신경관성 관성 회귀 네트워크 향상 방안

초록

본 논문은 관성 센서 데이터를 이용한 회귀 네트워크의 성능을 높이기 위해 13가지 데이터‑구동 기법을 체계적으로 평가한다. 네트워크 구조(멀티‑헤드, 손실함수), 데이터 증강(회전, 편향·노이즈 추가) 및 전처리(노이즈 제거·정규화·디트렌딩)를 6개 실세계 데이터셋(총 1079분, 120‑200 Hz)에서 실험한 결과, 회전 및 노이즈 추가가 가장 일관된 성능 향상을 제공함을 확인하였다. 또한, 공정한 비교를 위한 벤치마크 프로토콜을 제시한다.

상세 분석

이 연구는 관성 측정 장치(IMU) 기반 회귀 문제에 대한 딥러닝 접근법의 현주소를 진단하고, 실용적인 성능 향상 수단을 정량화한다는 점에서 의미가 크다. 먼저, 베이스라인으로 채택한 CNN‑BiLSTM‑FC 구조는 1‑D 컨볼루션(64필터, 커널 5) → 맥스풀링(크기 3) → 양방향 LSTM → 드롭아웃(25%) → 전결합(256노드) 형태이며, Adam(0.001)과 배치 64로 학습한다. 이 설계는 복잡한 시계열 패턴을 추출하면서도 과도한 파라미터 증가를 억제해, 각 실험 변수를 명확히 평가할 수 있게 한다.

네트워크 아키텍처 측면에서는 두 가지 멀티‑헤드 변형을 도입했다. Head2는 가속도와 자이로를 별도 채널로 처리하고, Head3는 축별(×, y, z)로 가속도와 자이로를 결합한다. 이러한 설계는 센서 축 간 상관관계와 독립성을 동시에 탐색하게 해, 특정 애플리케이션에서 어느 구성이 유리한지 판단할 근거를 제공한다. 손실함수는 MSE, MAE, Huber, Log‑Cosh 네 가지를 비교했으며, Huber와 Log‑Cosh는 이상치에 대한 강인성을 기대할 수 있다.

데이터 증강 파트에서는 회전(R), 편향(B), 노이즈(N) 세 가지를 독립적으로 적용했다. 회전은 3×3 회전 행렬을 이용해 전체 관성 벡터를 변환함으로써 센서 착용 각도의 변동성을 시뮬레이션한다. 편향은 각 축에 대해 정규분포(μ=0, σ_dataset)에서 샘플링한 상수값을 더해 보정 오류를 모사한다. 노이즈는 동일한 정규분포를 이용해 가우시안 잡음을 추가함으로써 센서 자체의 랜덤 오류를 재현한다. 각 기법은 기존 학습 데이터에 병합해 학습량을 인위적으로 확대한다.

전처리 단계에서는 (1) 이동 평균(MA) 기반 디노이징, (2) 인위적 노이즈 추가, (3) