The Future of Flying Robots | Vijay Kumar | TED Talks

Çeviri: Eren Gokce Gözden geçirme: Onur ŞAHİN

In my lab, we build autonomous aerial robots

Laboratuvarımda otonom hava robotları geliştiriyoruz,

like the one you see flying here.

burada uçarken gördüğünüz gibi.

Unlike the commercially available drones that you can buy today,

Bugün ticari olarak satılan mevcut dronların aksine,

this robot doesn't have any GPS on board.

bu robotun üzerinde GPS (Küresel konumlandırma sistemi) yok.

So without GPS,

GPS olmadan,

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

bunun gibi robotların yönlerini saptamaları zordur.

This robot uses onboard sensors, cameras and laser scanners,

Bu robot çevreyi taramak için yerleşik sensörler, kameralar

to scan the environment.

ve lazer tarayıcılar kullanır.

It detects features from the environment,

Çevredeki özellikleri saptamak suretiyle,

and it determines where it is relative to those features,

nirengi metodunu kullanarak bu özelliklere göreli olarak

using a method of triangulation.

nerede olduğunu saptar.

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

Sonra bütün bu özellikleri bir harita olarak bir araya getirir,

like you see behind me.

arkamda görmüş olduğunuz gibi.

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

Ardından bu harita robotun engellerin nerede olduğunu anlamasını

and navigate in a collision-free manner.

ve çarpmayacak şekilde gitmesini sağlar.

What I want to show you next

Size bundan sonra göstermek istediğim şey,

is a set of experiments we did inside our laboratory,

laboratuvarımızda yaptığımız bir dizi deney,

where this robot was able to go for longer distances.

bunlarla bu robotun daha uzun mesafeler boyunca gitmesini sağladık.

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

Burada sağ üstte robotun kamerayla ne gördüğüne bakabilirsiniz.

And on the main screen --

Ana ekranda ise --

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

ve elbette bu dört katına hızlandırılmış hâli --

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

ana ekranda oluşturduğu haritayı göreceksiniz.

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

Bu laboratuvarımızın çevresindeki koridorun yüksek çözünürlüklü haritası.

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

Bir dakika içinde laboratuvarımıza girdiğini göreceksiniz,

which is recognizable by the clutter that you see.

ki göreceğiniz karışıklıktan bu anlaşılıyor.

(Laughter)

(Gülüşmeler)

But the main point I want to convey to you

Ancak size aktarmak istediğim ana nokta şu ki,

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

bu robotlar beş santimetre çözünürlükle yüksek çözünürlüklü haritalar

at five centimeters resolution,

yapma yeteneğine sahipler,

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

bu durum da laboratuvar dışındaki veya bina dışındaki birinin

to deploy these without actually going inside,

aslında içeri girmeden ve binanın içinde olanları anlamaya

and trying to infer what happens inside the building.

çalışmadan bunları görevlendirmesini sağlıyor.

Now there's one problem with robots like this.

Ancak bunun gibi robotlarla ilgili bir sorun var.

The first problem is it's pretty big.

İlk sorun, oldukça büyükler.

Because it's big, it's heavy.

Büyük oldukları için ağırlar.

And these robots consume about 100 watts per pound.

Bu robotlar libre (453,6 gr) başına 100 vat harcıyorlar.

And this makes for a very short mission life.

Bu da çok kısa bir uçuş süresi anlamına geliyor.

The second problem

İkinci sorun,

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

bu robotların üzerinde çok pahalıya mal olan sensörler var --

a laser scanner, a camera and the processors.

bir lazer tarayıcı, bir kamera ve işlemciler.

That drives up the cost of this robot.

Bunlar da bu robotun fiyatını yükseltiyor.

So we asked ourselves a question:

O yüzden kendimize bir soru sorduk:

what consumer product can you buy in an electronics store

Bir elektronik mağazasından ucuz, hafif olup üzerinde

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

algılayıcı ve ölçümleyici olan hangi tüketici ürününü alabilirsiniz?

And we invented the flying phone.

Biz de uçan telefonu icat ettk.

(Laughter)

(Gülüşmeler)

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

Bu robot, mağazadan alabileceğiniz Samsung Galaxy akıllı telefonu kullanıyor

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

ve tek ihtiyacınız olan şey uygulama mağazamızdan indirilebilen bir uygulama.

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

Bu robotun bu durumda "TED" harflerini okuduğunu görüyorsunuz,

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

"T" ve "E"nin köşelerine bakıp ondan üçgenleme yaparak

and then triangulating off of that, flying autonomously.

otonom olarak uçuyor.

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

Kumanda kolu orada, çünkü robot çılgın şeyler yaparsa,

Giuseppe can kill it.

Giuseppe işini bitirebilir.

