Föreställ dig en framtid där robotar är så integrerade i människans liv att de blir lika vanliga som smartphones är idag. Robotikområdet har potential att förbättra kvaliteten på våra liv på jobbet, hemma och på spel genom att ge människor stöd för kognitiva uppgifter och fysiska uppgifter. I åratal har robotar stött mänsklig aktivitet i farliga, smutsiga och tråkiga uppgifter och har möjliggjort utforskning av oåtkomliga miljöer, från de djupa oceanerna till djupa rymden. I allt högre grad kommer mer kapabla robotar att kunna anpassa sig, lära sig och interagera med människor och andra maskiner på kognitiva nivåer.
den snabba utvecklingen av teknik under det senaste decenniet har gjort datoranvändning oumbärlig. Computing har förändrat vårt sätt att arbeta, leva och spela. Digitaliseringen av praktiskt taget allt, i kombination med framsteg inom robotik, lovar en framtid där tillgången till högteknologiska maskiner demokratiseras och anpassningen är utbredd. Robotar blir alltmer kapabla på grund av deras förmåga att utföra mer komplexa beräkningar och interagera med världen genom allt rikare sensorer och bättre ställdon.
en uppkopplad värld med många anpassade robotar som arbetar tillsammans med människor skapar redan nya jobb, förbättrar kvaliteten på befintliga jobb och sparar människor tid så att de kan fokusera på vad de tycker är intressant, viktigt och spännande. Idag har robotar redan blivit våra partners inom industriella och inhemska miljöer. De arbetar sida vid sida med människor i fabriker och operationsrum. De klipper våra gräsmattor, dammsuger våra golv och till och med mjölkar våra kor. Om några år kommer de att röra ännu fler delar av våra liv.
pendling till jobbet i din Förarlösa bil låter dig läsa, återvända samtal, komma ikapp på dina favoritpodcasts och till och med tupplur. Robotbilen kommer också att fungera som din assistent, hålla reda på vad du behöver göra, planera dina rutter för att säkerställa att alla dina sysslor är klara och kontrollera de senaste trafikdata för att välja de minst överbelastade vägarna. Förarlösa bilar hjälper till att minska dödsfall från bilolyckor medan autonoma gaffeltruckar kan hjälpa till att eliminera ryggskador orsakade av att lyfta tunga föremål. Robotar kan ändra vissa befintliga jobb, men totalt sett kan robotar ge stora samhällsbidrag. Lawn-care robotar och pool-rengöring robotar har förändrat hur dessa uppgifter görs. Robotar kan hjälpa mänskligheten med stora och små problem.
digitaliseringen av praktiskt taget allt, i kombination med framsteg inom robotik, lovar en framtid där tillgången till högteknologiska maskiner demokratiseras och anpassning utbredd
målet med robotik är inte att ersätta människor genom att mekanisera och automatisera uppgifter, utan snarare att hitta nya sätt som gör det möjligt för robotar att samarbeta med människor mer effektivt. Robotar är bättre än människor vid uppgifter som att krossa siffror och flytta med precision. Robotar kan lyfta mycket tyngre föremål. Människor är bättre än robotar på uppgifter som resonemang, definiera abstraktioner och generalisera eller specialisera tack vare vår förmåga att dra nytta av tidigare erfarenheter. Genom att arbeta tillsammans kan robotar och människor förstärka och komplettera varandras färdigheter.
ett decennium av framsteg som möjliggör autonomi
framstegen inom robotik under det senaste decenniet har visat att robotanordningar kan lokomotera, manipulera och interagera med människor och deras miljö på unika sätt. Robotarnas rörelseförmåga har möjliggjorts av den breda tillgängligheten av exakta sensorer (till exempel laserskannrar), högpresterande motorer och utveckling av robusta algoritmer för kartläggning, lokalisering, rörelseplanering och waypoint-navigering. Många nya applikationer är möjliga tack vare framsteg när det gäller att utveckla robotkroppar (hårdvara) och robothjärnor (programvara).
robotarnas förmågor definieras av den täta kopplingen mellan deras fysiska kroppar och beräkningen som består av deras hjärnor. Till exempel måste en flygande robot ha en kropp som kan flyga och algoritmer för att styra flygningen. Dagens robotar kan göra grundläggande rörelse på marken, i luften och i vatten. De kan känna igen objekt, kartlägga nya miljöer, utföra pick-and-place-operationer, lära sig att förbättra kontrollen, imitera enkla mänskliga rörelser, förvärva ny kunskap och till och med fungera som ett samordnat team. Till exempel sätts de senaste fotbollsrobotarna och algoritmerna i praktiken vid en årlig robotfotbollstävling som heter RoboCup.
de senaste framstegen inom disklagring, internetets omfattning och prestanda, trådlös kommunikation, verktyg som stöder design och tillverkning samt elektronikens kraft och effektivitet, i kombination med den globala tillväxten av datalagring, har påverkat utvecklingen av robotar på flera sätt. Hårdvarukostnaderna går ner, elektromekaniska komponenter är mer tillförlitliga, verktyg för att göra robotar är rikare, programmeringsmiljöer är mer tillgängliga och robotar har tillgång till världens kunskap genom molnet. Vi kan börja föreställa oss språnget från persondatorn till den personliga roboten, vilket leder till många applikationer där robotar existerar pervasivt och arbetar sida vid sida med människor.
målet med robotik är inte att ersätta människor genom att mekanisera och automatisera uppgifter, utan snarare att hitta nya sätt som gör det möjligt för robotar att samarbeta med människor mer effektivt
transport är ett bra exempel. Det är mycket lättare att flytta en robot genom världen än att bygga en robot som kan interagera med den. Under det senaste decenniet har betydande framsteg inom algoritmer och hårdvara gjort det möjligt för oss att föreställa oss en värld där människor och varor flyttas på ett mycket säkrare och bekvämare sätt med optimerade flottor av självkörande bilar.
på ett enda år kör amerikanerna nästan tre biljoner mil.1 Om du genomsnittliga det på 60 mph, lägger det upp till nästan femtio miljarder timmar i bilen.2 det antalet växer exponentiellt när man överväger resten av världen. Men tiden i våra bilar är inte utan utmaningar. Idag inträffar en bilolycka var femte sekund i USA.3 globalt sett är vägtrafikskador den åttonde ledande dödsorsaken, med cirka 1,24 miljoner liv förlorade varje år.4 förutom denna fruktansvärda mänskliga kostnad tar dessa kraschar en enorm ekonomisk vägtull. National Highway Traffic Safety Administration har beräknat den ekonomiska kostnaden i USA till cirka 277 miljarder dollar per år.5 att sätta en tand i dessa siffror är en enorm utmaning—men en som är mycket viktig att ta itu med. Självkörande fordon har potential att eliminera trafikolyckor.
Tänk om bilar kunde lära sig … lära sig hur vi kör… lära sig att aldrig vara ansvarig för en kollision … lära oss vad vi behöver när vi kör? Tänk om de kunde bli betrodda partners? Partners som kan hjälpa oss att navigera på knepiga vägar, titta på ryggen när vi är trötta, till och med göra vår tid i bilen… kul? Vad händer om din bil kan berätta att du har en hård dag och slår på din favoritmusik för att hjälpa dig att slappna av, medan du tittar noga över hur du kör? Vad händer om din bil också visste att du glömde att ringa dina föräldrar igår och utfärdade en mild påminnelse på vägen hem. Och föreställ dig att det var lätt att ringa det samtalet eftersom du kunde vända körningen till bilen på en tråkig motorväg.
erkänner denna extraordinära potential under de senaste åren, de flesta biltillverkare tillkännagav självkörande bilprojekt. Elon Musk förutspådde berömt att vi kunde somna vid ratten om fem år; Google/Waymo-bilen har varit i nyheterna mycket för att köra flera miljoner olycksfria mil; Nissan lovade självkörande bilar år 2020; Mercedes skapade en prototyp 2014 Model S autonom bil; och Toyota tillkännagav (September 2015) ett ambitiöst program för att utveckla en bil som aldrig kommer att vara ansvarig för en kollision och investerade 1 miljard dollar för att främja artificiell intelligens.
