Jennifer Healey: If cars could talk, accidents might be avoidable

48,736 views ・ 2013-04-25

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

00:00
Translator: Joseph Geni Reviewer: Morton Bast
0
0
7000
Vertaald door: Ingrid van Sichem Nagekeken door: Els De Keyser
00:12
Let's face it:
1
12703
1914
Laten we duidelijk zijn:
00:14
Driving is dangerous.
2
14617
2445
autorijden is gevaarlijk.
00:17
It's one of the things that we don't like to think about,
3
17062
3098
We denken er liever niet over na,
00:20
but the fact that religious icons and good luck charms
4
20160
3652
maar het feit dat er overal heiligenbeeldjes en gelukspoppetjes
00:23
show up on dashboards around the world
5
23812
4790
op dashboards staan, op de hele wereld,
00:28
betrays the fact that we know this to be true.
6
28602
4137
bewijst dat we weten dat het waar is.
00:32
Car accidents are the leading cause of death
7
32739
3594
Auto-ongelukken zijn de voornaamste doodsoorzaak
00:36
in people ages 16 to 19 in the United States --
8
36333
4170
voor mensen in de leeftijd van 16 tot 19 in Amerika,
00:40
leading cause of death --
9
40503
2843
de voornaamste doodsoorzaak --
00:43
and 75 percent of these accidents have nothing to do
10
43346
3863
en 75 procent komt niet door
00:47
with drugs or alcohol.
11
47209
2285
drugs of alcohol.
00:49
So what happens?
12
49494
2261
Wat is dan het probleem?
00:51
No one can say for sure, but I remember my first accident.
13
51755
4219
Niemand weet dat zeker, <br>maar ik herinner me nog mijn eerste aanrijding.
00:55
I was a young driver out on the highway,
14
55974
3803
Ik had net mijn rijbewijs en reed op de snelweg.
00:59
and the car in front of me, I saw the brake lights go on.
15
59777
2258
Ik zag dat de auto voor me remde.
01:02
I'm like, "Okay, all right, this guy is slowing down,
16
62035
1800
Ik dacht gelijk: "Ok, deze man gaat remmen,
01:03
I'll slow down too."
17
63835
1282
dan ga ik ook remmen."
01:05
I step on the brake.
18
65117
1926
Ik druk het rempedaal in.
01:07
But no, this guy isn't slowing down.
19
67043
2254
Maar deze man was niet aan het afremmen.
01:09
This guy is stopping, dead stop, dead stop on the highway.
20
69297
3178
Hij stopte en stond in één klap stil op de snelweg.
01:12
It was just going 65 -- to zero?
21
72475
2540
Het ging van 100 km per uur naar 0?
01:15
I slammed on the brakes.
22
75015
1520
Ik trapte keihard op de rem.
01:16
I felt the ABS kick in, and the car is still going,
23
76535
3059
Ik voelde de ABS, maar de auto reed nog steeds,
01:19
and it's not going to stop, and I know it's not going to stop,
24
79594
2696
ik wist dat hij niet ging stoppen…
01:22
and the air bag deploys, the car is totaled,
25
82290
2939
De airbag werd opgeblazen, de auto was total loss.
01:25
and fortunately, no one was hurt.
26
85229
3557
Gelukkig was er niemand gewond.
01:28
But I had no idea that car was stopping,
27
88786
4211
Maar ik wist niet dat de auto voor me zou gaan stoppen.
01:32
and I think we can do a lot better than that.
28
92997
3645
Ik denk dat we beter kunnen doen dan dit.
01:36
I think we can transform the driving experience
29
96642
4145
Ik denk dat we het autorijden kunnen verbeteren,
01:40
by letting our cars talk to each other.
30
100787
3879
door auto's met elkaar te laten praten.
01:44
I just want you to think a little bit
31
104666
1424
Denk maar eens na
01:46
about what the experience of driving is like now.
32
106090
2888
hoe je nu aan het autorijden bent.
01:48
Get into your car. Close the door. You're in a glass bubble.
33
108978
4028
Je stapt in de auto, sluit de deur. Je bent in een soort glazen koepel.
01:53
You can't really directly sense the world around you.
34
113006
2916
Je voelt niet aan wat er om je heen gebeurt.
01:55
You're in this extended body.
35
115922
2181
Je zit in een verlengstuk van jezelf.
01:58
You're tasked with navigating it down
36
118103
2163
Je moet dit stuk navigeren
02:00
partially-seen roadways,
37
120266
2056
over wegen die je slechts gedeeltelijk overziet,
02:02
in and amongst other metal giants, at super-human speeds.
38
122322
4424
tussen allerlei andere metalen reuzen, op supersnelheid.
02:06
Okay? And all you have to guide you are your two eyes.
39
126746
4480
Je hebt maar twee ogen.
02:11
Okay, so that's all you have,
40
131226
1762
Dat is alles wat je hebt,
02:12
eyes that weren't really designed for this task,
41
132988
1735
maar ogen zijn hier niet voor gemaakt,
02:14
but then people ask you to do things like,
42
134723
3751
en dan moet je dingen doen zoals:
02:18
you want to make a lane change,
43
138474
1549
veranderen van rijstrook,
02:20
what's the first thing they ask you do?
44
140023
2321
wat is dan het eerste wat je moet doen?
02:22
Take your eyes off the road. That's right.
45
142344
3095
Kijk niet meer naar de weg.
02:25
Stop looking where you're going, turn,
46
145439
2096
Kijk niet meer waar je naar toe gaat en draai,
02:27
check your blind spot,
47
147535
2018
controleer je blinde hoek,
02:29
and drive down the road without looking where you're going.
48
149553
3471
en blijf op de weg rijden zonder te zien waar je naar toe gaat.
02:33
You and everyone else. This is the safe way to drive.
49
153024
3135
Dit doet iedereen. Dit is de veilige manier om auto te rijden.
02:36
Why do we do this? Because we have to,
50
156159
2241
Waarom doen we dit? Omdat we
02:38
we have to make a choice, do I look here or do I look here?
51
158400
2579
een keuze moeten maken, kijk ik hierheen of daarheen?
02:40
What's more important?
52
160979
1521
Wat is het belangrijkst?
02:42
And usually we do a fantastic job
53
162500
2711
En meestal zijn we heel goed in het kiezen
02:45
picking and choosing what we attend to on the road.
54
165211
3769
waar we aandacht aan besteden op de weg.
02:48
But occasionally we miss something.
55
168980
3650
Maar soms zien we iets over het hoofd.
02:52
Occasionally we sense something wrong or too late.
56
172630
4461
Soms hebben we iets niet in de gaten of zijn we te laat.
02:57
In countless accidents, the driver says,
57
177091
1988
In de meeste gevallen zegt de chauffeur:
02:59
"I didn't see it coming."
58
179079
2308
"Ik zag het niet aankomen."
03:01
And I believe that. I believe that.
59
181387
3281
En dat geloof ik.
03:04
We can only watch so much.
60
184668
2925
We kunnen niet alles zien aankomen.
03:07
But the technology exists now that can help us improve that.
61
187593
5144
Maar met de huidige technologie kan dat verbeterd worden.
03:12
In the future, with cars exchanging data with each other,
62
192737
4296
In de toekomst, als auto's met elkaar gegevens uitwisselen,
03:17
we will be able to see not just three cars ahead
63
197033
3928
kunnen we niet alleen drie auto's voor ons zien,
03:20
and three cars behind, to the right and left,
64
200961
1594
en drie auto's achter ons, en links en rechts,
03:22
all at the same time, bird's eye view,
65
202555
3166
maar alles tegelijkertijd, in vogelperspectief.
03:25
we will actually be able to see into those cars.
66
205721
3128
We kunnen zelfs in de auto's kijken.
03:28
We will be able to see the velocity of the car in front of us,
67
208849
2371
We kunnen de snelheid zien van de auto voor ons,
03:31
to see how fast that guy's going or stopping.
68
211220
3240
hoe snel die man rijdt en of dat hij gaat stoppen.
03:34
If that guy's going down to zero, I'll know.
69
214460
4510
Als hij ineens bovenop de rem gaat staan, dan weet ik dat.
03:38
And with computation and algorithms and predictive models,
70
218970
3859
Met berekeningen, algoritmes en voorspellende modellen
03:42
we will be able to see the future.
71
222829
3273
kunnen we in de toekomst kijken.
03:46
You may think that's impossible.
72
226102
1556
Je denkt misschien dat dat onmogelijk is.
03:47
How can you predict the future? That's really hard.
