Στο εργαστήριό μου φτιάχνουμε αυτόνομα ιπτάμενα ρομπότ, όπως αυτό που βλέπετε να πετάει εδώ. Σε αντίθεση με άλλες ιπτάμενες συσκευές που διατίθενται στο εμπόριο, αυτό το ρομπότ δεν έχει ενσωματωμένο GPS.
In my lab, we build autonomous aerial robots like the one you see flying here. Unlike the commercially available drones that you can buy today, this robot doesn't have any GPS on board.
Χωρίς GPS λοιπόν, είναι δύσκολο για τέτοια ρομπότ να καθορίσουν τη θέση τους. Αυτό το ρομπότ διαθέτει ενσωματωμένους αισθητήρες, κάμερες και σαρωτές λέιζερ για να σαρώνει το περιβάλλον. Εντοπίζει ορισμένα σημεία στο περιβάλλον και καθορίζει τη θέση του σε σχέση με αυτά τα στοιχεία με τη μέθοδο του τριγωνισμού. Κατόπιν μπορεί να συγκεντρώσει όλα αυτά τα στοιχεία σ' έναν χάρτη, όπως βλέπετε πίσω μου. Έτσι ο χάρτης επιτρέπει στο ρομπότ να καταλάβει πού είναι τα εμπόδια και να πλοηγηθεί χωρίς συγκρούσεις.
So without GPS, it's hard for robots like this to determine their position. This robot uses onboard sensors, cameras and laser scanners, to scan the environment. It detects features from the environment, and it determines where it is relative to those features, using a method of triangulation. And then it can assemble all these features into a map, like you see behind me. And this map then allows the robot to understand where the obstacles are and navigate in a collision-free manner.
Το επόμενο που θέλω να σας δείξω είναι μια ομάδα πειραμάτων που κάναμε εντός εργαστηρίου, όπου το ρομπότ μπορούσε να καλύψει μεγαλύτερες αποστάσεις. Εδώ λοιπόν θα δείτε πάνω δεξιά, τι βλέπει το ρομπότ με την κάμερα. Και στην κεντρική οθόνη -φυσικά το έχουμε σε τετραπλή ταχύτητα- θα δείτε τον χάρτη που φτιάχνει. Είναι ένας χάρτης υψηλής ανάλυσης του διαδρόμου γύρω από το εργαστήριό μας. Και σε ένα λεπτό μπαίνει στο εργαστήριό μας που το αναγνωρίζετε από την ακαταστασία που βλέπετε.
What I want to show you next is a set of experiments we did inside our laboratory, where this robot was able to go for longer distances. So here you'll see, on the top right, what the robot sees with the camera. And on the main screen -- and of course this is sped up by a factor of four -- on the main screen you'll see the map that it's building. So this is a high-resolution map of the corridor around our laboratory. And in a minute you'll see it enter our lab, which is recognizable by the clutter that you see.
(Γέλια)
(Laughter)
Αλλά αυτό που θέλω να σας δείξω είναι ότι αυτά τα ρομπότ μπορούν να φτιάξουν χάρτες υψηλής ανάλυσης σε ανάλυση πέντε εκατοστών, επιτρέποντας σε κάποιον έξω από το εργαστήριο ή το κτίριο να τα δρομολογεί χωρίς να χρειάζεται να μπει μέσα και να προσπαθήσει να καταλάβει πώς είναι μέσα στο κτίριο.
But the main point I want to convey to you is that these robots are capable of building high-resolution maps at five centimeters resolution, allowing somebody who is outside the lab, or outside the building to deploy these without actually going inside, and trying to infer what happens inside the building.
Βέβαια, τέτοια ρομπότ έχουν ένα πρόβλημα. Πρώτον, ότι είναι αρκετά μεγάλα. Κι επειδή είναι μεγάλα είναι και βαριά. Καταναλώνουν περίπου 200 βατ ανά κιλό. Έτσι συντομεύει ο χρόνος της αποστολής. Το δεύτερο πρόβλημα είναι ότι έχουν ενσωματωμένους αισθητήρες που είναι αρκετά ακριβοί - έναν σαρωτή λέιζερ, μια κάμερα και τους επεξεργαστές. όλα αυτά ανεβάζουν το κόστος του ρομπότ.
Now there's one problem with robots like this. The first problem is it's pretty big. Because it's big, it's heavy. And these robots consume about 100 watts per pound. And this makes for a very short mission life. The second problem is that these robots have onboard sensors that end up being very expensive -- a laser scanner, a camera and the processors. That drives up the cost of this robot.
