Why Don’t We Have Better Robots Yet? | Ken Goldberg | TED

Fordító: Reka Lorinczy Lektor: Zsuzsanna Lőrincz

I have a feeling most people in this room would like to have a robot at home.

Szerintem a jelenlévők többsége szeretne otthon egy robotot.

It'd be nice to be able to do the chores and take care of things.

Jó lenne, ha alkalmas lenne házimunkára és törődne dolgokkal.

Where are these robots?

Hol vannak ezek a robotok?

What's taking so long?

Mi tart ilyen sokáig?

I mean, we have our tricorders,

Hiszen trikorderekkel elemezzük környezetünket,

and we have satellites.

és vannak műholdjaink.

We have laser beams.

Lézersugaras technológiáink vannak.

But where are the robots?

De hol vannak a robotok?

(Laughter)

(Nevetés)

I mean, OK, wait, we do have some robots in our home,

Rendben, akad néhány robot az otthonunkban,

but, not really doing anything that exciting, OK?

de különösebben nem kápráztatnak el, igaz?

(Laughter)

(Nevetés)

Now I've been doing research at UC Berkeley for 30 years

Most már harminc éve kutatok a Berkeley Egyetemen,

with my students on robots,

tanítványaimmal a robotokat tanulmányozzuk,

and in the next 10 minutes,

és a következő tíz percben megpróbálom elmagyarázni

I'm going to try to explain the gap between fiction and reality.

a fikció és a valóság közötti szakadékot.

Now we’ve seen images like this, right?

Már láttunk ilyen képeket.

These are real robots.

Ezek valódi robotok.

They're pretty amazing.

Lenyűgözők!

But those of us who work in the field,

De nekünk, a területen dolgozóknak,

well, the reality is more like this.

a valóságra inkább ez jellemző.

(Laughter)

(Nevetés)

That's 99 out of 100 times, that's what happens.

100-ból 99 alkalommal ez történik.

And in the field, there's something that explains this

A szakmában van erre magyarázat:

that we call Moravec's paradox.

Moravec-paradoxonnak nevezzük.

And that is, what's easy for robots,

Arról szól, hogy ami könnyű a robotoknak,

like being able to pick up a large object,

mint például tárgyat felemelni,

large, heavy object,

nagy, nehéz tárgyat felvenni,

is hard for humans.

az nehéz az embereknek.

But what's easy for humans,

De ami könnyű az embereknek,

like being able to pick up some blocks and stack them,

mint például kockákat felvenni és egymásra rakni őket,

well, it turns out that is very hard for robots.

nos, kiderül, hogy ez nagyon bonyolult a robotoknak.

And this is a persistent problem.

Ez hosszadalmas feladat.

So the ability to grasp arbitrary objects is a grand challenge for my field.

Tetszőleges tárgyak megfogása kihívást jelent a szakterületemnek.

Now by the way, I was a very klutzy kid.

Mellesleg, kétbalkezes gyerek voltam.

(Laughter)

(Nevetés)

I would drop things.

Elejtettem a tárgyakat.

Any time someone would throw me a ball, I would drop it.

Ha labdát dobtak felém, biztos elejtettem.

I was the last kid to get picked on a basketball team.

Én voltam az utolsó, akit a kosárlabdacsapatba választottak.

I'm still pretty klutzy, actually,

Igazából még mindig elég suta vagyok, de egész karrieremet azzal töltöttem,

but I have spent my entire career studying how to make robots less clumsy.

hogy hogyan lehet a robotokat kevésbé ügyetlenné tenni.

Now let's start with the hardware.

Most kezdjük a hardverrel.

So the hands.

Nézzük a kezeket.

Now this is a robot hand, a particular type of hand.

Ez egy robotkéz, egy bizonyos típusú kéz.

It's a lot like our hand.

Igencsak hasonlít a kezünkre.

And it has a lot of motors, a lot of tendons

Motorok és inak sokasága,

and cables as you can see.

és kábelekkel van ellátva, mint látjátok.

So it's unfortunately not very reliable.

Ezért sajnos nem túl megbízható.

It's also very heavy and very expensive.

Valamint különösen nehéz és roppant drága.

So I'm in favor of very simple hands, like this.

A rendkívül egyszerű kezeket támogatom, mint ez.

So this has just two fingers.

Ennek csak két ujja van.

It's known as a parallel jaw gripper.

Párhuzamos pofájú fogóként ismert.

So it's very simple.

