Task-oriented grasping refers to the problem of computing stable grasps on objects that allow for a subsequent execution of a task. Although grasping objects in a task-oriented manner comes naturally to humans, it is still very challenging for robots. Take for example a service robot deployed in a household. Such a robot should be able to execute complex tasks that might include cutting a banana or flipping a pancake. To do this, the robot needs to know what and how to grasp such that the task can be executed. There are several challenges when it comes to this. First, the robot needs to be able to select an appropriate object for the task. This pertains to the theory of \emph{affordances}. Second, it needs to know how to place the hand such that the task can be executed, for example, grasping a knife on the handle when performing cutting. Finally, algorithms for task-oriented grasping should be scalable and have high generalizability over many object classes and tasks. This is challenging since there are no available datasets that contain information about mutual relations between objects, tasks and grasps.In this thesis, we present methods and algorithms for task-oriented grasping that rely on deep learning. We use deep learning to detect object \emph{affordances}, predict task-oriented grasps on novel objects and to parse human activity datasets for the purpose of transferring this knowledge to a robot.For learning affordances, we present a method for detecting functional parts given a visual observation of an object and a task. We utilize the detected affordances together with other object properties to plan for stable, task-oriented grasps on novel objects.For task-oriented grasping, we present a system for predicting grasp scores that take into account both the task and the stability. The grasps are then executed on a real-robot and refined via bayesian optimization. Finally, for parsing human activity datasets, we present an algorithm for estimating 3D hand and object poses and shapes from 2D images so that the information about the contacts and relative hand placement can be extracted. We demonstrate that we can use the information obtained in this manner to teach a robot task-oriented grasps by performing experiments with a real robot on a set of novel objects.

Uppdragsorienterad greppning refererar till problemet av att räkna fram stabila grepp på objekt som tillåter efterföljande exekvering av ett uppdrag. Trots att fatta objekt på ett uppdragsorienterat kan vara naturligt för människor, är det fortfarande väldigt utmanande för robotar. Ta exemplet av en servicerobot i ett hushåll. Denna sorts robot borde kuna utföra komplexa uppådrag som möjligtvis innefattar att hacka en banan eller vända på en pannkaka. För att kunna göra detta, måste roboten veta hur och vad den ska greppa så att uppdraget kan utföras. Det finns flera utmaningar gällande detta. Först, måste roboten kunna välja ett passande objekt för uppdraget. Detta tillhör till teorin om \emph{överkomlighet}.Efter detta, måste den veta hur den ska placera handen så att uppdraget kan utföras, till exempel att greppa en kniv vid skaftet när någonting ska skäras. Sist, algoritmer för uppdragsorienterad greppning bör vara uppskalningsbara och ha hög generaliseringsförmåga över många objektklasser och uppdrag. Detta är utmanande eftersom det finns inga tillgängliga dataset som innehåller information om ömsesidiga relationer mellan objekt,  uppdrag, och fattningar.I denna avhandling, presenterar vi metoder och algoritmer för uppdragsorienterad greppning som baseras på djup maskininlärning. Vi använder djup maskininlärning för att detektera objekters \emph{överkomlighet}, förutspå uppdragsorienterade grepp på nya objekt och analysera mänsklig aktivitetsdataset för ändamålet av att överföra denna kunskap till en robot. För att lära oss \emph{överkomlighet}, presenterar vi en metod för att detektera funktionella delar givet en visuell observation av ett objekt och ett uppdrag. Vi använder de detekterade \emph{överkomligheter} tillsammans med andra objektegenskaper för att planera ett stabilt, uppdragsorienterat grepp på nya objekt. För uppdragsorienterad greppning, presenterar vi ett system för att förutspå greppbetyg som tar hänsyn till både uppdraget och stabiliteten. Dessa grepp utförs sedan på en fysisk robot och är förfinade med hjälp av bayesisk optimering. Sedan, för att analysera mänskliga aktivitetsdataset, presenterar vi en algoritm för estimering av hand och objektposer och former från 2 dimensioner och utöka det till 3 dimensioner så att information om kontaktpunkter och relativa handplaceringar kan extraheras. Vi demonstrerar  att vi kan använda information vi har fått med denna metod att lära en robot uppdragsorienterade grepp genom att utföra experiment med en fysisk robot på nya objekt.