Έτσι αναρωτηθήκαμε: ποιο καταναλωτικό προϊόν μπορείς να αγοράσεις σε κατάστημα ηλεκτρονικών που να είναι φτηνό, με χαμηλό βάρος και να διαθέτει αισθητήρες και επεξεργαστή. Έτσι εφηύραμε το ιπτάμενο τηλέφωνο.
So we asked ourselves a question: what consumer product can you buy in an electronics store that is inexpensive, that's lightweight, that has sensing onboard and computation? And we invented the flying phone.
(Γέλια)
(Laughter)
Αυτό το ρομπότ έχει ένα έξυπνο κινητό Samsung Galaxy που διατίθεται στο εμπόριο, και χρειάζεται μόνο να κατεβάσετε μια εφαρμογή από το ηλεκτρονικό μας κατάστημα. Βλέπετε αυτό το ρομπότ να διαβάζει τα γράμματα "TED" σε αυτή την περίπτωση, ψάχνοντας τις γωνίες στα "T" και "E" και εφαρμόζοντας τριγωνισμό από εκείνο το σημείο, να πετάει αυτόνομα. Υπάρχει ένας μοχλός πλοήγησης μην τυχόν το ρομπότ τρελαθεί, ο Τζιουζέπε να το σβήσει.
So this robot uses a Samsung Galaxy smartphone that you can buy off the shelf, and all you need is an app that you can download from our app store. And you can see this robot reading the letters, "TED" in this case, looking at the corners of the "T" and the "E" and then triangulating off of that, flying autonomously. That joystick is just there to make sure if the robot goes crazy, Giuseppe can kill it.
(Γέλια)
(Laughter)
Εκτός από την κατασκευή μικρών ρομπότ, πειραματιζόμαστε επίσης με επιθετικές συμπεριφορές, όπως βλέπετε εδώ. Το ρομπότ ταξιδεύει με 2 ή 3 μέτρα το δευτερόλεπτο, γέρνοντας και στρίβοντας επιθετικά όταν αλλάζει κατεύθυνση. Το κύριο σημείο είναι ότι μπορούμε να έχουμε μικρότερα και ταχύτερα ρομπότ που θα ταξιδεύουν σε πολύ ακανόνιστα περιβάλλοντα.
In addition to building these small robots, we also experiment with aggressive behaviors, like you see here. So this robot is now traveling at two to three meters per second, pitching and rolling aggressively as it changes direction. The main point is we can have smaller robots that can go faster and then travel in these very unstructured environments.
Και στο επόμενο βίντεο, ακριβώς όπως βλέπετε αυτόν τον αετό να συντονίζει με χάρη τα φτερά του, τα μάτια και τα πόδια του για ν' αρπάξει το θήραμα από το νερό, το ρομπότ μας μπορεί να ψαρέψει επίσης.
And in this next video, just like you see this bird, an eagle, gracefully coordinating its wings, its eyes and feet to grab prey out of the water, our robot can go fishing, too.
(Γέλια)
(Laughter)
Σε αυτή την περίπτωση αρπάζει στον αέρα ένα σάντουιτς σε μπαγκέτα.
In this case, this is a Philly cheesesteak hoagie that it's grabbing out of thin air.
