TED2012
Vijay Kumar: Robots that fly ... and cooperate
Vijay Kumar: Vijay Kumar: Robotok, amelyek repülnek ... és együttműködnek
Filmed:
Readability: 4.5
5,188,706 views
Penn-beli laboratóriumában Vijay Kumar és munkatársai quadrokoptereket építenek. Ezek az apró, mozgékony robotok képesek rajokba szerveződni, egymást érzékelni, és spontán módon csoportokat alkotni -- építkezés, katasztrófa megfigyelés és sok-sok más cél érdekében.
Vijay Kumar - Roboticist
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
Double-click the English transcript below to play the video.
00:20
Good morning.
0
5000
2000
Jó reggelt.
00:22
I'm here today to talk
1
7000
2000
Ma önállóan repülő
00:24
about autonomous, flying beach balls.
2
9000
3000
strandlabdákról fogok beszélni önöknek.
00:27
No, agile aerial robots like this one.
3
12000
4000
Na jó, nem. Inkább mozgékony,
repülő robotokról, mint ez itt.
repülő robotokról, mint ez itt.
00:31
I'd like to tell you a little bit about the challenges in building these
4
16000
3000
Kicsit mesélnék az építésükkel járó
kihívásokról,
kihívásokról,
00:34
and some of the terrific opportunities
5
19000
2000
és a tecnnológia néhány fantasztikus
00:36
for applying this technology.
6
21000
2000
alkalmazási lehetőségéről.
00:38
So these robots
7
23000
2000
Nos, ezek a robotok
00:40
are related to unmanned aerial vehicles.
8
25000
3000
hasonlóak a pilóta nélküli repülőgépekhez.
00:43
However, the vehicles you see here are big.
9
28000
3000
Ezek azonban nagy méretű járművek.
00:46
They weigh thousands of pounds,
10
31000
2000
Súlyuk több tonnát is meghaladhat,
00:48
are not by any means agile.
11
33000
2000
és semmiképp nem nevezhetők mozgékonynak.
00:50
They're not even autonomous.
12
35000
2000
Még csak nem is önállóak.
00:52
In fact, many of these vehicles
13
37000
2000
Valójában sokat közülük
00:54
are operated by flight crews
14
39000
2000
egész csapatok irányítanak,
00:56
that can include multiple pilots,
15
41000
3000
melyek tagjai között vannak pilóták,
00:59
operators of sensors
16
44000
2000
szenzorkezelők,
01:01
and mission coordinators.
17
46000
2000
valamint bevetésirányítók.
01:03
What we're interested in is developing robots like this --
18
48000
2000
Mi ilyen, boltban vásárolható --
01:05
and here are two other pictures --
19
50000
2000
itt látható két további kép --
01:07
of robots that you can buy off the shelf.
20
52000
3000
robotok fejlesztésével foglalkozunk.
01:10
So these are helicopters with four rotors
21
55000
3000
Ezek helikopterek négy légcsavarral,
01:13
and they're roughly a meter or so in scale
22
58000
4000
nagyjából egyméteres átmérővel
01:17
and weigh several pounds.
23
62000
2000
pár kilós súllyal.
01:19
And so we retrofit these with sensors and processors,
24
64000
3000
Ezeket felszereljük érzékelőkkel
és processzorokkal,
és processzorokkal,
01:22
and these robots can fly indoors
25
67000
2000
így aztán zárt térben is tudnak repülni,
01:24
without GPS.
26
69000
2000
GPS nélkül.
01:26
The robot I'm holding in my hand
27
71000
2000
A robot, amit a kezemben tartok,
01:28
is this one,
28
73000
2000
ez itt,
01:30
and it's been created by two students,
29
75000
3000
két diák, Alex és Daniel
01:33
Alex and Daniel.
30
78000
2000
szüleménye.
01:35
So this weighs a little more
31
80000
2000
Tömege alig több
01:37
than a tenth of a pound.
32
82000
2000
mint 5 dkg.
01:39
It consumes about 15 watts of power.
33
84000
2000
Energiafogyasztása nagyjából 15 W.
01:41
And as you can see,
34
86000
2000
És ahogy láthatják,
01:43
it's about eight inches in diameter.
35
88000
2000
az átmérője körülbelül 20 cm.
01:45
So let me give you just a very quick tutorial
36
90000
3000
Hadd adjak egy kis ízelítőt arról,
01:48
on how these robots work.
37
93000
2000
hogyan is működnek ezek a robotok.
01:50
So it has four rotors.
38
95000
2000
Tehát négy légcsavarjuk van.
01:52
If you spin these rotors at the same speed,
39
97000
2000
Ha ezek azonos sebességgel forognak,
01:54
the robot hovers.
40
99000
2000
a robot lebeg.
