TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Jennifer Healey: Se carros pudessem falar, acidentes poderiam ser evitáveis
Filmed:
Readability: 3.2
908,454 views
Quando dirigimos, entramos em uma redoma de vidro, trancamos as portas e pisamos no acelerador, contando com nossos olhos para nos guiar -- ainda que apenas possamos ver poucos carros à frente e atrás de nós. Mas e se carros pudessem compartilhar informações entre si sobre suas posições e velocidades, e usar modelos preditivos para calcular as rotas mais seguras para todos na estrada. Jennifer Healey imagina um mundo sem acidentes. (Filmado em TED@Intel.)
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
Double-click the English transcript below to play the video.
00:12
Let's face it:
0
703
1914
Encaremos:
00:14
Driving is dangerous.
1
2617
2445
Dirigir é perigoso.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
É uma das coisas que não gostamos de pensar a respeito,
00:20
but the fact that religious icons and good luck charms
3
8160
3652
mas o fato de ícones religiosos e amuletos de boa sorte
00:23
show up on dashboards around the world
4
11812
4790
aparecerem nos painéis mundo afora
00:28
betrays the fact that we know this to be true.
5
16602
4137
revela o fato de que sabemos que isso é verdade.
00:32
Car accidents are the leading cause of death
6
20739
3594
Acidentes automobilísticos são a principal causa de morte
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
entre pessoas de 16 a 19 anos de idade nos Estados Unidos --
00:40
leading cause of death --
8
28503
2843
principal causa de morte --
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
e 75 por cento desses acidentes não tem nada a ver
00:47
with drugs or alcohol.
10
35209
2285
com drogas ou álcool.
00:49
So what happens?
11
37494
2261
Então o que acontece?
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Ninguém pode dizer com certeza, mas eu lembro do meu primeiro acidente.
00:55
I was a young driver out on the highway,
13
43974
3803
Eu era uma jovem motorista pela estrada,
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
e o carro a minha frente, eu vi as luzes do freio acenderem.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
Pensei, "Certo, tudo bem, esse sujeito está diminuindo a velocidade,
01:03
I'll slow down too."
16
51835
1282
vou diminuir também."
01:05
I step on the brake.
17
53117
1926
Eu piso no freio.
01:07
But no, this guy isn't slowing down.
18
55043
2254
Mas não, esse sujeito não está diminuindo de velocidade.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
Ele está parando, parando totalmente na estrada.
01:12
It was just going 65 -- to zero?
20
60475
2540
Ele estava a 104 km/h -- e de repente zero?
01:15
I slammed on the brakes.
21
63015
1520
Eu pisei com toda a força nos freios.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Senti o ABS entrar em ação, e o carro continuar indo,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
e ele não vai parar, e eu sei que ele não vai parar,
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
e o air bag é acionado, o carro é totalmente destruído,
01:25
and fortunately, no one was hurt.
25
73229
3557
e felizmente, ninguém se machucou.
01:28
But I had no idea that car was stopping,
26
76786
4211
Porém eu não tinha ideia alguma que o carro estava parando,
01:32
and I think we can do a lot better than that.
27
80997
3645
e penso que podemos fazer muito melhor que isso.
01:36
I think we can transform the driving experience
28
84642
4145
Eu acho que podemos transformar a experiência de dirigir
01:40
by letting our cars talk to each other.
29
88787
3879
deixando nosso carros conversar entre si.
01:44
I just want you to think a little bit
30
92666
1424
Só quero que vocês pensem um pouco
01:46
about what the experience of driving is like now.
31
94090
2888
sobre como é a experiência de dirigir hoje.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Entre no seu carro. Feche a porta. Você está em uma redoma de vidro.
01:53
You can't really directly sense the world around you.
33
101006
2916
Você de fato não pode sentir diretamente o mundo à sua volta.
01:55
You're in this extended body.
34
103922
2181
Você está nesse corpo estendido.
01:58
You're tasked with navigating it down
35
106103
2163
Você tem a tarefa de navegá-lo por
02:00
partially-seen roadways,
36
108266
2056
rodovias com visibilidade parcial,
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
entre outros gigantes de metal, em velocidades sobre-humanas.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
Certo? E tudo o que você tem para guiá-lo são seus dois olhos.
02:11
Okay, so that's all you have,
39
119226
1762
Certo, então isso é tudo que você tem,
02:12
eyes that weren't really designed for this task,
40
120988
1735
olhos que não foram projetados para essa tarefa,
02:14
but then people ask you to do things like,
41
122723
3751
mas então as pessoas pedem para você fazer coisas como,
02:18
you want to make a lane change,
42
126474
1549
você quer mudar de faixa,
02:20
what's the first thing they ask you do?
