Over a million people are killed each year in disasters. Two and a half million people will be permanently disabled or displaced, and the communities will take 20 to 30 years to recover and billions of economic losses.
هر ساله بیش از یک میلیون انسان در بلایای طبیعی کشته می شوند. دو و نیم میلیون نفر برای همیشه معلول یا بی خانمان می شوند، و ۲۰ تا ۳۰ سال طول می کشد تا جوامع بهبود یابند و میلیاردها زیان اقتصادی می بینند.
If you can reduce the initial response by one day, you can reduce the overall recovery by a thousand days, or three years. See how that works? If the initial responders can get in, save lives, mitigate whatever flooding danger there is, that means the other groups can get in to restore the water, the roads, the electricity, which means then the construction people, the insurance agents, all of them can get in to rebuild the houses, which then means you can restore the economy, and maybe even make it better and more resilient to the next disaster. A major insurance company told me that if they can get a homeowner's claim processed one day earlier, it'll make a difference of six months in that person getting their home repaired.
اگر بتوانید واکنش اولیه را یک روز کوتاه کنید، می توانید زمان کلی بهبودی را یک هزار روز یا سه سال تقلیل دهید. ببینید کار چگونه است؟ اگر نیروهای امدادی بتوانند به محل برسند، زندگی ها را نجات دهند هر نوع خطر روی داده را که وجود دارد تخفیف دهند، یعنی که گروه های دیگر می توانند برای ترمیم آبرسانی، جاده و الکتریسیته بیایند که یعنی نیروهای ساختمانی، ماموران بیمه، همگی قادر خواهند بود برای ساختن خانه ها خود را به محل برسانند، که یعنی می توان اقتصاد را دوباره برپا کرد، و حتی آنرا بهسازی هم کرد و مقاوم تر در برابر فاجعۀ بعدی یک شرکت بزرگ بیمه به من گفت که اگر بتوانند ادعای صاحب خانه ای را یک روز زودتر دریافت کنند، تفاوتی برابر شش ماه خواهد داشت که آن فرد بتواند خانه اش را ترمیم نماید.
And that's why I do disaster robotics -- because robots can make a disaster go away faster.
و به همین خاطر است که من در کار روبوت های بلایای طبیعی هستم -- چون روبوت ها می توانند باعث شوند این بلایا زودتر به پایان برسند.
Now, you've already seen a couple of these. These are the UAVs. These are two types of UAVs: a rotorcraft, or hummingbird; a fixed-wing, a hawk. And they're used extensively since 2005 -- Hurricane Katrina. Let me show you how this hummingbird, this rotorcraft, works. Fantastic for structural engineers. Being able to see damage from angles you can't get from binoculars on the ground or from a satellite image, or anything flying at a higher angle. But it's not just structural engineers and insurance people who need this. You've got things like this fixed-wing, this hawk. Now, this hawk can be used for geospatial surveys. That's where you're pulling imagery together and getting 3D reconstruction.
شما قبلاً چندتایی از اینها را دیده اید. اینها UAVها (ماشینهای هوایی بدون سرنشین) هستند، این ها دو نوع UAV هستند: یک چرخنده یا مرغ مگس؛ یک ثابت بال، یک شاهین. و از سال ۲۰۰۵ درموارد بسیاری از آنها استفاده شده -- در گردباد کاترینا. اجازه دهید به شما طرز کار این چرخنده یا مرغ مگس را نشان دهم. برای مهندسین سازه فوق العاده است. که قادر خواهند بود آسیب ها را از زاویه ای ببینند که با دوربین و از روی زمین نمی توانند یا حتی از روی تصویر ماهواره، یا هر چیزی که در ارتفاع بالاتری باشد. اما این فقط مهندسین سازه یا ماموران بیمه نیستند که به این نیاز دارند. شما مانند این ثابت بال، شاهین، را در اختیار دارید از این شاهین می توان برای بررسی های جغرافیایی استفاده کرد. از این طریق می توانید تصاویر متعدد گرفته و با آنها تصاویر سه بعدی بسازید.