01:56
If you increase the speed of each of these rotors,
41
101000
3000
Ha mindegyik csavar sebességét növeljük,
01:59
then the robot flies up, it accelerates up.
42
104000
3000
a robot felszáll, felfelé gyorsít.
02:02
Of course, if the robot were tilted,
43
107000
2000
Természetesen, ha a robot megdől,
02:04
inclined to the horizontal,
44
109000
2000
eltér a vízszintestől,
02:06
then it would accelerate in this direction.
45
111000
3000
akkor ebbe az irányba gyorsít.
02:09
So to get it to tilt, there's one of two ways of doing it.
46
114000
3000
Ezt kétféleképpen érhetjük el.
02:12
So in this picture
47
117000
2000
Ezen a képen
02:14
you see that rotor four is spinning faster
48
119000
2000
a négyes csavar gyorsabban forog,
02:16
and rotor two is spinning slower.
49
121000
2000
míg a kettes lassabban.
02:18
And when that happens
50
123000
2000
Ennek köszönhetően
02:20
there's moment that causes this robot to roll.
51
125000
3000
a nyomaték megdönti a robotot.
02:23
And the other way around,
52
128000
2000
A másik irányban,
02:25
if you increase the speed of rotor three
53
130000
3000
ha növeljük a hármas csavar sebességét
02:28
and decrease the speed of rotor one,
54
133000
2000
és csökkentjük az egyesét,
02:30
then the robot pitches forward.
55
135000
3000
a robot előre dől.
02:33
And then finally,
56
138000
2000
És végül, ha a két szemközti rotort
02:35
if you spin opposite pairs of rotors
57
140000
2000
gyorsabban forgatjuk
02:37
faster than the other pair,
58
142000
2000
mint a másik kettőt, a robot
02:39
then the robot yaws about the vertical axis.
59
144000
2000
a függőleges tengely körül fordul el.
02:41
So an on-board processor
60
146000
2000
Egy fedélzeti processzor figyeli,
02:43
essentially looks at what motions need to be executed
61
148000
3000
hogy milyen mozgásokat kell végrehajtani,
02:46
and combines these motions
62
151000
2000
és ezeket kombinálva,
02:48
and figures out what commands to send to the motors
63
153000
3000
ad megfelelő parancsokat a motoroknak,
02:51
600 times a second.
64
156000
2000
másodpercenként 600-szor.
02:53
That's basically how this thing operates.
65
158000
2000
Alapvetően így működik ez az egész.
02:55
So one of the advantages of this design
66
160000
2000
E design egyik előnye,
02:57
is, when you scale things down,
67
162000
2000
hogy a méret csökkentésével
02:59
the robot naturally becomes agile.
68
164000
3000
a robot mozgékonnyá válik.
03:02
So here R
69
167000
2000
Itt R jelenti
03:04
is the characteristic length of the robot.
70
169000
2000
a robot karhosszát.
03:06
It's actually half the diameter.
71
171000
3000
Ez tulajdonképpen az átmérő fele.
03:09
And there are lots of physical parameters that change
72
174000
3000
Az R csökkentésével számos
03:12
as you reduce R.
73
177000
2000
fizikai paraméter ugyancsak változik.
03:14
The one that's the most important
74
179000
2000
A legfontosabb
03:16
is the inertia or the resistance to motion.
75
181000
2000
a tehetetlenség és a mozgási ellenállás.
03:18
So it turns out,
76
183000
2000
Mint az kiderül,
03:20
the inertia, which governs angular motion,
77
185000
3000
a tehetetlenség, ami meghatározza
a szögsebességet,
a szögsebességet,
03:23
scales as a fifth power of R.
78
188000
3000
R ötödik hatványával arányos.
03:26
So the smaller you make R,
79
191000
2000
Szóval minél kisebb R,
03:28
the more dramatically the inertia reduces.
80
193000
3000
annál drasztikusabban csökken
a tehetetlenség.
a tehetetlenség.
03:31
So as a result, the angular acceleration,
81
196000
3000
Ennek köszönhetően, a szöggyorsulás
03:34
denoted by Greek letter alpha here,
82
199000
2000
itt alfával jelölve,
03:36
goes as one over R.
83
201000
2000
egyenlő 1/R-rel.
03:38
It's inversely proportional to R.
84
203000
2000
Azaz fordítottan arányos R-rel.
03:40
The smaller you make it the more quickly you can turn.
85
205000
3000
Minél kisebb, annál gyorsabban fordul.
03:43
So this should be clear in these videos.
86
208000
2000
Ahogy ez a videókból is látható.
03:45
At the bottom right you see a robot
87
210000
3000
A jobb alsó sarokban látunk egy robotot,
03:48
performing a 360 degree flip
88
213000
2000
ahogy egy 360 fokos fordulatot csinál
03:50
in less than half a second.
89
215000
2000
kevesebb, mint fél másodperc alatt.
03:52
Multiple flips, a little more time.
90
217000
3000
Többszörös fordulat, kicsivel több idő.
03:55
So here the processes on board
91
220000
2000
A fedélzeti folyamatok
03:57
are getting feedback from accelerometers
92
222000
2000
visszajelzést kapnak a gyorsulásmérőktől
03:59
and gyros on board
93
224000
2000
és a giroszkópoktól,
04:01
and calculating, like I said before,
94
226000
2000
és kiszámolják, ahogy már említettem,
04:03
commands at 600 times a second
95
228000
2000
a parancsokat másodpercenként 600-szor,
04:05
to stabilize this robot.
96
230000
2000
a robot stabilizálása érdekében.
04:07
So on the left, you see Daniel throwing this robot up into the air.
97
232000
3000
Bal oldalon látjuk, ahogy Daniel
a levegőbe dobja a robotot.
a levegőbe dobja a robotot.
04:10
And it shows you how robust the control is.
98
235000
2000
Jól mutatja, milyen kifinomult a vezérlés.
04:12
No matter how you throw it,
99
237000
2000
Nem számít, hogyan dobja el,
04:14
the robot recovers and comes back to him.
100
239000
4000
a robot magához tér, és visszarepül hozzá.
04:18
So why build robots like this?
101
243000
2000
De miért is építsünk ilyen robotokat?
04:20
Well robots like this have many applications.
102
245000
3000
Nos, számos alkalmazásuk lehet.
04:23
You can send them inside buildings like this
103
248000
3000
Beküldhetjük őket ilyen épületekbe
04:26
as first responders to look for intruders,
104
251000
3000
első reagálókként, a behatolók
felderítésére,
felderítésére,
04:29
maybe look for biochemical leaks,
105
254000
3000
esetleg biokémiai szennyezés,
04:32
gaseous leaks.
106
257000
2000
vagy gázszivárgás keresésére.
04:34
You can also use them
107
259000
2000
Használhatjuk őket például
04:36
for applications like construction.
108
261000
2000
építési feladatokra.
04:38
So here are robots carrying beams, columns
109
263000
4000
Itt a robotok oszlopokat és
gerendákat hordanak
gerendákat hordanak
04:42
and assembling cube-like structures.
110
267000
3000
és kockaszerű építményeket
raknak össze belőlük.
raknak össze belőlük.
04:45
I'll tell you a little bit more about this.
111
270000
3000
Erről később kicsit bővebben mesélek.
04:48
The robots can be used for transporting cargo.
112
273000
3000
A robotok használhatók teherszállításra.
04:51
So one of the problems with these small robots
113
276000
3000
Bár az egyik probléma ezekkel a
kis robotokkal
kis robotokkal
04:54
is their payload carrying capacity.
114
279000
2000
a korlátozott teherbírásuk.
04:56
So you might want to have multiple robots
115
281000
2000
Ezért teherszállításra érdemes
04:58
carry payloads.
116
283000
2000
több robotot alkalmazni egyszerre.
05:00
This is a picture of a recent experiment we did --
117
285000
2000
Ez a felvétel mostanában készült --
05:02
actually not so recent anymore --
118
287000
2000
vagy nem is annyira --
05:04
in Sendai shortly after the earthquake.
119
289000
3000
Sendaiban, nem sokkal a földrengés után.
05:07
So robots like this could be sent into collapsed buildings
120
292000
3000
A robotokat be tudjuk küldeni
az összeomlott épületekbe,
az összeomlott épületekbe,
05:10
to assess the damage after natural disasters,
121
295000
2000
felmérni a katasztrófa utáni károkat,
05:12
or sent into reactor buildings
122
297000
3000
vagy reaktorépületekbe,
05:15
to map radiation levels.
123
300000
3000
a sugárzási szint mérésére.
05:19
So one fundamental problem
124
304000
2000
Egy alapvető probléma,
05:21
that the robots have to solve if they're to be autonomous
125
306000
3000
melyet az önálló robotoknak
meg kell oldaniuk,
meg kell oldaniuk,
05:24
is essentially figuring out
126
309000
2000
hogy kitalálják,
05:26
how to get from point A to point B.
127
311000
2000
hogyan jussanak A pontból B-be.
05:28
So this gets a little challenging
128
313000
2000
Ez már kicsit komolyabb kihívás,
05:30
because the dynamics of this robot are quite complicated.
129
315000
3000
mert a robotok dinamikája elég bonyolult.
05:33
In fact, they live in a 12-dimensional space.
130
318000
2000
Konkrétan, egy 12 dimenziós térben élnek.
05:35
So we use a little trick.
131
320000
2000
Ezért Itt bevetünk egy kis trükköt.
