021-22889554
021-26703715
مشاوره آموزشی رایگان

021-22889554  |  021-26703715 مشاوره آموزشی رایگان

توانایی های ورزشی خیره کننده ی کوادکوپتر ها

Raffaello D'Andrea

The astounding athletic power of quadcopters

In a robot lab at TEDGlobal, Raffaello D'Andrea demos his flying quadcopters: robots that think like athletes, solving physical problems with algorithms that help them learn. In a series of nifty demos, D'Andrea show drones that play catch, balance and make decisions together -- and watch out for an I-want-this-now demo of Kinect-controlled quads.


تگ های مرتبط :

Drones, Robots, Technology
مفهوم توان ورزشی یک روبات چیست؟ ما مفهوم توان ورزشی یک ماشین، و تحقیقاتی که برای رسیدن به آن انجام دادیم را به کمک این روبات های پرنده به نام "کوادروکوپتر" یا به اختصار؛ "کواد" ها، به نمایش در خواهیم آوردیم. کواد ها مدت زیادی است که در کار های مختلف مورد استفاده قرار می گیرند. دلیل این که آن ها این روز ها خیلی پر طرفدار هستند، این است که آن ها از لحاظ مکانیکی ساختار بسیار ساده ای دارند. با کنترل سرعت این چهار پروانه، این روبات ها می توانند حرکت کنند، پرتاب شوند، مسیر خود را عوض کنند، و با شتاب دور خود بچرخند. روی بدنه ی این روبات یک باتری، یک کامپیوتر،
سنسور های مختلف و سیستم های کنترل از راه دور وجود دارد. کواد ها فوق العاده فرز و چابک هستند، اما این چابکی نیازمند سیستم هایی است. آن ها به طور ذاتی ناپایدار هستند، و برای پرواز نیازمند سیستم های کنترل واکنش های اتوماتیک هستند. ولی این وسیله چطور این کار را انجام داد ؟ دوربین های روی سقف و یک لپ تاپ مرکزی، در مجموع نقش یک سیستم تشخیص موقعیت داخلی را ایفا می کنند. این سیستم برای تشخیص موقعیت اشیائی در فضا استفاده می شود که این نشانگر های بازتاب کننده را بر روی خود دارند. این اطلاعات، سپس به لپ تاپ دیگری فرستاده می شوند که تخمین جزئیات، و الگوریتم های کنترل بر روی آن صورت می گیرد، و آن ها دستور های لازم را به کواد می فرستد،
که کامپیوتر درون آن هم در حال انجام دادن تخمین جزئیات، و الگوریتم های کنترل است. قسمت عمده ی تحقیقات ما مربوط به الگوریتم ها بود. این جادو است که به این روبات ها حیات می بخشد. اما چگونه یک نفر می تواند الگوریتم هایی را بنویسد، که یک روبات ورزیده از آن نتیجه شود؟ ما از سیستمی کلی، به نام طراحی پایه-مدلی استفاده می کنیم. ما ابتدا رفتار فیزیکی روبات را با یک مدل ریاضی شبیه سازی می کنیم. ما ابتدا رفتار فیزیکی روبات را با یک مدل ریاضی شبیه سازی می کنیم. سپس ما بخشی از ریاضیات را استفاده می کنیم که به آن نظریه ی کنترل گفته می شود و برای تحلیل این مدل ها و برای نوشتن الگوریتم های کنترل آن ها استفاده می شود.