43
128023
2321
qual é a primeira coisa que eles pedem para você fazer?
02:22
Take your eyes off the road. That's right.
44
130344
3095
Tire seus olhos da estrada. Isso mesmo.
02:25
Stop looking where you're going, turn,
45
133439
2096
Pare de olhar para onde você está indo, vire,
02:27
check your blind spot,
46
135535
2018
verifique seu ponto cego,
02:29
and drive down the road without looking where you're going.
47
137553
3471
e dirija pela estrada sem olhar para onde você está indo.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Você e todos os outros. Esse é o modo seguro de dirigir.
02:36
Why do we do this? Because we have to,
49
144159
2241
Por que fazemos isso? Porque precisamos,
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
precisamos fazer uma escolha, eu olho aqui ou olho aqui?
02:40
What's more important?
51
148979
1521
O que é mais importante?
02:42
And usually we do a fantastic job
52
150500
2711
E geralmente fazemos um trabalho fantástico
02:45
picking and choosing what we attend to on the road.
53
153211
3769
determinando e escolhendo no que prestamos atenção na estrada.
02:48
But occasionally we miss something.
54
156980
3650
Mas ocasionalmente nós não notamos algo.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
Ocasionalmente nós sentimos algo errado ou tarde demais.
02:57
In countless accidents, the driver says,
56
165091
1988
Em inúmeros acidentes, o motorista diz,
02:59
"I didn't see it coming."
57
167079
2308
"eu não previ o que aconteceu."
03:01
And I believe that. I believe that.
58
169387
3281
E eu acredito nisso. Eu acredito nisso.
03:04
We can only watch so much.
59
172668
2925
Nós só podemos ver até certo ponto.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
Mas a tecnologia existente hoje pode ajudar-nos a melhorar isso.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
No futuro, com carros trocando informações entre eles,
03:17
we will be able to see not just three cars ahead
62
185033
3928
seremos capazes de ver não apenas três carros à frente
03:20
and three cars behind, to the right and left,
63
188961
1594
e três carros atrás, à direita e à esquerda,
03:22
all at the same time, bird's eye view,
64
190555
3166
ao mesmo tempo, vistos de cima,
03:25
we will actually be able to see into those cars.
65
193721
3128
nós seremos capazes de ver dentro desses carros.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Seremos capazes de ver a velocidade do carro à nossa frente,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
de ver o quão rápido esse sujeito está indo ou parando.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Se esse sujeito está indo a zero, eu saberei.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
E com computação e algorítimos e modelos prognósticos,
03:42
we will be able to see the future.
70
210829
3273
seremos capazes de ver o futuro.
03:46
You may think that's impossible.
71
214102
1556
Você pode pensar que isso é impossível.
03:47
How can you predict the future? That's really hard.
72
215658
2731
Como você pode prever o futuro? Isso é muito difícil.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Na realidade não. Com relação à carros, não é impossível.
03:54
Cars are three-dimensional objects
74
222008
2732
Carros são objetos tridimensionais
03:56
that have a fixed position and velocity.
75
224740
2332
que possuem uma posição fixa e velocidade.
03:59
They travel down roads.
76
227072
1631
Eles viajam por estradas.
04:00
Often they travel on pre-published routes.
77
228703
2412
Geralmente eles viajam por rotas já catalogadas.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
Na verdade não é tão difícil fazer previsões razoáveis
04:07
about where a car's going to be in the near future.
79
235053
2864
sobre onde um carro estará em um futuro próximo.
04:09
Even if, when you're in your car
80
237917
2002
Mesmo se, quando você está no seu carro
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
e algum motociclista vem -- bshoom! --
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
a 140 km/h rasgando a pista --
04:16
I know you've had this experience --
83
244209
2547
Eu sei que vocês já tiveram essa experiência --
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
esse sujeito não "apareceu do nada".
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Esse sujeito estava na estrada provavelmente durante a última meia hora.
04:25
(Laughter)
86
253002
1190
(Risos)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
Certo? Quero dizer, alguém o viu.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
Quinze, 30, 50 quilômetros atrás, alguém viu esse sujeito,
04:32
and as soon as one car sees that guy
89
260549
2384
e assim que um carro veja esse sujeito
04:34
and puts him on the map, he's on the map --
90
262933
2231
e o ponha no mapa, ele está no mapa --
04:37
position, velocity,
91
265164
2176
posição, velocidade,
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
e boa estimativa que ele continuará a 140 km/h.
