TEDxPenn
Vijay Kumar: The future of flying robots
Vijay Kumar: Uçan robotların geleceği
Filmed:
Readability: 4.9
1,780,679 views
Vijay Kumar ve ekibi Pennsylvania Üniversitesi'ndeki laboratuvarında bal arılarından esinlenilmiş otonom hava robotları geliştirdi. Son buluşları ise, bahçelerdeki her bitki ve meyveyi haritalamak, yeniden düzenlemek ve analiz etmek suretiyle, mahsulü artırmaya ve su yönetimini daha akılcı hâle getirmeye yardımcı olabilecek hayati bilgileri sağlayan robot sürüleriyle Hassas Tarım.
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
Laboratuvarımda otonom
hava robotları geliştiriyoruz,
hava robotları geliştiriyoruz,
00:16
like the one you see flying here.
1
4960
1880
burada uçarken gördüğünüz gibi.
00:20
Unlike the commercially available drones
that you can buy today,
that you can buy today,
2
8720
3696
Bugün ticari olarak satılan
mevcut dronların aksine,
mevcut dronların aksine,
00:24
this robot doesn't have any GPS on board.
3
12440
2640
bu robotun üzerinde GPS
(Küresel konumlandırma sistemi) yok.
(Küresel konumlandırma sistemi) yok.
00:28
So without GPS,
4
16160
1216
GPS olmadan,
00:29
it's hard for robots like this
to determine their position.
to determine their position.
5
17400
3280
bunun gibi robotların yönlerini
saptamaları zordur.
saptamaları zordur.
00:34
This robot uses onboard sensors,
cameras and laser scanners,
cameras and laser scanners,
6
22240
4736
Bu robot çevreyi taramak için
yerleşik sensörler, kameralar
yerleşik sensörler, kameralar
00:39
to scan the environment.
7
27000
1696
ve lazer tarayıcılar kullanır.
00:40
It detects features from the environment,
8
28720
3056
Çevredeki özellikleri saptamak suretiyle,
00:43
and it determines where it is
relative to those features,
relative to those features,
9
31800
2736
nirengi metodunu kullanarak
bu özelliklere göreli olarak
bu özelliklere göreli olarak
00:46
using a method of triangulation.
10
34560
2136
nerede olduğunu saptar.
00:48
And then it can assemble
all these features into a map,
all these features into a map,
11
36720
3456
Sonra bütün bu özellikleri bir
harita olarak bir araya getirir,
harita olarak bir araya getirir,
00:52
like you see behind me.
12
40200
1736
arkamda görmüş olduğunuz gibi.
00:53
And this map then allows the robot
to understand where the obstacles are
to understand where the obstacles are
13
41960
3936
Ardından bu harita robotun engellerin
nerede olduğunu anlamasını
nerede olduğunu anlamasını
00:57
and navigate in a collision-free manner.
14
45920
2720
ve çarpmayacak şekilde gitmesini sağlar.
01:01
What I want to show you next
15
49160
2096
Size bundan sonra göstermek istediğim şey,
01:03
is a set of experiments
we did inside our laboratory,
we did inside our laboratory,
16
51280
3216
laboratuvarımızda
yaptığımız bir dizi deney,
yaptığımız bir dizi deney,
01:06
where this robot was able
to go for longer distances.
to go for longer distances.
17
54520
3480
bunlarla bu robotun daha uzun mesafeler
boyunca gitmesini sağladık.
boyunca gitmesini sağladık.
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
Burada sağ üstte robotun kamerayla
ne gördüğüne bakabilirsiniz.
ne gördüğüne bakabilirsiniz.
01:15
And on the main screen --
19
63440
1216
Ana ekranda ise --
01:16
and of course this is sped up
by a factor of four --
by a factor of four --
20
64680
2456
ve elbette bu dört katına
hızlandırılmış hâli --
hızlandırılmış hâli --
01:19
on the main screen you'll see
the map that it's building.
the map that it's building.
21
67160
2667
ana ekranda oluşturduğu
haritayı göreceksiniz.
haritayı göreceksiniz.
01:21
So this is a high-resolution map
of the corridor around our laboratory.
of the corridor around our laboratory.
22
69851
4285
Bu laboratuvarımızın çevresindeki
koridorun yüksek çözünürlüklü haritası.
koridorun yüksek çözünürlüklü haritası.
01:26
And in a minute
you'll see it enter our lab,
you'll see it enter our lab,
23
74160
2336
Bir dakika içinde laboratuvarımıza
girdiğini göreceksiniz,
girdiğini göreceksiniz,
01:28
which is recognizable
by the clutter that you see.
by the clutter that you see.
