Good morning. I'm here today to talk about autonomous flying beach balls.
Günaydın. Bugün buraya kendi kendine çalışan
(Laughter)
uçan plaj topları hakkında konuşmak için geldim.
No, agile aerial robots like this one. I'd like to tell you a little bit about the challenges in building these, and some of the terrific opportunities for applying this technology. So these robots are related to unmanned aerial vehicles. However, the vehicles you see here are big. They weigh thousands of pounds, are not by any means agile. They're not even autonomous. In fact, many of these vehicles are operated by flight crews that can include multiple pilots, operators of sensors, and mission coordinators.
Hayır, bunun gibi çevik hava robotları hakkında. Bunları inşa ederken karşılaşılan zorluklar ve bu teknolojiyi uygulamak için inanılmaz fırsatlar hakkında bir kaç şey söylemek istiyorum. Bu yüzden bu robotlar insansız uçan hava araçlarıdır. Buna rağmen, bruada gördüğünüz araçlar büyük. Binlerce kilogram ağırlığında ve hiç bir şekilde çevik değiller. Kendi kendine çalışan bile değiller. Gerçekte, bu araçların çoğu birden fazla pilotu içeren alıcıları kontrol eden ve görev koordinatörleri olan uçuş ekipleri tarafından çalıştırılmaktadır.
What we're interested in is developing robots like this -- and here are two other pictures -- of robots that you can buy off the shelf. So these are helicopters with four rotors, and they're roughly a meter or so in scale, and weigh several pounds. And so we retrofit these with sensors and processors, and these robots can fly indoors. Without GPS.
Buna benzer robotları geliştirirken ilgimizi çeken şey ve burada diğer iki resmi var -- raftan satın alabiliyor olunması. Bunlar dört pervaneli helikopterler ve neredeyse bir metre büyüklüğünde ve bir kilodan az. Ve sensör ve işlemcilerle donanımı iyileştirdik, ve bu robotlar GPS bilgisi olmaksızın iç mekanlarda uçabiliyorlar.
The robot I'm holding in my hand is this one, and it's been created by two students, Alex and Daniel. So this weighs a little more than a tenth of a pound. It consumes about 15 watts of power. And as you can see, it's about eight inches in diameter. So let me give you just a very quick tutorial on how these robots work.
Elimde tutmuş olduğum robot bir tanesidir, ve Alex ve Daniel isimli öğrenciler tarafından yaratılmıştır. Öyle ki, bunun ağırlığı 60 gramdan biraz daha fazla. Yaklaşık 15 watt enerji harcıyor. Görüdüğünüz üzere, yaklaşık 20 cm çapındadır. Bu robotların nasıl çalıştığı ile ilgili size kısa bir bilgilendirme yapmama izin verin.
So it has four rotors. If you spin these rotors at the same speed, the robot hovers. If you increase the speed of each of these rotors, then the robot flies up, it accelerates up. Of course, if the robot were tilted, inclined to the horizontal, then it would accelerate in this direction. So to get it to tilt, there's one of two ways of doing it. So in this picture, you see that rotor four is spinning faster and rotor two is spinning slower. And when that happens, there's a moment that causes this robot to roll. And the other way around, if you increase the speed of rotor three and decrease the speed of rotor one, then the robot pitches forward.
Dört adet pervanesi var. Bunları aynı hızda döndürürseniz, robot havada duruyor. Eğer pervanelerden her birinin hızını arttırırsanız, robot uçuşa geçiyor ve yükseliyor. Tabi robot eğimli ise, yatay eksene yöneliyor, daha sonra bu doğrultuda hızlanıyor. Eğim kazandırmak için, iki yöntemden biri bu. Bu yüzden, resimde gördüğünüz dördüncü pervane daha hızlı dönüyor ve ikinci pervane daha yavaş dönüyor. Ve oluşan şey robotun yuvarlanmasına sebep olan andır. Diğer bir yolu, eğer pervane üçü hızlandırır ve pervane birin hızını yavaşlatırsanız, robot öne doğru ilerler.
And then finally, if you spin opposite pairs of rotors faster than the other pair, then the robot yaws about the vertical axis. So an on-board processor essentially looks at what motions need to be executed and combines these motions, and figures out what commands to send to the motors -- 600 times a second. That's basically how this thing operates.