04:41
You'll know, because your car will know, because
93
269661
2184
Você saberá, porque seu carro saberá, porque
04:43
that other car will have whispered something in his ear,
94
271845
2275
esse outro carro terá sussurrado algo em sua orelha,
04:46
like, "By the way, five minutes,
95
274120
1923
como, "A propósito, cinco minutos,
04:48
motorcyclist, watch out."
96
276043
2775
motociclista, tome cuidado."
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Você pode fazer previsões razoáveis sobre como os carros se comportam.
04:53
I mean, they're Newtonian objects.
98
281521
1365
Quero dizer, eles são objetos newtonianos.
04:54
That's very nice about them.
99
282886
2909
Isso é ótimo em relação à eles.
04:57
So how do we get there?
100
285795
3034
Então como chegamos lá?
05:00
We can start with something as simple
101
288829
2266
Podemos começar com algo tão simples
05:03
as sharing our position data between cars,
102
291095
2870
como compartilhar nossa informação de posicionamento entre carros,
05:05
just sharing GPS.
103
293965
1892
apenas compartilhando GPS.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Se eu tenho um GPS e uma câmera em meu carro,
05:10
I have a pretty precise idea of where I am
105
298301
2231
eu tenho uma ideia bem precisa de onde estou
05:12
and how fast I'm going.
106
300532
1732
e o quão rápido estou indo.
05:14
With computer vision, I can estimate where
107
302264
1657
Com a visão do computador, eu posso estimar onde
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
os carros à minha volta estão, mais ou menos, e onde eles estão indo.
05:19
And same with the other cars.
109
307458
970
E a mesma coisa com os outros carros.
05:20
They can have a precise idea of where they are,
110
308428
1814
Eles podem ter uma ideia precisa de onde estão,
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
e uma noção de onde os outros carros estão.
05:24
What happens if two cars share that data,
112
312388
3231
O que acontece se dois carros compartilham essa informação,
05:27
if they talk to each other?
113
315619
1955
se eles podem conversar um com o outro?
05:29
I can tell you exactly what happens.
114
317574
2778
Posso contar a vocês exatamente o que acontece.
05:32
Both models improve.
115
320352
2339
Ambos modelos melhoram.
05:34
Everybody wins.
116
322691
2055
Todos ganham.
05:36
Professor Bob Wang and his team
117
324746
2577
Professor Bob Wang e seu time
05:39
have done computer simulations of what happens
118
327323
2738
fizeram simulações por computador do que acontece
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
quando estimativas vagas se combinam, até no tráfego leve,
05:45
when cars just share GPS data,
120
333492
2624
quando carros apenas compartilham informações de GPS,
05:48
and we've moved this research out of the computer simulation
121
336116
2513
e nós deslocamos essa pesquisa para fora da simulação por computador
05:50
and into robot test beds that have the actual sensors
122
338629
3027
e para dentro de simuladores robóticos que possuem os mesmos sensores
05:53
that are in cars now on these robots:
123
341656
3133
que estão nos carros hoje nesses robôs:
05:56
stereo cameras, GPS,
124
344789
1838
câmeras estéreo, GPS,
05:58
and the two-dimensional laser range finders
125
346627
1874
e os lasers bidimensionais de análise de distância
06:00
that are common in backup systems.
126
348501
2240
que são comuns em sistemas de backup.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
Nós também adicionamos um discreto rádio de ondas curtas,
06:07
and the robots talk to each other.
128
355225
1909
e os robôs conversam entre si.
06:09
When these robots come at each other,
129
357134
1539
Quando esses robôs se encontram,
06:10
they track each other's position precisely,
130
358673
2971
eles rastreiam a posição de cada um deles precisamente,
06:13
and they can avoid each other.
131
361644
2737
e eles podem evitar-se.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Nós agora estamos adicionando mais e mais robôs na mistura,
06:19
and we encountered some problems.
133
367607
1471
e encontramos alguns problemas.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Um dos problemas, quando você tem muitas conversas rápidas,
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
é difícil processar todos os pacotes, então você tem que priorizar,
06:27
and that's where the predictive model helps you.
136
375165
2357
e é onde o modelo preditivo ajuda você.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Se seus carros robôs estão todos rastreando as trajetórias previstas,
06:33
you don't pay as much attention to those packets.
138
381894
1767
vocês não prestam tanta atenção a estes pacotes.
06:35
You prioritize the one guy
139
383661
1703
Você prioriza aquele sujeito
06:37
who seems to be going a little off course.
