπτο,
05:46
These are going at a relative speed
of two meters per second,
of two meters per second,
99
334120
2858
05:49
and this illustrates the basic principle.
100
337002
2480
και αποδεικνύει την βασική αρχή.
05:52
The two-gram carbon fiber cage around it
prevents the propellers from entangling,
prevents the propellers from entangling,
101
340200
4976
Ένας κλωβός 2 γραμμαρίων από ανθρακόνημα
αποτρέπει να χτυπήσουν οι έλικες
αποτρέπει να χτυπήσουν οι έλικες
αλλά βασικά η σύγκρουση απορροφάται
και το ρομπότ αποκρίνεται στη σύγκρουση.
και το ρομπότ αποκρίνεται στη σύγκρουση.
05:57
but essentially the collision is absorbed
and the robot responds to the collisions.
and the robot responds to the collisions.
102
345200
5296
06:02
And so small also means safe.
103
350520
2560
Έτσι, μικρό σημαίνει και ασφαλές.
06:05
In my lab, as we developed these robots,
104
353400
2016
Στο εργαστήριό μου,
εξελίσσοντας τα ρομπότ,
εξελίσσοντας τα ρομπότ,
06:07
we start off with these big robots
105
355440
1620
ξεκινήσαμε με αυτά τα μεγάλα
και τώρα φτάσαμε σε αυτά τα μικρά ρομπότ.
06:09
and then now we're down
to these small robots.
to these small robots.
106
357084
2812
Αν φτιάξουμε ένα διάγραμμα με τον αριθμό
των Χάνζαπλαστ που παραγγείλαμε
των Χάνζαπλαστ που παραγγείλαμε
06:11
And if you plot a histogram
of the number of Band-Aids we've ordered
of the number of Band-Aids we've ordered
107
359920
3456
στο παρελθόν, αυτό έχει πλέον μηδενιστεί.
06:15
in the past, that sort of tailed off now.
108
363400
2576
Επειδή αυτά τα ρομπότ είναι πολύ ασφαλή.
06:18
Because these robots are really safe.
109
366000
1960
06:20
The small size has some disadvantages,
110
368760
2456
Το μικρό μέγεθος έχει κάποια μειονεκτήματα
και η φύση έχει βρει τρόπους
να τα αναπληρώσει.
να τα αναπληρώσει.
06:23
and nature has found a number of ways
to compensate for these disadvantages.
to compensate for these disadvantages.
111
371240
4080
06:27
The basic idea is they aggregate
to form large groups, or swarms.
to form large groups, or swarms.
112
375960
4000
Η βασική ιδέα είναι ότι συναθροίζονται
σε μεγάλες ομάδες ή σμάρια.
σε μεγάλες ομάδες ή σμάρια.
06:32
So, similarly, in our lab,
we try to create artificial robot swarms.
we try to create artificial robot swarms.
113
380320
3976
Παρομοίως στο εργαστήριο προσπαθούμε
να φτιάξουμε τεχνητά σμάρια ρομπότ.
να φτιάξουμε τεχνητά σμάρια ρομπότ.
Είναι αρκετά δύσκολο
06:36
And this is quite challenging
114
384320
1381
γιατί τώρα πρέπει
να σκεφτούμε δίκτυα ρομπότ.
να σκεφτούμε δίκτυα ρομπότ.
06:37
because now you have to think
about networks of robots.
about networks of robots.
115
385725
3320
06:41
And within each robot,
116
389360
1296
Και μέσα σε κάθε ρομπότ
πρέπει να σκεφτούμε την αλληλεπίδραση
αισθητήρων, επικοινωνίας, υπολογισμών -
αισθητήρων, επικοινωνίας, υπολογισμών -
06:42
you have to think about the interplay
of sensing, communication, computation --
of sensing, communication, computation --
117
390680
5616
και ο έλεγχος και η διαχείριση
αυτού του δικτύου δυσκολεύει.
αυτού του δικτύου δυσκολεύει.
06:48
and this network then becomes
quite difficult to control and manage.
quite difficult to control and manage.
118
396320
4960
06:54
So from nature we take away
three organizing principles
three organizing principles
119
402160
3296
Έτσι παίρνουμε από τη φύση
τρεις αρχές οργάνωσης
τρεις αρχές οργάνωσης
που βασικά μας επιτρέπουν
να εξελίξουμε τους αλγορίθμους μας.
