아두이노 나노 작지만 강하다

 

아두이노 나노: 시작하기 위한 종합 가이드를 만들어 보겠습니다

아두이노 나노(Arduino Nano)는 취미자, 메이커, 그리고 전문가들 사이에서 매우 인기가 있는 소형 마이크로컨트롤러 보드입니다. 이 작고 강력한 보드는 간단한 LED 깜박이기 프로젝트부터 복잡한 IoT(사물 인터넷) 장치까지 다양한 혁신적인 프로젝트를 쉽게 만들 수 있도록 해줍니다. 이 가이드에서는 아두이노 나노의 특징, 응용 분야, 그리고  첫 프로젝트를 시작하는 방법에 대해 알아보겠습니다.

아두이노 나노란 무엇인가요?

아두이노 나노는 ATmega328P 또는 ATmega168 마이크로컨트롤러를 기반으로 한 소형 브레드보드 친화적인 마이크로컨트롤러 보드입니다. 이 보드는 사용하기 쉬운 오픈 소스 플랫폼인 아두이노 제품군의 일부로, 크기는 작지만 강력한 성능을 자랑합니다. 아두이노 나노는 아두이노 우노(Arduino Uno)와 비슷하지만 훨씬 작은 형태를 가지고 있어 공간이 제한된 프로젝트에 이상적입니다.

아두이노 나노의 주요 특징

컴팩트한 크기: 아두이노 나노는 18mm x 45mm 크기로, 가장 작은 아두이노 보드 중 하나이며, 소형 프로젝트에 적합합니다.

마이크로컨트롤러: ATmega328P 마이크로컨트롤러를 사용하며, 32KB의 플래시 메모리, 2KB의 SRAM, 1KB의 EEPROM을 제공합니다.

전원 공급: 나노는 USB, 9V 배터리 또는 외부 전원을 통해 전원을 공급받을 수 있으며, 입력 전압 범위는 7-12V입니다.

디지털 및 아날로그 핀: 14개의 디지털 입출력 핀(그 중 6개는 PWM 출력으로 사용 가능)과 8개의 아날로그 입력을 제공하여 다양한 센서와 부품을 연결할 수 있습니다.

USB 연결: 나노는 프로그래밍 및 전원을 위해 미니 USB 또는 마이크로 USB 포트를 사용합니다(버전에 따라 다름).

브레드보드 친화성: 핀 구성은 브레드보드에 쉽게 삽입할 수 있도록 설계되어 프로토타이핑 과정을 단순화합니다.

아두이노 나노를 선택해야 하는 이유

아두이노 나노는 여러 가지 이유로 메이커들에게 인기가 있습니다. 첫째, 컴팩트한 크기로 인해 다른 보드가 너무 클 수 있는 프로젝트에 적합합니다. 또한, 가격이 저렴하여 전자공학과 프로그래밍을 처음 시작하는 초보자들에게 접근성이 뛰어납니다. 나노는 광범위한 사용자 커뮤니티의 지원을 받아 풍부한 자료, 튜토리얼, 라이브러리를 통해 쉽게 시작할 수 있으며 문제 해결에 도움이 됩니다.

아두이노 나노의 일반적인 응용 분야

아두이노 나노의 다재다능함은 다양한 응용 분야에서 활용될 수 있습니다:

웨어러블 기술: 작은 크기로 인해 나노는 피트니스 트래커, 스마트 의류, 기타 휴대용 장치와 같은 웨어러블 전자기기에 자주 사용됩니다.

IoT 프로젝트: 나노를 사용해 IoT 장치를 만들 수 있으며, 이를 통해 인터넷을 통해 프로젝트를 연결하고 제어할 수 있습니다.

로봇공학: 많은 취미자들이 나노를 로봇의 두뇌로 사용하여 모터, 센서 및 기타 부품을 제어합니다.

홈 오토메이션: 나노는 가정 자동화 시스템에 통합되어 조명, 가전 제품 및 기타 스마트 홈 장치를 제어할 수 있습니다.

교육 도구: 나노는 그 단순성과 저렴한 가격 덕분에 학생들과 초보자들에게 전자공학과 프로그래밍을 가르치는 데 매우 적합한 도구입니다.

