Καλημέρα. Είμαι εδώ σήμερα για να μιλήσω για αυτόνομες, ιπτάμενες μπάλες βόλεϊ. Όχι -- Ευκίνητα ιπτάμενα ρομπότ σαν αυτό εδώ. Θα ήθελα να σας μιλήσω λίγο για τις προκλήσεις στη δημιουργία τους και για τις καταπληκτικές δυνατότητες στην εφαρμογή αυτής της τεχνολογίας. Αυτά, λοιπόν, τα ρομπότ σχετίζονται με τα μη επανδρωμένα αεροσκάφη. Παρόλα αυτά, τα μέσα που βλέπετε εδώ είναι μεγάλα. Ζυγίζουν μερικά εκατοντάδες κιλά, και δεν είναι επ' ουδενί ευκίνητα. Δεν είναι καν αυτόνομα. Για την ακρίβεια, πολλά από αυτά τα μέσα ελέγχονται από πληρώματα ιπταμένων που μπορεί να περιλαμβάνουν πολλούς πιλότους, χειριστές αισθητήρων και συντονιστές αποστολών.
Good morning. I'm here today to talk about autonomous flying beach balls. (Laughter) No, agile aerial robots like this one. I'd like to tell you a little bit about the challenges in building these, and some of the terrific opportunities for applying this technology. So these robots are related to unmanned aerial vehicles. However, the vehicles you see here are big. They weigh thousands of pounds, are not by any means agile. They're not even autonomous. In fact, many of these vehicles are operated by flight crews that can include multiple pilots, operators of sensors, and mission coordinators.
Αυτό που μας ενδιαφέρει είναι η ανάπτυξη ρομπότ σαν αυτά -- εδώ βλέπετε άλλες δύο φωτογραφίες -- εμπορικά ρομπότ για πώληση στο εμπόριο. Αυτά, λοιπόν, είναι ελικόπτερα με τέσσερις έλικες μεγέθους περίπου ενός μέτρου και βάρους μερικών κιλών. Τα εξοπλίζουμε με αισθητήρες και επεξεργαστές, και αυτά τα ρομπότ μπορούν να πετάξουν εντός κτιρίων χωρίς GPS.
What we're interested in is developing robots like this -- and here are two other pictures -- of robots that you can buy off the shelf. So these are helicopters with four rotors, and they're roughly a meter or so in scale, and weigh several pounds. And so we retrofit these with sensors and processors, and these robots can fly indoors. Without GPS.
Το ρομπότ που κρατάω στο χέρι μου είναι αυτό, και δημιουργήθηκε από δύο φοιτητές, τον Άλεξ και τον Ντάνιελ. Αυτό, λοιπόν, ζυγίζει λίγο παραπάνω από 45 γραμμάρια. Καταναλώνει ενέργεια περίπου 15 βατ. Και, όπως μπορείτε να δείτε, έχει διάμετρο περίπου 20 εκατοστά. Επιτρέψτε μου, λοιπόν, μία γρήγορη επίδειξη για πώς λειτουργούν αυτά τα ρομπότ.
The robot I'm holding in my hand is this one, and it's been created by two students, Alex and Daniel. So this weighs a little more than a tenth of a pound. It consumes about 15 watts of power. And as you can see, it's about eight inches in diameter. So let me give you just a very quick tutorial on how these robots work.
Έχει, λοιπόν, τέσσερις έλικες. Όταν οι έλικες περιστρέφονται με την ίδια ταχύτητα, το ρομπότ αιωρείται. Εάν αυξήσετε την ταχύτητα ενός έλικα, τότε το ρομπότ σηκώνεται, επιταχύνει. Φυσικά, εάν το ρομπότ πάρει κλίση, σε σχέση με το οριζόντιο επίπεδο, μετά θα επιταχύνει προς αυτή την κατεύθυνση. Για να το κάνετε να γείρει, υπάρχουν δύο τρόποι. Σε αυτή, λοιπόν, την εικόνα μπορείτε να δείτε ότι ο τέταρτος έλικας περιστρέφεται ταχύτερα και ο δεύτερος έλικας περιστρέφεται πιο αργά. Και όταν συμβαίνει αυτό υπάρχει ένα σημείο που αναγκάζει το ρομπότ να περιστραφεί. Και αντίστροφα, εάν αυξηθεί η ταχύτητα περιστροφής του τρίτου έλικα και μειωθεί του πρώτου έλικα, τότε το ρομπότ κινείται προς τα εμπρός.
So it has four rotors. If you spin these rotors at the same speed, the robot hovers. If you increase the speed of each of these rotors, then the robot flies up, it accelerates up. Of course, if the robot were tilted, inclined to the horizontal, then it would accelerate in this direction. So to get it to tilt, there's one of two ways of doing it. So in this picture, you see that rotor four is spinning faster and rotor two is spinning slower. And when that happens, there's a moment that causes this robot to roll. And the other way around, if you increase the speed of rotor three and decrease the speed of rotor one, then the robot pitches forward.
Και, τέλος, εάν περιστραφεί ένα αντιδιαμετρικό ζευγάρι έλικες γρηγορότερα από το άλλο ζευγάρι, τότε το ρομπότ περιστρέφεται στον κάθετο άξονα. Έτσι, ένας ενσωματωμένος επεξεργαστής ουσιαστικά ελέγχει τις κινήσεις που πρέπει να εκτελεστούν και συνδυάζει αυτές τις κινήσεις για να βρει ποιες εντολές πρέπει να στείλει στους έλικες 600 φορές το δευτερόλεπτο. Αυτή είναι η βασική αρχή λειτουργίας του.
And then finally, if you spin opposite pairs of rotors faster than the other pair, then the robot yaws about the vertical axis. So an on-board processor essentially looks at what motions need to be executed and combines these motions, and figures out what commands to send to the motors -- 600 times a second. That's basically how this thing operates.
Έτσι, ένα από τα πλεονεκτήματα αυτού του σχεδιασμού είναι, όταν κατεβαίνουμε κλίμακα, ότι το ρομπότ φυσικά γίνεται ευέλικτο. Εδώ η τιμή R είναι το χαρακτηριστικό μήκος του ρομπότ. Για την ακρίβεια, είναι το μισό της διαμέτρου. Και υπάρχουν πολλές φυσικές παράμετροι που αλλάζουν όσο μειώνεται το R. Αυτή που είναι η πιό σημαντική είναι η αδράνεια ή η αντίσταση στην κίνηση. Αποδεικνύεται, λοιπόν, πως η αδράνεια, που ρυθμίζει την γωνιακή κίνηση, αυξάνει την τιμή του R στην πέμπτη δύναμη. Όσο, λοιπόν, μικρότερη τιμή έχει το R, τόσο πιο εντυπωσιακά μειώνεται η αδράνεια. Έτσι, ως αποτέλεσμα, η γωνιακή επιτάχυνση, που εδώ συμβολίζεται με το ελληνικό γράμμα άλφα, γίνεται 1 προς R. Είναι αντιστρόφως ανάλογη του R. Όσο μικρότερη είναι, τόσο πιο γρήγορα γίνεται η περιστροφή.
So one of the advantages of this design is when you scale things down, the robot naturally becomes agile. So here, R is the characteristic length of the robot. It's actually half the diameter. And there are lots of physical parameters that change as you reduce R. The one that's most important is the inertia, or the resistance to motion. So it turns out the inertia, which governs angular motion, scales as a fifth power of R. So the smaller you make R, the more dramatically the inertia reduces. So as a result, the angular acceleration, denoted by the Greek letter alpha here, goes as 1 over R. It's inversely proportional to R. The smaller you make it, the more quickly you can turn.
Αυτό φαίνεται ξεκάθαρα στα βίντεο. Κάτω δεξιά βλέπετε ένα ρομπότ να κάνει μια περιστροφή 360 μοιρών σε λιγότερο από μισό δευτερόλεπτο. Πολλαπλές περιστροφές σε λίγο περισσότερο χρόνο. Οι διεργασίες στην μητρική πλακέτα παίρνουν πληροφορίες από επιταχυνσιόμετρα και ενσωματωμένα γυροσκόπια και υπολογίζουν, όπως είπα πριν, 600 εντολές το δευτερόλεπτο για την σταθεροποίηση του ρομπότ. Στα αριστερά, βλέπεται τον Ντάνιελ να πετάει το ρομπότ στον αέρα. Και φαίνεται πόσο ομαλός είναι ο έλεγχος. Με οποιονδήποτε τρόπο και να το πετάξετε, το ρομπότ επανέρχεται και γυρίζει πίσω σε αυτόν.
So this should be clear in these videos. On the bottom right, you see a robot performing a 360-degree flip in less than half a second. Multiple flips, a little more time. So here the processes on board are getting feedback from accelerometers and gyros on board, and calculating, like I said before, commands at 600 times a second, to stabilize this robot. So on the left, you see Daniel throwing this robot up into the air, and it shows you how robust the control is. No matter how you throw it, the robot recovers and comes back to him.
Γιατί, λοιπόν, να φτιάξουμε τέτοια ρομπότ; Λοιπόν, αυτά τα ρομπότ έχουν πολλές εφαρμογές. Μπορείτε να τα στείλετε στο εσωτερικό κτιρίων σαν αυτό ως τους πρώτους ανταποκριτές για να ψάξουν εισβολείς, ίσως για έλεγχο βιοχημικών διαρροών, διαρροών αερίων. Μπορούν ακόμα να χρησιμοποιηθούν σε εργασίες όπως η κατασκευαστική. Εδώ τα ρομπότ μεταφέρουν δοκούς, υποστυλώματα και συναρμολογούν κατασκευές που μοιάζουν με κύβο. Θα σας πω για αυτό σε λίγο. Τα ρομπότ μπορούν να χρησιμοποιηθούν για τη μεταφορά φορτίων. Ένα, λοιπόν, από τα προβλήματα με αυτά τα μικρά ρομπότ είναι το ωφέλιμο φορτίο τους. Μπορεί, λοιπόν, να θέλετε πολλαπλά ρομπότ να μεταφέρουν φορτία. Αυτή είναι μια φωτογραφία από ένα πρόσφατο πείραμα που κάναμε για την ακρίβεια δεν είναι και τόσο πρόσφατο πια -- στην Σεντάι αμέσως μετά τον σεισμό. Ρομπότ σαν και αυτά μπορούν να σταλούν σε γκρεμισμένα κτίρια για εκτίμηση ζημιών μετά από φυσικές καταστροφές ή να σταλούν σε κτίρια αντιδραστήρων για την καταγραφή των επιπέδων ακτινοβολίας.
So why build robots like this? Well, robots like this have many applications. You can send them inside buildings like this, as first responders to look for intruders, maybe look for biochemical leaks, gaseous leaks. You can also use them for applications like construction. So here are robots carrying beams, columns and assembling cube-like structures. I'll tell you a little bit more about this. The robots can be used for transporting cargo. So one of the problems with these small robots is their payload-carrying capacity. So you might want to have multiple robots carry payloads. This is a picture of a recent experiment we did -- actually not so recent anymore -- in Sendai, shortly after the earthquake. So robots like this could be sent into collapsed buildings, to assess the damage after natural disasters, or sent into reactor buildings, to map radiation levels.
Έτσι, ένα βασικό πρόβλημα που πρέπει να λύσουν τα ρομπότ, εάν τα θέλουμε αυτόνομα, είναι η εξεύρεση ενός τρόπου μετάβασης από το σημείο Α στο σημείο Β. Αυτό αποτελεί μια μικρή πρόκληση, γιατί η δυναμική αυτού του ρομπότ είναι αρκετά πολύπλοκη. Για την ακρίβεια, ζουν σε ένα χώρο 12 διαστάσεων. Χρησιμοποιούμε, λοιπόν, ένα μικρό τέχνασμα. Παίρνουμε αυτόν τον κυρτό χώρο των 12 διαστάσεων και τον μετατρέπουμε σε έναν επίπεδο τετραδιάστατο χώρο. Και αυτός ο τετραδιάστατος χώρος αποτελείται από τους άξονες X, Y, Z και την γωνία εκτροπής.
So one fundamental problem that the robots have to solve if they are to be autonomous, is essentially figuring out how to get from point A to point B. So this gets a little challenging, because the dynamics of this robot are quite complicated. In fact, they live in a 12-dimensional space. So we use a little trick. We take this curved 12-dimensional space, and transform it into a flat, four-dimensional space. And that four-dimensional space consists of X, Y, Z, and then the yaw angle.
