TEDxPenn
Vijay Kumar: The future of flying robots
Vijay Kumar: Le futur des robots volants
Filmed:
Readability: 4.9
1,780,679 views
Dans leur labo de l'Université de Pennsylvanie, Vijay Kumar et son équipe ont créé des robots capables de voler en autonomie, inspirés des abeilles. Leur dernier terrain de jeu ? L'agriculture de précision. Des essaims de robots cartographient, reproduisent en 3D et analyse chaque plante et fruit d'un verger, fournissant aux agriculteurs des informations cruciales pour améliorer leurs rendements et rendre plus efficace leur gestion de l'eau.
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.
00:13
In my lab, we build
autonomous aerial robots
autonomous aerial robots
0
1280
3656
Dans mon labo, on construit des robots
qui peuvent voler en autonomie,
qui peuvent voler en autonomie,
comme celui que vous voyez ici.
00:16
like the one you see flying here.
1
4960
1880
00:20
Unlike the commercially available drones
that you can buy today,
that you can buy today,
2
8720
3696
Contrairement aux drones que l'on peut
acheter dans le commerce de nos jours,
acheter dans le commerce de nos jours,
00:24
this robot doesn't have any GPS on board.
3
12440
2640
celui-ci n'est pas équipé de GPS.
00:28
So without GPS,
4
16160
1216
Donc, sans GPS,
00:29
it's hard for robots like this
to determine their position.
to determine their position.
5
17400
3280
c'est difficile pour ce genre de robot
de déterminer sa position.
de déterminer sa position.
00:34
This robot uses onboard sensors,
cameras and laser scanners,
cameras and laser scanners,
6
22240
4736
Il est donc équipé de capteurs,
caméras et lasers,
caméras et lasers,
utilisés pour scanner son
environnement.
environnement.
00:39
to scan the environment.
7
27000
1696
Le robot détecte ce qui se trouve
autour de lui,
autour de lui,
00:40
It detects features from the environment,
8
28720
3056
et utilise ces données
pour déterminer sa position relative
pour déterminer sa position relative
00:43
and it determines where it is
relative to those features,
relative to those features,
9
31800
2736
simplement en triangulant.
00:46
using a method of triangulation.
10
34560
2136
Il peut ensuite créer une carte
à partir de ces données,
à partir de ces données,
00:48
And then it can assemble
all these features into a map,
all these features into a map,
11
36720
3456
comme celle qui s'affiche derrière moi.
00:52
like you see behind me.
12
40200
1736
00:53
And this map then allows the robot
to understand where the obstacles are
to understand where the obstacles are
13
41960
3936
Cette carte permet ensuite au robot de
savoir où se trouvent les obstacles
savoir où se trouvent les obstacles
00:57
and navigate in a collision-free manner.
14
45920
2720
et donc de naviguer en évitant
les collisions.
les collisions.
01:01
What I want to show you next
15
49160
2096
Maintenant, je voudrais vous montrer
une série d'expériences réalisées
dans notre laboratoire,
dans notre laboratoire,
01:03
is a set of experiments
we did inside our laboratory,
we did inside our laboratory,
16
51280
3216
où ce robot a pu parcourir
des distances plus grandes.
des distances plus grandes.
01:06
where this robot was able
to go for longer distances.
to go for longer distances.
17
54520
3480
01:10
So here you'll see, on the top right,
what the robot sees with the camera.
what the robot sees with the camera.
18
58400
5016
En haut à droite, vous pouvez voir
ce que le robot voit à travers la caméra.
ce que le robot voit à travers la caméra.
Et sur l'écran principal,
01:15
And on the main screen --
19
63440
1216
- la vitesse de la vidéo est multipliée
par quatre -
par quatre -
01:16
and of course this is sped up
by a factor of four --
by a factor of four --
20
64680
2456
01:19
on the main screen you'll see
the map that it's building.
the map that it's building.
21
67160
2667
vous pouvez voir la carte
que le robot dessine.
que le robot dessine.
01:21
So this is a high-resolution map
of the corridor around our laboratory.
of the corridor around our laboratory.
22
69851
4285
On a donc une carte en haute résolution
du couloir autour du labo.
du couloir autour du labo.
Et bientôt, vous allez le voir
entrer dans le labo,
entrer dans le labo,
01:26
And in a minute
you'll see it enter our lab,
you'll see it enter our lab,
23
74160
2336
que l'on reconnaît facilement
au désordre qui y règne.
au désordre qui y règne.
01:28
which is recognizable
by the clutter that you see.
by the clutter that you see.