به طور مثال، ما این طور یک کواد را در هوا معلق نگه می داریم. ما ابتدا قوانین دینامیکی را با معادلات دیفرانسیلی شبیه سازی می کنیم. سپس ما این معادلات را با کمک نظریه ی کنترل تعیین می کنیم، تا الگوریتم هایی را برای متعادل کردن کواد به دست آوریم. اجازه بدهید قدرت این نحوه ی نوشتن الگوریتم ها را به شما نشان دهم. تصور کنید ما می خواهیم نه تنها در هوا معلق بماند بلکه وزن این میله را نیز متعادل کند. با کمی تمرین، یک انسان به راحتی می تواند این کار را انجام دهد، اگرچه ما این برتری را نسبت به آن ها داریم که دو پای ما بر روی زمین تکیه دارند اگرچه ما این برتری را نسبت به آن ها داریم که دو پای ما بر روی زمین تکیه دارند
و همین طور دست های فوق العاده منعطف و قابل تحرک در چند بعد را داریم. اگر تنها یک پا بر روی زمین داشته باشم، و از دستانم استفاده نکنم، این کار فوق العاده سخت تر می شود. دقت کنید که این میله یک نشانگر در بالای خود دارد، که به این معناست که موقعیت این میله در فضا قابل تشخیص است. (تشویق حاضرین) شما به راحتی می توانید بفهمید که این کواد تنظیمات دقیقی انجام می دهد تا این میله را در تعادل نگه دارد. اما ما چگونه الگوریتم ها را طراحی کردیم تا این کار را انجام دهد؟ ما مدل ریاضی میله را به مدل ریاضی تعیین گرانیگاه کواد اضافه کردیم.
وقتی ما مدلی از سیستم ترکیبی کواد و میله داشته باشیم، می توانیم از نظریه ی کنترل برای نوشتن الگوریتم هایی برای کنترل آن استفاده کنیم. ببینید، در تعادل قرار دارد، و حتی اگر به آن ضربه ی کوچکی وارد کنیم، کواد دوباره خود را به موقعیت تعادل مناسبی باز می گرداند. ما همچنین می توانیم این مدل را با دادن موقعیت کواد در فضا بهبود ببخشیم. ما همچنین می توانیم این مدل را با دادن موقعیت کواد در فضا بهبود ببخشیم. با استفاده از این دستگاه تعیین کننده ی موقعیت، که از نشانگر های بازتاب کننده ساخته شده است، من می توانم جایی که می خواهم کواد به آن جا برود را، البته با فاصله ی مشخصی از خودم تعیین کنم. کلید انجام این مانور های آکروباتیک الگوریتم ها هستند،
که با کمک مدل های ریاضی و نظریه ی کنترل طراحی شده اند. اجازه بدهید کواد را به این جا بازگردانیم و میله را بندازیم، و من اهمیت درک مدل های فیزیکی و فعالیت های دنیای فیزیکی را بعداً برای شما به نمایش در خواهم آورد. دقت کنید هنگامی که این لیوان آب را بر روی کواد قرار دادم چگونه ارتفاعش را کم کرد. بر خلاف میله ی قبلی، من مدل ریاضی لیوان آب را وارد سیستم نکردم. بر خلاف میله ی قبلی، من مدل ریاضی لیوان آب را وارد سیستم نکردم. در حقیقت، سیستم حتی نمی داند لیوان آبی روی کواد قرار دارد. مثل قبل، می توانم از دستگاه تعیین موقعیت
برای بردن کواد به نقطه ای از فضا که می خواهم استفاده کنم. (تشویق حاضرین) خیلی خب، حتماً از خود می پرسید، چطور آب از داخل لیوان بیرون نمی ریزد؟ دو حقیقت وجود دارد: اولاً این که نیروی جاذبه ی زمین بر تمامی اشیاء مثل هم عمل می کند. دوماً این که پروانه ها دقیقاً در مسیری که لیوان آب حرکت می کند، حرکت می کنند، یعنی به سمت بالا. و اگر شما برآیند این دو نیرو را حساب کنید، به این نتیجه می رسید که نیرو های غیر عمودی وارد شده بر لیوان بسیار ناچیز هستند، و غالباً با اثرات آیرودینامیکی قابل جبران هستند، که در این سرعت ها قابل چشم پوشی است.