Και αυτό που κάνει αυτό το ρομπότ είναι να σχεδιάζει από που αποκαλούμε ελάχιστη διαδρομή. Να σας θυμίσω από την Φυσική, έχουμε την θέση, κατεύθυνση, ταχύτητα, μετά την επιτάχυνση και μετά έχουμε μια απότομη κίνηση και μετά έρχεται η διαδρομή. Αυτό, λοιπόν, το ρομπότ ελαχιστοποιεί τη διαδρομή. Αυτό που πετυχαίνει είναι να παράγει μια ομαλή και χαριτωμένη κίνηση. Και αυτό το κάνει με το να αποφεύγει εμπόδια. Αυτές, λοιπόν, οι ελάχιστες διαδρομές στον επίπεδο χώρο μετατρέπονται ξανά και δίνονται πίσω σε αυτόν τον πολύπλοκο χώρο των 12 διαστάσεων, τις οποίες πρέπει να εκτελέσει το ρομπότ για έλεγχο και μετά για εκτέλεση.
And so what the robot does, is it plans what we call a minimum-snap trajectory. So to remind you of physics: You have position, derivative, velocity; then acceleration; and then comes jerk, and then comes snap. So this robot minimizes snap. So what that effectively does, is produce a smooth and graceful motion. And it does that avoiding obstacles. So these minimum-snap trajectories in this flat space are then transformed back into this complicated 12-dimensional space, which the robot must do for control and then execution.
Επιτρέψτε μου να σας δείξω μερικά παραδείγματα για το πώς είναι αυτές οι ελάχιστες τροχιές. Και, στο πρώτο βίντεο, βλέπετε ένα ρομπότ να πηγαίνει από το σημείο Α στο σημείο Β μέσω ενός ενδιάμεσου σημείου.
So let me show you some examples of what these minimum-snap trajectories look like. And in the first video, you'll see the robot going from point A to point B, through an intermediate point.
Αυτό, λοιπόν, το ρομπότ είναι ικανό να εκτελέσει οποιαδήποτε καμπύλη τροχιά. Αυτές είναι κυκλικές τροχιές όπου το ρομπότ δέχεται επιτάχυνση περίπου 2G. Εδώ έχουμε κάμερες γενικής καταγραφής της κίνησης στην κορυφή που ενημερώνουν το ρομπότ για τη θέση του 100 φορές το δευτερόλεπτο. Επίσης, ενημερώνει το ρομπότ που είναι αυτά τα εμπόδια. Και τα εμπόδια μπορεί να είναι κινούμενα. Εδώ βλέπετε τον Ντάνιελ να πετάει μια στεφάνη στον αέρα, ενώ το ρομπότ υπολογίζει τη θέση της στεφάνης και προσπαθεί να προσδιορίσει πώς να περάσει με βέλτιστο τρόπο μέσα από αυτήν. Σαν ακαδημαϊκοί, έχουμε μάθει να πηδάμε μέσα από στεφάνες ώστε να μαζέψουμε χρήματα για τα εργαστήριά μας και μαθαίνουμε και στα ρομπότ μας να κάνουν το ίδιο.
(Whirring noise) So the robot is obviously capable of executing any curve trajectory. So these are circular trajectories, where the robot pulls about two G's. Here you have overhead motion capture cameras on the top that tell the robot where it is 100 times a second. It also tells the robot where these obstacles are. And the obstacles can be moving. And here, you'll see Daniel throw this hoop into the air, while the robot is calculating the position of the hoop, and trying to figure out how to best go through the hoop. So as an academic, we're always trained to be able to jump through hoops to raise funding for our labs, and we get our robots to do that.