We used both of these at the Oso mudslides up in Washington State, because the big problem was geospatial and hydrological understanding of the disaster -- not the search and rescue. The search and rescue teams had it under control and knew what they were doing. The bigger problem was that river and mudslide might wipe them out and flood the responders. And not only was it challenging to the responders and property damage, it's also putting at risk the future of salmon fishing along that part of Washington State. So they needed to understand what was going on. In seven hours, going from Arlington, driving from the Incident Command Post to the site, flying the UAVs, processing the data, driving back to Arlington command post -- seven hours. We gave them in seven hours data that they could take only two to three days to get any other way -- and at higher resolution. It's a game changer.
ما از هر دوی اینها در زمان رانش زمین در اوسو در ایالت واشنگتن استفاده کردیم، چون مشکل اصلی مربوط بود به درک فضای جغرافیایی و آب شناختی محل فاجعه نه تنها جستجو و نجات. گروه جستجو و نجات کارشان را انجام می دادند و خوب می دانستند چه می کنند. مشکل بزرگتر این بود که رودخانه و رانش گل ممکن بود همه را با خود بشورد و ببرد همه کمک رسانان را. و نه فقط این برای کمک رسانان و آسیب به اموال چالش برانگیز بود آیندۀ ماهیگیریِ سالمون را به مخاطره می انداخت و همینطور بخش هایی از ایالت واشنگتن را. بنابراین لازم داشتند بفهمند در آنجا چه خبر است. هفت ساعت، رفتن از آرلینگتون به آنجا، راندن از مرکز فرماندهی حادثه تا محل، پرواز دادن UAV ها، پردازش داده ها، برگشتن به مرکز فرماندهی در آرلینگتون طول کشید. هفت ساعت! ما در آنها هفت ساعت به آنها داده هایی دادیم که تهیۀ آن به هر طریق دیگر دو تا سه روز برایشان زمان می برد -- و با وضوحی بالاتر. این بازی را تغییر می دهد.
And don't just think about the UAVs. I mean, they are sexy -- but remember, 80 percent of the world's population lives by water, and that means our critical infrastructure is underwater -- the parts that we can't get to, like the bridges and things like that. And that's why we have unmanned marine vehicles, one type of which you've already met, which is SARbot, a square dolphin. It goes underwater and uses sonar. Well, why are marine vehicles so important and why are they very, very important? They get overlooked. Think about the Japanese tsunami -- 400 miles of coastland totally devastated, twice the amount of coastland devastated by Hurricane Katrina in the United States. You're talking about your bridges, your pipelines, your ports -- wiped out. And if you don't have a port, you don't have a way to get in enough relief supplies to support a population. That was a huge problem at the Haiti earthquake. So we need marine vehicles.
و فقط به UAV ها فکر نکنید. البته خیلی جذابند -- اما یادتان باشد، ۸۰ درصد از جمعیت جهان کنار آب زندگی می کنند، که بدین معنی است که زیرساخت های ما زیر آب هستند -- در مکانهایی که نمی توانیم برویم، مانند پل ها و مانند آنها. به همین دلیل است که وسایل نقلیۀ زیرآبی بدون سرنشین داریم، یکی از آنها را قبلاً دیده اید، با نام SARbot، یک دلفین مکعبی. به زیر آب می رود و از سونار سود می برد. خوب چرا این وسایل زیر آبی اهمیت دارند و چرا خیلی خیلی اهمیت دارند؟ به آنها بی توجهی شده. به سونامی ژاپن فکر کنید -- حدود ۶۵۰ کیلومتر از ساحل کاملا نابود شد، دوبرابر سواحل منهدم شده در گردباد کاترینا در آمریکا شما به پل هایتان فکر می کنید، به لوله های سوخت رسانی، پایانه ها -- همه نابود شده. و اگر پایانه ای نباشد، راهی برای رساندن لوازم کمکی ندارید تا به جمعیتی کمک برساند. در زلزلۀ هایتی همین بزرگترین مسئله بود. پس به وسایل نقلیۀ زیر آبی نیازمندیم.
Now, let's look at a viewpoint from the SARbot of what they were seeing. We were working on a fishing port. We were able to reopen that fishing port, using her sonar, in four hours. That fishing port was told it was going to be six months before they could get a manual team of divers in, and it was going to take the divers two weeks. They were going to miss the fall fishing season, which was the major economy for that part, which is kind of like their Cape Cod. UMVs, very important.
