Video Friday는 친구들이 수집한 멋진 로봇 공학 비디오를 매주 모아 놓은 것입니다. IEEE 스펙트럼 로봇공학. 또한 앞으로 몇 달 동안 예정된 로봇공학 이벤트의 주간 달력을 게시합니다. 제발 우리에게 이벤트를 보내주세요 포함을 위해.
휴머노이드 2024: 2024년 11월 22~24일, 프랑스 낭시
오늘의 영상도 즐겨보세요!
Boston Dynamics에서 이에 대해 더 많은 정보를 얻을 수 있기를 바랍니다. 아직 보지 못했다면 여기를 참조하세요. 전기 아틀라스 생산적인 일(그리고 자율적인 일)을 하는 것입니다.
그리고 할로윈에도 핫도그 의상을 입고 해보는 건 어떨까요?
[[보스턴 다이내믹스 ]
아, 이거 신난다! Aldebaran은 7세대 NAO 출시를 준비하고 있습니다!
[[알데바란 ]
알겠습니다. 실제로는 다소 무서웠지만 ANYbotics의 즐거운 할로윈 보내세요!
[[애니보틱스 ]
클리어패스에서 즐거운 할로윈 보내세요!
[[클리어패스 로보틱스(주) ]
Boston Dynamics의 또 다른 정말 이상한 해피 할로윈입니다!
[[보스턴 다이내믹스 ]
Compagnie La Machine의 이 “도시 오페라”는 지난 주말 툴루즈에서 열렸으며 정말 거대하고 환상적인 로봇이 등장했습니다.
[[회사 라 기계 ]
고마워요, 토마스!
Deep Robotics의 DR01에서 인상적인 분리.
[[딥 로보틱스 ]
저글링하는 코봇 다니엘 전화.
[[다니엘 전화 ]
적응형 형태 멀티로터는 기능적 형태적 적응성으로 인해 기존 멀티로터에 비해 뛰어난 다양성과 작업별 성능을 나타냅니다. 그러나 주목할만한 과제는 저에너지 재구성을 허용하면서 비행 제어 가능성과 효율성을 위해 각 형태를 잠그는 대조 요구 사항에 있습니다. 연성 다중 안정 복합 적층 기체를 활용하는 재구성 가능한 멀티로터에 대한 새로운 설계 접근 방식이 제안되었습니다.
[[환경로봇 연구실 종이 ]
신형 토로보의 피칭 시연 모습입니다. 뉴 토로보는 기존 버전보다 가벼워 공을 던지는 등 더 빠른 동작이 가능하다. 새 모델은 2025년 3월 일본에서, 2025년 10월부터 해외에서 출시될 예정이다.
[[도쿄로보틱스 ]
이것이 “조작 연구를 위한 세계 최고의 로봇 손”이 되는 이유가 무엇인지는 잘 모르겠지만 충분히 견고해 보입니다.
[[로봇시대 ]
그리고 이제 마이크로 고양이를 고르는 중입니다.
[[로코그맨 연구소 ]
Arvato의 켄터키주 루이빌 직원이 더 빠르고 안전하게 화물을 하역할 수 있는 로봇 시스템을 원했을 때 Boston Dynamics의 Stretch 로봇이 두각을 나타냈습니다. Stretch는 트레일러와 선적 컨테이너에서 상자를 내리기 위해 특별히 설계된 최초의 모바일 로봇으로, 직원들이 창고에서 보다 의미 있는 작업에 집중할 수 있도록 해줍니다. Arvato는 올해 첫 번째 Stretch 시스템을 구입했으며 로봇의 영향은 즉각적이었습니다.
[[보스턴 다이내믹스 ]
NASA의 Perseverance Mars 탐사선은 Mastcam-Z 카메라를 사용하여 화성의 1,285번째 날(sol)인 2024년 9월 30일 태양 앞을 지나갈 때 화성의 두 위성 중 하나인 포보스의 실루엣을 포착했습니다. 사명.
[[NASA ]
Howard University, Moorehouse College 및 Berea College의 학생들은 2023년 가을과 24년 겨울 학기 동안 미시간 대학교 로봇 공학 학생들과 함께 온라인 로봇 공학 102 과정에 참여했습니다. 이 수업은 일반적으로 현재 대학에서 접근할 수 없는 학생들에게 최첨단 로봇 공학 과정을 제공하는 것을 목표로 2020년에 시작된 공동 교육 이니셔티브인 분산 교육 협업의 일부입니다.
[[미시간 대학교 로봇 공학 ]
Los Alamos National Laboratory가 주최하는 로봇공학 및 자동화 여름 학교(RASS)에서 획기적인 프로젝트와 최첨단 기술을 알아보세요. 이 독점적인 비하인드 영상에서 일류 대학의 학생들은 AI, 자동화, 기계 학습, 자율 시스템과 같은 분야의 고급 로봇 공학을 연구합니다.
[[로스앨러모스 국립연구소 ]
이번 주 카네기 멜론 대학 로봇 공학 연구소 세미나는 프린스턴 대학의 Anirudha Majumdar의 “모를 때를 아는 로봇”에 관한 것입니다.
기계 학습의 기초 모델은 로봇의 인식, 계획 및 자연어 이해의 급속한 발전을 가능하게 했습니다. 그러나 현재 시스템에는 새로운 시나리오로 일반화해야 하는 경우 엄격한 보증이 부족합니다. 예를 들어, 인식 시스템은 익숙하지 않은 개체를 식별하거나 위치를 파악하는 데 실패할 수 있으며, LLM(대형 언어 모델) 기반 계획자는 로봇이 실행할 때 안전하지 않은 결과로 이어지는 출력을 환각할 수 있습니다. 로봇이 언제 알지 못하고 그에 따라 행동할 수 있도록 기계 학습 구성 요소의 불확실성을 어떻게 엄격하게 정량화할 수 있습니까?