Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Learning of robot-to-human object handovers
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Inlärning av överlämningar från robot till människa (Swedish)
Abstract [en]

In this thesis we propose a system for robots to learn through a semisupervised approach from observations, proper handover features for objects that can be applied onto new objects.

Using recordings of handovers, features are extracted for the purpose of classifying the objects through unsupervised learning. The results from the classification are used to train a network in a supervised fashion as to properly identify handover class from images.

The results of this work show that objects with similar visual features are handed over in similar way and that with a limited amount of data a model can be fitted as to properly predict handover settings for an object that has been previously encountered or not.

Abstract [sv]

I detta examensarbete presenteras ett förslag på ett system för robotar att lära sig på ett autonomt semi-supervised vis egenskaper vid överlämning för olika objekt genom att observera människor, som kan senare även användas till nya objekt.

Med hjälp av inspelat material på överlämningar, identifierar vi egenskaper som gör det möjligt att klassificera objekten genom unsupervised learning. Resultaten från denna klassificering kombineras med bilder på objekten som används till att träna ett nätverk på ett supervised vis, som lär sig att förutspå korrekt klass för ett objekt via bilddata.

Resultaten från detta arbete visar att objekt som överlämnas på liknande vis även har liknande visuella egenskaper, och med en begränsad mängd med data kan vi träna en modell som med hög träffsäkerhet ger oss inställningarna för överlämningen utav ett objekt vare sig det har påträffats tidigare eller inte.

Place, publisher, year, edition, pages
2019. , p. 68
Series
TRITA-EECS-EX ; 2019:99
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-251505OAI: oai:DiVA.org:kth-251505DiVA, id: diva2:1315734
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2019-05-20 Created: 2019-05-14 Last updated: 2019-05-20Bibliographically approved

Open Access in DiVA

fulltext(3898 kB)21 downloads
File information
File name FULLTEXT01.pdfFile size 3898 kBChecksum SHA-512
a5c68bc74502754aa4a520a0a95ac4f71914cb396806c8b2ecd1e22bb7a251adb3b8fd7f5012570b672045bfd9c9a97a7652c68b424521a7513963351dc80a17
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 21 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 110 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf