Good morning. I'm here today to talk about autonomous flying beach balls.
Jó reggelt. Ma önállóan repülő
(Laughter)
strandlabdákról fogok beszélni önöknek.
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.
Na jó, nem. Inkább mozgékony, repülő robotokról, mint ez itt. Kicsit mesélnék az építésükkel járó kihívásokról, és a tecnnológia néhány fantasztikus alkalmazási lehetőségéről. Nos, ezek a robotok hasonlóak a pilóta nélküli repülőgépekhez. Ezek azonban nagy méretű járművek. Súlyuk több tonnát is meghaladhat, és semmiképp nem nevezhetők mozgékonynak. Még csak nem is önállóak. Valójában sokat közülük egész csapatok irányítanak, melyek tagjai között vannak pilóták, szenzorkezelők, valamint bevetésirányítók.
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.
Mi ilyen, boltban vásárolható -- itt látható két további kép -- robotok fejlesztésével foglalkozunk. Ezek helikopterek négy légcsavarral, nagyjából egyméteres átmérővel pár kilós súllyal. Ezeket felszereljük érzékelőkkel és processzorokkal, így aztán zárt térben is tudnak repülni, GPS nélkül.
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.
A robot, amit a kezemben tartok, ez itt, két diák, Alex és Daniel szüleménye. Tömege alig több mint 5 dkg. Energiafogyasztása nagyjából 15 W. És ahogy láthatják, az átmérője körülbelül 20 cm. Hadd adjak egy kis ízelítőt arról, hogyan is működnek ezek a robotok.
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.
Tehát négy légcsavarjuk van. Ha ezek azonos sebességgel forognak, a robot lebeg. Ha mindegyik csavar sebességét növeljük, a robot felszáll, felfelé gyorsít. Természetesen, ha a robot megdől, eltér a vízszintestől, akkor ebbe az irányba gyorsít. Ezt kétféleképpen érhetjük el. Ezen a képen a négyes csavar gyorsabban forog, míg a kettes lassabban. Ennek köszönhetően a nyomaték megdönti a robotot. A másik irányban, ha növeljük a hármas csavar sebességét és csökkentjük az egyesét, a robot előre dől.
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.
És végül, ha a két szemközti rotort gyorsabban forgatjuk mint a másik kettőt, a robot a függőleges tengely körül fordul el. Egy fedélzeti processzor figyeli, hogy milyen mozgásokat kell végrehajtani, és ezeket kombinálva, ad megfelelő parancsokat a motoroknak, másodpercenként 600-szor. Alapvetően így működik ez az egész.
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.
E design egyik előnye, hogy a méret csökkentésével a robot mozgékonnyá válik. Itt R jelenti a robot karhosszát. Ez tulajdonképpen az átmérő fele. Az R csökkentésével számos fizikai paraméter ugyancsak változik. A legfontosabb a tehetetlenség és a mozgási ellenállás. Mint az kiderül, a tehetetlenség, ami meghatározza a szögsebességet, R ötödik hatványával arányos. Szóval minél kisebb R, annál drasztikusabban csökken a tehetetlenség. Ennek köszönhetően, a szöggyorsulás itt alfával jelölve, egyenlő 1/R-rel. Azaz fordítottan arányos R-rel. Minél kisebb, annál gyorsabban fordul.
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.
Ahogy ez a videókból is látható. A jobb alsó sarokban látunk egy robotot, ahogy egy 360 fokos fordulatot csinál kevesebb, mint fél másodperc alatt. Többszörös fordulat, kicsivel több idő. A fedélzeti folyamatok visszajelzést kapnak a gyorsulásmérőktől és a giroszkópoktól, és kiszámolják, ahogy már említettem, a parancsokat másodpercenként 600-szor, a robot stabilizálása érdekében. Bal oldalon látjuk, ahogy Daniel a levegőbe dobja a robotot. Jól mutatja, milyen kifinomult a vezérlés. Nem számít, hogyan dobja el, a robot magához tér, és visszarepül hozzá.
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.
De miért is építsünk ilyen robotokat? Nos, számos alkalmazásuk lehet. Beküldhetjük őket ilyen épületekbe első reagálókként, a behatolók felderítésére, esetleg biokémiai szennyezés, vagy gázszivárgás keresésére. Használhatjuk őket például építési feladatokra. Itt a robotok oszlopokat és gerendákat hordanak és kockaszerű építményeket raknak össze belőlük. Erről később kicsit bővebben mesélek. A robotok használhatók teherszállításra. Bár az egyik probléma ezekkel a kis robotokkal a korlátozott teherbírásuk. Ezért teherszállításra érdemes több robotot alkalmazni egyszerre. Ez a felvétel mostanában készült -- vagy nem is annyira -- Sendaiban, nem sokkal a földrengés után. A robotokat be tudjuk küldeni az összeomlott épületekbe, felmérni a katasztrófa utáni károkat, vagy reaktorépületekbe, a sugárzási szint mérésére.
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.
Egy alapvető probléma, melyet az önálló robotoknak meg kell oldaniuk, hogy kitalálják, hogyan jussanak A pontból B-be. Ez már kicsit komolyabb kihívás, mert a robotok dinamikája elég bonyolult. Konkrétan, egy 12 dimenziós térben élnek. Ezért Itt bevetünk egy kis trükköt. Fogjuk ezt a hajlított 12-dimenziós teret, és transzformáljuk egy lapos, négydimenziós térbe. Ez a négydimenziós tér pedig az X, Y, Z tengelyből és a kitérés szögéből áll.
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.
A robot dolga megtervezni az úgynevezett "legkisebb csapódású röppályát". Egy kis fizikai emlékeztető: a hely deriváltja a sebesség, majd a gyorsulás, aztán rándulás és azt követi a csapódás. A robot a csapódást minimalizálja. Ennek eredményeként egy sima és kecses mozgás áll elő. És így képes elkerülni az akadályokat. Az ebben a lapos térben lévő csapódási pályákat aztán visszatranszformáljuk a bonyolult, 12 dimenziós térbe, ahol a robotok vezérlése és működése zajlik.
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.
Hadd mutassam be, hogy is néznek ki a legkisebb csapódású pályák! Az első videón látjuk, amint a robot A pontból B-be jut egy köztes ponton keresztül.
(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.
A robot jól láthatóan képes tetszőleges görbe pályát bejárni. Ezeken a körkörös pályákon a robotra kb. 2g gyorsulás hat. A tetején mozgásrögzítő kamerák vannak, amelyek másodpercenként 100-szor közlik a robottal a helyzetét. A robot ezen keresztül értesül az akadályokról is. Az akadályok pedig elmozdulhatnak. Itt azt látjuk, amint Daniel feldobja ezt a karikát, a robot pedig kiszámolja a karika helyzetét, és megpróbálja rajta keresztül a legjobb utat megtalálni. Mi, kutatók, hozzászoktunk, hogy karikákon ugorjunk át egy kis támogatás érdekében, de most ezt a robotokkal csináltatjuk.
(Applause)
(Taps)
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.
Egy másik dolog, amire a robot képes, képes emlékezni a pálya egyes darabjaira, amit megtanult, vagy amire programozták. Itt azt látjuk, ahogy a robot egy kombinált mozgás révén lendületet vesz, majd irányt vált, végül visszatér eredeti helyzetébe. Erre azért van szükség, mert ez az ablaknyílás alig nagyobb, mint a robot szélessége. Ahogy a műugró az ugródeszkán felugrik, hogy lendületet vegyen a forgással a két és fél szaltóhoz, amit aztán kecsesen kivezet, a robot is ugyanezt csinálja. Tehát képes kis pályadarabokat kombinálni ilyen nehéz feladatok megoldása érdekében.
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.
Most gyorsítsunk egy kicsit! E kis robotok egyik hátránya a méretük. Ahogy korábban mondtam, sok-sok robotra lehet szükségünk a méretkorlát legyőzéséhez. Az egyik nehézség ezeknek a robotoknak az összehangolása. Ehhez a természetet hívtuk segítségül. Mutatok egy filmet, amelyen Stephen Pratt professzor laboratóriumában sivatagi Aphaenogaster hangyák cipelnek egy tárgyat. Konkrétan egy darab fügét. Vagy bármit, amit fügesziruppal bekenünk, ezek a hangyák becipelnek a bolyba. A hangyáknak nincs egyetlen parancsnokuk. Egyszerűen érzékelik a szomszédjaikat. Nincs köztük konkrét kommunikáció. De mivel érzékelik szomszédjaikat, és érzékelik a tárgyat, mégis kialakul egyfajta koordináció a csoportban.
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.
Pontosan ilyen koordinációt akarunk mi is elérni a robotok között. Ha van egy robotunk, amit körülvesznek a szomszédjai -- legyen ez az I és J robot -- azt akarjuk, hogy ezek figyeljék az egymás közti távolságot, amikor kötelékben repülnek. Azt akarjuk, hogy ez a távolság bizonyos határokon belül maradjon. A robot tehát figyeli ezt a hibát, és másodpercenként 100-szor kiszámítja a szükséges korrekciókat, és másodpercenként 600-szor motorparancsokra fordítja őket. Ráadásul mindezt decentralizált módon kell végrehajtani. Ismét hangsúlyozom: ha sok robotunk van, akkor lehetetlen ezt az információt központilag, a feladat megoldáshoz elegendő sebességgel kezelni. Ráadásul a robotok az akcióikat csak a szomszédjaiktól kapott, lokális információkra építhetik. Végül pedig, ragaszkodunk hozzá, hogy a robotok ne tudják, kik a szomszédjaik. Ezt hívjuk anonimitásnak.
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.