24
76520
2856
01:31
(Laughter)
25
79400
1016
(Rires)
01:32
But the main point I want to convey to you
26
80440
2007
Ce que je voulais vous faire comprendre,
01:34
is that these robots are capable
of building high-resolution maps
of building high-resolution maps
27
82472
3584
c'est que ces robots sont capables
de dessiner des plans en haute résolution
de dessiner des plans en haute résolution
à 5 cm près,
01:38
at five centimeters resolution,
28
86080
2496
ce qui permet à quelqu'un à l'extérieur
du laboratoire ou même du bâtiment
du laboratoire ou même du bâtiment
01:40
allowing somebody who is outside the lab,
or outside the building
or outside the building
29
88600
4176
01:44
to deploy these
without actually going inside,
without actually going inside,
30
92800
3216
de les contrôler sans avoir besoin
d'aller à l'intérieur,
d'aller à l'intérieur,
01:48
and trying to infer
what happens inside the building.
what happens inside the building.
31
96040
3760
et d’interagir avec ce qui se passe dans
le bâtiment.
le bâtiment.
01:52
Now there's one problem
with robots like this.
with robots like this.
32
100400
2240
Cela dit, ces robots posent un problème.
01:55
The first problem is it's pretty big.
33
103600
2200
D'abord, ils sont grands.
01:58
Because it's big, it's heavy.
34
106120
1680
Donc, ils sont lourds.
02:00
And these robots consume
about 100 watts per pound.
about 100 watts per pound.
35
108640
3040
Et ils consomment environ
100 watts par livre,
100 watts par livre,
02:04
And this makes for
a very short mission life.
a very short mission life.
36
112360
2280
donc les missions ne peuvent
être que très courtes.
être que très courtes.
02:08
The second problem
37
116000
1456
Ensuite, les capteurs
dont ils sont équipés
dont ils sont équipés
02:09
is that these robots have onboard sensors
that end up being very expensive --
that end up being very expensive --
38
117480
3896
finissent par revenir très cher :
02:13
a laser scanner, a camera
and the processors.
and the processors.
39
121400
3440
un scanneur laser, une caméra,
plus les processeurs.
plus les processeurs.
02:17
That drives up the cost of this robot.
40
125280
3040
Cela augmente encore le prix du robot.
02:21
So we asked ourselves a question:
41
129440
2656
Donc nous nous sommes posé la question :
02:24
what consumer product
can you buy in an electronics store
can you buy in an electronics store
42
132120
3776
quel bien de consommation peut-on
acheter dans un magasin d'électronique,
acheter dans un magasin d'électronique,
02:27
that is inexpensive, that's lightweight,
that has sensing onboard and computation?
that has sensing onboard and computation?
43
135920
6280
qui soit bon marché, léger, programmable,
et dispose de capteurs ?
et dispose de capteurs ?
02:36
And we invented the flying phone.
44
144080
2656
Et nous avons inventé le téléphone volant.
02:38
(Laughter)
45
146760
1936
(Rires)
02:40
So this robot uses a Samsung Galaxy
smartphone that you can buy off the shelf,
smartphone that you can buy off the shelf,
46
148720
6176
Ce robot utilise donc un Samsung Galaxy,
que vous pouvez acheter en magasin,
que vous pouvez acheter en magasin,
02:46
and all you need is an app that you
can download from our app store.
can download from our app store.
47
154920
4016
et tout ce dont vous avez besoin est
de télécharger notre application.
de télécharger notre application.
02:50
And you can see this robot
reading the letters, "TED" in this case,
reading the letters, "TED" in this case,
48
158960
4216
Vous pouvez voir ce robot lire
les lettres « TED »,
les lettres « TED »,
02:55
looking at the corners
of the "T" and the "E"
of the "T" and the "E"
49
163200
2936
observer les coins du T et du E,
02:58
and then triangulating off of that,
flying autonomously.
flying autonomously.
50
166160
3480
et voler en autonomie,
en se repérant grâce à ça.
en se repérant grâce à ça.
03:02
That joystick is just there
to make sure if the robot goes crazy,
to make sure if the robot goes crazy,
51
170720
3256
La manette est juste là au cas où :
si le robot bascule du côté obscur,
si le robot bascule du côté obscur,
03:06
Giuseppe can kill it.
52
174000
1416
Giuseppe pourra l'éliminer.
03:07
(Laughter)
53
175440
1640
(Rires)
03:10
In addition to building
these small robots,
these small robots,
54
178920
3816
En plus de ces petits robots,
03:14
we also experiment with aggressive
behaviors, like you see here.
behaviors, like you see here.