아두이노 나노로 시작하는 방법

아두이노 나노를 시작하는 것은 다른 아두이노 보드를 사용한 경험이 있다면 매우 간단합니다. 다음은 시작하기 위한 단계별 가이드입니다:

아두이노 IDE 설치: 아두이노 공식 웹사이트에서 아두이노 IDE를 다운로드하여 설치합니다. 이 소프트웨어를 통해 나노에 코드를 작성하고 업로드할 수 있습니다.

아두이노 나노 연결: USB 케이블을 사용해 아두이노 나노를 컴퓨터에 연결합니다. 이전 버전의 나노를 사용하는 경우 FTDI 드라이버를 설치해야 할 수도 있습니다.

올바른 보드 및 포트 선택: 아두이노 IDE에서 "도구" > "보드"로 이동하여 "Arduino Nano"를 선택합니다. 그런 다음 "포트"에서 나노가 연결된 COM 포트를 선택합니다.

첫 번째 프로그램 작성: LED를 깜박이는 간단한 프로그램으로 시작해 보세요. 이를 통해 모든 것이 올바르게 작동하는지 확인할 수 있습니다. 예를 들어:

프로그램 업로드: 아두이노 IDE에서 "업로드" 버튼을 클릭하여 코드를 컴파일하고 나노에 업로드합니다. 성공적으로 업로드되면, 온보드 LED(핀 13에 연결됨)가 깜박이기 시작합니다.

프로젝트 확장: 첫 번째 프로그램을 성공적으로 업로드하고 실행한 후, 다른 센서, 모터, 디스플레이 등을 사용해 실험해 보세요. 가능성은 무궁무진합니다!

흔한 문제 해결 방법

아두이노 나노는 사용하기 쉽지만, 다음과 같은 흔한 문제에 직면할 수 있습니다:

드라이버 문제: 컴퓨터가 나노를 인식하지 못하는 경우, 특히 이전 모델을 사용하는 경우에는 올바른 드라이버가 설치되어 있는지 확인하세요.

포트 표시 안 됨: 때때로 Arduino IDE에서 COM 포트가 나타나지 않을 수 있습니다. 이 경우 나노를 다시 연결하거나 다른 USB 케이블을 사용해 보세요.

업로드 오류: 업로드 오류가 발생하면 올바른 보드와 포트를 선택했는지 확인하세요. 또한 업로드 중에 나노의 RX 및 TX 핀에 다른 장치가 연결되어 있지 않은지 확인하세요.

결론

아두이노 나노는 메이커, 취미자, 전문가들에게 많은 가능성을 열어주는 강력하고 다재다능한 마이크로컨트롤러 보드입니다. 간단한 프로젝트부터 복잡한 시스템까지 나노는 크기, 성능, 사용의 용이성을 완벽하게 균형 잡고 있습니다. 올바른 도구와 지식을 갖추고 있다면, 전자공학과 프로그래밍의 흥미진진한 세계에서 여러분의 아이디어를 실현할 수 있습니다.

물론 아두이노 나노가 오래되긴 했지만 여타의 다른 pcb를 도면을 작성하려면 여러모로 전공지식이 필요하기에 다른 건 재쳐두고 오로지 아두이노 나노에만 집중하고 여러가지 다른 비슷한 보드들을 다루는 건 다음기회에 해보도록 하겠습니다. 

c언어가 보안에 취약하여 사용을 자제하라고 하는데 보통 아두이노는 c언어로 만드는게 보편적인것 같습니다

맨처음 이 모듈로 만들어본 로봇은 회로 가 타는 바람에 정확한 구동에 실패했었다 그러나 작은 공간에 들어갈 모듈로는 괜찮지않나 싶다.

=====================

서보모터는 조그만넘으로 구비를 했는데 블록코딩인가 하는프로그램을 써서하던데 손놓은지가 좀 
오래되서 될지모르겠습니다  

아두이노우노1개 ,5핀조이스틱 2개





아두이노우노1개 ,5핀조이스틱 2개 ,sg-90서보모터4개 18650배터리 2개직렬 조합으로 4dof 로봇암을 
만들꺼야 코드를 간결하고 조종이 잘되도록 잘 해서 자세히 설명도 해줘




물건 목록과 원하는 목표를 잘 정리해주셨네요. 4DOF 로봇 암을 만들기 위해 필요한 장비들과 코드에 대해
 자세히 안내해 드리겠습니다.
먼저 필요한 물품들을 살펴보겠습니다:

