TED2012
Vijay Kumar: Robots that fly ... and cooperate
Vijay Kumar: Roboty, které létají ... a spolupracují
Filmed:
Readability: 4.5
5,188,706 views
Ve své laboratoři na Pennsylvánské univerzitě Vijay Kumar a jeho tým staví létající čtyřrotorové, malé a mrštné roboty, které se rojí, vnímají se navzájem a utvářejí skupiny dle aktuálních potřeb -- pro stavebnictví, průzkumy po katastrofách a mnohem více.
Vijay Kumar - Roboticist
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
Double-click the English transcript below to play the video.
00:20
Good morning.
0
5000
2000
Dobré ráno.
00:22
I'm here today to talk
1
7000
2000
Jsem dnes zde, abych mluvil
00:24
about autonomous, flying beach balls.
2
9000
3000
o autonomních létajicích plážových míčích.
00:27
No, agile aerial robots like this one.
3
12000
4000
Ne, o mrštných létajicích robotech, jako je tenhle.
00:31
I'd like to tell you a little bit about the challenges in building these
4
16000
3000
Rád bych vám pověděl něco málo o výzvách při jejich stavbě
00:34
and some of the terrific opportunities
5
19000
2000
a některých úžasných možnostech
00:36
for applying this technology.
6
21000
2000
pro využití této technologie.
00:38
So these robots
7
23000
2000
Tyto roboty
00:40
are related to unmanned aerial vehicles.
8
25000
3000
jsou příbuznými bezpilotních letadel.
00:43
However, the vehicles you see here are big.
9
28000
3000
Nicméně letadla, které vidíte zde, jsou velká.
00:46
They weigh thousands of pounds,
10
31000
2000
Váží tisíce liber (stovky kilogramů)
00:48
are not by any means agile.
11
33000
2000
a nejsou v žádném případě mrštná.
00:50
They're not even autonomous.
12
35000
2000
Navíc nejsou ani autonomní.
00:52
In fact, many of these vehicles
13
37000
2000
Ve skutečnosti je mnoho těchto strojů
00:54
are operated by flight crews
14
39000
2000
ovládáno letovými posádkami,
00:56
that can include multiple pilots,
15
41000
3000
které mohou zahrnovat několik pilotů,
00:59
operators of sensors
16
44000
2000
operátorů senzorů
01:01
and mission coordinators.
17
46000
2000
a koordinátorů misí.
01:03
What we're interested in is developing robots like this --
18
48000
2000
Co nás zajímalo, je vývoj robotů jako jsou tyto --
01:05
and here are two other pictures --
19
50000
2000
a tady dva další obrázky --
01:07
of robots that you can buy off the shelf.
20
52000
3000
robotů, které si můžete koupit v obchodě.
01:10
So these are helicopters with four rotors
21
55000
3000
Takže toto jsou helikoptéry se čtyřmi rotory
01:13
and they're roughly a meter or so in scale
22
58000
4000
a jsou zhruba metr velké
01:17
and weigh several pounds.
23
62000
2000
a váží několik liber (pár kilogramů).
01:19
And so we retrofit these with sensors and processors,
24
64000
3000
Dodatečně jsme je vybavili senzory a procesory,
01:22
and these robots can fly indoors
25
67000
2000
a tak mohou tyto roboty létat v místnostech
01:24
without GPS.
26
69000
2000
bez GPS.
01:26
The robot I'm holding in my hand
27
71000
2000
Robot, který držím ve své ruce,
01:28
is this one,
28
73000
2000
je jedním z nich,
01:30
and it's been created by two students,
29
75000
3000
vytvořili jej dva studenti,
01:33
Alex and Daniel.
30
78000
2000
Alex a Daniel.
01:35
So this weighs a little more
31
80000
2000
Tenhle váží trochu víc
01:37
than a tenth of a pound.
32
82000
2000
než desetinu libry (50 gramů).
01:39
It consumes about 15 watts of power.
33
84000
2000
Spotřebuje okolo 15 wattů příkonu.
01:41
And as you can see,
34
86000
2000
A jak můžete vidět,
01:43
it's about eight inches in diameter.
35
88000
2000
má v průměru přibližně osm palců (20 cm).
01:45
So let me give you just a very quick tutorial
36
90000
3000
Dovolte mi dát vám velmi rychlý úvod
01:48
on how these robots work.
37
93000
2000
do toho, jak tyto roboty pracují.
01:50
So it has four rotors.
38
95000
2000
Takže má čtyři rotory.
01:52
If you spin these rotors at the same speed,
39
97000
2000
Když mají tyto rotory stejné otáčky,
01:54
the robot hovers.
40
99000
2000
robot se vznáší.