Rendkívül egyszerű.

It's lightweight and reliable and it's very inexpensive.

Könnyű, megbízható és egészen olcsó.

And if you're doubting that simple hands can be effective,

Ha kétségeid vannak, hogy az egyszerű kezek hatékonyak lehetnek,

look at this video where you can see that two very simple grippers,

nézd meg ezt a videót, ahol két kifejezetten egyszerű fogót

these are being operated, by the way,

emberek működtetnek

by humans who are controlling the grippers like a puppet.

és bábként bánnak velük.

But very simple grippers are capable of doing very complex things.

De a kifejezetten egyszerű fogók képesek módfelett összetett dolgokat tenni.

Now actually in industry,

Napjainkban az iparban

there’s even a simpler robot gripper, and that’s the suction cup.

az egyszerűbb robotfogót és a tapadókorongot használják.

And that only makes a single point of contact.

Csak egyetlen ponton érintkeznek.

So again, simplicity is very helpful in our field.

Elismétlem, az egyszerűség kifejezetten hasznos a mi területünkön.

Now let's talk about the software.

Most beszéljünk a szoftverről.

This is where it gets really, really difficult

Itt kezd elképesztően összetett lenni a feladat,

because of a fundamental issue, which is uncertainty.

alapvetően a bizonytalanság kérdése miatt.

There's uncertainty in the control.

Bizonytalanság van az irányításban.

There’s uncertainty in the perception.

Bizonytalanság van az érzékelésben.

And there’s uncertainty in the physics.

És bizonytalanság van a fizikai fogásban.

Now what do I mean by the control?

Mit értek irányításon?

Well if you look at a robot’s gripper trying to do something,

Ha megfigyeljük a robot fogóját, amint megpróbál valamit tenni,

there's a lot of uncertainty in the cables and the mechanisms

akkor sok bizonytalanság van a kábelekben és a mechanizmusokban,

that cause very small errors.

amelyek apró kis hibákat okoznak.

And these can accumulate and make it very difficult to manipulate things.

De ezek összetevődnek, és roppant megnehezíthetik a dolgok mozgatását.

Now in terms of the sensors, yes,

Ami az érzékelőket illeti,

robots have very high-resolution cameras just like we do,

a robotoknak meglehetősen nagy felbontású kamerái vannak, mint nekünk,

and that allows them to take images of scenes in traffic

és ez lehetővé teszi, hogy helyszíni képeket készítsenek

or in a retirement center,

forgalomban, idősotthonokban,

or in a warehouse or in an operating room.

raktárban vagy műtőben.

But these don't give you the three-dimensional structure

De ezek nem adják meg a hely háromdimenziós szerkezetét,

of what's going on.

sem az eseményeket.

So recently, there was a new development called LIDAR,

A közelmúltban történt egy új fejlesztés LIDAR néven.

and this is a new class of cameras that use light beams to build up

Ez a kamerák új osztálya, amelyek fénysugarakat használnak

a three-dimensional model of the environment.

a környezet háromdimenziós modelljének felépítésére.

And these are fairly effective.

Meglehetősen hatékonyak.

They really were a breakthrough in our field, but they're not perfect.

Áttörést jelentettek a területünkön, de nem tökéletesek.

So if the objects have anything that's shiny or transparent,

Tehát ha a tárgyakban van valami fényes vagy átlátszó,

well, then the light acts in unpredictable ways,

akkor a fény kiszámíthatatlan módon halad,

and it ends up with noise and holes in the images.

és zavaros, lyukas képet eredményez.

So these aren't really the silver bullet.

Ez nem épp a csodamódszer.

And there’s one other form of sensor out there now called a “tactile sensor.”

Létezik másik típusú érzékelő is, amit „tapintó érzékelőnek” hívnak.

And these are very interesting.

Ezek nagyon érdekesek.

They use cameras to actually image the surfaces

Kamerákat használnak a felületek tényleges ábrázolására,

as a robot would make contact,

amelyekkel egy robot érintkezik,

but these are still in their infancy.

de ezek még gyerekcipőben járnak.

Now the last issue is the physics.

Az utolsó kérdés a fizikai tevékenység.

And let me illustrate for you by showing you,

Hadd illusztráljam a következőképpen:

we take a bottle on a table

egy palackot teszünk az asztalra,

and we just push it,

és egyszerűen meglökjük.

and the robot's pushing it in exactly the same way each time.

