Το μέλλον των ιπτάμενων ρομπότ

Στο εργαστήριό του στο Πανεπιστήμιο της Πενσυλβάνια, ο Βίτζεϊ Κουμάρ και η ομάδα του έχουν φτιάξει αυτόνομα ιπτάμενα ρομπότ που τα εμπνεύστηκαν από τις μέλισσες. Το τελευταίο τους επίτευγμα είναι η Γεωργία Ακριβείας, κατά την οποία σμάρια από ρομπότ καταγράφουν, αναπαράγουν και αναλύουν κάθε φυτό και φρούτο σε έναν οπωρώνα, παρέχοντας έτσι πολύτιμες πληροφορίες στους καλλιεργητές προκειμένου να βελτιώσουν τις σοδειές τους και να κάνουν εξυπνότερη διαχείριση του νερού.

Στο εργαστήριό μου φτιάχνουμε
αυτόνομα ιπτάμενα ρομπότ,

όπως αυτό που βλέπετε να πετάει εδώ.

Σε αντίθεση με άλλες ιπτάμενες συσκευές
που διατίθενται στο εμπόριο,

αυτό το ρομπότ δεν έχει ενσωματωμένο GPS.

Χωρίς GPS λοιπόν,

είναι δύσκολο για τέτοια ρομπότ
να καθορίσουν τη θέση τους.

Αυτό το ρομπότ διαθέτει ενσωματωμένους
αισθητήρες, κάμερες και σαρωτές λέιζερ

για να σαρώνει το περιβάλλον.

Εντοπίζει ορισμένα σημεία στο περιβάλλον

και καθορίζει τη θέση του
σε σχέση με αυτά τα στοιχεία

με τη μέθοδο του τριγωνισμού.

Κατόπιν μπορεί να συγκεντρώσει
όλα αυτά τα στοιχεία σ' έναν χάρτη,

όπως βλέπετε πίσω μου.

Έτσι ο χάρτης επιτρέπει στο ρομπότ
να καταλάβει πού είναι τα εμπόδια

και να πλοηγηθεί χωρίς συγκρούσεις.

Το επόμενο που θέλω να σας δείξω

είναι μια ομάδα πειραμάτων
που κάναμε εντός εργαστηρίου,

όπου το ρομπότ μπορούσε
να καλύψει μεγαλύτερες αποστάσεις.

Εδώ λοιπόν θα δείτε πάνω δεξιά,
τι βλέπει το ρομπότ με την κάμερα.

Και στην κεντρική οθόνη

-φυσικά το έχουμε σε τετραπλή ταχύτητα-

θα δείτε τον χάρτη που φτιάχνει.

Είναι ένας χάρτης υψηλής ανάλυσης
του διαδρόμου γύρω από το εργαστήριό μας.

Και σε ένα λεπτό
μπαίνει στο εργαστήριό μας

που το αναγνωρίζετε
από την ακαταστασία που βλέπετε.

(Γέλια)

Αλλά αυτό που θέλω να σας δείξω

είναι ότι αυτά τα ρομπότ μπορούν
να φτιάξουν χάρτες υψηλής ανάλυσης

σε ανάλυση πέντε εκατοστών,

επιτρέποντας σε κάποιον έξω
από το εργαστήριο ή το κτίριο

να τα δρομολογεί
χωρίς να χρειάζεται να μπει μέσα

και να προσπαθήσει να καταλάβει
πώς είναι μέσα στο κτίριο.

Βέβαια, τέτοια ρομπότ έχουν ένα πρόβλημα.

Πρώτον, ότι είναι αρκετά μεγάλα.

Κι επειδή είναι μεγάλα είναι και βαριά.

Καταναλώνουν περίπου 200 βατ ανά κιλό.

Έτσι συντομεύει ο χρόνος της αποστολής.

Το δεύτερο πρόβλημα

είναι ότι έχουν ενσωματωμένους αισθητήρες
που είναι αρκετά ακριβοί -

έναν σαρωτή λέιζερ, μια κάμερα
και τους επεξεργαστές.

