Tenk deg en fremtid der roboter er så integrert i stoffet i menneskelivet at de blir like vanlige som smarttelefoner er i dag. Feltet robotikk har potensial til å forbedre kvaliteten på våre liv på jobben, hjemme og på spill ved å gi folk støtte til kognitive oppgaver og fysiske oppgaver. I årevis har roboter støttet menneskelig aktivitet i farlige, skitne og kjedelige oppgaver, og har gjort det mulig å utforske uoppnåelige miljøer, fra de dype havene til dypt rom. I økende grad vil mer dyktige roboter kunne tilpasse seg, lære og samhandle med mennesker og andre maskiner på kognitive nivåer.
den raske utviklingen av teknologi det siste tiåret har gjort databehandling uunnværlig. Computing har endret måten vi jobber, lever og spiller på. Digitaliseringen av praktisk talt alt, kombinert med fremskritt innen robotteknologi, lover en fremtid der tilgang til høyteknologiske maskiner er demokratisert og tilpasning utbredt. Roboter blir stadig mer kapable på grunn av deres evne til å utføre mer komplekse beregninger og samhandle med verden gjennom stadig rikere sensorer og bedre aktuatorer.
en tilkoblet verden med mange tilpassede roboter som jobber sammen med mennesker, skaper allerede nye jobber, forbedrer kvaliteten på eksisterende jobber og sparer folk tid slik at de kan fokusere på det de finner interessant, viktig og spennende. I dag har roboter allerede blitt våre partnere i industrielle og innenlandske innstillinger. De jobber side om side med folk i fabrikker og operasjonsrom. De klipper plenen vår, støvsuger gulvene våre og melker til og med kuene våre. Om noen år vil de berøre enda flere deler av våre liv.
Pendling til jobb i din førerløse bil lar deg lese, returnere samtaler, ta opp favorittpodcaster, og til og med lur. Robotbilen vil også fungere som assistent, holde oversikt over hva du trenger å gjøre, planlegge ruter for å sikre at alle dine oppgaver er gjort, og sjekke de nyeste trafikkdataene for å velge de minst overbelastede veiene. Førerløse biler vil bidra til å redusere dødsfall fra bilulykker, mens autonome gaffeltrucker kan bidra til å eliminere ryggskader forårsaket av å løfte tunge gjenstander. Roboter kan endre noen eksisterende jobber, men generelt kan roboter gi gode samfunnsmessige bidrag. Plenpleieroboter og bassengrengjøringsroboter har endret hvordan disse oppgavene utføres. Roboter kan hjelpe menneskeheten med store og små problemer.
digitaliseringen av praktisk talt alt, kombinert med fremskritt innen robotteknologi, lover en fremtid der tilgang til høyteknologiske maskiner er demokratisert og tilpasning utbredt
målet med robotteknologi er ikke å erstatte mennesker ved å mekanisere og automatisere oppgaver, men heller å finne nye måter som gjør at roboter kan samarbeide med mennesker mer effektivt. Roboter er bedre enn mennesker på oppgaver som å knase tall og bevege seg med presisjon. Roboter kan løfte mye tyngre gjenstander. Mennesker er bedre enn roboter på oppgaver som resonnement, definering av abstraksjoner og generalisering eller spesialisering takket være vår evne til å trekke på tidligere erfaringer. Ved å jobbe sammen kan roboter og mennesker øke og utfylle hverandres ferdigheter.