A robot minden alkalommal pontosan ugyanúgy tolja meg.

But you can see that the bottle ends up in a very different place each time.

De látható, hogy az üveg minden alkalommal egészen máshova kerül.

And why is that?

Miért van ez?

Well it’s because it depends on the microscopic surface topography

A mikroszkopikus felületi topográfiától függ

underneath the bottle as it slid.

a palack csúszása.

For example, if you put a grain of sand under there,

Pl. ha homokszemcséket teszünk alá,

it would react very differently than if there weren't a grain of sand.

egészen másképp hat, mint ha nem lenne homok.

And we can't see if there's a grain of sand because it's under the bottle.

Nem is látjuk, hogy van-e alatta homok.

It turns out that we can predict the motion of an asteroid

Kiderült, hogy több fényévre lévő aszteroida mozgását

a million miles away,

jobban meg tudjuk jósolni,

far better than we can predict the motion of an object

mint egy tárgy mozgását,

as it's being grasped by a robot.

amikor egy robot megragadja.

Now let me give you an example.

Hadd mondjak egy példát!

Put yourself here into the position of being a robot.

Képzeld magad egy robot helyébe.

You're trying to clear the table

Megpróbálod letisztítani az asztalt,

and your sensors are noisy and imprecise.

az érzékelőid zavarosak és pontatlanok.

Your actuators, your cables and motors are uncertain,

A hajtóműveid, a kábeleid és a motorjaid bizonytalanok,

so you can't fully control your own gripper.

így nem tudod teljesen irányítani a saját fogóid.

And there's uncertainty in the physics,

Fizikai bizonytalanság van a feladatban,

so you really don't know what's going to happen.

nem tudod a kimenetelét.

So it's not surprising that robots are still very clumsy.

Nem meglepő, hogy a robotok még mindig felettébb ügyetlenek.

Now there's one sweet spot for robots, and that has to do with e-commerce.

Van egy tökéletes robotfeladat: az e-kereskedelemhez kapcsolódik.

And this has been growing, it's a huge trend.

Fejlődő terület, szokásunk lett.

And during the pandemic, it really jumped up.

A járvány idején szerfelett megugrott.

I think most of us can relate to that.

Sokunkat érintett.

We started ordering things like never before,

Elkezdtük rendelni a dolgokat, mint még soha,

and this trend is continuing.

és ez a tendencia folytatódik.

And the challenge is to meet the demand,

A kihívás az igény teljesítése,

we have to be able to get all these packages delivered in a timely manner.

meg kell oldani a csomagok kiszállítását időben.

And the challenge is that every package is different,

Kihívás, hogy minden csomag más,

every order is different.

minden megrendelés más.

So you might order some some nail polish and an electric screwdriver.

Rendelhetsz néhány körömlakkot és egy elektromos csavarhúzót.

And those two objects are going to be

Ez a két tárgy

somewhere inside one of these giant warehouses.

valahol az egyik óriási raktárban van.

And what needs to be done is someone has to go in,

Az a feladat, hogy be kell menni,

meg kell találni a körömlakkot, aztán meg kell találni a csavarhúzót,

find the nail polish and then go and find the screwdriver,

bring them together, put them into a box and deliver them to you.

össze kell hozni őket, egy dobozba tenni, és elszállítani hozzád.

So this is extremely difficult, and it requires grasping.

Rendkívül nehéz feladat, és megfogást igényel.

So today, this is almost entirely done with humans.

Manapság ez szinte teljes egészében emberi erővel történik.

And the humans don't like doing this work,

Az emberek nem szeretik ezt a munkát végezni,

there's a huge amount of turnover.

hatalmas forgalmat jelent.

So it's a challenge.

Tehát ez kihívás.

And people have tried to put robots

Megpróbálták raktárrobotokkal

into warehouses to do this work.

elvégeztetni a munkát.

(Laughter)

(Nevetés)

It hasn't turned out all that well.

Nem sikerült valami jól.

But my students and I, about five years ago,

De a diákjaimmal körülbelül öt évvel ezelőtt

we came up with a method, using advances in AI and deep learning,

módszert találtunk ki az AI és a mély tanulás fejlődését felhasználva,

to have a robot essentially train itself to be able to grasp objects.

hogy egy robot megtanítsa magát a tárgyak megragadására.

And the idea was that the robot would do this in simulation.

Az ötlet az volt, hogy a robot ezt szimulációban fogja megtenni.

