The Future of Flying Robots | Vijay Kumar | TED Talks

755,090 views ・ 2015-11-04

TED


Pro přehrání videa dvakrát klikněte na anglické titulky níže.

Překladatel: Jiří Rambousek Korektor: Kateřina Jabůrková
00:13
In my lab, we build autonomous aerial robots
0
13280
3656
V mé laboratoři stavíme autonomní létající roboty
00:16
like the one you see flying here.
1
16960
1880
jako je ten, kterého tu vidíte létat.
00:20
Unlike the commercially available drones that you can buy today,
2
20720
3696
Na rozdíl od komerčních dronů
00:24
this robot doesn't have any GPS on board.
3
24440
2640
tento robot nemá žádnou GPS.
00:28
So without GPS,
4
28160
1216
A bez GPS
00:29
it's hard for robots like this to determine their position.
5
29400
3280
je pro roboty těžké určit svou polohu.
00:34
This robot uses onboard sensors, cameras and laser scanners,
6
34240
4736
Tento robot používá palubní senzory, kamery a laserové snímače
00:39
to scan the environment.
7
39000
1696
a snímá jimi své okolí.
00:40
It detects features from the environment,
8
40720
3056
Rozpoznává prvky v okolním prostředí
00:43
and it determines where it is relative to those features,
9
43800
2736
a vzhledem k těmto prvkům pak určuje svou polohu
00:46
using a method of triangulation.
10
46560
2136
za použití triangulační metody.
00:48
And then it can assemble all these features into a map,
11
48720
3456
Poté dokáže ze všeho, co zjistil, poskládat mapu,
00:52
like you see behind me.
12
52200
1736
jakou vidíte za mnou.
00:53
And this map then allows the robot to understand where the obstacles are
13
53960
3936
Tato mapa umožňuje robotovi chápat, kde jsou překážky,
00:57
and navigate in a collision-free manner.
14
57920
2720
a při letu se vyhnout kolizím.
01:01
What I want to show you next
15
61160
2096
Teď vám ukážu několik experimentů,
01:03
is a set of experiments we did inside our laboratory,
16
63280
3216
které jsme provedli v naší laboratoři,
01:06
where this robot was able to go for longer distances.
17
66520
3480
kde mohl tento robot létat na větší vzdálenosti než tady.
01:10
So here you'll see, on the top right, what the robot sees with the camera.
18
70400
5016
Vpravo nahoře vidíte, co vidí robot svojí kamerou.
01:15
And on the main screen --
19
75440
1216
A na hlavní ploše –
01:16
and of course this is sped up by a factor of four --
20
76680
2456
ovšem ve čtyřnásobném zrychlení –
01:19
on the main screen you'll see the map that it's building.
21
79160
2667
vidíte mapu, kterou si robot sestavuje.
01:21
So this is a high-resolution map of the corridor around our laboratory.
22
81851
4285
Je ve vysokém rozlišení a je to mapa chodby kolem naší laboratoře.
01:26
And in a minute you'll see it enter our lab,
23
86160
2336
Za chvilku už vletí do naší laboratoře –
01:28
which is recognizable by the clutter that you see.
24
88520
2856
poznáte ji podle toho nepořádku.
01:31
(Laughter)
25
91400
1016
(Smích.)
01:32
But the main point I want to convey to you
26
92440
2007
Ale to hlavní, co jsem chtěl ukázat
01:34
is that these robots are capable of building high-resolution maps
27
94472
3584
je, že tito roboti umí vytvářet velmi přesné mapy
01:38
at five centimeters resolution,
28
98080
2496
s rozlišením na pět centimetrů,
01:40
allowing somebody who is outside the lab, or outside the building
29
100600
4176
takže člověk, který se nachází mimo laboratoř nebo venku mimo budovu
01:44
to deploy these without actually going inside,
30
104800
3216
je může vypouštět, aniž vůbec vstoupí dovnitř,
01:48
and trying to infer what happens inside the building.