να εξελίξουμε τους αλγορίθμους μας.
06:57
that essentially allow us
to develop our algorithms.
to develop our algorithms.
120
405480
3160
07:01
The first idea is that robots
need to be aware of their neighbors.
need to be aware of their neighbors.
121
409640
4536
Η πρώτη ιδέα είναι ότι τα ρομπότ πρέπει
να καταλαβαίνουν τους γείτονές τους,
να καταλαβαίνουν τους γείτονές τους,
να μπορούν να τους αντιλαμβάνονται
και να επικοινωνούν με αυτούς.
και να επικοινωνούν με αυτούς.
07:06
They need to be able to sense
and communicate with their neighbors.
and communicate with their neighbors.
122
414200
3440
07:10
So this video illustrates the basic idea.
123
418040
2656
Αυτό το βίντεο δείχνει τη βασική ιδέα.
Έχετε τέσσερα ρομπότ -
07:12
You have four robots --
124
420720
1296
ένα από τα ρομπότ το έχει καταλάβει
ανθρώπινος χειριστής, κυριολεκτικά.
ανθρώπινος χειριστής, κυριολεκτικά.
07:14
one of the robots has actually been
hijacked by a human operator, literally.
hijacked by a human operator, literally.
125
422040
4240
07:19
But because the robots
interact with each other,
interact with each other,
126
427217
2239
Αλλά επειδή τα ρομπότ αλληλεπιδρούν,
αισθάνονται τους γείτονές τους,
07:21
they sense their neighbors,
127
429480
1656
ουσιαστικά ακολουθούν.
07:23
they essentially follow.
128
431160
1296
Και εδώ είναι ο ένας άνθρωπος που μπορεί
να ηγηθεί σε αυτό το δίκτυο ακολούθων.
να ηγηθεί σε αυτό το δίκτυο ακολούθων.
07:24
And here there's a single person
able to lead this network of followers.
able to lead this network of followers.
129
432480
5360
07:32
So again, it's not because all the robots
know where they're supposed to go.
know where they're supposed to go.
130
440000
5056
Και πάλι, όχι επειδή όλα τα ρομπότ
ξέρουν που πρέπει να πάνε.
ξέρουν που πρέπει να πάνε.
Επειδή απλά αντιδρούν
στη θέση των γειτόνων τους.
στη θέση των γειτόνων τους.
07:37
It's because they're just reacting
to the positions of their neighbors.
to the positions of their neighbors.
131
445080
4320
07:43
(Laughter)
132
451720
4120
(Γέλια)
07:48
So the next experiment illustrates
the second organizing principle.
the second organizing principle.
133
456280
5240
Το δεύτερο πείραμα δείχνει
τη δεύτερη αρχή οργάνωσης.
τη δεύτερη αρχή οργάνωσης.
07:54
And this principle has to do
with the principle of anonymity.
with the principle of anonymity.
134
462920
3800
Και αυτή η αρχή έχει να κάνει
με την αρχή της ανωνυμίας.
με την αρχή της ανωνυμίας.
07:59
Here the key idea is that
135
467400
4296
Εδώ η βασική ιδέα είναι ότι
τα ρομπότ δεν γνωρίζουν
την ταυτότητα των γειτόνων τους.
την ταυτότητα των γειτόνων τους.
08:03
the robots are agnostic
to the identities of their neighbors.
to the identities of their neighbors.
136
471720
4240
08:08
They're asked to form a circular shape,
137
476440
2616
Τους ζητείται να μπουν σε κυκλικό σχήμα,
και ασχέτως του πόσα ρομπότ
εισάγουμε στο σχηματισμό,
εισάγουμε στο σχηματισμό,
08:11
and no matter how many robots
you introduce into the formation,
you introduce into the formation,
138
479080
3296
ή πόσα ρομπότ αφαιρούμε,
08:14
or how many robots you pull out,
139
482400
2576
κάθε ρομπότ απλώς αντιδρά
ως προς τον γείτονά του.
ως προς τον γείτονά του.
08:17
each robot is simply
reacting to its neighbor.
reacting to its neighbor.
