The Future of Flying Robots | Vijay Kumar | TED Talks

מתרגם: Ido Dekkers מבקר: Zeeva Livshitz

In my lab, we build autonomous aerial robots

במעבדה שלי, אנחנו בונים רובוטים אווירים אוטונומיים

like the one you see flying here.

כמו זה שאתם רואים מרחף פה.

Unlike the commercially available drones that you can buy today,

בניגוד לרחפנים זמינים מסחרית שאתם יכולים לקנות היום,

this robot doesn't have any GPS on board.

על רובוט זה אין GPS.

So without GPS,

אבל בלי GPS,

it's hard for robots like this to determine their position.

זה קשה לרובוטים כמו זה לקבוע את המיקום שלהם.

This robot uses onboard sensors, cameras and laser scanners,

הרובוט הזה משתמש בחיישנים מובנים, מצלמות וסורקי לייזר,

to scan the environment.

כדי לסרוק את הסביבה.

It detects features from the environment,

הוא מזהה תכונות מהסביבה,

and it determines where it is relative to those features,

והוא קובע את מיקומו יחסית לתכונות האלו,

using a method of triangulation.

בשימוש בשיטות של טריאנגולציה.

And then it can assemble all these features into a map,

ואז הוא יכול להרכיב את כל התכונות האלו למפה,

like you see behind me.

כמו שאתם רואים מאחורי.

And this map then allows the robot to understand where the obstacles are

והמפה הזו מאפשרת לרובוט להבין היכן המכשולים האלו נמצאים

and navigate in a collision-free manner.

ולנווט בצורה נטולת התנגשויות.

What I want to show you next

מה שאני רוצה להראות לכם עכשיו

is a set of experiments we did inside our laboratory,

זה סט של ניסויים שעשינו בתוך המעבדה שלנו,

where this robot was able to go for longer distances.

שם הרובוט הזה היה מסוגל לעבור מרחקים גדולים יותר.

So here you'll see, on the top right, what the robot sees with the camera.

אז כאן תראו, למעלה מימין, מה הרובוט רואה עם המצלמה.

And on the main screen --

ועל המסך הראשי --

and of course this is sped up by a factor of four --

וכמובן זה מואץ פי ארבע --

on the main screen you'll see the map that it's building.

על המסך הראשי אתם תראו את המפה שהוא בונה.

So this is a high-resolution map of the corridor around our laboratory.

אז זו מפה ברזולוציה גבוהה של המסדרון מסביב למעבדה.

And in a minute you'll see it enter our lab,

ותוך דקה אתם תראו אותו נכנס למעבדה שלנו,

which is recognizable by the clutter that you see.

שניתנת לזיהוי מהבלגן שאתם רואים.

(Laughter)

(צחוק)

But the main point I want to convey to you

אבל הנקודה המרכזית שאני רוצה להעביר לכם

is that these robots are capable of building high-resolution maps

היא שהרובוטים האלו מסוגלים לבנות מפות בהפרדה גבוהה

at five centimeters resolution,

בהפרדה של חמישה סנטימטרים,

allowing somebody who is outside the lab, or outside the building

שמאפשרת למישהו מחוץ למעבדה, או מחוץ לבניין

to deploy these without actually going inside,

לפרוס את אלו בלי למעשה להכנס,

and trying to infer what happens inside the building.

ולנסות להסיק מה מתרחש בתוך הבניין.

Now there's one problem with robots like this.

עכשיו יש בעיה אחת עם רובוטים כאלה.

The first problem is it's pretty big.

הבעיה הראשונה היא שהוא די גדול.

Because it's big, it's heavy.

מפני שהוא גדול, הוא כבד.

And these robots consume about 100 watts per pound.

והרובוטים האלו צורכים בעדך 100 וואט לחצי קילו.

And this makes for a very short mission life.

וזה גורם לחיי משימה מאוד קצרים.

The second problem

הבעיה השניה

is that these robots have onboard sensors that end up being very expensive --

היא שלרובוטים האלו יש חיישנים מובנים שבסופו של דבר הם מאוד יקרים --

a laser scanner, a camera and the processors.