31
108040
3760
a může tak zjišťovat, co se v budově děje.
01:52
Now there's one problem with robots like this.
32
112400
2240
S podobnými roboty je ale několik problémů.
01:55
The first problem is it's pretty big.
33
115600
2200
Především je dost velký.
01:58
Because it's big, it's heavy.
34
118120
1680
A protože je velký, je také těžký.
02:00
And these robots consume about 100 watts per pound.
35
120640
3040
Proto tito roboti spotřebují na půl kilogramu asi 100 wattů.
02:04
And this makes for a very short mission life.
36
124360
2280
Trvání jejich mise je proto velmi krátké.
02:08
The second problem
37
128000
1456
Druhý problém je,
02:09
is that these robots have onboard sensors that end up being very expensive --
38
129480
3896
že mají na palubě velmi drahé senzory –
02:13
a laser scanner, a camera and the processors.
39
133400
3440
laserový skener, kameru a potřebné procesory.
02:17
That drives up the cost of this robot.
40
137280
3040
To neúnosně zvyšuje cenu robota.
02:21
So we asked ourselves a question:
41
141440
2656
Proto jsme si položili otázku:
02:24
what consumer product can you buy in an electronics store
42
144120
3776
jaký si můžete v obchodě s elektronikou koupit výrobek,
02:27
that is inexpensive, that's lightweight, that has sensing onboard and computation?
43
147920
6280
který je levný, lehký a má zabudované senzory a schopnost provádět výpočty?
02:36
And we invented the flying phone.
44
156080
2656
A tak jsme vynalezli létající mobil.
02:38
(Laughter)
45
158760
1936
(Smích.)
02:40
So this robot uses a Samsung Galaxy smartphone that you can buy off the shelf,
46
160720
6176
Tento robot používá smartphone Samsung Galaxy, který dostanete v obchodě,
02:46
and all you need is an app that you can download from our app store.
47
166920
4016
a potřebujete jen aplikaci, kterou si stáhnete z našeho app store.
02:50
And you can see this robot reading the letters, "TED" in this case,
48
170960
4216
A vidíte, že náš robot čte písmena, v tomto případě písmena "TED",
02:55
looking at the corners of the "T" and the "E"
49
175200
2936
dívá se na vrcholy písmen "T" a "E"
02:58
and then triangulating off of that, flying autonomously.
50
178160
3480
a používá je k triangulaci, takže může samostatně létat.
03:02
That joystick is just there to make sure if the robot goes crazy,
51
182720
3256
Ten joystick tam je jen pro jistotu, aby ho Giuseppe mohl zabít,
03:06
Giuseppe can kill it.
52
186000
1416
kdyby se robot zbláznil.
03:07
(Laughter)
53
187440
1640
(Smích.)
03:10
In addition to building these small robots,
54
190920
3816
Kromě stavby těchto malých robotů
03:14
we also experiment with aggressive behaviors, like you see here.
55
194760
4800
experimentujeme také s agresivním chováním, jako zde.
03:19
So this robot is now traveling at two to three meters per second,
56
199920
5296
Tento robot nyní letí rychlostí 2-3 metry za sekundu
03:25
pitching and rolling aggressively as it changes direction.
57
205240
3496
a při změně směru sebou agresivně hází a natáčí se.
03:28
The main point is we can have smaller robots that can go faster
58
208760
4256
To hlavní ale je, že můžeme mít nemší roboty, kteří létají rychleji
03:33
and then travel in these very unstructured environments.
59
213040
2960
a pouštět se s nimi do těchto velmi neuspořádaných prostředí.
03:37
And in this next video,
60
217120
2056
Na dalším videu vidíte ptáka,
03:39
just like you see this bird, an eagle, gracefully coordinating its wings,
61
219200
5896
orla, který s grácií koordinuje svá křídla, oči a pařáty
03:45
its eyes and feet to grab prey out of the water,
62
225120
4296
při lovu kořisti z vody –
03:49
our robot can go fishing, too.
63
229440
1896
a náš robot může rybařit právě tak.
