जब हम किसी वस्तु को पकड़ते हैं, तो उंगलियों और हाथ के कई क्षेत्र आमतौर पर वस्तु की सतह के साथ संपर्क करते हैं। ऐसे संपर्क क्षेत्रों का पुनर्निर्माण चुनौतीपूर्ण है। यहां, हम मौजूदा गहरी शिक्षा-आधारित हाथ जाल पुनर्निर्माण के साथ मार्कर-आधारित गति कैप्चर के संयोजन से संपर्क क्षेत्रों का लगभग अनुमान लगाने के लिए एक विधि प्रस्तुत करते हैं।
किसी वस्तु को सफलतापूर्वक समझने के लिए, हमें वस्तु की सतह पर अपने हाथों के लिए उपयुक्त संपर्क क्षेत्रों का चयन करना चाहिए। हालांकि, ऐसे क्षेत्रों की पहचान करना चुनौतीपूर्ण है। यह पेपर मार्कर-आधारित ट्रैकिंग डेटा से संपर्क क्षेत्रों का अनुमान लगाने के लिए एक वर्कफ़्लो का वर्णन करता है। प्रतिभागी वास्तविक वस्तुओं को समझते हैं, जबकि हम उंगलियों के जोड़ों सहित वस्तुओं और हाथ दोनों की 3 डी स्थिति को ट्रैक करते हैं। हम पहले हाथ के पीछे स्थित ट्रैक किए गए मार्करों के चयन से संयुक्त यूलर कोण निर्धारित करते हैं। फिर, हम वर्तमान मुद्रा और 3 डी स्थिति में प्रतिभागी के हाथ का जाल मॉडल उत्पन्न करने के लिए अत्याधुनिक हाथ जाल पुनर्निर्माण एल्गोरिदम का उपयोग करते हैं।
उन वस्तुओं का उपयोग करना जो या तो 3 डी मुद्रित या 3 डी स्कैन किए गए थे – और इस प्रकार, वास्तविक वस्तुओं और जाल डेटा दोनों के रूप में उपलब्ध हैं- हाथ और वस्तु को सह-पंजीकृत करने की अनुमति देता है। बदले में, यह हाथ जाल और सह-पंजीकृत 3 डी ऑब्जेक्ट जाल के बीच चौराहे की गणना करके अनुमानित संपर्क क्षेत्रों के अनुमान की अनुमति देता है। विधि का उपयोग यह अनुमान लगाने के लिए किया जा सकता है कि मनुष्य विभिन्न स्थितियों के तहत वस्तुओं को कहां और कैसे पकड़ते हैं। इसलिए, विधि दृश्य और हैप्टिक धारणा, मोटर नियंत्रण, आभासी और संवर्धित वास्तविकता और रोबोटिक्स में मानव-कंप्यूटर इंटरैक्शन का अध्ययन करने वाले शोधकर्ताओं के लिए रुचि हो सकती है।
वस्तुओं को समझने और हेरफेर करने की क्षमता एक महत्वपूर्ण क्षमता है जो मनुष्यों को अपनी इच्छाओं और जरूरतों के लिए पर्यावरण को फिर से आकार देने की अनुमति देती है। हालांकि, बहु-संयुक्त हाथों को प्रभावी ढंग से नियंत्रित करना एक चुनौतीपूर्ण कार्य है जिसके लिए एक परिष्कृत नियंत्रण प्रणाली की आवश्यकता होती है। यह मोटर नियंत्रण प्रणाली संवेदी इनपुट के कई रूपों द्वारा निर्देशित है, जिनमें से दृष्टि सर्वोपरि है। दृष्टि के माध्यम से, व्यक्ति पर्यावरण में वस्तुओं की पहचान कर सकते हैं और उनकी स्थिति और भौतिक गुणों का अनुमान लगा सकते हैं और फिर आसानी से उन वस्तुओं तक पहुंच सकते हैं, समझ सकते हैं और हेरफेर कर सकते हैं। रेटिना में इनपुट को मोटर कमांड के साथ जोड़ने वाली जटिल प्रणाली को समझना जो हाथों को नियंत्रित करता है, सेंसरिमोटर न्यूरोसाइंस की एक महत्वपूर्ण चुनौती है। यह प्रणाली कैसे काम करती है, इसे मॉडल, भविष्यवाणी और समझने के लिए, हमें पहले इसका विस्तार से अध्ययन करने में सक्षम होना चाहिए। इसके लिए दृश्य इनपुट और हाथ मोटर आउटपुट दोनों के उच्च-निष्ठा माप की आवश्यकता होती है।
पिछली गति-ट्रैकिंग तकनीक ने मानव समझ के अध्ययन पर कई सीमाएं लगाई हैं। उदाहरण के लिए, प्रतिभागियों के हाथों1,2 से जुड़े केबलों की आवश्यकता वाले सिस्टम उंगली की गति की सीमा को प्रतिबंधित करते हैं, संभावित रूप से पकड़ने की गति या माप को बदल देते हैं। ऐसी सीमाओं के बावजूद, पिछले शोध कई कारकों की पहचान करने में सक्षम रहे हैं जो नेत्रहीन निर्देशित समझ को प्रभावित करते हैं। इनमें से कुछ कारकों में वस्तु का आकार 3,4,5,6, सतह खुरदरापन 7,8,9, या हाथ के सापेक्ष किसी वस्तु का अभिविन्यास 4,8,10 शामिल हैं। हालांकि, पिछली तकनीकी सीमाओं को दूर करने के लिए, इस पूर्व शोध के बहुमत ने सरल उत्तेजनाओं और अत्यधिक विवश कार्यों को नियोजित किया है, इस प्रकार मुख्य रूप से व्यक्तिगत कारकों 3,4,6,7,10, दो अंकों की सटीक पकड़ 3,4,6,9,11,12 पर ध्यान केंद्रित किया गया है। 13,14,15,16,17,18, एकल वस्तुएं19, या बहुत सरल 2 डी आकार 20,21। पिछले निष्कर्ष इस तरह की कम और कृत्रिम प्रयोगशाला स्थितियों से परे कैसे सामान्यीकरण करते हैं, यह अज्ञात है। इसके अतिरिक्त, हाथ-वस्तु संपर्क का माप अक्सर अंक संपर्क बिंदु22 के अनुमान तक कम हो जाता है। यह सरलीकरण समझ के एक छोटे से उप-समूह का वर्णन करने के लिए उपयुक्त हो सकता है जिसमें केवल उंगलियां किसी वस्तु के संपर्क में होती हैं। हालांकि, वास्तविक दुनिया की अधिकांश पकड़ में, उंगलियों और हथेली के व्यापक क्षेत्र किसी वस्तु के संपर्क में आते हैं। इसके अलावा, हाल ही के एक अध्ययन23 ने हैप्टिक दस्ताने का उपयोग करके प्रदर्शित किया है कि वस्तुओं को इस बात से पहचाना जा सकता है कि उनकी सतह हाथ पर कैसे टकराती है। यह हाथों और समझी गई वस्तुओं के बीच विस्तारित संपर्क क्षेत्रों का अध्ययन करने के महत्व पर प्रकाश डालता है, न कि केवल वस्तुओं और उंगलियों के बीच संपर्क बिंदु।
मोशन कैप्चर और 3 डी हैंड मॉडलिंग में हालिया प्रगति ने हमें पिछली सीमाओं को पार करने और इसकी पूरी जटिलता में समझने का अध्ययन करने की अनुमति दी है। निष्क्रिय मार्कर-आधारित गति ट्रैकिंग अब मिलीमीटर आकार के मार्करों के साथ उपलब्ध है जिन्हेंसंयुक्त आंदोलनों को ट्रैक करने के लिए प्रतिभागी के हाथों के पीछे जोड़ा जा सकता है। इसके अलावा, निष्क्रिय मार्कर सिस्टम के लिए स्वचालित मार्कर पहचान एल्गोरिदम अब मार्कर डेटा25,26,27 के व्यापक मैनुअल पोस्टप्रोसेसिंग की आवश्यकता को लगभग समाप्त करने के लिए पर्याप्त रूप से मजबूत हैं। मार्करलेस समाधान भी वीडियो28 में पशु शरीर के अंगों को ट्रैक करने में प्रदर्शन के प्रभावशाली स्तर तक पहुंच रहे हैं। इस प्रकार, ये गति-ट्रैकिंग विधियां, अंततः जटिल बहु-अंकीयहाथ आंदोलनों के विश्वसनीय और गैर-इनवेसिव माप की अनुमति देती हैं। इस तरह के माप हमें संयुक्त कीनेमेटिक्स के बारे में सूचित कर सकते हैं और हमें हाथ और वस्तु के बीच संपर्क बिंदुओं का अनुमान लगाने में सक्षम बना सकते हैं। इसके अतिरिक्त, हाल के वर्षों में, कंप्यूटर दृष्टि समुदाय मानव हाथों के मॉडल के निर्माण की समस्या से निपट रहा है जो वस्तु को पकड़ने के दौरान और यहां तक कि हाथ के हिस्सों 29,30,31,32 के बीच आत्म-संपर्क के दौरान नरम ऊतक विरूपण को दोहरा सकता है। इस तरह के 3 डी जाल पुनर्निर्माण को विभिन्न प्रकार के डेटा से प्राप्त किया जा सकता है, जैसे कि वीडियो फुटेज 33,34, कंकाल जोड़ों (मार्कर-आधारित35 या मार्करलेस ट्रैकिंग 36 से प्राप्त), और गहराई चित्र 37। इस डोमेन में पहली महत्वपूर्ण प्रगति रोमेरो एट अल .38 द्वारा प्रदान की गई थी, जिन्होंने विभिन्न पोज़ में 31 विषयों से 1,000 से अधिक हैंड स्कैन से एक पैरामीट्रिक हैंड मॉडल (एमएएनओ) प्राप्त किया था। मॉडल में हाथ की मुद्रा और आकार दोनों के लिए पैरामीटर शामिल हैं, जो डेटा के विभिन्न स्रोतों से पूर्ण हाथ पुनर्निर्माण के लिए प्रतिगमन की सुविधा प्रदान करते हैं। हाल ही में डीपहैंडमेश29 समाधान गहरी शिक्षा के माध्यम से एक परमेट्राइज्ड मॉडल का निर्माण करके और प्रवेश से बचाव को जोड़कर इस दृष्टिकोण पर बनाता है, जो हाथ के हिस्सों के बीच शारीरिक बातचीत को अधिक सटीक रूप से दोहराता है। 3 डी ट्रैक किए गए ऑब्जेक्ट मेष के साथ इस तरह के हाथ जाल पुनर्निर्माण को जोड़कर, इस प्रकार, अब न केवल वस्तुओंकी सतह पर बल्कि हाथ की सतह पर भी संपर्क क्षेत्रों का अनुमान लगाना संभव है।
यहां, हम एक वर्कफ़्लो का प्रस्ताव करते हैं जो नए हाथ जाल पुनर्निर्माण एल्गोरिदम के साथ वस्तुओं और हाथ के जोड़ों की उच्च-निष्ठा 3 डी ट्रैकिंग को एक साथ लाता है। विधि हाथ-वस्तु संपर्क सतहों के विस्तृत नक्शे उत्पन्न करती है। ये माप मानव नेत्रहीन निर्देशित समझ की हमारी सैद्धांतिक समझ का विस्तार करने में सेंसरिमोटर न्यूरोसाइंटिस्टों की सहायता करेंगे। इसके अलावा, विधि आसन्न क्षेत्रों में शोधकर्ताओं के लिए उपयोगी हो सकती है। उदाहरण के लिए, मानव कारक शोधकर्ता इस विधि का उपयोग आभासी और संवर्धित वास्तविकता18 में बेहतर मानव-मशीन इंटरफ़ेस सिस्टम बनाने के लिए कर सकते हैं। मानव समझ व्यवहार के उच्च-निष्ठा माप भी रोबोटिस्टों को इंटरैक्टिव धारणा39,40,41,42,43 के सिद्धांतों के आधार पर मानव-प्रेरित रोबोट समझ प्रणाली को डिजाइन करने में सहायता कर सकते हैं। इस प्रकार, हम आशा करते हैं कि यह विधि तंत्रिका विज्ञान और इंजीनियरिंग क्षेत्रों में अनुसंधान को आगे बढ़ाने में मदद करेगी, जो अत्यधिक विवश कार्यों के विरल विवरण से लेकर जटिल वस्तुओं और वास्तविक दुनिया के कार्यों के साथ प्राकृतिक समझ व्यवहार के पूर्ण लक्षण वर्णन तक है। समग्र दृष्टिकोण चित्र 1 में उल्लिखित है।