55
182760
4800
nous travaillons sur des comportements
plus agressifs, comme celui-ci.
plus agressifs, comme celui-ci.
03:19
So this robot is now traveling
at two to three meters per second,
at two to three meters per second,
56
187920
5296
Ce robot se déplace à deux ou trois
mètres par seconde,
mètres par seconde,
03:25
pitching and rolling aggressively
as it changes direction.
as it changes direction.
57
193240
3496
et il tangue et roule agressivement
quand il change de direction.
quand il change de direction.
03:28
The main point is we can have
smaller robots that can go faster
smaller robots that can go faster
58
196760
4256
L'essentiel, c'est que nous pouvons
construire de robots plus petits,
construire de robots plus petits,
qui se déplacent très vite dans
des milieux sans structure.
des milieux sans structure.
03:33
and then travel in these
very unstructured environments.
very unstructured environments.
59
201040
2960
03:37
And in this next video,
60
205120
2056
Dans la vidéo suivante,
03:39
just like you see this bird, an eagle,
gracefully coordinating its wings,
gracefully coordinating its wings,
61
207200
5896
tout comme cet aigle coordonne avec grâce
03:45
its eyes and feet
to grab prey out of the water,
to grab prey out of the water,
62
213120
4296
ses ailes, ses yeux et ses serres pour
sortir sa proie de l'eau,
sortir sa proie de l'eau,
vous pouvez voir notre robot
partir à la pêche.
partir à la pêche.
03:49
our robot can go fishing, too.
63
217440
1896
03:51
(Laughter)
64
219360
1496
(Rires)
03:52
In this case, this is a Philly cheesesteak
hoagie that it's grabbing out of thin air.
hoagie that it's grabbing out of thin air.
65
220880
4056
Dans son cas, il attrape
un sandwich au vol.
un sandwich au vol.
03:56
(Laughter)
66
224960
2400
(Rires)
03:59
So you can see this robot
going at about three meters per second,
going at about three meters per second,
67
227680
3296
Ce robot vole donc à environ 3 m/s,
c'est-à-dire plus vite que
c'est-à-dire plus vite que
04:03
which is faster than walking speed,
coordinating its arms, its claws
coordinating its arms, its claws
68
231000
5136
quelqu'un qui marche, en coordonnant
ses bras, ses pinces et son vol
ses bras, ses pinces et son vol
04:08
and its flight with split-second timing
to achieve this maneuver.
to achieve this maneuver.
69
236160
4120
avec un timing à la seconde près qui lui
permet d'effectuer cette manœuvre.
permet d'effectuer cette manœuvre.
Dans une autre expérience,
04:14
In another experiment,
70
242120
1216
04:15
I want to show you
how the robot adapts its flight
how the robot adapts its flight
71
243360
3656
je veux vous montrer comme le robot
adapte son plan de vol
adapte son plan de vol
04:19
to control its suspended payload,
72
247040
2376
pour contrôler son chargement
en suspension,
en suspension,
04:21
whose length is actually larger
than the width of the window.
than the width of the window.
73
249440
3800
qui est plus long que la hauteur de
la structure dans laquelle il doit passer.
la structure dans laquelle il doit passer.
04:25
So in order to accomplish this,
74
253680
1696
Pour accomplir cet exploit,
04:27
it actually has to pitch
and adjust the altitude
and adjust the altitude
75
255400
3696
il doit tanguer, ajuster son altitude,
et faire passer le chargement
et faire passer le chargement
04:31
and swing the payload through.
76
259120
2320
avec un effet de balancier.
Mais bien sûr, nous avons voulu faire
encore plus petit,
encore plus petit,
04:38
But of course we want
to make these even smaller,
to make these even smaller,
77
266920
2296
04:41
and we're inspired
in particular by honeybees.
in particular by honeybees.
78
269240
3016
en nous inspirant particulièrement
des abeilles.
des abeilles.
04:44
So if you look at honeybees,
and this is a slowed down video,
and this is a slowed down video,
79
272280
3256
Regardez les abeilles,
dans cette vidéo ralentie.
dans cette vidéo ralentie.
04:47
they're so small,
the inertia is so lightweight --
the inertia is so lightweight --
80
275560
3720
Elles sont si petites,
et soumises à si peu d'inertie,
et soumises à si peu d'inertie,
04:51
(Laughter)
81
279960
1176
(Rires)
04:53
that they don't care --
they bounce off my hand, for example.
they bounce off my hand, for example.
82
281160
3536
qu'elles n'en ont rien à faire :
elles rebondissent sur ma main.
elles rebondissent sur ma main.
04:56
This is a little robot
that mimics the honeybee behavior.
that mimics the honeybee behavior.
83
284720
3160
Ce petit robot imite le comportement
des abeilles.
des abeilles.
Et plus il est petit, mieux c'est,
05:00
And smaller is better,
84
288600
1216
05:01
because along with the small size
you get lower inertia.
you get lower inertia.
85
289840
3536
car l'inertie diminue avec la taille.
05:05
Along with lower inertia --
86
293400
1536
Et plus l'inertie est faible...
05:06
(Robot buzzing, laughter)
87
294960
2856
(Le robot bourdonne - Rires)
Plus l'inertie est faible,
mieux vous résistez aux collisions.
mieux vous résistez aux collisions.
05:09
along with lower inertia,
you're resistant to collisions.
you're resistant to collisions.
88
297840
2816
05:12
And that makes you more robust.
89
300680
1720
Et cela vous rend plus solide.
Donc nous construisons des petits robots,
comme des abeilles.
comme des abeilles.
05:15
So just like these honeybees,
we build small robots.
we build small robots.
90
303800
2656
05:18
And this particular one
is only 25 grams in weight.
is only 25 grams in weight.
91
306480
3376
Celui-ci, par exemple, ne pèse que 25 g,
05:21
It consumes only six watts of power.
92
309880
2160
ne consomme que 6 W,
05:24
And it can travel
up to six meters per second.
up to six meters per second.
93
312440
2536
et peut voler jusqu'à 6 m/s.
05:27
So if I normalize that to its size,
94
315000
2336
Donc, si on met ça à l'échelle,
05:29
it's like a Boeing 787 traveling
ten times the speed of sound.
ten times the speed of sound.
95
317360
3640
cela correspond à un Boeing 787 qui irait
à 3 fois la vitesse du son.
à 3 fois la vitesse du son.
05:36
(Laughter)
96
324000
2096
(Rires)
05:38
And I want to show you an example.
97
326120
1920
Je vais vous montrer un exemple.
05:40
This is probably the first planned mid-air
collision, at one-twentieth normal speed.
collision, at one-twentieth normal speed.
98
328840
5256
Voici probablement la première collision
en vol planifiée, ralentie 20 fois.
en vol planifiée, ralentie 20 fois.
05:46
These are going at a relative speed
of two meters per second,
of two meters per second,
99
334120
2858
La vitesse relative des robots
est de 2 m/s,
est de 2 m/s,
05:49
and this illustrates the basic principle.
100
337002
2480
ce qui illustre ce principe de base.
05:52
The two-gram carbon fiber cage around it
prevents the propellers from entangling,
prevents the propellers from entangling,
101
340200
4976
La cage en fibre de carbone, qui pèse 2 g,
évite aux hélices de s'emmêler,
évite aux hélices de s'emmêler,
05:57
but essentially the collision is absorbed
and the robot responds to the collisions.
and the robot responds to the collisions.
102
345200
5296
mais l'essentiel du choc est absorbé,
et le robot réagit à la collision.
et le robot réagit à la collision.
06:02
And so small also means safe.
103
350520
2560
Donc, plus petit veut aussi dire plus sûr.
06:05
In my lab, as we developed these robots,
104
353400
2016
Dans mon labo,
pour développer ces robots,
pour développer ces robots,
06:07
we start off with these big robots
105
355440
1620
nous avons commencé avec des gros,
06:09
and then now we're down
to these small robots.
to these small robots.
106
357084
2812
et maintenant nous en faisons
des tout petits.
des tout petits.
06:11
And if you plot a histogram
of the number of Band-Aids we've ordered
of the number of Band-Aids we've ordered
107
359920
3456
Et si vous faites un graphique
de notre consommation de pansements,
de notre consommation de pansements,
06:15
in the past, that sort of tailed off now.
108
363400
2576
vous verrez qu'elle est
quasiment nulle maintenant.
quasiment nulle maintenant.
06:18
Because these robots are really safe.
109
366000
1960
Tout ça parce que ces robots sont
vraiment sûrs.
vraiment sûrs.
06:20
The small size has some disadvantages,
110
368760
2456
Leur petite taille a ses inconvénients,
06:23
and nature has found a number of ways
to compensate for these disadvantages.
to compensate for these disadvantages.
