Forestil dig en fremtid, hvor robotter er så integreret i stoffet i menneskelivet, at de bliver lige så almindelige som smartphones er i dag. Robotområdet har potentialet til i høj grad at forbedre kvaliteten af vores liv på arbejdspladsen, hjemme og i spil ved at give folk støtte til kognitive opgaver og fysiske opgaver. I årevis har robotter støttet menneskelig aktivitet i farlige, beskidte og kedelige opgaver og har gjort det muligt at udforske uopnåelige miljøer, fra de dybe oceaner til det dybe rum. I stigende grad vil mere dygtige robotter være i stand til at tilpasse sig, lære og interagere med mennesker og andre maskiner på kognitive niveauer.
de hurtige fremskridt inden for teknologi i det sidste årti har gjort computing uundværlig. Computing har ændret den måde, vi arbejder, lever og spiller på. Digitaliseringen af praktisk talt alt kombineret med fremskridt inden for robotik lover en fremtid, hvor adgangen til højteknologiske maskiner demokratiseres og tilpasning udbredt. Robotter bliver mere og mere i stand på grund af deres evne til at udføre mere komplekse beregninger og interagere med verden gennem stadig rigere sensorer og bedre aktuatorer.
en forbundet verden med mange tilpassede robotter, der arbejder sammen med mennesker, skaber allerede nye job, forbedrer kvaliteten af eksisterende job og sparer folk tid, så de kan fokusere på det, de finder interessant, vigtigt og spændende. I dag er robotter allerede blevet vores partnere inden for industrielle og indenlandske omgivelser. De arbejder side om side med mennesker i fabrikker og operationsstuer. De klipper vores græsplæner, støvsuger vores gulve og malker endda vores køer. Om få år vil de røre endnu flere dele af vores liv.
pendling til arbejde i din førerløse bil giver dig mulighed for at læse, returnere opkald, indhente dine yndlingspodcasts og endda lur. Robotbilen fungerer også som din assistent, holder styr på, hvad du skal gøre, planlægger dine ruter for at sikre, at alle dine opgaver er færdige, og kontrollerer de nyeste trafikdata for at vælge de mindst overbelastede veje. Førerløse biler hjælper med at reducere dødsfald fra bilulykker, mens autonome gaffeltrucks kan hjælpe med at eliminere rygskader forårsaget af løft af tunge genstande. Robotter kan ændre nogle eksisterende job, men generelt kan robotter yde store samfundsmæssige bidrag. Plæneplejerobotter og poolrenserobotter har ændret, hvordan disse opgaver udføres. Robotter kan hjælpe menneskeheden med store og små problemer.
digitaliseringen af praktisk talt alt kombineret med fremskridt inden for robotik lover en fremtid, hvor adgang til højteknologiske maskiner demokratiseres og tilpasning udbredt
målet med robotik er ikke at erstatte mennesker ved at mekanisere og automatisere opgaver, men snarere at finde nye måder, der gør det muligt for robotter at samarbejde med mennesker mere effektivt. Robotter er bedre end mennesker til opgaver som at knuse tal og bevæge sig med præcision. Robotter kan løfte meget tungere genstande. Mennesker er bedre end robotter til opgaver som ræsonnement, definition af abstraktioner og generalisering eller specialisering takket være vores evne til at trække på tidligere erfaringer. Ved at arbejde sammen kan robotter og mennesker øge og supplere hinandens færdigheder.
et årti med fremskridt, der muliggør autonomi
fremskridtene inden for robotik i det sidste årti har vist, at robotenheder kan bevæge sig, manipulere og interagere med mennesker og deres miljø på unikke måder. Robotternes bevægelsesfunktioner er blevet aktiveret af den brede tilgængelighed af nøjagtige sensorer (for eksempel laserscannere), højtydende motorer og udvikling af robuste algoritmer til kortlægning, lokalisering, bevægelsesplanlægning og rutepunktnavigation. Mange nye applikationer er mulige takket være fremskridt i udviklingen af robotlegemer (udstyr) og robothjerner (programmel).
robotternes evner er defineret af den tætte kobling mellem deres fysiske kroppe og den beregning, der omfatter deres hjerner. For eksempel skal en flyvende robot have en krop, der er i stand til at flyve, og algoritmer til at kontrollere flyvning. Dagens robotter kan gøre grundlæggende bevægelse på jorden, i luften og i vand. De kan genkende objekter, kortlægge nye miljøer, udføre pick-and-place-operationer, lære at forbedre kontrollen, efterligne enkle menneskelige bevægelser, tilegne sig ny viden og endda fungere som et koordineret team. For eksempel sættes de nyeste fodboldrobotter og algoritmer i praksis ved en årlig robotfodboldkonkurrence kaldet RoboCup.
