The Future of Flying Robots | Vijay Kumar | TED Talks

755,090 views ・ 2015-11-04

TED


Κάντε διπλό κλικ στους αγγλικούς υπότιτλους παρακάτω για να αναπαραγάγετε το βίντεο.

Μετάφραση: Nikolaos Benias Επιμέλεια: Stefanos Reppas
00:13
In my lab, we build autonomous aerial robots
0
13280
3656
Στο εργαστήριό μου φτιάχνουμε αυτόνομα ιπτάμενα ρομπότ,
00:16
like the one you see flying here.
1
16960
1880
όπως αυτό που βλέπετε να πετάει εδώ.
00:20
Unlike the commercially available drones that you can buy today,
2
20720
3696
Σε αντίθεση με άλλες ιπτάμενες συσκευές που διατίθενται στο εμπόριο,
00:24
this robot doesn't have any GPS on board.
3
24440
2640
αυτό το ρομπότ δεν έχει ενσωματωμένο GPS.
00:28
So without GPS,
4
28160
1216
Χωρίς GPS λοιπόν,
00:29
it's hard for robots like this to determine their position.
5
29400
3280
είναι δύσκολο για τέτοια ρομπότ να καθορίσουν τη θέση τους.
00:34
This robot uses onboard sensors, cameras and laser scanners,
6
34240
4736
Αυτό το ρομπότ διαθέτει ενσωματωμένους αισθητήρες, κάμερες και σαρωτές λέιζερ
για να σαρώνει το περιβάλλον.
00:39
to scan the environment.
7
39000
1696
00:40
It detects features from the environment,
8
40720
3056
Εντοπίζει ορισμένα σημεία στο περιβάλλον
00:43
and it determines where it is relative to those features,
9
43800
2736
και καθορίζει τη θέση του σε σχέση με αυτά τα στοιχεία
00:46
using a method of triangulation.
10
46560
2136
με τη μέθοδο του τριγωνισμού.
00:48
And then it can assemble all these features into a map,
11
48720
3456
Κατόπιν μπορεί να συγκεντρώσει όλα αυτά τα στοιχεία σ' έναν χάρτη,
00:52
like you see behind me.
12
52200
1736
όπως βλέπετε πίσω μου.
00:53
And this map then allows the robot to understand where the obstacles are
13
53960
3936
Έτσι ο χάρτης επιτρέπει στο ρομπότ να καταλάβει πού είναι τα εμπόδια
00:57
and navigate in a collision-free manner.
14
57920
2720
και να πλοηγηθεί χωρίς συγκρούσεις.
01:01
What I want to show you next
15
61160
2096
Το επόμενο που θέλω να σας δείξω
01:03
is a set of experiments we did inside our laboratory,
16
63280
3216
είναι μια ομάδα πειραμάτων που κάναμε εντός εργαστηρίου,
01:06
where this robot was able to go for longer distances.
17
66520
3480
όπου το ρομπότ μπορούσε να καλύψει μεγαλύτερες αποστάσεις.
01:10
So here you'll see, on the top right, what the robot sees with the camera.
18
70400
5016
Εδώ λοιπόν θα δείτε πάνω δεξιά, τι βλέπει το ρομπότ με την κάμερα.
01:15
And on the main screen --
19
75440
1216
Και στην κεντρική οθόνη
01:16
and of course this is sped up by a factor of four --
20
76680
2456
-φυσικά το έχουμε σε τετραπλή ταχύτητα-
01:19
on the main screen you'll see the map that it's building.
21
79160
2667
θα δείτε τον χάρτη που φτιάχνει.
01:21
So this is a high-resolution map of the corridor around our laboratory.
22
81851
4285
Είναι ένας χάρτης υψηλής ανάλυσης του διαδρόμου γύρω από το εργαστήριό μας.
01:26
And in a minute you'll see it enter our lab,
23
86160
2336
Και σε ένα λεπτό μπαίνει στο εργαστήριό μας
01:28
which is recognizable by the clutter that you see.
24
88520
2856
που το αναγνωρίζετε από την ακαταστασία που βλέπετε.