140
485000
3136
Αντιλαμβάνεται το γεγονός ότι πρέπει
να σχηματίσει τον κύκλο,
να σχηματίσει τον κύκλο,
08:20
It's aware of the fact that it needs
to form the circular shape,
to form the circular shape,
141
488160
4976
αλλά συνεργαζόμενο με τους γείτονές του
08:25
but collaborating with its neighbors
142
493160
1776
08:26
it forms the shape
without central coordination.
without central coordination.
143
494960
3720
σχηματίζει τον κύκλο
χωρίς κεντρικό συντονισμό.
χωρίς κεντρικό συντονισμό.
08:31
Now if you put these ideas together,
144
499520
2416
Αν βάλουμε μαζί αυτές τις ιδέες,
η τρίτη ιδέα είναι ότι βασικά
δίνουμε σε αυτά τα ρομπότ
δίνουμε σε αυτά τα ρομπότ
08:33
the third idea is that we
essentially give these robots
essentially give these robots
145
501960
3896
μαθηματικές περιγραφές του σχήματος
που πρέπει να εκτελέσουν.
που πρέπει να εκτελέσουν.
08:37
mathematical descriptions
of the shape they need to execute.
of the shape they need to execute.
146
505880
4296
Αυτά τα σχήματα μπορεί να ποικίλουν
βάσει του χρόνου,
βάσει του χρόνου,
08:42
And these shapes can be varying
as a function of time,
as a function of time,
147
510200
3496
και θα δείτε αυτά τα ρομπότ
να αρχίζουν από κυκλικό σχηματισμό,
να αρχίζουν από κυκλικό σχηματισμό,
08:45
and you'll see these robots
start from a circular formation,
start from a circular formation,
148
513720
4496
να αλλάζουν σε παραλληλόγραμμο,
να εκτείνονται σε ευθεία γραμμή,
να εκτείνονται σε ευθεία γραμμή,
08:50
change into a rectangular formation,
stretch into a straight line,
stretch into a straight line,
149
518240
3256
μετά πίσω πάλι σε έλλειψη.
08:53
back into an ellipse.
150
521520
1375
08:54
And they do this with the same
kind of split-second coordination
kind of split-second coordination
151
522919
3617
Και το κάνουν
με τον ίδιο ταχύτατο συντονισμό
με τον ίδιο ταχύτατο συντονισμό
που βλέπετε στα κανονικά σμάρια, στη φύση.
08:58
that you see in natural swarms, in nature.
152
526560
3280
09:03
So why work with swarms?
153
531080
2136
Γιατί όμως να δουλέψουμε με σμάρια;
Επιτρέψτε μου να σας πω για δύο εφαρμογές
που μας ενδιαφέρουν πολύ.
που μας ενδιαφέρουν πολύ.
09:05
Let me tell you about two applications
that we are very interested in.
that we are very interested in.
154
533240
4120
09:10
The first one has to do with agriculture,
155
538160
2376
Η πρώτη έχει σχέση με την γεωργία,
09:12
which is probably the biggest problem
that we're facing worldwide.
that we're facing worldwide.
156
540560
3360
που μάλλον είναι το μεγαλύτερο πρόβλημα
που αντιμετωπίζουμε παγκόσμια.
που αντιμετωπίζουμε παγκόσμια.
09:16
As you well know,
157
544760
1256
Όπως γνωρίζετε πολύ καλά,
ένα στα επτά άτομα στη Γη υποσιτίζεται.
09:18
one in every seven persons
in this earth is malnourished.
in this earth is malnourished.
158
546040
3520
Το μεγαλύτερο μέρος της καλλιεργήσιμης γης
ήδη καλλιεργείται.
ήδη καλλιεργείται.
09:21
Most of the land that we can cultivate
has already been cultivated.
has already been cultivated.
159
549920
3480
09:25
And the efficiency of most systems
in the world is improving,
in the world is improving,
160
553960
3216
Και η απόδοση των περισσοτέρων
συστημάτων στον κόσμο βελτιώνεται,
συστημάτων στον κόσμο βελτιώνεται,
αλλά η απόδοση του συστήματος
παραγωγής ουσιαστικά φθίνει.
παραγωγής ουσιαστικά φθίνει.
09:29
but our production system
efficiency is actually declining.
efficiency is actually declining.
161
557200
3520
Κι αυτό κυρίως οφείλεται σε έλλειψη νερού,
ασθένειες των καλλιεργειών,
ασθένειες των καλλιεργειών,
09:33
And that's mostly because of water
shortage, crop diseases, climate change
shortage, crop diseases, climate change
162
561080
4216
κλιματική αλλαγή και μερικά άλλα πράγματα.