de seneste fremskridt inden for disklagring, Internets omfang og ydeevne, trådløs kommunikation, værktøjer, der understøtter design og fremstilling, og elektronikens styrke og effektivitet kombineret med den verdensomspændende vækst i datalagring har påvirket udviklingen af robotter på flere måder. Maskinomkostningerne falder, elektromekaniske komponenter er mere pålidelige, værktøjer til fremstilling af robotter er rigere, programmeringsmiljøer er lettere tilgængelige, og robotter har adgang til verdens viden gennem skyen. Vi kan begynde at forestille os springet fra den personlige computer til den personlige robot, hvilket fører til mange applikationer, hvor robotter eksisterer gennemgribende og arbejder side om side med mennesker.
målet med robotik er ikke at erstatte mennesker ved at mekanisere og automatisere opgaver, men snarere at finde nye måder, der gør det muligt for robotter at samarbejde med mennesker mere effektivt
transport er et godt eksempel. Det er meget lettere at flytte en robot gennem verden, end det er at bygge en robot, der kan interagere med den. I løbet af det sidste årti har betydelige fremskridt inden for algoritmer og udstyr gjort det muligt for os at forestille os en verden, hvor mennesker og varer flyttes på en meget sikrere og mere bekvem måde med optimerede flåder af selvkørende biler.
på et enkelt år kører amerikanerne næsten tre billioner miles.1 Hvis du gennemsnit det ud på 60 mph, der tilføjer op til næsten halvtreds milliarder timer brugt i bilen.2 Dette tal vokser eksponentielt, når man overvejer resten af kloden. Men tiden i vores biler er ikke uden udfordringer. I dag sker der et bilulykke hvert femte sekund i USA.3 globalt er vejtrafikskader den ottende førende dødsårsag med omkring 1,24 millioner liv tabt hvert år.4 ud over disse forfærdelige menneskelige omkostninger tager disse nedbrud en enorm økonomisk vejafgift. Den nationale Trafiksikkerhedsadministration har beregnet de økonomiske omkostninger i USA til omkring 277 milliarder dollars om året.5 at sætte en bule i disse tal er en enorm udfordring—men en, der er meget vigtigt at tackle. Selvkørende køretøjer har potentialet til at eliminere trafikulykker.
Forestil dig, om biler kunne lære… lære, hvordan vi kører… lære at aldrig være ansvarlige for en kollision… lære, hvad vi har brug for, når vi kører? Hvad hvis de kunne blive betroede partnere? Partnere, der kan hjælpe os med at navigere i vanskelige veje, se ryggen, når vi er trætte, endda gøre vores tid i bilen… sjov? Hvad hvis din bil kunne fortælle, at du har en hård dag og tænder din yndlingsmusik for at hjælpe dig med at slappe af, mens du nøje ser på, hvordan du kører? Hvad hvis din bil også vidste, at du glemte at ringe til dine forældre i går og udsendte en mild påmindelse på vej hjem. Og forestil dig, at det var let at foretage det opkald, fordi du kunne vende kørslen over til bilen på en kedelig motorvej.
i Erkendelse af dette ekstraordinære potentiale i de sidste par år annoncerede de fleste bilproducenter selvkørende bilprojekter. Elon Musk forudsagde berømt, at vi kunne falde i søvn ved rattet om fem år; Google / Vejmo-bilen har været i nyhederne meget for at køre flere millioner ulykkesfrie miles; Nissan lovede selvkørende biler inden 2020; Mercedes skabte en prototype 2014 Model S autonome bil; og Toyota annoncerede (September 2015) et ambitiøst program til at udvikle en bil, der aldrig vil være ansvarlig for en kollision, og investerede 1 milliard dollars for at fremme kunstig intelligens.