(Χειροκρότημα)
(Applause)
Κάτι άλλο που μπορεί να κάνει το ρομπότ είναι να θυμάται τμήματα της πορείας του που μαθαίνει ή έχει προγραμματιστεί. Εδώ, λοιπόν, βλέπετε ένα ρομπότ να συνδυάζει μια κίνηση που χτίζεται δυναμικά και μετά αλλάζει προσανατολισμό και μετά επανέρχεται. Πρέπει να το κάνει αυτό, γιατί αυτό το κενό στο παράθυρο είναι ελαφρώς μεγαλύτερο από το πλάτος του ρομπότ. Όπως όταν ένας καταδύτης στέκεται στο βατήρα και μετά πηδάει από αυτόν για να αποκτήσει ορμή, και μετά κάνει αυτή την πιρουέτα, την δυόμιση περιστροφών και μετά επανέρχεται με χάρη. Αυτή είναι η βασική λειτουργία του ρομπότ. Γνωρίζει πως να συνδυάσει μικρά κομμάτια από τροχιές για να κάνει αυτές τις αρκετά δύσκολες διαδρομές.
So another thing the robot can do is it remembers pieces of trajectory that it learns or is pre-programmed. So here, you see the robot combining a motion that builds up momentum, and then changes its orientation and then recovers. So it has to do this because this gap in the window is only slightly larger than the width of the robot. So just like a diver stands on a springboard and then jumps off it to gain momentum, and then does this pirouette, this two and a half somersault through and then gracefully recovers, this robot is basically doing that. So it knows how to combine little bits and pieces of trajectories to do these fairly difficult tasks.
Ας αλλάξουμε θέμα. Ένα από τα μειονεκτήματα αυτών των μικρών ρομπότ είναι το μέγεθός τους. Και, όπως σας είπα νωρίτερα, μπορεί να θέλουμε να χρησιμοποιήσουμε πάρα πολλά ρομπότ για να υπερβούμε τους περιορισμούς του μεγέθους. Έτσι, μια δυσκολία είναι πώς συντονίζεις όλα αυτά τα ρομπότ; Εδώ, λοιπόν, εξετάσαμε τι συμβαίνει στη φύση. Θέλω, λοιπόν, να σας δείξω ένα βίντεο με αυστραλιανά μυρμήγκια της ερήμου στο εργαστήριο του καθηγητή Στίβεν Πρατ όπου μεταφέρουν ένα αντικείμενο. Για την ακρίβεια αυτό είναι ένα κομμάτι σύκου. Για την ακρίβεια, οτιδήποτε είναι επικαλυμμένο με χυμό σύκου τα μυρμήγκια θα το μεταφέρουν στη φωλιά. Αυτά, λοιπόν, τα μυρμήγκια δεν έχουν κάποιον κεντρικό συντονιστή. Νιώθουν τους γείτονές τους. Δεν υπάρχει σαφής επικοινωνία. Αλλά, λόγω του ότι νιώθουν τους γείτονές τους, και επειδή νιώθουν το αντικείμενο, έχουν σαφή συντονισμό μέσα στην ομάδα.
So I want change gears. So one of the disadvantages of these small robots is its size. And I told you earlier that we may want to employ lots and lots of robots to overcome the limitations of size. So one difficulty is: How do you coordinate lots of these robots? And so here, we looked to nature. So I want to show you a clip of Aphaenogaster desert ants, in Professor Stephen Pratt's lab, carrying an object. So this is actually a piece of fig. Actually you take any object coated with fig juice, and the ants will carry it back to the nest. So these ants don't have any central coordinator. They sense their neighbors. There's no explicit communication. But because they sense the neighbors and because they sense the object, they have implicit coordination across the group.
Τέτοιου είδους συντονισμό θέλουμε να έχουν τα ρομπότ μας. Έχουμε, λοιπόν, ένα ρομπότ που περιτριγυρίζεται από γείτονες και ας δούμε τα ρομπότ I και J -- αυτό που θέλουμε τα ρομπότ να κάνουν είναι να παρακολουθούν τις αποστάσεις μεταξύ τους καθώς πετούν σε σχηματισμό. Και θέλουμε να είμαστε σίγουροι ότι αυτές οι αποστάσεις είναι μέσα σε αποδεκτά όρια. Ξαναλέω, τα ρομπότ ελέγχουν αυτό το σφάλμα και υπολογίζουν τις εντολές ελέγχου 100 φορές το δευτερόλεπτο, που μετά μεταφράζονται στον ρότορα σε 600 φορές το δευτερόλεπτο. Αυτό, λοιπόν, πρέπει να γίνεται με έναν αποκεντρωτικό τρόπο. Ξανά, εάν έχετε πάρα πολλά ρομπότ, είναι αδύνατος ο κεντρικός συντονισμός όλης αυτής της πληροφορίας τόσο γρήγορα ώστε τα ρομπότ να εκτελέσουν το έργο. Συν το ότι τα ρομπότ πρέπει να βασίζουν τις ενέργειές τους μόνο στις τοπικές πληροφορίες, τι νιώθουν από τους γείτονές τους. Και, τέλος, επιμένουμε ότι τα ρομπότ πρέπει να είναι αδιάφορα για το ποιοι είναι οι γείτονές τους. Είναι αυτό που ονομάζουμε ανωνυμία.