24
76520
2856
ki göreceğiniz karışıklıktan
bu anlaşılıyor.
bu anlaşılıyor.
01:31
(Laughter)
25
79400
1016
(Gülüşmeler)
01:32
But the main point I want to convey to you
26
80440
2007
Ancak size aktarmak
istediğim ana nokta şu ki,
istediğim ana nokta şu ki,
01:34
is that these robots are capable
of building high-resolution maps
of building high-resolution maps
27
82472
3584
bu robotlar beş santimetre çözünürlükle
yüksek çözünürlüklü haritalar
yüksek çözünürlüklü haritalar
01:38
at five centimeters resolution,
28
86080
2496
yapma yeteneğine sahipler,
01:40
allowing somebody who is outside the lab,
or outside the building
or outside the building
29
88600
4176
bu durum da laboratuvar dışındaki
veya bina dışındaki birinin
veya bina dışındaki birinin
01:44
to deploy these
without actually going inside,
without actually going inside,
30
92800
3216
aslında içeri girmeden ve binanın
içinde olanları anlamaya
içinde olanları anlamaya
01:48
and trying to infer
what happens inside the building.
what happens inside the building.
31
96040
3760
çalışmadan bunları
görevlendirmesini sağlıyor.
görevlendirmesini sağlıyor.
01:52
Now there's one problem
with robots like this.
with robots like this.
32
100400
2240
Ancak bunun gibi robotlarla
ilgili bir sorun var.
ilgili bir sorun var.
01:55
The first problem is it's pretty big.
33
103600
2200
İlk sorun, oldukça büyükler.
01:58
Because it's big, it's heavy.
34
106120
1680
Büyük oldukları için ağırlar.
02:00
And these robots consume
about 100 watts per pound.
about 100 watts per pound.
35
108640
3040
Bu robotlar libre (453,6 gr)
başına 100 vat harcıyorlar.
başına 100 vat harcıyorlar.
02:04
And this makes for
a very short mission life.
a very short mission life.
36
112360
2280
Bu da çok kısa bir uçuş süresi
anlamına geliyor.
anlamına geliyor.
02:08
The second problem
37
116000
1456
İkinci sorun,
02:09
is that these robots have onboard sensors
that end up being very expensive --
that end up being very expensive --
38
117480
3896
bu robotların üzerinde çok pahalıya
mal olan sensörler var --
mal olan sensörler var --
02:13
a laser scanner, a camera
and the processors.
and the processors.
39
121400
3440
bir lazer tarayıcı,
bir kamera ve işlemciler.
bir kamera ve işlemciler.
02:17
That drives up the cost of this robot.
40
125280
3040
Bunlar da bu robotun fiyatını yükseltiyor.
02:21
So we asked ourselves a question:
41
129440
2656
O yüzden kendimize bir soru sorduk:
02:24
what consumer product
can you buy in an electronics store
can you buy in an electronics store
42
132120
3776
Bir elektronik mağazasından
ucuz, hafif olup üzerinde
ucuz, hafif olup üzerinde
02:27
that is inexpensive, that's lightweight,
that has sensing onboard and computation?
that has sensing onboard and computation?
43
135920
6280
algılayıcı ve ölçümleyici olan
hangi tüketici ürününü alabilirsiniz?
hangi tüketici ürününü alabilirsiniz?
02:36
And we invented the flying phone.
44
144080
2656
Biz de uçan telefonu icat ettk.
02:38
(Laughter)
45
146760
1936
(Gülüşmeler)
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
Bu robot, mağazadan alabileceğiniz
Samsung Galaxy akıllı telefonu kullanıyor
Samsung Galaxy akıllı telefonu kullanıyor
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
ve tek ihtiyacınız olan şey uygulama
mağazamızdan indirilebilen bir uygulama.
mağazamızdan indirilebilen bir uygulama.
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
Bu robotun bu durumda "TED" harflerini
okuduğunu görüyorsunuz,
okuduğunu görüyorsunuz,
02:55
looking at the corners
of the "T" and the "E"
of the "T" and the "E"
49
163200
2936
"T" ve "E"nin köşelerine bakıp
ondan üçgenleme yaparak
ondan üçgenleme yaparak
02:58
and then triangulating off of that,
flying autonomously.
flying autonomously.
50
166160
3480
otonom olarak uçuyor.
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
Kumanda kolu orada, çünkü
robot çılgın şeyler yaparsa,
robot çılgın şeyler yaparsa,
03:06
Giuseppe can kill it.
52
174000
1416
Giuseppe işini bitirebilir.
03:07
(Laughter)
53
175440
1640
(Gülüşmeler)
03:10
In addition to building
these small robots,
these small robots,
54
178920
3816
Bu küçük robotları geliştirme yanında,
03:14
we also experiment with aggressive
behaviors, like you see here.
behaviors, like you see here.