05:37
We take this curved 12-dimensional space
132
322000
3000
Fogjuk ezt a hajlított 12-dimenziós teret,
05:40
and transform it
133
325000
2000
és transzformáljuk
05:42
into a flat four-dimensional space.
134
327000
2000
egy lapos, négydimenziós térbe.
05:44
And that four-dimensional space
135
329000
2000
Ez a négydimenziós tér pedig
05:46
consists of X, Y, Z and then the yaw angle.
136
331000
3000
az X, Y, Z tengelyből és a kitérés
szögéből áll.
szögéből áll.
05:49
And so what the robot does
137
334000
2000
A robot dolga megtervezni
05:51
is it plans what we call a minimum snap trajectory.
138
336000
4000
az úgynevezett
"legkisebb csapódású röppályát".
"legkisebb csapódású röppályát".
05:55
So to remind you of physics,
139
340000
2000
Egy kis fizikai emlékeztető:
05:57
you have position, derivative, velocity,
140
342000
2000
a hely deriváltja a sebesség,
05:59
then acceleration,
141
344000
2000
majd a gyorsulás,
06:01
and then comes jerk
142
346000
2000
aztán rándulás
06:03
and then comes snap.
143
348000
2000
és azt követi a csapódás.
06:05
So this robot minimizes snap.
144
350000
3000
A robot a csapódást minimalizálja.
06:08
So what that effectively does
145
353000
2000
Ennek eredményeként
06:10
is produces a smooth and graceful motion.
146
355000
2000
egy sima és kecses mozgás áll elő.
06:12
And it does that avoiding obstacles.
147
357000
3000
És így képes elkerülni az akadályokat.
06:15
So these minimum snap trajectories in this flat space
148
360000
3000
Az ebben a lapos térben lévő
csapódási pályákat
csapódási pályákat
06:18
are then transformed back
149
363000
2000
aztán visszatranszformáljuk
06:20
into this complicated 12-dimensional space,
150
365000
2000
a bonyolult, 12 dimenziós térbe,
06:22
which the robot must do
151
367000
2000
ahol a robotok
06:24
for control and then execution.
152
369000
2000
vezérlése és működése zajlik.
06:26
So let me show you some examples
153
371000
2000
Hadd mutassam be, hogy is néznek ki
06:28
of what these minimum snap trajectories look like.
154
373000
2000
a legkisebb csapódású pályák!
06:30
And in the first video,
155
375000
2000
Az első videón látjuk,
06:32
you'll see the robot going from point A to point B
156
377000
2000
amint a robot A pontból B-be jut
06:34
through an intermediate point.
157
379000
2000
egy köztes ponton keresztül.
06:42
So the robot is obviously capable
158
387000
2000
A robot jól láthatóan képes
06:44
of executing any curve trajectory.
159
389000
2000
tetszőleges görbe pályát bejárni.
06:46
So these are circular trajectories
160
391000
2000
Ezeken a körkörös pályákon
06:48
where the robot pulls about two G's.
161
393000
3000
a robotra kb. 2g gyorsulás hat.
06:52
Here you have overhead motion capture cameras on the top
162
397000
4000
A tetején mozgásrögzítő kamerák vannak,
06:56
that tell the robot where it is 100 times a second.
163
401000
3000
amelyek másodpercenként 100-szor
közlik a robottal a helyzetét.
közlik a robottal a helyzetét.
06:59
It also tells the robot where these obstacles are.
164
404000
3000
A robot ezen keresztül értesül
az akadályokról is.
az akadályokról is.
07:02
And the obstacles can be moving.
165
407000
2000
Az akadályok pedig elmozdulhatnak.
07:04
And here you'll see Daniel throw this hoop into the air,
166
409000
3000
Itt azt látjuk, amint Daniel feldobja
ezt a karikát,
ezt a karikát,
07:07
while the robot is calculating the position of the hoop
167
412000
2000
a robot pedig kiszámolja
a karika helyzetét,
a karika helyzetét,
07:09
and trying to figure out how to best go through the hoop.
168
414000
4000
és megpróbálja rajta keresztül a legjobb
utat megtalálni.
utat megtalálni.
07:13
So as an academic,
169
418000
2000
Mi, kutatók, hozzászoktunk, hogy karikákon
07:15
we're always trained to be able to jump through hoops to raise funding for our labs,
170
420000
3000
ugorjunk át egy kis támogatás érdekében,
07:18
and we get our robots to do that.
171
423000
3000
de most ezt a robotokkal csináltatjuk.
07:21
(Applause)
172
426000
6000
(Taps)
07:27
So another thing the robot can do
173
432000
2000
Egy másik dolog, amire a robot képes,
07:29
is it remembers pieces of trajectory
174
434000
3000
képes emlékezni a pálya egyes darabjaira,
07:32
that it learns or is pre-programmed.
