Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης
Πρόσφατα πειράματα έδειξαν ότι νευρωνικά δίκτυα που χρησιμοποιούν περιοδικές—και συγκεκριμένα ημιτονοειδείς—μη-γραμμικότητες είναι κατάλληλα για έμμεση περιγραφή και ανακατασκευή συνεχών σημάτων. Προέκυψε, έτσι, ένας ειδικός τύπος νευρωνικού δικτύου, ονόματι Ημιτονοειδές Δίκτυο Αναπαράστασης (Sinuso...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25412 |
| id |
nemertes-10889-25412 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Νευρωνικά δίκτυα Προσημασμένη συνάρτηση απόστασης Σχεδίαση κίνησης Απτική απόδοση Machine learning Neural networks Signed distance function Motion planning Haptic rendering |
| spellingShingle |
Μηχανική μάθηση Νευρωνικά δίκτυα Προσημασμένη συνάρτηση απόστασης Σχεδίαση κίνησης Απτική απόδοση Machine learning Neural networks Signed distance function Motion planning Haptic rendering Βλάχος, Χριστόφορος Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| description |
Πρόσφατα πειράματα έδειξαν ότι νευρωνικά δίκτυα που χρησιμοποιούν περιοδικές—και συγκεκριμένα ημιτονοειδείς—μη-γραμμικότητες είναι κατάλληλα για έμμεση περιγραφή και ανακατασκευή συνεχών σημάτων. Προέκυψε, έτσι, ένας ειδικός τύπος νευρωνικού δικτύου, ονόματι Ημιτονοειδές Δίκτυο Αναπαράστασης (Sinusoidal Representation Network – SIREN).
Στο πρώτο μέρος της παρούσας διπλωματικής εργασίας, επιδιώκεται μία αξιολόγηση αυτών των δικτύων όσον αφορά το πρόβλημα της έμμεσης αναπαράστασης επιφανειών μέσω της Προσημασμένης Συνάρτησης Απόστασης (ΠΣΑ). Εφόσον τα δίκτυα αυτά επιδεικνύουν ικανοποιητικές ιδιότητες ταχύτητας και ακρίβειας, είναι πρόσφορο να ελεγχθεί κατά πόσο μπορούν τέτοια δίκτυα να αξιοποιηθούν για τη βελτίωση διαφόρων εφαρμογών. Δύο τέτοιες εφαρμογές παρουσιάζονται στο δεύτερο και τρίτο μέρος αυτής της εργασίας.
Συγκεκριμένα, στο δεύτερο μέρος, χρησιμοποιούνται τα δίκτυα SIREN σε συνδυασμό με δημοφιλείς μεθόδους σχεδίασης κίνησης. Οι μέθοδοι σχεδίασης κίνησης πραγματοποιούν ελέγχους συγκρούσεων, ένα πρόβλημα το οποίο μπορεί να λυθεί με τη βοήθεια της ΠΣΑ. Συγκίνοντας τον έλεγχο συγκρούσεων με τη βοήθεια SIREN με τον αναλυτικό υπολογισμό των συγκρούσεων σε προβλήματα με χώρους διαμορφώσεων 2, 3 και περισσοτέρων διαστάσεων, είναι εμφανές ότι τα δίκτυα SIREN είναι κατάλληλα για χρήση σε μεθόδους σχεδίασης κίνησης αφού εκτελούν τους αντίστοιχους ελέγχους σύγκρουσης γρήγορα, με ακρίβεια και με εύκολα επεκτάσιμο τρόπο.
Τέλος, στο τρίτο μέρος της εργασίας, χρησιμοποιώντας ως αφετηρία τα δίκτυα πρόβλεψης της Προσημασμένης Συνάρτησης Απόστασης (ΠΣΑ) της επιφάνειας ενός κλειστού πλέγματος, προτείνεται μία επέκταση που είναι ικανή να αναπαραστήσει επιπρόσθετα τη Μοναδιαία Συνάρτηση Κανονικού Διανύσματος (ΜΣΚΔ). Διαθέτοντας τις δύο παραπάνω συνιστώσες (ΠΣΑ και ΜΣΚΔ) είναι εφικτό να υλοποιηθεί μία μέθοδος απτικής απεικόνισης βασισμένη σε ποινή. Μέσω πειραμάτων αποδεικνύεται πως οι δυνάμεις που προβλέπει μία τέτοια μέθοδος είναι πολύ καλής ποιότητας και δεν παρουσιάζουν ασυνέχειες. |
| author2 |
Vlachos, Christoforos |
| author_facet |
Vlachos, Christoforos Βλάχος, Χριστόφορος |
| author |
Βλάχος, Χριστόφορος |
| author_sort |
Βλάχος, Χριστόφορος |
| title |
Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| title_short |
Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| title_full |
Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| title_fullStr |
Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| title_full_unstemmed |
Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| title_sort |
εξαγωγή 3δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25412 |
| work_keys_str_mv |
AT blachoschristophoros exagōgē3dgeōmetrikēsanaparastasēspediouapostaseōnmesynchronestechnikesmēchanikēsmathēsēs AT blachoschristophoros extractionof3dgeometricrepresentationofdistancefieldthroughmodernmachinelearningtechniques |
| _version_ |
1771297340275032064 |
| spelling |
nemertes-10889-254122023-07-07T04:00:12Z Εξαγωγή 3Δ γεωμετρικής αναπαράστασης πεδίου αποστάσεων με σύγχρονες τεχνικές μηχανικής μάθησης Extraction of 3D geometric representation of distance field through modern machine learning techniques Βλάχος, Χριστόφορος Vlachos, Christoforos Μηχανική μάθηση Νευρωνικά δίκτυα Προσημασμένη συνάρτηση απόστασης Σχεδίαση κίνησης Απτική απόδοση Machine learning Neural networks Signed distance function Motion planning Haptic rendering Πρόσφατα πειράματα έδειξαν ότι νευρωνικά δίκτυα που χρησιμοποιούν περιοδικές—και συγκεκριμένα ημιτονοειδείς—μη-γραμμικότητες είναι κατάλληλα για έμμεση περιγραφή και ανακατασκευή συνεχών σημάτων. Προέκυψε, έτσι, ένας ειδικός τύπος νευρωνικού δικτύου, ονόματι Ημιτονοειδές Δίκτυο Αναπαράστασης (Sinusoidal Representation Network – SIREN). Στο πρώτο μέρος της παρούσας διπλωματικής εργασίας, επιδιώκεται μία αξιολόγηση αυτών των δικτύων όσον αφορά το πρόβλημα της έμμεσης αναπαράστασης επιφανειών μέσω της Προσημασμένης Συνάρτησης Απόστασης (ΠΣΑ). Εφόσον τα δίκτυα αυτά επιδεικνύουν ικανοποιητικές ιδιότητες ταχύτητας και ακρίβειας, είναι πρόσφορο να ελεγχθεί κατά πόσο μπορούν τέτοια δίκτυα να αξιοποιηθούν για τη βελτίωση διαφόρων εφαρμογών. Δύο τέτοιες εφαρμογές παρουσιάζονται στο δεύτερο και τρίτο μέρος αυτής της εργασίας. Συγκεκριμένα, στο δεύτερο μέρος, χρησιμοποιούνται τα δίκτυα SIREN σε συνδυασμό με δημοφιλείς μεθόδους σχεδίασης κίνησης. Οι μέθοδοι σχεδίασης κίνησης πραγματοποιούν ελέγχους συγκρούσεων, ένα πρόβλημα το οποίο μπορεί να λυθεί με τη βοήθεια της ΠΣΑ. Συγκίνοντας τον έλεγχο συγκρούσεων με τη βοήθεια SIREN με τον αναλυτικό υπολογισμό των συγκρούσεων σε προβλήματα με χώρους διαμορφώσεων 2, 3 και περισσοτέρων διαστάσεων, είναι εμφανές ότι τα δίκτυα SIREN είναι κατάλληλα για χρήση σε μεθόδους σχεδίασης κίνησης αφού εκτελούν τους αντίστοιχους ελέγχους σύγκρουσης γρήγορα, με ακρίβεια και με εύκολα επεκτάσιμο τρόπο. Τέλος, στο τρίτο μέρος της εργασίας, χρησιμοποιώντας ως αφετηρία τα δίκτυα πρόβλεψης της Προσημασμένης Συνάρτησης Απόστασης (ΠΣΑ) της επιφάνειας ενός κλειστού πλέγματος, προτείνεται μία επέκταση που είναι ικανή να αναπαραστήσει επιπρόσθετα τη Μοναδιαία Συνάρτηση Κανονικού Διανύσματος (ΜΣΚΔ). Διαθέτοντας τις δύο παραπάνω συνιστώσες (ΠΣΑ και ΜΣΚΔ) είναι εφικτό να υλοποιηθεί μία μέθοδος απτικής απεικόνισης βασισμένη σε ποινή. Μέσω πειραμάτων αποδεικνύεται πως οι δυνάμεις που προβλέπει μία τέτοια μέθοδος είναι πολύ καλής ποιότητας και δεν παρουσιάζουν ασυνέχειες. Recent experiments indicated that neural networks using periodic—and, specifically, sinusoidal—non-linearities appear to be appropriate to be used to implicitly describe and reconstruct continuous signals. Thus, a new type of neural network emerged, namely the Sinusoidal Representation Network (SIREN). In the first part of this diploma thesis, an evaluation of these networks is attempted, concerning the problem of implicitly representing a surface via the Signed Distance Function (SDF). As long as these neural networks showcase satisfying properties regarding computational speed and precision, there is merit in checking to what degree such networks can be utilized for improving certain applications. Two such applications are presented in the second and third parts of the thesis. Specifically, in the second part, SIRENs are used in conjunction with popular motion planning methods. Those methods perform collision tests, which is a problem that may be solved with the aid of the SDF. Comparison of collision detection through SIRENs against the analytical calculation of collisions reveals that SIRENs are suitable for use in motion planning methods, as the collision detection tests can be executed quickly, accurately and in an easily scalable manner. Finally, in the thesis’ third part, starting with the SIRENs predicting the Signed Distance Function (SDF) of a closed mesh’s surface, an extension is recommended that is able to additionally represent the Unit Normal Function (UNF). With both of these components (the SDF and the UNF) at one’s disposal, a penalty-based haptic rendering method can be developed. Through experiment, it can be proven that the forces predicted by the aforementioned method are of high fidelity and free of discontinuities. 2023-07-06T14:07:18Z 2023-07-06T14:07:18Z 2023-07-06 https://hdl.handle.net/10889/25412 el Attribution-NonCommercial-ShareAlike 3.0 United States http://creativecommons.org/licenses/by-nc-sa/3.0/us/ application/pdf |