140
385364
1333
que parece estar indo um pouco fora de curso.
06:38
That guy could be a problem.
141
386697
2526
Esse sujeito pode ser um problema.
06:41
And you can predict the new trajectory.
142
389223
3002
E você pode prever a nova trajetória.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
Desta forma você não só sabe que ele está saindo do curso, você sabe como.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
E você sabe quais motoristas alertar para que saiam do caminho.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
E queríamos fazer -- como podemos alertar melhor todo mundo?
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
Como os carros podem sussurrar, "Você precisa sair do caminho"?
06:56
Well, it depends on two things:
147
404529
1517
Bem, isso depende de duas coisas:
06:58
one, the ability of the car,
148
406046
2169
primeiro, a habilidade do carro,
07:00
and second the ability of the driver.
149
408215
3217
e segundo, a habilidade do motorista.
07:03
If one guy has a really great car,
150
411432
1505
Se um sujeito tem carro realmente bom,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
mas eles estão ao telefone ou, vocês sabem, fazendo alguma coisa
07:07
they're not probably in the best position
152
415862
1930
provavelmente eles não estão na melhor posição
07:09
to react in an emergency.
153
417792
2970
para reagir a uma emergência.
07:12
So we started a separate line of research
154
420762
1665
Então começamos uma linha de pesquisa separada
07:14
doing driver state modeling.
155
422427
2551
fazendo modelagem do estado do motorista.
07:16
And now, using a series of three cameras,
156
424978
2329
E agora, usando uma série de três câmeras,
07:19
we can detect if a driver is looking forward,
157
427307
2270
nós podemos detectar se um motorista está olhando para frente,
07:21
looking away, looking down, on the phone,
158
429577
2860
olhando para longe, para baixo, ao telefone
07:24
or having a cup of coffee.
159
432437
3061
ou tomando um café.
07:27
We can predict the accident
160
435498
2070
Podemos prever o acidente
07:29
and we can predict who, which cars,
161
437568
3651
e podemos prever quem, quais carros,
07:33
are in the best position to move out of the way
162
441219
3486
estão na melhor posição para saírem do caminho
07:36
to calculate the safest route for everyone.
163
444705
3009
para calcular a rota mais segura para todos.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
Basicamente, essas tecnologias existem hoje.
07:44
I think the biggest problem that we face
165
452349
2824
Penso que o maior problemas que enfrentamos
07:47
is our own willingness to share our data.
166
455173
3013
é nossa própria disposição de compartilhar nossas informações.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Eu acho que é uma noção muito desconcertante,
07:52
this idea that our cars will be watching us,
168
460817
2386
essa ideia que nossos carros estarão nos vigiando,
07:55
talking about us to other cars,
169
463203
3371
falando de nós para outros carros,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
que nós estaremos indo em direção a um oceano de fofocas.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Porém creio que isso pode ser feito de um modo que proteja nossa privacidade,
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
como agora mesmo, quando eu olho para seu carro de fora,
08:09
I don't really know about you.
173
477639
2363
eu na verdade não conheço você.
08:12
If I look at your license plate number,
174
480002
1137
Se eu olhar o número de sua placa,
08:13
I don't really know who you are.
175
481139
1886
eu não quem você é de verdade.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Eu acredito que nossos carros podem falar de nós nas nossas costas.
08:19
(Laughter)
177
487274
2975
(Risos)
08:22
And I think it's going to be a great thing.
178
490249
3185
E eu acho que será uma coisa ótima.
08:25
I want you to consider for a moment
179
493434
1650
Eu quero que vocês pensem por um momento
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
se vocês realmente não querem que o adolescente distraído atrás de vocês
08:31
to know that you're braking,
181
499202
2120
saiba que vocês estão freando,
08:33
that you're coming to a dead stop.
182
501322
2924
que vocês vão parar completamente.
08:36
By sharing our data willingly,
183
504246
2741
Compartilhando nossas informações voluntariamente,
08:38
we can do what's best for everyone.
184
506987
2812
podemos fazer o que é melhor para todos.
08:41
So let your car gossip about you.
185
509799
3076
Então deixe seu carro fofocar sobre você.
08:44
It's going to make the roads a lot safer.
186
512875
3038
Isso vai fazer as estradas muito mais seguras.
08:47
Thank you.
187
515913
1791
Obrigada.
08:49
(Applause)
188
517704
4985
(Aplausos)
ABOUT THE SPEAKER
Jennifer Healey - Research scientistA research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.
Why you should listen
Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.
Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.
Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.
Jennifer Healey | Speaker | TED.com