73
227658
2731
Het is moeilijk om de toekomst te voorspellen.
03:50
Actually, no. With cars, it's not impossible.
74
230389
3619
Met auto's is dat niet onmogelijk.
03:54
Cars are three-dimensional objects
75
234008
2732
Auto's zijn driedimensionale objecten
03:56
that have a fixed position and velocity.
76
236740
2332
die een vaste positie en snelheid hebben.
03:59
They travel down roads.
77
239072
1631
Ze rijden over wegen.
04:00
Often they travel on pre-published routes.
78
240703
2412
Vaak rijden ze op vooraf aangegeven wegen.
04:03
It's really not that hard to make reasonable predictions
79
243115
3938
Het is niet zo moeilijk om te voorspellen
04:07
about where a car's going to be in the near future.
80
247053
2864
waar een auto zal zijn over een paar minuten.
04:09
Even if, when you're in your car
81
249917
2002
Zelfs als je in je auto bent
04:11
and some motorcyclist comes -- bshoom! --
82
251919
1994
en er komt een motorrijder aan - zoef! -
04:13
85 miles an hour down, lane-splitting --
83
253913
2296
met 135 km per uur, wisselend van rijstrook -
04:16
I know you've had this experience --
84
256209
2547
je hebt dat vast wel eens meegemaakt -
04:18
that guy didn't "just come out of nowhere."
85
258756
2603
die motor komt niet 'uit het niets'.
04:21
That guy's been on the road probably for the last half hour.
86
261359
3643
Die rijdt waarschijnlijk al een half uur op deze weg.
04:25
(Laughter)
87
265002
1190
(Gelach)
04:26
Right? I mean, somebody's seen him.
88
266192
3589
Iemand moet hem gezien hebben.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
89
269781
2768
Misschien 10, 20 of 30 kilometer eerder heeft iemand hem gezien.
04:32
and as soon as one car sees that guy
90
272549
2384
En wanneer één auto die motorrijder ziet,
04:34
and puts him on the map, he's on the map --
91
274933
2231
dan wordt deze geregistreerd -
04:37
position, velocity,
92
277164
2176
positie, snelheid.
04:39
good estimate he'll continue going 85 miles an hour.
93
279340
2321
Hij blijft nog wel even 135 km per uur rijden.
04:41
You'll know, because your car will know, because
94
281661
2184
Jij weet dat, omdat je auto het weet, omdat
04:43
that other car will have whispered something in his ear,
95
283845
2275
een andere auto dat in zijn oor heeft gefluisterd.
04:46
like, "By the way, five minutes,
96
286120
1923
Zo iets als: "Let op! Over vijf minuten,
04:48
motorcyclist, watch out."
97
288043
2775
motorrijder, kijk uit!"
04:50
You can make reasonable predictions about how cars behave.
98
290818
2703
Je kunt aardig inschatten hoe andere auto's zich gaan gedragen.
04:53
I mean, they're Newtonian objects.
99
293521
1365
Ze doen dat al zo lang.
04:54
That's very nice about them.
100
294886
2909
Dat is juist het makkelijke eraan.
04:57
So how do we get there?
101
297795
3034
Maar hoe komen we zo ver?
05:00
We can start with something as simple
102
300829
2266
We kunnen beginnen met iets simpels,
05:03
as sharing our position data between cars,
103
303095
2870
bijvoorbeeld met het doorgeven van onze positie aan andere auto's.
05:05
just sharing GPS.
104
305965
1892
Gewoon de gps-gegevens delen.
05:07
If I have a GPS and a camera in my car,
105
307857
2444
Als ik een gps en een camera in mijn auto heb,
05:10
I have a pretty precise idea of where I am
106
310301
2231
dan weet ik vrij aardig waar ik me bevind
05:12
and how fast I'm going.
107
312532
1732
en hoe snel ik ga.
05:14
With computer vision, I can estimate where
108
314264
1657
Met hulp van een computer kan ik inschatten
05:15
the cars around me are, sort of, and where they're going.
109
315921
3537
waar de auto's om mij heen zijn en waar ze naar toe gaan.
05:19
And same with the other cars.
110
319458
970
Dat geldt ook voor andere auto's.
05:20
They can have a precise idea of where they are,
111
320428
1814
Ze kunnen exact weten waar ze zijn
05:22
and sort of a vague idea of where the other cars are.