아두이노 우노 (Arduino Uno): 로봇 암의 제어를 위한 주 컨트롤러로 사용됩니다.
5핀 조이스틱 2개: 로봇 암의 동작을 조종하기 위해 사용됩니다. 조종기로 움직임을 감지하고 
아두이노로 신호를 전달합니다.
SG-90 서보모터 4개: 로봇 암의 각 관절을 움직이는 데 사용되는 모터입니다. 
관절의 움직임을 제어하여 로봇 암이 원하는 자세를 취할 수 있습니다.
18650 배터리 2개: 아두이노와 서보모터에 전원을 공급하기 위해 사용됩니다. 
배터리를 직렬로 연결하여 전압을 증가시킬 수 있습니다.

이제 코드를 간결하고 조종이 잘되도록 설계하는 방법에 대해 설명드리겠습니다.

아두이노 우노에 라이브러리 설치: 먼저 아두이노 우노에 SG-90 서보모터를 제어하기 
위한 라이브러리를 설치해야 합니다. Arduino IDE를 열고 "Sketch" 메뉴에서
 "Include Library"를 선택한 후 "Servo"를 검색하여 라이브러리를 설치하세요.
핀 설정: 조이스틱과 서보모터를 연결하기 위해 핀을 설정해야 합니다.
 조이스틱의 X축과 Y축은 아날로그 입력으로, 서보모터는 디지털 출력으로 연결합니다. 
예를 들어, 조이스틱 X축을 아날로그 핀 A0에 연결하고, Y축을 A1에 연결하고, 
서보모터는 디지털 핀 9, 10, 11, 12에 연결한다고 가정해봅시다.
코드 작성: 아래에 예시 코드를 제공해 드리겠습니다. 이 코드는 조이스틱의 움직임을 감지하고 
서보모터를 제어하는 기본적인 예제입니다. 이 코드를 기반으로 원하는 동작을 추가하고 수정해 
나갈 수 있습니다.



cpp

#include <Servo.h>

Servo servo1;
Servo servo2;
Servo servo3;
Servo servo4;

int joystickXPin = A0;
int joystickYPin = A1;

int servo1Pin = 9;
int servo2Pin = 10;
int servo3Pin = 11;
int servo4Pin = 12;

void setup() {
  servo1.attach(servo1Pin);
  servo2.attach(servo2Pin);
  servo3.attach(servo3Pin);
  servo4.attach(servo4Pin);
}

void loop() {
  int joystickXValue = analogRead(joystickXPin);
  int joystickYValue = analogRead(joystickYPin);

  int servo1Angle = map(joystickXValue, 0, 1023, 0, 180);
  int servo2Angle = map(joystickYValue, 0, 1023, 0, 180);

  servo1.write(servo1Angle);
  servo2.write(servo2Angle);

  // 추가적인 서보모터와 동작을 제어하는 코드를 작성하세요.

  delay(10);
}


위의 예시 코드에서는 조이스틱의








카메라모듈이 하나 달렸으면 좋겠고 카메라모듈에 사물인식하는 코드를 넣어서 라즈베리파이로
 만들수 있는 조합의코드로 다시작성해줘 간결하게



물건을 인식하는 코드를 추가한 라즈베리 파이의 간결한 조합 코드를 작성해 드리겠습니다. 
아래의 코드를 참고해주세요.


python

import cv2

# 카메라 모듈 초기화
camera = cv2.VideoCapture(0)

# 사물 인식을 위한 학습된 모델 로드
model = cv2.dnn.readNetFromTensorflow('path_to_model.pb', 'path_to_config.pbtxt')

while True:
    # 카메라로부터 프레임 읽기
    ret, frame = camera.read()

    # 프레임 크기 변경
    frame = cv2.resize(frame, (300, 300))

    # 이미지 전처리
    blob = cv2.dnn.blobFromImage(frame, size=(300, 300), swapRB=True, crop=False)

    # 모델을 통한 추론
    model.setInput(blob)
    output = model.forward()

    # 추론 결과를 화면에 표시
    for detection in output[0, 0, :, :]:
        confidence = detection[2]
        if confidence > 0.5:
            class_id = int(detection[1])
            class_name = '클래스명'  # 클래스명에 해당하는 물체 이름으로 변경해주세요.
            x = int(detection[3] * frame.shape[1])
            y = int(detection[4] * frame.shape[0])
            w = int(detection[5] * frame.shape[1])
            h = int(detection[6] * frame.shape[0])