(Laughter)

(Gülüşmeler)

In addition to building these small robots,

Bu küçük robotları geliştirme yanında,

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

burada gördüğünüz gibi agresif davranışlarla ilgili de deneyler yaptık.

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

İşte bu robot saniyede iki ila üç metre hızla seyahat ediyor,

pitching and rolling aggressively as it changes direction.

yön değiştirdikçe agresifçe savrulup dönüyor.

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

Ana nokta, daha hızlı giden ve bu yapılandırılmamış

and then travel in these very unstructured environments.

çevrelerde yol alan daha küçük robotlarımızın olabileceği.

And in this next video,

Bir sonraki videoda gördüğünüz gibi,

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

aynı bu kuşun, kartalın zerafetle sudan avını kapmak için

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

kanatlarını, gözlerini ve ayaklarını koordine etmesi gibi,

our robot can go fishing, too.

robotumuz da balığa gidebilir.

(Laughter)

(Gülüşmeler)

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

Burada birdenbire bir bonfile sandviçi kapıyor.

(Laughter)

(Gülüşmeler)

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

Bu robotun saniyede yaklaşık üç metre hızla gittiğini görüyorsunuz,

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

ki bu yürüyüş hızından fazla; kollarını, pençelerini ve uçuşunu

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

yarım saniye zamanlamayla bu manevraya ulaşmak için koordine ediyor.

In another experiment,

Başka bir deneyde,

I want to show you how the robot adapts its flight

uzunluğu esasen bu pencerenin genişliğinden büyük olan

to control its suspended payload,

askıdaki yükünü kontrol etmek için

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

uçuşunu nasıl ayarladığını size göstermek istiyorum.

So in order to accomplish this,

Bunu başarmak için

it actually has to pitch and adjust the altitude

aslında irtifayı düşürüp ayarlaması

and swing the payload through.

ve yükü içeriye doğru sallaması gerekiyor.

But of course we want to make these even smaller,

Ama elbette ki bunları daha da küçük yapmak istiyoruz

and we're inspired in particular by honeybees.

ve özellikle bal arılarından esinlendik.

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

Eğer bal arılarına bakarsanız ve bu yavaşlatılmış bir video,

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

çok küçükler, ataleti öylesine önemsiz ki --

(Laughter)

(Gülüşmeler)

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

umursamıyorlar -- elimden sekiyorlar, örnek olarak.

This is a little robot that mimics the honeybee behavior.

Bu bal arısı davranışını taklit eden küçük bir robot.

And smaller is better,

Küçüldükçe daha iyi,

because along with the small size you get lower inertia.

çünkü boyutunun küçüklüğüyle beraber daha az atalet elde ediyorsunuz.

Along with lower inertia --

Düşük ataletle --

(Robot buzzing, laughter)

(Robot vızıldıyor, gülüşmeler)

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

düşük ataletle, çarpışmalara dirençlisiniz.

And that makes you more robust.

Bu da sizi daha güçlü yapıyor.

So just like these honeybees, we build small robots.

Yani aynı bal arıları gibi küçük robotlar yapıyoruz.

And this particular one is only 25 grams in weight.

Bu ise sadece 25 gram ağırlığında.

It consumes only six watts of power.

Yalnızca altı vat güç harcıyor.

And it can travel up to six meters per second.

Saniyede altı metreye kadar yol alabiliyor.

So if I normalize that to its size,

Eğer büyüklüğüne göre normalize edersem,

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

bu Boeing 787'nin ses hızının on katında yol alması gibi.

(Laughter)

(Gülüşmeler)

And I want to show you an example.

Size bir örnek göstermek istiyorum.

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

Bu muhtemelen ilk planlanan havada çarpışma, normal hızın yirmide biri.

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

Bunlar saniyede iki metre relatif hızla gidiyor

and this illustrates the basic principle.

ve bu temel prensibi gösteriyor.

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

Etrafındaki iki gramlık karbon fiber kafes pervanelerin dolaşmasını engelliyor;

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

ancak aslında çarpışma absorbe ediliyor ve robot çarpışmaya cevap veriyor.

And so small also means safe.

Bu kadar küçük olması güvenli olması anlamına da geliyor.

In my lab, as we developed these robots,

Laboratuvarımda bu robotları geliştirirken,

we start off with these big robots

büyük robotlarla başlıyoruz

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

ve sonra bu küçük robotlara kadar geliyoruz.

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

Geçmişte sipariş ettiğimiz bantların sayısına dair bir

in the past, that sort of tailed off now.

histogram çizerseniz, artık biraz azaldı.

Because these robots are really safe.

Çünkü bu robotlar gerçekten güvenli.

The small size has some disadvantages,

Küçük boyutun bazı dezavantajları var

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

ve bu dezavantajları telafi etmek için doğa bir sürü yol bulmuş.