der er meget aktivitet i dette rum på tværs af et stort spektrum af bilfunktioner. For at forstå, hvor alle de forskellige fremskridt falder, er det nyttigt at se på National Motorvejstrafiksikkerhedsadministration (NHTSA) klassificering af fem niveauer af autonomi: niveau 0 inkluderer ikke nogen støtte til automatisering; Niveau 1 inkluderer værktøjer til yderligere feedback til den menneskelige chauffør, for eksempel ved hjælp af et bagkamera; niveau 2 inkluderer lokal aktiv kontrol, for eksempel antilock bremser; niveau 3 inkluderer support til select autonomy, men Mennesket skal være klar til at overtage (som i Tesla Autopilot); niveau 4 inkluderer autonomi nogle steder noget af tiden; og niveau 5 er autonomi i alle miljøer hele tiden.
en alternativ måde at karakterisere niveauet for autonomi for en selvkørende bil er ifølge tre akser, der definerer (1) køretøjets hastighed; (2) kompleksiteten af det miljø, hvor køretøjet bevæger sig, og (3) kompleksiteten af interaktionerne med bevægelige stoffer (biler, mennesker, cyklister osv.) i dette miljø. Forskere skubber konvolutten langs hver af disse akser med det formål at komme tættere på niveau 5 autonomi.
i løbet af det sidste årti har betydelige fremskridt inden for algoritmer og isenkram gjort det muligt for os at forestille os en verden, hvor mennesker og varer flyttes på en meget sikrere og mere bekvem måde med optimerede flåder af selvkørende biler
på grund af algoritmiske og isenkramfremskridt i det sidste årti er nutidens teknologi klar til niveau 4-implementeringer ved lave hastigheder i miljøer med lav kompleksitet med lave niveauer af interaktion med omgivende fodgængere og andre køretøjer. Dette inkluderer autonomi på private veje, såsom i pensionssamfund og campusser, eller på offentlige veje, der ikke er meget overbelastede.
niveau 4 autonomi er blevet aktiveret af et årti med fremskridt inden for udstyr og algoritmer til rådighed for robotterne. Vigtigst er konvergensen af flere vigtige algoritmiske udviklinger: kortfremstilling, hvilket betyder, at køretøjet kan bruge sine sensorer til at oprette et kort; lokalisering, hvilket betyder, at køretøjet kan bruge sine sensorer til at finde ud af, hvor det er på kortet; opfattelse, hvilket betyder, at køretøjet kan opfatte de bevægelige objekter på vejen; planlægning og beslutningstagning, hvilket betyder, at køretøjet kan finde ud af, hvad man skal gøre næste ud fra det, det ser nu; og pålideligt udstyr, samt køre datasæt, der gør det muligt for biler at lære at køre fra mennesker. I dag kan vi lave så mange samtidige beregninger, knuse så meget mere data og køre algoritmer i realtid. Disse teknologier har ført os til et tidspunkt, hvor vi realistisk kan diskutere ideen om autonomi på vejene.
vi har dog ikke Niveau 5 autonomi endnu. Teknologiske udfordringer mod niveau 5 autonomi inkluderer: kørsel i overbelastning, kørsel i høje hastigheder, kørsel i dårligt vejr (regn, sne), kørsel blandt menneskelige chauffører, kørsel i områder, hvor der ikke er kort med høj densitet, og reaktion på hjørnesager. Et køretøjs opfattelsessystem har ikke samme kvalitet og effektivitet som det menneskelige øje. For at være klar er der nogle ting, som maskiner kan gøre bedre end mennesker, som at estimere nøjagtigt, hvor hurtigt et andet køretøj bevæger sig. Men robotter deler ikke vores genkendelsesfunktioner. Hvordan kunne de? Vi bruger hele vores liv på at lære at observere verden og give mening om den. Maskiner kræver algoritmer til at gøre dette, og data—masser og masser af data, kommenteret for at fortælle dem, hvad det hele betyder. For at muliggøre autonomi er vi nødt til at udvikle nye algoritmer, der hjælper dem med at lære af langt færre eksempler på en uovervåget måde uden konstant menneskelig indgriben.
der er to filosofier, der driver forskning og udvikling inden for autonom kørsel: seriens autonomi og parallel autonomi. Parallel autonomi vedrører udvikling af førerassistentteknologier, hvor føreren er ved rattet, men førerassistentsystemet overvåger, hvad føreren gør og griber ind efter behov-på en måde, der ikke skader—for eksempel for at forhindre en kollision eller for at korrigere den styrevinkel, der holder bilen på vejen. Bilens autonomikapacitet vokser trinvist, men fungerer parallelt med mennesket. Den parallelle autonomimetode gør det muligt for bilen at køre hvor som helst og når som helst. Seriens autonomi forfølger ideen om, at mennesket eller bilen har ansvaret, men ikke begge dele. Når bilen er i autonom tilstand, bidrager mennesket ikke på nogen måde til kørslen. Bilens autonomikapacitet vokser også trinvist, men denne bil kan kun fungere i henhold til de muligheder, der understøttes af dens autonomipakke. Bilen vil gradvist fungere i stadig mere komplekse miljøer.