03:51
(Laughter)
64
231360
1496
(Smích.)
03:52
In this case, this is a Philly cheesesteak hoagie that it's grabbing out of thin air.
65
232880
4056
V tomto případě ulovil plněnou bagetu s masem a sýrem.
03:56
(Laughter)
66
236960
2400
(Smích.)
03:59
So you can see this robot going at about three meters per second,
67
239680
3296
Takže máme robota letícího rychlostí asi tři metry za sekundu,
04:03
which is faster than walking speed, coordinating its arms, its claws
68
243000
5136
tedy více než rychlostí chůze, který za letu na sekundu přesně koordinuje
04:08
and its flight with split-second timing to achieve this maneuver.
69
248160
4120
své končetiny a pařáty při velmi složitém manévru.
04:14
In another experiment,
70
254120
1216
Další pokus ukazuje,
04:15
I want to show you how the robot adapts its flight
71
255360
3656
jak umí robot přizpůsobit svůj let,
04:19
to control its suspended payload,
72
259040
2376
když potřebuje ovládat zavěšený náklad.
04:21
whose length is actually larger than the width of the window.
73
261440
3800
Závěs je totiž delší, než je rozměr okna.
04:25
So in order to accomplish this,
74
265680
1696
Aby to robot zvládl,
04:27
it actually has to pitch and adjust the altitude
75
267400
3696
musí se zhoupnout, upravit výšku
04:31
and swing the payload through.
76
271120
2320
a švihem dostat náklad do otvoru.
04:38
But of course we want to make these even smaller,
77
278920
2296
Rádi bychom je ovšem zmenšili ještě více,
04:41
and we're inspired in particular by honeybees.
78
281240
3016
v tom nás nejvíce inspirovaly včely.
04:44
So if you look at honeybees, and this is a slowed down video,
79
284280
3256
Když se na včely podíváte – tady jsou na zpomaleném videu –
04:47
they're so small, the inertia is so lightweight --
80
287560
3720
jsou tak malé a mají tak malou setrvačnou hmotnost,
04:51
(Laughter)
81
291960
1176
(Smích.)
04:53
that they don't care -- they bounce off my hand, for example.
82
293160
3536
že je jim to jedno. Klidně se odrazí třeba od mé hlavy.
04:56
This is a little robot that mimics the honeybee behavior.
83
296720
3160
Tohle je malý robot, který napodobuje chování včel.
05:00
And smaller is better,
84
300600
1216
A menší znamená lepší,
05:01
because along with the small size you get lower inertia.
85
301840
3536
protože malé rozměry znamenají malou setrvačnou hmotnost.
05:05
Along with lower inertia --
86
305400
1536
A malá setrvačná hmotnost –
05:06
(Robot buzzing, laughter)
87
306960
2856
(Bzučení robota, smích.)
05:09
along with lower inertia, you're resistant to collisions.
88
309840
2816
znamená odolnost při kolizích.
05:12
And that makes you more robust.
89
312680
1720
A jste tedy odolnější.
05:15
So just like these honeybees, we build small robots.
90
315800
2656
A tak jsme postavili maličké roboty právě jako ty včely.
05:18
And this particular one is only 25 grams in weight.
91
318480
3376
Konkrétně tenhle váží jen 25 gramů,
05:21
It consumes only six watts of power.
92
321880
2160
má spotřebu jen šest wattů
05:24
And it can travel up to six meters per second.
93
324440
2536
a letí rychlostí až šest metrů za sekundu.
05:27
So if I normalize that to its size,
94
327000
2336
Pokud to přepočteme na jeho velikost,
05:29
it's like a Boeing 787 traveling ten times the speed of sound.
95
329360
3640
je to jako by Boeing 787 letěl desetinásobkem rychlosti zvuku.
05:36
(Laughter)
96
336000
2096
(Smích.)
05:38
And I want to show you an example.
97
338120
1920
Ukážu vám příklad.
05:40
This is probably the first planned mid-air collision, at one-twentieth normal speed.