Et Tiår Med Fremgang Som Muliggjør Autonomi
fremskrittene i robotteknologi i løpet av det siste tiåret har vist at robotenheter kan lokalisere, manipulere og samhandle med mennesker og deres miljø på unike måter. Bevegelsesegenskapene til roboter har blitt aktivert av den brede tilgjengeligheten av nøyaktige sensorer (for eksempel laserskannere), motorer med høy ytelse og utvikling av robuste algoritmer for kartlegging, lokalisering, bevegelsesplanlegging og veipunktnavigasjon. Mange nye applikasjoner er mulige takket være fremgang i å utvikle robotlegemer (maskinvare) og robothjerner (programvare).
robotens evner er definert av den tette koblingen mellom deres fysiske kropper og beregningen som består av hjernen deres. For eksempel må en flygende robot ha en kropp som er i stand til å fly og algoritmer for å kontrollere flyet. Dagens roboter kan gjøre grunnleggende bevegelse på bakken, i luften og i vannet. De kan gjenkjenne objekter, kartlegge nye miljøer, utføre pick-and-place-operasjoner, lære å forbedre kontrollen, etterligne enkle menneskelige bevegelser, skaffe seg ny kunnskap og til og med fungere som et koordinert team. For eksempel, de nyeste fotball roboter og algoritmer er satt i praksis på en årlig robot fotball konkurranse kalt RoboCup.
nylige fremskritt innen disklagring, omfanget og ytelsen Til Internett, trådløs kommunikasjon, verktøy som støtter design og produksjon, og kraften og effektiviteten til elektronikk, kombinert med den verdensomspennende veksten av datalagring, har påvirket utviklingen av roboter på flere måter. Maskinvarekostnadene går ned, elektromekaniske komponenter er mer pålitelige, verktøy for å lage roboter er rikere, programmeringsmiljøer er lettere tilgjengelige, og roboter har tilgang til verdens kunnskap gjennom skyen. Vi kan begynne å forestille oss spranget fra den personlige datamaskinen til den personlige roboten, noe som fører til mange applikasjoner der roboter eksisterer gjennomgripende og jobber side om side med mennesker.
målet med robotikk er ikke å erstatte mennesker ved å mekanisere og automatisere oppgaver, men heller å finne nye måter som gjør at roboter kan samarbeide med mennesker mer effektivt
Transport er et godt eksempel. Det er mye lettere å flytte en robot gjennom verden enn det er å bygge en robot som kan samhandle med den. I løpet av det siste tiåret har betydelige fremskritt innen algoritmer og maskinvare gjort det mulig for oss å forestille oss en verden der mennesker og varer flyttes på en mye tryggere og mer praktisk måte med optimaliserte flåter av selvkjørende biler.
I et enkelt år kjører Amerikanerne nesten tre billioner miles.1 Hvis du gjennomsnittlig det ut på 60 mph, legger det opp til nesten femti milliarder timer brukt i bilen.2 dette tallet vokser eksponentielt når man vurderer resten av kloden. Men tiden i våre biler er ikke uten utfordringer. I Dag skjer en bilulykke hvert femte sekund i Usa.3 Globalt er trafikkskader den åttende største dødsårsaken, med om lag 1,24 millioner liv tapt hvert år.4 I tillegg til disse forferdelige menneskelige kostnadene, tar disse krasjene en enorm økonomisk avgift. National Highway Traffic Safety Administration har beregnet den økonomiske kostnaden I Usa på rundt $ 277 milliarder i året.5 Å Sette en pute i disse tallene er en enorm utfordring – men en som er veldig viktig å takle. Selvkjørende biler har potensial til å eliminere trafikkulykker.
Tenk deg om biler kunne lære … lær hvordan vi kjører … lær hvordan du aldri skal være ansvarlig for en kollisjon … lær hva vi trenger når vi kjører? Hva om de kunne bli pålitelige partnere? Partnere som kan hjelpe oss med å navigere vanskelige veier, se ryggen når vi er trette, til og med gjøre vår tid i bilen … moro? Hva om bilen din kunne fortelle deg at du har en hard dag og slå på favorittmusikken din for å hjelpe deg med å slappe av, mens du ser nøye på hvordan du kjører? Hva om bilen din også visste at du glemte å ringe foreldrene dine i går og utstedt en mild påminnelse på vei hjem. Og forestill deg at det var lett å ringe fordi du kunne slå kjøringen over til bilen på en kjedelig strekning av motorveien.