סורק לייזר, מצלמה והמעבדים.

That drives up the cost of this robot.

זה מעלה את מחיר הרובוט הזה.

So we asked ourselves a question:

אז שאלנו את עצמנו שאלה:

what consumer product can you buy in an electronics store

איזה מוצרים צרכנייים ניתן לקנות בחנות אלקטרוניקה

that is inexpensive, that's lightweight, that has sensing onboard and computation?

שהם לא יקרים, שהם קלים, שיש להם חיישנים ועיבוד מובנים?

And we invented the flying phone.

והמצאנו את הטלפון המעופף.

(Laughter)

(צחוק)

So this robot uses a Samsung Galaxy smartphone that you can buy off the shelf,

אז הרובוט הזה משתמש בסמרטפון סמסונג גלקסי שאתם יכולים לקנות בכל מקום,

and all you need is an app that you can download from our app store.

וכל מה שאתם צריכים היא אפליקציה שאתם יכולים להוריד מחנות האפליקציות.

And you can see this robot reading the letters, "TED" in this case,

ואתם יכולים לראות את הרובוט הזה קורא את האותיות "TED" במקרה הזה.

looking at the corners of the "T" and the "E"

מביט בפינות של ה T וה E

and then triangulating off of that, flying autonomously.

ואז מתאכן מזה, עף אוטונומית.

That joystick is just there to make sure if the robot goes crazy,

הג'וייסטיק הזה הוא שם רק למקרה שהרובוט משתגע,

Giuseppe can kill it.

ג'וספה יכול להרוג אותו.

(Laughter)

(צחוק)

In addition to building these small robots,

בנוסף לבניית הרובוטים הקטנים האלו,

we also experiment with aggressive behaviors, like you see here.

אנחנו מתנסים עם התנהגויות אגרסיביות, כמו זו שאתם רואים פה.

So this robot is now traveling at two to three meters per second,

אז הרובוט הזה נע עכשיו שניים עד שלושה מטרים לשניה,

pitching and rolling aggressively as it changes direction.

מעלרד ומתגלגל אגרסיבית כשהוא משנה כיוון.

The main point is we can have smaller robots that can go faster

הנקודה העיקרית היא שיכולים להיות לנו רובוטים קטנים יותר שיכולים לנוע מהר יותר

and then travel in these very unstructured environments.

ואז לנוע בתוך הסביבות המאוד לא מובנות האלו.

And in this next video,

ובסרטון הבא,

just like you see this bird, an eagle, gracefully coordinating its wings,

ממש כמו שאתם רואים את הציפור הזו, עיט, מתאים בחינניות את כנפיו,

its eyes and feet to grab prey out of the water,

עיניו ורגליו כדי לתפוש את הטרף מהמים,

our robot can go fishing, too.

הרובוט שלנו יכול גם כן לדוג.

(Laughter)

(צחוק)

In this case, this is a Philly cheesesteak hoagie that it's grabbing out of thin air.

במקרה הזה, זה הוגי סטייק גבינת פילדלפיה שהוא תופס מהאוויר.

(Laughter)

(צחוק)

So you can see this robot going at about three meters per second,

אז אתם יכולים לראות את הרובוט הזה שנע במהירות של בערך שלושה מטר לשניה,

which is faster than walking speed, coordinating its arms, its claws

שזה מהיר יותר ממהירות הליכה, מתאם את זרועותיו, את הטפרים שלו

and its flight with split-second timing to achieve this maneuver.

ואת התעופה שלו עם תזמון של חלקיקי שניות כדי להשיג את התמרון הזה.

In another experiment,

בניסוי נוסף,

I want to show you how the robot adapts its flight

אני רוצה להראות לכם איך הרובוט מתאים את הטיסה שלו

to control its suspended payload,

כדי לשלוט במטען התלוי שלו,

whose length is actually larger than the width of the window.

שהאורך שלו הוא למעשה גדול יותר מרוחב החלון.

