| Summary: | This report was carried out at Gleechi, a Swedish start-up company working with implementing hand use in Virtual Reality. The thesis presents hand models used to generate natural looking grasping motions. One model were made for each of the thirty-three different grasp types in Feix’s The GRASP Taxonomy. Each model is based on functional principal components analysis which was performed on data containing recorded joint angles of grasping motions from real subjects. Prior to functional principal components analysis, dynamic time warping was performed on the recorded joint angles in order to put them on the same length and make them suitable for statistical analysis. The last step of the analysis was to project the data onto the functional principal components and train Gaussian mixture models on the weights obtained. New grasping motions could be generated by sampling weights from the Gaussian mixture models and attaching them to the functional principal components. The generated grasps were in general satisfying, but all of the thirty-three grasps were not distinguishable from each other. This was most likely caused by the fact that each degree of freedom was modelled in isolation from each other, so that no correlation between them was included in the model. === Denna rapport utfördes på Gleechi, ett svenskt start-up företag som jobbar med att implementera handrörelser i Virtual Reality. Uppsatsen presenterar statistiska modeller för att generera handrörelser som utför olika typer av grepp och som ser naturliga ut. En modell skapades för alla trettiotre grepptyp i Feixs The GRASP Taxonomy. Varje modell bygger på funktionell principalkomponentsanalys som utfördes på data innehållande inspelade vinklar från fingerleder från personer som utförde olika grepp på föremål. Innan funktional principalkomponentanalys utfördes så genomfördes dynamic time warping på datan för att få de inspelade greppen på samma längd och göra den lämplig för statistisk analys. Det sista steget i analysen var att projicera ned datan på principalkomponenterna och träna Gaussian mixture models på vikterna som erhölls. Nya grepp kunde då genereras genom att dra vikter från Gaussian mixture models och skapa linjärkombinationer med de funktionella principalkomponenterna. De genererade greppen var generellt sett tillfredställande, men alla trettiotre grepptyper var inte särskiljbara från varandra. Detta berodde med största sannolikhet på att varje frihetsgrad modellerades isolerat från de andra så att ingen korrelation mellan dem var inkluderad i modellen.
|
|---|