So this is the kind of coordination we want our robots to have. So when we have a robot which is surrounded by neighbors -- and let's look at robot I and robot J -- what we want the robots to do, is to monitor the separation between them, as they fly in formation. And then you want to make sure that this separation is within acceptable levels. So again, the robots monitor this error and calculate the control commands 100 times a second, which then translates into motor commands, 600 times a second. So this also has to be done in a decentralized way. Again, if you have lots and lots of robots, it's impossible to coordinate all this information centrally fast enough in order for the robots to accomplish the task. Plus, the robots have to base their actions only on local information -- what they sense from their neighbors. And then finally, we insist that the robots be agnostic to who their neighbors are. So this is what we call anonymity.
Αυτό, λοιπόν, που θέλω να σας δείξω είναι ένα βίντεο από 20 τέτοια μικρά ρομπότ που πετούν σε σχηματισμό. Παρακολουθούν την κίνηση των διπλανών τους. Διατηρούν τον σχηματισμό. Ο σχηματισμός μπορεί να αλλάξει. Μπορεί να είναι επίπεδοι σχηματισμοί, μπορεί να είναι τρισδιάστατοι σχηματισμοί. Όπως μπορείτε να δείτε εδώ, μεταπίπτουν από έναν τρισδιάστατο σε έναν επίπεδο σχηματισμό. Και για να πετάξουν μέσα από αντικείμενα μπορούν να προσαρμόσουν τους σχηματισμούς στον αέρα. Ξαναλέω ότι, αυτά τα ρομπότ ήρθαν πολύ κοντά μεταξύ τους. Όπως μπορείτε να δείτε σε αυτή την πτήση σχήματος "8", πλησιάζουν σε απόσταση εκατοστών το ένα από το άλλο. Και παρά τις αεροδυναμικές αλληλεπιδράσεις από τους έλικες, μπορούν να διατηρήσουν σταθερή πτήση.
So what I want to show you next is a video of 20 of these little robots, flying in formation. They're monitoring their neighbors' positions. They're maintaining formation. The formations can change. They can be planar formations, they can be three-dimensional formations. As you can see here, they collapse from a three-dimensional formation into planar formation. And to fly through obstacles, they can adapt the formations on the fly. So again, these robots come really close together. As you can see in this figure-eight flight, they come within inches of each other. And despite the aerodynamic interactions with these propeller blades, they're able to maintain stable flight.
(Χειροκρότημα)
(Applause)
Από τη στιγμή που ξέρουν πως να πετάξουν σε σχηματισμούς, μπορούν να σηκώσουν αντικείμενα συνεργατικά. Αυτό μας δείχνει πως μπορούμε να διπλασιάσουμε, τριπλασιάσουμε, τετραπλασιάσουμε τη δύναμη των ρομπότ απλά σχηματίζοντας ομάδες με γείτονες, όπως μπορείτε να δείτε εδώ. Ένα από τα μειονεκτήματα αυτού είναι, καθώς ανεβαίνουμε κλίμακα. εάν έχουμε πολλά ρομπότ που μεταφέρουν το ίδιο αντικείμενο, έχετε στην ουσία αποτελεσματική αύξηση της αδράνειας, και επομένως πληρώνουμε το τίμημα: δεν είναι τόσο ευκίνητα. Αλλά κερδίζετε σε ωφέλιμο φορτίο.
