Etkileşimli görsellik kullanılarak el aletlerinin sağlarlık tahmini

Date

2012-04

Editor(s)

Advisor

Supervisor

Co-Advisor

Co-Supervisor

Instructor

Source Title

20th IEEE Signal Processing and Communications Applications Conference, SIU

Print ISSN

Electronic ISSN

Publisher

IEEE

Volume

Issue

Pages

Language

Turkish

Journal Title

Journal ISSN

Volume Title

Citation Stats
Attention Stats
Usage Stats
1
views
18
downloads

Series

Abstract

Günlük hayatta bir iş için seçilecek el aleti genellikle o aletin dış görünüşü ve nesneler üzerindeki etkisinden yola çıkılarak seçiilir. Bu etki, seçilen aletin sağlarlığını (ing. affordance) belirler. Bu çalışmanın amacı, el aletlerinin sadece dış görünüşlerini kullanarak onların sağlarlıklarını belirlemek ve insansı robotların basit alet kullanımı için bir zemin oluşturmaktır. Bu amaçla yapılan çalısmada insan tarafından etkileşilen el aletlerinin fonksiyonel bölgelerinin düzlük, sivrilik, iki uç arası uzaklık, gri ölçek renk histogramı gibi öznitelikler çıkartılarak belli sağlarlık modelleri eğitilmiştir. Sağlarlıkları öğrenilmek istenen el aletinden çıkarılan her bir öznitelik, eğitilmiş¸ modellere verilerek bu aletin kesebilme, delebilme, sıkıştırabilme ve ittirebilme sağlarlıklarından hangilerine sahip oldugu belirlenir. Testlerde modelin %93.1 oranında sağlarlıkları doğru tahmin ettiği görülmüştür. Bu sonuçlara bakılarak modelin insansı robotlarda basit alet kullanımı için uygun bir zemin oluşturdugu söylenebilir.

In daily life, the selection of a hand tool for a job depends on appereance of the tool and its effect on the objects. The effect determines the affordance of the chosen tool. Aim of this work is to determine the affordances of hand tools based only on their appereance and to build a basis for simple tool usage of humanoid robots. Towards this end, in this work from the functional regions of human interacted hand tools, sharpness, bluntness, distance between two tip and grayscale histogram features are extracted and specific affordance models are trained. The features of a hand tool which its affordances wanted to be learned are given to the trained models to determine which affordances that the tool has like can cut, can push, can squeeze, can pierce. During testing, the model predicted the affordances %93.1. From this results it can be said that, this model sets a basis for simple tool usage of humanoid robots. © 2012 IEEE.

Course

Other identifiers

Book Title

Degree Discipline

Degree Level

Degree Name

Citation

Published Version (Please cite this version)