Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • 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
Using Generative Adversarial Networks to Enhance Simulated Robotics Data
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Använda Generative Adversarial Networks för att förbättra simulerade robotdata (Swedish)
Abstract [en]

Robotic grasping has been one of the most fundamental and challenging problems for a broad range of robotics manipulation tasks. A deep vision-based grasping system has recently achieved impressive performance in practice. However, it is very costly to collect enough data to successfully train such a system. It has been shown that such a system can be successfully trained with a relatively small amount of data given the aid of simulation. In this thesis project, we use generative adversarial networks (GAN) to enhance simulated data so that it can be useful for training a deep vision-based grasping system. It is shown that GAN can produce realistic grasping images based on the simulated ones. In this thesis, we adopted CycleGAN as an experimental extension to previous work. It is also shown that background substitution can improve the quality of adapted simulated images.

Abstract [sv]

Robotisk gripning har varit ett av de mest grundläggande och utmanande problemen för ett brett spektrum av robotikmanipuleringsuppgifter. Ett djupt visionsbaserat greppsystem har nyligen uppnått imponerande prestanda i praktiken. Det är dock mycket dyrt att samla in tillräckligt med data för att kunna träna ett sådant system. Det har visat sig att ett sådant system framgångsrikt kan utbildas med en relativt liten mängd data som ges med hjälp av simulering. I detta avhandlingsprojekt använder vi generativa adversariella nätverk (GAN) för att förbättra simulerade data så att det kan vara användbart för träning av ett djupt visionsbaserat greppsystem. Det är visat att GAN kan producera realistiska greppbilder baserat på de simulerade. I denna avhandling antog vi CycleGAN som en experimentell förlängning till tidigare arbete. Det visas också att bakgrundsutbyte kan förbättra kvaliteten på anpassade simulerade bilder.

Place, publisher, year, edition, pages
2018.
Series
TRITA-EECS-EX ; 2018:406
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-240669OAI: oai:DiVA.org:kth-240669DiVA, id: diva2:1274608
Supervisors
Examiners
Available from: 2019-01-02 Created: 2019-01-02 Last updated: 2019-01-02Bibliographically approved

Open Access in DiVA

No full text in DiVA

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

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 42 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • 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