01:56
If you increase the speed of each of these rotors,
41
101000
3000
Když zvýšíte otáčky každého z těchto rotorů,
01:59
then the robot flies up, it accelerates up.
42
104000
3000
pak robot stoupá, zrychluje.
02:02
Of course, if the robot were tilted,
43
107000
2000
Samozřejmě kdyby byl robot nakloněn,
02:04
inclined to the horizontal,
44
109000
2000
byl skloněn oproti vodorovné ose,
02:06
then it would accelerate in this direction.
45
111000
3000
pak by zrychloval tímto směrem.
02:09
So to get it to tilt, there's one of two ways of doing it.
46
114000
3000
Existují dva způsoby, jak jej naklonit.
02:12
So in this picture
47
117000
2000
Na tomto obrázku
02:14
you see that rotor four is spinning faster
48
119000
2000
vidíte, že rotor číslo 4 se otáčí rychleji
02:16
and rotor two is spinning slower.
49
121000
2000
a rotor číslo 2 se otáčí pomaleji.
02:18
And when that happens
50
123000
2000
A když se toto stane,
02:20
there's moment that causes this robot to roll.
51
125000
3000
dojde k tomu, že se robot natočí.
02:23
And the other way around,
52
128000
2000
A nebo,
02:25
if you increase the speed of rotor three
53
130000
3000
když zvýšíte otáčky rotoru číslo 3
02:28
and decrease the speed of rotor one,
54
133000
2000
a snížíte otáčky rotoru číslo 1,
02:30
then the robot pitches forward.
55
135000
3000
pak se robot nahne vpřed.
02:33
And then finally,
56
138000
2000
A konečně,
02:35
if you spin opposite pairs of rotors
57
140000
2000
když má pár protilehlých rotorů
02:37
faster than the other pair,
58
142000
2000
vyšší otáčky než druhý pár,
02:39
then the robot yaws about the vertical axis.
59
144000
2000
pak se robot obrací kolem svislé osy.
02:41
So an on-board processor
60
146000
2000
Procesor na palubě
02:43
essentially looks at what motions need to be executed
61
148000
3000
v podstatě sleduje, jaké pohyby je třeba vykonat
02:46
and combines these motions
62
151000
2000
a kombinuje tyto pohyby
02:48
and figures out what commands to send to the motors
63
153000
3000
a řeší, jaké příkazy poslat motorům,
02:51
600 times a second.
64
156000
2000
a to dělá 600krát za sekundu.
02:53
That's basically how this thing operates.
65
158000
2000
Takto v základě tato věc funguje.
02:55
So one of the advantages of this design
66
160000
2000
Jedna z výhod tohoto přístupu
02:57
is, when you scale things down,
67
162000
2000
je, že když tyto věci zmenšíte,
02:59
the robot naturally becomes agile.
68
164000
3000
robot se přirozeně stává mrštnějším.
03:02
So here R
69
167000
2000
Toto R
03:04
is the characteristic length of the robot.
70
169000
2000
je charakteristická délka robota.
03:06
It's actually half the diameter.
71
171000
3000
Činí polovinu průměru.
03:09
And there are lots of physical parameters that change
72
174000
3000
A je mnoho fyzikálních parametrů, které se změní,
03:12
as you reduce R.
73
177000
2000
když zmenšíte R.
03:14
The one that's the most important
74
179000
2000
Ten nejdůležitější
03:16
is the inertia or the resistance to motion.
75
181000
2000
je setrvačnost neboli odpor k pohybu.
03:18
So it turns out,
76
183000
2000
Ukazuje se,
03:20
the inertia, which governs angular motion,
77
185000
3000
že setrvačnost, která řídí úhlový pohyb,
03:23
scales as a fifth power of R.
78
188000
3000
je úměrná páté mocnině R.
03:26
So the smaller you make R,
79
191000
2000
Takže čím menší R uděláte,
03:28
the more dramatically the inertia reduces.
80
193000
3000
tím dramatičtěji poklesne setrvačnost.
03:31
So as a result, the angular acceleration,
81
196000
3000
Jako výsledek, úhlové zrychlení,
03:34
denoted by Greek letter alpha here,
82
199000
2000
zde označené řeckým písmenem alfa,
03:36
goes as one over R.
83
201000
2000
je 1/R.
03:38
It's inversely proportional to R.
84
203000
2000
Je nepřímo úměrné R.
03:40
The smaller you make it the more quickly you can turn.
85
205000
3000
Čím menší jej vyrobíte, tím rychleji se může otáčet.
03:43
So this should be clear in these videos.
86
208000
2000
To by mělo být jasné na těchto videích.