175
437000
2000
amit megtanult, vagy amire programozták.
07:34
So here you see the robot
176
439000
2000
Itt azt látjuk, ahogy a robot
07:36
combining a motion
177
441000
2000
egy kombinált mozgás révén
07:38
that builds up momentum
178
443000
2000
lendületet vesz, majd irányt vált,
07:40
and then changes its orientation and then recovers.
179
445000
3000
végül visszatér eredeti helyzetébe.
07:43
So it has to do this because this gap in the window
180
448000
3000
Erre azért van szükség, mert ez
az ablaknyílás
az ablaknyílás
07:46
is only slightly larger than the width of the robot.
181
451000
4000
alig nagyobb, mint a robot szélessége.
07:50
So just like a diver stands on a springboard
182
455000
3000
Ahogy a műugró az ugródeszkán
07:53
and then jumps off it to gain momentum,
183
458000
2000
felugrik, hogy lendületet vegyen
07:55
and then does this pirouette, this two and a half somersault through
184
460000
3000
a forgással a két és fél szaltóhoz,
07:58
and then gracefully recovers,
185
463000
2000
amit aztán kecsesen kivezet,
08:00
this robot is basically doing that.
186
465000
2000
a robot is ugyanezt csinálja.
08:02
So it knows how to combine little bits and pieces of trajectories
187
467000
3000
Tehát képes kis pályadarabokat kombinálni
08:05
to do these fairly difficult tasks.
188
470000
4000
ilyen nehéz feladatok megoldása érdekében.
08:09
So I want change gears.
189
474000
2000
Most gyorsítsunk egy kicsit!
08:11
So one of the disadvantages of these small robots is its size.
190
476000
3000
E kis robotok egyik hátránya a méretük.
08:14
And I told you earlier
191
479000
2000
Ahogy korábban mondtam,
08:16
that we may want to employ lots and lots of robots
192
481000
2000
sok-sok robotra lehet szükségünk
08:18
to overcome the limitations of size.
193
483000
3000
a méretkorlát legyőzéséhez.
08:21
So one difficulty
194
486000
2000
Az egyik nehézség
08:23
is how do you coordinate lots of these robots?
195
488000
3000
ezeknek a robotoknak az összehangolása.
08:26
And so here we looked to nature.
196
491000
2000
Ehhez a természetet hívtuk segítségül.
08:28
So I want to show you a clip
197
493000
2000
Mutatok egy filmet, amelyen
08:30
of Aphaenogaster desert ants
198
495000
2000
Stephen Pratt professzor laboratóriumában
08:32
in Professor Stephen Pratt's lab carrying an object.
199
497000
3000
sivatagi Aphaenogaster hangyák cipelnek
egy tárgyat.
egy tárgyat.
08:35
So this is actually a piece of fig.
200
500000
2000
Konkrétan egy darab fügét.
08:37
Actually you take any object coated with fig juice
201
502000
2000
Vagy bármit, amit fügesziruppal bekenünk,
08:39
and the ants will carry them back to the nest.
202
504000
3000
ezek a hangyák becipelnek a bolyba.
08:42
So these ants don't have any central coordinator.
203
507000
3000
A hangyáknak nincs egyetlen parancsnokuk.
08:45
They sense their neighbors.
204
510000
2000
Egyszerűen érzékelik a szomszédjaikat.
08:47
There's no explicit communication.
205
512000
2000
Nincs köztük konkrét kommunikáció.
08:49
But because they sense the neighbors
206
514000
2000
De mivel érzékelik szomszédjaikat,
08:51
and because they sense the object,
207
516000
2000
és érzékelik a tárgyat, mégis kialakul
08:53
they have implicit coordination across the group.
208
518000
3000
egyfajta koordináció a csoportban.
08:56
So this is the kind of coordination
209
521000
2000
Pontosan ilyen koordinációt akarunk
08:58
we want our robots to have.
210
523000
3000
mi is elérni a robotok között.
09:01
So when we have a robot
211
526000
2000
Ha van egy robotunk,
09:03
which is surrounded by neighbors --
212
528000
2000
amit körülvesznek a szomszédjai --
09:05
and let's look at robot I and robot J --
213
530000
2000
legyen ez az I és J robot --
09:07
what we want the robots to do
214
532000
2000
azt akarjuk, hogy ezek
09:09
is to monitor the separation between them
215
534000
3000
figyeljék az egymás közti távolságot,
09:12
as they fly in formation.
216
537000
2000
amikor kötelékben repülnek.
09:14
And then you want to make sure
217
539000
2000
Azt akarjuk, hogy ez a távolság
09:16
that this separation is within acceptable levels.
218
541000
2000
bizonyos határokon belül maradjon.