det finns mycket aktivitet i detta utrymme över ett stort spektrum av bilfunktioner. För att förstå var alla olika framsteg faller är det användbart att titta på National Highway Traffic Safety Administration (NHTSA) klassificering av fem nivåer av autonomi: nivå 0 innehåller inget stöd för automatisering; Nivå 1 innehåller verktyg för ytterligare feedback till den mänskliga föraren, till exempel med hjälp av en bakre kamera; nivå 2 inkluderar lokaliserad aktiv kontroll, till exempel antilåsbromsar; nivå 3 innehåller stöd för Välj autonomi men människan måste vara redo att ta över (som i Tesla Autopilot); Nivå 4 inkluderar autonomi på vissa ställen en del av tiden; och nivå 5 är autonomi i alla miljöer hela tiden.
ett alternativt sätt att karakterisera autonominivån för en självkörande bil är enligt tre axlar som definierar (1) fordonets hastighet; (2) komplexiteten i den miljö där fordonet rör sig och (3) komplexiteten i samspelet med rörliga agenter (bilar, människor, cyklister osv.) i den miljön. Forskare skjuter kuvertet längs var och en av dessa axlar, med målet att komma närmare nivå 5 autonomi.
under det senaste decenniet har betydande framsteg inom algoritmer och hårdvara gjort det möjligt för oss att föreställa oss en värld där människor och varor flyttas på ett mycket säkrare och bekvämare sätt med optimerade flottor av självkörande bilar
på grund av algoritmiska och hårdvaruframsteg under det senaste decenniet är dagens teknik redo för nivå 4-distributioner vid låga hastigheter i miljöer med låg komplexitet med låg interaktion med omgivande fotgängare och andra fordon. Detta inkluderar autonomi på privata vägar, till exempel i pensionssamhällen och campus, eller på allmänna vägar som inte är särskilt överbelastade.
nivå 4-autonomi har aktiverats av ett decennium av framsteg inom hårdvaran och algoritmerna som är tillgängliga för robotarna. Det viktigaste är konvergensen av flera viktiga algoritmiska utvecklingar: kartframställning, vilket innebär att fordonet kan använda sina sensorer för att skapa en karta; lokalisering, vilket innebär att fordonet kan använda sina sensorer för att ta reda på var det är på kartan; uppfattning, vilket innebär att fordonet kan uppfatta de rörliga föremålen på vägen; planering och beslutsfattande, vilket innebär att fordonet kan ta reda på vad man ska göra nästa baserat på vad det ser nu; och pålitlig hårdvara, samt kördataset som gör det möjligt för bilar att lära sig att köra från människor. Idag kan vi göra så många samtidiga beräkningar, krossa så mycket mer data och köra algoritmer i realtid. Dessa tekniker har tagit oss till en tidpunkt där vi realistiskt kan diskutera tanken på autonomi på vägarna.
men vi har inte Nivå 5 autonomi ännu. Tekniska utmaningar mot nivå 5 autonomi inkluderar: körning i trängsel, körning i höga hastigheter, körning i dåligt väder (regn, snö), körning bland mänskliga förare, körning i områden där det inte finns några kartor med hög densitet och svar på hörnfall. Ett fordons uppfattningssystem har inte samma kvalitet och effektivitet som det mänskliga ögat. För att vara tydlig finns det några saker som maskiner kan göra bättre än människor, som att uppskatta exakt hur snabbt ett annat fordon rör sig. Men robotar delar inte våra erkännandefunktioner. Hur kunde de? Vi spenderar hela vårt liv på att lära oss att observera världen och förstå den. Maskiner kräver algoritmer för att göra detta, och data—massor och massor av data, annoterade för att berätta för dem vad det hela betyder. För att göra autonomi möjligt måste vi utveckla nya algoritmer som hjälper dem att lära av mycket färre exempel på ett oövervakat sätt, utan ständig mänsklig intervention.
det finns två filosofier som driver forskning och utveckling inom autonom körning: serieautonomi och parallell autonomi. Parallell autonomi handlar om att utveckla förarassistansteknik där föraren sitter vid ratten, men förarassistanssystemet övervakar vad föraren gör och ingriper vid behov-på ett sätt som inte skadar—till exempel för att förhindra en kollision eller för att korrigera styrvinkeln som håller bilen på vägen. Bilens autonomiförmåga växer stegvis men fungerar parallellt med människan. Den parallella autonomin gör att bilen kan fungera var som helst, när som helst. Seriens autonomi strävar efter tanken att människan eller bilen är ansvarig, men inte båda. När bilen är i autonomt läge bidrar människan inte på något sätt till körningen. Bilens autonomifunktioner växer också stegvis, men den här bilen kan bara fungera enligt de funktioner som stöds av dess autonomipaket. Bilen kommer gradvis att fungera i allt mer komplexa miljöer.
