TEDxPenn
Vijay Kumar: The future of flying robots
Vijay Kumar: A repülő robotok jövője
Filmed:
Readability: 4.9
1,780,679 views
Vijay Kumar és csapata a pennsylvaniai egyetemi laborjukban önálló légi robotokat fejlesztett ki. amelyekhez a méhek adták az ihletet. Legutóbbi átütő sikerű fejlesztésük eredménye a precíziós mezőgazdaság, amelyben robotok raja föltérképezi, rekonstruálja és elemzi a gyümölcsöskert minden növényét és gyümölcsét, s ezzel létfontosságú tájékoztatást nyújt a gazdáknak, amellyel elősegítheti a terméshozam növelését és a vízgazdálkodás javítását.
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
A laboromban önálló
légi robotokat építünk.
légi robotokat építünk.
00:16
like the one you see flying here.
1
4960
1880
Olyanokat, mint amely itt röpköd.
00:20
Unlike the commercially available drones
that you can buy today,
that you can buy today,
2
8720
3696
A kereskedelemben ma kapható
drónoktól eltérően
drónoktól eltérően
00:24
this robot doesn't have any GPS on board.
3
12440
2640
ebben a robotban egyáltalán nincs GPS.
00:28
So without GPS,
4
16160
1216
GPS nélkül
00:29
it's hard for robots like this
to determine their position.
to determine their position.
5
17400
3280
az ilyen robotnak nem könnyű
meghatároznia a helyzetét.
meghatároznia a helyzetét.
00:34
This robot uses onboard sensors,
cameras and laser scanners,
cameras and laser scanners,
6
22240
4736
Ez a robot a benne lévő érzékelőket -
kamerákat és lézerszkennereket - használja
kamerákat és lézerszkennereket - használja
00:39
to scan the environment.
7
27000
1696
a környezetének letapogatására.
00:40
It detects features from the environment,
8
28720
3056
Észleli a környezet jellegzetességeit,
00:43
and it determines where it is
relative to those features,
relative to those features,
9
31800
2736
s a helyzetét hozzájuk képest
határozza meg
határozza meg
00:46
using a method of triangulation.
10
34560
2136
a háromszögelés módszerével.
00:48
And then it can assemble
all these features into a map,
all these features into a map,
11
36720
3456
Azután a robot ezeket
a jellegzetességeket térképbe egyesíti.
a jellegzetességeket térképbe egyesíti.
00:52
like you see behind me.
12
40200
1736
Mögöttem ezt láthatják.
00:53
And this map then allows the robot
to understand where the obstacles are
to understand where the obstacles are
13
41960
3936
A robot a térképből tudja,
hogy hol vannak akadályok,
hogy hol vannak akadályok,
00:57
and navigate in a collision-free manner.
14
45920
2720
és ütközés nélkül kormányozza magát.
01:01
What I want to show you next
15
49160
2096
Szeretnék a következőkben bemutatni
01:03
is a set of experiments
we did inside our laboratory,
we did inside our laboratory,
16
51280
3216
a laborunkban elvégzett néhány kísérletet,
01:06
where this robot was able
to go for longer distances.
to go for longer distances.
17
54520
3480
amelyben a robot nagyobb távolságok
megtételére volt képes.
megtételére volt képes.
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
A jobb fölső sarokban látják,
hogy mit észlel a robot kamerája.
hogy mit észlel a robot kamerája.
01:15
And on the main screen --
19
63440
1216
A nagy képernyőn —
01:16
and of course this is sped up
by a factor of four --
by a factor of four --
20
64680
2456
persze, négyszeresére fölgyorsítva —,
01:19
on the main screen you'll see
the map that it's building.
the map that it's building.
21
67160
2667
ahogy a robot kidolgozza a térképet.
01:21
So this is a high-resolution map
of the corridor around our laboratory.
of the corridor around our laboratory.
22
69851
4285
Ez a nagy felbontású térkép
laborunk folyosóját ábrázolja.
laborunk folyosóját ábrázolja.
01:26
And in a minute
you'll see it enter our lab,
you'll see it enter our lab,
23
74160
2336
Mindjárt látják, ahogy beröpül a laborba,
01:28
which is recognizable
by the clutter that you see.
by the clutter that you see.
24
76520
2856
láthatják az okozott zűrzavarból.
01:31
(Laughter)
25
79400
1016
(Nevetés)
01:32
But the main point I want to convey to you
26
80440
2007
De mindebben a lényeg,
01:34
is that these robots are capable
of building high-resolution maps
of building high-resolution maps
27
82472
3584
hogy a robotok 5 centi felbontású,
01:38
at five centimeters resolution,
28
86080
2496
azaz nagy felbontású térképek
kidolgozására képesek,
kidolgozására képesek,
01:40
allowing somebody who is outside the lab,
or outside the building
or outside the building
29
88600
4176
ami a laboron vagy az épületen kívül
tartózkodóknak is lehetővé teszi
tartózkodóknak is lehetővé teszi
01:44
to deploy these
without actually going inside,
without actually going inside,
30
92800
3216
a térképezést, s ehhez nem kell bemenniük.
01:48
and trying to infer
what happens inside the building.
what happens inside the building.
31
96040
3760
Így következtetni tudnak arra,
mi történik benn.
mi történik benn.
01:52
Now there's one problem
with robots like this.
with robots like this.
32
100400
2240
Ám ezekkel a robotokkal
van egy pár bökkenő.
van egy pár bökkenő.
01:55
The first problem is it's pretty big.
33
103600
2200
Az első gond, hogy elég nagy.
01:58
Because it's big, it's heavy.
34
106120
1680
Mivel nagy, súlyos is.
02:00
And these robots consume
about 100 watts per pound.
about 100 watts per pound.
35
108640
3040
Ezek a robotok kilogrammonként
220 wattot fogyasztanak.
220 wattot fogyasztanak.
02:04
And this makes for
a very short mission life.
a very short mission life.
36
112360
2280
Ezért csak rövid távú feladatokra
alkalmasak.
alkalmasak.
02:08
The second problem
37
116000
1456
A másik gond,
02:09
is that these robots have onboard sensors
that end up being very expensive --
that end up being very expensive --
38
117480
3896
hogy a robotokban lévő érzékelők -
a kamera, a lézerszkenner,
a kamera, a lézerszkenner,
02:13
a laser scanner, a camera
and the processors.
and the processors.
39
121400
3440
valamint a processzorok - nagyon drágák.
02:17
That drives up the cost of this robot.
40
125280
3040
Ez az egekbe viszi a robot árát.
02:21
So we asked ourselves a question:
41
129440
2656
Így hát föltettük magunknak a kérdést:
02:24
what consumer product
can you buy in an electronics store
can you buy in an electronics store
42
132120
3776
milyen készterméket vehetünk
elektronikai boltokban,
elektronikai boltokban,
02:27
that is inexpensive, that's lightweight,
that has sensing onboard and computation?
that has sensing onboard and computation?
43
135920
6280
amely olcsó, pihekönnyű, van rajta
érzékelő és számítógép?
érzékelő és számítógép?
02:36
And we invented the flying phone.
44
144080
2656
És föltaláltuk a repülő mobiltelefont.
02:38
(Laughter)
45
146760
1936
(Nevetés)
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
Tehát robotunk készen kapható
Samsung Galaxy okostelefont használ,
Samsung Galaxy okostelefont használ,
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
és csak egy áruházunkból letölthető
alkalmazás kell még hozzá.
alkalmazás kell még hozzá.
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
Most a robot a TED betűit olvassa be,
02:55
looking at the corners
of the "T" and the "E"
of the "T" and the "E"
49
163200
2936
figyeli a "T' és az "E" betűk sarkait,
02:58
and then triangulating off of that,
flying autonomously.
flying autonomously.
50
166160
3480
azután belőlük háromszögeléssel
kiindulva önállóan repül.
kiindulva önállóan repül.
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
A botkormány csak azért van itt,
hogy ha a robot meghülyülne,
hogy ha a robot meghülyülne,
03:06
Giuseppe can kill it.
52
174000
1416
Giuseppe tudja semlegesíteni.
03:07
(Laughter)
53
175440
1640
(Nevetés)
03:10
In addition to building
these small robots,
these small robots,
54
178920
3816
A kis robotok építésén kívül még
03:14
we also experiment with aggressive
behaviors, like you see here.
behaviors, like you see here.