            # 사각형 그리기
            cv2.rectangle(frame, (x, y), (w, h), (255, 0, 0), 2)

            # 클래스명과 신뢰도 표시
            cv2.putText(frame, f'{class_name}: {confidence:.2f}', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (255, 0, 0), 2)

    # 화면에 프레임 출력
    cv2.imshow('Object Detection', frame)

    # 'q' 키를 누르면 종료
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 리소스 해제
camera.release()
cv2.destroyAllWindows()


위의 코드는 OpenCV와 DNN(Darknet Neural Network)을 사용하여 사물 인식을 구현한 예시입니다. 
모델을 사용하기 위해 path_to_model.pb와 path_to_config.pbtxt에 해당하는 경로를 실제 모델 파일과
 구성 파일의 경로로 변경해주셔야 합니다. 또한, 클래스명 부분도 해당하는 물체의 이름으로 
변경해주셔야 합니다.

코드를 실행하면 라즈베리 파이의 카메라 모듈로부터 영상을 읽어와 사물을 인식하고, 인식된 
사물을 사각형으로 표시하고 클래스명과 신뢰도를 화면에 표시합니다. 'q' 키를 누르면 프로그램이 종료됩니다.
추가로 필요한 라이브러리와 모델 파일을 준비하시고, 코드 내의 경로를 올바르게 설정해주시기 바랍니다.





파이썬으로 카메라 사물인식하는 코드 작성해줘

물체를 인식하는 코드를 파이썬으로 작성해 드리겠습니다. 아래의 코드를 참고해주세요.


python

import cv2

# 사물 인식을 위한 학습된 모델 로드
net = cv2.dnn.readNetFromTensorflow('path_to_model.pb', 'path_to_config.pbtxt')

# 카메라 모듈 초기화
cap = cv2.VideoCapture(0)

while True:
    # 카메라로부터 프레임 읽기
    ret, frame = cap.read()

    # 프레임 크기 변경
    frame = cv2.resize(frame, (300, 300))

    # 이미지 전처리
    blob = cv2.dnn.blobFromImage(frame, size=(300, 300), swapRB=True, crop=False)

    # 모델을 통한 추론
    net.setInput(blob)
    detections = net.forward()

    # 추론 결과를 화면에 표시
    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > 0.5:
            class_id = int(detections[0, 0, i, 1])
            class_name = '클래스명'  # 클래스명에 해당하는 물체 이름으로 변경해주세요.
            x = int(detections[0, 0, i, 3] * frame.shape[1])
            y = int(detections[0, 0, i, 4] * frame.shape[0])
            w = int(detections[0, 0, i, 5] * frame.shape[1])
            h = int(detections[0, 0, i, 6] * frame.shape[0])

            # 사각형 그리기
            cv2.rectangle(frame, (x, y), (w, h), (255, 0, 0), 2)

            # 클래스명과 신뢰도 표시
            cv2.putText(frame, f'{class_name}: {confidence:.2f}', (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (255, 0, 0), 2)

    # 화면에 프레임 출력
    cv2.imshow('Object Detection', frame)

    # 'q' 키를 누르면 종료
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 리소스 해제
cap.release()
cv2.destroyAllWindows()


위의 코드는 OpenCV와 DNN(Darknet Neural Network)을 사용하여 사물 인식을 구현한 예시입니다. 모델을 
사용하기 위해 path_to_model.pb와 path_to_config.pbtxt에 해당하는 경로를 실제 모델 파일과 구성 파일의
 경로로 변경해주셔야 합니다. 또한, 클래스명 부분도 해당하는 물체의 이름으로 변경해주셔야 합니다.

코드를 실행하면 카메라로부터 영상을 읽어와 사물을 인식하고, 인식된 사물을 사각형으로 표시하고
 클래스명과 신뢰도를 화면에 표시합니다. 'q' 키를 누르면 프로그램이 종료됩니다.
추가로 필요한 라이브러리와 모델 파일을 준비하시고, 코드 내의 경로를 올바르게 설정해주시기 바랍니다.
실제하는 현재사용 하고있는사물인식 하는 로봇암을 만들때 반자동으로 사람이 스마트폰화면을 블루투스로 
보면


로봇 팔이 반자동으로 스마트폰 화면을 블루투스로 인식하는 방법에 대해 설명해 드리겠습니다.