चित्र 1: प्रस्तावित विधि में प्रमुख चरण । (ए) मोशन कैप्चर कैमरे कई कोणों से एक वर्कबेंच की छवि बनाते हैं। (बी) एक उत्तेजना वस्तु 3 डी है जो एक त्रिकोणीय जाल मॉडल से मुद्रित है। (सी) चार गोलाकार परावर्तक मार्कर वास्तविक वस्तु की सतह पर चिपके हुए हैं। एक अर्ध-स्वचालित प्रक्रिया जाल वस्तु की सतह पर चार संबंधित बिंदुओं की पहचान करती है। यह पत्राचार हमें जाल मॉडल को वास्तविक वस्तु की 3 डी ट्रैक की गई स्थिति में रोटो-अनुवाद करने की अनुमति देता है। (डी) प्रतिबिंबित मार्कर डबल-पक्षीय टेप का उपयोग करके प्रतिभागी के हाथ के पीछे विभिन्न स्थलों से जुड़े होते हैं। (ई) मोशन कैप्चर सिस्टम एकल परीक्षण के दौरान ट्रैक की गई वस्तु और हाथ मार्करों के 3 डी स्पेस में प्रक्षेपपथ प्राप्त करता है। (एफ) एक प्रतिभागी-विशिष्ट हाथ कंकाल का निर्माण 3 डी कंप्यूटर ग्राफिक्स सॉफ्टवेयर का उपयोग करके किया जाता है। इसके बाद व्युत्क्रम कीनेमेटिक्स के माध्यम से एक प्रयोग में प्रत्येक परीक्षण के प्रत्येक फ्रेम के लिए कंकाल के संयुक्त पोज़ का अनुमान लगाया जाता है। (जी) संयुक्त पोज़ डीपहैंडमेश29 के एक संशोधित संस्करण के लिए इनपुट हैं, जो वर्तमान 3 डी पोज़ और स्थिति में अनुमानित 3 डी हैंड जाल आउटपुट करता है। (एच) अंत में, हम हाथ-वस्तु संपर्क क्षेत्रों की गणना करने के लिए जाल चौराहे का उपयोग करते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
हम एक ऐसी विधि का प्रस्ताव करते हैं जो बहु-अंकीय समझ के दौरान हाथ-वस्तु इंटरैक्शन के लिए संपर्क क्षेत्रों के अनुमान को सक्षम बनाता है। चूंकि एक हाथ की पूरी सतह की पूर्ण ट्रैकिंग वर्तमान में असाध्य है, इसलिए हम एक हाथ जाल के पुनर्निर्माण का उपयोग करने का प्रस्ताव करते हैं जिसकी मुद्रा हाथ पर विरल कुंजी बिंदुओं द्वारा निर्धारित की जाती है। इन विरल प्रमुख बिंदुओं को ट्रैक करने के लिए, हमारा समाधान निष्क्रिय मार्कर ट्रैकिंग के आधार पर एक शोध-ग्रेड गति कैप्चर सिस्टम को नियोजित करता है। बेशक, प्रस्तावित विधि के साथ अन्य मोशन कैप्चर सिस्टम को भी नियोजित किया जा सकता है, बशर्ते कि वे पर्याप्त रूप से सटीक 3 डी स्थिति डेटा प्राप्त करें। हम सक्रिय मार्कर मोशन कैप्चर सिस्टम (जैसे लोकप्रिय लेकिन बंद ऑप्टोट्रैक सर्टस) के खिलाफ सलाह देते हैं, क्योंकि इन्हें प्रतिभागियों के हाथों में केबल और / या इलेक्ट्रॉनिक उपकरणों को संलग्न करने की आवश्यकता होती है, जो आंदोलनों को प्रतिबंधित कर सकते हैं या कम से कम विशिष्ट समझ पैदा कर सकते हैं क्योंकि प्रतिभागियों को उनके हाथों की मुद्रा के बारे में अधिक सचेत रूप से जागरूक किया जाता है। जड़त्वीय माप इकाइयों का उपयोग करके गति-ट्रैकिंग दस्ताने एक संभावना हो सकती है, भले ही इन प्रणालियों को बहाव से पीड़ित होने के लिए जाना जाता है, हाथ की गतिविधियों को भी प्रतिबंधित कर सकता है, और हाथ की सतह को वस्तु सतहों के साथ पूर्ण और सीधे संपर्क में आने की अनुमति नहीं देता है। वाणिज्यिक मार्कररहित हाथ-ट्रैकिंग समाधान (जैसे, लीप मोशन46,47,48) भी एक संभावना हो सकती है, हालांकि अकेले इन प्रणालियों के साथ ऑब्जेक्ट स्थितियों को ट्रैक करना संभव नहीं हो सकता है। एक शोध-ग्रेड मोशन कैप्चर सिस्टम के लिए सबसे आशाजनक वैकल्पिक विकल्प ओपन-सोर्स, मार्करलेस ट्रैकिंग समाधान (जैसे, मैथिस एट अल .28) द्वारा दिया गया है। यदि कई सह-पंजीकृत कैमरों49 के साथ उपयोग किया जाता है, तो ऐसे सिस्टम संभावित रूप से मार्कर, दस्ताने या केबल की आवश्यकता के बिना 3 डी में हाथ की संयुक्त स्थिति और वस्तु की स्थिति को ट्रैक कर सकते हैं। ये समाधान, साथ ही यह मार्कर-आधारित प्रणाली, हालांकि, अवरोधों के कारण डेटा हानि के मुद्दों से पीड़ित हो सकती है।
सीमाएं और भविष्य की दिशाएं
चूंकि इस विधि के माध्यम से प्राप्त हाथ पुनर्निर्माण पूरी तरह से सटीक नहीं होंगे, इसलिए प्रयोगों के प्रकारों की कुछ सीमाएं हैं जिनके लिए विधि का उपयोग किया जाना चाहिए। जमीनी सच्चाई से हाथ जाल पुनर्निर्माण में विचलन अनुमानित हाथ / वस्तु संपर्क क्षेत्रों में विचलन में प्रकट होगा। इस प्रकार, पूर्ण उपायों को प्राप्त करने के लिए इस पद्धति को लागू करने के लिए संपर्क क्षेत्र के अनुमानों की निष्ठा का आकलन करने की आवश्यकता होगी। हालांकि, यहां तक कि अनुमानित अनुमान अभी भी प्रतिभागी प्रयोगात्मक डिजाइनों में उपयोगी हो सकते हैं क्योंकि विधि के संभावित पूर्वाग्रह एक समान तरीके से एक प्रतिभागी के भीतर विभिन्न प्रयोगात्मक स्थितियों को प्रभावित करने की संभावना रखते हैं। इसलिए, सांख्यिकीय विश्लेषण और निष्कर्ष केवल स्थितियों के बीच संपर्क क्षेत्र में अंतर जैसे उपायों पर किए जाने चाहिए, जहां प्रभाव की दिशा संबंधित जमीनी सच्चाई के साथ सहसंबंधित होगी। भविष्य के शोध में, हम अपने दृष्टिकोण को और मान्य करने की योजना बना रहे हैं, उदाहरण के लिए थर्मोक्रोमिक पेंट में कवर की गई वस्तुओं पर थर्मल फिंगरप्रिंट के लिए संपर्क क्षेत्र के अनुमानों की तुलना करके।
