0:00:00.937,0:00:02.112
I framtiden

0:00:02.136,0:00:05.790
kommer självkörande bilar att bli[br]säkrare och pålitligare än människor.

0:00:05.895,0:00:07.421
Men för att det ska bli möjligt,

0:00:07.421,0:00:10.151
behöver vi ny teknik[br]som gör att bilar kan reagera

0:00:10.175,0:00:11.442
snabbare än människor,

0:00:11.466,0:00:15.180
vi behöver algoritmer[br]som kan köra bättre än människor

0:00:15.204,0:00:19.307
och vi behöver kameror[br]som kan se mer än människor kan.

0:00:20.061,0:00:24.791
Föreställ dig till exempel en självkörande[br]bil som ska göra en skymd sväng,

0:00:24.791,0:00:26.173
och det kommer en mötande bil

0:00:26.173,0:00:28.958
eller ett barn som är på väg[br]att springa ut i gatan.

0:00:29.458,0:00:33.022
Lyckligtvis så har vår framtida bil[br]en superkraft,

0:00:33.046,0:00:37.145
en kamera som kan se runt hörn[br]för att upptäcka eventuella faror.

0:00:37.876,0:00:39.955
Under de senaste åren som doktorand

0:00:39.979,0:00:42.256
i Stanfords Computational Imaging Lab,

0:00:42.280,0:00:45.034
har jag arbetat på en kamera[br]som kan göra just det,

0:00:45.058,0:00:48.456
en kamera som kan se saker[br]som är gömda runt hörn

0:00:48.480,0:00:51.252
eller skymda i synfältet.

0:00:51.276,0:00:54.728
Låt mig ge ett exempel på[br]vad vår kamera kan se.

0:00:54.752,0:00:57.315
Detta är ett utomhusexperiment [br]som vi genomförde

0:00:57.339,0:01:01.149
där vårt kamerasystem scannar[br]sidan på byggnaden med laser,

0:01:01.173,0:01:03.133
och föremålet som vi vill se

0:01:03.157,0:01:06.117
är dolt runt hörnet bakom skynket.

0:01:06.141,0:01:09.118
Så vårt kamerasystem[br]kan inte se det direkt.

0:01:09.561,0:01:10.729
Ändå, på något sätt,

0:01:10.753,0:01:15.301
kan kameran fånga en tredimensionell[br]bild av det här föremålet.

0:01:15.704,0:01:17.104
Så hur gör vi detta?

0:01:17.498,0:01:20.220
Magin händer här i kamerasystemet.

0:01:20.244,0:01:23.569
Tänk på den här som en sorts [br]höghastighetskamera.

0:01:23.593,0:01:27.063
Inte en som tar tusen bilder per sekund,

0:01:27.087,0:01:29.832
eller ens en miljon bilder per sekund,

0:01:29.856,0:01:32.109
utan en biljon bilder per sekund.

0:01:33.023,0:01:37.858
Så fort att den faktiskt kan fånga[br]ljusets hastighet.

0:01:38.652,0:01:42.295
Och för att visa er ett exempel på[br]hur fort ljuset färdas,

0:01:42.319,0:01:46.604
låt oss jämföra det med hastigheten[br]hos en snabbspringande seriehjälte

0:01:46.628,0:01:49.376
som kan röra sig upp till [br]tre gånger ljudets hastighet.

0:01:50.201,0:01:54.400
Det tar en ljuspuls ungefär [br]3,3 miljarddels sekund

0:01:54.424,0:01:56.297
eller 3,3 nanosekunder,

0:01:56.321,0:01:58.450
att färdas en meter.

0:01:58.474,0:02:00.409
På den tiden

0:02:00.433,0:02:04.307
har vår superhjälte färdats mindre än [br]bredden på en människas hårstrå.

0:02:04.633,0:02:05.900
Det är ganska snabbt.

0:02:06.306,0:02:08.760
Men vi behöver faktiskt föreställa[br]oss ännu snabbare

0:02:08.784,0:02:12.172
om vi vill fånga ljuset när det[br]rör sig längs subcentimeterskalan.

0:02:12.784,0:02:15.281
Så vår kamera kan fånga fotoner

0:02:15.305,0:02:18.821
i tidsramen femtio biljondels sekund,

0:02:18.845,0:02:20.590
eller femtio picosekunder.

0:02:21.821,0:02:24.323
Vi tar den här ultra-höghastighetskameran

0:02:24.347,0:02:28.021
och vi sätter ihop den med en laser[br]som sänder ut korta ljuspulser.