55
182760
4800
burada gördüğünüz gibi agresif
davranışlarla ilgili de deneyler yaptık.
davranışlarla ilgili de deneyler yaptık.
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
İşte bu robot saniyede iki ila
üç metre hızla seyahat ediyor,
üç metre hızla seyahat ediyor,
03:25
pitching and rolling aggressively
as it changes direction.
as it changes direction.
57
193240
3496
yön değiştirdikçe agresifçe
savrulup dönüyor.
savrulup dönüyor.
03:28
The main point is we can have
smaller robots that can go faster
smaller robots that can go faster
58
196760
4256
Ana nokta, daha hızlı giden
ve bu yapılandırılmamış
ve bu yapılandırılmamış
03:33
and then travel in these
very unstructured environments.
very unstructured environments.
59
201040
2960
çevrelerde yol alan daha küçük
robotlarımızın olabileceği.
robotlarımızın olabileceği.
03:37
And in this next video,
60
205120
2056
Bir sonraki videoda gördüğünüz gibi,
03:39
just like you see this bird, an eagle,
gracefully coordinating its wings,
gracefully coordinating its wings,
61
207200
5896
aynı bu kuşun, kartalın zerafetle
sudan avını kapmak için
sudan avını kapmak için
03:45
its eyes and feet
to grab prey out of the water,
to grab prey out of the water,
62
213120
4296
kanatlarını, gözlerini ve ayaklarını
koordine etmesi gibi,
koordine etmesi gibi,
03:49
our robot can go fishing, too.
63
217440
1896
robotumuz da balığa gidebilir.
03:51
(Laughter)
64
219360
1496
(Gülüşmeler)
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
Burada birdenbire
bir bonfile sandviçi kapıyor.
bir bonfile sandviçi kapıyor.
03:56
(Laughter)
66
224960
2400
(Gülüşmeler)
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
Bu robotun saniyede yaklaşık üç metre
hızla gittiğini görüyorsunuz,
hızla gittiğini görüyorsunuz,
04:03
which is faster than walking speed,
coordinating its arms, its claws
coordinating its arms, its claws
68
231000
5136
ki bu yürüyüş hızından fazla;
kollarını, pençelerini ve uçuşunu
kollarını, pençelerini ve uçuşunu
04:08
and its flight with split-second timing
to achieve this maneuver.
to achieve this maneuver.
69
236160
4120
yarım saniye zamanlamayla bu
manevraya ulaşmak için koordine ediyor.
manevraya ulaşmak için koordine ediyor.
04:14
In another experiment,
70
242120
1216
Başka bir deneyde,
04:15
I want to show you
how the robot adapts its flight
how the robot adapts its flight
71
243360
3656
uzunluğu esasen bu pencerenin
genişliğinden büyük olan
genişliğinden büyük olan
04:19
to control its suspended payload,
72
247040
2376
askıdaki yükünü kontrol etmek için
04:21
whose length is actually larger
than the width of the window.
than the width of the window.
73
249440
3800
uçuşunu nasıl ayarladığını
size göstermek istiyorum.
size göstermek istiyorum.
04:25
So in order to accomplish this,
74
253680
1696
Bunu başarmak için
04:27
it actually has to pitch
and adjust the altitude
and adjust the altitude
75
255400
3696
aslında irtifayı düşürüp ayarlaması
04:31
and swing the payload through.
76
259120
2320
ve yükü içeriye doğru sallaması gerekiyor.
04:38
But of course we want
to make these even smaller,
to make these even smaller,
77
266920
2296
Ama elbette ki bunları
daha da küçük yapmak istiyoruz
daha da küçük yapmak istiyoruz
04:41
and we're inspired
in particular by honeybees.
in particular by honeybees.
78
269240
3016
ve özellikle bal arılarından esinlendik.
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
Eğer bal arılarına bakarsanız
ve bu yavaşlatılmış bir video,
ve bu yavaşlatılmış bir video,
04:47
they're so small,
the inertia is so lightweight --
the inertia is so lightweight --
80
275560
3720
çok küçükler,
ataleti öylesine önemsiz ki --
ataleti öylesine önemsiz ki --
04:51
(Laughter)
81
279960
1176
(Gülüşmeler)
04:53
that they don't care --
they bounce off my hand, for example.
they bounce off my hand, for example.
82
281160
3536
umursamıyorlar --
elimden sekiyorlar, örnek olarak.
elimden sekiyorlar, örnek olarak.
04:56
This is a little robot
that mimics the honeybee behavior.
that mimics the honeybee behavior.