So once you know how to fly in formation, you can actually pick up objects cooperatively. So this just shows that we can double, triple, quadruple the robots' strength, by just getting them to team with neighbors, as you can see here. One of the disadvantages of doing that is, as you scale things up -- so if you have lots of robots carrying the same thing, you're essentially increasing the inertia, and therefore you pay a price; they're not as agile. But you do gain in terms of payload-carrying capacity.
Μία άλλη εφαρμογή που θέλω να σας δείξω ξανά από το εργαστήριό μας. Η εργασία αυτή έχει γίνει από τον τελειόφοιτο Κουέντιν Λίντσεϊ. Ο αλγόριθμός του στην ουσία λέει σε αυτά τα ρομπότ πως να χτίσουν αυτόνομα κυβικές κατασκευές από μικές σανίδες. Ο αλγόριθμός του λέει στο ρομπότ ποιο μέρος να σηκώσει, πότε και που να το τοποθετήσει. Σε αυτό το βίντεο βλέπετε -- είναι επιταγχυμένο κατά 10 - 14 φορές -- βλέπετε τρεις διαφορετικές κατασκευές να χτίζονται από αυτά τα ρομπότ. Επαναλαμβάνω, όλα είναι αυτόνομα και το μόνο που πρέπει να κάνει ο Κουέντιν είναι να τους δώσει ένα σχεδιάγραμμα αυτού που θέλει να κατασκευάσει.
Another application I want to show you -- again, this is in our lab. This is work done by Quentin Lindsey, who's a graduate student. So his algorithm essentially tells these robots how to autonomously build cubic structures from truss-like elements. So his algorithm tells the robot what part to pick up, when, and where to place it. So in this video you see -- and it's sped up 10, 14 times -- you see three different structures being built by these robots. And again, everything is autonomous, and all Quentin has to do is to give them a blueprint of the design that he wants to build.
Όλα αυτά τα πειράματα που είδαμε μέχρι στιγμής, όλες αυτές οι παρουσιάσεις, έχουν γίνει με τη βοήθεια συστήματων καταγραφής κίνησης. Τι γίνεται όμως εάν αφήσουμε το εργαστήριο και πάμε έξω στον πραγματικό κόσμο; Και τι γίνεται όταν δεν υπάρχει διαθέσιμο GPS; Αυτό, λοιπόν, το ρομπότ είναι εξοπλισμένο με μία κάμερα και ένα τηλέμετρο λέιζερ, σαρωτή λέιζερ. Και χρησιμοποιεί αυτούς τους αισθητήρες για να χαρτογραφήσει το περιβάλλοντα χώρο. Αυτός ο χάρτης αποτελείται από χαρακτηριστικά -- όπως εισόδους, παράθυρα, ανθρώπους, έπιπλα -- και μετά υπολογίζει που βρίσκεται σε σχέση με αυτά τα χαρακτηριστικά. Δεν υπάρχει, λοιπόν, ένα παγκόσμιο σύστημα συντεταγμένων. Το σύστημα συντεταγμένων καθορίζεται σε σχέση με το ρομπότ, που βρίσκεται και προς τα που έχει στραφεί. Και πλοηγείται σε σχέση με αυτά τα χαρακτηριστικά.
So all these experiments you've seen thus far, all these demonstrations, have been done with the help of motion-capture systems. So what happens when you leave your lab, and you go outside into the real world? And what if there's no GPS? So this robot is actually equipped with a camera, and a laser rangefinder, laser scanner. And it uses these sensors to build a map of the environment. What that map consists of are features -- like doorways, windows, people, furniture -- and it then figures out where its position is, with respect to the features. So there is no global coordinate system. The coordinate system is defined based on the robot, where it is and what it's looking at. And it navigates with respect to those features.