111
371240
4080
mais la nature a trouvé
des moyens de les compenser.
des moyens de les compenser.
06:27
The basic idea is they aggregate
to form large groups, or swarms.
to form large groups, or swarms.
112
375960
4000
L'idée est de former de larges
groupes, des essaims.
groupes, des essaims.
06:32
So, similarly, in our lab,
we try to create artificial robot swarms.
we try to create artificial robot swarms.
113
380320
3976
Donc, au labo, on essaye de faire la même
chose, et de créer des essaims de robots.
chose, et de créer des essaims de robots.
06:36
And this is quite challenging
114
384320
1381
C'est un gros défi,
06:37
because now you have to think
about networks of robots.
about networks of robots.
115
385725
3320
parce qu'il faut réfléchir en termes de
réseau de robots.
réseau de robots.
06:41
And within each robot,
116
389360
1296
Et pour chaque robot,
06:42
you have to think about the interplay
of sensing, communication, computation --
of sensing, communication, computation --
117
390680
5616
il faut penser à la combinaison des sens,
de la communication, de la programmation.
de la communication, de la programmation.
06:48
and this network then becomes
quite difficult to control and manage.
quite difficult to control and manage.
118
396320
4960
Le réseau devient vite difficile
à contrôler et manœuvrer.
à contrôler et manœuvrer.
06:54
So from nature we take away
three organizing principles
three organizing principles
119
402160
3296
Donc nous nous inspirons des principes
d'organisation de la nature
d'organisation de la nature
06:57
that essentially allow us
to develop our algorithms.
to develop our algorithms.
120
405480
3160
pour développer nos algorithmes.
07:01
The first idea is that robots
need to be aware of their neighbors.
need to be aware of their neighbors.
121
409640
4536
La première idée est que chaque robot
prenne son voisin en compte.
prenne son voisin en compte.
07:06
They need to be able to sense
and communicate with their neighbors.
and communicate with their neighbors.
122
414200
3440
Il doit être capable de sentir
et de communiquer avec ses voisins.
et de communiquer avec ses voisins.
07:10
So this video illustrates the basic idea.
123
418040
2656
Cette vidéo illustre cette idée.
07:12
You have four robots --
124
420720
1296
Il y a quatre robots,
07:14
one of the robots has actually been
hijacked by a human operator, literally.
hijacked by a human operator, literally.
125
422040
4240
et l'un d'entre eux a été littéralement
détourné par un agent humain.
détourné par un agent humain.
Mais puisque les robots interagissent
les uns avec les autres,
les uns avec les autres,
07:19
But because the robots
interact with each other,
interact with each other,
126
427217
2239
07:21
they sense their neighbors,
127
429480
1656
ils localisent leur voisin,
07:23
they essentially follow.
128
431160
1296
et suivent le mouvement.
07:24
And here there's a single person
able to lead this network of followers.
able to lead this network of followers.
129
432480
5360
Et une seule personne peut contrôler
tout un réseau.
tout un réseau.
07:32
So again, it's not because all the robots
know where they're supposed to go.
know where they're supposed to go.
130
440000
5056
Encore une fois, ce n'est pas parce que
tous les robots savent où ils vont.
tous les robots savent où ils vont.
07:37
It's because they're just reacting
to the positions of their neighbors.
to the positions of their neighbors.
131
445080
4320
Ils réagissent juste
à la position de leurs voisins.
à la position de leurs voisins.
07:43
(Laughter)
132
451720
4120
(Rires)
07:48
So the next experiment illustrates
the second organizing principle.
the second organizing principle.
133
456280
5240
La prochaine expérience illustre
le deuxième principe d'organisation.
le deuxième principe d'organisation.
07:54
And this principle has to do
with the principle of anonymity.
with the principle of anonymity.
134
462920
3800
Ce principe, c'est celui de l'anonymat.
07:59
Here the key idea is that
135
467400
4296
L'idée est la suivante :
08:03
the robots are agnostic
to the identities of their neighbors.
to the identities of their neighbors.
136
471720
4240
les robots se fichent
de l'identité de leurs voisins.
de l'identité de leurs voisins.
08:08
They're asked to form a circular shape,
137
476440
2616
On leur a demandé de former un cercle,
08:11
and no matter how many robots
you introduce into the formation,
you introduce into the formation,
138
479080
3296
et quel que soit le nombre de robots
ajoutés à la formation,
ajoutés à la formation,
08:14
or how many robots you pull out,
139
482400
2576
ou retirés,
08:17
each robot is simply
reacting to its neighbor.
reacting to its neighbor.