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

Ana fikir, büyük grupları veya sürüleri oluşturmak için bir araya gelmeleri.

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

Benzer şekilde biz de laboratuvarımızda yapay robot sürüleri yaratmaya çalışıyoruz.

And this is quite challenging

Bu oldukça zor,

because now you have to think about networks of robots.

çünkü artık robot ağlarını düşünmek zorundasınız.

And within each robot,

Her robot için de

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

algılama, iletişim, hesaplama etkileşimini düşünmek zorundasınız --

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

sonrasında bu ağı kontrol etmek ve yönetmek oldukça zor hâle geliyor.

So from nature we take away three organizing principles

Bundan dolayı, doğadan aslında algoritmalarımızı geliştirmemizi

that essentially allow us to develop our algorithms.

sağlayacak üç düzenleyici prensip alıyoruz.

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

İlk fikir, robotların komşularının farkında olmak zorunda olması.

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

Komşularını algılamak ve iletişim kurmak durumundalar.

So this video illustrates the basic idea.

Bu video, temel fikri açıklıyor.

You have four robots --

Dört robotunuz var --

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

robotlardan biri insan operatör tarafından tam anlamıyla gasp edilmiş durumda.

But because the robots interact with each other,

Ancak robotlar birbirleriyle etkileştiği için,

they sense their neighbors,

yanındakileri algılayarak

they essentially follow.

esasen takip ediyorlar.

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

İşte burada takipçi ağını yönlendiren tek bir kişi var.

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

Aslında bunun nedeni robotların nereye gideceklerini bilmeleri değil,

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

yanındakilere tepki vermelerinden dolayı böyle oluyor.

(Laughter)

(Gülüşmeler)

So the next experiment illustrates the second organizing principle.

Bir sonraki deney, ikinci düzenleyici prensibi göstermektedir.

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

Bu prensip anonimlik prensibiyle ilgili.

Here the key idea is that

Burada ana fikir,

the robots are agnostic to the identities of their neighbors.

robotların yakınındakilerin kimliklerini bilmemesi.

They're asked to form a circular shape,

Dairesel bir şekil oluşturmaları istendi

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

ve grubun içine kaç tane robot katarsanız katın

or how many robots you pull out,

ya da kaç robot çıkarırsanız çıkarın,

each robot is simply reacting to its neighbor.

her robot sadece yanındakine tepki veriyor.

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

Dairesel bir şekil oluşturması gerektiğinin farkında;

but collaborating with its neighbors

ancak yanındakilerle işbirliği yaparak

it forms the shape without central coordination.

merkezî bir eşgüdüm olmadan şekli oluşturuyor.

Now if you put these ideas together,

Bu fikirleri bir araya koyunca

the third idea is that we essentially give these robots

üçüncü fikir, robotlara esasen oluşturmaları gereken şeklin

mathematical descriptions of the shape they need to execute.

matematiksel tanımlarını vermek.

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

Bu şekiller zamanın fonksiyonu olarak çeşitlilik gösterebilir

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

ve bu robotların dairesel bir biçimle başladığını, dikdörtgen biçime

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

dönüştüğünü, düz bir çizgi olarak uzadığını, tekrar elips hâline

back into an ellipse.

geldiğini göreceksiniz.

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

Bunu doğal sürülerde, doğada gördüğünüz türden

that you see in natural swarms, in nature.

yarım saniyelik eşgüdümle yapıyorlar.

So why work with swarms?

Peki neden sürülerle çalışılıyor?

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

Size çok ilgimizi çeken iki uygulamadan bahsedeyim.

The first one has to do with agriculture,

İlki tarımla ilgili,

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

ki bu muhtemelen dünyada karşılaştığımız en önemli sorun.

As you well know,

Bildiğiniz gibi,

one in every seven persons in this earth is malnourished.

dünyada her yedi kişiden biri yetersiz besleniyor.

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

Ekilebilecek toprakların çoğu zaten ekili.

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

Dünyadaki sistemlerin çoğunun verimi artıyor,

but our production system efficiency is actually declining.

ancak üretim sistemlerinin verimi aslında giderek düşüyor.

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

Bunun en büyük nedenleri, su kıtlığı, ekinlerdeki hastalıklar, iklim değişimi

and a couple of other things.

ve başka birkaç şey daha.

So what can robots do?

O zaman robotlar ne yapabilirler?

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

Toplumda Hassas Tarım olarak adlandırılan bir yaklaşımı benimsiyoruz.

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

Ana fikir şu; hava robotlarını bahçelerde uçurup

and then we build precision models of individual plants.

sonra bitkilerin tek tek hassas modellerini geliştiriyoruz.