Θέλω να σας δείξω ένα απόσπασμα από αλγόριθμους που ανέπτυξε ο Φράνκ Σεν και ο καθηγητής Νέιθαν Μάικλ που δείχνει αυτό το ρομπότ να μπαίνει σε ένα κτίριο για πρώτη φορά και να δημιουργεί τον χάρτη επιτόπου. Έτσι, το ρομπότ βρίσκει ποια χαρακτηριστικά υπάρχουν. Δημιουργεί τον χάρτη. Βρίσκει τη θέση του σε σχέση με τα χαρακτηριστικά και μετά εκτιμά την θέση του 100 φορές το δευτερόλεπτο επιτρέποντάς μας να χρησιμοποιήσουμε τους αλγορίθμους ελέγχου που σας περιέγραψα νωρίτερα. Στην ουσία το ρομπότ παίρνει εντολές εξ' αποστάσεως από τον Φράνκ. Αλλά το ρομπότ μπορεί επίσης να υπολογίσει που να πάει από μόνο του. Υποθέστε, λοιπόν, ότι πρέπει να το στείλω σε ένα κτίριο που δεν έχω ιδέα πώς είναι, μπορώ να ζητήσω στο ρομπότ να μπει μέσα, να δημιουργήσει έναν χάρτη και μετά να επιστρέψει και να μου πει πώς είναι το κτίριο. Εδώ, λοιπόν, το ρομπότ όχι μόνο λύνει το πρόβλημα, του πώς να πάω από το σημείο Α στο σημείο Β του χάρτη, αλλά βρίσκει ποιο είναι το καλύτερο σημείο Β κάθε φορά. Στην ουσία γνωρίζει που να πάει για να βρει σημεία που έχουν την μικρότερη πληροφορία. Με αυτόν τον τρόπο συμπληρώνει τον χάρτη.
So I want to show you a clip of algorithms developed by Frank Shen and Professor Nathan Michael, that shows this robot entering a building for the very first time, and creating this map on the fly. So the robot then figures out what the features are, it builds the map, it figures out where it is with respect to the features, and then estimates its position 100 times a second, allowing us to use the control algorithms that I described to you earlier. So this robot is actually being commanded remotely by Frank, but the robot can also figure out where to go on its own. So suppose I were to send this into a building, and I had no idea what this building looked like. I can ask this robot to go in, create a map, and then come back and tell me what the building looks like. So here, the robot is not only solving the problem of how to go from point A to point B in this map, but it's figuring out what the best point B is at every time. So essentially it knows where to go to look for places that have the least information, and that's how it populates this map.
Θα ήθελα να σας αφήσω με μια τελευταία εφαρμογή. Και υπάρχουν πολλές εφαρμογές για αυτή την τεχνολογία. Είμαι καθηγητής και είμαστε παθιασμένοι με την εκπαίδευση. Ρομπότ σαν αυτό μπορούν πραγματικά να αλλάξουν τον τρόπο με τον οποίο διδάσκουμε την υποχρεωτική εκπαίδευση. Αλλά, είμαστε στην Νότια Καλιφόρνια, κοντά στο Λος Άντζελες, οπότε θα πρέπει να τελειώσω με κάτι σχετικό με την διασκέδαση. Θέλω να κλείσω με ένα μουσικό βίντεο. Θα ήθελα να σας παρουσιάσω τους δημιουργούς, Άλεξ και Ντάνιελ, που έφτιαξαν αυτό το βίντεο
So I want to leave you with one last application. And there are many applications of this technology. I'm a professor, and we're passionate about education. Robots like this can really change the way we do K-12 education. But we're in Southern California, close to Los Angeles, so I have to conclude with something focused on entertainment. I want to conclude with a music video. I want to introduce the creators, Alex and Daniel, who created this video.
(Χειροκρότημα)
(Applause)
Πριν, λοιπόν, παρουσιάσω αυτό το βίντεο, θέλω να σας πω ότι το δημιούργησαν τις τελευταίες τρεις μέρες μόλις δέχθηκαν το τηλεφώνημα του Κρις. Και τα ρομπότ που φαίνονται στο βίντεο είναι πλήρως αυτόνομα. Θα δείτε εννέα ρομπότ να παίζουν έξι διαφορετικά όργανα. Και, φυσικά, φτιάχτηκε ειδικά για το TED 2012. Ας το παρακολουθήσουμε.
So before I play this video, I want to tell you that they created it in the last three days, after getting a call from Chris. And the robots that play in the video are completely autonomous. You will see nine robots play six different instruments. And of course, it's made exclusively for TED 2012. Let's watch.
(Sound of air escaping from valve)
(Music)
(Whirring sound)
(Μουσική)
(Music)
(Χειροκρότημα)
(Applause) (Cheers)