Ve son olarak, eğer ters pervane çiftlerini diğer çiften daha hızlı döndürürseniz, robot dik eksininde sapar. Bu yüzden yerleşik bir işlemci temel olarak hangi hareketin yapılacağına bakar ve bu hareketleri oluşturur ve motorlara saniye de 600 kere hangi komutları göndereceğini tespit eder. Bu basit olarak bunun nasıl çalıştığıdır.
So one of the advantages of this design is when you scale things down, the robot naturally becomes agile. So here, R is the characteristic length of the robot. It's actually half the diameter. And there are lots of physical parameters that change as you reduce R. The one that's most important is the inertia, or the resistance to motion. So it turns out the inertia, which governs angular motion, scales as a fifth power of R. So the smaller you make R, the more dramatically the inertia reduces. So as a result, the angular acceleration, denoted by the Greek letter alpha here, goes as 1 over R. It's inversely proportional to R. The smaller you make it, the more quickly you can turn.
Bu tasarımın avantajlarından biri ölçeği küçülttüğünüz zaman robot doğal olarak çevik oluyor. İşte burada R robotun karekteristik uzunluğudur. Aslında çapın yarısıdır. R'yi azalttığınızda değişen çok fazla fiziksel parametre vardır. Bunlardan en önemlisi eylemsizlik ya da harekete karşı gelmedir. Sonuçta, açısal hareketi idame eden eylemsizlik R'nin beşinci kuvveti (R üzeri 5) olarak hesaplanır. Bu yüzden R ne kadar küçükse eylemsizlikte bir o kadar azalancaktır. Sonuçta, burada Yunan alfabesindeki Alfa ile belirtilen açısal hızlanma R üzeri bir şeklide gidiyor. Ters olarak R'ye orantılıdır. Daha küçük yaparsanız daha hızlı döndürebilirsiniz.
So this should be clear in these videos. On the bottom right, you see a robot performing a 360-degree flip in less than half a second. Multiple flips, a little more time. So here the processes on board are getting feedback from accelerometers and gyros on board, and calculating, like I said before, commands at 600 times a second, to stabilize this robot. So on the left, you see Daniel throwing this robot up into the air, and it shows you how robust the control is. No matter how you throw it, the robot recovers and comes back to him.
Bu videolar daha net görülebilir. Sağ altta gördüğünüz bir robot yarım saniyeden az bir sürede 360 derece dönebiliyor. Bir çok dönüş, daha az bir zamanda oluyor. Kartın üzerindeki işlemci hız ölçerlerden ve kart üzerindeki ciroskoptan geri bildirim alıyor ve daha önce söylediğim gibi bu robotu stabil tutmak için saniyede 600 kez komut gönderek hesaplama yapıyor. Solda, Daniel'in robotu havaya attığını görüyorsunuz. Ve bu kontrolün ne kadar duyarı olduğunu gösteriyor. Nasıl fırlatırsanız fırlatın robot kendini kurtarıp tekrar olması gereken hale geliyor.
So why build robots like this? Well, robots like this have many applications. You can send them inside buildings like this, as first responders to look for intruders, maybe look for biochemical leaks, gaseous leaks. You can also use them for applications like construction. So here are robots carrying beams, columns and assembling cube-like structures. I'll tell you a little bit more about this. The robots can be used for transporting cargo. So one of the problems with these small robots is their payload-carrying capacity. So you might want to have multiple robots carry payloads. This is a picture of a recent experiment we did -- actually not so recent anymore -- in Sendai, shortly after the earthquake. So robots like this could be sent into collapsed buildings, to assess the damage after natural disasters, or sent into reactor buildings, to map radiation levels.
Peki bunun gibi robotları niye yapıyoruz? Şey, bunun gibi robotlar bir çok uygulamaya sahiptir. Onları saldırganlarla ilk olarak temas kurmak için ya da biokimyasal sızıntıları ya da gaz sızıntılarını kontrol etmek için gönderebilirsiniz. Onları inşaat işleri gibi uygulamalarda Kullanabilirsiniz. İşte burada robotlar kiriş, kolon taşıyorlar ve küp biçimde yapılar oluşturuyorlar. Size bunun hakkında biraz daha anlatayım. Robotlar kargo taşımacılığında kullanılabilirler. Küçük robotların problemlerinden biri taşıyabilecekleri yük kapasitesidir. Bunu birden çok robot kullanarak aşabilirsiniz. Bu yaşamış olduğumuz bir tecrübenin resmidir. aslında çok yakın bir zamanda değil artık-- depremden kısa bir süre sonra Sendai'de. Bunu gibi robotlar yıkılmış binalara hasar tespiti için ya da reaktör binalarına radyasyon seviyesini oluşturmak için gönderebilebilirler.