03:45
At the bottom right you see a robot
87
210000
3000
V pravo dole vidíte robot
03:48
performing a 360 degree flip
88
213000
2000
provádějící 360stupňový obrat
03:50
in less than half a second.
89
215000
2000
za méně než půl sekundy.
03:52
Multiple flips, a little more time.
90
217000
3000
Několik obratů za nepatrně delší čas.
03:55
So here the processes on board
91
220000
2000
Zde procesy na palubě
03:57
are getting feedback from accelerometers
92
222000
2000
dostávají zpětnou vazbu z akcelerometrů
03:59
and gyros on board
93
224000
2000
a gyroskopů na palubě
04:01
and calculating, like I said before,
94
226000
2000
a vyhodnocují, jak jsem už dříve řekl,
04:03
commands at 600 times a second
95
228000
2000
příkazy 600krát za sekundu,
04:05
to stabilize this robot.
96
230000
2000
aby stabilizovaly robota.
04:07
So on the left, you see Daniel throwing this robot up into the air.
97
232000
3000
Nalevo vidíte Daniela, který tohoto robota háže do vzduchu.
04:10
And it shows you how robust the control is.
98
235000
2000
Předvádí se nám, jak stabilní ovládání je.
04:12
No matter how you throw it,
99
237000
2000
Nezáleží na tom, jak jej hodíte,
04:14
the robot recovers and comes back to him.
100
239000
4000
robot se stabilizuje a vrátí se k němu.
04:18
So why build robots like this?
101
243000
2000
A proč vyrábět roboty jako jsou tyto?
04:20
Well robots like this have many applications.
102
245000
3000
Nuže, takové roboty mají mnoho použití.
04:23
You can send them inside buildings like this
103
248000
3000
Můžete je vyslat do budov jako je tato
04:26
as first responders to look for intruders,
104
251000
3000
coby první průzkumníky hledající vetřelce,
04:29
maybe look for biochemical leaks,
105
254000
3000
případně hledající biochemické znečištění,
04:32
gaseous leaks.
106
257000
2000
úniky plynu.
04:34
You can also use them
107
259000
2000
Rovněž je můžete použít
04:36
for applications like construction.
108
261000
2000
pro stavbu.
04:38
So here are robots carrying beams, columns
109
263000
4000
Tady roboty přenášejí trámy a sloupy
04:42
and assembling cube-like structures.
110
267000
3000
a skládají krychlové struktury.
04:45
I'll tell you a little bit more about this.
111
270000
3000
Řeknu vám o tom trochu víc.
04:48
The robots can be used for transporting cargo.
112
273000
3000
Roboty lze použít pro přepravu nákladu.
04:51
So one of the problems with these small robots
113
276000
3000
Jeden z problémů s těmito roboty
04:54
is their payload carrying capacity.
114
279000
2000
je jejich nosnost.
04:56
So you might want to have multiple robots
115
281000
2000
Takže budeme možná chtít mnoho robotů
04:58
carry payloads.
116
283000
2000
pro přepravu nákladu.
05:00
This is a picture of a recent experiment we did --
117
285000
2000
Tohle je obrázek nedávného experimentu, který jsme dělali --
05:02
actually not so recent anymore --
118
287000
2000
vlastně už ne tak nedávného --
05:04
in Sendai shortly after the earthquake.
119
289000
3000
v Sendaji krátce po zemětřesení.
05:07
So robots like this could be sent into collapsed buildings
120
292000
3000
Roboty jako je tento mohou být poslány do bortících se budov,
05:10
to assess the damage after natural disasters,
121
295000
2000
aby zjistily poškození po živelních katastrofách
05:12
or sent into reactor buildings
122
297000
3000
nebo je lze poslat do reaktoru,
05:15
to map radiation levels.
123
300000
3000
aby prozkoumaly úroveň radiace.
05:19
So one fundamental problem
124
304000
2000
Jeden zásadní problém,
05:21
that the robots have to solve if they're to be autonomous
125
306000
3000
který roboty musí řešit, pokud mají být autonomní,
05:24
is essentially figuring out
126
309000
2000
je, jak vlastně vyřešit,
05:26
how to get from point A to point B.
127
311000
2000
jak se dostat z bodu A do bodu B.
05:28
So this gets a little challenging
128
313000
2000
Toto je celkem výzva,
05:30
because the dynamics of this robot are quite complicated.
129
315000
3000
protože dynamika tohoto robota je docela složitá.
05:33
In fact, they live in a 12-dimensional space.
130
318000
2000
Ve skutečnosti se pohybují ve dvanáctirozměrném prostoru.
05:35
So we use a little trick.
131
320000
2000
Takže používáme malý trik.
05:37
We take this curved 12-dimensional space
132
322000
3000
Vezmeme tento zakřivený dvanáctirozměrný prostor
05:40
and transform it
133
325000
2000
a přeměníme jej
05:42
into a flat four-dimensional space.
134
327000
2000
na plochý čtyřrozměrný prostor.
05:44
And that four-dimensional space
135
329000
2000
A tento čtyřrozměrný prostor
05:46
consists of X, Y, Z and then the yaw angle.
136
331000
3000
se skládá z os X, Y, Z a úhlu vybočení.
05:49
And so what the robot does
137
334000
2000
A tak co robot dělá,
05:51
is it plans what we call a minimum snap trajectory.
138
336000
4000
je, že plánuje něco, co nazýváme minimální snapová trasa.
05:55
So to remind you of physics,
139
340000
2000
Abych vám připomenul fyziku,
05:57
you have position, derivative, velocity,
140
342000
2000
rychlost je derivací dráhy,
05:59
then acceleration,
141
344000
2000
další derivací získáte zrychlení
06:01
and then comes jerk
142
346000
2000
a pak přichází ryv
06:03
and then comes snap.
143
348000
2000
a snap.
06:05
So this robot minimizes snap.
144
350000
3000
Takže tento robot minimalizuje snap.
06:08
So what that effectively does
145
353000
2000
Takže co efektivně dělá, je,
06:10
is produces a smooth and graceful motion.
146
355000
2000
že koná plynulý a elegantní pohyb.
06:12
And it does that avoiding obstacles.
147
357000
3000
A vyhýbá se překážkám.
06:15
So these minimum snap trajectories in this flat space
148
360000
3000
Tyto minimální snapové trasy v plochém prostoru
06:18
are then transformed back
149
363000
2000
jsou posléze převedeny zpět
06:20
into this complicated 12-dimensional space,
150
365000
2000
do komplikovaného dvanáctirozměrného prostoru,
06:22
which the robot must do
151
367000
2000
ve kterém se robot nachází,
06:24
for control and then execution.
152
369000
2000
pohybuje a jedná.
06:26
So let me show you some examples
153
371000
2000
Dovolte mi ukázat vám nějaké příklady
06:28
of what these minimum snap trajectories look like.
154
373000
2000
toho, jak tyto minimální snapové trasy vypadají.
06:30
And in the first video,
155
375000
2000
V prvním videu
06:32
you'll see the robot going from point A to point B
156
377000
2000
uvidíte robot, který se přesunuje z bodu A do bodu B
06:34
through an intermediate point.
157
379000
2000
skrze středový bod.
06:42
So the robot is obviously capable
158
387000
2000
Robot je očividně schopný
06:44
of executing any curve trajectory.
159
389000
2000
procházet jakkoli zakřivenou trasu.
06:46
So these are circular trajectories
160
391000
2000
Tohle jsou kruhové trasy,
06:48
where the robot pulls about two G's.
161
393000
3000
kde na robota působí přetížení kolem 2 G.
06:52
Here you have overhead motion capture cameras on the top
162
397000
4000
Robot má na zádech kamery,
06:56
that tell the robot where it is 100 times a second.
163
401000
3000
které mu říkají, kde je -- 100krát za sekundu.
06:59
It also tells the robot where these obstacles are.
164
404000
3000
Rovněž robotu říkají, kde jsou překážky.
07:02
And the obstacles can be moving.
165
407000
2000
A překážky se mohou pohybovat.
07:04
And here you'll see Daniel throw this hoop into the air,
166
409000
3000
Tady uvidíte Daniela, jak háže obruč do vzduchu,
07:07
while the robot is calculating the position of the hoop
167
412000
2000
zatímco robot si spočítá polohu obruče
07:09
and trying to figure out how to best go through the hoop.
168
414000
4000
a snaží se vyřešit, jak nejlépe jí proletět.
07:13
So as an academic,
169
418000
2000
Jako akademičtí pracovníci
07:15
we're always trained to be able to jump through hoops to raise funding for our labs,
170
420000
3000
jsme byli vždy cvičeni ke skákání obručemi, abychom získali finance pro naše laboratoře,
07:18
and we get our robots to do that.
171
423000
3000
a tak jsme to naučili i roboty.
07:21
(Applause)
172
426000
6000
(Potlesk)
07:27
So another thing the robot can do
173
432000
2000
Jiná věc, kterou robot dovede,
07:29
is it remembers pieces of trajectory
174
434000
3000
je, že si pamatuje trasu,
07:32
that it learns or is pre-programmed.
175
437000
2000
kterou se naučí nebo mu je předprogramována.
07:34
So here you see the robot
176
439000
2000
Tady vidíte robot,
07:36
combining a motion
177
441000
2000
který kombinuje pohyby,
07:38
that builds up momentum
178
443000
2000
čímž získá hybnost,
07:40
and then changes its orientation and then recovers.