09:37
and a couple of other things.
163
565320
1520
09:39
So what can robots do?
164
567360
1480
Τι μπορούν να κάνουν τα ρομπότ;
09:41
Well, we adopt an approach that's
called Precision Farming in the community.
called Precision Farming in the community.
165
569200
4616
Υιοθετούμε μια προσέγγιση που λέγεται
Γεωργία Ακριβείας στην κοινότητα.
Γεωργία Ακριβείας στην κοινότητα.
Και η βασική ιδέα είναι ότι στέλνουμε
ιπτάμενα ρομπότ στους οπωρώνες
ιπτάμενα ρομπότ στους οπωρώνες
09:45
And the basic idea is that we fly
aerial robots through orchards,
aerial robots through orchards,
166
573840
5376
και μετά φτιάχνουμε μοντέλα ακριβείας
καθενός φυτού.
καθενός φυτού.
09:51
and then we build
precision models of individual plants.
precision models of individual plants.
167
579240
3120
09:54
So just like personalized medicine,
168
582829
1667
Έτσι, όπως στην εξατομικευμένη ιατρική,
09:56
while you might imagine wanting
to treat every patient individually,
to treat every patient individually,
169
584520
4816
ενώ μπορεί να φαντάζεστε ότι θέλουμε
να περιθάλψουμε ατομικά κάθε ασθενή,
να περιθάλψουμε ατομικά κάθε ασθενή,
εμείς θέλουμε να φτιάξουμε μοντέλα
των επιμέρους φυτών
των επιμέρους φυτών
10:01
what we'd like to do is build
models of individual plants
models of individual plants
170
589360
3696
και μετά να πούμε στον αγρότη
τι είδους τροφοδοσία θέλει κάθε φυτό -
τι είδους τροφοδοσία θέλει κάθε φυτό -
10:05
and then tell the farmer
what kind of inputs every plant needs --
what kind of inputs every plant needs --
171
593080
4136
η τροφοδοσία σε αυτή την περίπτωση
είναι νερό, λίπασμα και φυτοφάρμακο.
είναι νερό, λίπασμα και φυτοφάρμακο.
10:09
the inputs in this case being water,
fertilizer and pesticide.
fertilizer and pesticide.
172
597240
4440
10:14
Here you'll see robots
traveling through an apple orchard,
traveling through an apple orchard,
173
602640
3616
Εδώ θα δείτε ρομπότ
να διασχίζουν ένα κτήμα με μηλιές,
να διασχίζουν ένα κτήμα με μηλιές,
και σε ένα λεπτό θα δείτε
δύο συντρόφους του
δύο συντρόφους του
10:18
and in a minute you'll see
two of its companions
two of its companions
174
606280
2256
να κάνουν το ίδιο στην αριστερή πλευρά.
10:20
doing the same thing on the left side.
175
608560
1810
10:22
And what they're doing is essentially
building a map of the orchard.
building a map of the orchard.
176
610800
3656
Και βασικά φτιάχνουν
έναν χάρτη του οπωρώνα.
έναν χάρτη του οπωρώνα.
Μέσα στον χάρτη εμφανίζονται
όλα τα φυτά του οπωρώνα.
όλα τα φυτά του οπωρώνα.
10:26
Within the map is a map
of every plant in this orchard.
of every plant in this orchard.
177
614480
2816
10:29
(Robot buzzing)
178
617320
1656
(Βουητό από ρομπότ)
Ας δούμε πώς είναι αυτοί οι χάρτες.
10:31
Let's see what those maps look like.
179
619000
1896
Στο επόμενο βίντεο θα δείτε τις κάμερες
που υπάρχουν πάνω στα ρομπότ.
που υπάρχουν πάνω στα ρομπότ.
10:32
In the next video, you'll see the cameras
that are being used on this robot.
that are being used on this robot.
180
620920
4296
Πάνω αριστερά είναι μια έγχρωμη κάμερα.
10:37
On the top-left is essentially
a standard color camera.
a standard color camera.
181
625240
3240
10:41
On the left-center is an infrared camera.
182
629640
3296
Στη μέση αριστερά
είναι μια υπέρυθρη κάμερα,
είναι μια υπέρυθρη κάμερα,
και κάτω αριστερά μια θερμική κάμερα.