Erkjenner dette ekstraordinære potensialet i løpet av de siste par årene, annonserte de fleste bilprodusenter selvkjørende bilprosjekter. Elon Musk forutså at vi kunne sovne på rattet om fem år; Google/Waymo-bilen har vært i nyhetene mye for å kjøre flere millioner ulykkesfrie miles; Nissan lovet selvkjørende biler innen 2020; Mercedes opprettet en prototype 2014 Model S Autonome bil; Og Toyota annonserte (September 2015) et ambisiøst program for å utvikle en bil som aldri vil være ansvarlig for en kollisjon, og investerte $1 milliard for å fremme kunstig intelligens.
det er mye aktivitet i dette rommet over et stort spekter av bilegenskaper. For å forstå hvor alle de ulike fremskrittene faller, er det nyttig å se på National Highway Traffic Safety Administration (NHTSA) klassifisering av fem nivåer av autonomi: Nivå 0 inkluderer ikke noen støtte for automatisering; Nivå 1 inkluderer verktøy for ytterligere tilbakemelding til den menneskelige sjåføren, for eksempel ved hjelp av et bakre kamera; Nivå 2 inkluderer lokalisert aktiv kontroll, for eksempel antilåsebremser; Nivå 3 inkluderer støtte for velg autonomi, men mennesket må være klar til å ta over (som I Tesla Autopilot); Nivå 4 inkluderer autonomi noen steder noe av tiden; Og nivå 5 er autonomi i alle miljøer hele tiden.
en alternativ måte å karakterisere autonomien til en selvkjørende bil er i henhold til tre akser som definerer (1) kjøretøyets hastighet; (2) kompleksiteten i miljøet der kjøretøyet beveger seg, og (3) kompleksiteten i samspillet med bevegelige agenter (biler, mennesker, syklister og så videre) i det miljøet. Forskere skyver konvolutten langs hver av disse aksene, med sikte på å komme nærmere nivå 5 autonomi.
i løpet av det siste tiåret har betydelige fremskritt innen algoritmer og maskinvare gjort det mulig for oss å forestille oss en verden der mennesker og varer flyttes på en mye tryggere og mer praktisk måte med optimaliserte flåter av selvkjørende biler
på grunn av algoritmiske og maskinvarefremskritt i løpet av det siste tiåret, er dagens teknologi klar for Nivå 4-distribusjoner ved lave hastigheter i lavkompleksitetsmiljøer med lavt samspill med omgivende fotgjengere og andre kjøretøy. Dette inkluderer autonomi på private veier, for eksempel i pensjonssamfunn og universiteter, eller på offentlige veier som ikke er veldig overbelastede.
nivå 4 autonomi har blitt aktivert av et tiår med fremskritt innen maskinvare og algoritmer tilgjengelig for robotene. Viktigst er konvergensen av flere viktige algoritmiske utviklinger: kartfremstilling, noe som betyr at kjøretøyet kan bruke sensorene til å lage et kart; lokalisering, noe som betyr at kjøretøyet kan bruke sensorene til å finne ut hvor det er på kartet; oppfatning, noe som betyr at kjøretøyet kan oppleve de bevegelige gjenstandene på veien; planlegging og beslutningstaking, noe som betyr at kjøretøyet kan finne ut hva de skal gjøre neste basert på hva det ser nå; og pålitelig maskinvare, samt kjøre datasett som gjør at biler kan lære å kjøre fra mennesker. I dag kan vi gjøre så mange samtidige beregninger, knase så mye mer data, og kjøre algoritmer i sanntid. Disse teknologiene har tatt oss til et tidspunkt hvor vi realistisk kan diskutere ideen om autonomi på veiene.