179
445000
3000
a pak změní svoji orientaci a poté se dostává do výchozí polohy.
07:43
So it has to do this because this gap in the window
180
448000
3000
Musí to udělat, protože díra v okně
07:46
is only slightly larger than the width of the robot.
181
451000
4000
je pouze o trošku větší než je šířka robota.
07:50
So just like a diver stands on a springboard
182
455000
3000
Podobně jako skokan stojící na odrazovém můstku,
07:53
and then jumps off it to gain momentum,
183
458000
2000
si poskočí, aby získal hybnost,
07:55
and then does this pirouette, this two and a half somersault through
184
460000
3000
pak provede piruetu, tohle dvou a půl salto,
07:58
and then gracefully recovers,
185
463000
2000
a pak se půvabně vrátí do výchozí pozice,
08:00
this robot is basically doing that.
186
465000
2000
tento robot v podstatě tohle dělá.
08:02
So it knows how to combine little bits and pieces of trajectories
187
467000
3000
Takže ví, jak kombinovat malé části tras tak,
08:05
to do these fairly difficult tasks.
188
470000
4000
aby provedl tyhle vskutku náročné úkony.
08:09
So I want change gears.
189
474000
2000
A teď druhá strana mince.
08:11
So one of the disadvantages of these small robots is its size.
190
476000
3000
Jedna z nevýhod těchto malých robotů je jejich velikost.
08:14
And I told you earlier
191
479000
2000
Jak jsem řekl již dříve,
08:16
that we may want to employ lots and lots of robots
192
481000
2000
budeme možná chtít využít mnoho a mnoho těchto robotů
08:18
to overcome the limitations of size.
193
483000
3000
k překonání omezení daných jejich velikostí.
08:21
So one difficulty
194
486000
2000
Jedna obtížnost je,
08:23
is how do you coordinate lots of these robots?
195
488000
3000
jak koordinovat množství těchto robotů?
08:26
And so here we looked to nature.
196
491000
2000
A tak jsme se inspirovali u přírody.
08:28
So I want to show you a clip
197
493000
2000
Chci vám ukázat nahrávku
08:30
of Aphaenogaster desert ants
198
495000
2000
pouštních mravenců rodu Aphaenogaster,
08:32
in Professor Stephen Pratt's lab carrying an object.
199
497000
3000
kteří v laboratoři profesora Stephena Pratta přenášejí předmět.
08:35
So this is actually a piece of fig.
200
500000
2000
Tohle je kousek fíku.
08:37
Actually you take any object coated with fig juice
201
502000
2000
Každý předmět pokrytý fíkovým džusem
08:39
and the ants will carry them back to the nest.
202
504000
3000
si budou chtít přinést zpátky do mraveniště.
08:42
So these ants don't have any central coordinator.
203
507000
3000
Tihle mravenci nemají žádného ústředního koordinátora.
08:45
They sense their neighbors.
204
510000
2000
Vnímají své sousedy.
08:47
There's no explicit communication.
205
512000
2000
Není zde žádná explicitní komunikace.
08:49
But because they sense the neighbors
206
514000
2000
Protože vnímají jeden druhého,
08:51
and because they sense the object,
207
516000
2000
a protože vnímají předmět,
08:53
they have implicit coordination across the group.
208
518000
3000
mají implicitní koordinaci napříč skupinou.
08:56
So this is the kind of coordination
209
521000
2000
Tohle je typ koordinace,
08:58
we want our robots to have.
210
523000
3000
který chceme pro naše roboty.
09:01
So when we have a robot
211
526000
2000
Takže když máme robot,
09:03
which is surrounded by neighbors --
212
528000
2000
který je obklopen svými sousedy --
09:05
and let's look at robot I and robot J --
213
530000
2000
podívejme se na robot I a robot J --
09:07
what we want the robots to do
214
532000
2000
co chceme, aby tyto roboty udělaly,
09:09
is to monitor the separation between them
215
534000
3000
je, aby sledovaly vzdálenost mezi sebou,
09:12
as they fly in formation.
216
537000
2000
když letí ve formaci.
09:14
And then you want to make sure
217
539000
2000
A pak chceme zajistit
09:16
that this separation is within acceptable levels.
218
541000
2000
aby tato vzdálenost mezi nimi byla v přijatelných mezích.
09:18
So again the robots monitor this error
219
543000
3000
Roboty tak sledují odchylky
09:21
and calculate the control commands
220
546000
2000
a vypočítávají řídicí příkazy
09:23
100 times a second,
221
548000
2000
100krát za sekundu,
09:25
which then translates to the motor commands 600 times a second.