όλα αυτά ανεβάζουν το κόστος του ρομπότ.

Έτσι αναρωτηθήκαμε:

ποιο καταναλωτικό προϊόν μπορείς
να αγοράσεις σε κατάστημα ηλεκτρονικών

που να είναι φτηνό, με χαμηλό βάρος και
να διαθέτει αισθητήρες και επεξεργαστή.

Έτσι εφηύραμε το ιπτάμενο τηλέφωνο.

(Γέλια)

Αυτό το ρομπότ έχει ένα έξυπνο κινητό
Samsung Galaxy που διατίθεται στο εμπόριο,

και χρειάζεται μόνο να κατεβάσετε μια
εφαρμογή από το ηλεκτρονικό μας κατάστημα.

Βλέπετε αυτό το ρομπότ να διαβάζει
τα γράμματα "TED" σε αυτή την περίπτωση,

ψάχνοντας τις γωνίες στα "T" και "E"

και εφαρμόζοντας τριγωνισμό από εκείνο
το σημείο, να πετάει αυτόνομα.

Υπάρχει ένας μοχλός πλοήγησης
μην τυχόν το ρομπότ τρελαθεί,

ο Τζιουζέπε να το σβήσει.

(Γέλια)

Εκτός από την κατασκευή μικρών ρομπότ,

πειραματιζόμαστε επίσης με επιθετικές
συμπεριφορές, όπως βλέπετε εδώ.

Το ρομπότ ταξιδεύει
με 2 ή 3 μέτρα το δευτερόλεπτο,

γέρνοντας και στρίβοντας επιθετικά
όταν αλλάζει κατεύθυνση.

Το κύριο σημείο είναι ότι μπορούμε
να έχουμε μικρότερα και ταχύτερα ρομπότ

που θα ταξιδεύουν
σε πολύ ακανόνιστα περιβάλλοντα.

Και στο επόμενο βίντεο,

ακριβώς όπως βλέπετε αυτόν τον αετό
να συντονίζει με χάρη τα φτερά του,

τα μάτια και τα πόδια του
για ν' αρπάξει το θήραμα από το νερό,

το ρομπότ μας μπορεί να ψαρέψει επίσης.

(Γέλια)

Σε αυτή την περίπτωση αρπάζει στον αέρα
ένα σάντουιτς σε μπαγκέτα.

(Γέλια)

Βλέπετε το ρομπότ να ταξιδεύει
με περίπου 3 μέτρα το δευτερόλεπτο,

πιο γρήγορα από την ταχύτητα βαδίσματος,
συντονίζοντας τους βραχίονες, τις αρπάγες

και την πτήση του με μεγάλη ακρίβεια
για να πραγματοποιήσει αυτόν τον ελιγμό.

Σε ένα άλλο πείραμα,

θέλω να σας δείξω πώς το ρομπότ
προσαρμόζει την πτήση του

για να ελέγξει το αναρτημένο φορτίο του,

το μήκος του οποίου είναι μεγαλύτερο
από το πλάτος του παραθύρου.

Για να το επιτύχει αυτό,

πρέπει να σκύψει
και να ρυθμίσει το ύψος του

ώστε το φορτίο να περάσει μέσα
με την ταλάντωση.

Φυσικά θέλουμε να τα κάνουμε
ακόμη μικρότερα,

και ειδικότερα
εμπνεόμαστε από τις μέλισσες.

Αν δείτε τις μέλισσες
σε αυτό το βίντεο με αργή κίνηση,

είναι τόσο μικρές,
με τόσο μικρή αδράνεια -

(Γέλια)

που δεν τις νοιάζει -
αναπηδούν πάνω στο χέρι μου.

Αυτό το μικρό ρομπότ μιμείται
τη συμπεριφορά των μελισσών.

Και το μικρότερο είναι καλύτερο,

γιατί μικρό βάρος έχει μικρή αδράνεια.