و به همین دلیل شما نیازی به افزودن معادلات مدل لیوان به کواد ندارید. به طور طبیعی کواد مایع درون لیوان را نمی ریزد، هر کاری که می خواهد انجام بدهد. (تشویق حاضرین) اما مزیت این روبات نسبت به سایرین این است که، بعضی از کار های پیچیده را، راحت تر از بقیه ی دستگاه ها انجام می دهند، و این درک فیزیکی مسئله، به شما می گوید چه کار هایی ساده و چه کار هایی دشوار هستند. در این مثال، حمل کردن یک لیوان آب ساده است. اما حفظ تعادل یک میله سخت است. ما همه داستان هایی درباره ی ورزشکارانی شنیده ایم، که با آسیب فیزیکی مسابقه داده بودند. آیا یک روبات می تواند در شرایطی که به شدت آسیب دیده است،
همچنان به عملکرد خود ادامه دهد؟ دانش متداول ما می گوید که حداقل چهار موتور پروانه دار ثابت برای پرواز نیاز دارید، دانش متداول ما می گوید که حداقل چهار موتور پروانه دار ثابت برای پرواز نیاز دارید، زیرا چهار عملکرد برای کنترل کواد وجود دارد: حرکت کردن، پرتاب شدن، تغییر مسیر و شتاب گرفتن. هگزاکوپتر ها و اوکتاکوپتر ها، با شش و هشت پروانه، می توانند کار های اضافه تری انجام دهند، اما کوادروکوپتر ها بیشتر جا افتاده اند، زیرا حداقل تعداد موتور های پروانه دار ثابت را دارند: چهار تا. اما آیا واقعاً به این تعداد هم نیاز دارند؟ اگر ما مدل ریاضی ابن روبات را تنها با دو پروانه ی سالم تحلیل کنیم،
اگر ما مدل ریاضی ابن روبات را تنها با دو پروانه ی سالم تحلیل کنیم، می فهمیم که یک راه غیر متعارف نیز برای به پرواز در آوردن آن وجود دارد. ما توانایی تغییر مسیر را از دست می دهیم، اما همچنان حرکت، پرتاب و شتاب دادن به آن به کمک الگو هایی که با این ساختار جدید سازگاری دارند قابل کنترل است. مدل های ریاضی به طور دقیق به ما نشان می دهند که چه زمانی و به چه دلیل این شرایط امکان پذیر هستند. در این اختراع، این دانش به ما اجازه می دهد تا ساختاری جدید از روبات ها را طراحی کنیم یا الگوریتم های هوشمندانه ای که دقیقاً همان طور که انسان های ورزشکار می توانند، به آرامی از پس آسیب های وارده به سیستم بر می آیند،
که این مکانیزم از اضافه کردن موتور ها و سیستم های اضافی به آن بسیار بهتر است. دیدن یک قهرمان شیرجه از ارتفاع، که در راه رسیدن به آب در هوا پشتک می زند، یا دیدن یک قهرمان پرش با نیزه، که روی هوا پیچ و تاب می خورد، و با شتاب به زمین نزدیک می شود، خیره کننده است. آیا قهرمان شیرجه می تواند رکورد جدیدی بزند؟ آیا قهرمان پرش با نیزه می تواند از روی مانع بپرد؟ تصور کنید ما می خواهیم این کواد در این جا سه پشتک پشت سر هم بزند، و نهایتاً به همان نقطه ای که از آن جا شروع کرده است باز گردد. این حرکت به قدری سریع انجام می شود که ما نمی توانیم از بازخورد اطلاعات موقعیت سیستم استفاده کنیم تا حرکت را هنگام انجام این عملیات تصحیح کنیم.