det finns två filosofier som driver forskning och utveckling inom autonom körning: serieautonomi och parallell autonomi. Det senare gäller att utveckla förarassistansteknik där föraren sitter vid ratten, men förarassistanssystemet övervakar vad föraren gör och ingriper vid behov
Dagens serie autonomy-lösningar fungerar i slutna miljöer (definierade av vägarna som fordonet kan köra på). Autonomireceptet börjar med att utöka fordonen med drive-by-wire-kontroll och sensorer som kameror och laserskannrar. Sensorerna används för att skapa kartor, för att upptäcka rörliga hinder, som fotgängare och andra fordon, och för att lokalisera fordonet i världen. De autonoma körlösningarna är kartbaserade och drar nytta av ett decennium av framsteg inom området simultaneous localization and mapping (SLAM). Kartorna är konstruerade genom att köra det autonoma fordonet på alla möjliga vägsegment och samla in funktioner med sensorerna. Kartorna används för varje efterföljande autonom körning, för att planera en väg från början till mål, för att utföra banan samtidigt som man undviker hinder och för att lokalisera fordonen när den kör banan.
de flesta självkörande bilföretag testar bara sina flottor i större städer där de har utvecklat detaljerade 3D-kartor som är noggrant märkta med exakta positioner för saker som körfält, trottoarkanter och stoppskyltar. Dessa kartor inkluderar miljöfunktioner som upptäckts av fordonets sensorer. Kartorna skapas med hjälp av 3D LIDAR-system som är beroende av ljus för att skanna det lokala utrymmet, samla miljontals datapunkter och extrahera funktionerna som definierar varje plats.
om vi vill att självkörande bilar ska vara livskraftig global teknik är detta beroende av detaljerade tidigare kartor ett problem. Dagens autonoma fordon kan inte köra i lantliga miljöer där vi inte har kartor—med andra ord på de miljoner mil av vägar som är obelagda, upplysta eller otillförlitligt markerade. På MIT CSAIL började vi utveckla MapLite som ett första steg för att göra det möjligt för självkörande bilar att navigera på vägar som de aldrig har varit på innan de bara använde GPS och sensorer. Vårt system kombinerar GPS-data-som den typ du hittar på Google Maps-med data från LIDAR-sensorer. Tillsammans tillåter dessa två element oss att autonomt köra bil på flera obelagda landsvägar och på ett tillförlitligt sätt upptäcka vägen mer än 100 fot (30 meter) i förväg. Andra forskare har arbetat med olika kartlösa tillvägagångssätt med varierande grad av framgång. Metoder som använder uppfattningssensorer som LIDAR måste ofta förlita sig starkt på vägmarkeringar eller göra breda generaliseringar om vägkanten. Samtidigt kan synbaserade tillvägagångssätt fungera bra under idealiska förhållanden, men har problem när det är dåligt väder eller dålig belysning. När det gäller ”nivå 5 autonomi”—det vill säga autonomi var som helst när som helst—är vi fortfarande några år borta, och detta beror på både tekniska och regulatoriska utmaningar.
autonoma fordon kan ta många olika former, inklusive golfbilar, Rullstolar, skotrar, bagage, kundvagnar, soptunnor och till och med båtar. Dessa tekniker öppnar dörren till en mängd nya produkter och applikationer
medan framsteg har varit betydande på den tekniska sidan har det varit en förståeligt komplex och inkrementell process att få politiken att komma ikapp. Beslutsfattare diskuterar fortfarande den nivå på vilken autonoma fordon bör regleras. Vilka typer av fordon ska tillåtas på vägen, och vem får använda dem? Hur ska säkerheten testas och av vem? Hur kan olika ansvarsordningar forma ett snabbt och säkert antagande av autonoma fordon, och vilka är avvägningarna? Vilka är konsekvenserna av ett lapptäcke av statliga lagar och förordningar, och vilka är avvägningarna för att harmonisera denna politik? I vilken utsträckning bör beslutsfattare uppmuntra antagandet av autonoma fordon? Till exempel genom smart väginfrastruktur, dedikerade motorvägar, tillverkare eller konsumentincitament? Det här är komplexa frågor om användningen av autonoma fordon på allmänna vägar. Samtidigt är en form av autonomi som redan kan distribueras nu ”nivå 4 autonomi”, definierad som autonomi i vissa miljöer en del av tiden. Tekniken är här för autonoma fordon som kan köra i fint väder, på privata vägar och i lägre hastigheter.