01:31
(Laughter)
25
91400
1016
(Γέλια)
01:32
But the main point I want to convey to you
26
92440
2007
Αλλά αυτό που θέλω να σας δείξω
01:34
is that these robots are capable of building high-resolution maps
27
94472
3584
είναι ότι αυτά τα ρομπότ μπορούν να φτιάξουν χάρτες υψηλής ανάλυσης
01:38
at five centimeters resolution,
28
98080
2496
σε ανάλυση πέντε εκατοστών,
01:40
allowing somebody who is outside the lab, or outside the building
29
100600
4176
επιτρέποντας σε κάποιον έξω από το εργαστήριο ή το κτίριο
01:44
to deploy these without actually going inside,
30
104800
3216
να τα δρομολογεί χωρίς να χρειάζεται να μπει μέσα
01:48
and trying to infer what happens inside the building.
31
108040
3760
και να προσπαθήσει να καταλάβει πώς είναι μέσα στο κτίριο.
01:52
Now there's one problem with robots like this.
32
112400
2240
Βέβαια, τέτοια ρομπότ έχουν ένα πρόβλημα.
01:55
The first problem is it's pretty big.
33
115600
2200
Πρώτον, ότι είναι αρκετά μεγάλα.
01:58
Because it's big, it's heavy.
34
118120
1680
Κι επειδή είναι μεγάλα είναι και βαριά.
02:00
And these robots consume about 100 watts per pound.
35
120640
3040
Καταναλώνουν περίπου 200 βατ ανά κιλό.
02:04
And this makes for a very short mission life.
36
124360
2280
Έτσι συντομεύει ο χρόνος της αποστολής.
02:08
The second problem
37
128000
1456
Το δεύτερο πρόβλημα
02:09
is that these robots have onboard sensors that end up being very expensive --
38
129480
3896
είναι ότι έχουν ενσωματωμένους αισθητήρες που είναι αρκετά ακριβοί -
02:13
a laser scanner, a camera and the processors.
39
133400
3440
έναν σαρωτή λέιζερ, μια κάμερα και τους επεξεργαστές.
02:17
That drives up the cost of this robot.
40
137280
3040
όλα αυτά ανεβάζουν το κόστος του ρομπότ.
02:21
So we asked ourselves a question:
41
141440
2656
Έτσι αναρωτηθήκαμε:
ποιο καταναλωτικό προϊόν μπορείς να αγοράσεις σε κατάστημα ηλεκτρονικών
02:24
what consumer product can you buy in an electronics store
42
144120
3776
02:27
that is inexpensive, that's lightweight, that has sensing onboard and computation?
43
147920
6280
που να είναι φτηνό, με χαμηλό βάρος και να διαθέτει αισθητήρες και επεξεργαστή.
02:36
And we invented the flying phone.
44
156080
2656
Έτσι εφηύραμε το ιπτάμενο τηλέφωνο.
02:38
(Laughter)
45
158760
1936
(Γέλια)
02:40
So this robot uses a Samsung Galaxy smartphone that you can buy off the shelf,
46
160720
6176
Αυτό το ρομπότ έχει ένα έξυπνο κινητό Samsung Galaxy που διατίθεται στο εμπόριο,
02:46
and all you need is an app that you can download from our app store.
47
166920
4016
και χρειάζεται μόνο να κατεβάσετε μια εφαρμογή από το ηλεκτρονικό μας κατάστημα.
02:50
And you can see this robot reading the letters, "TED" in this case,
48
170960
4216
Βλέπετε αυτό το ρομπότ να διαβάζει τα γράμματα "TED" σε αυτή την περίπτωση,
02:55
looking at the corners of the "T" and the "E"
49
175200
2936
ψάχνοντας τις γωνίες στα "T" και "E"
02:58
and then triangulating off of that, flying autonomously.
50
178160
3480
και εφαρμόζοντας τριγωνισμό από εκείνο το σημείο, να πετάει αυτόνομα.
03:02
That joystick is just there to make sure if the robot goes crazy,
51
182720
3256
Υπάρχει ένας μοχλός πλοήγησης μην τυχόν το ρομπότ τρελαθεί,
03:06
Giuseppe can kill it.
52
186000
1416
ο Τζιουζέπε να το σβήσει.
03:07
(Laughter)
53
187440
1640
(Γέλια)
03:10
In addition to building these small robots,
54
190920
3816
Εκτός από την κατασκευή μικρών ρομπότ,
03:14
we also experiment with aggressive behaviors, like you see here.
55
194760
4800
πειραματιζόμαστε επίσης με επιθετικές συμπεριφορές, όπως βλέπετε εδώ.
03:19
So this robot is now traveling at two to three meters per second,
56
199920
5296
Το ρομπότ ταξιδεύει με 2 ή 3 μέτρα το δευτερόλεπτο,
03:25
pitching and rolling aggressively as it changes direction.
57
205240
3496
γέρνοντας και στρίβοντας επιθετικά όταν αλλάζει κατεύθυνση.
03:28
The main point is we can have smaller robots that can go faster
58
208760
4256
Το κύριο σημείο είναι ότι μπορούμε να έχουμε μικρότερα και ταχύτερα ρομπότ
03:33
and then travel in these very unstructured environments.
59
213040
2960
που θα ταξιδεύουν σε πολύ ακανόνιστα περιβάλλοντα.
03:37
And in this next video,
60
217120
2056
Και στο επόμενο βίντεο,
03:39
just like you see this bird, an eagle, gracefully coordinating its wings,
61
219200
5896
ακριβώς όπως βλέπετε αυτόν τον αετό να συντονίζει με χάρη τα φτερά του,
03:45
its eyes and feet to grab prey out of the water,
62
225120
4296
τα μάτια και τα πόδια του για ν' αρπάξει το θήραμα από το νερό,
03:49
our robot can go fishing, too.
63
229440
1896
το ρομπότ μας μπορεί να ψαρέψει επίσης.
03:51
(Laughter)
64
231360
1496
(Γέλια)
03:52
In this case, this is a Philly cheesesteak hoagie that it's grabbing out of thin air.
65
232880
4056
Σε αυτή την περίπτωση αρπάζει στον αέρα ένα σάντουιτς σε μπαγκέτα.
03:56
(Laughter)
66
236960
2400
(Γέλια)
03:59
So you can see this robot going at about three meters per second,
67
239680
3296
Βλέπετε το ρομπότ να ταξιδεύει με περίπου 3 μέτρα το δευτερόλεπτο,
πιο γρήγορα από την ταχύτητα βαδίσματος, συντονίζοντας τους βραχίονες, τις αρπάγες
04:03
which is faster than walking speed, coordinating its arms, its claws
68
243000
5136
04:08
and its flight with split-second timing to achieve this maneuver.
69
248160
4120
και την πτήση του με μεγάλη ακρίβεια για να πραγματοποιήσει αυτόν τον ελιγμό.
04:14
In another experiment,
70
254120
1216
Σε ένα άλλο πείραμα,
04:15
I want to show you how the robot adapts its flight
71
255360
3656
θέλω να σας δείξω πώς το ρομπότ προσαρμόζει την πτήση του
04:19
to control its suspended payload,
72
259040
2376
για να ελέγξει το αναρτημένο φορτίο του,
04:21
whose length is actually larger than the width of the window.
73
261440
3800
το μήκος του οποίου είναι μεγαλύτερο από το πλάτος του παραθύρου.
04:25
So in order to accomplish this,
74
265680
1696
Για να το επιτύχει αυτό,
04:27
it actually has to pitch and adjust the altitude
75
267400
3696
πρέπει να σκύψει και να ρυθμίσει το ύψος του
04:31
and swing the payload through.
76
271120
2320
ώστε το φορτίο να περάσει μέσα με την ταλάντωση.
04:38
But of course we want to make these even smaller,
77
278920
2296
Φυσικά θέλουμε να τα κάνουμε ακόμη μικρότερα,
04:41
and we're inspired in particular by honeybees.
78
281240
3016
και ειδικότερα εμπνεόμαστε από τις μέλισσες.
04:44
So if you look at honeybees, and this is a slowed down video,
79
284280
3256
Αν δείτε τις μέλισσες σε αυτό το βίντεο με αργή κίνηση,
04:47
they're so small, the inertia is so lightweight --
80
287560
3720
είναι τόσο μικρές, με τόσο μικρή αδράνεια -
04:51
(Laughter)
81
291960
1176
(Γέλια)
04:53
that they don't care -- they bounce off my hand, for example.
82
293160
3536
που δεν τις νοιάζει - αναπηδούν πάνω στο χέρι μου.
04:56
This is a little robot that mimics the honeybee behavior.
83
296720
3160
Αυτό το μικρό ρομπότ μιμείται τη συμπεριφορά των μελισσών.
05:00
And smaller is better,
84
300600
1216
Και το μικρότερο είναι καλύτερο,
05:01
because along with the small size you get lower inertia.
85
301840
3536
γιατί μικρό βάρος έχει μικρή αδράνεια.