Vi har Imidlertid Ikke nivå 5 autonomi ennå. Teknologiske utfordringer mot nivå 5 autonomi inkluderer: kjøring i overbelastning, kjøring med høye hastigheter, kjøring i dårlig vær (regn, snø), kjøring blant menneskelige drivere, kjøring i områder der det ikke er noen kart med høy tetthet og respons på hjørnesaker. Oppfattelsessystemet til et kjøretøy har ikke samme kvalitet og effektivitet som det menneskelige øye. For å være klar, er det noen ting som maskiner kan gjøre bedre enn folk, som anslå nøyaktig hvor raskt et annet kjøretøy beveger seg. Men roboter deler ikke våre anerkjennelsesevner. Hvordan kunne de? Vi bruker hele livet på å lære å observere verden og forstå den. Maskiner krever algoritmer for å gjøre dette, og data-masse og masse data, annotert for å fortelle dem hva det betyr. For å gjøre autonomi mulig, må vi utvikle nye algoritmer som hjelper dem å lære av langt færre eksempler på en uovervåket måte, uten konstant menneskelig inngrep.
det er to filosofier som driver forskning og utvikling i autonom kjøring: serie autonomi og parallell autonomi. Parallel autonomy handler om å utvikle førerassistentteknologier der føreren sitter bak rattet, men førerassistentsystemet overvåker hva føreren gjør og griper inn etter behov—på en måte som ikke skader-for eksempel for å forhindre en kollisjon eller for å korrigere styrevinkelen som holder bilen på veien. Bilens autonomi evner vokser trinnvis, men opererer parallelt med mennesket. Den parallelle autonomi-tilnærmingen gjør at bilen kan operere hvor som helst, når som helst. Seriens autonomi forfølger ideen om at mennesket eller bilen er ansvarlig, men ikke begge deler. Når bilen er i autonom modus, bidrar ikke mennesket på noen måte til kjøringen. Bilens autonomi evner vokser også trinnvis, men denne bilen kan bare fungere i henhold til evner som støttes av sin autonomi-pakke. Bilen vil gradvis operere i stadig mer komplekse miljøer.
det er to filosofier som driver forskning og utvikling i autonom kjøring: serieautonomi og parallell autonomi. Sistnevnte gjelder utvikling av førerassistentteknologier der føreren sitter ved rattet, men førerassistentsystemet overvåker hva føreren gjør og griper inn etter behov
dagens serie autonomiløsninger opererer i lukkede miljøer (definert av veiene som kjøretøyet kan kjøre på). Autonomi-oppskriften starter med å øke kjøretøyene med drive-by-wire-kontroll og sensorer som kameraer og laserskannere. Sensorene brukes til å lage kart, for å oppdage bevegelige hindringer, for eksempel fotgjengere og andre kjøretøy, og for å lokalisere kjøretøyet i verden. De autonome kjøreløsningene er kartbaserte og drar nytte av et tiår med fremgang innen området simultan lokalisering og kartlegging (SLAM). Kartene er konstruert ved å kjøre det autonome kjøretøyet på alle mulige veisegmenter, og samler funksjoner med sensorene. Kartene brukes for hver etterfølgende autonom stasjon, for å planlegge en bane fra start til mål, for å utføre banen mens du unngår hindringer, og å lokalisere kjøretøyene som den utfører banen.
de fleste selvkjørende bilfirmaer tester bare sine flåter i større byer der de har utviklet detaljerte 3d-kart som er omhyggelig merket med nøyaktige posisjoner av ting som baner, fortauer og stoppskilt. Disse kartene inkluderer miljøfunksjoner oppdaget av bilens sensorer. Kartene er laget VED HJELP AV 3D LIDAR-systemer som er avhengige av lys for å skanne det lokale rommet, samle millioner av datapunkter og trekke ut funksjonene som definerer hvert sted.