55
182760
4800
kísérleteztünk az itt látható
energikus viselkedéssel is.
energikus viselkedéssel is.
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
Ez a robot 2-3 m/sec sebességgel repül,
03:25
pitching and rolling aggressively
as it changes direction.
as it changes direction.
57
193240
3496
irányváltás közben zuhanva és keringve.
03:28
The main point is we can have
smaller robots that can go faster
smaller robots that can go faster
58
196760
4256
A lényeg, hogy kisebb,
gyorsabb robotunk lehet,
gyorsabb robotunk lehet,
03:33
and then travel in these
very unstructured environments.
very unstructured environments.
59
201040
2960
amely nagyon tagolt környezetben is repül.
03:37
And in this next video,
60
205120
2056
A következő filmen
03:39
just like you see this bird, an eagle,
gracefully coordinating its wings,
gracefully coordinating its wings,
61
207200
5896
egy sast látnak, amint kecsesen
összehangolja a szárnya, szeme
összehangolja a szárnya, szeme
03:45
its eyes and feet
to grab prey out of the water,
to grab prey out of the water,
62
213120
4296
és lába mozgását, hogy kikapja
zsákmányát a vízből.
zsákmányát a vízből.
03:49
our robot can go fishing, too.
63
217440
1896
A mi robotunk is tud halászni.
03:51
(Laughter)
64
219360
1496
(Nevetés)
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
Esetünkben egy sajtos-sztékes
szendvicset kap el a levegőből.
szendvicset kap el a levegőből.
03:56
(Laughter)
66
224960
2400
(Nevetés)
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
Látják, hogy ez a robot
kb. 3 m/sec sebességgel mozog,
kb. 3 m/sec sebességgel mozog,
04:03
which is faster than walking speed,
coordinating its arms, its claws
coordinating its arms, its claws
68
231000
5136
ez nagyobb, mint egy gyaloglóé;
közben összehangolja karját, karmait
közben összehangolja karját, karmait
04:08
and its flight with split-second timing
to achieve this maneuver.
to achieve this maneuver.
69
236160
4120
és repülését hajszálpontos időzítéssel,
hogy végrehajtsa a műveletet.
hogy végrehajtsa a műveletet.
04:14
In another experiment,
70
242120
1216
Egy másik kísérletben
04:15
I want to show you
how the robot adapts its flight
how the robot adapts its flight
71
243360
3656
azt akarom bemutatni, hogyan
szabályozza a robot a mozgását,
szabályozza a robot a mozgását,
04:19
to control its suspended payload,
72
247040
2376
ha függő teherrel repül.
04:21
whose length is actually larger
than the width of the window.
than the width of the window.
73
249440
3800
A felfüggesztés itt hosszabb,
mint a keret magassága.
mint a keret magassága.
04:25
So in order to accomplish this,
74
253680
1696
A végrehajtás érdekében a robotnak
04:27
it actually has to pitch
and adjust the altitude
and adjust the altitude
75
255400
3696
le kell buknia, be kell állítania
a magasságát,
a magasságát,
04:31
and swing the payload through.
76
259120
2320
és át kell lendítenie a terhet a kereten.
04:38
But of course we want
to make these even smaller,
to make these even smaller,
77
266920
2296
De mindezt szerettük volna
még kisebben is megcsinálni,
s ehhez a méhektől kaptunk ihletet.
s ehhez a méhektől kaptunk ihletet.
04:41
and we're inspired
in particular by honeybees.
in particular by honeybees.
78
269240
3016
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
Ha a lassított felvételen
figyeljük a méheket,
figyeljük a méheket,
04:47
they're so small,
the inertia is so lightweight --
the inertia is so lightweight --
80
275560
3720
annyira parányiak,
a tehetetlenségük leheletnyi...
a tehetetlenségük leheletnyi...
(Nevetés)
04:51
(Laughter)
81
279960
1176
04:53
that they don't care --
they bounce off my hand, for example.
they bounce off my hand, for example.
82
281160
3536
nem érdekli őket,
például visszapattannak a kezemről.
például visszapattannak a kezemről.