به طور خیلی ساده می توان گفت زمان کافی وجود ندارد. در عوض، کواد می تواند این مانور را به صورت کور انجام دهد، به عبارت دیگر این که ابتدا ببیند وقتی مانور به پایان می رسد در چه موقعیتی قرار دارد، و سپس از اطلاعات استفاده می کند تا عملکردش را تصحیح کند، و پشتک بعدی را به نحو بهتری انجام دهد. مانند قضیه ی قهرمان شیرجه و پرش با نیزه، دستگاه تنها با استفاده از تکرار و تمرین می تواند تصحیح و بهتر شود، تا به بالاترین سطح استاندارد برسد. (تشویق حاضرین) ضربه زدن به یک توپ در حال حرکت مهارتی الزامی در بسیاری از ورزش ها است. اما ما می توانیم روباتی بسازیم
که همان کاری را که ورزشکار انجام می دهد، ظاهراً بدون هیچ زحمتی انجام دهد. (تشویق حاضرین) یک راکت بدمینتون کوچک به بالای این کواد بسته شده است که اندازه ی صفحه ی مرتجع آن به زحمت به اندازه ی یک سیب می رسد، آن قدر ها بزرگ نیست. محاسبات مورد نیاز هر ۲۰ میلی ثانیه انجام می شوند، یا به عبارت دیگر ۵۰ بار در هر ثانیه. ابتدا ما باید مسیر توپ را تعیین کنیم. سپس محاسبه می کنیم که کواد چطور باید به توپ ضربه بزند تا به همان جایی برگردد که از آن جا پرتاب شده است. سوم، مسیری مشخص می شود که کواد را از موقعیت اولیه اش، به محل ضربه زدن به توپ می برد. چهارم، ما تنها ۲۰ میلی ثانیه از عملیات را انجام داده ایم.
بیست میلی ثانیه بعد، تمامی این مراحل تکرار می شوند تا کواد به توپ ضربه بزند. (تشویق حاضرین) روبات ها نه تنها می توانند حرکات دینامیک را به تنهایی انجام دهند، بلکه این کار را به طور گروهی نیز انجام می دهند. این سه کواد، به طور مشترک یک شبکه را در هوا تشکیل می دهند. (تشویق حاضرین) آن ها یک مانور کاملاً دینامیکی و گروهی را برای برگرداندن توپ به من انجام می دهند. توجه کنید، هنگام باز شدن کامل تور، کواد ها به حالت عمودی قرار دارند. (تشویق حاضرین) در حقیقت، وقتی تور به طور کامل باز می شود،
این کشش نزدیک به ۵ برابر، بیشتر از کششی است که یک ورزشکار بانجی جامپینگ، در طناب بسته شده به پایش احساس می کند. الگوریتم هایی که برای این کار نوشته شده اند، تا حدود زیادی شبیه به الگوریتم هایی هستند که، یک کواد به تنهایی برای بازگرداندن توپ به سمت من استفاده می کند. مدل های ریاضی طبق برنامه ریزی هر ثانیه ۲۰ بار تکرار می شوند. مدل های ریاضی طبق برنامه ریزی هر ثانیه ۲۰ بار تکرار می شوند. تمام چیز هایی که تا به حال دیده ایم درباره ی این روبات ها و توانایی های آن ها بوده است. اما وقتی ما این ورزشکاری ماشینی را با یک انسان هماهنگ کنیم، چه اتفاقی می افتد؟ چیزی که در این جا دارم یک سنسور حرکت سنج موجود در بازار است
که غالباً در بازی های رایانه ای استفاده می شود. این سنسور می تواند حرکات اعضای بدن مرا در همان لحظه تشخیص دهد. این سنسور می تواند حرکات اعضای بدن مرا در همان لحظه تشخیص دهد. مثل همان دستگاه تعیین کننده ی موقعیتی که قبل تر از آن استفاده کردم، ما می توانیم از آن برای دادن اطلاعات به سیستم استفاده کنیم. چیزی که در این جا داریم یک تعامل طبیعی بین توانمندی خام این کواد ها و حرکات من است. (تشویق حاضرین) تعامل الزاماً نباید به صورت مجازی باشد. به طور مثال، این کواد را تصور کنید. این کواد تلاش می کند تا در نقطه ی ثابتی در فضا بماند. اگر بخواهم آن را از جایی که ایستاده است جا به جا کنم، با من مقابله خواهد کرد،