So in order to accomplish this,

אז כדי לבצע את זה,

it actually has to pitch and adjust the altitude

הוא למעשה צריך להסתובב ולהתאים את הכיוון שלו

and swing the payload through.

ולסובב את המטען עד הסוף.

But of course we want to make these even smaller,

אבל כמובן רצינו לעשות אותם אפילו קטנים יותר,

and we're inspired in particular by honeybees.

ואנחנו מקבלים השראה בעיקר מהדבורים.

So if you look at honeybees, and this is a slowed down video,

אז, אם אתם מביטים בדבורים, וזה סרטון מואט,

they're so small, the inertia is so lightweight --

הן כל כך קטנות, האינרציה כל כך קלה --

(Laughter)

(צחוק)

that they don't care -- they bounce off my hand, for example.

שלא אכפת להם -- הם קפצו מהיד שלי, לדוגמה.

This is a little robot that mimics the honeybee behavior.

זה רובוט זעיר שמחקה את התנהגות הדבורים.

And smaller is better,

וקטן יותר זה טוב יותר,

because along with the small size you get lower inertia.

מפני שיחד עם הגודל הקטן אתם מקבלים אינרציה קטנה יותר.

Along with lower inertia --

יחד עם אינרציה נמוכה יותר --

(Robot buzzing, laughter)

(רובוט מזמזם, צחוק)

along with lower inertia, you're resistant to collisions.

יחד עם אינרציה נמוכה יותר, אתם עמידים להתנגשויות.

And that makes you more robust.

וזה עושה אתכם ליותר עמידים.

So just like these honeybees, we build small robots.

אז ממש כמו הדבורים האלו, נבנה רובוטים קטנים.

And this particular one is only 25 grams in weight.

והספציפי הזה שוקל רק 25 גרם.

It consumes only six watts of power.

הוא צורך רק שישה וואט.

And it can travel up to six meters per second.

והוא יכול לנוע במהירות גבוהה משישה מטר לשניה.

So if I normalize that to its size,

אז אם אני מנרמל את זה לגודל שלו,

it's like a Boeing 787 traveling ten times the speed of sound.

זה כמו בואינג 787 שנע במהירות של פי עשר ממהירות הקול.

(Laughter)

(צחוק)

And I want to show you an example.

ואני רוצה להראות לכם דוגמה.

This is probably the first planned mid-air collision, at one-twentieth normal speed.

זו כנראה ההתנגשות האווירית המתוכננת הראשונה, באחד חלקי עשרים מהמהירות הנורמלית.

These are going at a relative speed of two meters per second,

אלה נעים במהירות יחסית של שני מטר לשניה,

and this illustrates the basic principle.

וזה מתאר את העיקרון הבסיסי.

The two-gram carbon fiber cage around it prevents the propellers from entangling,

הכלוב מסיבי פחמן בן שני הגרם סביבו מונע מהמדחפים להתנגש,

but essentially the collision is absorbed and the robot responds to the collisions.

אבל בעיקרון ההתנגשות נספגת והרובוט מגיב להתנגשויות.

And so small also means safe.

וכך קטן גם אומר בטוח.

In my lab, as we developed these robots,

במעבדה שלי, כשאנחנו מפתחים את הרובוטים האלו,

we start off with these big robots

אנחנו מתחילים עם הרובוטים הגדולים האלו

and then now we're down to these small robots.

ואז, עכשיו אנחנו ירדנו לרובוטים הקטנים האלה.

And if you plot a histogram of the number of Band-Aids we've ordered

ואם אתם משרטטים את ההיסטוגרמה של מספר הפלסטרים שהיזמנו

in the past, that sort of tailed off now.

בעבר, זה איכשהו ירד עכשיו.

Because these robots are really safe.

מפני שהרובוטים האלו באמת בטוחים.

The small size has some disadvantages,

לגודל הקטן יש כמה חסרונות,

and nature has found a number of ways to compensate for these disadvantages.

והטבע מצא מספר דרכים לפצות על החסרונות האלו.

The basic idea is they aggregate to form large groups, or swarms.

הרעיון הבסיסי הוא שהם מתקבצים ליצור קבוצות גדולות, או נחילים.

So, similarly, in our lab, we try to create artificial robot swarms.

אז, בדומה, במעבדה שלנו, אנחנו מנסים ליצור נחילי רובוטים מלאכותיים.

And this is quite challenging

וזה די מאתגר

because now you have to think about networks of robots.

מפני שעכשיו אתם צריכים לחשוב על רשתות של רובוטים.

And within each robot,

ובתוך כל רובוט,

you have to think about the interplay of sensing, communication, computation --

אתם חייבים לחשוב על צורת השיתוף של חישה, תקשורת, חישוב --

and this network then becomes quite difficult to control and manage.

והרשתות האלו הופכות אז לדי קשות לשליטה וניהול.

So from nature we take away three organizing principles

אז מהטבע אנחנו לוקחים שלושה עקרונות ארגון

that essentially allow us to develop our algorithms.

שבעיקרון מאפשרים לנו לפתח את האלגוריתמים שלנו.

The first idea is that robots need to be aware of their neighbors.

הרעיון הראשון הוא שרובוטים צריכים להיות מודעים לשכנים שלהם.

They need to be able to sense and communicate with their neighbors.

הם צריכים להיות מסוגלים לחוש ולתקשר עם השכנים שלהם.

So this video illustrates the basic idea.

אז זה סרטון שמתאר את הרעיון הבסיסי.

You have four robots --

יש לכם ארבעה רובוטים --

one of the robots has actually been hijacked by a human operator, literally.

אחד הרובוטים נחטף למעשה על ידי מפעיל אנושי, מילולית.

But because the robots interact with each other,

אבל בגלל שהרובוטים מתקשרים אחד עם השני,

they sense their neighbors,

הם חשים את השכנים שלהם,

they essentially follow.

הם בעיקרון עוקבים.

And here there's a single person able to lead this network of followers.

ופה יש איש בודד שמסוגל להוביל את רשת העוקבים האלו.

So again, it's not because all the robots know where they're supposed to go.

אז שוב, זה לא בגלל שכל הרובוטים יודעים לאן הם אמורים ללכת.

It's because they're just reacting to the positions of their neighbors.

זה בגלל שהם מגיבים למיקומים של השכנים שלהם.

(Laughter)

(צחוק)

So the next experiment illustrates the second organizing principle.

אז הניסוי הבא מתאר את עיקרון הארגון השני.

And this principle has to do with the principle of anonymity.

ולעיקרון הזה יש קשר לעקרון של אנונימיות.

Here the key idea is that

פה רעיון המפתח הוא

the robots are agnostic to the identities of their neighbors.

שהרובוטים אגנוסטיים לזהויות של השכנים שלהם.

They're asked to form a circular shape,

הם מתבקשים ליצור צורה מעגלית,

and no matter how many robots you introduce into the formation,

ולא משנה כמה רובוטים אתם מכניסים למבנה,

or how many robots you pull out,

או כמה רובוטים אתם מוציאים,

each robot is simply reacting to its neighbor.

כל רובוט פשוט מגיב לשכן שלו.

It's aware of the fact that it needs to form the circular shape,

הוא מודע לעובדה שהוא צריך ליצור צורה מעגלית,

but collaborating with its neighbors

אבל בשיתוף פעולה עם שכניו

it forms the shape without central coordination.

הוא יוצר צורה בלי תאום מרכזי.

Now if you put these ideas together,

עכשיו אם אתם מחברים את הרעיונות האלה,

the third idea is that we essentially give these robots

הרעיון השלישי הוא שאנחנו בעיקרון נותנים לרובוטים האלו

mathematical descriptions of the shape they need to execute.

תיאורים מתמטיים של הצורה שהם צריכים ליצור.

And these shapes can be varying as a function of time,

והצורות האלו יכולות להשתנות כפונקציה של זמן,

and you'll see these robots start from a circular formation,

ואתם תראו את הרובוטים האלו מתחילים מצורה מעגלית,

change into a rectangular formation, stretch into a straight line,

משנים לצורה מרובעת, נמתחים לקו ישר,

back into an ellipse.

וחזרה לאליפסה.

And they do this with the same kind of split-second coordination

והם עושים את זה באותו סוג של תאום תוך שניה

that you see in natural swarms, in nature.

שאתם רואים בנחילים טבעיים, בטבע.

So why work with swarms?

אז למה לעבוד עם נחילים?

Let me tell you about two applications that we are very interested in.

תנו לי לספר לכם על שני שימושים שאנחנו מאוד מעוניינים בהם.

The first one has to do with agriculture,

הראשון קשור לחקלאות,

which is probably the biggest problem that we're facing worldwide.

שזו כנראה הבעיה הכי גדולה שעומדת לפנינו בעולם.

As you well know,

כמו שאתם יודעים,

one in every seven persons in this earth is malnourished.

אחד מכל שבעה אנשים על כדור הארץ סובל מתת תזונה.

Most of the land that we can cultivate has already been cultivated.

רוב האדמה שאנחנו יכולים לעבד כבר עובדה.

And the efficiency of most systems in the world is improving,

והיעילות של רוב המערכות בעולם משתפרת,

but our production system efficiency is actually declining.

אבל יעילות מערכות היצור שלנו למעשה יורדת.

And that's mostly because of water shortage, crop diseases, climate change

וזה בעיקר בגלל מחסור במים, מחלות יבולים, שינוי אקלים

and a couple of other things.

ומספר דברים נוספים.

So what can robots do?

אז מה רובוטים יכולים לעשות?

Well, we adopt an approach that's called Precision Farming in the community.

ובכן, אנחנו מאמצים גישה שנקראת חקלאות מדוייקת בקהילה.

And the basic idea is that we fly aerial robots through orchards,

והרעיון הבסיסי הוא להטיס רובוטים אוויריים דרך המטעים,

and then we build precision models of individual plants.

ואז לבנות מודלים מדוייקים של צמחים יחידים.

So just like personalized medicine,

אז ממש כמו רפואה מותאמת אישית,

while you might imagine wanting to treat every patient individually,

בעוד שאולי תדמיינו רצון לטפל בכל חולה אישית,

what we'd like to do is build models of individual plants

מה שהיינו רוצים לעשות זה לבנות מודל של צמחים יחידים

and then tell the farmer what kind of inputs every plant needs --

ואז להגיד לחקלאי איזה סוג של קלט כל צמח צריך --

the inputs in this case being water, fertilizer and pesticide.

הקלט במקרה הזה הוא מים, דשן וחומרי הדברה.

Here you'll see robots traveling through an apple orchard,

פה אתם תמצאו רובוטים שטסים דרך מטע תפוחים,

and in a minute you'll see two of its companions

ותוך דקה אתם תראו שניים מהשותפים שלו

doing the same thing on the left side.

עושים את אותו הדבר מצד שמאל.

And what they're doing is essentially building a map of the orchard.

ומה שהם עושים זה בעיקרון בונים מפה של המטע.

Within the map is a map of every plant in this orchard.

בתוך המפה יש מפה של כל צמח במטע.

(Robot buzzing)

(רובוטים מזמזמים)

Let's see what those maps look like.

בואו נראה איך המפות האלו נראות.

In the next video, you'll see the cameras that are being used on this robot.

בסרטון הבא, אתם תראו את המצלמות שבשימוש על הרובוט הזה.

On the top-left is essentially a standard color camera.

משמאל למעלה יש בעיקרון מצלמה בצבעים רגילים.

On the left-center is an infrared camera.

משמאל באמצע יש מצלמת אינפרה אדום.

And on the bottom-left is a thermal camera.

ומשמאל למטה יש מצלמה תרמית.

And on the main panel, you're seeing a three-dimensional reconstruction

ועל הפאנל הראשי, אתם רואים שיחזור מבנה תלת מימדי

of every tree in the orchard as the sensors fly right past the trees.