miljöer som pensionssamhällen, campus, hotellfastigheter och nöjesparker kan alla dra nytta av nivå 4 autonomy-tekniken. Autonoma fordon kan ta många olika former, inklusive golfbilar, Rullstolar, skotrar, bagage, kundvagnar, soptunnor och till och med båtar. Dessa tekniker öppnar dörren till en mängd nya produkter och applikationer, från mobilitet på begäran, till autonom shopping och transport av varor och effektivare rörlighet på sjukhus. Alla skulle dra nytta av att transport blir ett allmänt tillgängligt verktyg, men dessa fördelar kommer att ha en särskild inverkan på nya förare, vår äldre befolkning och personer som drabbats av sjukdom eller funktionshinder.
tekniken som möjliggör autonomi för bilar kan ha en mycket bred samhällspåverkan. Föreställ dig att invånare i ett pensionssamhälle transporteras säkert av automatiserade golfbilar. I framtiden kommer vi att kunna automatisera allt på hjul—inte bara dagens dammsugare utan också gräsklippare eller till och med soptunnor.
om vi vill att självkörande bilar ska vara livskraftig global teknik är detta beroende av detaljerade tidigare kartor ett problem. Dagens autonoma fordon kan inte köra i lantliga miljöer där vi inte har kartor
samma teknik som möjliggör denna automatiseringsnivå kan till och med användas för att hjälpa människor som hanterar funktionshinder—som blinda—uppleva världen på sätt som aldrig tidigare varit möjligt. Synskador påverkar cirka 285 miljoner människor världen över, människor som kan dra nytta av ökad rörlighet och robothjälp. Detta är ett segment av befolkningen som tekniken ofta har lämnat eller ignorerat, men i det här fallet kan tekniken göra hela skillnaden. Bärbara enheter som inkluderar sensorerna som används av självkörande bilar och kör autonomy-programvara kan göra det möjligt för synskadade att uppleva världen säkert och på sätt som är mycket rikare än käppen.
Robotics kommer att förändra hur vi transporterar människor och saker inom en mycket nära framtid. Men snart efter kommer det att göra mer än att leverera saker i tid; det kommer också att göra det möjligt för oss att producera dessa saker snabbt och lokalt.
utmaningar inom robotik
trots de senaste och betydande framstegen på fältet, och lovar för framtiden, är dagens robotar fortfarande ganska begränsade i sin förmåga att räkna ut saker, deras kommunikation är ofta spröd och det tar för mycket tid att skapa nya robotar. Bred adoption av robotar kommer att kräva en naturlig integration av robotar i den mänskliga världen snarare än en integration av människor i maskinernas Värld.
resonemang
robotar kan bara utföra begränsad resonemang på grund av att deras beräkningar är noggrant specificerade. För dagens robotar stavas allt ut med enkla instruktioner och robotens omfattning finns helt i sitt program. Uppgifter som människor tar för givet, till exempel att ställa frågan ” Har jag varit här tidigare?”är notoriskt svåra för robotar. Robotar registrerar funktionerna på de platser de har besökt. Dessa funktioner extraheras från sensorer som kameror eller laserskannrar. Det är svårt för en maskin att skilja mellan funktioner som hör till en scen som roboten redan har sett och en ny scen som råkar innehålla några av samma objekt. I allmänhet är data som samlas in från sensorer och ställdon för stora och för låga nivåer; det måste kartläggas till meningsfulla abstraktioner för att robotar ska kunna använda informationen effektivt. Nuvarande maskininlärningsforskning om big data handlar om hur man komprimerar en stor dataset till ett litet antal semantiskt meningsfulla datapunkter. Sammanfattning kan också användas av robotar. Till exempel kan robotar sammanfatta sin visuella historia för att avsevärt minska antalet bilder som krävs för att avgöra om ”jag har varit här tidigare.”