98
340840
5256
Toto je možná první úmyslná vzdušná srážka, dvacetkrát zpomalená.
05:46
These are going at a relative speed of two meters per second,
99
346120
2858
Vzájemná rychlost robotů je dva metry za sekundu
05:49
and this illustrates the basic principle.
100
349002
2480
a dobře to ilustruje základní princip.
05:52
The two-gram carbon fiber cage around it prevents the propellers from entangling,
101
352200
4976
Je tu dvougramová klec z uhlíkových vláken, která brání kontaktu vrtulí,
05:57
but essentially the collision is absorbed and the robot responds to the collisions.
102
357200
5296
ale jinak roboti náraz absorbují a s kolizí se úspěšně vyrovnají.
06:02
And so small also means safe.
103
362520
2560
Takže malý znamený také bezpečný.
06:05
In my lab, as we developed these robots,
104
365400
2016
V mé laboratoři jsme vývoj začali
06:07
we start off with these big robots
105
367440
1620
u těch velkých robotů
06:09
and then now we're down to these small robots.
106
369084
2812
a nyní jsme přešli k malým.
06:11
And if you plot a histogram of the number of Band-Aids we've ordered
107
371920
3456
A když si vyneseme do grafu, kolik jsme objednávali leukoplasti dříve
06:15
in the past, that sort of tailed off now.
108
375400
2576
a kolik dnes, ta křivka se blíží nule –
06:18
Because these robots are really safe.
109
378000
1960
tito roboti jsou skutečně bezpeční.
06:20
The small size has some disadvantages,
110
380760
2456
Malé rozměry mají ovšem i některé nevýhody
06:23
and nature has found a number of ways to compensate for these disadvantages.
111
383240
4080
a příroda přišla na to, jak je kompenzovat.
06:27
The basic idea is they aggregate to form large groups, or swarms.
112
387960
4000
Základní idea je sdružovat se a tvořit velké skupiny, neboli roje.
06:32
So, similarly, in our lab, we try to create artificial robot swarms.
113
392320
3976
A podobně i v naší laboratoři se snažíme vyvinout umělé robotí roje.
06:36
And this is quite challenging
114
396320
1381
A to je dost náročné,
06:37
because now you have to think about networks of robots.
115
397725
3320
protože najednou musíte uvažovat o síťově propojených robotech.
06:41
And within each robot,
116
401360
1296
A v každém z nich
06:42
you have to think about the interplay of sensing, communication, computation --
117
402680
5616
musíte počítat se souhrou vnímání, komunikace a výpočtů –
06:48
and this network then becomes quite difficult to control and manage.
118
408320
4960
a celá síť je pak poměrně složitá na řízení a správu.
06:54
So from nature we take away three organizing principles
119
414160
3296
Z přírody jsme převzali tři organizační principy,
06:57
that essentially allow us to develop our algorithms.
120
417480
3160
které nám v podstatě stačí k vývoji našich algoritmů.
07:01
The first idea is that robots need to be aware of their neighbors.
121
421640
4536
První idea je, že roboti musí vědět o svých sousedech.
07:06
They need to be able to sense and communicate with their neighbors.
122
426200
3440
Musí své sousedy umět vnímat a komunikovat s nimi.
07:10
So this video illustrates the basic idea.
123
430040
2656
Toto video ilustruje základní ideu.
07:12
You have four robots --
124
432720
1296
Máme čtyři roboty –
07:14
one of the robots has actually been hijacked by a human operator, literally.
125
434040
4240
a teď zrovna jednoho z nich unesl lidský operátor, doslova.
07:19
But because the robots interact with each other,
126
439217
2239
Ale protože roboti spolu interagují,
07:21
they sense their neighbors,
127
441480
1656
vnímají své sousedy,
07:23
they essentially follow.
128
443160
1296
v podstatě ho následují.
07:24
And here there's a single person able to lead this network of followers.
129
444480
5360
Takže jediný člověk může vést celou síť následovatelů.
07:32
So again, it's not because all the robots know where they're supposed to go.