Μαζί με την χαμηλή αδράνεια

(Βουητό από ρομπότ, γέλια)

λόγω χαμηλής αδράνειας
είναι ανθεκτικό στις συγκρούσεις.

Έτσι είναι πιο δυναμικό.

Έτσι φτιάχνουμε μικρά ρομπότ,
παραδειγματιζόμενοι από τις μέλισσες.

Και το συγκεκριμένο
έχει βάρος μόνο 25 γραμμάρια.

Καταναλώνει μόνο 6 βατ ισχύος.

Μπορεί να φτάσει ταχύτητα
6 μέτρων το δευτερόλεπτο.

Σε αναλογία μεγέθους

είναι σαν ένα Μπόϊνγκ 787 να πετάει
με 10 φορές την ταχύτητα του ήχου.

(Γέλια)

Θέλω να σας δείξω ένα παράδειγμα.

Είναι ίσως η πρώτη σχεδιασμένη σύγκρουση
στον αέρα, στο 1/28 της ταχύτητας.

Πάνε με σχετική ταχύτητα
2 μέτρων το δευτερόλεπτο,

και αποδεικνύει την βασική αρχή.

Ένας κλωβός 2 γραμμαρίων από ανθρακόνημα
αποτρέπει να χτυπήσουν οι έλικες

αλλά βασικά η σύγκρουση απορροφάται
και το ρομπότ αποκρίνεται στη σύγκρουση.

Έτσι, μικρό σημαίνει και ασφαλές.

Στο εργαστήριό μου,
εξελίσσοντας τα ρομπότ,

ξεκινήσαμε με αυτά τα μεγάλα

και τώρα φτάσαμε σε αυτά τα μικρά ρομπότ.

Αν φτιάξουμε ένα διάγραμμα με τον αριθμό
των Χάνζαπλαστ που παραγγείλαμε

στο παρελθόν, αυτό έχει πλέον μηδενιστεί.

Επειδή αυτά τα ρομπότ είναι πολύ ασφαλή.

Το μικρό μέγεθος έχει κάποια μειονεκτήματα

και η φύση έχει βρει τρόπους
να τα αναπληρώσει.

Η βασική ιδέα είναι ότι συναθροίζονται
σε μεγάλες ομάδες ή σμάρια.

Παρομοίως στο εργαστήριο προσπαθούμε
να φτιάξουμε τεχνητά σμάρια ρομπότ.

Είναι αρκετά δύσκολο

γιατί τώρα πρέπει
να σκεφτούμε δίκτυα ρομπότ.

Και μέσα σε κάθε ρομπότ

πρέπει να σκεφτούμε την αλληλεπίδραση
αισθητήρων, επικοινωνίας, υπολογισμών -

και ο έλεγχος και η διαχείριση
αυτού του δικτύου δυσκολεύει.

Έτσι παίρνουμε από τη φύση
τρεις αρχές οργάνωσης

που βασικά μας επιτρέπουν
να εξελίξουμε τους αλγορίθμους μας.

Η πρώτη ιδέα είναι ότι τα ρομπότ πρέπει
να καταλαβαίνουν τους γείτονές τους,

να μπορούν να τους αντιλαμβάνονται
και να επικοινωνούν με αυτούς.

Αυτό το βίντεο δείχνει τη βασική ιδέα.

Έχετε τέσσερα ρομπότ -

ένα από τα ρομπότ το έχει καταλάβει
ανθρώπινος χειριστής, κυριολεκτικά.

Αλλά επειδή τα ρομπότ αλληλεπιδρούν,

αισθάνονται τους γείτονές τους,

ουσιαστικά ακολουθούν.

Και εδώ είναι ο ένας άνθρωπος που μπορεί
να ηγηθεί σε αυτό το δίκτυο ακολούθων.

Και πάλι, όχι επειδή όλα τα ρομπότ
ξέρουν που πρέπει να πάνε.

Επειδή απλά αντιδρούν
στη θέση των γειτόνων τους.

