The human hands are one of the most complex organs of the human body. As they enable us to grasp various objects in many different ways, they have played a crucial role in the rise of the human race. Being able to control hands as a human do is a key step towards friendly human-robots interaction and realistic virtual human simulations. Grasp generation has been mostly studied for the purpose of generating physically stable grasps. This paper addresses a different aspect: how to generate realistic, natural looking grasps that are similar to human grasps. To simplify the problem, the wrist position is assumed to be known and only the finger pose is generated. As the realism of a grasp is not easy to put into equations, data-driven machine learning techniques are used. This paper investigated the application of the deep neural networks to the grasp generation problems. Two different object shape representations (point cloud and multi-view depth images), and multiple network architectures are experimented, using a collected human grasping dataset in a virtual reality environment. The resulting generated grasps are highly realistic and human-like. Though there are sometimes some finger penetrations on the object surface, the general poses of the fingers around the grasped objects are similar to the collected human data. The good performance extends to the objects of categories previously unseen by the network. This work has validated the efficiency of a data-driven deep learning approach for human-like grasp synthesis. I believe the realistic-looking objective of the grasp synthesis investigated in this thesis can be combined with the existing mechanical, stable grasp criteria to achieve both natural-looking and reliable grasp generations. / Den mänskliga handen är en av de mest komplexa organen i människokroppen. Eftersom våra händer gör det möjligt för oss att hantera olika föremål på många olika sätt, har de spelat en avgörande roll i människans utveckling. Att kunna styra händer är ett viktigt steg mot interaktion mellan människor och robotar, samt skapa realistiska simuleringar av virtuella människor. Virtualla handgrepp har tidigare mest studerats för att generera fysiskt stabila grepp. I detta papper behandlas en annan aspekt: hur man genererar realistiska grepp som liknar en människas grepp. För att förenkla problemet antas att handledspositionen är känd och endast fingerkonfigurationen genereras. Eftersom hur realistiskt ett grepp är inte är lätt att beskriva i ekvationer, används istället data-driven maskininlärningsteknik. Detta papper undersöker tillämpningen av djupa neurala nätverken (Deep Neural Networks) för att generera grepp. Två olika representationer av former i 3D (punktmoln och bilder med djupinformation) och flera alternativa nätverksarkitekturer utvärderas med hjälp av en databas av mänskliga grepp samlad i en virtuell verklighetsmiljö. De resulterande genererade greppen är mycket realistiska och mänskliga. Även om det ibland förekommer något finger som penetrerar objektet, liknar den allmänna positioneringen av fingrarna den insamlade mänskliga datan. Denna goda prestanda gäller även för föremål i kategorier som aldrig tidigare setts av nätverket. I arbetet valideras också effektiviteten av ett data-drivet tillvägagångssätt baserat på djupa neurala nätverk för människoliknande syntes av grepp
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-229915 |
| Date | January 2018 |
| Creators | Potuaud, Sylvain |
| Publisher | KTH, Robotik, perception och lärande, RPL |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2018:339 |
Page generated in 0.0043 seconds