It was almost as if the robot were dreaming about how to grasp things

Mintha a robot arról álmodna, hogyan kell megragadni a dolgokat,

and learning how to grasp them reliably.

és megtanulná megbízhatóan megragadni őket.

And here's the result.

Ez az eredménye.

Ez a DEX-net rendszer,

This is a system called Dex-net

that is able to reliably pick up objects

amely megbízhatóan képes felvenni azokat a tárgyakat,

that we put into these bins in front of the robot.

amelyeket a robot előtti ládákba helyezünk.

These are objects it's never been trained on,

Ezek teljesen ismeretlen tárgyak,

and it's able to pick these objects up

képes felvenni őket,

and reliably clear these bins over and over again.

és megbízhatóan kiüríti a ládákat, újra és újra.

So we were very excited about this result.

Igencsak izgatottak voltunk az eredmény miatt.

And the students and I went out to form a company,

A diákokkal elmentünk céget alapítani,

and we now have a company called Ambi Robotics.

és most van egy Ambi Robotics nevű cégünk.

And what we do is make machines that use the algorithms,

Gépeket készítünk, amelyek a Berkeley Egyetemen fejlesztett

the software we developed at Berkeley,

algoritmusokat, szoftvert használják

to pick up packages.

csomagok felvételére.

And this is for e-commerce.

Az e-kereskedelemben használjuk.

The packages arrive in large bins, all different shapes and sizes,

A csomagok nagy, különböző formájú és méretű ládákban érkeznek,

and they have to be picked up,

és azokat a vonalkódjuktól függően kell felvenni,

scanned and then put into smaller bins depending on their zip code.

szkennelni, majd kisebb dobozokba helyezni.

We now have 80 of these machines operating across the United States,

Jelenleg 80 ilyen gépünk működik az Egyesült Államokban,

sorting over a million packages a week.

és több mint egymillió csomagot válogatnak hetente.

Now that’s some progress,

Ez némi előrelépés,

but it's not exactly the home robot that we've all been waiting for.

de nem éppen az otthoni robot, amire mindannyian vártunk.

So I want to give you a little bit of an idea

Ezért szeretnék kis ízelítőt adni

of some the new research that we're doing

néhány új kutatásból,

amelyek során háztartási robotok kialakításán dolgozunk.

to try to be able to have robots more capable in homes.

And one particular challenge is being able to manipulate deformable objects,

Az egyik különleges kihívás a deformálható tárgyak megfogása,

like strings in one dimension,

pl. egydimenziós cipőfűző,

two-dimensional sheets and three dimensions,

kétdimenziós törülköző és háromdimenziós tárgyak,

like fruits and vegetables.

pl. gyümölcsök és zöldségek megfogása.

So we've been working on a project to untangle knots.

Dolgozunk a csomók kibontásának projektjén.

And what we do is we take a cable and we put that in front of the robot.

Ezért kábelt helyezünk a robot elé.

It has to use a camera to look down, analyze the cable,

Kamerájával lefelé kell néznie, elemeznie kell a kábelt,

figure out where to grasp it

kitalálnia, hol kell megfogni,

and how to pull it apart to be able to untangle it.

és hogyan kell széthúzni, hogy ki tudja bontani.

And this is a very hard problem,

Ez összetett feladat,

because the cable is much longer than the reach of the robot.

mert a kábel sokkal hosszabb, mint a robot hatótávolsága.

So it has to go through and manipulate, manage the slack as it's working.

Tehát át kell vizsgálnia, meg kell fognia, megfelelően ki kell lazítania.

And I would say this is doing pretty well.

Azt mondanám, hogy ez elég jól megy neki.

It's gotten up to about 80 percent success

Körülbelül 80 százalékos sikert ért el,

when we give it a tangled cable at being able to untangle it.

ha egy kusza kábelt adunk neki, ki tudja bontani.

The other one is something I think we also all are waiting for:

A másik, amire mindannyian várunk:

robot to fold the laundry.

robot, amely összehajtja a ruhát.

Now roboticists have actually been looking at this for a long time,

A robotika már régóta vizsgálja a lehetőséget,

and there was some research that was done on this.

és néhány kutatást végeztek erről.

But the problem is that it's very, very slow.

Az a gond, hogy nagyon-nagyon lassú.

So this was about three to six folds per hour.

Tehát ez óránként három-hat hajtogatás volt.