(Γέλια)

Το δεύτερο πείραμα δείχνει
τη δεύτερη αρχή οργάνωσης.

Και αυτή η αρχή έχει να κάνει
με την αρχή της ανωνυμίας.

Εδώ η βασική ιδέα είναι ότι

τα ρομπότ δεν γνωρίζουν
την ταυτότητα των γειτόνων τους.

Τους ζητείται να μπουν σε κυκλικό σχήμα,

και ασχέτως του πόσα ρομπότ
εισάγουμε στο σχηματισμό,

ή πόσα ρομπότ αφαιρούμε,

κάθε ρομπότ απλώς αντιδρά
ως προς τον γείτονά του.

Αντιλαμβάνεται το γεγονός ότι πρέπει
να σχηματίσει τον κύκλο,

αλλά συνεργαζόμενο με τους γείτονές του

σχηματίζει τον κύκλο
χωρίς κεντρικό συντονισμό.

Αν βάλουμε μαζί αυτές τις ιδέες,

η τρίτη ιδέα είναι ότι βασικά
δίνουμε σε αυτά τα ρομπότ

μαθηματικές περιγραφές του σχήματος
που πρέπει να εκτελέσουν.

Αυτά τα σχήματα μπορεί να ποικίλουν
βάσει του χρόνου,

και θα δείτε αυτά τα ρομπότ
να αρχίζουν από κυκλικό σχηματισμό,

να αλλάζουν σε παραλληλόγραμμο,
να εκτείνονται σε ευθεία γραμμή,

μετά πίσω πάλι σε έλλειψη.

Και το κάνουν
με τον ίδιο ταχύτατο συντονισμό

που βλέπετε στα κανονικά σμάρια, στη φύση.

Γιατί όμως να δουλέψουμε με σμάρια;

Επιτρέψτε μου να σας πω για δύο εφαρμογές
που μας ενδιαφέρουν πολύ.

Η πρώτη έχει σχέση με την γεωργία,

που μάλλον είναι το μεγαλύτερο πρόβλημα
που αντιμετωπίζουμε παγκόσμια.

Όπως γνωρίζετε πολύ καλά,

ένα στα επτά άτομα στη Γη υποσιτίζεται.

Το μεγαλύτερο μέρος της καλλιεργήσιμης γης
ήδη καλλιεργείται.

Και η απόδοση των περισσοτέρων
συστημάτων στον κόσμο βελτιώνεται,

αλλά η απόδοση του συστήματος
παραγωγής ουσιαστικά φθίνει.

Κι αυτό κυρίως οφείλεται σε έλλειψη νερού,
ασθένειες των καλλιεργειών,

κλιματική αλλαγή και μερικά άλλα πράγματα.

Τι μπορούν να κάνουν τα ρομπότ;

Υιοθετούμε μια προσέγγιση που λέγεται
Γεωργία Ακριβείας στην κοινότητα.

Και η βασική ιδέα είναι ότι στέλνουμε
ιπτάμενα ρομπότ στους οπωρώνες

και μετά φτιάχνουμε μοντέλα ακριβείας
καθενός φυτού.

Έτσι, όπως στην εξατομικευμένη ιατρική,

ενώ μπορεί να φαντάζεστε ότι θέλουμε
να περιθάλψουμε ατομικά κάθε ασθενή,

εμείς θέλουμε να φτιάξουμε μοντέλα
των επιμέρους φυτών

και μετά να πούμε στον αγρότη
τι είδους τροφοδοσία θέλει κάθε φυτό -

η τροφοδοσία σε αυτή την περίπτωση
είναι νερό, λίπασμα και φυτοφάρμακο.

Εδώ θα δείτε ρομπότ
να διασχίζουν ένα κτήμα με μηλιές,

και σε ένα λεπτό θα δείτε
δύο συντρόφους του

να κάνουν το ίδιο στην αριστερή πλευρά.

Και βασικά φτιάχνουν
έναν χάρτη του οπωρώνα.

Μέσα στον χάρτη εμφανίζονται
όλα τα φυτά του οπωρώνα.

(Βουητό από ρομπότ)

Ας δούμε πώς είναι αυτοί οι χάρτες.

Στο επόμενο βίντεο θα δείτε τις κάμερες
που υπάρχουν πάνω στα ρομπότ.

Πάνω αριστερά είναι μια έγχρωμη κάμερα.

Στη μέση αριστερά
είναι μια υπέρυθρη κάμερα,

και κάτω αριστερά μια θερμική κάμερα.

Και στο κεντρικό πάνελ
θα δείτε μια τρισδιάστατη αναπαραγωγή

κάθε δένδρου του οπωρώνα
καθώς οι αισθητήρες περνούν από το δένδρο.

Εξοπλισμένοι με τέτοιες πληροφορίες
μπορούμε να κάνουμε διάφορα πράγματα.

Το πρώτο και ίσως πιο σημαντικό
που μπορούμε να κάνουμε είναι πολύ απλό:

να μετρήσουμε τον αριθμό των καρπών
πάνω σε κάθε δένδρο.

Έτσι λέμε στην αγρότισσα
πόσα φρούτα έχει σε κάθε δένδρο

και της επιτρέπουμε να υπολογίσει
την απόδοση του οπωρώνα,

βελτιστοποιώντας την αλυσίδα
παραγωγής στα επόμενα στάδια.

Το δεύτερο που κάνουμε είναι

να πάρουμε μοντέλα των φυτών,
να φτιάξουμε τρισδιάστατες αναπαραγωγές,

και από αυτά να υπολογίσουμε
το μέγεθος του θόλου

και να συσχετίσουμε το μέγεθος του θόλου
με την επιφάνεια φυλλώματος κάθε φυτού.

Αυτό ονομάζεται δείκτης έκτασης φυλλώματος

κι αν γνωρίζετε αυτόν τον δείκτη,

ουσιαστικά έχετε ένα μέτρο
της πιθανής φωτοσύνθεσης σε κάθε φυτό

που και πάλι σας λέει
πόσο υγιές είναι κάθε φυτό.

Συνδυάζοντας οπτικές
και υπέρυθρες πληροφορίες

μπορούμε επίσης να υπολογίσουμε τον δείκτη
NDVI της φωτοσυνθετικής δραστηριότητας.

Στη συγκεκριμένη περίπτωση
μπορείτε να δείτε

ότι κάποιες σοδειές
δεν είναι τόσο καλές όσο άλλες.

Αυτό ευδιάκριτο στην απεικόνιση,

όχι μόνο από τις οπτικές εικόνες

αλλά από το συνδυασμό
οπτικών και υπέρυθρων εικόνων.

Και τέλος,

μας ενδιαφέρει να ανιχνεύσουμε
τη χλώρωση σε αρχικό στάδιο

- αυτό είναι μια πορτοκαλιά -

που φαίνεται από το κιτρίνισμα των φύλλων.

Αλλά τα ρομπότ που πετάνε από πάνω
το εντοπίζουν εύκολα μόνα τους

και μετά αναφέρουν στον αγρότη
ότι αντιμετωπίζει πρόβλημα

σε εκείνο το τμήμα του οπωρώνα.

Τέτοια συστήματα μπορούν
να βοηθήσουν πραγματικά

και σκοπεύουμε σε σοδειές που μπορούν
να βελτιωθούν κατά 10% περίπου

και πάνω απ' όλα να μειώσουν
το ποσό τροφοδοσίας όπως το νερό

κατά 25% με τη χρήση
σμαριών από ιπτάμενα ρομπότ.

Τέλος, θα ήθελα να χειροκροτήσετε
τους ανθρώπους που δημιουργούν το μέλλον,

Γιας Μουλγκάνκαρ, Σίκανγκ Λιού
και Τζιουζέπε Λογιάνο,

που είναι υπεύθυνοι
για τις τρεις επιδείξεις που είδατε.

Σας ευχαριστώ.

(Χειροκρότημα)