A következő videón bemutatom, amint 20 ilyen apró robot kötelékben repül. Mindannyian figyelik szomszédjaik pozícióját. Fenntartják a köteléket. A kötelék alakja akár változhat is. Lehet síkbeli alakzat, vagy akár térbeli. Ahogy látható, képesek átmenni egy térbeli alakzatból egy síkbeli alakzatba. És miközben akadályokon haladnak át, képesek a köteléket menet közben módosítani. Látható ismét, hogy a egymáshoz nagyon közel vannak. Ezen a nyolcas köteléken látható, hogy pár centiméterre vannak egymástól. A rotorlapátok aerodinamikai kölcsönhatását leszámítva, képesek stabilan repülni.
(Applause)
(Taps)
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.
Miután már tudnak kötelékben repülni, kezdhetnek tárgyakat közösen felemelni. Ez azt mutatja, hogyan tudjuk megduplázni, háromszorozni, négyszerezni a robot erejét úgy, hogy szomszédjaikkal csoportba szervezzük őket, ahogy itt látható. Ennek a módszernek az egyik hátránya, hogy -- a méretek növelésével -- azaz, ha sok robot emel fel egyetlen tárgyat, akkor jelentősen nő a tehetetlenség, tehát a dolognak ára van: csökken a mozgékonyság. A teherhordó-képesség tekintetében viszont nyerünk.
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.
Itt egy másik alkalmazás, amit ismét a laborunkban mutatok be. Ez Quentin Lindsay, egy hallgató munkája. Az algoritmusa megmondja a robotoknak, hogyan építsenek önállóan szögletes formájú építményeket gerendaszerű elemekből. Az algoritmus megmondja a robotnak, melyik darabot emelje fel, és hogy mikor és hova tegye. Itt, ezen a videón -- 10-14-szeresen felgyorsítva -- három különböző struktúra építése látható. Ez ismét egy teljesen autonóm folyamat, amihez Quentinnek mindössze az építendő szerkezetek tervrajzát kellett a robotoknak adnia.
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.
Az eddig bemutatott kísérletek valamennyien mozgásrögzítő rendszerek segítségével készültek. De mi történik, ha elhagyjuk a labort, és kilépünk a való világba? Mi van, ha nincs GPS-ünk? Nos, ez a robot rendelkezik egy kamerával, és egy lézeres távolságmérővel, egy szkennerrel. Ezeket az érzékelőket használja környezetének feltérképezésére. Ez a térkép olyan dolgokat tartalmaz, mint ajtók, ablakok, emberek, bútorok, ezekből találja ki az aktuális helyzetét, a felsorolt objektumokhoz képest. Nem használ globális koordinátarendszert. A koordinátarendszer a roboton alapul, a pillanatnyi helyzetén, és azon, amit éppen lát. Ezen objektumok alapján navigál.
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.
A most következő film Frank Shen és Nathan Michael professzor algoritmusát illusztrálja, aminek segítségével a robot, ami először jár egy épületben, menet közben térképezi fel azt. Tehát a robot maga határozza meg az objektumokat. Ő maga készíti a térképet. Meghatározza az objektumokhoz viszonyított helyzetét, majd másodpercenként 100-szor megbecsüli a pozícióját, lehetővé téve ezzel a korábban említett vezérlő algoritmus használatát. Tehát ezt a robotot valójában Frank irányítja távolról. A robot azonban maga is képes kitalálni, merre menjen. Ha például be akarom küldeni ebbe az épületbe, de fogalmam sincs, hogy az épület hogy néz ki belülről, kérhetem a robotot, hogy menjen be, készítsen egy térképet, majd jöjjön ki, és mondja el nekem, mit látott. Ez esetben a robot nem egyszerűen az A-ból B-be jutás problémáját oldja meg, hanem azt is folyamatosan kitalálja, hogy melyik a legjobb soron következő B. Még azt is tudja, merre menjen, hogy megtalálja az információs fehér foltokat. Így tölti fel adatokkal a térképet.
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.
Búcsúzóul mutatok önöknek még egy alkalmazási lehetőséget. Az alkalmazási lehetőségek egyébként végtelenek. Tanárként, nekem szenvedélyem az oktatás. Az effajta robotok teljesen átformálhatják az alap- és középfokú oktatást. Most azonban Dél-Kaliforniában vagyunk, Los Angeles közelében, ezért kötelességem valami szórakoztatóval befejezni. Ez a valami egy zenei videó. Ismerjék meg az alkotóit, Alexet és Danielt.
(Applause)
(Taps)
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.
Mielőtt lejátszanám ezt a videót, elmondom, hogy Chris hívását követően három napjuk volt az elkészítésére. A film szereplői pedig autonóm robotok. Kilenc robot fog játszani hat különböző hangszeren. A produkció kizárólag a TED 2012 számára készült. Lássuk!
(Sound of air escaping from valve)
(Music)
(Whirring sound)
(Music)
(Zene)
(Applause) (Cheers)
(Taps)