der er to filosofier, der driver forskning og udvikling inden for autonom kørsel: seriens autonomi og parallel autonomi. Sidstnævnte vedrører udvikling af førerassistentteknologier, hvor føreren er ved rattet, men førerassistentsystemet overvåger, hvad føreren gør og griber ind efter behov
dagens serie autonomiløsninger fungerer i lukkede miljøer (defineret af de veje, som køretøjet kan køre på). Autonomiopskriften starter med at udvide køretøjerne med drive-by-tråd kontrol og sensorer som kameraer og laserscannere. Sensorerne bruges til at oprette kort, til at registrere bevægelige forhindringer, såsom fodgængere og andre køretøjer, og til at lokalisere køretøjet i verden. De autonome køreløsninger er kortbaserede og drager fordel af et årti med fremskridt inden for samtidig lokalisering og kortlægning (SLAM). Kortene er konstrueret ved at køre det autonome køretøj på alle mulige vejsegmenter og samle funktioner med sensorerne. Kortene bruges til hvert efterfølgende autonomt drev, til at planlægge en sti fra start til mål, til at udføre stien, mens man undgår forhindringer, og til at lokalisere køretøjerne, når den udfører stien.
de fleste selvkørende bilfirmaer tester kun deres flåder i større byer, hvor de har udviklet detaljerede 3D-kort, der er omhyggeligt mærket med de nøjagtige positioner af ting som baner, kantsten og stopskilte. Disse kort inkluderer miljøfunktioner detekteret af køretøjets sensorer. Kortene oprettes ved hjælp af 3D LIDAR-systemer, der er afhængige af lys til at scanne det lokale rum, akkumulere millioner af datapunkter og udtrække de funktioner, der definerer hvert sted.
hvis vi ønsker, at selvkørende biler skal være levedygtig global teknologi, er denne afhængighed af detaljerede tidligere kort et problem. Dagens autonome køretøjer er ikke i stand til at køre i landdistrikter, hvor vi ikke har kort—med andre ord på de millioner af miles af veje, der er asfalterede, ubelyste eller upålideligt markerede. På MIT CSAIL begyndte vi at udvikle MapLite som et første skridt for at gøre det muligt for selvkørende biler at navigere på veje, som de aldrig har været på før kun ved hjælp af GPS og sensorer. Vores system kombinerer GPS-data – som den slags, du finder på Google Maps—med data hentet fra LIDAR-sensorer. Sammen giver disse to elementer os mulighed for autonomt at køre en bil på flere ikke-asfalterede landeveje og pålideligt registrere vejen mere end 100 fod (30 meter) på forhånd. Andre forskere har arbejdet på forskellige kortfristede tilgange med varierende grad af succes. Metoder, der bruger opfattelsessensorer som LIDAR, er ofte nødt til at stole stærkt på vejmarkeringer eller foretage brede generaliseringer om geometrien af vejkanter. I mellemtiden kan visionsbaserede tilgange fungere godt under ideelle forhold, men har problemer, når der er dårligt vejr eller dårlig belysning. Med hensyn til “niveau 5 autonomi”—det vil sige autonomi hvor som helst—er vi stadig nogle år væk, og det skyldes både tekniske og lovgivningsmæssige udfordringer.
autonome køretøjer kan antage mange forskellige former, herunder golfvogne, kørestole, scootere, bagage, indkøbsvogne, skraldespande og endda både. Disse teknologier åbner døren for en lang række nye produkter og applikationer
mens fremskridt har været betydelige på den tekniske side, har det været en forståeligt kompleks og trinvis proces at få politikken til at indhente. Politiske beslutningstagere drøfter stadig det niveau, hvor autonome køretøjer skal reguleres. Hvilke typer køretøjer skal være tilladt på vejen, og hvem har lov til at betjene dem? Hvordan skal sikkerheden testes, og af hvem? Hvordan kan forskellige ansvarsordninger forme rettidig og sikker vedtagelse af autonome køretøjer, og hvad er afvejningerne? Hvad er konsekvenserne af et kludetæppe af statslige love og regler, og hvad er afvejningerne i harmoniseringen af disse politikker? I hvilket omfang bør politiske beslutningstagere tilskynde til vedtagelse af autonome køretøjer? For eksempel gennem smart-road infrastruktur, dedikerede motorvejsbaner, producent eller forbrugerincitamenter? Dette er komplekse spørgsmål vedrørende brugen af autonome køretøjer på offentlige veje. Samtidig er en form for autonomi, der allerede kan implementeres nu, “Niveau 4 autonomi”, defineret som autonomi i nogle miljøer noget af tiden. Teknologien er her for autonome køretøjer, der kan køre i godt vejr, på private måder og ved lavere hastigheder.