So one fundamental problem that the robots have to solve if they are to be autonomous, is essentially figuring out how to get from point A to point B. So this gets a little challenging, because the dynamics of this robot are quite complicated. In fact, they live in a 12-dimensional space. So we use a little trick. We take this curved 12-dimensional space, and transform it into a flat, four-dimensional space. And that four-dimensional space consists of X, Y, Z, and then the yaw angle.
Burada temel problem Eğer robotlar birbirinden bağımsız şekildeyse çözmek zorunda olduğu temel problem temel olarak A noktasından B noktasına nasıl gideceğidir. Burası biraz zorlayıcı çünkü robotların dinamiği oldukça karmaşıktır. Aslında, 12 boyutlu bir uzayda yaşıyorlar. Burada ufak bir hile yapıyoruz. Eğik 12 boyutlu uzayı alıyoruz ve onu dört boyutlu düz bir uzaya dönüştürüyoruz. Dört boyutlu uzay X,Y,Z ve rota açısından oluşmaktadır.
And so what the robot does, is it plans what we call a minimum-snap trajectory. So to remind you of physics: You have position, derivative, velocity; then acceleration; and then comes jerk, and then comes snap. So this robot minimizes snap. So what that effectively does, is produce a smooth and graceful motion. And it does that avoiding obstacles. So these minimum-snap trajectories in this flat space are then transformed back into this complicated 12-dimensional space, which the robot must do for control and then execution.
Bu yüzden robotların yaptığı şey minimum hava yörüngesinin oluşumunun planlamasıdır. Fiziği hatırlamak gerekirse, konumunuz, türeviniz, ivmeniz var, sonra hızlanma ve ve sonra hareketlenme geliyor ve daha sonra birleştirme geliyor. Bu robot birleşimi minimize ediyor. Etkin olarak yaptığı şey pürüzsüz ve ince hareket oluşturmasıdır. Bunu engellerden kaçınarak yapıyor. Bu düz bir uzayda minimum yörünge oluşturma daha sonra robotların kontrolü ve sonra yerine getirmesi için yapması gereken karmaşık 12 boyutlu uzaya tekrar geri dönüştürülecektir,
So let me show you some examples of what these minimum-snap trajectories look like. And in the first video, you'll see the robot going from point A to point B, through an intermediate point.
Size bu minimum yörünge oluşturmanın neye benzediğini göstermem için bazı örnekler vermeme izin verin. Ve ilk videoda, Robot A noktasından B noktasına bir ara noktadan geçerek gidiyor.
(Whirring noise)
So the robot is obviously capable of executing any curve trajectory. So these are circular trajectories, where the robot pulls about two G's. Here you have overhead motion capture cameras on the top that tell the robot where it is 100 times a second. It also tells the robot where these obstacles are. And the obstacles can be moving. And here, you'll see Daniel throw this hoop into the air, while the robot is calculating the position of the hoop, and trying to figure out how to best go through the hoop. So as an academic, we're always trained to be able to jump through hoops to raise funding for our labs, and we get our robots to do that.
Yani robot herhangi bir kavis yörüngesini kesinlikle oluşturabilir durumda. Bunlar robotların 2G oluşuturduğu dairesel yörüngelerdir. Burada saniyede 100 kere robota nerede olduğunu ileten üzerindeki hareket yakalayan kameradır. Aynı zamanda roboto engellerin nerede olduğunu söylüyor. Engeller hareket ediyor olabilir. Ve burada Daniel'in halkayı havaya attığını görüyorsunuz, robot halkanın konumunu hesaplıyor ve halkanın içinden geçecebileceği en iyi yeri bulmaya çalışıyor. Ve akademik olduğu gibi, laboratuarımızda fonları arttırabilmek için halkaların içinden atlamak için eğitim alıyoruz ve robotların bunu yapmasını sağlıyoruz.
(Applause)
(alkış)
So another thing the robot can do is it remembers pieces of trajectory that it learns or is pre-programmed. So here, you see the robot combining a motion that builds up momentum, and then changes its orientation and then recovers. So it has to do this because this gap in the window is only slightly larger than the width of the robot. So just like a diver stands on a springboard and then jumps off it to gain momentum, and then does this pirouette, this two and a half somersault through and then gracefully recovers, this robot is basically doing that. So it knows how to combine little bits and pieces of trajectories to do these fairly difficult tasks.