83
284720
3160
Bu bal arısı davranışını
taklit eden küçük bir robot.
taklit eden küçük bir robot.
05:00
And smaller is better,
84
288600
1216
Küçüldükçe daha iyi,
05:01
because along with the small size
you get lower inertia.
you get lower inertia.
85
289840
3536
çünkü boyutunun küçüklüğüyle beraber
daha az atalet elde ediyorsunuz.
daha az atalet elde ediyorsunuz.
05:05
Along with lower inertia --
86
293400
1536
Düşük ataletle --
05:06
(Robot buzzing, laughter)
87
294960
2856
(Robot vızıldıyor, gülüşmeler)
05:09
along with lower inertia,
you're resistant to collisions.
you're resistant to collisions.
88
297840
2816
düşük ataletle,
çarpışmalara dirençlisiniz.
çarpışmalara dirençlisiniz.
05:12
And that makes you more robust.
89
300680
1720
Bu da sizi daha güçlü yapıyor.
05:15
So just like these honeybees,
we build small robots.
we build small robots.
90
303800
2656
Yani aynı bal arıları gibi
küçük robotlar yapıyoruz.
küçük robotlar yapıyoruz.
05:18
And this particular one
is only 25 grams in weight.
is only 25 grams in weight.
91
306480
3376
Bu ise sadece 25 gram ağırlığında.
05:21
It consumes only six watts of power.
92
309880
2160
Yalnızca altı vat güç harcıyor.
05:24
And it can travel
up to six meters per second.
up to six meters per second.
93
312440
2536
Saniyede altı metreye
kadar yol alabiliyor.
kadar yol alabiliyor.
05:27
So if I normalize that to its size,
94
315000
2336
Eğer büyüklüğüne göre normalize edersem,
05:29
it's like a Boeing 787 traveling
ten times the speed of sound.
ten times the speed of sound.
95
317360
3640
bu Boeing 787'nin ses hızının
on katında yol alması gibi.
on katında yol alması gibi.
05:36
(Laughter)
96
324000
2096
(Gülüşmeler)
05:38
And I want to show you an example.
97
326120
1920
Size bir örnek göstermek istiyorum.
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
Bu muhtemelen ilk planlanan havada
çarpışma, normal hızın yirmide biri.
çarpışma, normal hızın yirmide biri.
05:46
These are going at a relative speed
of two meters per second,
of two meters per second,
99
334120
2858
Bunlar saniyede iki metre
relatif hızla gidiyor
relatif hızla gidiyor
05:49
and this illustrates the basic principle.
100
337002
2480
ve bu temel prensibi gösteriyor.
05:52
The two-gram carbon fiber cage around it
prevents the propellers from entangling,
prevents the propellers from entangling,
101
340200
4976
Etrafındaki iki gramlık karbon fiber kafes
pervanelerin dolaşmasını engelliyor;
pervanelerin dolaşmasını engelliyor;
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
ancak aslında çarpışma absorbe ediliyor
ve robot çarpışmaya cevap veriyor.
ve robot çarpışmaya cevap veriyor.
06:02
And so small also means safe.
103
350520
2560
Bu kadar küçük olması güvenli
olması anlamına da geliyor.
olması anlamına da geliyor.
06:05
In my lab, as we developed these robots,
104
353400
2016
Laboratuvarımda bu
robotları geliştirirken,
robotları geliştirirken,
06:07
we start off with these big robots
105
355440
1620
büyük robotlarla başlıyoruz
06:09
and then now we're down
to these small robots.
to these small robots.
106
357084
2812
ve sonra bu küçük robotlara
kadar geliyoruz.
kadar geliyoruz.
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
Geçmişte sipariş ettiğimiz
bantların sayısına dair bir
bantların sayısına dair bir
06:15
in the past, that sort of tailed off now.
108
363400
2576
histogram çizerseniz, artık biraz azaldı.
06:18
Because these robots are really safe.
109
366000
1960
Çünkü bu robotlar gerçekten güvenli.
06:20
The small size has some disadvantages,
110
368760
2456
Küçük boyutun bazı dezavantajları var
06:23
and nature has found a number of ways
to compensate for these disadvantages.
to compensate for these disadvantages.
111
371240
4080
ve bu dezavantajları telafi etmek için
doğa bir sürü yol bulmuş.
doğa bir sürü yol bulmuş.
06:27
The basic idea is they aggregate
to form large groups, or swarms.
to form large groups, or swarms.
112
375960
4000
Ana fikir, büyük grupları veya sürüleri
oluşturmak için bir araya gelmeleri.
oluşturmak için bir araya gelmeleri.