05:05
Along with lower inertia --
86
305400
1536
Μαζί με την χαμηλή αδράνεια
05:06
(Robot buzzing, laughter)
87
306960
2856
(Βουητό από ρομπότ, γέλια)
05:09
along with lower inertia, you're resistant to collisions.
88
309840
2816
λόγω χαμηλής αδράνειας είναι ανθεκτικό στις συγκρούσεις.
05:12
And that makes you more robust.
89
312680
1720
Έτσι είναι πιο δυναμικό.
05:15
So just like these honeybees, we build small robots.
90
315800
2656
Έτσι φτιάχνουμε μικρά ρομπότ, παραδειγματιζόμενοι από τις μέλισσες.
05:18
And this particular one is only 25 grams in weight.
91
318480
3376
Και το συγκεκριμένο έχει βάρος μόνο 25 γραμμάρια.
05:21
It consumes only six watts of power.
92
321880
2160
Καταναλώνει μόνο 6 βατ ισχύος.
05:24
And it can travel up to six meters per second.
93
324440
2536
Μπορεί να φτάσει ταχύτητα 6 μέτρων το δευτερόλεπτο.
05:27
So if I normalize that to its size,
94
327000
2336
Σε αναλογία μεγέθους
05:29
it's like a Boeing 787 traveling ten times the speed of sound.
95
329360
3640
είναι σαν ένα Μπόϊνγκ 787 να πετάει με 10 φορές την ταχύτητα του ήχου.
05:36
(Laughter)
96
336000
2096
(Γέλια)
05:38
And I want to show you an example.
97
338120
1920
Θέλω να σας δείξω ένα παράδειγμα.
05:40
This is probably the first planned mid-air collision, at one-twentieth normal speed.
98
340840
5256
Είναι ίσως η πρώτη σχεδιασμένη σύγκρουση στον αέρα, στο 1/28 της ταχύτητας.
05:46
These are going at a relative speed of two meters per second,
99
346120
2858
Πάνε με σχετική ταχύτητα 2 μέτρων το δευτερόλεπτο,
05:49
and this illustrates the basic principle.
100
349002
2480
και αποδεικνύει την βασική αρχή.
05:52
The two-gram carbon fiber cage around it prevents the propellers from entangling,
101
352200
4976
Ένας κλωβός 2 γραμμαρίων από ανθρακόνημα αποτρέπει να χτυπήσουν οι έλικες
05:57
but essentially the collision is absorbed and the robot responds to the collisions.
102
357200
5296
αλλά βασικά η σύγκρουση απορροφάται και το ρομπότ αποκρίνεται στη σύγκρουση.
06:02
And so small also means safe.
103
362520
2560
Έτσι, μικρό σημαίνει και ασφαλές.
06:05
In my lab, as we developed these robots,
104
365400
2016
Στο εργαστήριό μου, εξελίσσοντας τα ρομπότ,
06:07
we start off with these big robots
105
367440
1620
ξεκινήσαμε με αυτά τα μεγάλα
06:09
and then now we're down to these small robots.
106
369084
2812
και τώρα φτάσαμε σε αυτά τα μικρά ρομπότ.
06:11
And if you plot a histogram of the number of Band-Aids we've ordered
107
371920
3456
Αν φτιάξουμε ένα διάγραμμα με τον αριθμό των Χάνζαπλαστ που παραγγείλαμε
06:15
in the past, that sort of tailed off now.
108
375400
2576
στο παρελθόν, αυτό έχει πλέον μηδενιστεί.
Επειδή αυτά τα ρομπότ είναι πολύ ασφαλή.
06:18
Because these robots are really safe.
109
378000
1960
06:20
The small size has some disadvantages,
110
380760
2456
Το μικρό μέγεθος έχει κάποια μειονεκτήματα
06:23
and nature has found a number of ways to compensate for these disadvantages.
111
383240
4080
και η φύση έχει βρει τρόπους να τα αναπληρώσει.
06:27
The basic idea is they aggregate to form large groups, or swarms.
112
387960
4000
Η βασική ιδέα είναι ότι συναθροίζονται σε μεγάλες ομάδες ή σμάρια.
06:32
So, similarly, in our lab, we try to create artificial robot swarms.
113
392320
3976
Παρομοίως στο εργαστήριο προσπαθούμε να φτιάξουμε τεχνητά σμάρια ρομπότ.
06:36
And this is quite challenging
114
396320
1381
Είναι αρκετά δύσκολο
06:37
because now you have to think about networks of robots.
115
397725
3320
γιατί τώρα πρέπει να σκεφτούμε δίκτυα ρομπότ.