(Γέλια)
(Laughter)
Βλέπετε το ρομπότ να ταξιδεύει με περίπου 3 μέτρα το δευτερόλεπτο, πιο γρήγορα από την ταχύτητα βαδίσματος, συντονίζοντας τους βραχίονες, τις αρπάγες και την πτήση του με μεγάλη ακρίβεια για να πραγματοποιήσει αυτόν τον ελιγμό. Σε ένα άλλο πείραμα, θέλω να σας δείξω πώς το ρομπότ προσαρμόζει την πτήση του για να ελέγξει το αναρτημένο φορτίο του, το μήκος του οποίου είναι μεγαλύτερο από το πλάτος του παραθύρου. Για να το επιτύχει αυτό, πρέπει να σκύψει και να ρυθμίσει το ύψος του ώστε το φορτίο να περάσει μέσα με την ταλάντωση. Φυσικά θέλουμε να τα κάνουμε ακόμη μικρότερα, και ειδικότερα εμπνεόμαστε από τις μέλισσες. Αν δείτε τις μέλισσες σε αυτό το βίντεο με αργή κίνηση, είναι τόσο μικρές, με τόσο μικρή αδράνεια -
So you can see this robot going at about three meters per second, which is faster than walking speed, coordinating its arms, its claws and its flight with split-second timing to achieve this maneuver. In another experiment, I want to show you how the robot adapts its flight to control its suspended payload, whose length is actually larger than the width of the window. So in order to accomplish this, it actually has to pitch and adjust the altitude and swing the payload through. But of course we want to make these even smaller, and we're inspired in particular by honeybees. So if you look at honeybees, and this is a slowed down video, they're so small, the inertia is so lightweight --
(Γέλια)
(Laughter)
που δεν τις νοιάζει - αναπηδούν πάνω στο χέρι μου. Αυτό το μικρό ρομπότ μιμείται τη συμπεριφορά των μελισσών. Και το μικρότερο είναι καλύτερο, γιατί μικρό βάρος έχει μικρή αδράνεια. Μαζί με την χαμηλή αδράνεια
that they don't care -- they bounce off my hand, for example. This is a little robot that mimics the honeybee behavior. And smaller is better, because along with the small size you get lower inertia. Along with lower inertia --
(Βουητό από ρομπότ, γέλια)
(Robot buzzing, laughter)
λόγω χαμηλής αδράνειας είναι ανθεκτικό στις συγκρούσεις. Έτσι είναι πιο δυναμικό. Έτσι φτιάχνουμε μικρά ρομπότ, παραδειγματιζόμενοι από τις μέλισσες. Και το συγκεκριμένο έχει βάρος μόνο 25 γραμμάρια. Καταναλώνει μόνο 6 βατ ισχύος. Μπορεί να φτάσει ταχύτητα 6 μέτρων το δευτερόλεπτο. Σε αναλογία μεγέθους είναι σαν ένα Μπόϊνγκ 787 να πετάει με 10 φορές την ταχύτητα του ήχου.
along with lower inertia, you're resistant to collisions. And that makes you more robust. So just like these honeybees, we build small robots. And this particular one is only 25 grams in weight. It consumes only six watts of power. And it can travel up to six meters per second. So if I normalize that to its size, it's like a Boeing 787 traveling ten times the speed of sound.
(Γέλια)
(Laughter)
Θέλω να σας δείξω ένα παράδειγμα. Είναι ίσως η πρώτη σχεδιασμένη σύγκρουση στον αέρα, στο 1/28 της ταχύτητας. Πάνε με σχετική ταχύτητα 2 μέτρων το δευτερόλεπτο, και αποδεικνύει την βασική αρχή. Ένας κλωβός 2 γραμμαρίων από ανθρακόνημα αποτρέπει να χτυπήσουν οι έλικες αλλά βασικά η σύγκρουση απορροφάται και το ρομπότ αποκρίνεται στη σύγκρουση. Έτσι, μικρό σημαίνει και ασφαλές. Στο εργαστήριό μου, εξελίσσοντας τα ρομπότ, ξεκινήσαμε με αυτά τα μεγάλα και τώρα φτάσαμε σε αυτά τα μικρά ρομπότ. Αν φτιάξουμε ένα διάγραμμα με τον αριθμό των Χάνζαπλαστ που παραγγείλαμε στο παρελθόν, αυτό έχει πλέον μηδενιστεί. Επειδή αυτά τα ρομπότ είναι πολύ ασφαλή.
And I want to show you an example. This is probably the first planned mid-air collision, at one-twentieth normal speed. These are going at a relative speed of two meters per second, and this illustrates the basic principle. The two-gram carbon fiber cage around it prevents the propellers from entangling, but essentially the collision is absorbed and the robot responds to the collisions. And so small also means safe. In my lab, as we developed these robots, we start off with these big robots and then now we're down to these small robots. And if you plot a histogram of the number of Band-Aids we've ordered in the past, that sort of tailed off now. Because these robots are really safe.