डेटा संग्रह से लेकर अंतिम संपर्क क्षेत्र आकलन तक अधिकांश प्रसंस्करण चरण पूरी तरह से स्वचालित हैं और इस प्रकार, हाथ-वस्तु संपर्क क्षेत्र आकलन के लिए एक मानकीकृत प्रक्रिया की दिशा में महत्वपूर्ण योगदान प्रदान करते हैं। हालांकि, ट्रैक किए गए मार्करों के 3 डी पदों के लिए व्यक्तिगत कंकालों का एक प्रारंभिक फिट अभी भी प्रत्येक प्रतिभागी के लिए कंकाल परिभाषा प्राप्त करने के लिए मैन्युअल रूप से किया जाना चाहिए। जैसे-जैसे एक प्रयोग के लिए प्रतिभागियों की संख्या बढ़ती है, वैसे-वैसे मैनुअल फिट की संख्या भी होती है, और यह वर्तमान में प्रक्रिया में सबसे अधिक समय लेने वाला कदम है और ऑटोडेस्क माया सॉफ्टवेयर में मैनुअल हेराफेरी के साथ कुछ परिचितता की आवश्यकता होती है। भविष्य में, हम एक स्वचालित कंकाल अंशांकन प्रक्रिया जोड़कर प्रक्रिया पर मानव प्रभाव से बचने के लिए इस कदम को स्वचालित करने का लक्ष्य रखते हैं।
यहां वर्णित वर्कफ़्लो क्वालिसिस हार्डवेयर और सॉफ़्टवेयर (जैसे, क्यूटीएम कंकाल सॉल्वर) पर निर्भर करता है। यह वर्तमान में हमारी विधि की पहुंच को उन प्रयोगशालाओं तक सीमित करता है जिनके पास एक समान सेटअप है। सिद्धांत रूप में, हालांकि, विधि को गति कैप्चर डेटा के किसी भी स्रोत पर लागू किया जा सकता है। पहुंच का विस्तार करने के लिए, चल रहे काम में, हम उन विकल्पों की खोज कर रहे हैं जो हमारे वर्कफ़्लो को सामान्यीकृत करना चाहिए और इसे विशिष्ट हार्डवेयर और सॉफ़्टवेयर लाइसेंस पर कम निर्भर बनाना चाहिए।
विधि की एक और महत्वपूर्ण सीमा यह है कि, अपने वर्तमान रूप में, इसे केवल कठोर (गैर-विकृत) वस्तुओं पर लागू किया जा सकता है। भविष्य में, इस सीमा को समझी गई वस्तु की सतह के आकार को रिकॉर्ड करने के तरीकों का उपयोग करके दूर किया जा सकता है क्योंकि यह विकृत हो जाता है। इसके अतिरिक्त, इसकी अनुमानित प्रकृति के कारण, विधि वर्तमान में बहुत छोटी या पतली वस्तुओं के लिए अच्छी तरह से अनुकूल नहीं है।
अंत में, उच्च-निष्ठा हाथ की सतह मॉडलिंग के साथ अत्याधुनिक गति ट्रैकिंग को एकीकृत करके, हम समझने और हेरफेर के दौरान हाथ-वस्तु संपर्क क्षेत्रों का अनुमान लगाने के लिए एक विधि प्रदान करते हैं। भविष्य के शोध में,हम मनुष्यों में नेत्रहीन निर्देशित समझने वाले व्यवहार की जांच और मॉडल करने के लिए इस विधि को तैनात करने की योजना बना रहे हैं। हम आगे इन उपकरणों को आंखों की ट्रैकिंग 46,50,51,52 और आभासी / संवर्धित वास्तविकता प्रणालियों 53,54,55 के साथ एकीकृत करने की योजना बना रहे हैं ताकि वास्तविक और आभासी प्राकृतिक वातावरण 18,46,56,57 में नेत्रहीन निर्देशित हाथ और आंख आंदोलन मोटर नियंत्रण की जांच की जा सके।. इन कारणों से, प्रस्तावित विधि आभासी और संवर्धित वास्तविकता में हैप्टिक धारणा58, मोटर नियंत्रण और मानव-कंप्यूटर इंटरैक्शन का अध्ययन करने वाले शोधकर्ताओं के लिए रुचि हो सकती है। अंत में, मानव समझने की क्षमताओं के सटीक माप इंटरैक्टिव धारणा 39,40,41,42,43 के सिद्धांतों के आधार पर मजबूत रोबोट सिस्टम के डिजाइन को सूचित कर सकते हैं और ऊपरी अंग प्रोस्थेटिक्स के लिए ट्रांसलेशनल अनुप्रयोग हो सकते हैं।
The authors have nothing to disclose.