dessutom kan robotar inte hantera oväntade situationer. Om en robot stöter på ett fall som den inte var programmerad att hantera eller ligger utanför dess kapacitet, kommer den att gå in i ett feltillstånd och stoppa. Ofta kan roboten inte kommunicera orsaken till felet. Till exempel är dammsugare konstruerade och programmerade för att röra sig på golvet, men kan inte klättra trappor.
robotar behöver lära sig att anpassa sina program, anpassa sig till sin omgivning och de interaktioner de har med människor, med sina miljöer och med andra maskiner. Idag har alla med tillgång till Internet världens information till hands, inklusive maskiner. Robotar kan dra nytta av denna information för att fatta bättre beslut. Robotar kan också spela in och använda hela sin historia (till exempel utmatning av sina sensorer och ställdon) och erfarenheterna från andra maskiner. Till exempel kan en robot som är utbildad för att gå din hund komma åt väderrapporten online och sedan, baserat på tidigare promenader, bestämma den bästa vägen att ta. Kanske en kort promenad om det är varmt eller regnar, eller en lång promenad till en närliggande park där andra robothundvandrare för närvarande finns. Allt detta kan bestämmas utan mänsklig interaktion eller ingripande.
kommunikation
en värld med många robotar som arbetar tillsammans kräver tillförlitlig kommunikation för samordning. Trots framsteg inom trådlös kommunikation finns det fortfarande hinder i robot-till-robot-kommunikation. Problemet är att modellering och förutsägelse av kommunikation är notoriskt svårt och alla robotstyrningsmetoder som bygger på nuvarande kommunikationsmodeller är fyllda med ljud. Robotarna behöver mer tillförlitliga kommunikationsmetoder som garanterar den bandbredd de behöver, när de behöver det. För att få motståndskraftig robot-till-robot-kommunikation är ett nytt paradigm att lokalt mäta kommunikationskvaliteten istället för att förutsäga den med modeller. Med hjälp av tanken på att mäta kommunikation kan vi börja föreställa oss att använda flygande robotar som mobila basstationer som samordnar med varandra för att ge kommunikationstäckning i planetskala. Svärmar av flygande robotar kan ge tillgång till Internet överallt i världen.
kommunikationen mellan robotar och människor är också för närvarande begränsad. Medan talteknik har använts för att ge robotar kommandon på mänskligt språk (till exempel ”flytta till dörren”), är omfattningen och ordförrådet för dessa interaktioner Grunt. Robotar kan använda hjälp av människor när de fastnar. Det visar sig att även en liten mängd mänskligt ingripande i en Robots uppgift helt förändrar problemet och ger maskinerna möjlighet att göra mer.
för närvarande, när robotar stöter på något oväntat (ett fall för vilket det inte programmerades) fastnar de. Antag, istället för att bara fastna, kunde roboten motivera varför den sitter fast och anlita mänsklig hjälp. Till exempel visar det senaste arbetet med att använda robotar för att montera IKEA-möbler att robotar kan känna igen när ett bordsben är utom räckhåll och be människor att ge dem delen. Efter att ha mottagit delen återupptar robotarna monteringsuppgiften. Det här är några av de första stegen mot att skapa symbiotiska mänskliga robotteam där robotar och människor kan be varandra om hjälp.
Design och tillverkning
en annan stor utmaning med dagens robotar är hur lång tid det tar att designa och tillverka nya robotar. Vi måste påskynda skapandet av robotar. Många olika typer av robotar finns idag, men var och en av dessa robotar tog många år att producera. Robotens beräknings—, mobilitets-och manipuleringsförmåga är tätt kopplade till robotens kropp-dess hårdvarusystem. Eftersom dagens robotkroppar är fasta och svåra att förlänga begränsas varje Robots kapacitet av sin kropp. Att tillverka nya robotar-tilläggsrobotmoduler, fixturer eller specialverktyg för att utöka kapaciteten—är inte ett riktigt alternativ, eftersom processen för design, tillverkning, montering och programmering är lång och besvärlig. Vi behöver verktyg som kommer att påskynda design och tillverkning av robotar. Tänk dig att skapa en robotkompilator som tar in robotens funktionella specifikation (till exempel ”Jag vill att en robot ska spela schack med mig”) och beräknar en design som uppfyller specifikationen, en tillverkningsplan och en anpassad programmeringsmiljö för att använda roboten. Många uppgifter stora och små kan automatiseras genom snabb design och tillverkning av många olika typer av robotar med hjälp av en sådan robot kompilator.