و به جایی که می خواهد در آن بماند باز خواهد گشت. اگرچه، ما می توانیم این رفتار را تغییر دهیم. ما می توانیم از مدل های ریاضی استفاده کنیم تا نیرویی که به کواد وارد می کنم را تخمین بزنیم. از آن جایی که ما این نیرو را می شناسیم، حتی می توانیم قوانین فیزیک را تغییر دهیم، البته قوانینی که برای کواد تعریف می شود. در این حرکت کواد طوری رفتار می کند که انگار در یک سیال لزج است. در این حرکت کواد طوری رفتار می کند که انگار در یک سیال لزج است. همان طور که می بینید، یک راه ساده اما حرفه ای برای تعامل داشتن با یک روبات داریم. من می توانم این توانایی جدید را در مورد این کواد حامل دوربین
برای فیلم برداری از قسمت پایانی این سخنرانی استفاده کنم. بنابراین ما می توانیم به صورت فیزیکی با این کواد ها تعامل داشته باشیم و می توانیم قوانین فیزیک را تغییر دهیم. اجازه بدهید کمی با این روبات ها تفریح کنیم. در حرکتی که الآن انجام می دهم، این کواد ها ابتدا طوری واکنش فیزیکی نشان می دهند که انگار در سیاره ی پلوتو هستند. با گذشت زمان، نیروی گرانش افزایش پیدا خواهد کرد، تا زمانی که به نیروی گرانش زمین برسد، اما من مطمئنم نمی توانم تا آن حد برسم. خیلی خب، شروع می کنم. (خنده ی حاضرین) (خنده ی حاضرین) (تشویق حاضرین)
وای ! حتماً الآن با خودتان فکر می کنید، کسانی که روی این روبات کار می کنند خیلی تفریح می کنند، و احتمالاً از خودتان می پرسید، دقیقاً چرا آن ها روبات های ورزشکار می سازند؟ به این دلیل که وظیفه ی ما در قلمروی جانوران ارتقاء مهارت ها و بهبود بخشیدن توانایی های ماست. دیگران ممکن است فکر کنند این بیشتر یک وظیفه ی اجتماعی است، تا این که گروه را متحد کند. همین طور، ما از مقایسه ی بین ورزش و ورزیدگی استفاده می کنیم، تا الگوریتم های جدیدی برای روبات ها طراحی کنیم و از آن ها نهایت بهره را ببریم. اما تأثیر سرعت روبات ها بر مسیر زندگی ما چیست؟
همانند ابداعات و نوآوری های پیشین بشر، می توان از آن ها برای بهبود بخشیدن به شرایط زندگی انسان استفاده کرد، یا این که از آن ها استفاده های نادرست یا سوء استفاده بشود. اما ما با یک انتخاب تکنیکی مواجه نیستیم؛ بلکه این یک انتخاب اجتماعی است. اجازه دهید انتخاب درست را انجام دهیم، انتخابی که بهتری شرایط را در آینده ی ماشین ها برای ما فراهم خواهد کرد، همانند ورزیدگی در ورزش ها، روبات ها می توانند توانایی ما را تا حد زیادی بهبود ببخشند. اجازه بدهید جادوگران پشت پرده ی سبز را به شما معرفی کنم. آن ها اعضای تیم تحقیقاتی روبات های پرنده ی آرنا (Arena) هستند. (تشویق حاضرین)
فدریکو آگوگلیارو، داریو برسیانینی، مارکوس هن، سرگی لوپاشین، مارک مولر و رابین ریتز. به آن ها نگاه کنید. آن ها آینده ی درخشانی خواهند داشت. متشکرم. (
So what does it mean for a machine to be athletic? We will demonstrate the concept of machine athleticism and the research to achieve it with the help of these flying machines called quadrocopters, or quads, for short. Quads have been around for a long time. They're so popular these days because they're mechanically simple. By controlling the speeds of these four propellers, these machines can roll, pitch, yaw, and accelerate along their common orientation. On board are also a battery, a computer, various sensors and wireless radios. Quads are extremely agile, but this agility comes at a cost.