Robotların yapabildiği diğer birşey daha önce programlanabilen ve öğrenen yörünge parçalarını hatırlamasıdır. Burada görüdüğünüz robot hızlanmayı gerçekleştirmek için bir hareket oluşturuyor ve ve oryantasyonunu değiştirip, sonra önceki konumuna geliyor. Bunu yapmak zorunda çünkü penceredeki bu boşluk robotun genişliğinden birazcık daha büyük. Sıçrama tahtasının üzerinde duran dalgıç gibi eblirli bir momentum kazaranak kendini bırakır, ve sonra kendi etrafında döner, ikibuçuk salto ve zarifçe eksi haline döner, bu robot basitçe bunu yapıyor. Böylece bu oldukça zor işleri yapabilmek için küçük ufak tefek yolları nasıl birleştireceğini biliyor.
So I want change gears. So one of the disadvantages of these small robots is its size. And I told you earlier that we may want to employ lots and lots of robots to overcome the limitations of size. So one difficulty is: How do you coordinate lots of these robots? And so here, we looked to nature. So I want to show you a clip of Aphaenogaster desert ants, in Professor Stephen Pratt's lab, carrying an object. So this is actually a piece of fig. Actually you take any object coated with fig juice, and the ants will carry it back to the nest. So these ants don't have any central coordinator. They sense their neighbors. There's no explicit communication. But because they sense the neighbors and because they sense the object, they have implicit coordination across the group.
Şimdi konuyu değiştirmek istiyorum. Bu küçük robotların en büyük dezavantajlarından biri boyutlarıdır. Size daha önce söylediğim gibi bu boyut engelini aşmak için çok, bir çok robot kullanmak isteyebiliriz. Zorluklardan biri bukadar çok robotu nasıl koordine edebileceğinizdir. Burada doğaya dönüyoruz. Size Professor Stephen Pratt'in laboratuarında nesne taşıyan Aphaenogaster çöl karıncılarının bir klibini göstermek istiyorum. Bu aslında bir incir parçasıdır. Aslında incir suyu ile kaplanmış herhangi bir nesneyi alabilirsiniz ve karıncalar bunu yuvalarına götüreceklerdir. Bu karıncaların herhangi bir merkezi koordinatörü yoktur. Komşularını algılayabiliyorlar. Belirgin bir iletişim yok. Fakat, komşularını algılabildikleri ve nesneleri algılayabildikleri için Grup arasında üstü kapalı bir koordinasyon var.
So this is the kind of coordination we want our robots to have. So when we have a robot which is surrounded by neighbors -- and let's look at robot I and robot J -- what we want the robots to do, is to monitor the separation between them, as they fly in formation. And then you want to make sure that this separation is within acceptable levels. So again, the robots monitor this error and calculate the control commands 100 times a second, which then translates into motor commands, 600 times a second. So this also has to be done in a decentralized way. Again, if you have lots and lots of robots, it's impossible to coordinate all this information centrally fast enough in order for the robots to accomplish the task. Plus, the robots have to base their actions only on local information -- what they sense from their neighbors. And then finally, we insist that the robots be agnostic to who their neighbors are. So this is what we call anonymity.
Bu robotlarda olmasını istediğimiz bir koordinasyon tipidir. etrafında komşularının olduğu bir robotumuz olduğu zaman -- robot I ve robot J'ye bakalım -- robotlardan yapmasını istediğimiz belli bir formasyonda uçarken kendi aralarındaki mesafeyi gözlemlemeleridir. Ve bu mesafenin kabuledilebilir seviyelerde olduğundan emin olmak istiyorsunuz. Böylece tekrar robotlar bu hataları gözlemler ve daha sonra saniyede 600 kez hareket komutlarına çevirdikleri saniyede 100 kez olan kontrol komutlarını hesaplarlar. Bu merkezi olmayan bir yol ile de yapılabilir. Tekrar, eğer çok ama çok robotunuz varsa, görevi yerine getirebilmek için bu kadar hız ile bu bilgiyi merkezi olarak koordine etmeniz mümkün değildir. Ayrıca robotlar kendi hareketlerini diğer komuşlarından algıladıkları yalnızca lokal bilgiyi temel alırlar. Ve son olarak robotların komşularına bilinmezlik içinde olduğu üzerinde duruyoruz. Ve buna kişisel alan diyoruz.