miljøer som pensioneringssamfund, campusser, hotelejendomme og forlystelsesparker kan alle drage fordel af niveau 4 autonomiteknologier. Autonome køretøjer kan tage mange forskellige former, herunder golfvogne, kørestole, scootere, bagage, indkøbsvogne, skraldespande og endda både. Disse teknologier åbner døren til en lang række nye produkter og applikationer, fra mobilitet efter behov, til autonom shopping og transport af varer og mere effektiv mobilitet på hospitaler. Alle ville drage fordel af, at transport bliver et bredt tilgængeligt værktøj, men disse fordele vil have en særlig indflydelse på nye chauffører, vores ældre befolkning, og mennesker, der er ramt af sygdom eller handicap.
den teknologi, der muliggør autonomi for biler, kan have en meget bred samfundsmæssig indvirkning. Forestil dig beboere i et pensionssamfund, der transporteres sikkert af automatiserede golfvogne. I fremtiden vil vi være i stand til at automatisere alt på hjul—ikke kun støvsugere i dag, men også plæneklippere eller endda skraldespande.
hvis vi ønsker, at selvkørende biler skal være levedygtig global teknologi, er denne afhængighed af detaljerede tidligere kort et problem. Dagens autonome køretøjer er ikke i stand til at køre i landdistrikter, hvor vi ikke har kort
den samme teknologi, der muliggør dette automatiseringsniveau, kan endda bruges til at hjælpe mennesker, der beskæftiger sig med handicap—som blinde—opleve verden på måder, der aldrig før er muligt. Synshandicap påvirker cirka 285 millioner mennesker over hele verden, mennesker, der kunne drage enormt fordel af øget mobilitet og robothjælp. Dette er et segment af befolkningen, som teknologien ofte har efterladt eller ignoreret, men i dette tilfælde kan teknologien gøre hele forskellen. Bærbare enheder, der inkluderer sensorer, der bruges af selvkørende biler og kører autonomiprogrammer, kan gøre det muligt for synshandicappede at opleve verden sikkert og på måder, der er meget rigere end stokken.
robotik vil ændre den måde, vi transporterer mennesker og ting på i den nærmeste fremtid. Men kort efter vil det gøre mere end at levere ting til tiden; det vil også gøre det muligt for os at producere disse ting hurtigt og lokalt.
udfordringer inden for robotik
på trods af nylige og betydelige fremskridt i marken og løfter for fremtiden er nutidens robotter stadig ret begrænsede i deres evne til at finde ud af tingene, deres kommunikation er ofte skør, og det tager for meget tid at fremstille nye robotter. Bred anvendelse af robotter vil kræve en naturlig integration af robotter i den menneskelige verden snarere end en integration af mennesker i maskinernes verden.
ræsonnement
robotter kan kun udføre begrænset ræsonnement på grund af det faktum, at deres beregninger er nøje specificeret. For nutidens robotter er alt stavet ud med enkle instruktioner, og robotens omfang er helt indeholdt i sit program. Opgaver, som mennesker tager for givet, for eksempel at stille spørgsmålet “Har jeg været her før?”er notorisk vanskelige for robotter. Robotter registrerer funktionerne på de steder, de har besøgt. Disse funktioner udvindes fra sensorer såsom kameraer eller laserscannere. Det er svært for en maskine at skelne mellem funktioner, der hører til en scene, som robotten allerede har set, og en ny scene, der tilfældigvis indeholder nogle af de samme objekter. Generelt er de data, der indsamles fra sensorer og aktuatorer, for store og for lave niveauer; det skal kortlægges til meningsfulde abstraktioner, for at robotter effektivt kan bruge informationen. Nuværende maskinlæringsforskning om big data adresserer, hvordan man komprimerer et stort datasæt til et lille antal semantisk meningsfulde datapunkter. Opsummering kan også bruges af robotter. For eksempel kunne robotter opsummere deres visuelle historie for at reducere antallet af billeder, der kræves for at afgøre, om “jeg har været her før.”