06:32
So, similarly, in our lab,
we try to create artificial robot swarms.
we try to create artificial robot swarms.
113
380320
3976
Benzer şekilde biz de laboratuvarımızda
yapay robot sürüleri yaratmaya çalışıyoruz.
yapay robot sürüleri yaratmaya çalışıyoruz.
06:36
And this is quite challenging
114
384320
1381
Bu oldukça zor,
06:37
because now you have to think
about networks of robots.
about networks of robots.
115
385725
3320
çünkü artık robot ağlarını
düşünmek zorundasınız.
düşünmek zorundasınız.
06:41
And within each robot,
116
389360
1296
Her robot için de
06:42
you have to think about the interplay
of sensing, communication, computation --
of sensing, communication, computation --
117
390680
5616
algılama, iletişim, hesaplama
etkileşimini düşünmek zorundasınız --
etkileşimini düşünmek zorundasınız --
06:48
and this network then becomes
quite difficult to control and manage.
quite difficult to control and manage.
118
396320
4960
sonrasında bu ağı kontrol etmek ve
yönetmek oldukça zor hâle geliyor.
yönetmek oldukça zor hâle geliyor.
06:54
So from nature we take away
three organizing principles
three organizing principles
119
402160
3296
Bundan dolayı, doğadan aslında
algoritmalarımızı geliştirmemizi
algoritmalarımızı geliştirmemizi
06:57
that essentially allow us
to develop our algorithms.
to develop our algorithms.
120
405480
3160
sağlayacak üç düzenleyici
prensip alıyoruz.
prensip alıyoruz.
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
İlk fikir, robotların komşularının
farkında olmak zorunda olması.
farkında olmak zorunda olması.
07:06
They need to be able to sense
and communicate with their neighbors.
and communicate with their neighbors.
122
414200
3440
Komşularını algılamak ve
iletişim kurmak durumundalar.
iletişim kurmak durumundalar.
07:10
So this video illustrates the basic idea.
123
418040
2656
Bu video, temel fikri açıklıyor.
07:12
You have four robots --
124
420720
1296
Dört robotunuz var --
07:14
one of the robots has actually been
hijacked by a human operator, literally.
hijacked by a human operator, literally.
125
422040
4240
robotlardan biri insan operatör tarafından
tam anlamıyla gasp edilmiş durumda.
tam anlamıyla gasp edilmiş durumda.
07:19
But because the robots
interact with each other,
interact with each other,
126
427217
2239
Ancak robotlar birbirleriyle
etkileştiği için,
etkileştiği için,
07:21
they sense their neighbors,
127
429480
1656
yanındakileri algılayarak
07:23
they essentially follow.
128
431160
1296
esasen takip ediyorlar.
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
İşte burada takipçi ağını
yönlendiren tek bir kişi var.
yönlendiren tek bir kişi var.
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
Aslında bunun nedeni robotların
nereye gideceklerini bilmeleri değil,
nereye gideceklerini bilmeleri değil,
07:37
It's because they're just reacting
to the positions of their neighbors.
to the positions of their neighbors.
131
445080
4320
yanındakilere tepki vermelerinden
dolayı böyle oluyor.
dolayı böyle oluyor.
07:43
(Laughter)
132
451720
4120
(Gülüşmeler)
07:48
So the next experiment illustrates
the second organizing principle.
the second organizing principle.
133
456280
5240
Bir sonraki deney, ikinci düzenleyici
prensibi göstermektedir.
prensibi göstermektedir.
07:54
And this principle has to do
with the principle of anonymity.
with the principle of anonymity.
134
462920
3800
Bu prensip anonimlik prensibiyle ilgili.
07:59
Here the key idea is that
135
467400
4296
Burada ana fikir,
08:03
the robots are agnostic
to the identities of their neighbors.
to the identities of their neighbors.
136
471720
4240
robotların yakınındakilerin
kimliklerini bilmemesi.
kimliklerini bilmemesi.
08:08
They're asked to form a circular shape,
137
476440
2616
Dairesel bir şekil oluşturmaları istendi
08:11
and no matter how many robots
you introduce into the formation,
you introduce into the formation,
138
479080
3296
ve grubun içine kaç tane
robot katarsanız katın
robot katarsanız katın
08:14
or how many robots you pull out,
139
482400
2576
ya da kaç robot çıkarırsanız çıkarın,
08:17
each robot is simply
reacting to its neighbor.
reacting to its neighbor.
140
485000
3136
her robot sadece
yanındakine tepki veriyor.
yanındakine tepki veriyor.