They are inherently unstable, and they need some form of automatic feedback control in order to be able to fly. So, how did it just do that? Cameras on the ceiling and a laptop serve as an indoor global positioning system. It's used to locate objects in the space that have these reflective markers on them. This data is then sent to another laptop that is running estimation and control algorithms, which in turn sends commands to the quad, which is also running estimation and control algorithms. The bulk of our research is algorithms.
It's the magic that brings these machines to life. So how does one design the algorithms that create a machine athlete? We use something broadly called model-based design. We first capture the physics with a mathematical model of how the machines behave. We then use a branch of mathematics called control theory to analyze these models and also to synthesize algorithms for controlling them. For example, that's how we can make the quad hover. We first captured the dynamics with a set of differential equations. We then manipulate these equations with the help of control theory to create algorithms that stabilize the quad.
Let me demonstrate the strength of this approach. Suppose that we want this quad to not only hover but to also balance this pole. With a little bit of practice, it's pretty straightforward for a human being to do this, although we do have the advantage of having two feet on the ground and the use of our very versatile hands. It becomes a little bit more difficult when I only have one foot on the ground and when I don't use my hands. Notice how this pole has a reflective marker on top, which means that it can be located in the space.
(Audience) Oh! (Applause) (Applause ends) You can notice that this quad is making fine adjustments to keep the pole balanced. How did we design the algorithms to do this? We added the mathematical model of the pole to that of the quad. Once we have a model of the combined quad-pole system, we can use control theory to create algorithms for controlling it. Here, you see that it's stable, and even if I give it little nudges, it goes back -- to the nice, balanced position.
We can also augment the model to include where we want the quad to be in space. Using this pointer, made out of reflective markers, I can point to where I want the quad to be in space a fixed distance away from me. (Laughter) The key to these acrobatic maneuvers is algorithms, designed with the help of mathematical models and control theory. Let's tell the quad to come back here and let the pole drop, and I will next demonstrate the importance of understanding physical models
and the workings of the physical world. Notice how the quad lost altitude when I put this glass of water on it. Unlike the balancing pole, I did not include the mathematical model of the glass in the system. In fact, the system doesn't even know that the glass is there. Like before, I could use the pointer to tell the quad where I want it to be in space. (Applause) (Applause ends) Okay, you should be asking yourself, why doesn't the water fall out of the glass? Two facts.
The first is that gravity acts on all objects in the same way. The second is that the propellers are all pointing in the same direction of the glass, pointing up. You put these two things together, the net result is that all side forces on the glass are small and are mainly dominated by aerodynamic effects, which at these speeds are negligible. And that's why you don't need to model the glass. It naturally doesn't spill, no matter what the quad does. (Audience) Oh! (Applause) (Applause ends) The lesson here
is that some high-performance tasks are easier than others, and that understanding the physics of the problem tells you which ones are easy and which ones are hard. In this instance, carrying a glass of water is easy. Balancing a pole is hard. We've all heard stories of athletes performing feats while physically injured. Can a machine also perform with extreme physical damage? Conventional wisdom says that you need at least four fixed motor propeller pairs in order to fly, because there are four degrees of freedom to control: roll, pitch, yaw and acceleration. Hexacopters and octocopters, with six and eight propellers,
can provide redundancy, but quadrocopters are much more popular because they have the minimum number of fixed motor propeller pairs: four. Or do they? (Audience) Oh! (Laughter) If we analyze the mathematical model of this machine with only two working propellers, we discover that there's an unconventional way to fly it. We relinquish control of yaw, but roll, pitch and acceleration can still be controlled with algorithms that exploit this new configuration. Mathematical models tell us exactly when and why this is possible.
In this instance, this knowledge allows us to design novel machine architectures or to design clever algorithms that gracefully handle damage, just like human athletes do, instead of building machines with redundancy. We can't help but hold our breath when we watch a diver somersaulting into the water, or when a vaulter is twisting in the air, the ground fast approaching. Will the diver be able to pull off a rip entry? Will the vaulter stick the landing? Suppose we want this quad here to perform a triple flip and finish off at the exact same spot that it started.
