Vijay Kumar: Roboty, které létají ... a spolupracují

Dobré ráno. Jsem dnes zde, abych mluvil o autonomních létajicích plážových míčích. Ne, o mrštných létajicích robotech, jako je tenhle. Rád bych vám pověděl něco málo o výzvách při jejich stavbě a některých úžasných možnostech pro využití této technologie. Tyto roboty jsou příbuznými bezpilotních letadel. Nicméně letadla, které vidíte zde, jsou velká. Váží tisíce liber (stovky kilogramů) a nejsou v žádném případě mrštná. Navíc nejsou ani autonomní. Ve skutečnosti je mnoho těchto strojů ovládáno letovými posádkami, které mohou zahrnovat několik pilotů, operátorů senzorů a koordinátorů misí.

Co nás zajímalo, je vývoj robotů jako jsou tyto -- a tady dva další obrázky -- robotů, které si můžete koupit v obchodě. Takže toto jsou helikoptéry se čtyřmi rotory a jsou zhruba metr velké a váží několik liber (pár kilogramů). Dodatečně jsme je vybavili senzory a procesory, a tak mohou tyto roboty létat v místnostech bez GPS.

Robot, který držím ve své ruce, je jedním z nich, vytvořili jej dva studenti, Alex a Daniel. Tenhle váží trochu víc než desetinu libry (50 gramů). Spotřebuje okolo 15 wattů příkonu. A jak můžete vidět, má v průměru přibližně osm palců (20 cm). Dovolte mi dát vám velmi rychlý úvod do toho, jak tyto roboty pracují.

Takže má čtyři rotory. Když mají tyto rotory stejné otáčky, robot se vznáší. Když zvýšíte otáčky každého z těchto rotorů, pak robot stoupá, zrychluje. Samozřejmě kdyby byl robot nakloněn, byl skloněn oproti vodorovné ose, pak by zrychloval tímto směrem. Existují dva způsoby, jak jej naklonit. Na tomto obrázku vidíte, že rotor číslo 4 se otáčí rychleji a rotor číslo 2 se otáčí pomaleji. A když se toto stane, dojde k tomu, že se robot natočí. A nebo, když zvýšíte otáčky rotoru číslo 3 a snížíte otáčky rotoru číslo 1, pak se robot nahne vpřed.

A konečně, když má pár protilehlých rotorů vyšší otáčky než druhý pár, pak se robot obrací kolem svislé osy. Procesor na palubě v podstatě sleduje, jaké pohyby je třeba vykonat a kombinuje tyto pohyby a řeší, jaké příkazy poslat motorům, a to dělá 600krát za sekundu. Takto v základě tato věc funguje.

Jedna z výhod tohoto přístupu je, že když tyto věci zmenšíte, robot se přirozeně stává mrštnějším. Toto R je charakteristická délka robota. Činí polovinu průměru. A je mnoho fyzikálních parametrů, které se změní, když zmenšíte R. Ten nejdůležitější je setrvačnost neboli odpor k pohybu. Ukazuje se, že setrvačnost, která řídí úhlový pohyb, je úměrná páté mocnině R. Takže čím menší R uděláte, tím dramatičtěji poklesne setrvačnost. Jako výsledek, úhlové zrychlení, zde označené řeckým písmenem alfa, je 1/R. Je nepřímo úměrné R. Čím menší jej vyrobíte, tím rychleji se může otáčet.

To by mělo být jasné na těchto videích. V pravo dole vidíte robot provádějící 360stupňový obrat za méně než půl sekundy. Několik obratů za nepatrně delší čas. Zde procesy na palubě dostávají zpětnou vazbu z akcelerometrů a gyroskopů na palubě a vyhodnocují, jak jsem už dříve řekl, příkazy 600krát za sekundu, aby stabilizovaly robota. Nalevo vidíte Daniela, který tohoto robota háže do vzduchu. Předvádí se nám, jak stabilní ovládání je. Nezáleží na tom, jak jej hodíte, robot se stabilizuje a vrátí se k němu.

A proč vyrábět roboty jako jsou tyto? Nuže, takové roboty mají mnoho použití. Můžete je vyslat do budov jako je tato coby první průzkumníky hledající vetřelce, případně hledající biochemické znečištění, úniky plynu. Rovněž je můžete použít pro stavbu. Tady roboty přenášejí trámy a sloupy a skládají krychlové struktury. Řeknu vám o tom trochu víc. Roboty lze použít pro přepravu nákladu. Jeden z problémů s těmito roboty je jejich nosnost. Takže budeme možná chtít mnoho robotů pro přepravu nákladu. Tohle je obrázek nedávného experimentu, který jsme dělali -- vlastně už ne tak nedávného -- v Sendaji krátce po zemětřesení. Roboty jako je tento mohou být poslány do bortících se budov, aby zjistily poškození po živelních katastrofách nebo je lze poslat do reaktoru, aby prozkoumaly úroveň radiace.