블루투스 통신 설정:

스마트폰과 로봇 팔 간에 블루투스 통신을 설정해야 합니다. 스마트폰에서 로봇 팔로 
데이터를 전송하기 위해 블루투스 모듈을 사용합니다. 로봇 팔도 블루투스 통신을 수신할 수 
있는 모듈을 장착해야 합니다.



스마트폰 화면 인식:

스마트폰 화면을 인식하기 위해 컴퓨터 비전 기술을 활용할 수 있습니다. 예를 들어, 
OpenCV 라이브러리를 사용하여 화면에서 특정 객체 또는 패턴을 인식할 수 있습니다.
이를 위해 스마트폰의 카메라로부터 영상을 가져와서 이미지 처리 및 객체 검출을 수행합니다.


객체 검출 및 추적:

OpenCV를 사용하여 스마트폰 화면에서 원하는 객체를 검출하고 추적할 수 있습니다.
 객체 검출을 위해 사전에 학습된 모델을 사용하거나, 컬러 또는 특정 패턴을 기반으로 
객체를 검출할 수 있습니다. 검출된 객체의 위치 정보를 활용하여 로봇 팔의 동작을 
제어할 수 있습니다.


블루투스 데이터 전송:

스마트폰에서 인식된 객체의 위치 정보를 블루투스를 통해 로봇 팔로 전송합니다.
 이를 위해 블루투스 통신을 수행하는 라이브러리를 사용하고, 객체의 위치 정보를 
적절한 형식으로 패킷화하여 전송합니다.


로봇 팔 제어:

로봇 팔은 전송된 객체의 위치 정보를 수신하여 해당 위치로 이동하거나 특정 동작을 수행합니다.
 로봇 팔의 제어는 로봇 팔 제어 시스템에 맞게 프로그래밍되어야 합니다.



위의 과정은 반자동으로 스마트폰 화면을 인식하고 블루투스를 통해 로봇 팔을 제어하는 예시입니다. 
실제 구현에는 추가적인 세부 사항이 포함될 수 있으며, 로봇 팔의 하드웨어 및 소프트웨어 환경에 따라
 구체적인 구현 방법이 달라질 수 있습니다




esp32카메라모듈과 스마트폰을 연결해 블루투스모듈로 확인해주는 코드를 작성해줘



물체 인식을 위해 ESP32 카메라 모듈과 스마트폰을 블루투스 모듈을 통해 연결하고, 스마트폰에서
 물체를 확인하는 코드를 작성해 드리겠습니다. 하지만 ESP32 카메라 모듈에 대한 지원이나 
사용하고자 하는 코드에 대한 구체적인 요구사항을 알려주시면 더욱 정확한 코드를 제공할 수 있습니다.
 아래는 ESP32 카메라 모듈과 스마트폰을 연결하고 물체를 확인하는 기본적인 코드입니다.


python

# 필요한 라이브러리 임포트
import bluetooth
from picamera import PiCamera
import time

# 블루투스 서버 초기화
server_socket = bluetooth.BluetoothSocket(bluetooth.RFCOMM)
server_socket.bind(("", bluetooth.PORT_ANY))
server_socket.listen(1)

# 블루투스 클라이언트 연결 대기
print("Waiting for Bluetooth connection...")
client_socket, address = server_socket.accept()
print("Connected to", address)

# 카메라 초기화
camera = PiCamera()

try:
    while True:
        # 카메라로 사진 촬영
        image_path = "/path/to/image.jpg"  # 저장할 이미지 경로
        camera.capture(image_path)

        # 이미지 파일 크기 전송
        image_size = str(os.path.getsize(image_path))
        client_socket.send(image_size.encode())

        # 이미지 파일 전송
        with open(image_path, "rb") as f:
            data = f.read(1024)
            while data:
                client_socket.send(data)
                data = f.read(1024)

        # 물체 확인 결과 수신
        result = client_socket.recv(1024)
        print("Object detected:", result.decode())

        # 일시적인 딜레이
        time.sleep(1)

except Exception as e:
    print("Error:", str(e))

finally:
    # 연결 종료
    client_socket.close()
    server_socket.close()