Το μικρό μέγεθος έχει κάποια μειονεκτήματα και η φύση έχει βρει τρόπους να τα αναπληρώσει. Η βασική ιδέα είναι ότι συναθροίζονται σε μεγάλες ομάδες ή σμάρια. Παρομοίως στο εργαστήριο προσπαθούμε να φτιάξουμε τεχνητά σμάρια ρομπότ. Είναι αρκετά δύσκολο γιατί τώρα πρέπει να σκεφτούμε δίκτυα ρομπότ. Και μέσα σε κάθε ρομπότ πρέπει να σκεφτούμε την αλληλεπίδραση αισθητήρων, επικοινωνίας, υπολογισμών - και ο έλεγχος και η διαχείριση αυτού του δικτύου δυσκολεύει. Έτσι παίρνουμε από τη φύση τρεις αρχές οργάνωσης που βασικά μας επιτρέπουν να εξελίξουμε τους αλγορίθμους μας. Η πρώτη ιδέα είναι ότι τα ρομπότ πρέπει να καταλαβαίνουν τους γείτονές τους, να μπορούν να τους αντιλαμβάνονται και να επικοινωνούν με αυτούς.
The small size has some disadvantages, and nature has found a number of ways to compensate for these disadvantages. The basic idea is they aggregate to form large groups, or swarms. So, similarly, in our lab, we try to create artificial robot swarms. And this is quite challenging because now you have to think about networks of robots. And within each robot, you have to think about the interplay of sensing, communication, computation -- and this network then becomes quite difficult to control and manage. So from nature we take away three organizing principles that essentially allow us to develop our algorithms. The first idea is that robots need to be aware of their neighbors. They need to be able to sense and communicate with their neighbors.
Αυτό το βίντεο δείχνει τη βασική ιδέα. Έχετε τέσσερα ρομπότ - ένα από τα ρομπότ το έχει καταλάβει ανθρώπινος χειριστής, κυριολεκτικά. Αλλά επειδή τα ρομπότ αλληλεπιδρούν, αισθάνονται τους γείτονές τους, ουσιαστικά ακολουθούν. Και εδώ είναι ο ένας άνθρωπος που μπορεί να ηγηθεί σε αυτό το δίκτυο ακολούθων. Και πάλι, όχι επειδή όλα τα ρομπότ ξέρουν που πρέπει να πάνε. Επειδή απλά αντιδρούν στη θέση των γειτόνων τους.
So this video illustrates the basic idea. You have four robots -- one of the robots has actually been hijacked by a human operator, literally. But because the robots interact with each other, they sense their neighbors, they essentially follow. And here there's a single person able to lead this network of followers. So again, it's not because all the robots know where they're supposed to go. It's because they're just reacting to the positions of their neighbors.
(Γέλια)
(Laughter)
Το δεύτερο πείραμα δείχνει τη δεύτερη αρχή οργάνωσης. Και αυτή η αρχή έχει να κάνει με την αρχή της ανωνυμίας. Εδώ η βασική ιδέα είναι ότι τα ρομπότ δεν γνωρίζουν την ταυτότητα των γειτόνων τους. Τους ζητείται να μπουν σε κυκλικό σχήμα, και ασχέτως του πόσα ρομπότ εισάγουμε στο σχηματισμό, ή πόσα ρομπότ αφαιρούμε, κάθε ρομπότ απλώς αντιδρά ως προς τον γείτονά του. Αντιλαμβάνεται το γεγονός ότι πρέπει να σχηματίσει τον κύκλο, αλλά συνεργαζόμενο με τους γείτονές του σχηματίζει τον κύκλο χωρίς κεντρικό συντονισμό. Αν βάλουμε μαζί αυτές τις ιδέες, η τρίτη ιδέα είναι ότι βασικά δίνουμε σε αυτά τα ρομπότ μαθηματικές περιγραφές του σχήματος που πρέπει να εκτελέσουν. Αυτά τα σχήματα μπορεί να ποικίλουν βάσει του χρόνου, και θα δείτε αυτά τα ρομπότ να αρχίζουν από κυκλικό σχηματισμό, να αλλάζουν σε παραλληλόγραμμο, να εκτείνονται σε ευθεία γραμμή, μετά πίσω πάλι σε έλλειψη. Και το κάνουν με τον ίδιο ταχύτατο συντονισμό που βλέπετε στα κανονικά σμάρια, στη φύση.
So the next experiment illustrates the second organizing principle. And this principle has to do with the principle of anonymity. Here the key idea is that the robots are agnostic to the identities of their neighbors. They're asked to form a circular shape, and no matter how many robots you introduce into the formation, or how many robots you pull out, each robot is simply reacting to its neighbor. It's aware of the fact that it needs to form the circular shape, but collaborating with its neighbors it forms the shape without central coordination. Now if you put these ideas together, the third idea is that we essentially give these robots mathematical descriptions of the shape they need to execute. And these shapes can be varying as a function of time, and you'll see these robots start from a circular formation, change into a rectangular formation, stretch into a straight line, back into an ellipse. And they do this with the same kind of split-second coordination that you see in natural swarms, in nature.