של כל עץ במטע כשהחיישנים עפים ממש ליד העצים.

Armed with information like this, we can do several things.

חמושים במידע כמו זה, אנחנו יכולים לעשות מספר דברים.

The first and possibly the most important thing we can do is very simple:

הדבר הראשון וכנראה הכי חשוב שאנחנו יכולים לעשות הוא מאוד פשוט:

count the number of fruits on every tree.

לספור את מספר הפירות על כל עץ.

By doing this, you tell the farmer how many fruits she has in every tree

ובכך, אתם אומרים לחקלאית כמה פירות יש לה על כל עץ

and allow her to estimate the yield in the orchard,

ומאפשרים לה להעריך את היבול של המטע,

optimizing the production chain downstream.

למטב את שרשרת היצור במורד הזרם.

The second thing we can do

הדבר השני שאנחנו יכולים לעשות

is take models of plants, construct three-dimensional reconstructions,

זה לקחת מודלים של צמחים, לבנות מודלים תלת מימדים,

and from that estimate the canopy size,

ומזה להעריך את גודל החופה,

and then correlate the canopy size to the amount of leaf area on every plant.

ואז לתאם את גודל החופה לכמות שטח העלים על כל צמח.

And this is called the leaf area index.

וזה נקרא אינדקס שטח העלים.

So if you know this leaf area index,

אז אם אתם יודעים את אינדקס שטח העלים הזה,

you essentially have a measure of how much photosynthesis is possible in every plant,

יש לכם בעיקרון מידה של כמה פוטוסינתזה אפשרית בכל צמח,

which again tells you how healthy each plant is.

שאומרת לנו שוב כמה בריא כל צמח.

By combining visual and infrared information,

על ידי שילוב מידע ויזואלי ואינפרא אדום,

we can also compute indices such as NDVI.

אנחנו יכולים לחשב מדד כמו NDVI.

And in this particular case, you can essentially see

ובמקרה הספציפי הזה, אתם יכולם בעיקרון לראות

there are some crops that are not doing as well as other crops.

שיש כמה יבולים שלא מצליחים כמו יבולים אחרים.

This is easily discernible from imagery,

ניתן להבחין בזה בקלות מהתמונות,

not just visual imagery but combining

לא רק תמונות ויזואליות אלא שילוב

both visual imagery and infrared imagery.

של תמונות ויזואליות ותמונות באינפרא אדום.

And then lastly,

ואז לבסוף,

one thing we're interested in doing is detecting the early onset of chlorosis --

דבר אחד שאנחנו מעוניינים לעשות זה לזהות סימנים ראשונים לכלורוזיס --

and this is an orange tree --

וזה עץ תפוז --

which is essentially seen by yellowing of leaves.

שבעיקרון נראה עם עלים מצהיבים.

But robots flying overhead can easily spot this autonomously

אבל רובוטים שעפים מעל יכולים בקלות לזהות את זה אוטונומית

and then report to the farmer that he or she has a problem

ואז לדווח לחקלאים שיש להם בעיה

in this section of the orchard.

בחלק הזה של הפרדס.

Systems like this can really help,

מערכות כמו זו יכולות באמת לעזור,

and we're projecting yields that can improve by about ten percent

ואנחנו צופים יבולים שיכולים להשתפר עד עשרה אחוזים

and, more importantly, decrease the amount of inputs such as water

ויותר חשוב, הפחתה בכמות הקלט כמו מים

by 25 percent by using aerial robot swarms.

עד 25 אחוז על ידי שימוש בנחילי רובוטים מרחפים.

Lastly, I want you to applaud the people who actually create the future,

לבסוף, אני רוצה שתריעו לאנשים שלמעשה יוצרים את העתיד,

Yash Mulgaonkar, Sikang Liu and Giuseppe Loianno,

יאש מולגאונקר, סיקנג ליו וג'וספה לואיאנו,

who are responsible for the three demonstrations that you saw.

שאחראים לשלושת ההדגמות שראיתם.

Thank you.

תודה לכם.

(Applause)

(מחיאות כפיים)