08:20
It's aware of the fact that it needs
to form the circular shape,
to form the circular shape,
141
488160
4976
Dairesel bir şekil oluşturması
gerektiğinin farkında;
gerektiğinin farkında;
08:25
but collaborating with its neighbors
142
493160
1776
ancak yanındakilerle işbirliği yaparak
08:26
it forms the shape
without central coordination.
without central coordination.
143
494960
3720
merkezî bir eşgüdüm
olmadan şekli oluşturuyor.
olmadan şekli oluşturuyor.
08:31
Now if you put these ideas together,
144
499520
2416
Bu fikirleri bir araya koyunca
08:33
the third idea is that we
essentially give these robots
essentially give these robots
145
501960
3896
üçüncü fikir, robotlara esasen
oluşturmaları gereken şeklin
oluşturmaları gereken şeklin
08:37
mathematical descriptions
of the shape they need to execute.
of the shape they need to execute.
146
505880
4296
matematiksel tanımlarını vermek.
08:42
And these shapes can be varying
as a function of time,
as a function of time,
147
510200
3496
Bu şekiller zamanın fonksiyonu
olarak çeşitlilik gösterebilir
olarak çeşitlilik gösterebilir
08:45
and you'll see these robots
start from a circular formation,
start from a circular formation,
148
513720
4496
ve bu robotların dairesel bir biçimle
başladığını, dikdörtgen biçime
başladığını, dikdörtgen biçime
08:50
change into a rectangular formation,
stretch into a straight line,
stretch into a straight line,
149
518240
3256
dönüştüğünü, düz bir çizgi olarak
uzadığını, tekrar elips hâline
uzadığını, tekrar elips hâline
08:53
back into an ellipse.
150
521520
1375
geldiğini göreceksiniz.
08:54
And they do this with the same
kind of split-second coordination
kind of split-second coordination
151
522919
3617
Bunu doğal sürülerde,
doğada gördüğünüz türden
doğada gördüğünüz türden
08:58
that you see in natural swarms, in nature.
152
526560
3280
yarım saniyelik eşgüdümle yapıyorlar.
09:03
So why work with swarms?
153
531080
2136
Peki neden sürülerle çalışılıyor?
09:05
Let me tell you about two applications
that we are very interested in.
that we are very interested in.
154
533240
4120
Size çok ilgimizi çeken
iki uygulamadan bahsedeyim.
iki uygulamadan bahsedeyim.
09:10
The first one has to do with agriculture,
155
538160
2376
İlki tarımla ilgili,
09:12
which is probably the biggest problem
that we're facing worldwide.
that we're facing worldwide.
156
540560
3360
ki bu muhtemelen dünyada
karşılaştığımız en önemli sorun.
karşılaştığımız en önemli sorun.
09:16
As you well know,
157
544760
1256
Bildiğiniz gibi,
09:18
one in every seven persons
in this earth is malnourished.
in this earth is malnourished.
158
546040
3520
dünyada her yedi kişiden
biri yetersiz besleniyor.
biri yetersiz besleniyor.
09:21
Most of the land that we can cultivate
has already been cultivated.
has already been cultivated.
159
549920
3480
Ekilebilecek toprakların
çoğu zaten ekili.
çoğu zaten ekili.
09:25
And the efficiency of most systems
in the world is improving,
in the world is improving,
160
553960
3216
Dünyadaki sistemlerin
çoğunun verimi artıyor,
çoğunun verimi artıyor,
09:29
but our production system
efficiency is actually declining.
efficiency is actually declining.
161
557200
3520
ancak üretim sistemlerinin
verimi aslında giderek düşüyor.
verimi aslında giderek düşüyor.
09:33
And that's mostly because of water
shortage, crop diseases, climate change
shortage, crop diseases, climate change
162
561080
4216
Bunun en büyük nedenleri, su kıtlığı,
ekinlerdeki hastalıklar, iklim değişimi
ekinlerdeki hastalıklar, iklim değişimi
09:37
and a couple of other things.
163
565320
1520
ve başka birkaç şey daha.
09:39
So what can robots do?
164
567360
1480
O zaman robotlar ne yapabilirler?
09:41
Well, we adopt an approach that's
called Precision Farming in the community.
called Precision Farming in the community.
165
569200
4616
Toplumda Hassas Tarım olarak adlandırılan
bir yaklaşımı benimsiyoruz.
bir yaklaşımı benimsiyoruz.
09:45
And the basic idea is that we fly
aerial robots through orchards,
aerial robots through orchards,
166
573840
5376
Ana fikir şu; hava robotlarını
bahçelerde uçurup
bahçelerde uçurup
09:51
and then we build
precision models of individual plants.
precision models of individual plants.
167
579240
3120
sonra bitkilerin tek tek
hassas modellerini geliştiriyoruz.
hassas modellerini geliştiriyoruz.