06:41
And within each robot,
116
401360
1296
Και μέσα σε κάθε ρομπότ
06:42
you have to think about the interplay of sensing, communication, computation --
117
402680
5616
πρέπει να σκεφτούμε την αλληλεπίδραση αισθητήρων, επικοινωνίας, υπολογισμών -
06:48
and this network then becomes quite difficult to control and manage.
118
408320
4960
και ο έλεγχος και η διαχείριση αυτού του δικτύου δυσκολεύει.
06:54
So from nature we take away three organizing principles
119
414160
3296
Έτσι παίρνουμε από τη φύση τρεις αρχές οργάνωσης
06:57
that essentially allow us to develop our algorithms.
120
417480
3160
που βασικά μας επιτρέπουν να εξελίξουμε τους αλγορίθμους μας.
07:01
The first idea is that robots need to be aware of their neighbors.
121
421640
4536
Η πρώτη ιδέα είναι ότι τα ρομπότ πρέπει να καταλαβαίνουν τους γείτονές τους,
07:06
They need to be able to sense and communicate with their neighbors.
122
426200
3440
να μπορούν να τους αντιλαμβάνονται και να επικοινωνούν με αυτούς.
07:10
So this video illustrates the basic idea.
123
430040
2656
Αυτό το βίντεο δείχνει τη βασική ιδέα.
07:12
You have four robots --
124
432720
1296
Έχετε τέσσερα ρομπότ -
ένα από τα ρομπότ το έχει καταλάβει ανθρώπινος χειριστής, κυριολεκτικά.
07:14
one of the robots has actually been hijacked by a human operator, literally.
125
434040
4240
07:19
But because the robots interact with each other,
126
439217
2239
Αλλά επειδή τα ρομπότ αλληλεπιδρούν,
07:21
they sense their neighbors,
127
441480
1656
αισθάνονται τους γείτονές τους,
07:23
they essentially follow.
128
443160
1296
ουσιαστικά ακολουθούν.
07:24
And here there's a single person able to lead this network of followers.
129
444480
5360
Και εδώ είναι ο ένας άνθρωπος που μπορεί να ηγηθεί σε αυτό το δίκτυο ακολούθων.
07:32
So again, it's not because all the robots know where they're supposed to go.
130
452000
5056
Και πάλι, όχι επειδή όλα τα ρομπότ ξέρουν που πρέπει να πάνε.
07:37
It's because they're just reacting to the positions of their neighbors.
131
457080
4320
Επειδή απλά αντιδρούν στη θέση των γειτόνων τους.
07:43
(Laughter)
132
463720
4120
(Γέλια)
07:48
So the next experiment illustrates the second organizing principle.
133
468280
5240
Το δεύτερο πείραμα δείχνει τη δεύτερη αρχή οργάνωσης.
07:54
And this principle has to do with the principle of anonymity.
134
474920
3800
Και αυτή η αρχή έχει να κάνει με την αρχή της ανωνυμίας.
07:59
Here the key idea is that
135
479400
4296
Εδώ η βασική ιδέα είναι ότι
08:03
the robots are agnostic to the identities of their neighbors.
136
483720
4240
τα ρομπότ δεν γνωρίζουν την ταυτότητα των γειτόνων τους.
08:08
They're asked to form a circular shape,
137
488440
2616
Τους ζητείται να μπουν σε κυκλικό σχήμα,
08:11
and no matter how many robots you introduce into the formation,
138
491080
3296
και ασχέτως του πόσα ρομπότ εισάγουμε στο σχηματισμό,
08:14
or how many robots you pull out,
139
494400
2576
ή πόσα ρομπότ αφαιρούμε,
κάθε ρομπότ απλώς αντιδρά ως προς τον γείτονά του.
08:17
each robot is simply reacting to its neighbor.
140
497000
3136
08:20
It's aware of the fact that it needs to form the circular shape,
141
500160
4976
Αντιλαμβάνεται το γεγονός ότι πρέπει να σχηματίσει τον κύκλο,
08:25
but collaborating with its neighbors
142
505160
1776
αλλά συνεργαζόμενο με τους γείτονές του
08:26
it forms the shape without central coordination.
143
506960
3720
σχηματίζει τον κύκλο χωρίς κεντρικό συντονισμό.