Jeden zásadní problém, který roboty musí řešit, pokud mají být autonomní, je, jak vlastně vyřešit, jak se dostat z bodu A do bodu B. Toto je celkem výzva, protože dynamika tohoto robota je docela složitá. Ve skutečnosti se pohybují ve dvanáctirozměrném prostoru. Takže používáme malý trik. Vezmeme tento zakřivený dvanáctirozměrný prostor a přeměníme jej na plochý čtyřrozměrný prostor. A tento čtyřrozměrný prostor se skládá z os X, Y, Z a úhlu vybočení.

A tak co robot dělá, je, že plánuje něco, co nazýváme minimální snapová trasa. Abych vám připomenul fyziku, rychlost je derivací dráhy, další derivací získáte zrychlení a pak přichází ryv a snap. Takže tento robot minimalizuje snap. Takže co efektivně dělá, je, že koná plynulý a elegantní pohyb. A vyhýbá se překážkám. Tyto minimální snapové trasy v plochém prostoru jsou posléze převedeny zpět do komplikovaného dvanáctirozměrného prostoru, ve kterém se robot nachází, pohybuje a jedná.

Dovolte mi ukázat vám nějaké příklady toho, jak tyto minimální snapové trasy vypadají. V prvním videu uvidíte robot, který se přesunuje z bodu A do bodu B skrze středový bod. Robot je očividně schopný procházet jakkoli zakřivenou trasu. Tohle jsou kruhové trasy, kde na robota působí přetížení kolem 2 G. Robot má na zádech kamery, které mu říkají, kde je -- 100krát za sekundu. Rovněž robotu říkají, kde jsou překážky. A překážky se mohou pohybovat. Tady uvidíte Daniela, jak háže obruč do vzduchu, zatímco robot si spočítá polohu obruče a snaží se vyřešit, jak nejlépe jí proletět. Jako akademičtí pracovníci jsme byli vždy cvičeni ke skákání obručemi, abychom získali finance pro naše laboratoře, a tak jsme to naučili i roboty.

(Potlesk)

Jiná věc, kterou robot dovede, je, že si pamatuje trasu, kterou se naučí nebo mu je předprogramována. Tady vidíte robot, který kombinuje pohyby, čímž získá hybnost, a pak změní svoji orientaci a poté se dostává do výchozí polohy. Musí to udělat, protože díra v okně je pouze o trošku větší než je šířka robota. Podobně jako skokan stojící na odrazovém můstku, si poskočí, aby získal hybnost, pak provede piruetu, tohle dvou a půl salto, a pak se půvabně vrátí do výchozí pozice, tento robot v podstatě tohle dělá. Takže ví, jak kombinovat malé části tras tak, aby provedl tyhle vskutku náročné úkony.

A teď druhá strana mince. Jedna z nevýhod těchto malých robotů je jejich velikost. Jak jsem řekl již dříve, budeme možná chtít využít mnoho a mnoho těchto robotů k překonání omezení daných jejich velikostí. Jedna obtížnost je, jak koordinovat množství těchto robotů? A tak jsme se inspirovali u přírody. Chci vám ukázat nahrávku pouštních mravenců rodu Aphaenogaster, kteří v laboratoři profesora Stephena Pratta přenášejí předmět. Tohle je kousek fíku. Každý předmět pokrytý fíkovým džusem si budou chtít přinést zpátky do mraveniště. Tihle mravenci nemají žádného ústředního koordinátora. Vnímají své sousedy. Není zde žádná explicitní komunikace. Protože vnímají jeden druhého, a protože vnímají předmět, mají implicitní koordinaci napříč skupinou.

Tohle je typ koordinace, který chceme pro naše roboty. Takže když máme robot, který je obklopen svými sousedy -- podívejme se na robot I a robot J -- co chceme, aby tyto roboty udělaly, je, aby sledovaly vzdálenost mezi sebou, když letí ve formaci. A pak chceme zajistit aby tato vzdálenost mezi nimi byla v přijatelných mezích. Roboty tak sledují odchylky a vypočítávají řídicí příkazy 100krát za sekundu, které posléze převádějí na příkazy motoru 600krát za sekundu. Tohle musí být prováděno decentralizovaně. Opět, pokud máte mnoho těchto robotů, je nemožné koordinovat všechny informace centrálně dostatečně rychle, aby roboty úspěšně splnily úkol. Navíc roboty musí zakládat své jednání pouze na lokálních informacích, které získávají od svých sousedů. A nakonec, trváme na tom, aby roboty byly agnostické k tomu, kdo jsou jejich sousedé. Tohle nazýváme anonymita.

Co vám chci ukázat dále, je video dvaceti těchto malých robotů letících ve formaci. Sledují pozice svých sousedů. Udržují formaci. Formace se mohou měnit. Mohou to být rovinné formace, mohou to být trojrozměrné formace. Jak můžete vidět tady, mohou přejít z třírozměrné formace do rovinné formace. A aby překonaly překážky, mohou přizpůsobovat formaci během letu. Znovu, tyhle malé roboty mohou letět velmi blízko sebe. Jak můžete vidět v tomto letu ve tvaru čísla 8, létají od sebe ve vzdálenosti palců (centimetrů). A přes aerodynamické interakce rotorových listů, jsou schopné udržovat stabilní let.

(Potlesk)

Takže když už jednou víte, jak letět ve formaci, můžete zvedat ve spolupráci předměty. Tohle ukazuje, že můžeme zdvojnásobit, ztrojnásobit či zčtyřnásobit sílu robota jen jeho přidáním do týmu s jeho sousedy, jak můžete vidět zde. Jedna z nevýhod tohoto řešení je, když se takto věci zvětší -- když máte mnoho robotů nesoucích jednu věc, v podstatě efektivně stoupá setrvačnost a tedy vás to něco stojí -- nejsou tak mrštní. Nicméně zisk je ve smyslu nosnosti.

Jiné použití, které vám chci předvést -- opět, tohle je v naší laboratoři. Tohle je práce Quentina Lindseye, který je postgraduální student. Jeho algoritmy v zásadě těmto robotům říkají, jak samostatně stavět krychlové struktury z trámovitých elementů. Jeho algoritmy robotům říkají, kterou část vzít, kdy a jak ji umístit. V tomto videu vidíte -- je zrychleno 10- až 14krát -- vidíte tři rozdílné struktury, které tyhle roboty staví. A opět, všechno je to samostatné, a všechno, co Quentin musí udělat, je dát jim plánek stavby, kterou chce, aby postavily.

Všechny tyhle experimenty, které jste dosud viděli, všechny tyto demonstrace, byly provedeny s pomocí systémů pro snímání pohybů. Co se stane, když opustíte laboratoř a půjdete do skutečného světa? A co když zde není GPS? Takže tento robot je vybavený kamerou a laserovým dálkoměrem, laserovým scannerem. A používá tyto senzory k vybudování mapy prostředí. Tato mapa se skládá z prvků -- jako jsou dveře, okna, lidé, nábytek -- a pak zjišťuje, kde se nachází vzhledem k nim. Není zde žádný globální souřadnicový systém. Souřadnicový systém je určen dle robota, kde je a na co se dívá. A navádí jej s ohledem na tyto prvky.

Chci vám ukázat nahrávku algoritmů vyvinutých Frankem Shenem a profesorem Nathanem Michaelem, která ukazuje tohoto robota vstupujícího úplně poprvé do budovy. A vytvářejícího tuto mapu za letu. Robot pak zjistí, jaké prvky tu jsou. A vybuduje si mapu. Zjistí, kde je s ohledem k těmto prvkům a poté odhadne svoji pozici, a to 100krát za sekundu, což mu dovolují řídicí algoritmy, které jsem popsal dříve. Tento robot je ovládán dálkově Frankem. Ale robot dovede zjistit, kam jít, i zcela sám. Představme si, že jsem jej poslal do budovy a nemám vůbec žádnou představu, jak budova vypadá, mohu poslat robota dovnitř, aby vytvořil mapu, a pak se vrátil a řekl mi, jak budova vypadá. A tak zde, robot neřeší jenom problém, jak se dostat z místa A do místa B na této mapě, ale zjišťuje, co je bod B. V podstatě ví, kam jít, aby se podíval po místech, o kterých má nejméně informací. A tak zaplňuje tuto mapu.

Chci svou řeč ukončit s ještě jednou aplikací. Existuje mnoho použití této technologie, a jako profesor jsem nadšený výukou. Roboty jako tyto mohou změnit způsob, jak provádíme výuku na prvních dvou stupních. Ale jsme v jižní Kalifornii, blízko Los Angeles, takže musím vše shrnout něčím, co je zaměřeno na zábavu. Chci vše shrnout jedním hudebním klipem. Chci vám představit autory, Alexe a Daniela, kteří vyrobili toto video.

(Potlesk)

Předtím, než pustím video, chci vám říct, že jej vyráběli v posledních třech dnech, po Chrisově telefonátu. A roboty ve videu jsou zcela autonomní. Uvidíte devět robotů hrajících na šest různých nástrojů. A je samozřejmě vytvořeno exkluzivně pro TED 2012. Dívejte se.

(Hudba)

(Potlesk)