(Laughter)

(Nevetés)

So we decided to to revisit this problem

Ezért úgy döntöttünk, hogy újra megvizsgáljuk a feladatot,

and try to have a robot work very fast.

és megpróbáljuk felgyorsítani a robotot.

So one of the things we did was try to think

Először megpróbáltunk egy kétkarú robotot tervezni,

about a two-armed robot that could fling the fabric

ami úgy teríti le a ruhát,

the way we do when we're folding,

ahogy mi, amikor hajtogatjuk,

és súrlódás alkalmazásával meg is húzta az anyagot,

and then we also used friction in this case to drag the fabric

to smooth out some wrinkles.

hogy kisimítsa a ráncokat.

And then we borrowed a trick which is known as the two-second fold.

Aztán ellestük a két másodperces hajtogatásnak nevezett trükköt.

You might have heard of this.

Talán hallottatok már erről.

It's amazing because the robot is doing exactly the same thing

Elképesztő, mert a robot pontosan ezt tette.

and it's a little bit longer, but that's real time,

Kicsit hosszabb ideig tartott neki, de ez a valós idő,

it's not sped up.

nem gyorsítottuk fel.

So we're making some progress there.

Tehát némi előrelépést érünk el.

And the last example is bagging.

Az utolsó példa a pakolás.

So you all encounter this all the time.

Gyakran találkoztok ezzel.

You go to a corner store, and you have to put something in a bag.

Elmész a sarki boltba, és valamit be kell tenned egy táskába.

Embereknek ez könnyű,

Now it's easy, again, for humans,

but it's actually very, very tricky for robots

de iszonyúan trükkös a robotoknak,

mert az emberek tudják, hogy kell megfogni a táskát,

because for humans, you know how to take the bag

and how to manipulate it.

és tudják mozgatni.

But robots, the bag can arrive in many different configurations.

De a robotokhoz a táska sokféle konfigurációban érkezhet.

It’s very hard to tell what’s going on

Nagyon nehéz pontosítani a folyamatot,

and for the robot to figure out how to open up that bag.

és a robotnak kell kitalálnia, hogyan kell kinyitni a táskát.

So what we did was we had the robot train itself.

Ismét beállítottuk a robotot, hogy tanítsa meg magát.

Az egyik ilyen szatyrot fluoreszkáló festékkel festettük meg,

We painted one of these bags with fluorescent paint,

and we had fluorescent lights that would turn on and off,

és fluoreszkáló lámpáink voltak, amelyek be- és kikapcsoltak,

and the robot would essentially teach itself how to manipulate these bags.

és a robot lényegében megtanította magát, hogyan kell kezelni a szatyrokat.

And so we’ve gotten it now up to the point

Most már addig jutottunk,

where we're able to solve this problem about half the time.

hogy az esetek felében képesek vagyunk megoldani a feladatot.

So it works,

Szóval működik,

but I'm saying, we're still not quite there yet.

de még nem vagyunk a helyzet magaslatán.

So I want to come back to Moravec's paradox.

Térjünk vissza a Moravec-paradoxonhoz.

What's easy for robots is hard for humans.

Ami könnyű a robotoknak, az nehéz az embereknek.

And what's easy for us is still hard for robots.

És ami könnyű számunkra, az még mindig nehéz a robotoknak.

We have incredible capabilities.

Hihetetlen képességekkel rendelkezünk.

We're very good at manipulation.

Nagyon jó a mozgásunk.

(Laughter)

(Nevetés)

But robots still are not.

De a robotoké még mindig nem jó.

I want to say, I understand.

Valahol megértem.

It’s been 60 years,

60 év telt el,

and we're still waiting for the robots that the Jetsons had.

és még mindig várjuk a robotokat, amilyenek Jetsonéknak voltak.

Why is this difficult?

Miért nehéz ez?

We need robots because we want them to be able to do tasks that we can't do

Robotok kellenek, olyan feladatokra, amik meghaladják képességeinket,

or we don't really want to do.

vagy a nem kívánt feladatokra.

But I want you to keep in mind that these robots, they're coming.

Kérlek, tartsátok észben, hogy ezek a robotok jönnek.

Just be patient.

Csak legyetek türelmesek.

Because we want the robots,

Akarjuk a robotokat,

but robots also need us

de a robotoknak is szükségük van ránk,

to do the many things that robots still can't do.

hogy megtegyük azt a sok dolgot, amit a robotok még mindig nem tudnak megtenni.

Thank you.

Köszönöm.

(Applause)

(Taps)