04:56
This is a little robot
that mimics the honeybee behavior.
that mimics the honeybee behavior.
83
284720
3160
Ez a pici robot a méhek viselkedését
utánozza.
utánozza.
05:00
And smaller is better,
84
288600
1216
A kisebb egyben jobb is,
05:01
because along with the small size
you get lower inertia.
you get lower inertia.
85
289840
3536
mert a kisebb mérettel együtt jár
a kisebb tehetetlenség.
a kisebb tehetetlenség.
05:05
Along with lower inertia --
86
293400
1536
Kisebb tehetetlenség mellett
05:06
(Robot buzzing, laughter)
87
294960
2856
(A robot zümmög, nevetés)
05:09
along with lower inertia,
you're resistant to collisions.
you're resistant to collisions.
88
297840
2816
pedig ellenállóbbak az ütközéssel szemben.
05:12
And that makes you more robust.
89
300680
1720
Ezáltal masszívabbak.
05:15
So just like these honeybees,
we build small robots.
we build small robots.
90
303800
2656
A méhekhez hasonló méretű
ilyen kis robotokat építünk.
ilyen kis robotokat építünk.
05:18
And this particular one
is only 25 grams in weight.
is only 25 grams in weight.
91
306480
3376
Konkrétan ennek csak 25 gramm a súlya.
05:21
It consumes only six watts of power.
92
309880
2160
Csak 6 wattot fogyaszt.
05:24
And it can travel
up to six meters per second.
up to six meters per second.
93
312440
2536
Maximum 6 m/sec sebességre képes.
05:27
So if I normalize that to its size,
94
315000
2336
A méretéhez képest ez olyan,
05:29
it's like a Boeing 787 traveling
ten times the speed of sound.
ten times the speed of sound.
95
317360
3640
mintha a Boeing 787 tízszeres
hangsebességgel repülne.
hangsebességgel repülne.
05:36
(Laughter)
96
324000
2096
(Nevetés)
05:38
And I want to show you an example.
97
326120
1920
Egy példát szeretnék mutatni.
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
Bizonyára ez az első tervezett légi
ütközés, a sebesség huszadára lassítva.
ütközés, a sebesség huszadára lassítva.
05:46
These are going at a relative speed
of two meters per second,
of two meters per second,
99
334120
2858
A robotok egymáshoz viszonyított
sebessége 2 m/sec,
sebessége 2 m/sec,
05:49
and this illustrates the basic principle.
100
337002
2480
és a film szemlélteti az alapelvet.
05:52
The two-gram carbon fiber cage around it
prevents the propellers from entangling,
prevents the propellers from entangling,
101
340200
4976
A kétgrammos szénszálas ketrec
a robot körül óvja a légcsavarokat,
a robot körül óvja a légcsavarokat,
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
elnyeli az ütközést, s a robot reagál rá.
06:02
And so small also means safe.
103
350520
2560
Tehát a kicsi egyben biztonságos is.
06:05
In my lab, as we developed these robots,
104
353400
2016
A laboromban a robotok fejlesztését
06:07
we start off with these big robots
105
355440
1620
ezekkel a nagy robotokkal kezdtük,
06:09
and then now we're down
to these small robots.
to these small robots.
106
357084
2812
mostanra viszont elértünk
ezekhez a kicsikhez.
ezekhez a kicsikhez.
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
Mennyi ragtapaszt kellett
vennünk a múltban!
vennünk a múltban!
06:15
in the past, that sort of tailed off now.
108
363400
2576
Mára ezzel már leállhattunk.
06:18
Because these robots are really safe.
109
366000
1960
Mert e robotok tényleg biztonságosak.
06:20
The small size has some disadvantages,
110
368760
2456
A kis méretnek vannak hátrányai is,
06:23
and nature has found a number of ways
to compensate for these disadvantages.
to compensate for these disadvantages.
111
371240
4080
de a természet módot talált
az ellensúlyozásukra.
az ellensúlyozásukra.
06:27
The basic idea is they aggregate
to form large groups, or swarms.
to form large groups, or swarms.
112
375960
4000
Az alapgondolat: nagy csoportokba,
azaz rajokba szerveződnek.
azaz rajokba szerveződnek.