derudover kan robotter ikke klare uventede situationer. Hvis en robot støder på en sag, den ikke var programmeret til at håndtere eller er uden for rammerne af dens evner, vil den gå ind i en fejltilstand og stoppe. Ofte kan robotten ikke kommunikere årsagen til fejlen. For eksempel er støvsugerrobotter designet og programmeret til at bevæge sig på gulvet, men kan ikke klatre op ad trappen.
robotter har brug for at lære at justere deres programmer, tilpasse sig deres omgivelser og de interaktioner, de har med mennesker, med deres miljøer og med andre maskiner. I dag har alle med internetadgang verdens information lige ved hånden, inklusive maskiner. Robotter kunne drage fordel af disse oplysninger til at træffe bedre beslutninger. Robotter kunne også registrere og bruge hele deres historie (for eksempel output fra deres sensorer og aktuatorer) og erfaringerne fra andre maskiner. For eksempel kan en robot, der er trænet til at gå din hund, få adgang til vejrrapporten online og derefter, baseret på tidligere gåture, bestemme den bedste rute at tage. Måske en kort gåtur, hvis det er varmt eller regner, eller en lang gåtur til en nærliggende park, hvor andre robothundevandrere i øjeblikket er placeret. Alt dette kunne bestemmes uden menneskelig interaktion eller intervention.
kommunikation
en verden med mange robotter, der arbejder sammen, kræver pålidelig kommunikation til koordinering. På trods af fremskridt inden for trådløs kommunikation er der stadig hindringer i robot-til-robot-kommunikation. Problemet er, at modellering og forudsigelse af kommunikation er notorisk hård, og enhver robotkontrolmetode, der er afhængig af aktuelle kommunikationsmodeller, er fyldt med støj. Robotterne har brug for mere pålidelige tilgange til kommunikation, der garanterer den båndbredde, de har brug for, når de har brug for det. For at få robust robot-til-robot-kommunikation er et nyt paradigme at måle kommunikationskvaliteten lokalt i stedet for at forudsige den med modeller. Ved hjælp af ideen om at måle kommunikation kan vi begynde at forestille os at bruge flyvende robotter som mobile basestationer, der koordinerer med hinanden for at give kommunikationsdækning i planetskala. Sværme af flyvende robotter kunne bringe internetadgang overalt i verden.
kommunikation mellem robotter og mennesker er også i øjeblikket begrænset. Mens taleteknologier er blevet anvendt til at give robotter kommandoer på menneskeligt sprog (for eksempel “Flyt til døren”), er omfanget og ordforrådet for disse interaktioner lavt. Robotter kan bruge hjælp fra mennesker, når de sidder fast. Det viser sig, at selv en lille mængde menneskelig indgriben i en robots opgave fuldstændigt ændrer problemet og giver maskinerne mulighed for at gøre mere.
i øjeblikket, når robotter støder på noget uventet (en sag, som det ikke var programmeret til), sidder de fast. Antag, i stedet for bare at sidde fast, var roboten i stand til at begrunde, hvorfor den sidder fast og hente menneskelig hjælp. For eksempel viser det nylige arbejde med at bruge robotter til at samle IKEA-møbler, at robotter kan genkende, når et bordben er uden for rækkevidde og bede mennesker om at give dem delen. Efter at have modtaget delen genoptager robotterne samlingsopgaven. Dette er nogle af de første skridt mod at skabe symbiotiske menneske-robothold, hvor robotter og mennesker kan bede hinanden om hjælp.