140
485000
3136
chaque robot réagit simplement
par rapport à son voisin.
par rapport à son voisin.
08:20
It's aware of the fact that it needs
to form the circular shape,
to form the circular shape,
141
488160
4976
Il sait qu'il doit former un cercle,
08:25
but collaborating with its neighbors
142
493160
1776
mais en collaborant avec ses voisins,
08:26
it forms the shape
without central coordination.
without central coordination.
143
494960
3720
il forme le cercle
sans coordination globale.
sans coordination globale.
08:31
Now if you put these ideas together,
144
499520
2416
Donc, si on tient compte
de ces deux idées,
de ces deux idées,
08:33
the third idea is that we
essentially give these robots
essentially give these robots
145
501960
3896
la troisième est que
nous donnons à ces robots
nous donnons à ces robots
08:37
mathematical descriptions
of the shape they need to execute.
of the shape they need to execute.
146
505880
4296
des descriptions mathématiques
de la formation à exécuter.
de la formation à exécuter.
08:42
And these shapes can be varying
as a function of time,
as a function of time,
147
510200
3496
Ces formes peuvent varier dans le temps,
08:45
and you'll see these robots
start from a circular formation,
start from a circular formation,
148
513720
4496
et vous verrez les robots
commencer par un cercle,
commencer par un cercle,
08:50
change into a rectangular formation,
stretch into a straight line,
stretch into a straight line,
149
518240
3256
pour passer à un triangle,
s'étirer en ligne,
s'étirer en ligne,
et finalement revenir à une ellipse.
08:53
back into an ellipse.
150
521520
1375
08:54
And they do this with the same
kind of split-second coordination
kind of split-second coordination
151
522919
3617
Et ils font ça
avec la même coordination instantanée
avec la même coordination instantanée
que l'on trouve dans les vrais essaims,
dans la nature.
dans la nature.
08:58
that you see in natural swarms, in nature.
152
526560
3280
09:03
So why work with swarms?
153
531080
2136
Mais pourquoi travailler
avec des essaims ?
avec des essaims ?
09:05
Let me tell you about two applications
that we are very interested in.
that we are very interested in.
154
533240
4120
Laissez-moi vous parler des deux
applications qui nous intéressent le plus.
applications qui nous intéressent le plus.
09:10
The first one has to do with agriculture,
155
538160
2376
La première concerne l'agriculture,
09:12
which is probably the biggest problem
that we're facing worldwide.
that we're facing worldwide.
156
540560
3360
qui est certainement le défi mondial
le plus important.
le plus important.
09:16
As you well know,
157
544760
1256
Comme vous le savez,
09:18
one in every seven persons
in this earth is malnourished.
in this earth is malnourished.
158
546040
3520
une personne sur sept est en situation
de malnutrition.
de malnutrition.
09:21
Most of the land that we can cultivate
has already been cultivated.
has already been cultivated.
159
549920
3480
Nous cultivons presque
toutes les terres cultivables.
toutes les terres cultivables.
09:25
And the efficiency of most systems
in the world is improving,
in the world is improving,
160
553960
3216
L'efficacité de nombreux systèmes mondiaux
ne cesse de s'améliorer,
ne cesse de s'améliorer,
09:29
but our production system
efficiency is actually declining.
efficiency is actually declining.
161
557200
3520
mais notre système de production
est en déclin.
est en déclin.
09:33
And that's mostly because of water
shortage, crop diseases, climate change
shortage, crop diseases, climate change
162
561080
4216
Cela vient principalement du manque d'eau,
des maladies, du changement climatique,
des maladies, du changement climatique,
09:37
and a couple of other things.
163
565320
1520
et d'autres facteurs.
09:39
So what can robots do?
164
567360
1480
Qu'y peuvent les robots ?
09:41
Well, we adopt an approach that's
called Precision Farming in the community.
called Precision Farming in the community.
165
569200
4616
Nous avons adopté une approche appelée
l'agriculture de précision.
l'agriculture de précision.
09:45
And the basic idea is that we fly
aerial robots through orchards,
aerial robots through orchards,
166
573840
5376
Le principe est de faire voler
des robots dans des vergers,
des robots dans des vergers,
09:51
and then we build
precision models of individual plants.
precision models of individual plants.
167
579240
3120
pour construire des modèles
informatiques précis de chaque plante.
informatiques précis de chaque plante.