06:32
So, similarly, in our lab,
we try to create artificial robot swarms.
we try to create artificial robot swarms.
113
380320
3976
Ugyanígy, a laborban igyekszünk
mesterséges robotrajokat kialakítani.
mesterséges robotrajokat kialakítani.
06:36
And this is quite challenging
114
384320
1381
Nem könnyű feladat,
06:37
because now you have to think
about networks of robots.
about networks of robots.
115
385725
3320
mert most már robotok
hálózatával van dolgunk.
hálózatával van dolgunk.
06:41
And within each robot,
116
389360
1296
Minden robot esetében
06:42
you have to think about the interplay
of sensing, communication, computation --
of sensing, communication, computation --
117
390680
5616
gondoskodnunk kell a kommunikáció, az
érzékelés, és a számítások összhangjáról,
érzékelés, és a számítások összhangjáról,
06:48
and this network then becomes
quite difficult to control and manage.
quite difficult to control and manage.
118
396320
4960
és ettől a hálózatot elég nehéz lesz
szabályozni és kezelni.
szabályozni és kezelni.
06:54
So from nature we take away
three organizing principles
three organizing principles
119
402160
3296
Tehát a természettől
3 szervezőelvet kölcsönöztünk,
3 szervezőelvet kölcsönöztünk,
06:57
that essentially allow us
to develop our algorithms.
to develop our algorithms.
120
405480
3160
amely lehetővé teszi
algoritmusaink fejlesztését.
algoritmusaink fejlesztését.
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
Az első elv: a robotoknak figyelemmel
kell lenniük a szomszédjaikra.
kell lenniük a szomszédjaikra.
07:06
They need to be able to sense
and communicate with their neighbors.
and communicate with their neighbors.
122
414200
3440
Érzékelniük kell őket,
és kommunikálni kell velük.
és kommunikálni kell velük.
07:10
So this video illustrates the basic idea.
123
418040
2656
A film szemlélteti az alapelvet.
07:12
You have four robots --
124
420720
1296
Négy robotunk van,
07:14
one of the robots has actually been
hijacked by a human operator, literally.
hijacked by a human operator, literally.
125
422040
4240
egyiküket egy irányító személy
szó szerint eltérítette.
szó szerint eltérítette.
07:19
But because the robots
interact with each other,
interact with each other,
126
427217
2239
De a robotok kapcsolatban
vannak egymással,
vannak egymással,
07:21
they sense their neighbors,
127
429480
1656
így érzékelik a szomszédjaikat,
07:23
they essentially follow.
128
431160
1296
és követik egymást.
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
Egy személy vezetni képes
a követők hálózatát.
a követők hálózatát.
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
Megint csak: nem azért, mintha
mindegyik tudná, merre kell mennie,
mindegyik tudná, merre kell mennie,
07:37
It's because they're just reacting
to the positions of their neighbors.
to the positions of their neighbors.
131
445080
4320
hanem azért, mert reagálnak
a szomszédjaik helyzetére.
a szomszédjaik helyzetére.
07:43
(Laughter)
132
451720
4120
(Nevetés)
07:48
So the next experiment illustrates
the second organizing principle.
the second organizing principle.
133
456280
5240
A következő kísérlet szemlélteti
a második szervezőelvet.
a második szervezőelvet.
07:54
And this principle has to do
with the principle of anonymity.
with the principle of anonymity.
134
462920
3800
Ez pedig az ismeretlenség
elvével kapcsolatos.
elvével kapcsolatos.
07:59
Here the key idea is that
135
467400
4296
A fő gondolat,
08:03
the robots are agnostic
to the identities of their neighbors.
to the identities of their neighbors.
136
471720
4240
hogy a robotok nem foglalkoznak
a szomszédjaik kilétével.
a szomszédjaik kilétével.
08:08
They're asked to form a circular shape,
137
476440
2616
Kört kellett alakítaniuk,
08:11
and no matter how many robots
you introduce into the formation,
you introduce into the formation,
138
479080
3296
és nem számít, hány robotot
iktatunk be az alakzatba
iktatunk be az alakzatba
08:14
or how many robots you pull out,
139
482400
2576
vagy veszünk ki belőle,
08:17
each robot is simply
reacting to its neighbor.
reacting to its neighbor.