112
322242
2146
en hebben een vaag idee waar andere auto's zijn.
05:24
What happens if two cars share that data,
113
324388
3231
Wat zou er gebeuren als twee auto's deze gegevens uitwisselen,
05:27
if they talk to each other?
114
327619
1955
als ze met elkaar zouden praten?
05:29
I can tell you exactly what happens.
115
329574
2778
Ik kan precies zeggen wat er dan gebeurt:
05:32
Both models improve.
116
332352
2339
ze worden er allebei beter van.
05:34
Everybody wins.
117
334691
2055
Het is een win-win-situatie.
05:36
Professor Bob Wang and his team
118
336746
2577
Professor Bob Wang en zijn team..
05:39
have done computer simulations of what happens
119
339323
2738
hebben computersimulaties gemaakt van wat er gebeurt
05:42
when fuzzy estimates combine, even in light traffic,
120
342061
3431
als schattingen worden gecombineerd, zelfs als het niet zo druk is,
05:45
when cars just share GPS data,
121
345492
2624
als auto's alleen maar hun gps-gegevens zouden uitwisselen.
05:48
and we've moved this research out of the computer simulation
122
348116
2513
Dit onderzoek is nu de fase van computersimulatie voorbij.
05:50
and into robot test beds that have the actual sensors
123
350629
3027
Er zijn nu de proefmodellen met echte sensoren
05:53
that are in cars now on these robots:
124
353656
3133
in auto's die op de computers staan:
05:56
stereo cameras, GPS,
125
356789
1838
dubbele camera's, gps,
05:58
and the two-dimensional laser range finders
126
358627
1874
en de tweedimensionale afstandsmeters
06:00
that are common in backup systems.
127
360501
2240
die gebruikt worden in backupsystemen.
06:02
We also attach a discrete short-range communication radio,
128
362741
4484
We hangen er ook een losse radio aan met kort bereik
06:07
and the robots talk to each other.
129
367225
1909
en laten de robots met elkaar praten.
06:09
When these robots come at each other,
130
369134
1539
Als deze robots elkaar vinden,
06:10
they track each other's position precisely,
131
370673
2971
dan bepalen ze elkaars positie
06:13
and they can avoid each other.
132
373644
2737
en kunnen ze elkaar uit de weg gaan.
06:16
We're now adding more and more robots into the mix,
133
376381
3226
We voegen momenteel steeds meer robots toe
06:19
and we encountered some problems.
134
379607
1471
en we liepen tegen een paar problemen aan.
06:21
One of the problems, when you get too much chatter,
135
381078
2359
Als er te veel gegevens heen en weer worden gestuurd
06:23
it's hard to process all the packets, so you have to prioritize,
136
383437
3728
dan wordt het moeilijk alle gegevens te verwerken. Er moet dan bepaald worden wat belangrijk is.
06:27
and that's where the predictive model helps you.
137
387165
2357
Dan komt het voorspellende model van pas.
06:29
If your robot cars are all tracking the predicted trajectories,
138
389522
4372
Als alle robotauto's de voorspelde trajecten bijhouden,
06:33
you don't pay as much attention to those packets.
139
393894
1767
dan hoef je daar niet zo veel aandacht aan te besteden.
06:35
You prioritize the one guy
140
395661
1703
Je richt je slechts op die ene persoon
06:37
who seems to be going a little off course.
141
397364
1333
die van het standaardtraject afwijkt.
06:38
That guy could be a problem.
142
398697
2526
Die persoon zou een probleem kunnen worden.
06:41
And you can predict the new trajectory.
143
401223
3002
Je kunt het nieuwe traject voorspellen.
06:44
So you don't only know that he's going off course, you know how.
144
404225
2763
Je weet niet alleen dat hij afwijkt, je weet ook hoe.
06:46
And you know which drivers you need to alert to get out of the way.
145
406988
3725
Je weet welke chauffeurs je moet waarschuwen om uit de weg te gaan.
06:50
And we wanted to do -- how can we best alert everyone?
146
410713
2633
Hoe kunnen wij het beste iedereen waarschuwen?
06:53
How can these cars whisper, "You need to get out of the way?"
147
413346
3183
Hoe kunnen deze auto's doorgeven: "Zorg dat je wegkomt?"
06:56
Well, it depends on two things:
148
416529
1517
Dat hangt af van twee dingen.
06:58
one, the ability of the car,
149
418046
2169
Eén: de mogelijkheden van de auto,
07:00
and second the ability of the driver.
150
420215
3217
Twee: de bekwaamheid van de chauffeur.
07:03
If one guy has a really great car,
151
423432
1505
Als iemand een geweldige auto heeft,
07:04
but they're on their phone or, you know, doing something,
152
424937
2925
maar aan het bellen is of iets anders aan het doen is,
07:07
they're not probably in the best position
153
427862
1930
dan is hij waarschijnlijk niet alert genoeg
07:09
to react in an emergency.
154
429792
2970
om tijdig te reageren in geval van nood.
07:12
So we started a separate line of research
155
432762
1665
We zijn een apart onderzoek begonnen
07:14
doing driver state modeling.
156
434427
2551
naar de houding van de chauffeur.
07:16
And now, using a series of three cameras,
157
436978
2329
Met behulp van drie camera's
07:19
we can detect if a driver is looking forward,
158
439307
2270
zien we of een chauffeur voor zich uit kijkt,
07:21
looking away, looking down, on the phone,
159
441577
2860
wegkijkt, naar beneden kijkt, aan het bellen is,
07:24
or having a cup of coffee.
160
444437
3061
of een kopje koffie drinkt.
07:27
We can predict the accident
161
447498
2070
Wij kunnen het ongeval voorspellen
07:29
and we can predict who, which cars,
162
449568
3651
en we kunnen voorspellen welke auto's
07:33
are in the best position to move out of the way
163
453219
3486
het beste uit de weg kunnen gaan,
07:36
to calculate the safest route for everyone.
164
456705
3009
om de veiligste route voor iedereen berekenen.
07:39
Fundamentally, these technologies exist today.
165
459714
4635
Deze technologieën zijn er vandaag al.
07:44
I think the biggest problem that we face
166
464349
2824
Ik denk dat het grootste probleem
07:47
is our own willingness to share our data.
167
467173
3013
onze bereidwilligheid zal zijn om gegevens te delen.
07:50
I think it's a very disconcerting notion,
168
470186
2631
Het is een verontrustende gedachte
07:52
this idea that our cars will be watching us,
169
472817
2386
dat auto's ons in de gaten kunnen houden,
07:55
talking about us to other cars,
170
475203
3371
en over ons praten met andere auto's,
07:58
that we'll be going down the road in a sea of gossip.
171
478574
3427
dat we ons op de weg begeven in een zee van geroddel.
08:02
But I believe it can be done in a way that protects our privacy,
172
482001
3897
Maar ik denk dat het mogelijk is met bescherming van onze privacy,
08:05
just like right now, when I look at your car from the outside,
173
485898
3741
net als nu: ik zie je auto van buitenaf,
08:09
I don't really know about you.
174
489639
2363
terwijl ik niets over jou weet.
08:12
If I look at your license plate number,
175
492002
1137
Als ik naar jouw kentekenplaat kijk,
08:13
I don't really know who you are.
176
493139
1886
dan weet ik echt niet wie je bent.
08:15
I believe our cars can talk about us behind our backs.
177
495025
4249
Ik geloof dat onze auto's achter onze rug over ons kunnen praten.
08:19
(Laughter)
178
499274
2975
(Gelach)
08:22
And I think it's going to be a great thing.
179
502249
3185
Ik denk dat het heel groot gaat worden.
08:25
I want you to consider for a moment
180
505434
1650
Denk je eens in:
08:27
if you really don't want the distracted teenager behind you
181
507084
4118
Wil je echt niet dat die verstrooide tiener achter jou
08:31
to know that you're braking,
182
511202
2120
weet dat je op de rem gaat staan,
08:33
that you're coming to a dead stop.
183
513322
2924
dat je een noodstop moet maken?
08:36
By sharing our data willingly,
184
516246
2741
Door het vrijwillig delen van onze gegevens,
08:38
we can do what's best for everyone.
185
518987
2812
kunnen wij doen wat voor iedereen het beste zou zijn.
08:41
So let your car gossip about you.
186
521799
3076
Dus laat je auto lekker over je kletsen.
08:44
It's going to make the roads a lot safer.
187
524875
3038
Het zal de wegen een stuk veiliger maken.
08:47
Thank you.
188
527913
1791
Bedankt.
08:49
(Applause)
189
529704
4985
(Applaus)
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7