hvis vi vil at selvkjørende biler skal være levedyktig global teknologi, er denne avhengigheten av detaljerte tidligere kart et problem. Dagens autonome kjøretøy er ikke i stand til å kjøre i landlige omgivelser der vi ikke har kart-med andre ord på de millioner av miles av veier som er unpaved, ubelyst eller upålitelig merket. På MIT CSAIL begynte Vi å utvikle MapLite som et første skritt for å gjøre det mulig for selvkjørende biler å navigere på veier som de aldri har vært på før de bare brukte GPS og sensorer. Vårt SYSTEM kombinerer GPS-data-som den typen Du finner På Google Maps – med data hentet FRA LIDAR-sensorer. Sammen gir disse to elementene oss mulighet til å kjøre bil på flere ikke-asfalterte landeveier og på en pålitelig måte oppdage veien mer enn 100 fot (30 meter) på forhånd. Andre forskere har jobbet med ulike kartløse tilnærminger med varierende grad av suksess. Metoder som bruker oppfattelsessensorer som LIDAR, må ofte stole tungt på veibeskrivelser eller gjøre brede generaliseringer om geometrien til vegkanter. I mellomtiden kan visjonsbaserte tilnærminger fungere godt under ideelle forhold, men har problemer når det er dårlig vær eller dårlig belysning. Når det gjelder «nivå 5 autonomi—- det vil si autonomi hvor som helst når som helst—er vi fortsatt noen år unna, og dette skyldes både tekniske og regulatoriske utfordringer.
Autonome kjøretøy kan ta mange forskjellige former, inkludert golfbiler, rullestoler, scootere, bagasje, handlekurver, søppelkasser og til og med båter. Disse teknologiene åpner døren til et stort utvalg av nye produkter og applikasjoner
mens fremgangen har vært betydelig på den tekniske siden, har det vært en forståelig kompleks og inkrementell prosess å få politikk til å hente seg. Politiske beslutningstakere diskuterer fortsatt nivået der autonome kjøretøy skal reguleres. Hvilke typer kjøretøy bør tillates på veien, og hvem har lov til å betjene dem? Hvordan skal sikkerheten testes, og av hvem? Hvordan kan ulike ansvarsregimer forme rettidig og sikker adopsjon av autonome kjøretøy, og hva er avveiningene? Hva er implikasjonene av et lappeteppe av statlige lover og forskrifter, og hva er avveiningene i å harmonisere disse retningslinjene? I hvilken grad bør politiske beslutningstakere oppmuntre til adopsjon av autonome kjøretøy? For eksempel gjennom smart-vei infrastruktur, dedikerte motorveier, produsent eller forbruker insentiver? Dette er komplekse spørsmål om bruk av autonome kjøretøy på offentlige veier. Samtidig er en form for autonomi som allerede kan distribueres nå «nivå 4 autonomi», definert som autonomi i noen miljøer noe av tiden. Teknologien er her for autonome kjøretøy som kan kjøre i godt vær, på private måter og med lavere hastigheter.
Miljøer som pensjonssamfunn, campuser, hotelleiendommer og fornøyelsesparker kan alle dra nytte Av nivå 4 autonomiteknologier. Autonome kjøretøy kan ta mange forskjellige former, inkludert golfbiler, rullestoler, scootere, bagasje, handlekurver, søppelkasser og til og med båter. Disse teknologiene åpner døren til et stort utvalg av nye produkter og applikasjoner, fra mobilitet på forespørsel, til autonom shopping og transport av varer, og mer effektiv mobilitet på sykehus. Alle vil ha nytte av at transport blir et allment tilgjengelig verktøy, men disse fordelene vil ha en særlig innvirkning på nye drivere, vår eldre befolkning og personer som er rammet av sykdom eller funksjonshemning.
teknologien som muliggjør autonomi for biler, kan ha en svært bred samfunnsmessig innvirkning. Tenk deg at innbyggerne i et pensjonssamfunn blir transportert trygt av automatiserte golfbiler. I fremtiden vil vi kunne automatisere alt på hjul-ikke bare støvsugere i dag, men også gressklippere eller søppelkasser.