222
550000
3000
které posléze převádějí na příkazy motoru 600krát za sekundu.
09:28
So this also has to be done
223
553000
2000
Tohle musí být prováděno
09:30
in a decentralized way.
224
555000
2000
decentralizovaně.
09:32
Again, if you have lots and lots of robots,
225
557000
2000
Opět, pokud máte mnoho těchto robotů,
09:34
it's impossible to coordinate all this information centrally
226
559000
4000
je nemožné koordinovat všechny informace centrálně
09:38
fast enough in order for the robots to accomplish the task.
227
563000
3000
dostatečně rychle, aby roboty úspěšně splnily úkol.
09:41
Plus the robots have to base their actions
228
566000
2000
Navíc roboty musí zakládat své jednání
09:43
only on local information,
229
568000
2000
pouze na lokálních informacích,
09:45
what they sense from their neighbors.
230
570000
2000
které získávají od svých sousedů.
09:47
And then finally,
231
572000
2000
A nakonec,
09:49
we insist that the robots be agnostic
232
574000
2000
trváme na tom, aby roboty byly agnostické
09:51
to who their neighbors are.
233
576000
2000
k tomu, kdo jsou jejich sousedé.
09:53
So this is what we call anonymity.
234
578000
3000
Tohle nazýváme anonymita.
09:56
So what I want to show you next
235
581000
2000
Co vám chci ukázat dále,
09:58
is a video
236
583000
2000
je video
10:00
of 20 of these little robots
237
585000
3000
dvaceti těchto malých robotů
10:03
flying in formation.
238
588000
2000
letících ve formaci.
10:05
They're monitoring their neighbors' position.
239
590000
3000
Sledují pozice svých sousedů.
10:08
They're maintaining formation.
240
593000
2000
Udržují formaci.
10:10
The formations can change.
241
595000
2000
Formace se mohou měnit.
10:12
They can be planar formations,
242
597000
2000
Mohou to být rovinné formace,
10:14
they can be three-dimensional formations.
243
599000
2000
mohou to být trojrozměrné formace.
10:16
As you can see here,
244
601000
2000
Jak můžete vidět tady,
10:18
they collapse from a three-dimensional formation into planar formation.
245
603000
3000
mohou přejít z třírozměrné formace do rovinné formace.
10:21
And to fly through obstacles
246
606000
2000
A aby překonaly překážky,
10:23
they can adapt the formations on the fly.
247
608000
4000
mohou přizpůsobovat formaci během letu.
10:27
So again, these robots come really close together.
248
612000
3000
Znovu, tyhle malé roboty mohou letět velmi blízko sebe.
10:30
As you can see in this figure-eight flight,
249
615000
2000
Jak můžete vidět v tomto letu ve tvaru čísla 8,
10:32
they come within inches of each other.
250
617000
2000
létají od sebe ve vzdálenosti palců (centimetrů).
10:34
And despite the aerodynamic interactions
251
619000
3000
A přes aerodynamické interakce
10:37
of these propeller blades,
252
622000
2000
rotorových listů,
10:39
they're able to maintain stable flight.
253
624000
2000
jsou schopné udržovat stabilní let.
10:41
(Applause)
254
626000
7000
(Potlesk)
10:48
So once you know how to fly in formation,
255
633000
2000
Takže když už jednou víte, jak letět ve formaci,
10:50
you can actually pick up objects cooperatively.
256
635000
2000
můžete zvedat ve spolupráci předměty.
10:52
So this just shows
257
637000
2000
Tohle ukazuje,
10:54
that we can double, triple, quadruple
258
639000
3000
že můžeme zdvojnásobit, ztrojnásobit či zčtyřnásobit
10:57
the robot strength
259
642000
2000
sílu robota
10:59
by just getting them to team with neighbors, as you can see here.
260
644000
2000
jen jeho přidáním do týmu s jeho sousedy, jak můžete vidět zde.
11:01
One of the disadvantages of doing that
261
646000
3000
Jedna z nevýhod tohoto řešení
11:04
is, as you scale things up --
262
649000
2000
je, když se takto věci zvětší --
11:06
so if you have lots of robots carrying the same thing,
263
651000
2000
když máte mnoho robotů nesoucích jednu věc,
11:08
you're essentially effectively increasing the inertia,
264
653000
3000
v podstatě efektivně stoupá setrvačnost
11:11
and therefore you pay a price; they're not as agile.
265
656000
3000
a tedy vás to něco stojí -- nejsou tak mrštní.
11:14
But you do gain in terms of payload carrying capacity.
266
659000
3000
Nicméně zisk je ve smyslu nosnosti.
11:17
Another application I want to show you --
267
662000
2000
Jiné použití, které vám chci předvést --
11:19
again, this is in our lab.