This maneuver is going to happen so quickly that we can't use position feedback to correct the motion during execution. There simply isn't enough time. Instead, what the quad can do is perform the maneuver blindly, observe how it finishes the maneuver, and then use that information to modify its behavior so that the next flip is better. Similar to the diver and the vaulter, it is only through repeated practice that the maneuver can be learned and executed to the highest standard. (Laughter) (Applause)
Striking a moving ball is a necessary skill in many sports. How do we make a machine do what an athlete does seemingly without effort? (Laughter) (Applause) (Applause ends) This quad has a racket strapped onto its head with a sweet spot roughly the size of an apple, so not too large. The following calculations are made every 20 milliseconds, or 50 times per second. We first figure out where the ball is going. We then next calculate how the quad should hit the ball so that it flies to where it was thrown from.
Third, a trajectory is planned that carries the quad from its current state to the impact point with the ball. Fourth, we only execute 20 milliseconds' worth of that strategy. Twenty milliseconds later, the whole process is repeated until the quad strikes the ball. (Applause) Machines can not only perform dynamic maneuvers on their own, they can do it collectively. These three quads are cooperatively carrying a sky net. (Applause) (Applause ends) They perform an extremely dynamic and collective maneuver to launch the ball back to me.
Notice that, at full extension, these quads are vertical. (Applause) In fact, when fully extended, this is roughly five times greater than what a bungee jumper feels at the end of their launch. The algorithms to do this are very similar to what the single quad used to hit the ball back to me. Mathematical models are used to continuously re-plan a cooperative strategy 50 times per second. Everything we have seen so far has been about the machines and their capabilities. What happens when we couple this machine athleticism with that of a human being?
What I have in front of me is a commercial gesture sensor mainly used in gaming. It can recognize what my various body parts are doing in real time. Similar to the pointer that I used earlier, we can use this as inputs to the system. We now have a natural way of interacting with the raw athleticism of these quads with my gestures. (Applause) Interaction doesn't have to be virtual. It can be physical. Take this quad, for example. It's trying to stay at a fixed point in space.
If I try to move it out of the way, it fights me, and moves back to where it wants to be. We can change this behavior, however. We can use mathematical models to estimate the force that I'm applying to the quad. Once we know this force, we can also change the laws of physics, as far as the quad is concerned, of course. Here, the quad is behaving as if it were in a viscous fluid. We now have an intimate way of interacting with a machine. I will use this new capability to position this camera-carrying quad to the appropriate location for filming the remainder of this demonstration.
So we can physically interact with these quads and we can change the laws of physics. Let's have a little bit of fun with this. For what you will see next, these quads will initially behave as if they were on Pluto. As time goes on, gravity will be increased until we're all back on planet Earth, but I assure you we won't get there. Okay, here goes. (Laughter) (Laughter) (Applause) Whew! You're all thinking now,
these guys are having way too much fun, and you're probably also asking yourself, why exactly are they building machine athletes? Some conjecture that the role of play in the animal kingdom is to hone skills and develop capabilities. Others think that it has more of a social role, that it's used to bind the group. Similarly, we use the analogy of sports and athleticism to create new algorithms for machines to push them to their limits. What impact will the speed of machines have on our way of life? Like all our past creations and innovations,
they may be used to improve the human condition or they may be misused and abused. This is not a technical choice we are faced with; it's a social one. Let's make the right choice, the choice that brings out the best in the future of machines, just like athleticism in sports can bring out the best in us. Let me introduce you to the wizards behind the green curtain. They're the current members of the Flying Machine Arena research team. (Applause) Federico Augugliaro, Dario Brescianini, Markus Hehn, Sergei Lupashin, Mark Muller and Robin Ritz.
Look out for them. They're destined for great things. Thank you. (Applause)