09:18
So again the robots monitor this error
219
543000
3000
A robot tehát figyeli ezt a hibát,
09:21
and calculate the control commands
220
546000
2000
és másodpercenként 100-szor
09:23
100 times a second,
221
548000
2000
kiszámítja a szükséges korrekciókat,
09:25
which then translates to the motor commands 600 times a second.
222
550000
3000
és másodpercenként 600-szor
motorparancsokra fordítja őket.
motorparancsokra fordítja őket.
09:28
So this also has to be done
223
553000
2000
Ráadásul mindezt decentralizált módon
09:30
in a decentralized way.
224
555000
2000
kell végrehajtani.
09:32
Again, if you have lots and lots of robots,
225
557000
2000
Ismét hangsúlyozom: ha sok robotunk van,
09:34
it's impossible to coordinate all this information centrally
226
559000
4000
akkor lehetetlen ezt az információt
központilag,
központilag,
09:38
fast enough in order for the robots to accomplish the task.
227
563000
3000
a feladat megoldáshoz elegendő
sebességgel kezelni.
sebességgel kezelni.
09:41
Plus the robots have to base their actions
228
566000
2000
Ráadásul a robotok az akcióikat
09:43
only on local information,
229
568000
2000
csak a szomszédjaiktól kapott,
09:45
what they sense from their neighbors.
230
570000
2000
lokális információkra építhetik.
09:47
And then finally,
231
572000
2000
Végül pedig, ragaszkodunk hozzá,
09:49
we insist that the robots be agnostic
232
574000
2000
hogy a robotok ne tudják,
09:51
to who their neighbors are.
233
576000
2000
kik a szomszédjaik.
09:53
So this is what we call anonymity.
234
578000
3000
Ezt hívjuk anonimitásnak.
09:56
So what I want to show you next
235
581000
2000
A következő videón bemutatom,
09:58
is a video
236
583000
2000
amint
10:00
of 20 of these little robots
237
585000
3000
20 ilyen apró robot
10:03
flying in formation.
238
588000
2000
kötelékben repül.
10:05
They're monitoring their neighbors' position.
239
590000
3000
Mindannyian figyelik szomszédjaik
pozícióját.
pozícióját.
10:08
They're maintaining formation.
240
593000
2000
Fenntartják a köteléket.
10:10
The formations can change.
241
595000
2000
A kötelék alakja akár változhat is.
10:12
They can be planar formations,
242
597000
2000
Lehet síkbeli alakzat,
10:14
they can be three-dimensional formations.
243
599000
2000
vagy akár térbeli.
10:16
As you can see here,
244
601000
2000
Ahogy látható, képesek átmenni
10:18
they collapse from a three-dimensional formation into planar formation.
245
603000
3000
egy térbeli alakzatból egy síkbeli
alakzatba.
alakzatba.
10:21
And to fly through obstacles
246
606000
2000
És miközben akadályokon haladnak át,
10:23
they can adapt the formations on the fly.
247
608000
4000
képesek a köteléket menet közben
módosítani.
módosítani.
10:27
So again, these robots come really close together.
248
612000
3000
Látható ismét, hogy a egymáshoz
nagyon közel vannak.
nagyon közel vannak.
10:30
As you can see in this figure-eight flight,
249
615000
2000
Ezen a nyolcas köteléken látható,
10:32
they come within inches of each other.
250
617000
2000
hogy pár centiméterre vannak egymástól.
10:34
And despite the aerodynamic interactions
251
619000
3000
A rotorlapátok aerodinamikai
10:37
of these propeller blades,
252
622000
2000
kölcsönhatását leszámítva,
10:39
they're able to maintain stable flight.
253
624000
2000
képesek stabilan repülni.
10:41
(Applause)
254
626000
7000
(Taps)
10:48
So once you know how to fly in formation,
255
633000
2000
Miután már tudnak kötelékben repülni,
10:50
you can actually pick up objects cooperatively.
256
635000
2000
kezdhetnek tárgyakat közösen felemelni.
10:52
So this just shows
257
637000
2000
Ez azt mutatja, hogyan tudjuk
10:54
that we can double, triple, quadruple
258
639000
3000
megduplázni, háromszorozni, négyszerezni
10:57
the robot strength
259
642000
2000
a robot erejét úgy, hogy szomszédjaikkal
10:59
by just getting them to team with neighbors, as you can see here.
260
644000
2000
csoportba szervezzük őket,
ahogy itt látható.
ahogy itt látható.
11:01
One of the disadvantages of doing that
261
646000
3000
Ennek a módszernek az egyik hátránya,
11:04
is, as you scale things up --
262
649000
2000
hogy -- a méretek növelésével -- azaz,
11:06
so if you have lots of robots carrying the same thing,
263
651000
2000
ha sok robot emel fel egyetlen tárgyat,
11:08
you're essentially effectively increasing the inertia,
264
653000
3000
akkor jelentősen nő a tehetetlenség,
11:11
and therefore you pay a price; they're not as agile.