So what I want to show you next is a video of 20 of these little robots, flying in formation. They're monitoring their neighbors' positions. They're maintaining formation. The formations can change. They can be planar formations, they can be three-dimensional formations. As you can see here, they collapse from a three-dimensional formation into planar formation. And to fly through obstacles, they can adapt the formations on the fly. So again, these robots come really close together. As you can see in this figure-eight flight, they come within inches of each other. And despite the aerodynamic interactions with these propeller blades, they're able to maintain stable flight.
Size bir sonraki göstermek istediğim belirli bir formda uçan bu küçük 20 robotun videosudur. Komşularının konumlarını iziliyorlar. Dizilişi koruyorlar. Diziliş değişebiliyor. Düzlemsel dizilimde olabilirler, üç boyutlu diziliş içinde olabilirler. Burada gördüğünüz gibi, üç boyutlu dizilişten düzlemsel dizilişe geçiyorlar. Engellerin içinden uçarak geçebilmek için uçuş sırasında dizilişe uymaları gerekiyor. Yani tekrar, bu robotlar gerçekten birbirlerine yaklaşıyorlar. Sekizinci uçuşta gördüğünüz gibi, birbirlerine 3-5 santim kadar yaklaşıyorlar. Bu pervane kantlarının aerodinamik etkileşimlerine rağmen, stabil uçusu sağlayabiliyorlar.
(Applause)
(Alkış)
So once you know how to fly in formation, you can actually pick up objects cooperatively. So this just shows that we can double, triple, quadruple the robots' strength, by just getting them to team with neighbors, as you can see here. One of the disadvantages of doing that is, as you scale things up -- so if you have lots of robots carrying the same thing, you're essentially increasing the inertia, and therefore you pay a price; they're not as agile. But you do gain in terms of payload-carrying capacity.
Dizilişte nasıl uçaçacağınızı bir kere bildikten sonra nesneleri elbirliği ile toplayabilirsiniz. Bu gösteriyor ki, robotun dayanıklılığını komşuları ile takım oluşturarak iki, üç, dört katına çıkarabilirsiniz, burada gördüğünüz gibi. Bunu yapmanın dezavantajlarından biri bunları yükselttiğiniz zaman diyelim ki aynı şeyi taşıyan birçok robota sahipsiniz, temel olarak etkili şekilde eylemsizliği arttırıyorsunuz, ve bir bedel ödüyorsunuz; çok çevik olmuyorlar. Fakat taşıma kapasitesi adına kazanım elde ediyorsunuz.
Another application I want to show you -- again, this is in our lab. This is work done by Quentin Lindsey, who's a graduate student. So his algorithm essentially tells these robots how to autonomously build cubic structures from truss-like elements. So his algorithm tells the robot what part to pick up, when, and where to place it. So in this video you see -- and it's sped up 10, 14 times -- you see three different structures being built by these robots. And again, everything is autonomous, and all Quentin has to do is to give them a blueprint of the design that he wants to build.
Size göstermek istediğim diğer bir uygulama -- tekrar, bizim laboratuarımızda-- Bu Quentin Lindsey isimli yüksek lisans ögrencimizin çalışmasıdır. Onun algoritması bu rotobotlara temel olarak üçgen şeklindeki elemanlardan kübik yapıları nasıl bağımsız olarak inşa edeceğini söylüyor olmasıdır. Algoritması robotlara hangi parçanın alınacağı nereye konulacağını söylüyor. Bu videoda görüdüğünüz -- 10-15 kat hızlandırılmıştır-- üç farklı yapının robotlar tarafından inşa ediliğini görüyorsunuz. Ve tekrar, herşey birbirinden bağımsız, ve Quentinin yapmak zorunda olduğu şey inşa etmek istediği tasarımın kopyasını elde etmektir.
So all these experiments you've seen thus far, all these demonstrations, have been done with the help of motion-capture systems. So what happens when you leave your lab, and you go outside into the real world? And what if there's no GPS? So this robot is actually equipped with a camera, and a laser rangefinder, laser scanner. And it uses these sensors to build a map of the environment. What that map consists of are features -- like doorways, windows, people, furniture -- and it then figures out where its position is, with respect to the features. So there is no global coordinate system. The coordinate system is defined based on the robot, where it is and what it's looking at. And it navigates with respect to those features.