140
485000
3136
minden robot a szomszédjára reagál.
08:20
It's aware of the fact that it needs
to form the circular shape,
to form the circular shape,
141
488160
4976
Azt tudja csak,
hogy szomszédaival közösen,
hogy szomszédaival közösen,
08:25
but collaborating with its neighbors
142
493160
1776
kört alakítva kell mozogniuk,
08:26
it forms the shape
without central coordination.
without central coordination.
143
494960
3720
anélkül, hogy kívülről irányítanák őket.
08:31
Now if you put these ideas together,
144
499520
2416
Ha összerakjuk ezeket az elveket,
08:33
the third idea is that we
essentially give these robots
essentially give these robots
145
501960
3896
a harmadik elv, hogy alapvetően
a kívánt alakzat matematikai leírását
a kívánt alakzat matematikai leírását
08:37
mathematical descriptions
of the shape they need to execute.
of the shape they need to execute.
146
505880
4296
adjuk meg robotjaink számára.
08:42
And these shapes can be varying
as a function of time,
as a function of time,
147
510200
3496
Azután az alakzatok az idő
függvényében változhatnak,
függvényében változhatnak,
08:45
and you'll see these robots
start from a circular formation,
start from a circular formation,
148
513720
4496
s láthatják, hogy a robotok
először köralakot öltenek,
először köralakot öltenek,
08:50
change into a rectangular formation,
stretch into a straight line,
stretch into a straight line,
149
518240
3256
majd négyszögletes formát, később
vonal alakzatot vesznek föl,
vonal alakzatot vesznek föl,
08:53
back into an ellipse.
150
521520
1375
utána ismét az ellipszisét.
08:54
And they do this with the same
kind of split-second coordination
kind of split-second coordination
151
522919
3617
Egy pillanat alatt váltanak,
08:58
that you see in natural swarms, in nature.
152
526560
3280
ahogy az igazi rajok a természetben.
09:03
So why work with swarms?
153
531080
2136
Miért dolgozunk rajokkal?
09:05
Let me tell you about two applications
that we are very interested in.
that we are very interested in.
154
533240
4120
Két alkalmazást említek,
amelyek különösen érdekelnek minket.
amelyek különösen érdekelnek minket.
09:10
The first one has to do with agriculture,
155
538160
2376
Az első a mezőgazdasággal kapcsolatos,
09:12
which is probably the biggest problem
that we're facing worldwide.
that we're facing worldwide.
156
540560
3360
ami valószínűleg a legnagyobb
probléma a világon.
probléma a világon.
09:16
As you well know,
157
544760
1256
Mindannyian jól tudjuk,
09:18
one in every seven persons
in this earth is malnourished.
in this earth is malnourished.
158
546040
3520
hogy minden hetedik ember éhezik.
09:21
Most of the land that we can cultivate
has already been cultivated.
has already been cultivated.
159
549920
3480
A megművelhető földek zömét
már eddig is művelték.
már eddig is művelték.
09:25
And the efficiency of most systems
in the world is improving,
in the world is improving,
160
553960
3216
A legtöbb rendszer hatékonysága növekszik,
09:29
but our production system
efficiency is actually declining.
efficiency is actually declining.
161
557200
3520
a termelési rendszereké
viszont csökken.
viszont csökken.
09:33
And that's mostly because of water
shortage, crop diseases, climate change
shortage, crop diseases, climate change
162
561080
4216
A fő ok a vízhiány, az éghajlatváltozás
és a növénybetegségek,
és a növénybetegségek,
09:37
and a couple of other things.
163
565320
1520
meg még egy pár dolog.
09:39
So what can robots do?
164
567360
1480
Mit tehetnek a robotok?
09:41
Well, we adopt an approach that's
called Precision Farming in the community.
called Precision Farming in the community.
165
569200
4616
Nos, mi az ún. precíziós mezőgazdaság
módszerét alkalmazzuk.
módszerét alkalmazzuk.
09:45
And the basic idea is that we fly
aerial robots through orchards,
aerial robots through orchards,
166
573840
5376
Az alapelv, hogy a légi robotok
berepülik a gyümölcsösöket,
berepülik a gyümölcsösöket,
09:51
and then we build
precision models of individual plants.
precision models of individual plants.