130
452000
5056
A opakuji, není to tím, že by všichni roboti věděli, kam mají letět.
07:37
It's because they're just reacting to the positions of their neighbors.
131
457080
4320
Jenom reagují na polohu svých sousedů.
07:43
(Laughter)
132
463720
4120
(Smích.)
07:48
So the next experiment illustrates the second organizing principle.
133
468280
5240
Další experiment ilustruje druhý organizační princip.
07:54
And this principle has to do with the principle of anonymity.
134
474920
3800
Ten souvisí s principem anonymity.
07:59
Here the key idea is that
135
479400
4296
Klíčové zde je,
08:03
the robots are agnostic to the identities of their neighbors.
136
483720
4240
že roboti se nestarají o identitu sousedů.
08:08
They're asked to form a circular shape,
137
488440
2616
Mají za úkol vytvořit kruhovou formaci
08:11
and no matter how many robots you introduce into the formation,
138
491080
3296
a bez ohledu na to, kolik robotů do formace vpustíte
08:14
or how many robots you pull out,
139
494400
2576
nebo kolik jich odeberete,
08:17
each robot is simply reacting to its neighbor.
140
497000
3136
každý robot prostě reaguje na své sousedy.
08:20
It's aware of the fact that it needs to form the circular shape,
141
500160
4976
Ví, že má vytvořit kruh
08:25
but collaborating with its neighbors
142
505160
1776
a ve spolupráci se sousedy ho vytvoří
08:26
it forms the shape without central coordination.
143
506960
3720
bez centrální koordinace.
08:31
Now if you put these ideas together,
144
511520
2416
Když to spojíme dohromady,
08:33
the third idea is that we essentially give these robots
145
513960
3896
třetí idea je dát robotům
08:37
mathematical descriptions of the shape they need to execute.
146
517880
4296
matematický popis tvarů, které mají vytvořit.
08:42
And these shapes can be varying as a function of time,
147
522200
3496
Tvary se mohou v čase měnit
08:45
and you'll see these robots start from a circular formation,
148
525720
4496
a vidíte, jak roboti začínají u kruhu,
08:50
change into a rectangular formation, stretch into a straight line,
149
530240
3256
mění ho na čtyřúhelník, pak přímku
08:53
back into an ellipse.
150
533520
1375
a zpět k elipse.
08:54
And they do this with the same kind of split-second coordination
151
534919
3617
A dělají to se stejnou bleskovou koordinací,
08:58
that you see in natural swarms, in nature.
152
538560
3280
jakou vidíme u přirozených rojů, v přírodě.
09:03
So why work with swarms?
153
543080
2136
A proč se roji vůbec zabývat?
09:05
Let me tell you about two applications that we are very interested in.
154
545240
4120
Řeknu vám o dvou uplatněních, která nás velmi zajímají.
09:10
The first one has to do with agriculture,
155
550160
2376
První souvisí se zemědělstvím,
09:12
which is probably the biggest problem that we're facing worldwide.
156
552560
3360
asi největším problémem, kterému celosvětově čelíme.
09:16
As you well know,
157
556760
1256
Jak víte,
09:18
one in every seven persons in this earth is malnourished.
158
558040
3520
každý sedmý člověk na zemi trpí podvýživou.
09:21
Most of the land that we can cultivate has already been cultivated.
159
561920
3480
Většina půdy, kterou lze obdělávat, se již obdělává.
09:25
And the efficiency of most systems in the world is improving,
160
565960
3216
Ale zatímco efektivita většiny systémů na Zemi roste,
09:29
but our production system efficiency is actually declining.
161
569200
3520
efektivita zemědělské výroby klesá.
09:33
And that's mostly because of water shortage, crop diseases, climate change
162
573080
4216
Je to dáno nedostatkem vody, chorobami plodin, změnou klimatu
09:37
and a couple of other things.
163
577320
1520
a některými dalšími vlivy.
09:39
So what can robots do?
164
579360
1480
Jak by mohli roboti pomoci?