265
656000
3000
tehát a dolognak ára van:
csökken a mozgékonyság.
csökken a mozgékonyság.
11:14
But you do gain in terms of payload carrying capacity.
266
659000
3000
A teherhordó-képesség tekintetében
viszont nyerünk.
viszont nyerünk.
11:17
Another application I want to show you --
267
662000
2000
Itt egy másik alkalmazás,
11:19
again, this is in our lab.
268
664000
2000
amit ismét a laborunkban mutatok be.
11:21
This is work done by Quentin Lindsey who's a graduate student.
269
666000
2000
Ez Quentin Lindsay, egy hallgató munkája.
11:23
So his algorithm essentially tells these robots
270
668000
3000
Az algoritmusa megmondja a robotoknak,
11:26
how to autonomously build
271
671000
2000
hogyan építsenek önállóan
11:28
cubic structures
272
673000
2000
szögletes formájú építményeket
11:30
from truss-like elements.
273
675000
3000
gerendaszerű elemekből.
11:33
So his algorithm tells the robot
274
678000
2000
Az algoritmus megmondja a robotnak,
11:35
what part to pick up,
275
680000
2000
melyik darabot emelje fel,
11:37
when and where to place it.
276
682000
2000
és hogy mikor és hova tegye.
11:39
So in this video you see --
277
684000
2000
Itt, ezen a videón --
11:41
and it's sped up 10, 14 times --
278
686000
2000
10-14-szeresen felgyorsítva --
11:43
you see three different structures being built by these robots.
279
688000
3000
három különböző struktúra építése látható.
11:46
And again, everything is autonomous,
280
691000
2000
Ez ismét egy teljesen autonóm folyamat,
11:48
and all Quentin has to do
281
693000
2000
amihez Quentinnek mindössze
11:50
is to get them a blueprint
282
695000
2000
az építendő szerkezetek
11:52
of the design that he wants to build.
283
697000
4000
tervrajzát kellett a robotoknak adnia.
11:56
So all these experiments you've seen thus far,
284
701000
3000
Az eddig bemutatott kísérletek
11:59
all these demonstrations,
285
704000
2000
valamennyien mozgásrögzítő rendszerek
12:01
have been done with the help of motion capture systems.
286
706000
3000
segítségével készültek.
12:04
So what happens when you leave your lab
287
709000
2000
De mi történik, ha elhagyjuk a labort,
12:06
and you go outside into the real world?
288
711000
3000
és kilépünk a való világba?
12:09
And what if there's no GPS?
289
714000
3000
Mi van, ha nincs GPS-ünk?
12:12
So this robot
290
717000
2000
Nos, ez a robot
12:14
is actually equipped with a camera
291
719000
2000
rendelkezik egy kamerával,
12:16
and a laser rangefinder, laser scanner.
292
721000
3000
és egy lézeres távolságmérővel,
egy szkennerrel.
egy szkennerrel.
12:19
And it uses these sensors
293
724000
2000
Ezeket az érzékelőket használja
12:21
to build a map of the environment.
294
726000
2000
környezetének feltérképezésére.
12:23
What that map consists of are features --
295
728000
3000
Ez a térkép olyan dolgokat tartalmaz,
12:26
like doorways, windows,
296
731000
2000
mint ajtók, ablakok,
12:28
people, furniture --
297
733000
2000
emberek, bútorok,
12:30
and it then figures out where its position is
298
735000
2000
ezekből találja ki az aktuális helyzetét,
12:32
with respect to the features.
299
737000
2000
a felsorolt objektumokhoz képest.
12:34
So there is no global coordinate system.
300
739000
2000
Nem használ globális koordinátarendszert.
12:36
The coordinate system is defined based on the robot,
301
741000
3000
A koordinátarendszer a roboton alapul,
12:39
where it is and what it's looking at.
302
744000
3000
a pillanatnyi helyzetén, és azon,
amit éppen lát.
amit éppen lát.
12:42
And it navigates with respect to those features.
303
747000
3000
Ezen objektumok alapján navigál.
12:45
So I want to show you a clip
304
750000
2000
A most következő film
12:47
of algorithms developed by Frank Shen
305
752000
2000
Frank Shen és Nathan Michael professzor
12:49
and Professor Nathan Michael
306
754000
2000
algoritmusát illusztrálja,
aminek segítségével
aminek segítségével
12:51
that shows this robot entering a building for the very first time
307
756000
4000
a robot, ami először jár egy épületben,
12:55
and creating this map on the fly.
308
760000
3000
menet közben térképezi fel azt.