10:44
And on the bottom-left
is a thermal camera.
is a thermal camera.
183
632960
3776
Και στο κεντρικό πάνελ
θα δείτε μια τρισδιάστατη αναπαραγωγή
θα δείτε μια τρισδιάστατη αναπαραγωγή
10:48
And on the main panel, you're seeing
a three-dimensional reconstruction
a three-dimensional reconstruction
184
636760
3336
κάθε δένδρου του οπωρώνα
καθώς οι αισθητήρες περνούν από το δένδρο.
καθώς οι αισθητήρες περνούν από το δένδρο.
10:52
of every tree in the orchard
as the sensors fly right past the trees.
as the sensors fly right past the trees.
185
640120
6120
10:59
Armed with information like this,
we can do several things.
we can do several things.
186
647640
4040
Εξοπλισμένοι με τέτοιες πληροφορίες
μπορούμε να κάνουμε διάφορα πράγματα.
μπορούμε να κάνουμε διάφορα πράγματα.
11:04
The first and possibly the most important
thing we can do is very simple:
thing we can do is very simple:
187
652200
4256
Το πρώτο και ίσως πιο σημαντικό
που μπορούμε να κάνουμε είναι πολύ απλό:
που μπορούμε να κάνουμε είναι πολύ απλό:
να μετρήσουμε τον αριθμό των καρπών
πάνω σε κάθε δένδρο.
πάνω σε κάθε δένδρο.
11:08
count the number of fruits on every tree.
188
656480
2440
11:11
By doing this, you tell the farmer
how many fruits she has in every tree
how many fruits she has in every tree
189
659520
4536
Έτσι λέμε στην αγρότισσα
πόσα φρούτα έχει σε κάθε δένδρο
πόσα φρούτα έχει σε κάθε δένδρο
και της επιτρέπουμε να υπολογίσει
την απόδοση του οπωρώνα,
την απόδοση του οπωρώνα,
11:16
and allow her to estimate
the yield in the orchard,
the yield in the orchard,
190
664080
4256
βελτιστοποιώντας την αλυσίδα
παραγωγής στα επόμενα στάδια.
παραγωγής στα επόμενα στάδια.
11:20
optimizing the production
chain downstream.
chain downstream.
191
668360
2840
11:23
The second thing we can do
192
671640
1616
Το δεύτερο που κάνουμε είναι
να πάρουμε μοντέλα των φυτών,
να φτιάξουμε τρισδιάστατες αναπαραγωγές,
να φτιάξουμε τρισδιάστατες αναπαραγωγές,
11:25
is take models of plants, construct
three-dimensional reconstructions,
three-dimensional reconstructions,
193
673280
4496
και από αυτά να υπολογίσουμε
το μέγεθος του θόλου
το μέγεθος του θόλου
11:29
and from that estimate the canopy size,
194
677800
2536
και να συσχετίσουμε το μέγεθος του θόλου
με την επιφάνεια φυλλώματος κάθε φυτού.
με την επιφάνεια φυλλώματος κάθε φυτού.
11:32
and then correlate the canopy size
to the amount of leaf area on every plant.
to the amount of leaf area on every plant.
195
680360
3776
11:36
And this is called the leaf area index.
196
684160
2176
Αυτό ονομάζεται δείκτης έκτασης φυλλώματος
11:38
So if you know this leaf area index,
197
686360
1936
κι αν γνωρίζετε αυτόν τον δείκτη,
ουσιαστικά έχετε ένα μέτρο
της πιθανής φωτοσύνθεσης σε κάθε φυτό
της πιθανής φωτοσύνθεσης σε κάθε φυτό
11:40
you essentially have a measure of how much
photosynthesis is possible in every plant,
photosynthesis is possible in every plant,
198
688320
5456
που και πάλι σας λέει
πόσο υγιές είναι κάθε φυτό.
πόσο υγιές είναι κάθε φυτό.
11:45
which again tells you
how healthy each plant is.
how healthy each plant is.
199
693800
2880
11:49
By combining visual
and infrared information,
and infrared information,
200
697520
4216
Συνδυάζοντας οπτικές
και υπέρυθρες πληροφορίες
και υπέρυθρες πληροφορίες
μπορούμε επίσης να υπολογίσουμε τον δείκτη
NDVI της φωτοσυνθετικής δραστηριότητας.