hvis vi vil at selvkjørende biler skal være levedyktig global teknologi, er denne avhengigheten av detaljerte tidligere kart et problem. Dagens autonome kjøretøy kan ikke kjøre i landlige omgivelser der vi ikke har kart
Den samme teknologien som gjør det mulig for dette automatiseringsnivået, kan til og med bli tatt i bruk for å hjelpe mennesker som arbeider med funksjonshemninger—som blinde—oppleve verden på måter som aldri før er mulig. Synshemming påvirker omtrent 285 millioner mennesker over hele verden, mennesker som kan ha stor nytte av økt mobilitet og robothjelp. Dette er et segment av befolkningen som teknologien ofte har etterlatt seg eller ignorert, men i dette tilfellet kan teknologien gjøre hele forskjellen. Bærbare enheter som inkluderer sensorene som brukes av selvkjørende biler og kjører autonomi-programvare, kan gjøre det mulig for synshemmede å oppleve verden trygt og på måter som er mye rikere enn stokken.
Robotikk vil endre måten vi transporterer mennesker og ting i nær fremtid. Men, snart etter, det vil gjøre mer enn å levere ting i tide; det vil også gjøre oss i stand til å produsere disse tingene raskt og lokalt.
Utfordringer I Robotteknologi
Til tross for nylige og betydelige fremskritt i feltet, og løfte for fremtiden, er dagens roboter fortsatt ganske begrenset i deres evne til å finne ut ting, deres kommunikasjon er ofte sprø, og det tar for mye tid å lage nye roboter. Bred adopsjon av roboter vil kreve en naturlig integrering av roboter i den menneskelige verden i stedet for en integrering av mennesker i maskinens verden.
Resonnement
Roboter kan bare utføre begrenset resonnement på grunn av at deres beregninger er nøye spesifisert. For dagens roboter er alt stavet ut med enkle instruksjoner, og omfanget av roboten er helt inneholdt i sitt program. Oppgaver som mennesker tar for gitt, for eksempel å stille spørsmålet «Har jeg vært her før?»er notorisk vanskelig for roboter. Roboter registrerer funksjonene til stedene de har besøkt. Disse funksjonene er hentet fra sensorer som kameraer eller laserskannere. Det er vanskelig for en maskin å skille mellom funksjoner som tilhører en scene roboten allerede har sett og en ny scene som tilfeldigvis inneholder noen av de samme objektene. Generelt er dataene som samles inn fra sensorer og aktuatorer for store og for lave; det må kartlegges til meningsfulle abstraksjoner for at roboter skal kunne bruke informasjonen effektivt. Nåværende maskinlæringsforskning på store data adresserer hvordan man komprimerer et stort datasett til et lite antall semantisk meningsfulle datapunkter. Oppsummering kan også brukes av roboter. For eksempel kan roboter oppsummere sin visuelle historie for å redusere betydelig antall bilder som kreves for å avgjøre om » jeg har vært her før.»
i Tillegg kan roboter ikke takle uventede situasjoner. Hvis en robot møter en sak den ikke var programmert til å håndtere eller er utenfor omfanget av sine evner, vil den gå inn i en feiltilstand og stoppe. Ofte kan ikke roboten kommunisere årsaken til feilen. For eksempel er støvsugeroboter designet og programmert til å bevege seg på gulvet, men kan ikke gå i trapper.
Roboter må lære å justere sine programmer, tilpasse seg omgivelsene og samspillet de har med mennesker, med deres omgivelser og med andre maskiner. I dag har Alle Med Internett tilgang verdens informasjon på fingertuppene, inkludert maskiner. Roboter kan dra nytte av denne informasjonen for å ta bedre beslutninger. Roboter kan også registrere og bruke hele sin historie (for eksempel utgang fra sensorer og aktuatorer), og erfaringer fra andre maskiner. For eksempel kan en robot som er trent til å gå tur med hunden din, få tilgang til værmeldingen på nettet, og deretter, basert på tidligere turer, bestemme den beste ruten å ta. Kanskje en kort spasertur hvis det er varmt eller regn, eller en lang tur til en nærliggende park der andre robothundvandrere er for tiden lokalisert. Alt dette kan bestemmes uten menneskelig interaksjon eller intervensjon.