Comme avec la médecine personnalisée,
09:54
So just like personalized medicine,
168
582829
1667
09:56
while you might imagine wanting
to treat every patient individually,
to treat every patient individually,
169
584520
4816
où l'on traite chaque patient
individuellement,
individuellement,
10:01
what we'd like to do is build
models of individual plants
models of individual plants
170
589360
3696
nous voulons modéliser chaque plante,
10:05
and then tell the farmer
what kind of inputs every plant needs --
what kind of inputs every plant needs --
171
593080
4136
pour pouvoir dire à l'agriculteur
ce dont elles ont besoin individuellement.
ce dont elles ont besoin individuellement.
10:09
the inputs in this case being water,
fertilizer and pesticide.
fertilizer and pesticide.
172
597240
4440
Ici, ce serait de l'eau, de l'engrais
ou des pesticides.
ou des pesticides.
10:14
Here you'll see robots
traveling through an apple orchard,
traveling through an apple orchard,
173
602640
3616
Vous pouvez voir un robot se déplacer
dans une plantation de pommiers,
dans une plantation de pommiers,
et vous apercevrez bientôt
deux de ses compagnons,
deux de ses compagnons,
10:18
and in a minute you'll see
two of its companions
two of its companions
174
606280
2256
10:20
doing the same thing on the left side.
175
608560
1810
qui font le même travail à gauche.
10:22
And what they're doing is essentially
building a map of the orchard.
building a map of the orchard.
176
610800
3656
En gros, ils sont en train
de construire une carte du verger.
de construire une carte du verger.
A l'intérieur de la carte,
il y a une carte de chacun des arbres.
il y a une carte de chacun des arbres.
10:26
Within the map is a map
of every plant in this orchard.
of every plant in this orchard.
177
614480
2816
10:29
(Robot buzzing)
178
617320
1656
(le robot bourdonne)
10:31
Let's see what those maps look like.
179
619000
1896
Jetons un œil à ces cartes.
10:32
In the next video, you'll see the cameras
that are being used on this robot.
that are being used on this robot.
180
620920
4296
Dans la vidéo suivante, vous verrez
les caméras utilisées par ce robot.
les caméras utilisées par ce robot.
10:37
On the top-left is essentially
a standard color camera.
a standard color camera.
181
625240
3240
En haut à gauche,
une caméra classique ;
une caméra classique ;
10:41
On the left-center is an infrared camera.
182
629640
3296
au milieu, une caméra infrarouge ;
10:44
And on the bottom-left
is a thermal camera.
is a thermal camera.
183
632960
3776
et en bas, une caméra thermique.
10:48
And on the main panel, you're seeing
a three-dimensional reconstruction
a three-dimensional reconstruction
184
636760
3336
Sur l'écran principal, vous voyez
la reconstruction en 3D
la reconstruction en 3D
10:52
of every tree in the orchard
as the sensors fly right past the trees.
as the sensors fly right past the trees.
185
640120
6120
de chaque arbre du verger,
créée au fil de l'avancée des capteurs.
créée au fil de l'avancée des capteurs.
10:59
Armed with information like this,
we can do several things.
we can do several things.
186
647640
4040
Avec ces informations,
nous pouvons faire de nombreuses choses.
nous pouvons faire de nombreuses choses.
11:04
The first and possibly the most important
thing we can do is very simple:
thing we can do is very simple:
187
652200
4256
La première chose, qui est sans doute
la plus importante, est très simple :
la plus importante, est très simple :
11:08
count the number of fruits on every tree.
188
656480
2440
compter le nombre de fruits
sur chaque arbre.
sur chaque arbre.
11:11
By doing this, you tell the farmer
how many fruits she has in every tree
how many fruits she has in every tree
189
659520
4536
Quand l'agriculteur peut savoir combien
de fruits il y a sur chaque arbre,
de fruits il y a sur chaque arbre,
11:16
and allow her to estimate
the yield in the orchard,
the yield in the orchard,
190
664080
4256
il peut évaluer le rendement du verger,
11:20
optimizing the production
chain downstream.
chain downstream.
191
668360
2840
et donc optimiser
la chaîne de production en aval.
la chaîne de production en aval.
Nous pouvons aussi
prendre les mesures des plantes,
prendre les mesures des plantes,
11:23
The second thing we can do
192
671640
1616
11:25
is take models of plants, construct
three-dimensional reconstructions,
three-dimensional reconstructions,
193
673280
4496
les reproduire en 3D,
et ainsi évaluer la taille de la canopée,
puis mettre en relation
puis mettre en relation
11:29
and from that estimate the canopy size,
194
677800
2536
11:32
and then correlate the canopy size
to the amount of leaf area on every plant.
to the amount of leaf area on every plant.
195
680360
3776
la taille de la canopée et
le nombre de feuilles sur chaque plante.
le nombre de feuilles sur chaque plante.
11:36
And this is called the leaf area index.
196
684160
2176
On appelle cela
l'indice de surface feuillue.
l'indice de surface feuillue.
11:38
So if you know this leaf area index,
197
686360
1936
Avec cet indice de surface feuillue,
11:40
you essentially have a measure of how much
photosynthesis is possible in every plant,
photosynthesis is possible in every plant,
198
688320
5456
on peut mesurer la capacité
de photosynthèse de chaque plante,
de photosynthèse de chaque plante,
11:45
which again tells you
how healthy each plant is.
how healthy each plant is.
199
693800
2880
ce qui indique leur niveau de santé.
11:49
By combining visual
and infrared information,
and infrared information,
200
697520
4216
En combinant les informations
visuelles et infrarouge,
visuelles et infrarouge,
11:53
we can also compute indices such as NDVI.
201
701760
3296
on peut aussi calculer des indices
comme le NDVI.
comme le NDVI.
11:57
And in this particular case,
you can essentially see
you can essentially see
202
705080
2816
Dans ce cas, on peut voir
11:59
there are some crops that are
not doing as well as other crops.
not doing as well as other crops.
203
707920
3016
que certaines plantes ne vont pas
aussi bien que d'autres.
aussi bien que d'autres.
12:02
This is easily discernible from imagery,
204
710960
4056
On peut le voir facilement sur l'image,
12:07
not just visual imagery but combining
205
715040
2216
qui n'est pas seulement visuelle,
mais combine
mais combine
12:09
both visual imagery and infrared imagery.
206
717280
2776
à la fois les images visuelles
et l'infrarouge.
et l'infrarouge.
Enfin, une des choses
qui nous intéresse est
qui nous intéresse est
12:12
And then lastly,
207
720080
1336
12:13
one thing we're interested in doing is
detecting the early onset of chlorosis --
detecting the early onset of chlorosis --
208
721440
4016
la détection des premiers
symptômes de la chlorose,
symptômes de la chlorose,
on a pris un oranger en exemple,
12:17
and this is an orange tree --
209
725480
1496
12:19
which is essentially seen
by yellowing of leaves.
by yellowing of leaves.
210
727000
2560
qui se manifeste par
un jaunissement des feuilles.
un jaunissement des feuilles.
12:21
But robots flying overhead
can easily spot this autonomously
can easily spot this autonomously
211
729880
3896
Les robots qui volent au-dessus
des plantes peuvent la repérer facilement,
des plantes peuvent la repérer facilement,
et informer l'agriculteur
qu'il a un problème
qu'il a un problème
12:25
and then report to the farmer
that he or she has a problem
that he or she has a problem
212
733800
2936
dans cette partie du verger.
12:28
in this section of the orchard.
213
736760
1520
12:30
Systems like this can really help,
214
738800
2696
Ce genre de système peut être très utile,
12:33
and we're projecting yields
that can improve by about ten percent
that can improve by about ten percent
215
741520
5816
et nous pensons pouvoir augmenter
les rendements d'environ 10 %,
les rendements d'environ 10 %,
et, surtout, diminuer les dépenses,
en eau par exemple, d'au moins 25%.
en eau par exemple, d'au moins 25%.
12:39
and, more importantly, decrease
the amount of inputs such as water
the amount of inputs such as water
216
747360
3216
12:42
by 25 percent by using
aerial robot swarms.
aerial robot swarms.
217
750600
3280
Tout ça grâce
aux essaims de robots volants.
aux essaims de robots volants.
12:47
Lastly, I want you to applaud
the people who actually create the future,
the people who actually create the future,
218
755200
5736
Pour finir, je vous demande d'applaudir
ceux qui créent le futur :
ceux qui créent le futur :
12:52
Yash Mulgaonkar, Sikang Liu
and Giuseppe Loianno,
and Giuseppe Loianno,
219
760960
4920
Yash Mulgaonkar, Sikang Liu
et Giuseppe Loianno,
et Giuseppe Loianno,
12:57
who are responsible for the three
demonstrations that you saw.
demonstrations that you saw.
220
765920
3496
qui ont réalisé les trois démonstrations
que vous avez vues.
que vous avez vues.
13:01
Thank you.
221
769440
1176
Merci.
13:02
(Applause)
222
770640
5920
(Applaudissements)
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