12:58
So the robot then figures out what the features are.
309
763000
3000
Tehát a robot maga határozza meg
az objektumokat.
az objektumokat.
13:01
It builds the map.
310
766000
2000
Ő maga készíti a térképet. Meghatározza
13:03
It figures out where it is with respect to the features
311
768000
2000
az objektumokhoz viszonyított helyzetét,
13:05
and then estimates its position
312
770000
2000
majd másodpercenként 100-szor
13:07
100 times a second
313
772000
2000
megbecsüli a pozícióját,
13:09
allowing us to use the control algorithms
314
774000
2000
lehetővé téve ezzel a korábban említett
13:11
that I described to you earlier.
315
776000
2000
vezérlő algoritmus használatát.
13:13
So this robot is actually being commanded
316
778000
2000
Tehát ezt a robotot valójában
13:15
remotely by Frank.
317
780000
2000
Frank irányítja távolról.
13:17
But the robot can also figure out
318
782000
2000
A robot azonban maga is képes
13:19
where to go on its own.
319
784000
2000
kitalálni, merre menjen.
13:21
So suppose I were to send this into a building
320
786000
2000
Ha például be akarom küldeni
ebbe az épületbe, de fogalmam sincs,
ebbe az épületbe, de fogalmam sincs,
13:23
and I had no idea what this building looked like,
321
788000
2000
hogy az épület hogy néz ki belülről,
13:25
I can ask this robot to go in,
322
790000
2000
kérhetem a robotot, hogy menjen be,
13:27
create a map
323
792000
2000
készítsen egy térképet, majd jöjjön ki,
13:29
and then come back and tell me what the building looks like.
324
794000
3000
és mondja el nekem, mit látott.
13:32
So here, the robot is not only solving the problem,
325
797000
3000
Ez esetben a robot nem egyszerűen
13:35
how to go from point A to point B in this map,
326
800000
3000
az A-ból B-be jutás problémáját oldja meg,
13:38
but it's figuring out
327
803000
2000
hanem azt is folyamatosan kitalálja,
13:40
what the best point B is at every time.
328
805000
2000
hogy melyik a legjobb soron következő B.
13:42
So essentially it knows where to go
329
807000
3000
Még azt is tudja, merre menjen,
hogy megtalálja
hogy megtalálja
13:45
to look for places that have the least information.
330
810000
2000
az információs fehér foltokat.
13:47
And that's how it populates this map.
331
812000
3000
Így tölti fel adatokkal a térképet.
13:50
So I want to leave you
332
815000
2000
Búcsúzóul mutatok önöknek
13:52
with one last application.
333
817000
2000
még egy alkalmazási lehetőséget.
13:54
And there are many applications of this technology.
334
819000
3000
Az alkalmazási lehetőségek egyébként
végtelenek.
végtelenek.
13:57
I'm a professor, and we're passionate about education.
335
822000
2000
Tanárként, nekem szenvedélyem az oktatás.
13:59
Robots like this can really change the way
336
824000
2000
Az effajta robotok teljesen átformálhatják
14:01
we do K through 12 education.
337
826000
2000
az alap- és középfokú oktatást.
14:03
But we're in Southern California,
338
828000
2000
Most azonban Dél-Kaliforniában vagyunk,
14:05
close to Los Angeles,
339
830000
2000
Los Angeles közelében,
14:07
so I have to conclude
340
832000
2000
ezért kötelességem
14:09
with something focused on entertainment.
341
834000
2000
valami szórakoztatóval befejezni.
14:11
I want to conclude with a music video.
342
836000
2000
Ez a valami egy zenei videó.
14:13
I want to introduce the creators, Alex and Daniel,
343
838000
3000
Ismerjék meg az alkotóit,
14:16
who created this video.
344
841000
2000
Alexet és Danielt.
14:18
(Applause)
345
843000
7000
(Taps)
14:25
So before I play this video,
346
850000
2000
Mielőtt lejátszanám ezt a videót,
14:27
I want to tell you that they created it in the last three days
347
852000
3000
elmondom, hogy Chris hívását követően
14:30
after getting a call from Chris.
348
855000
2000
három napjuk volt az elkészítésére.
14:32
And the robots that play the video
349
857000
2000
A film szereplői pedig
14:34
are completely autonomous.
350
859000
2000
autonóm robotok.
14:36
You will see nine robots play six different instruments.
351
861000
3000
Kilenc robot fog játszani hat különböző
hangszeren.
hangszeren.
14:39
And of course, it's made exclusively for TED 2012.
352
864000
4000
A produkció kizárólag a TED 2012
számára készült.
számára készült.
14:43
Let's watch.
353
868000
3000
Lássuk!
15:19
(Music)
354
904000
10000
(Zene)
16:23
(Applause)
355
968000
17000
(Taps)
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