09:41
Well, we adopt an approach that's called Precision Farming in the community.
165
581200
4616
Náš přístup nazýváme přesné farmářství v dané komunitě.
09:45
And the basic idea is that we fly aerial robots through orchards,
166
585840
5376
Hlavní idea je, že pustíme roboty do sadů
09:51
and then we build precision models of individual plants.
167
591240
3120
a vyhotovíme přesné modely jednotlivých rostlin.
09:54
So just like personalized medicine,
168
594829
1667
Podobně jako u personalizovaného zdravotnictví,
09:56
while you might imagine wanting to treat every patient individually,
169
596520
4816
kde si lze představit individuální přístup ke každému pacientovi,
10:01
what we'd like to do is build models of individual plants
170
601360
3696
chceme vytvořit model každé rostliny
10:05
and then tell the farmer what kind of inputs every plant needs --
171
605080
4136
a moci pak farmáři říkat, jaké každá rostlina potřebuje vstupy –
10:09
the inputs in this case being water, fertilizer and pesticide.
172
609240
4440
přičemž vstupy jsou zde voda, hnojivo a pesticidy.
10:14
Here you'll see robots traveling through an apple orchard,
173
614640
3616
Tady vidíte robota, jak postupuje jabloňovým sadem
10:18
and in a minute you'll see two of its companions
174
618280
2256
a za chviličku uvidíte dva jeho kolegy
10:20
doing the same thing on the left side.
175
620560
1810
jak dělají totéž na levé straně.
10:22
And what they're doing is essentially building a map of the orchard.
176
622800
3656
A společně v podstatě vytvářejí mapu sadu.
10:26
Within the map is a map of every plant in this orchard.
177
626480
2816
Součástí mapy je i obraz každého stromu.
10:29
(Robot buzzing)
178
629320
1656
(Bzukot robotů.)
10:31
Let's see what those maps look like.
179
631000
1896
Podívejme se jak ty mapy vypadají.
10:32
In the next video, you'll see the cameras that are being used on this robot.
180
632920
4296
Na dalším videu uvidíte kamery, které na tomto robotu používáme.
10:37
On the top-left is essentially a standard color camera.
181
637240
3240
Vlevo nahoře je v podstatě standardní barevná kamera,
10:41
On the left-center is an infrared camera.
182
641640
3296
vlevo uprostřed je obraz z infračervené kamery
10:44
And on the bottom-left is a thermal camera.
183
644960
3776
a vlevo dole z termokamery.
10:48
And on the main panel, you're seeing a three-dimensional reconstruction
184
648760
3336
A na hlavní ploše vidíte vznikat trojrozměrnou rekonstrukci
10:52
of every tree in the orchard as the sensors fly right past the trees.
185
652120
6120
jednotlivých stromů v sadu, jak kolem nich senzory prolétají.
10:59
Armed with information like this, we can do several things.
186
659640
4040
Vyzbrojeni těmito informacemi pak můžeme dělat mnoho věcí.
11:04
The first and possibly the most important thing we can do is very simple:
187
664200
4256
První, a možná nejdůležitější, je velmi jednoduchá:
11:08
count the number of fruits on every tree.
188
668480
2440
spočítat plody na každém stromě.
11:11
By doing this, you tell the farmer how many fruits she has in every tree
189
671520
4536
Když farmáři řeknete, kolik je na stromech plodů,
11:16
and allow her to estimate the yield in the orchard,
190
676080
4256
může odhadnout úrodu celého sadu
11:20
optimizing the production chain downstream.
191
680360
2840
a optimalizovat všech následující operace.
11:23
The second thing we can do
192
683640
1616
Druhá věc, kterou můžeme udělat,
11:25
is take models of plants, construct three-dimensional reconstructions,
193
685280
4496
jsou modely rostlin. Sestavíme jejich trojrozměrné rekonstrukce
11:29
and from that estimate the canopy size,
194
689800
2536
a z nich odhadneme plošný průmět koruny.