حالا بیایید از دید SARbot نگاه کنیم و آنچه را آنها می بینند، ببینیم. ما در یک بندر ماهیگیری بودیم. می توانستیم بندر را با کمک سونار او در چهار ساعت دوباره فعال کنیم. به بندر ماهیگیری گفته شده بود که شش ماه طول خواهد کشید تا آنکه گروه غواصان را به آنجا بیاورند و دو هفته هم کار آنها زمان می برد. آنها ماهیگیری فصل پاییز را از دست می دادند. که بخش اصلی اقتصاد محلی بود. UMV ها هم اهمیت بسیار دارند.
But you know, all the robots I've shown you have been small, and that's because robots don't do things that people do. They go places people can't go. And a great example of that is Bujold. Unmanned ground vehicles are particularly small, so Bujold --
اما می بینید که همۀ روبوت هایی که نشان دادم کوچک بودند، به این خاطر که روبوت ها کارهای مردم را انجام نمی دهند. آنها به جاهایی می روند که آدمها نمی توانند. و نمونۀ عالی آن Bujold است. وسایل نقلیۀ زمینی در عمل کوچک هستند، همینطور هم Bujold --
(Laughter)
خنده حضار
Say hello to Bujold.
به Bujold سلام کنید.
(Laughter)
خنده حضار
Bujold was used extensively at the World Trade Center to go through Towers 1, 2 and 4. You're climbing into the rubble, rappelling down, going deep in spaces. And just to see the World Trade Center from Bujold's viewpoint, look at this. You're talking about a disaster where you can't fit a person or a dog -- and it's on fire. The only hope of getting to a survivor way in the basement, you have to go through things that are on fire. It was so hot, on one of the robots, the tracks began to melt and come off. Robots don't replace people or dogs, or hummingbirds or hawks or dolphins. They do things new. They assist the responders, the experts, in new and innovative ways.
از Bujold به شکل گسترده در مرکز تجارت جهانی استفاده شده بود که به برج های ۱، ۲ و ۴ بروند. اینجا از آوارها بالا می روید، به پایین سرازیر می شوید، به اعماق فضاها می روید. و فقط برای اینکه مرکز تجارت جهانی را از دید Bujold ببینید، این را نگاه کنید. در بارۀ فاجعه ای حرف می زنیم که نمی شود یک انسان یا سگ را به آنجا فرستاد -- و در آتش می سوزد. تنها امید برای رسیدن به یک بازمانده در اعماق زیر زمین عبور از محل هایی است که در آتش می سوزند. بقدری داغ بود که لبه های یکی از روبوت ها آب شد و از آن جدا شد. روبوت ها جایگزین انسان و سگ نمی شوند، یا مرغ های مگس یا شاهین ها یا دلفین ها آنها کارهای جدیدی می کنند. آنها به کمک رسانها و متخصصین یاری رساندند، با روش هایی نوین و مبتکرانه.
The biggest problem is not making the robots smaller, though. It's not making them more heat-resistant. It's not making more sensors. The biggest problem is the data, the informatics, because these people need to get the right data at the right time.
بزرگترین مشکل کوچک تر ساختن روبوت ها نیست، مقاوم تر ساختن آنها در برابر آتش نیست، در بیشتر کردن سنسورها نیست. بزرگترین مشکل داده ها است، اطلاعات، چون این افراد به داده های درست در زمان مناسب نیازمندند
So wouldn't it be great if we could have experts immediately access the robots without having to waste any time of driving to the site, so whoever's there, use their robots over the Internet. Well, let's think about that. Let's think about a chemical train derailment in a rural county. What are the odds that the experts, your chemical engineer, your railroad transportation engineers, have been trained on whatever UAV that particular county happens to have? Probably, like, none. So we're using these kinds of interfaces to allow people to use the robots without knowing what robot they're using, or even if they're using a robot or not. What the robots give you, what they give the experts, is data.
پس عالی نبود اگر می توانستیم روبوت ها را بلافاصله در اختیار متخصصین قرار دهیم بدون اتلاف وقت برای رساندن آنها به محل حادثه، تا هرکس که در آنجا است، بتواند از اینترنت به روبوتها دسترسی یابد. خوب در باره اش فکر کنیم. به از خط خارج شدن قطار حامل مواد شیمیایی در بیرون شهر فکر کنید. چقدر احتمال دارد که متخصصین، مهندس شیمی شما، مهندسین حمل و نقل ریلی شما، با همۀ انواع UAV در آن شهر آشنا باشد؟ احتمالاً هیچی. پس ما از همه نوع رابط ها استفاده می کنیم تا به افراد امکان دهیم از روبوت ها استفاده کنند بدون آنکه بدانند از چه روبوتی استفاده می کنند. یا حتی از اینکه از روبوت استفاده می کنند یا نه. آنچه روبوت به شما می دهد، آنچه به یک متخصص می دهد، داده است.
The problem becomes: who gets what data when? One thing to do is to ship all the information to everybody and let them sort it out. Well, the problem with that is it overwhelms the networks, and worse yet, it overwhelms the cognitive abilities of each of the people trying to get that one nugget of information they need to make the decision that's going to make the difference. So we need to think about those kinds of challenges. So it's the data.
پس مشکل بدل می شود به: چه کسی در چه زمانی داده را دریافت می کند؟ یک کار ارسال همۀ داده های اطلاع رسان به همه است تا خودشان همه را مرتب کنند. خوب مشکل در این است که شبکه را اشباع خواهد کرد، و از آن بدتر توانایی های شناختی افرادی که بدنبال آن قطعۀ کوچک اطلاعاتی می گردند را اشباع میکند که برای تصمیم گیری بدان نیازمندند و این تصمیم قرار است تفاوت ایجاد کند. پس باید در مورد انواع این چالش ها فکر کنیم خوب داده ها اینها هستند.
Going back to the World Trade Center, we tried to solve that problem by just recording the data from Bujold only when she was deep in the rubble, because that's what the USAR team said they wanted. What we didn't know at the time was that the civil engineers would have loved, needed the data as we recorded the box beams, the serial numbers, the locations, as we went into the rubble. We lost valuable data. So the challenge is getting all the data and getting it to the right people.
به مرکز تجارت جهانی باز می گردیم، با تنها ضبط کردن داده هایی که از Bujold می آمد تلاش در حل این مشکل نمودیم فقط زمانی که در اعماق آوار رفته بود، چون این همان چیزی بود که گروه نجات گفتند می خواهند آنچه در آن زمان نمی دانستیم این بود که مهندسین ساختمان علاقه داشتند، نیاز داشتند به داده هایی را که ما ضبط کرده بودیم، تیرهای سقف، شماره سریال ها، و موقعیت ها، همینطور که در آوار به پیش می رفتیم. داده های ارزشمندی را از دست دادیم. بنابراین چالش جمع آوری داده و رساندن آن به دست فرد مناسب است.
Now, here's another reason. We've learned that some buildings -- things like schools, hospitals, city halls -- get inspected four times by different agencies throughout the response phases. Now, we're looking, if we can get the data from the robots to share, not only can we do things like compress that sequence of phases to shorten the response time, but now we can begin to do the response in parallel. Everybody can see the data. We can shorten it that way.
و یک دلیل دیگر. آموختیم که برخی از ساختمانها -- مانند مدارس، بیمارستان ها، ساختمان های دولتی چهار نوبت توسط سازمان های مختلف بازرسی می شوند طی دوران واکنش. حالا بدنبال این هستیم تا ببینیم می توانیم داده ها را از روبوت گرفته به اشتراک گذاریم، نه فقط می توانیم داده ها را از هر مرحله ای فشرده کنیم تا زمان واکنش را کوتاه نماییم، بلکه حالا می توانیم همزمان واکنش نشان دهیم. هرکسی می تواند داده ها را ببیند. می توانیم اینگونه آنرا کوتاه کنیم.
So really, "disaster robotics" is a misnomer. It's not about the robots. It's about the data.
پس واقعاً، «روبوتهای بلایای طبیعی»، نام بی مسمائی است ربطی به روبوت ها ندارد. داده ها مهم هستند.
(Applause)
تشویق حضار
So my challenge to you: the next time you hear about a disaster, look for the robots. They may be underground, they may be underwater, they may be in the sky, but they should be there. Look for the robots, because robots are coming to the rescue.
پس حرف من به شما این است: دفعۀ بعد که در مورد یک حادثه چیزی شنیدید، دنبال روبوت ها بگردید. ممکن است زیر زمین باشند، ممکن است زیر آب باشند، ممکن است در آسمان باشند، اما حتما باید آنجا باشند. دنبال روبوت ها بگردید، چون آنها برای کمک می آیند.
(Applause)
تشویق حضار