Design og fabrikation
en anden stor udfordring med nutidens robotter er længden af tid til at designe og fremstille nye robotter. Vi er nødt til at fremskynde oprettelsen af robotter. Mange forskellige typer robotter er tilgængelige i dag, men hver af disse robotter tog mange år at producere. Robotternes beregnings—, mobilitets—og manipulationsevne er tæt koblet til robottens krop-dets maskinsystem. Da nutidens robotlegemer er faste og vanskelige at udvide, er hver robots muligheder begrænset af dens krop. Fremstilling af nye robotter-add-on robotmoduler, inventar eller specialiserede værktøjer til at udvide kapaciteter—er ikke en reel mulighed, da processen med design, fabrikation, samling og programmering er lang og besværlig. Vi har brug for værktøjer, der vil fremskynde design og fremstilling af robotter. Forestil dig at oprette en robotkompiler, der tager input til robotens funktionelle specifikation (for eksempel “Jeg vil have en robot til at spille skak med mig”) og beregner et design, der opfylder specifikationen, en fabrikationsplan og et brugerdefineret programmeringsmiljø til brug af robotten. Mange opgaver store og små kunne automatiseres ved hurtig design og fabrikation af mange forskellige typer robotter ved hjælp af en sådan robotkompiler.
mod Pervasive Robotics
der er betydelige huller mellem, hvor robotter er i dag, og løftet om gennemgribende integration af robotter i hverdagen. Nogle af hullerne vedrører oprettelsen af robotter—hvordan designer og fremstiller vi nye robotter hurtigt og effektivt? Andre huller vedrører robotternes beregning og evner til at ræsonnere, ændre og tilpasse sig til stadig mere komplekse opgaver i stadig mere komplekse miljøer. Andre huller vedrører interaktioner mellem robotter og mellem robotter og mennesker. Nuværende forskningsretninger inden for robotik skubber konvolutten i hver af disse retninger og sigter mod bedre løsninger til at fremstille robotter, kontrollere robotternes bevægelse og deres manipulationsevner, øge robotternes evne til at ræsonnere, muliggøre semantisk opfattelse gennem maskinsyn og udvikle mere fleksibel koordinering og samarbejde mellem maskiner og mellem maskiner og mennesker. At møde disse udfordringer vil bringe robotter tættere på visionen om gennemgribende robotik: den forbundne verden af mange mennesker og mange robotter, der udfører mange forskellige opgaver.
Pervasive, tilpasset robotik er en stor udfordring, men dens omfang er ikke ulig udfordringen med pervasive computing, som blev formuleret for omkring femogtyve år siden. I dag kan vi sige, at computing faktisk er gennemgribende, det er blevet et værktøj og er tilgængeligt overalt, når som helst. Så hvad ville det tage at have en gennemgribende integration af robotter i hverdagen? “De mest dybtgående teknologier er dem, der forsvinder. De væver sig ind i hverdagens stof, indtil de ikke kan skelnes fra det.”
for eksempel var elektricitet engang en ny teknologi, og nu er den en del af livet. Robotteknologier har potentialet til at slutte sig til den personlige computer og elektricitet som gennemgribende aspekter af hverdagen. I den nærmeste fremtid vil robotteknologier ændre, hvordan vi tænker på mange aspekter af hverdagen.
der er betydelige huller mellem, hvor robotter er i dag, og løftet om gennemgribende integration af robotter i hverdagen. Disse huller vedrører oprettelsen af robotter, deres beregning og evne til at ræsonnere, ændre og tilpasse sig til stadig mere komplekse opgaver i stadig mere komplekse miljøer, og deres evne til at interagere med mennesker
selvkørende bilflåder har potentialet til at gøre transport til et hjælpeprogram med tilpassede forlystelser tilgængelige hvor som helst og når som helst. Offentlig transport kan blive et to-lags system: et netværk af store køretøjer (for eksempel tog, busser), der leverer rygradstransport for mange mennesker over lange afstande, og flåder af transportbælg, der leverer de tilpassede transportbehov hos enkeltpersoner til korte humle. Et sådant transportnetværk ville være forbundet til IT-infrastrukturen og til folk for at give mobilitet efter behov. Driften af rygraden kan omfatte dynamisk skiftende ruter for at tilpasse sig folks behov. Realtids-og historiske transportdata bruges allerede til at bestemme de mest optimale busruter og placering af stop ved en fin granularitet. Mobilitet efter behov kan lettes ved hjælp af avancerede teknologier til selvkørende køretøjer. At tage en førerløs bil til en tur kan være lige så let som at bruge en smartphone. Robotbælgene ville vide, hvornår folk ankommer til en station, hvor de mennesker er, der har brug for en tur nu, og hvor de andre robotbælg er. Efter at have kørt folk til deres destination, ville robotbælgene køre sig selv til den næste kunde ved hjælp af efterspørgselsmatchnings-og koordineringsalgoritmer for at optimere flådens drift og minimere folks ventetid. Offentlig transport ville være praktisk og tilpasset.