11:32
and then correlate the canopy size to the amount of leaf area on every plant.
195
692360
3776
Ten pak vztáhneme k celkové ploše listů na dané rostlině
11:36
And this is called the leaf area index.
196
696160
2176
a získáme takzvaný index listové plochy.
11:38
So if you know this leaf area index,
197
698360
1936
A znáte-li index listové plochy,
11:40
you essentially have a measure of how much photosynthesis is possible in every plant,
198
700320
5456
máte měřítko toho, nakolik je rostlina schopna fotosyntézy,
11:45
which again tells you how healthy each plant is.
199
705800
2880
a to zase vypovídá o tom, jak je zdravá.
11:49
By combining visual and infrared information,
200
709520
4216
Spojením vizuální a infračervené složky můžeme vypočítat
11:53
we can also compute indices such as NDVI.
201
713760
3296
také indikace jako NDVI – normalizovaný diferenční vegetační index.
11:57
And in this particular case, you can essentially see
202
717080
2816
V tomto konkrétním případě vidíte,
11:59
there are some crops that are not doing as well as other crops.
203
719920
3016
že se některým rostlinám nevede tak dobře jako ostatním.
12:02
This is easily discernible from imagery,
204
722960
4056
To lze z pořízených obrazů jasně určit –
12:07
not just visual imagery but combining
205
727040
2216
ne pouze z viditelného obrazu,
12:09
both visual imagery and infrared imagery.
206
729280
2776
ale z jeho kombinace s infračerveným zobrazením.
12:12
And then lastly,
207
732080
1336
A dále nás zajímá možnost
12:13
one thing we're interested in doing is detecting the early onset of chlorosis --
208
733440
4016
zjistit chlorózu v raném stádiu –
12:17
and this is an orange tree --
209
737480
1496
tady je třeba pomerančovník.
12:19
which is essentially seen by yellowing of leaves.
210
739000
2560
Toto stádium se v podstatě projevuje žloutnutím listů.
12:21
But robots flying overhead can easily spot this autonomously
211
741880
3896
Roboti pozorující strom shora to snadno samostatně zjistí
12:25
and then report to the farmer that he or she has a problem
212
745800
2936
a nahlásí farmáři, že v dané části sadu
12:28
in this section of the orchard.
213
748760
1520
je problém.
12:30
Systems like this can really help,
214
750800
2696
Podobné systémy mohou skutečně pomoci, a my předpokládáme
12:33
and we're projecting yields that can improve by about ten percent
215
753520
5816
při použití rojů létajících robotů možné zvýšení výnosů kolem deseti procent
12:39
and, more importantly, decrease the amount of inputs such as water
216
759360
3216
a hlavně pokles potřebných vstupů,
12:42
by 25 percent by using aerial robot swarms.
217
762600
3280
například vody, o 25 procent.
12:47
Lastly, I want you to applaud the people who actually create the future,
218
767200
5736
Na závěr bych vás požádal o potlesk pro ty, kdo doslova tvoří budoucnost:
12:52
Yash Mulgaonkar, Sikang Liu and Giuseppe Loianno,
219
772960
4920
jsou to Yash Mulgaonkar, Sikang Liu a Giuseppe Loianno,
12:57
who are responsible for the three demonstrations that you saw.
220
777920
3496
autoři těch tří demonstrací, které jste viděli.
13:01
Thank you.
221
781440
1176
Děkuji vám.
13:02
(Applause)
222
782640
5920
(Potlesk.)
O tomto webu

Tato stránka vám představí videa na YouTube, která jsou užitečná pro výuku angličtiny. Uvidíte lekce angličtiny vedené špičkovými učiteli z celého světa. Dvojklikem na anglické titulky zobrazené na každé stránce s videem si video přehrajete přímo odtud. Titulky se posouvají synchronizovaně s přehráváním videa. Pokud máte nějaké připomínky nebo požadavky, kontaktujte nás prosím pomocí tohoto kontaktního formuláře.

https://forms.gle/WvT1wiN1qDtmnspy7