08:31
Now if you put these ideas together,
144
511520
2416
Αν βάλουμε μαζί αυτές τις ιδέες,
08:33
the third idea is that we essentially give these robots
145
513960
3896
η τρίτη ιδέα είναι ότι βασικά δίνουμε σε αυτά τα ρομπότ
08:37
mathematical descriptions of the shape they need to execute.
146
517880
4296
μαθηματικές περιγραφές του σχήματος που πρέπει να εκτελέσουν.
08:42
And these shapes can be varying as a function of time,
147
522200
3496
Αυτά τα σχήματα μπορεί να ποικίλουν βάσει του χρόνου,
08:45
and you'll see these robots start from a circular formation,
148
525720
4496
και θα δείτε αυτά τα ρομπότ να αρχίζουν από κυκλικό σχηματισμό,
08:50
change into a rectangular formation, stretch into a straight line,
149
530240
3256
να αλλάζουν σε παραλληλόγραμμο, να εκτείνονται σε ευθεία γραμμή,
08:53
back into an ellipse.
150
533520
1375
μετά πίσω πάλι σε έλλειψη.
08:54
And they do this with the same kind of split-second coordination
151
534919
3617
Και το κάνουν με τον ίδιο ταχύτατο συντονισμό
08:58
that you see in natural swarms, in nature.
152
538560
3280
που βλέπετε στα κανονικά σμάρια, στη φύση.
09:03
So why work with swarms?
153
543080
2136
Γιατί όμως να δουλέψουμε με σμάρια;
09:05
Let me tell you about two applications that we are very interested in.
154
545240
4120
Επιτρέψτε μου να σας πω για δύο εφαρμογές που μας ενδιαφέρουν πολύ.
09:10
The first one has to do with agriculture,
155
550160
2376
Η πρώτη έχει σχέση με την γεωργία,
09:12
which is probably the biggest problem that we're facing worldwide.
156
552560
3360
που μάλλον είναι το μεγαλύτερο πρόβλημα που αντιμετωπίζουμε παγκόσμια.
09:16
As you well know,
157
556760
1256
Όπως γνωρίζετε πολύ καλά,
09:18
one in every seven persons in this earth is malnourished.
158
558040
3520
ένα στα επτά άτομα στη Γη υποσιτίζεται.
09:21
Most of the land that we can cultivate has already been cultivated.
159
561920
3480
Το μεγαλύτερο μέρος της καλλιεργήσιμης γης ήδη καλλιεργείται.
09:25
And the efficiency of most systems in the world is improving,
160
565960
3216
Και η απόδοση των περισσοτέρων συστημάτων στον κόσμο βελτιώνεται,
09:29
but our production system efficiency is actually declining.
161
569200
3520
αλλά η απόδοση του συστήματος παραγωγής ουσιαστικά φθίνει.
Κι αυτό κυρίως οφείλεται σε έλλειψη νερού, ασθένειες των καλλιεργειών,
09:33
And that's mostly because of water shortage, crop diseases, climate change
162
573080
4216
κλιματική αλλαγή και μερικά άλλα πράγματα.
09:37
and a couple of other things.
163
577320
1520
09:39
So what can robots do?
164
579360
1480
Τι μπορούν να κάνουν τα ρομπότ;
09:41
Well, we adopt an approach that's called Precision Farming in the community.
165
581200
4616
Υιοθετούμε μια προσέγγιση που λέγεται Γεωργία Ακριβείας στην κοινότητα.
09:45
And the basic idea is that we fly aerial robots through orchards,
166
585840
5376
Και η βασική ιδέα είναι ότι στέλνουμε ιπτάμενα ρομπότ στους οπωρώνες
09:51
and then we build precision models of individual plants.
167
591240
3120
και μετά φτιάχνουμε μοντέλα ακριβείας καθενός φυτού.
09:54
So just like personalized medicine,
168
594829
1667
Έτσι, όπως στην εξατομικευμένη ιατρική,
09:56
while you might imagine wanting to treat every patient individually,
169
596520
4816
ενώ μπορεί να φαντάζεστε ότι θέλουμε να περιθάλψουμε ατομικά κάθε ασθενή,
10:01
what we'd like to do is build models of individual plants
170
601360
3696
εμείς θέλουμε να φτιάξουμε μοντέλα των επιμέρους φυτών
10:05
and then tell the farmer what kind of inputs every plant needs --
171
605080
4136
και μετά να πούμε στον αγρότη τι είδους τροφοδοσία θέλει κάθε φυτό -
10:09
the inputs in this case being water, fertilizer and pesticide.