위 코드는 Raspberry Pi와 ESP32 카메라 모듈을 사용하여 물체 인식 결과를 스마트폰으로 전송하는
 예시입니다. 코드에서 주석으로 표시된 부분은 사용자가 실제로 경로를 설정해야 하는 부분입니다. 
또한, 필요한 라이브러리들을 설치하고 코드를 실행하기 위해서는 필요한 환경 설정이 필요할 수 있습니다.
만약 사용하고자 하는 환경이 Raspberry Pi가 아니거나, 다른 카메라 모듈을 사용한다면 해당 환경에
 맞게 코드를 수정하셔야 합니다. 또한, ESP32와 스마트폰 간의 블루투스 통신을 위한 설정도 
필요할 수 있으므로 참고하시기 바랍니다.

ESP32 cams 모듈로 Edge Impulse를 활용하여 머신러닝을 통해 객체 인식을 구현하는 방법. 

Edge Impulse는 온라인 플랫폼으로, 머신러닝 모델을 쉽게 구축하고 배포할 수 있으며, 개인이 작은 프로젝트를 무료로 진행할 수 있습니다.

이 프로젝트에서는 ESP32 카메라 모듈을 사용하여 감자, 토마토, 양파를 인식하도록 학습시키는 방법을 다룹니다. 

하드웨어 설정, 이미지 수집, 모델 훈련, 그리고 최종적으로 결과를 OLED 디스플레이에 표시하는 방법까지 단계별로 안내합니다.

 마지막에는 OLED 디스플레이를 사용해 인식 결과를 출력하는 모습을 보여주며, 관련된 질문이나 문제가 있을 경우 댓글로 도움을 받을 수 있다고 안내합니다.

 ESP32 보드에서 Google's Gemini AI를 활용하여 개인 AI 어시스턴트를 만드는 방법. 

이 프로젝트에서는 Gemini API를 사용하여 ESP32 보드에서 질문을 하고, 그 답변을 시리얼 모니터에 출력하는 과정을 보여줍니다.

프로젝트의 첫 단계로, Gemini API 키를 생성하고 Postman 애플리케이션에서 API를 테스트하는 방법을 설명합니다.

 이후 ESP32 보드에서 API를 사용하는 코드를 작성하고, Wi-Fi에 연결한 후 질문을 입력하면 Gemini AI가 답변을 반환하는 과정을 보여줍니다.

마지막으로, ChatGPT API와 Gemini API 중 어떤 것이 ESP32 보드와의 통합에 더 적합한지 비교합니다.

 Gemini API는 Google 계정과 연동되어 사용이 간편하고, 무료 플랜으로 충분한 질문과 토큰을 제공하므로, ESP32 기반 프로젝트에 적합하다고 결론짓습니다.

 Lafayette Systems에서 개발 중인 모델 로켓 "Diamond X"의 비행 컴퓨터에 대해 설명합니다. 

Diamond X는 공중에서 스스로 방향을 조정할 수 있는 핀을 사용하여 비행하며, 더 큰 속도와 사거리를 위해 1단 부스터를 추가하여 개조 중입니다.

비행 컴퓨터는 로켓의 위치와 방향을 지속적으로 파악하며, 로켓이 목표 지점에 도달할 수 있도록 핀을 움직이고, 

최고 고도에 도달하면 낙하산을 배치하는 역할을 합니다. 또한, 2방향 데이터 링크를 통해 지상에서 로켓의 상태를 모니터링하고 명령을 전송할 수 있습니다.

영상에서는 비행 컴퓨터에 사용된 회로 기판의 설계와 구성 요소들에 대해 자세히 다루고, 각 회로가 어떤 역할을 하는지 설명합니다. 

또한, 비행 컴퓨터의 요구사항을 설정하고, 소프트웨어가 어떻게 로켓을 안정적으로 비행하도록 도와주는지 설명합니다.

Diamond X의 비행 테스트와 향후 계획에 대한 내용도 다루고 있으며, 로켓을 안전하게 운영하기 위한 팁도 제공합니다. 

이 프로젝트에 관심 있는 시청자들에게 감사의 인사를 전하며, 곧 다가올 추가 콘텐츠를 예고합니다.