So just like personalized medicine,

Her hastaya özel tedavi

while you might imagine wanting to treat every patient individually,

uygulanmasının istendiği, kişiselleştirilen ilaçlarla olduğu gibi,

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

bizim yapmak istediğimiz şey de tek tek bitkilerin modellerini geliştirmek

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

ve sonra çiftçiye her bitkinin ne tür bir girdiye ihtiyacı olduğunu söylemek --

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

bu durumda girdiler, su, gübre ve tarım ilaçlarıdır.

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

Burada elma bahçesinde dolaşan robotları görüyorsunuz

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

ve bir dakika içinde sol tarafta aynı şeyi

doing the same thing on the left side.

yapan iki üyeyi daha göreceksiniz.

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

Aslında yaptıkları şey bahçenin bir haritasını çizmek.

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

Harita içinde, bu bahçedeki her bitkinin bir haritası var.

(Robot buzzing)

(Robot vızıldıyor)

Let's see what those maps look like.

Bu haritaların neye benzediğini görelim.

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

Bir sonraki videoda, bu robotta kullanılan kameraları göreceksiniz.

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

Sol üstte esasen standart renkli bir kamera var.

On the left-center is an infrared camera.

Solda ortada kızılötesi bir kamera var.

And on the bottom-left is a thermal camera.

Sol altta ise termal bir kamera var.

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

Ana panelde, sensörler ağaçların yanından geçtikçe bahçedeki her ağacın

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

yeniden üç boyutlu olarak oluşturulmasını görüyorsunuz.

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

Böyle bir bilgiyle donanınca birçok şey yapabiliriz.

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

Yapabileceğimiz ilk ve muhtemelen en önemli şey çok basit:

count the number of fruits on every tree.

Her ağaçtaki meyve adetini saymak.

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

Böyle yaparak çiftçiye her ağaçtaki meyve sayısını söylersiniz

and allow her to estimate the yield in the orchard,

ve bahçedeki hâsılatı tahmin etmesini sağlarsınız,

optimizing the production chain downstream.

bununla üretim zinciri boyunca optimizasyon sağlarsınız.

The second thing we can do

Yapabileceğimiz ikinci şey,

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

bitkilerin modellerini almak, üç boyutlu olarak yeniden oluşturmak

and from that estimate the canopy size,

ve böylece bitki örtüsünün büyüklüğünü tahmin etmek,

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

sonra örtünün büyüklüğünü her bitkideki yaprak alanın miktarı ile ilintilemek.

And this is called the leaf area index.

Buna yaprak alan indeksi denir.

So if you know this leaf area index,

Eğer yaprak alanı indeksini biliyorsanız,

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

aslında her bitkide ne kadar fotosentez mümkün olduğuna dair ölçünüz olur,

which again tells you how healthy each plant is.

bu da size her bitkinin ne kadar sağlıklı olduğunu söyler.

By combining visual and infrared information,

Görsel ve kızılötesi bilgiyi birleştirerek,

we can also compute indices such as NDVI.

NDVI (normalize edilmiş fark bitki örtüsü indeksi) gibi indisleri de hesaplayabiliriz.

And in this particular case, you can essentially see

Buradaki durumda, aslında bazı ürünlerin diğer ürünler

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

kadar iyi durumda olmadığını görüyorsunuz.

This is easily discernible from imagery,

Bu durum, görüntüde rahatlıkla ayırt edilebiliyor;

not just visual imagery but combining

sadece görsel imgeyle değil,

both visual imagery and infrared imagery.

görsel imgeyi, kızılötesi imgeyle birleştirerek.

And then lastly,

Son olarak,

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

yapmak istediğimiz bir şey de kloroz başlangıcını erkenden tespit etmek --

and this is an orange tree --

ve bu bir portakal ağacı --

which is essentially seen by yellowing of leaves.

bu aslında yaprakların sararmasından anlaşılabilir.

But robots flying overhead can easily spot this autonomously

Ancak tepede uçan robotlar bunu kolaylıkla kendileri fark edebilir

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

ve sonra çiftçiye bahçenin bu kısmında bir sorun

in this section of the orchard.

olduğunu raporlayabilirler.

Systems like this can really help,

Bunun gibi sistemler gerçekten yardımcı olabilir

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

ve hava robotu sürüleri kullanarak hâsılatın yaklaşık yüzde 10 artabileceğini

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

ve daha da önemlisi su gibi girdilerin miktarının

by 25 percent by using aerial robot swarms.

yüzde 25 oranında azalabileceğini öngörüyoruz.

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

Son olarak, aslında geleceği yaratan insanları alkışlamanızı istiyorum,

Yash Mulgaonkar, Sikang Liu and Giuseppe Loianno,

Yash Mulgaonkar, Sikang Liu ve Giuseppe Loianno,

who are responsible for the three demonstrations that you saw.

kendileri gördüğünüz üç demodan sorumlular.

Thank you.

Teşekkürler.

(Applause)

(Alkış)