167
579240
3120
és mi létrehozzuk az egyes
növények precíziós modelljét.
növények precíziós modelljét.
09:54
So just like personalized medicine,
168
582829
1667
Mint a személyre szabott gyógyításban,
09:56
while you might imagine wanting
to treat every patient individually,
to treat every patient individually,
169
584520
4816
ahol minden beteget egyéni módon kezelnek.
10:01
what we'd like to do is build
models of individual plants
models of individual plants
170
589360
3696
Szeretnénk létrehozni az egyes
növények modelljét,
növények modelljét,
10:05
and then tell the farmer
what kind of inputs every plant needs --
what kind of inputs every plant needs --
171
593080
4136
azután közölni a gazdával,
melyik növény mit igényel;
melyik növény mit igényel;
10:09
the inputs in this case being water,
fertilizer and pesticide.
fertilizer and pesticide.
172
597240
4440
esetünkben vizet, trágyát
vagy növényvédő szert.
vagy növényvédő szert.
10:14
Here you'll see robots
traveling through an apple orchard,
traveling through an apple orchard,
173
602640
3616
Itt a robotok az almáskertet járják be,
10:18
and in a minute you'll see
two of its companions
two of its companions
174
606280
2256
és egy pillanat múlva két társát látják,
10:20
doing the same thing on the left side.
175
608560
1810
amint ugyanazt csinálja a bal oldalon.
10:22
And what they're doing is essentially
building a map of the orchard.
building a map of the orchard.
176
610800
3656
Most állítják össze az almáskert térképét.
10:26
Within the map is a map
of every plant in this orchard.
of every plant in this orchard.
177
614480
2816
A térkép tartalmazza a kertben lévő
valamennyi növényt.
valamennyi növényt.
10:29
(Robot buzzing)
178
617320
1656
(A robot zümmög)
10:31
Let's see what those maps look like.
179
619000
1896
Lássuk, hogy néznek ki a térképek.
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
A következő film mutatja
a robotokban lévő kamerákat.
a robotokban lévő kamerákat.
10:37
On the top-left is essentially
a standard color camera.
a standard color camera.
181
625240
3240
A bal felső sarokban
egy szokásos színes kamera van.
egy szokásos színes kamera van.
10:41
On the left-center is an infrared camera.
182
629640
3296
Bal oldalon, középtájon
egy infravörös kamera.
egy infravörös kamera.
10:44
And on the bottom-left
is a thermal camera.
is a thermal camera.
183
632960
3776
Bal oldalon, lenn pedig egy hőkamera.
10:48
And on the main panel, you're seeing
a three-dimensional reconstruction
a three-dimensional reconstruction
184
636760
3336
A nagy képen láthatják
a kertben lévő minden egyes fa
a kertben lévő minden egyes fa
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
3D-s modelljét, miközben
az érzékelő elszáll a fák mellett.
az érzékelő elszáll a fák mellett.
10:59
Armed with information like this,
we can do several things.
we can do several things.
186
647640
4040
Ilyen információkkal fölfegyverkezve
több dolgot tehetünk.
több dolgot tehetünk.
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
Az első és valószínűleg
a legfontosabb nagyon egyszerű:
a legfontosabb nagyon egyszerű:
11:08
count the number of fruits on every tree.
188
656480
2440
megszámolni az egyes fákon
lévő gyümölcsöket.
lévő gyümölcsöket.
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
Ezúton közöljük a gazdával, melyik
fáról hány gyümölcsre számíthat,
fáról hány gyümölcsre számíthat,
11:16
and allow her to estimate
the yield in the orchard,
the yield in the orchard,
190
664080
4256
és így megbecsülheti a terméshozamot,
11:20
optimizing the production
chain downstream.
chain downstream.
191
668360
2840
optimalizálhatja az értékesítési láncot.