0:02:28.553,0:02:31.088
Varje puls färdas[br]till den här synliga väggen

0:02:31.088,0:02:33.363
och en del ljus studsar tillbaka[br]till vår kamera

0:02:33.363,0:02:36.579
men vi använder också väggen till[br]att studsa ljus runt hörnet

0:02:36.603,0:02:38.536
till det dolda föremålet och tillbaka.

0:02:39.363,0:02:41.601
Vi upprepar det här momentet [br]många gånger

0:02:41.625,0:02:44.165
för att mäta ankomsttiderna[br]hos många olika fotoner

0:02:44.189,0:02:46.276
från olika platser på väggen.

0:02:46.300,0:02:49.156
Och efter att vi har fått[br]de mätvärdena kan vi skapa

0:02:49.180,0:02:51.815
en video av väggen[br]med en biljon bilder per sekund.

0:02:52.371,0:02:55.379
Även om den här väggen [br]ser vanlig ut i våra ögon,

0:02:55.403,0:02:59.878
kan vi med en biljon bilder per sekund[br]se något helt häpnadsväckande.

0:03:00.275,0:03:04.642
Vi kan faktiskt se ljusvågor[br]spridas tillbaka från det dolda föremålet

0:03:04.666,0:03:06.733
och studsa mot väggen.

0:03:07.063,0:03:10.015
Och varje våg har med sig information

0:03:10.039,0:03:12.317
om det dolda föremålet som skickade den.

0:03:12.341,0:03:14.022
Så vi kan ta de här mätvärdena

0:03:14.046,0:03:16.545
och mata in dem[br]i en rekonstruktionsalgoritm

0:03:16.569,0:03:20.450
för att avslöja den tredimensionella[br]konstruktionen hos det dolda föremålet.

0:03:21.379,0:03:25.189
Nu vill jag visa er ytterligare[br]ett exempel på en inomhusbild,

0:03:25.213,0:03:28.323
den här gången[br]med flera olika dolda föremål.

0:03:28.347,0:03:30.474
Och de här föremålen[br]har olika utseende,

0:03:30.498,0:03:32.331
så de reflekterar ljus på olika sätt.

0:03:32.355,0:03:36.109
Till exempel, den här blanka drakstatyn[br]reflekterar ljuset annorlunda

0:03:36.133,0:03:37.910
än discokulan med speglar

0:03:37.934,0:03:40.545
eller den vita statyn av en diskuskastare.

0:03:40.998,0:03:44.337
Och vi kan faktiskt se skillnaderna[br]i det återspeglade ljuset

0:03:44.337,0:03:47.306
genom att visualisera det i den här [br]tredimensionella modellen,

0:03:47.306,0:03:50.616
där vi bara har tagit videobilderna[br]och staplat dem på varandra.

0:03:50.640,0:03:54.939
Och där tiden representeras[br]av djupdimensionen i modellen.

0:03:55.914,0:03:59.105
De ljusa prickarna som ni ser [br]är reflektioner av ljus

0:03:59.129,0:04:01.675
från var och en av discokulans[br]spegelfasetter,

0:04:01.699,0:04:03.890
som sprids mot väggen över tid.

0:04:04.422,0:04:07.958
De skarpa stråken av ljus som ni ser[br]som kommer fram först

0:04:07.982,0:04:11.942
är från den blanka drakstatyn[br]som står närmast väggen,

0:04:11.966,0:04:15.767
och de andra stråken av ljus kommer från[br]reflektioner av ljus från bokhyllan

0:04:15.791,0:04:17.124
och från statyn.

0:04:17.727,0:04:21.614
Vi kan också visualisera[br]de här mätningarna bild för bild,

0:04:21.638,0:04:22.830
som en video,

0:04:22.854,0:04:24.736
för att kunna se det spridda ljuset.

0:04:25.461,0:04:29.080
Och här ser vi igen ljusreflektionen[br]från draken,

0:04:29.104,0:04:30.350
närmast väggen,

0:04:30.374,0:04:33.763
följt av ljusa prickar från discokulan

0:04:33.787,0:04:36.506
och andra reflektioner från bokhyllan.

0:04:36.530,0:04:40.982
Och till sist ser vi de reflekterade [br]ljusvågorna från statyn.

0:04:41.840,0:04:44.633
Dessa ljusvågor lyser upp väggen

0:04:44.657,0:04:49.275
precis som fyrverkerier som varar [br]i en biljondels sekund.

0:04:53.649,0:04:56.895
Och även om de här föremålen[br]reflekterar ljus på olika sätt,

0:04:56.919,0:04:59.553
så kan vi ändå återskapa deras form.