Γιατί όμως να δουλέψουμε με σμάρια; Επιτρέψτε μου να σας πω για δύο εφαρμογές που μας ενδιαφέρουν πολύ. Η πρώτη έχει σχέση με την γεωργία, που μάλλον είναι το μεγαλύτερο πρόβλημα που αντιμετωπίζουμε παγκόσμια. Όπως γνωρίζετε πολύ καλά, ένα στα επτά άτομα στη Γη υποσιτίζεται. Το μεγαλύτερο μέρος της καλλιεργήσιμης γης ήδη καλλιεργείται. Και η απόδοση των περισσοτέρων συστημάτων στον κόσμο βελτιώνεται, αλλά η απόδοση του συστήματος παραγωγής ουσιαστικά φθίνει. Κι αυτό κυρίως οφείλεται σε έλλειψη νερού, ασθένειες των καλλιεργειών, κλιματική αλλαγή και μερικά άλλα πράγματα.
So why work with swarms? Let me tell you about two applications that we are very interested in. The first one has to do with agriculture, which is probably the biggest problem that we're facing worldwide. As you well know, one in every seven persons in this earth is malnourished. Most of the land that we can cultivate has already been cultivated. And the efficiency of most systems in the world is improving, but our production system efficiency is actually declining. And that's mostly because of water shortage, crop diseases, climate change and a couple of other things.
Τι μπορούν να κάνουν τα ρομπότ; Υιοθετούμε μια προσέγγιση που λέγεται Γεωργία Ακριβείας στην κοινότητα. Και η βασική ιδέα είναι ότι στέλνουμε ιπτάμενα ρομπότ στους οπωρώνες και μετά φτιάχνουμε μοντέλα ακριβείας καθενός φυτού. Έτσι, όπως στην εξατομικευμένη ιατρική, ενώ μπορεί να φαντάζεστε ότι θέλουμε να περιθάλψουμε ατομικά κάθε ασθενή, εμείς θέλουμε να φτιάξουμε μοντέλα των επιμέρους φυτών και μετά να πούμε στον αγρότη τι είδους τροφοδοσία θέλει κάθε φυτό - η τροφοδοσία σε αυτή την περίπτωση είναι νερό, λίπασμα και φυτοφάρμακο. Εδώ θα δείτε ρομπότ να διασχίζουν ένα κτήμα με μηλιές, και σε ένα λεπτό θα δείτε δύο συντρόφους του να κάνουν το ίδιο στην αριστερή πλευρά. Και βασικά φτιάχνουν έναν χάρτη του οπωρώνα. Μέσα στον χάρτη εμφανίζονται όλα τα φυτά του οπωρώνα.
So what can robots do? Well, we adopt an approach that's called Precision Farming in the community. And the basic idea is that we fly aerial robots through orchards, and then we build precision models of individual plants. So just like personalized medicine, while you might imagine wanting to treat every patient individually, what we'd like to do is build models of individual plants and then tell the farmer what kind of inputs every plant needs -- the inputs in this case being water, fertilizer and pesticide. Here you'll see robots traveling through an apple orchard, and in a minute you'll see two of its companions doing the same thing on the left side. And what they're doing is essentially building a map of the orchard. Within the map is a map of every plant in this orchard.
(Βουητό από ρομπότ)
(Robot buzzing)
Ας δούμε πώς είναι αυτοί οι χάρτες. Στο επόμενο βίντεο θα δείτε τις κάμερες που υπάρχουν πάνω στα ρομπότ. Πάνω αριστερά είναι μια έγχρωμη κάμερα. Στη μέση αριστερά είναι μια υπέρυθρη κάμερα, και κάτω αριστερά μια θερμική κάμερα. Και στο κεντρικό πάνελ θα δείτε μια τρισδιάστατη αναπαραγωγή κάθε δένδρου του οπωρώνα καθώς οι αισθητήρες περνούν από το δένδρο. Εξοπλισμένοι με τέτοιες πληροφορίες μπορούμε να κάνουμε διάφορα πράγματα. Το πρώτο και ίσως πιο σημαντικό που μπορούμε να κάνουμε είναι πολύ απλό: να μετρήσουμε τον αριθμό των καρπών πάνω σε κάθε δένδρο. Έτσι λέμε στην αγρότισσα πόσα φρούτα έχει σε κάθε δένδρο και της επιτρέπουμε να υπολογίσει την απόδοση του οπωρώνα, βελτιστοποιώντας την αλυσίδα παραγωγής στα επόμενα στάδια.