mot genomgripande robotik
det finns betydande luckor mellan var robotar är idag och löftet om genomgripande integration av robotar i vardagen. Några av luckorna gäller skapandet av robotar—hur designar och tillverkar vi nya robotar snabbt och effektivt? Andra luckor gäller beräkning och förmåga robotar att resonera, förändring, och anpassa sig till allt mer komplexa uppgifter i allt mer komplexa miljöer. Andra luckor avser interaktioner mellan robotar och mellan robotar och människor. Aktuella forskningsriktningar inom robotik trycker kuvertet i var och en av dessa riktningar, syftar till bättre lösningar för att göra robotar, kontrollera robotarnas rörelse och deras manipulationsförmåga, öka robotarnas förmåga att resonera, möjliggöra semantisk nivåuppfattning genom maskinsyn och utveckla mer flexibel samordning och samarbete mellan maskiner och mellan maskiner och människor. Att möta dessa utmaningar kommer att föra robotar närmare visionen om genomgripande robotik: den anslutna världen av många människor och många robotar som utför många olika uppgifter.
Pervasive, Anpassad robotik är en stor utmaning, men dess omfattning är inte olik utmaningen med pervasive computing, som formulerades för tjugofem år sedan. Idag kan vi säga att datorer verkligen är genomgripande, det har blivit ett verktyg och är tillgängligt var som helst, när som helst. Så, vad skulle det ta för att ha genomgripande integration av robotar i vardagen? Mark Weiser, som var chefsforskare vid Xerox PARC och allmänt kallas fadern till allestädes närvarande databehandling, sa om pervasive computing att: ”de mest djupgående teknikerna är de som försvinner. De väver sig in i vardagens Tyg tills de är oskiljbara från det.”
till exempel var elektricitet en gång en ny teknik och nu är den en del av livet. Robotteknik har potential att ansluta sig till persondatorn och elen som genomgripande aspekter av vardagen. Inom en snar framtid kommer robotteknik att förändra hur vi tänker på många aspekter av vardagen.
det finns betydande luckor mellan var robotar är idag och löftet om genomgripande integration av robotar i vardagen. Dessa luckor gäller skapandet av robotar, deras beräkning och förmåga att resonera, förändra och anpassa sig till allt mer komplexa uppgifter i alltmer komplexa miljöer, och deras förmåga att interagera med människor
självkörande bilflottor har potential att förvandla transport till ett verktyg, med anpassade turer tillgängliga var som helst, när som helst. Kollektivtrafik kan bli ett tvåskiktssystem: ett nätverk av stora fordon (till exempel tåg, bussar) som ger ryggraden transport för många människor över långa sträckor, och flottor av transport skida som ger anpassade transportbehov av individer för korta humle. Ett sådant transportnät skulle vara anslutet till IT-infrastrukturen och till människor för att tillhandahålla rörlighet på begäran. Driften av ryggraden kan innefatta dynamiskt förändrade vägar för att anpassa sig till människors behov. Realtids-och historiska transportdata används redan för att bestämma de mest optimala busslinjerna och platsen för stopp vid en fin granularitet. Rörlighet på begäran kan underlättas genom toppmodern teknik för självkörande fordon. Att ta en förarlös bil för en åktur kan vara lika enkelt som att använda en smartphone. Robotskidorna skulle veta när människor anländer till en station, där människorna är som behöver en åktur nu och var de andra robotskidorna är. Efter att ha kört människor till sin destination skulle robotkapslarna köra sig till nästa kund med hjälp av behovsmatchnings-och samordningsalgoritmer för att optimera flottans verksamhet och minimera människors väntetid. Kollektivtrafik skulle vara bekvämt och anpassat.