11:23
The second thing we can do
192
671640
1616
A másik, amit tehetünk,
11:25
is take models of plants, construct
three-dimensional reconstructions,
three-dimensional reconstructions,
193
673280
4496
hogy modellezhetjük a növényeket,
3D-s modellt készíthetünk,
3D-s modellt készíthetünk,
11:29
and from that estimate the canopy size,
194
677800
2536
és abból megítélhetjük
a lombkorona méretét,
a lombkorona méretét,
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
ami korrelál az egyes növényen lévő
levelek tömegével.
levelek tömegével.
11:36
And this is called the leaf area index.
196
684160
2176
Ezt nevezzük levélfelületi indexnek.
11:38
So if you know this leaf area index,
197
686360
1936
Ha ismerjük a levélfelületi indexet,
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
ebből adódik, hogy milyen mértékű
fotoszintézis lehetséges növényenként,
fotoszintézis lehetséges növényenként,
11:45
which again tells you
how healthy each plant is.
how healthy each plant is.
199
693800
2880
s ez tájékoztat az egyes növények
egészségi állapotáról.
egészségi állapotáról.
11:49
By combining visual
and infrared information,
and infrared information,
200
697520
4216
A látható és az infravörös tartományból
nyert információ kombinálásával indexeket,
nyert információ kombinálásával indexeket,
11:53
we can also compute indices such as NDVI.
201
701760
3296
pl. normalizált vegetációs differencia
indexet számíthatunk.
indexet számíthatunk.
11:57
And in this particular case,
you can essentially see
you can essentially see
202
705080
2816
Jelen esetben látható,
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
hogy egyes növényeknek rosszabbul
megy a soruk, mint másoknak.
megy a soruk, mint másoknak.
12:02
This is easily discernible from imagery,
204
710960
4056
Ez könnyen fölismerhető az ábrákból,
12:07
not just visual imagery but combining
205
715040
2216
nemcsak a látható zónáéból,
hanem a látható
hanem a látható
12:09
both visual imagery and infrared imagery.
206
717280
2776
és az infravörös tartomány
kombinált ábrájából.
kombinált ábrájából.
12:12
And then lastly,
207
720080
1336
Végezetül még egy dolog,
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
ami érdekel minket, hogy kimutassuk
a klorózist még a kezdeti szakaszban.
a klorózist még a kezdeti szakaszban.
12:17
and this is an orange tree --
209
725480
1496
Ez egy narancsfa,
12:19
which is essentially seen
by yellowing of leaves.
by yellowing of leaves.
210
727000
2560
amelynek sárgulnak a levelei.
12:21
But robots flying overhead
can easily spot this autonomously
can easily spot this autonomously
211
729880
3896
De a felettük elrepülő robotok
ezt egyszerűen és önállóan észlelhetik,
ezt egyszerűen és önállóan észlelhetik,
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
és közölhetik a gazdával, hogy baj van
12:28
in this section of the orchard.
213
736760
1520
a kertnek ebben a részében.
12:30
Systems like this can really help,
214
738800
2696
Az ilyen rendszerek tényleg segíthetnek,
12:33
and we're projecting yields
that can improve by about ten percent
that can improve by about ten percent
215
741520
5816
és olyan terméshozamot tervezünk,
amely kb. 10%-os javulást hoz,
amely kb. 10%-os javulást hoz,
12:39
and, more importantly, decrease
the amount of inputs such as water
the amount of inputs such as water
216
747360
3216
s ami még fontosabb, légi robotrajokkal
12:42
by 25 percent by using
aerial robot swarms.
aerial robot swarms.
217
750600
3280
az olyan igények, mint az öntözés
25%-kal csökkenthetők.
25%-kal csökkenthetők.
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
Búcsúzóul kérem, hogy tapssal
köszöntsék a jövőteremtő kutatóinkat:
köszöntsék a jövőteremtő kutatóinkat:
12:52
Yash Mulgaonkar, Sikang Liu
and Giuseppe Loianno,
and Giuseppe Loianno,
219
760960
4920
Yash Mulgaonkart, Sikang Liút
és Giuseppe Loiannót.
és Giuseppe Loiannót.
12:57
who are responsible for the three
demonstrations that you saw.
demonstrations that you saw.
220
765920
3496
Ők vezették a három itteni bemutatót.
13:01
Thank you.
221
769440
1176
Köszönöm.
13:02
(Applause)
222
770640
5920
(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