Let's see what those maps look like. In the next video, you'll see the cameras that are being used on this robot. On the top-left is essentially a standard color camera. On the left-center is an infrared camera. And on the bottom-left is a thermal camera. And on the main panel, you're seeing a three-dimensional reconstruction of every tree in the orchard as the sensors fly right past the trees. Armed with information like this, we can do several things. The first and possibly the most important thing we can do is very simple: count the number of fruits on every tree. By doing this, you tell the farmer how many fruits she has in every tree and allow her to estimate the yield in the orchard, optimizing the production chain downstream.
Το δεύτερο που κάνουμε είναι να πάρουμε μοντέλα των φυτών, να φτιάξουμε τρισδιάστατες αναπαραγωγές, και από αυτά να υπολογίσουμε το μέγεθος του θόλου και να συσχετίσουμε το μέγεθος του θόλου με την επιφάνεια φυλλώματος κάθε φυτού. Αυτό ονομάζεται δείκτης έκτασης φυλλώματος κι αν γνωρίζετε αυτόν τον δείκτη, ουσιαστικά έχετε ένα μέτρο της πιθανής φωτοσύνθεσης σε κάθε φυτό που και πάλι σας λέει πόσο υγιές είναι κάθε φυτό. Συνδυάζοντας οπτικές και υπέρυθρες πληροφορίες μπορούμε επίσης να υπολογίσουμε τον δείκτη NDVI της φωτοσυνθετικής δραστηριότητας. Στη συγκεκριμένη περίπτωση μπορείτε να δείτε ότι κάποιες σοδειές δεν είναι τόσο καλές όσο άλλες. Αυτό ευδιάκριτο στην απεικόνιση, όχι μόνο από τις οπτικές εικόνες αλλά από το συνδυασμό οπτικών και υπέρυθρων εικόνων.
The second thing we can do is take models of plants, construct three-dimensional reconstructions, and from that estimate the canopy size, and then correlate the canopy size to the amount of leaf area on every plant. And this is called the leaf area index. So if you know this leaf area index, you essentially have a measure of how much photosynthesis is possible in every plant, which again tells you how healthy each plant is. By combining visual and infrared information, we can also compute indices such as NDVI. And in this particular case, you can essentially see there are some crops that are not doing as well as other crops. This is easily discernible from imagery, not just visual imagery but combining both visual imagery and infrared imagery.
Και τέλος, μας ενδιαφέρει να ανιχνεύσουμε τη χλώρωση σε αρχικό στάδιο - αυτό είναι μια πορτοκαλιά - που φαίνεται από το κιτρίνισμα των φύλλων. Αλλά τα ρομπότ που πετάνε από πάνω το εντοπίζουν εύκολα μόνα τους και μετά αναφέρουν στον αγρότη ότι αντιμετωπίζει πρόβλημα σε εκείνο το τμήμα του οπωρώνα.
And then lastly, one thing we're interested in doing is detecting the early onset of chlorosis -- and this is an orange tree -- which is essentially seen by yellowing of leaves. But robots flying overhead can easily spot this autonomously and then report to the farmer that he or she has a problem in this section of the orchard.
Τέτοια συστήματα μπορούν να βοηθήσουν πραγματικά και σκοπεύουμε σε σοδειές που μπορούν να βελτιωθούν κατά 10% περίπου και πάνω απ' όλα να μειώσουν το ποσό τροφοδοσίας όπως το νερό κατά 25% με τη χρήση σμαριών από ιπτάμενα ρομπότ.
Systems like this can really help, and we're projecting yields that can improve by about ten percent and, more importantly, decrease the amount of inputs such as water by 25 percent by using aerial robot swarms.
Τέλος, θα ήθελα να χειροκροτήσετε τους ανθρώπους που δημιουργούν το μέλλον, Γιας Μουλγκάνκαρ, Σίκανγκ Λιού και Τζιουζέπε Λογιάνο, που είναι υπεύθυνοι για τις τρεις επιδείξεις που είδατε.
Lastly, I want you to applaud the people who actually create the future, Yash Mulgaonkar, Sikang Liu and Giuseppe Loianno, who are responsible for the three demonstrations that you saw.
Σας ευχαριστώ.
Thank you.
(Χειροκρότημα)
(Applause)