09:54
So just like personalized medicine,
168
582829
1667
Her hastaya özel tedavi
09:56
while you might imagine wanting
to treat every patient individually,
to treat every patient individually,
169
584520
4816
uygulanmasının istendiği,
kişiselleştirilen ilaçlarla olduğu gibi,
kişiselleştirilen ilaçlarla olduğu gibi,
10:01
what we'd like to do is build
models of individual plants
models of individual plants
170
589360
3696
bizim yapmak istediğimiz şey de tek tek
bitkilerin modellerini geliştirmek
bitkilerin modellerini geliştirmek
10:05
and then tell the farmer
what kind of inputs every plant needs --
what kind of inputs every plant needs --
171
593080
4136
ve sonra çiftçiye her bitkinin ne tür
bir girdiye ihtiyacı olduğunu söylemek --
bir girdiye ihtiyacı olduğunu söylemek --
10:09
the inputs in this case being water,
fertilizer and pesticide.
fertilizer and pesticide.
172
597240
4440
bu durumda girdiler, su, gübre
ve tarım ilaçlarıdır.
ve tarım ilaçlarıdır.
10:14
Here you'll see robots
traveling through an apple orchard,
traveling through an apple orchard,
173
602640
3616
Burada elma bahçesinde
dolaşan robotları görüyorsunuz
dolaşan robotları görüyorsunuz
10:18
and in a minute you'll see
two of its companions
two of its companions
174
606280
2256
ve bir dakika içinde
sol tarafta aynı şeyi
sol tarafta aynı şeyi
10:20
doing the same thing on the left side.
175
608560
1810
yapan iki üyeyi daha göreceksiniz.
10:22
And what they're doing is essentially
building a map of the orchard.
building a map of the orchard.
176
610800
3656
Aslında yaptıkları şey
bahçenin bir haritasını çizmek.
bahçenin bir haritasını çizmek.
10:26
Within the map is a map
of every plant in this orchard.
of every plant in this orchard.
177
614480
2816
Harita içinde, bu bahçedeki
her bitkinin bir haritası var.
her bitkinin bir haritası var.
10:29
(Robot buzzing)
178
617320
1656
(Robot vızıldıyor)
10:31
Let's see what those maps look like.
179
619000
1896
Bu haritaların neye benzediğini görelim.
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
Bir sonraki videoda, bu robotta
kullanılan kameraları göreceksiniz.
kullanılan kameraları göreceksiniz.
10:37
On the top-left is essentially
a standard color camera.
a standard color camera.
181
625240
3240
Sol üstte esasen standart
renkli bir kamera var.
renkli bir kamera var.
10:41
On the left-center is an infrared camera.
182
629640
3296
Solda ortada kızılötesi
bir kamera var.
bir kamera var.
10:44
And on the bottom-left
is a thermal camera.
is a thermal camera.
183
632960
3776
Sol altta ise termal bir kamera var.
10:48
And on the main panel, you're seeing
a three-dimensional reconstruction
a three-dimensional reconstruction
184
636760
3336
Ana panelde, sensörler ağaçların yanından
geçtikçe bahçedeki her ağacın
geçtikçe bahçedeki her ağacın
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
yeniden üç boyutlu olarak
oluşturulmasını görüyorsunuz.
oluşturulmasını görüyorsunuz.
10:59
Armed with information like this,
we can do several things.
we can do several things.
186
647640
4040
Böyle bir bilgiyle donanınca
birçok şey yapabiliriz.
birçok şey yapabiliriz.
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
Yapabileceğimiz ilk ve muhtemelen
en önemli şey çok basit:
en önemli şey çok basit:
11:08
count the number of fruits on every tree.
188
656480
2440
Her ağaçtaki meyve adetini saymak.
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
Böyle yaparak çiftçiye her ağaçtaki
meyve sayısını söylersiniz
meyve sayısını söylersiniz
11:16
and allow her to estimate
the yield in the orchard,
the yield in the orchard,
190
664080
4256
ve bahçedeki hâsılatı
tahmin etmesini sağlarsınız,
tahmin etmesini sağlarsınız,
11:20
optimizing the production
chain downstream.
chain downstream.
191
668360
2840
bununla üretim zinciri boyunca
optimizasyon sağlarsınız.
optimizasyon sağlarsınız.
11:23
The second thing we can do
192
671640
1616
Yapabileceğimiz ikinci şey,
11:25
is take models of plants, construct
three-dimensional reconstructions,
three-dimensional reconstructions,
193
673280
4496
bitkilerin modellerini almak,
üç boyutlu olarak yeniden oluşturmak
üç boyutlu olarak yeniden oluşturmak
11:29
and from that estimate the canopy size,
194
677800
2536
ve böylece bitki örtüsünün
büyüklüğünü tahmin etmek,
büyüklüğünü tahmin etmek,
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
sonra örtünün büyüklüğünü her bitkideki
yaprak alanın miktarı ile ilintilemek.
yaprak alanın miktarı ile ilintilemek.
11:36
And this is called the leaf area index.
196
684160
2176
Buna yaprak alan indeksi denir.
11:38
So if you know this leaf area index,
197
686360
1936
Eğer yaprak alanı indeksini biliyorsanız,
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
aslında her bitkide ne kadar fotosentez
mümkün olduğuna dair ölçünüz olur,
mümkün olduğuna dair ölçünüz olur,
11:45
which again tells you
how healthy each plant is.
how healthy each plant is.
199
693800
2880
bu da size her bitkinin ne kadar
sağlıklı olduğunu söyler.
sağlıklı olduğunu söyler.
11:49
By combining visual
and infrared information,
and infrared information,
200
697520
4216
Görsel ve kızılötesi
bilgiyi birleştirerek,
bilgiyi birleştirerek,
11:53
we can also compute indices such as NDVI.
201
701760
3296
NDVI (normalize edilmiş fark bitki örtüsü
indeksi) gibi indisleri de hesaplayabiliriz.
indeksi) gibi indisleri de hesaplayabiliriz.
11:57
And in this particular case,
you can essentially see
you can essentially see
202
705080
2816
Buradaki durumda, aslında
bazı ürünlerin diğer ürünler
bazı ürünlerin diğer ürünler
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
kadar iyi durumda olmadığını görüyorsunuz.
12:02
This is easily discernible from imagery,
204
710960
4056
Bu durum, görüntüde rahatlıkla
ayırt edilebiliyor;
ayırt edilebiliyor;
12:07
not just visual imagery but combining
205
715040
2216
sadece görsel imgeyle değil,
12:09
both visual imagery and infrared imagery.
206
717280
2776
görsel imgeyi, kızılötesi
imgeyle birleştirerek.
imgeyle birleştirerek.
12:12
And then lastly,
207
720080
1336
Son olarak,
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
yapmak istediğimiz bir şey de kloroz
başlangıcını erkenden tespit etmek --
başlangıcını erkenden tespit etmek --
12:17
and this is an orange tree --
209
725480
1496
ve bu bir portakal ağacı --
12:19
which is essentially seen
by yellowing of leaves.
by yellowing of leaves.
210
727000
2560
bu aslında yaprakların
sararmasından anlaşılabilir.
sararmasından anlaşılabilir.
12:21
But robots flying overhead
can easily spot this autonomously
can easily spot this autonomously
211
729880
3896
Ancak tepede uçan robotlar bunu
kolaylıkla kendileri fark edebilir
kolaylıkla kendileri fark edebilir
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
ve sonra çiftçiye bahçenin
bu kısmında bir sorun
bu kısmında bir sorun
12:28
in this section of the orchard.
213
736760
1520
olduğunu raporlayabilirler.
12:30
Systems like this can really help,
214
738800
2696
Bunun gibi sistemler
gerçekten yardımcı olabilir
gerçekten yardımcı olabilir
12:33
and we're projecting yields
that can improve by about ten percent
that can improve by about ten percent
215
741520
5816
ve hava robotu sürüleri kullanarak
hâsılatın yaklaşık yüzde 10 artabileceğini
hâsılatın yaklaşık yüzde 10 artabileceğini
12:39
and, more importantly, decrease
the amount of inputs such as water
the amount of inputs such as water
216
747360
3216
ve daha da önemlisi su
gibi girdilerin miktarının
gibi girdilerin miktarının
12:42
by 25 percent by using
aerial robot swarms.
aerial robot swarms.
217
750600
3280
yüzde 25 oranında
azalabileceğini öngörüyoruz.
azalabileceğini öngörüyoruz.
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
Son olarak, aslında geleceği yaratan
insanları alkışlamanızı istiyorum,
insanları alkışlamanızı istiyorum,
12:52
Yash Mulgaonkar, Sikang Liu
and Giuseppe Loianno,
and Giuseppe Loianno,
219
760960
4920
Yash Mulgaonkar, Sikang Liu
ve Giuseppe Loianno,
ve Giuseppe Loianno,
12:57
who are responsible for the three
demonstrations that you saw.
demonstrations that you saw.
220
765920
3496
kendileri gördüğünüz
üç demodan sorumlular.
üç demodan sorumlular.
13:01
Thank you.
221
769440
1176
Teşekkürler.
13:02
(Applause)
222
770640
5920
(Alkış)
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