172
609240
4440
η τροφοδοσία σε αυτή την περίπτωση είναι νερό, λίπασμα και φυτοφάρμακο.
10:14
Here you'll see robots traveling through an apple orchard,
173
614640
3616
Εδώ θα δείτε ρομπότ να διασχίζουν ένα κτήμα με μηλιές,
10:18
and in a minute you'll see two of its companions
174
618280
2256
και σε ένα λεπτό θα δείτε δύο συντρόφους του
10:20
doing the same thing on the left side.
175
620560
1810
να κάνουν το ίδιο στην αριστερή πλευρά.
10:22
And what they're doing is essentially building a map of the orchard.
176
622800
3656
Και βασικά φτιάχνουν έναν χάρτη του οπωρώνα.
10:26
Within the map is a map of every plant in this orchard.
177
626480
2816
Μέσα στον χάρτη εμφανίζονται όλα τα φυτά του οπωρώνα.
10:29
(Robot buzzing)
178
629320
1656
(Βουητό από ρομπότ)
Ας δούμε πώς είναι αυτοί οι χάρτες.
10:31
Let's see what those maps look like.
179
631000
1896
10:32
In the next video, you'll see the cameras that are being used on this robot.
180
632920
4296
Στο επόμενο βίντεο θα δείτε τις κάμερες που υπάρχουν πάνω στα ρομπότ.
10:37
On the top-left is essentially a standard color camera.
181
637240
3240
Πάνω αριστερά είναι μια έγχρωμη κάμερα.
10:41
On the left-center is an infrared camera.
182
641640
3296
Στη μέση αριστερά είναι μια υπέρυθρη κάμερα,
10:44
And on the bottom-left is a thermal camera.
183
644960
3776
και κάτω αριστερά μια θερμική κάμερα.
10:48
And on the main panel, you're seeing a three-dimensional reconstruction
184
648760
3336
Και στο κεντρικό πάνελ θα δείτε μια τρισδιάστατη αναπαραγωγή
10:52
of every tree in the orchard as the sensors fly right past the trees.
185
652120
6120
κάθε δένδρου του οπωρώνα καθώς οι αισθητήρες περνούν από το δένδρο.
10:59
Armed with information like this, we can do several things.
186
659640
4040
Εξοπλισμένοι με τέτοιες πληροφορίες μπορούμε να κάνουμε διάφορα πράγματα.
11:04
The first and possibly the most important thing we can do is very simple:
187
664200
4256
Το πρώτο και ίσως πιο σημαντικό που μπορούμε να κάνουμε είναι πολύ απλό:
11:08
count the number of fruits on every tree.
188
668480
2440
να μετρήσουμε τον αριθμό των καρπών πάνω σε κάθε δένδρο.
11:11
By doing this, you tell the farmer how many fruits she has in every tree
189
671520
4536
Έτσι λέμε στην αγρότισσα πόσα φρούτα έχει σε κάθε δένδρο
11:16
and allow her to estimate the yield in the orchard,
190
676080
4256
και της επιτρέπουμε να υπολογίσει την απόδοση του οπωρώνα,
11:20
optimizing the production chain downstream.
191
680360
2840
βελτιστοποιώντας την αλυσίδα παραγωγής στα επόμενα στάδια.
11:23
The second thing we can do
192
683640
1616
Το δεύτερο που κάνουμε είναι
11:25
is take models of plants, construct three-dimensional reconstructions,
193
685280
4496
να πάρουμε μοντέλα των φυτών, να φτιάξουμε τρισδιάστατες αναπαραγωγές,
11:29
and from that estimate the canopy size,
194
689800
2536
και από αυτά να υπολογίσουμε το μέγεθος του θόλου
11:32
and then correlate the canopy size to the amount of leaf area on every plant.
195
692360
3776
και να συσχετίσουμε το μέγεθος του θόλου με την επιφάνεια φυλλώματος κάθε φυτού.
11:36
And this is called the leaf area index.
196
696160
2176
Αυτό ονομάζεται δείκτης έκτασης φυλλώματος
11:38
So if you know this leaf area index,
197
698360
1936
κι αν γνωρίζετε αυτόν τον δείκτη,
11:40
you essentially have a measure of how much photosynthesis is possible in every plant,
198
700320
5456
ουσιαστικά έχετε ένα μέτρο της πιθανής φωτοσύνθεσης σε κάθε φυτό
11:45
which again tells you how healthy each plant is.
199
705800
2880
που και πάλι σας λέει πόσο υγιές είναι κάθε φυτό.
11:49
By combining visual and infrared information,
200
709520
4216
Συνδυάζοντας οπτικές και υπέρυθρες πληροφορίες
11:53
we can also compute indices such as NDVI.
201
713760
3296
μπορούμε επίσης να υπολογίσουμε τον δείκτη NDVI της φωτοσυνθετικής δραστηριότητας.
11:57
And in this particular case, you can essentially see
202
717080
2816
Στη συγκεκριμένη περίπτωση μπορείτε να δείτε
11:59
there are some crops that are not doing as well as other crops.
203
719920
3016
ότι κάποιες σοδειές δεν είναι τόσο καλές όσο άλλες.
12:02
This is easily discernible from imagery,
204
722960
4056
Αυτό ευδιάκριτο στην απεικόνιση,
12:07
not just visual imagery but combining
205
727040
2216
όχι μόνο από τις οπτικές εικόνες
αλλά από το συνδυασμό οπτικών και υπέρυθρων εικόνων.
12:09
both visual imagery and infrared imagery.
206
729280
2776
12:12
And then lastly,
207
732080
1336
Και τέλος,
12:13
one thing we're interested in doing is detecting the early onset of chlorosis --
208
733440
4016
μας ενδιαφέρει να ανιχνεύσουμε τη χλώρωση σε αρχικό στάδιο
12:17
and this is an orange tree --
209
737480
1496
- αυτό είναι μια πορτοκαλιά -
που φαίνεται από το κιτρίνισμα των φύλλων.
12:19
which is essentially seen by yellowing of leaves.
210
739000
2560
12:21
But robots flying overhead can easily spot this autonomously
211
741880
3896
Αλλά τα ρομπότ που πετάνε από πάνω το εντοπίζουν εύκολα μόνα τους
12:25
and then report to the farmer that he or she has a problem
212
745800
2936
και μετά αναφέρουν στον αγρότη ότι αντιμετωπίζει πρόβλημα
12:28
in this section of the orchard.
213
748760
1520
σε εκείνο το τμήμα του οπωρώνα.
12:30
Systems like this can really help,
214
750800
2696
Τέτοια συστήματα μπορούν να βοηθήσουν πραγματικά
12:33
and we're projecting yields that can improve by about ten percent
215
753520
5816
και σκοπεύουμε σε σοδειές που μπορούν να βελτιωθούν κατά 10% περίπου
12:39
and, more importantly, decrease the amount of inputs such as water
216
759360
3216
και πάνω απ' όλα να μειώσουν το ποσό τροφοδοσίας όπως το νερό
12:42
by 25 percent by using aerial robot swarms.
217
762600
3280
κατά 25% με τη χρήση σμαριών από ιπτάμενα ρομπότ.
12:47
Lastly, I want you to applaud the people who actually create the future,
218
767200
5736
Τέλος, θα ήθελα να χειροκροτήσετε τους ανθρώπους που δημιουργούν το μέλλον,
12:52
Yash Mulgaonkar, Sikang Liu and Giuseppe Loianno,
219
772960
4920
Γιας Μουλγκάνκαρ, Σίκανγκ Λιού και Τζιουζέπε Λογιάνο,
12:57
who are responsible for the three demonstrations that you saw.
220
777920
3496
που είναι υπεύθυνοι για τις τρεις επιδείξεις που είδατε.
13:01
Thank you.
221
781440
1176
Σας ευχαριστώ.
13:02
(Applause)
222
782640
5920
(Χειροκρότημα)
Σχετικά με αυτόν τον ιστότοπο

Αυτός ο ιστότοπος θα σας παρουσιάσει βίντεο στο YouTube που είναι χρήσιμα για την εκμάθηση της αγγλικής γλώσσας. Θα δείτε μαθήματα αγγλικών που διδάσκουν κορυφαίοι καθηγητές από όλο τον κόσμο. Κάντε διπλό κλικ στους αγγλικούς υπότιτλους που εμφανίζονται σε κάθε σελίδα βίντεο για να αναπαράγετε το βίντεο από εκεί. Οι υπότιτλοι μετακινούνται συγχρονισμένα με την αναπαραγωγή του βίντεο. Εάν έχετε οποιαδήποτε σχόλια ή αιτήματα, παρακαλούμε επικοινωνήστε μαζί μας χρησιμοποιώντας αυτή τη φόρμα επικοινωνίας.

https://forms.gle/WvT1wiN1qDtmnspy7