Kommunikasjon
en verden med mange roboter som arbeider sammen krever pålitelig kommunikasjon for koordinering. Til tross for fremskritt innen trådløs kommunikasjon, er det fortsatt hindringer i robot-til-robot kommunikasjon. Problemet er at modellering og forutsi kommunikasjon er notorisk vanskelig, og enhver robotkontrollmetode som er avhengig av dagens kommunikasjonsmodeller, er full av støy. Robotene trenger mer pålitelige tilnærminger til kommunikasjon som garanterer båndbredden de trenger, når de trenger det. For å få robust robot-til-robot-kommunikasjon, er et nytt paradigme å måle lokalt kommunikasjonskvaliteten i stedet for å forutsi den med modeller. Ved å bruke ideen om å måle kommunikasjon, kan vi begynne å forestille oss å bruke flygende roboter som mobile basestasjoner som koordinerer med hverandre for å gi kommunikasjonsdekning på planeten. Svermer av flygende roboter kan bringe Internett-tilgang overalt i verden.
Kommunikasjon mellom roboter og mennesker er også for tiden begrenset. Mens taleteknologi har vært ansatt for å gi roboter kommandoer på menneskelig språk (for eksempel «flytt til døren»), er omfanget og vokabularet av disse interaksjonene grunne. Roboter kan bruke hjelp av mennesker når de sitter fast. Det viser seg at selv en liten mengde menneskelig inngrep i en robots oppgave endrer problemet helt og gir maskinene mulighet til å gjøre mer.
for tiden, når roboter møter noe uventet (et tilfelle som det ikke var programmert for), sitter de fast. Anta, i stedet for bare å bli sittende fast, roboten var i stand til å resonnere om hvorfor det er fast og verve menneskelig hjelp. For eksempel viser nylig arbeid med å bruke roboter til å montere IKEA-møbler at roboter kan gjenkjenne når et bordben er utenfor rekkevidde og be mennesker om å gi dem delen. Etter å ha mottatt delen, fortsetter robotene monteringsoppgaven. Dette er noen av de første skrittene mot å skape symbiotiske menneske-robotteam hvor roboter og mennesker kan spørre hverandre om hjelp.
Design Og Fabrikasjon
En annen stor utfordring med dagens roboter er hvor lang tid å designe og dikte nye roboter. Vi må fremskynde etableringen av roboter. Mange forskjellige typer roboter er tilgjengelige i dag, men hver av disse robotene tok mange år å produsere. Beregnings -, mobilitets—og manipulasjonsevnen til roboter er tett koblet til robotens kropp-dets maskinvaresystem. Siden dagens robotlegemer er faste og vanskelige å utvide, er evnen til hver robot begrenset av kroppen. Fabrikere nye roboter-add-on robotmoduler, inventar eller spesialiserte verktøy for å utvide evner-er ikke et reelt alternativ—da prosessen med design, fabrikasjon, montering og programmering er lang og tungvint. Vi trenger verktøy som vil fremskynde design og fabrikasjon av roboter. Tenk deg å lage en robotkompiler som tar inn den funksjonelle spesifikasjonen til roboten (for eksempel «jeg vil at en robot skal spille sjakk med meg») og beregner et design som oppfyller spesifikasjonen, en fabrikasjonsplan og et tilpasset programmeringsmiljø for bruk av roboten. Mange oppgaver store og små kan automatiseres ved rask design og fabrikasjon av mange forskjellige typer roboter ved hjelp av en slik robot kompilator.