268
664000
2000
opět, tohle je v naší laboratoři.
11:21
This is work done by Quentin Lindsey who's a graduate student.
269
666000
2000
Tohle je práce Quentina Lindseye, který je postgraduální student.
11:23
So his algorithm essentially tells these robots
270
668000
3000
Jeho algoritmy v zásadě těmto robotům říkají,
11:26
how to autonomously build
271
671000
2000
jak samostatně stavět
11:28
cubic structures
272
673000
2000
krychlové struktury
11:30
from truss-like elements.
273
675000
3000
z trámovitých elementů.
11:33
So his algorithm tells the robot
274
678000
2000
Jeho algoritmy robotům říkají,
11:35
what part to pick up,
275
680000
2000
kterou část vzít,
11:37
when and where to place it.
276
682000
2000
kdy a jak ji umístit.
11:39
So in this video you see --
277
684000
2000
V tomto videu vidíte --
11:41
and it's sped up 10, 14 times --
278
686000
2000
je zrychleno 10- až 14krát --
11:43
you see three different structures being built by these robots.
279
688000
3000
vidíte tři rozdílné struktury, které tyhle roboty staví.
11:46
And again, everything is autonomous,
280
691000
2000
A opět, všechno je to samostatné,
11:48
and all Quentin has to do
281
693000
2000
a všechno, co Quentin musí udělat,
11:50
is to get them a blueprint
282
695000
2000
je dát jim plánek
11:52
of the design that he wants to build.
283
697000
4000
stavby, kterou chce, aby postavily.
11:56
So all these experiments you've seen thus far,
284
701000
3000
Všechny tyhle experimenty, které jste dosud viděli,
11:59
all these demonstrations,
285
704000
2000
všechny tyto demonstrace,
12:01
have been done with the help of motion capture systems.
286
706000
3000
byly provedeny s pomocí systémů pro snímání pohybů.
12:04
So what happens when you leave your lab
287
709000
2000
Co se stane, když opustíte laboratoř
12:06
and you go outside into the real world?
288
711000
3000
a půjdete do skutečného světa?
12:09
And what if there's no GPS?
289
714000
3000
A co když zde není GPS?
12:12
So this robot
290
717000
2000
Takže tento robot
12:14
is actually equipped with a camera
291
719000
2000
je vybavený kamerou
12:16
and a laser rangefinder, laser scanner.
292
721000
3000
a laserovým dálkoměrem, laserovým scannerem.
12:19
And it uses these sensors
293
724000
2000
A používá tyto senzory
12:21
to build a map of the environment.
294
726000
2000
k vybudování mapy prostředí.
12:23
What that map consists of are features --
295
728000
3000
Tato mapa se skládá z prvků --
12:26
like doorways, windows,
296
731000
2000
jako jsou dveře, okna,
12:28
people, furniture --
297
733000
2000
lidé, nábytek --
12:30
and it then figures out where its position is
298
735000
2000
a pak zjišťuje, kde se nachází
12:32
with respect to the features.
299
737000
2000
vzhledem k nim.
12:34
So there is no global coordinate system.
300
739000
2000
Není zde žádný globální souřadnicový systém.
12:36
The coordinate system is defined based on the robot,
301
741000
3000
Souřadnicový systém je určen dle robota,
12:39
where it is and what it's looking at.
302
744000
3000
kde je a na co se dívá.
12:42
And it navigates with respect to those features.
303
747000
3000
A navádí jej s ohledem na tyto prvky.
12:45
So I want to show you a clip
304
750000
2000
Chci vám ukázat nahrávku
12:47
of algorithms developed by Frank Shen
305
752000
2000
algoritmů vyvinutých Frankem Shenem
12:49
and Professor Nathan Michael
306
754000
2000
a profesorem Nathanem Michaelem,
12:51
that shows this robot entering a building for the very first time
307
756000
4000
která ukazuje tohoto robota vstupujícího úplně poprvé do budovy.
12:55
and creating this map on the fly.
308
760000
3000
A vytvářejícího tuto mapu za letu.
12:58
So the robot then figures out what the features are.
309
763000
3000
Robot pak zjistí, jaké prvky tu jsou.
13:01
It builds the map.
310
766000
2000
A vybuduje si mapu.
13:03
It figures out where it is with respect to the features
311
768000
2000
Zjistí, kde je s ohledem k těmto prvkům
13:05
and then estimates its position
312
770000
2000
a poté odhadne svoji pozici,
13:07
100 times a second
313
772000
2000
a to 100krát za sekundu,
13:09
allowing us to use the control algorithms
314
774000
2000
což mu dovolují řídicí algoritmy,
13:11
that I described to you earlier.