0:04:59.577,0:05:02.337
Och det är det som syns runt hörnet.

0:05:03.547,0:05:06.976
Nu vill jag visa er ett exempel [br]som är lite annorlunda.

0:05:07.000,0:05:10.380
I den här videon ser ni mig klädd [br]i en reflekterande overall

0:05:10.404,0:05:14.799
och vårt kamerasystem scannar väggen[br]var fjärde sekund.

0:05:15.073,0:05:16.387
Overallen reflekterar ljus,

0:05:16.411,0:05:19.069
så att vi kan mäta tillräckligt[br]med fotoner

0:05:19.093,0:05:22.641
för att kunna se var jag är [br]och vad jag gör,

0:05:22.665,0:05:25.562
utan att kameran faktiskt [br]filmar mig direkt.

0:05:25.586,0:05:30.125
Genom att fånga fotoner som studsar [br]från väggen till min overall,

0:05:30.125,0:05:32.307
tillbaks till väggen[br]och sedan till kameran,

0:05:32.307,0:05:35.903
kan vi skapa en indirekt video i realtid.

0:05:36.954,0:05:40.160
Och vi tror att den här typen[br]av bilder utanför synfältet

0:05:40.184,0:05:43.910
kan bli användbara för olika program[br]inklusive självkörande bilar,

0:05:43.934,0:05:46.029
men också för biomedicinska bilder,

0:05:46.053,0:05:49.624
där vi behöver se de minsta[br]strukturerna i kroppen.

0:05:49.974,0:05:53.475
Och kanske kan vi sätta samma [br]kamerasystem på robotarna

0:05:53.499,0:05:56.164
som vi skickar ut[br]för att utforska andra planeter.

0:05:56.839,0:05:59.601
Ni kanske har hört om[br]att titta runt hörn förut,

0:05:59.625,0:06:02.199
men vad jag har visat er idag [br]skulle varit omöjligt

0:06:02.223,0:06:03.387
för bara två år sedan.

0:06:03.411,0:06:07.268
Till exempel så kan vi nu avbilda stora, [br]rumsliga dolda föremål utomhus

0:06:07.292,0:06:09.141
och i realtid,

0:06:09.165,0:06:13.522
och vi har gjort avsevärda framsteg för [br]att göra det här till verklig teknik

0:06:13.546,0:06:16.189
som du faktiskt kommer[br]kunna hitta i en bil i framtiden.

0:06:16.196,0:06:18.736
Men det finns förstås fortfarande [br]utmaningar kvar.

0:06:18.760,0:06:22.823
Kan vi till exempel avbilda[br]dolda föremål på långa avstånd

0:06:22.847,0:06:25.990
när vi bara tar emot väldigt, [br]väldigt få fotoner,

0:06:26.014,0:06:29.291
med lågenergilaser som är synsäker?

0:06:29.641,0:06:31.976
Eller kan vi skapa bilder från fotoner

0:06:32.000,0:06:34.029
som har studsat många fler gånger

0:06:34.053,0:06:36.656
än bara en gång runt hörnet?

0:06:36.680,0:06:41.323
Kan vi ta vårt prototypsystem[br]som är stort och bökigt,

0:06:41.347,0:06:43.887
och krympa det till något [br]som går att använda

0:06:43.911,0:06:45.110
till biomedicinska bilder

0:06:45.134,0:06:48.220
eller kanske ett förbättrat system [br]för säkerhet hemma,

0:06:48.244,0:06:53.756
eller kan vi ta den här nya bildtekniken [br]och använda den i andra program?

0:06:53.780,0:06:55.669
Det är en spännande ny teknik

0:06:55.693,0:06:58.621
och det kan finnas andra saker[br]som vi inte har tänkt på ännu

0:06:58.645,0:06:59.819
att använda den till.

0:06:59.843,0:07:02.388
Och en framtid med självkörande bilar

0:07:02.412,0:07:04.578
kanske verkar avlägsen nu,

0:07:04.602,0:07:06.579
men vi utvecklar redan tekniken

0:07:06.603,0:07:09.150
som kan göra bilar säkrare[br]och intelligentare.

0:07:09.698,0:07:13.000
Och med den takten på vetenskapliga[br]upptäckter och uppfinningar,

0:07:13.024,0:07:16.071
vet man aldrig vilka nya[br]och spännande möjligheter

0:07:16.095,0:07:18.229
som finns runt hörnet.

0:07:18.810,0:07:21.730
(Applåder)