NDVI της φωτοσυνθετικής δραστηριότητας.
11:53
we can also compute indices such as NDVI.
201
701760
3296
11:57
And in this particular case,
you can essentially see
you can essentially see
202
705080
2816
Στη συγκεκριμένη περίπτωση
μπορείτε να δείτε
μπορείτε να δείτε
ότι κάποιες σοδειές
δεν είναι τόσο καλές όσο άλλες.
δεν είναι τόσο καλές όσο άλλες.
11:59
there are some crops that are
not doing as well as other crops.
not doing as well as other crops.
203
707920
3016
Αυτό ευδιάκριτο στην απεικόνιση,
12:02
This is easily discernible from imagery,
204
710960
4056
12:07
not just visual imagery but combining
205
715040
2216
όχι μόνο από τις οπτικές εικόνες
αλλά από το συνδυασμό
οπτικών και υπέρυθρων εικόνων.
οπτικών και υπέρυθρων εικόνων.
12:09
both visual imagery and infrared imagery.
206
717280
2776
12:12
And then lastly,
207
720080
1336
Και τέλος,
12:13
one thing we're interested in doing is
detecting the early onset of chlorosis --
detecting the early onset of chlorosis --
208
721440
4016
μας ενδιαφέρει να ανιχνεύσουμε
τη χλώρωση σε αρχικό στάδιο
τη χλώρωση σε αρχικό στάδιο
- αυτό είναι μια πορτοκαλιά -
12:17
and this is an orange tree --
209
725480
1496
που φαίνεται από το κιτρίνισμα των φύλλων.
12:19
which is essentially seen
by yellowing of leaves.
by yellowing of leaves.
210
727000
2560
12:21
But robots flying overhead
can easily spot this autonomously
can easily spot this autonomously
211
729880
3896
Αλλά τα ρομπότ που πετάνε από πάνω
το εντοπίζουν εύκολα μόνα τους
το εντοπίζουν εύκολα μόνα τους
και μετά αναφέρουν στον αγρότη
ότι αντιμετωπίζει πρόβλημα
ότι αντιμετωπίζει πρόβλημα
12:25
and then report to the farmer
that he or she has a problem
that he or she has a problem
212
733800
2936
σε εκείνο το τμήμα του οπωρώνα.
12:28
in this section of the orchard.
213
736760
1520
12:30
Systems like this can really help,
214
738800
2696
Τέτοια συστήματα μπορούν
να βοηθήσουν πραγματικά
να βοηθήσουν πραγματικά
και σκοπεύουμε σε σοδειές που μπορούν
να βελτιωθούν κατά 10% περίπου
να βελτιωθούν κατά 10% περίπου
12:33
and we're projecting yields
that can improve by about ten percent
that can improve by about ten percent
215
741520
5816
και πάνω απ' όλα να μειώσουν
το ποσό τροφοδοσίας όπως το νερό
το ποσό τροφοδοσίας όπως το νερό
12:39
and, more importantly, decrease
the amount of inputs such as water
the amount of inputs such as water
216
747360
3216
κατά 25% με τη χρήση
σμαριών από ιπτάμενα ρομπότ.
σμαριών από ιπτάμενα ρομπότ.
12:42
by 25 percent by using
aerial robot swarms.
aerial robot swarms.
217
750600
3280
12:47
Lastly, I want you to applaud
the people who actually create the future,
the people who actually create the future,
218
755200
5736
Τέλος, θα ήθελα να χειροκροτήσετε
τους ανθρώπους που δημιουργούν το μέλλον,
τους ανθρώπους που δημιουργούν το μέλλον,
Γιας Μουλγκάνκαρ, Σίκανγκ Λιού
και Τζιουζέπε Λογιάνο,
και Τζιουζέπε Λογιάνο,
12:52
Yash Mulgaonkar, Sikang Liu
and Giuseppe Loianno,
and Giuseppe Loianno,
219
760960
4920
που είναι υπεύθυνοι
για τις τρεις επιδείξεις που είδατε.
για τις τρεις επιδείξεις που είδατε.
12:57
who are responsible for the three
demonstrations that you saw.
demonstrations that you saw.
220
765920
3496
Σας ευχαριστώ.
13:01
Thank you.
221
769440
1176
(Χειροκρότημα)
13:02
(Applause)
222
770640
5920
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