Mot Gjennomgripende Robotteknologi
det er betydelige hull mellom hvor roboter er i dag og løftet om gjennomgripende integrering av roboter i hverdagen. Noen av hullene gjelder etableringen av roboter-hvordan designer og produserer vi nye roboter raskt og effektivt? Andre hull gjelder beregning og evnen til roboter til å resonnere, endre og tilpasse seg stadig mer komplekse oppgaver i stadig mer komplekse miljøer. Andre hull gjelder samspill mellom roboter, og mellom roboter og mennesker. Nåværende forskningsretninger i robotteknologi skyver konvolutten i hver av disse retningene, med sikte på bedre løsninger for å lage roboter, kontrollere bevegelsen av roboter og deres manipulasjonsferdigheter, øke robotens evne til å resonnere, muliggjøre semantisk nivåoppfattelse gjennom maskinvisjon, og utvikle mer fleksibel koordinering og samarbeid mellom maskiner og mellom maskiner og mennesker. Å møte disse utfordringene vil bringe roboter nærmere visjonen om gjennomgripende robotteknologi: den tilkoblede verden av mange mennesker og mange roboter som utfører mange forskjellige oppgaver.
Gjennomgripende, tilpasset robotikk er en stor utfordring, men omfanget er ikke ulikt utfordringen med gjennomgripende databehandling, som ble formulert for tjuefem år siden. I dag kan vi si at databehandling faktisk er gjennomgripende, det har blitt et verktøy, og er tilgjengelig hvor som helst, når som helst. Så, hva ville det ta for å ha gjennomgripende integrering av roboter i hverdagen? Mark Weiser, som var sjefforsker Ved Xerox PARC og er allment referert til som far til allestedsnærværende databehandling, sa om gjennomgripende databehandling at: «de mest dype teknologiene er de som forsvinner. De vever seg inn i stoffet i hverdagen til de ikke skiller seg fra det.»
for eksempel var elektrisitet en gang en ny teknologi, og nå er den en del av livet. Robotteknologi har potensial til å bli med i pc og elektrisitet som gjennomgripende aspekter av hverdagen. I nær fremtid vil robotteknologi endre hvordan vi tenker på mange aspekter av hverdagen.
det er betydelige gap mellom hvor roboter er i dag og løftet om gjennomgripende integrering av roboter i hverdagen. Disse hullene gjelder etableringen av roboter, deres beregning og kapasitet til å resonnere, endre og tilpasse seg stadig mer komplekse oppgaver i stadig mer komplekse miljøer, og deres evne til å samhandle med mennesker
Selvkjørende bilflåter har potensial til å gjøre transport til et verktøy, med tilpassede turer tilgjengelig hvor som helst, når som helst. Offentlig transport kan bli et to-lags system: et nettverk av store kjøretøy (for eksempel tog, busser) som gir ryggraden transport for mange mennesker over lange avstander, og flåter av transport pods gi tilpasset transport behovene til enkeltpersoner for korte humle. Et slikt transportnettverk vil være koblet TIL IT-infrastrukturen og til folk for å gi mobilitet på forespørsel. Operasjonen av ryggraden kan inkludere dynamisk skiftende ruter for å tilpasse seg folks behov. Sanntids-og historiske transportdata er allerede brukt til å bestemme de mest optimale bussruter og plassering av stopp ved en fin granularitet. Mobilitet på forespørsel kan tilrettelegges av state-of-the-art teknologi for selvkjørende biler. Å ta en førerløs bil for en tur kan være like enkelt som å bruke en smarttelefon. Robot pods ville vite når folk kommer til en stasjon, hvor folk er som trenger en tur nå, og hvor de andre robot pods er. Etter å ha kjørt folk til bestemmelsesstedet, ville robotkapslene kjøre seg til neste kunde, ved hjelp av etterspørselsmatching og koordineringsalgoritmer for å optimalisere driften av flåten og minimere folks ventetid. Offentlig transport ville være praktisk og tilpasset.