Şu ana kadar gördüğünüz deneyler, bütün bu gösteriler, hareket yakalama sistemlerinin yardımıyla yapılmıştır. Laboratuardan ayrıldığınız zaman ve ve dışarı çıkıp gerçek dünyaya çıktığınızda ne oluyor? Ya hiç GPS konum bilgisi yoksa? Bu robot bir kamera, lazer mesafe ölçer tarayıcı ile donatılmıştır. Çevresinin haritasını çıkarmak için sensörlerini kullanıyor. Haritanın sahip olduğu özellikler olan -- kapı girişleri, pencereler, insanlar, mobilyalar-- ve sonra kendi konumunu bunlarla karşılaştırarak tahmin edebiliyor. Öyle ki hiç bir global koordinasyon sistemi yok. Koordinasyon sistemi robotun nerede olduğu ve nereye baktığı baz alınarak oluşuyor. Bu özelliklere riayet ederek yön tayininde bulunuyor.
So I want to show you a clip of algorithms developed by Frank Shen and Professor Nathan Michael, that shows this robot entering a building for the very first time, and creating this map on the fly. So the robot then figures out what the features are, it builds the map, it figures out where it is with respect to the features, and then estimates its position 100 times a second, allowing us to use the control algorithms that I described to you earlier. So this robot is actually being commanded remotely by Frank, but the robot can also figure out where to go on its own. So suppose I were to send this into a building, and I had no idea what this building looked like. I can ask this robot to go in, create a map, and then come back and tell me what the building looks like. So here, the robot is not only solving the problem of how to go from point A to point B in this map, but it's figuring out what the best point B is at every time. So essentially it knows where to go to look for places that have the least information, and that's how it populates this map.
Size Frank Shen ve Professor Nathan Micheal tarafından geliştirilen robotun binaya ilk kez girdiğinde ve uçuş sırasında harita oluşturmasını gösteren bir video göstereceğim. Öyle ki robotlar binanın özelliklerinin ne olduğunu buluyorlar. Harita oluşturuyorlar. Bu özelliklerin nerede olduğunu tayin edip size daha önce tarif ettiğim bize saniyede 100 kez izin veren kontrol algoritmalarını kullanarak kendi yerini tahmin ediyor. Bu robot aslında Frank tarafından komuta ediliyor. Fakat bu robot kendisinin nereye gideceğini bilebilir. Farz edin ki; bunu bir binanın içine gönderdim ve binanın neye benzediği hakkında bir fikrim yok, robota içeri girip bir harita oluşturmasını ve sonra geri gelip bana binanın neye benzediğini isteyebilirim. Öyle ki burada, robot bu haritadaki A noktasından B noktasına nasıl gideceği problemi sadece çözmekle kalmıyor, ayrıca B noktasına her defasında gideceği en iyi yolun ne olduğunu buluyor. Temel olarak az bilgi ile yerleri arayarak nereye gideceğini biliyor. Ve bu haritayı nasıl oluşturduğudur.
So I want to leave you with one last application. And there are many applications of this technology. I'm a professor, and we're passionate about education. Robots like this can really change the way we do K-12 education. But we're in Southern California, close to Los Angeles, so I have to conclude with something focused on entertainment. I want to conclude with a music video. I want to introduce the creators, Alex and Daniel, who created this video.
Sizi son bir uygulama ile bırakmak istiyorum. Bu teknolojinin bir çok uygulaması vardır. Ben bir profesörüm ve eğiteme tutkuluyum. Robotlar anaokuldan lise son eğitimine kadar ki yapıyı gerçekten değiştirebilir. Fakat biz Güney Kaliforniya'dayız, Los Angeles'a yakınız, Bu yüzden eğlenceye yönelik birşey ile sonlandırmak istiyorum. Bir müzik videosu ile bitirmek istiyorum. Bu videoyu oluşturan yaratıcılardan Alex ve Daniel'i takdim etmek istiyorum.
(Applause)
(Alkış)
So before I play this video, I want to tell you that they created it in the last three days, after getting a call from Chris. And the robots that play in the video are completely autonomous. You will see nine robots play six different instruments. And of course, it's made exclusively for TED 2012. Let's watch.
Bu videoyu başlatmadan önce, bunun Chris'ten telefon aldıktan son üç gün içinde yaptıklarını söylemek istiyorum. Ve videoyu çalan robotlar tamamen bağımsızlar. Dokuz robotun altı farklı enstrümanı çaldığını göreceksiniz. Ve tabi ki, sadece TED 2012 için yapıldı. Hadi izleyelim.
(Sound of air escaping from valve)
(Music)
(Whirring sound)
(Music)
(Müzik)
(Applause) (Cheers)
(Alkış)