इस शोध को डॉयचे फोर्सचुंगस्जेमिनशाफ्ट (डीएफजी, जर्मन रिसर्च फाउंडेशन: प्रोजेक्ट नंबर 222641018-एसएफबी / टीआरआर 135 टीपी सी 1 और आईआरटीजी -1901 “द ब्रेन इन एक्शन”) और रिसर्च क्लस्टर “द एडेप्टिव माइंड” द्वारा वित्त पोषित किया गया था। लेखक हमारे तरीकों को विकसित करने में सहायता के लिए मैथियास बंके और जेफरी थिंगवोल्ड सहित क्वालिसिस सहायता टीम को धन्यवाद देते हैं। लेखक ों ने हाथ मॉडल के रूप में पोज देने के लिए माइकला जेश्के को भी धन्यवाद दिया। विधि को पुन: पेश करने के लिए सभी डेटा और विश्लेषण स्क्रिप्ट और पांडुलिपि में प्रस्तुत परिणाम ज़ेनोडो (डीओआई: 10.5281 / zenodo.7458911) पर उपलब्ध हैं।
Anaconda Python distribution | (Anaconda 5.3.1 or later); https://repo.anaconda.com/archive/ | scripts and functions were generated in Python version 3.7 | |
Autodesk Maya | Autodesk, Inc. | Maya2022; https://www.autodesk.com/products/maya/overview | 3D computer graphics application. |
Blender | Blender Foundation | Blender 2.92; https://download.blender.org/release/ | 3D computer graphics application. |
Computer Workstation | N/A | N/A | OS: Windows 10 or higher. |
DeepHandMesh | Meta Platforms, Inc. (Meta Open Source) | https://github.com/facebookresearch/DeepHandMesh | Pre-trained hand mesh generation tool. |
Miqus M5 | Qualisys Ab | https://www.qualisys.com/cameras/miqus/ | Passive marker motion tracking camera (8 units). |
Miqus video camera | Qualisys Ab | https://www.qualisys.com/cameras/miqus-video/ | Color video camera, synchronized with Miquis M5 tracking cameras (6 units). |
Project repository | N/A | Data and Code Repository | Data and code to replicate the current project. The repository is currently under construction, but we provide a private link where reviewers can download the current and most up-to-date version of the repository. The final repository will be made publicly available upon acceptance. |
Python 3 | Python Software Foundation | Python Version 3.7 | Python3 and associated built-in libraries. |
QTM Connect for Maya | Qualisys Ab | https://github.com/qualisys/QTM-Connect-For-Maya | Stream skeleton, rigid bodies and marker data from QTM to Maya |
QTM Qualisys Track Manager | Qualisys Ab | Qualisys Track Manager 2021.2; https://www.qualisys.com/software/qualisys-track-manager/ | Motion capture software |
Qualisys SDK for Python | Qualisys Ab | https://github.com/qualisys/qualisys_python_sdk | Implements communication between QTM and Python |