315
776000
2000
které jsem popsal dříve.
13:13
So this robot is actually being commanded
316
778000
2000
Tento robot je ovládán
13:15
remotely by Frank.
317
780000
2000
dálkově Frankem.
13:17
But the robot can also figure out
318
782000
2000
Ale robot dovede zjistit,
13:19
where to go on its own.
319
784000
2000
kam jít, i zcela sám.
13:21
So suppose I were to send this into a building
320
786000
2000
Představme si, že jsem jej poslal do budovy
13:23
and I had no idea what this building looked like,
321
788000
2000
a nemám vůbec žádnou představu, jak budova vypadá,
13:25
I can ask this robot to go in,
322
790000
2000
mohu poslat robota dovnitř,
13:27
create a map
323
792000
2000
aby vytvořil mapu,
13:29
and then come back and tell me what the building looks like.
324
794000
3000
a pak se vrátil a řekl mi, jak budova vypadá.
13:32
So here, the robot is not only solving the problem,
325
797000
3000
A tak zde, robot neřeší jenom problém,
13:35
how to go from point A to point B in this map,
326
800000
3000
jak se dostat z místa A do místa B na této mapě,
13:38
but it's figuring out
327
803000
2000
ale zjišťuje,
13:40
what the best point B is at every time.
328
805000
2000
co je bod B.
13:42
So essentially it knows where to go
329
807000
3000
V podstatě ví, kam jít,
13:45
to look for places that have the least information.
330
810000
2000
aby se podíval po místech, o kterých má nejméně informací.
13:47
And that's how it populates this map.
331
812000
3000
A tak zaplňuje tuto mapu.
13:50
So I want to leave you
332
815000
2000
Chci svou řeč ukončit
13:52
with one last application.
333
817000
2000
s ještě jednou aplikací.
13:54
And there are many applications of this technology.
334
819000
3000
Existuje mnoho použití této technologie,
13:57
I'm a professor, and we're passionate about education.
335
822000
2000
a jako profesor jsem nadšený výukou.
13:59
Robots like this can really change the way
336
824000
2000
Roboty jako tyto mohou změnit způsob,
14:01
we do K through 12 education.
337
826000
2000
jak provádíme výuku na prvních dvou stupních.
14:03
But we're in Southern California,
338
828000
2000
Ale jsme v jižní Kalifornii,
14:05
close to Los Angeles,
339
830000
2000
blízko Los Angeles,
14:07
so I have to conclude
340
832000
2000
takže musím vše shrnout
14:09
with something focused on entertainment.
341
834000
2000
něčím, co je zaměřeno na zábavu.
14:11
I want to conclude with a music video.
342
836000
2000
Chci vše shrnout jedním hudebním klipem.
14:13
I want to introduce the creators, Alex and Daniel,
343
838000
3000
Chci vám představit autory, Alexe a Daniela,
14:16
who created this video.
344
841000
2000
kteří vyrobili toto video.
14:18
(Applause)
345
843000
7000
(Potlesk)
14:25
So before I play this video,
346
850000
2000
Předtím, než pustím video,
14:27
I want to tell you that they created it in the last three days
347
852000
3000
chci vám říct, že jej vyráběli v posledních třech dnech,
14:30
after getting a call from Chris.
348
855000
2000
po Chrisově telefonátu.
14:32
And the robots that play the video
349
857000
2000
A roboty ve videu
14:34
are completely autonomous.
350
859000
2000
jsou zcela autonomní.
14:36
You will see nine robots play six different instruments.
351
861000
3000
Uvidíte devět robotů hrajících na šest různých nástrojů.
14:39
And of course, it's made exclusively for TED 2012.
352
864000
4000
A je samozřejmě vytvořeno exkluzivně pro TED 2012.
14:43
Let's watch.
353
868000
3000
Dívejte se.
15:19
(Music)
354
904000
10000
(Hudba)
16:23
(Applause)
355
968000
17000
(Potlesk)
ABOUT THE SPEAKER
Vijay Kumar - RoboticistAs the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations.
Why you should listen
At the General Robotics, Automation, Sensing and Perception (GRASP) Lab at the University of Pennsylvania, flying quadrotor robots move together in eerie formation, tightening themselves into perfect battalions, even filling in the gap when one of their own drops out. You might have seen viral videos of the quads zipping around the netting-draped GRASP Lab (they juggle! they fly through a hula hoop!). Vijay Kumar headed this lab from 1998-2004. He's now the dean of the School of Engineering and Applied Science at the University of Pennsylvania in Philadelphia, where he continues his work in robotics, blending computer science and mechanical engineering to create the next generation of robotic wonders.
Vijay Kumar | Speaker | TED.com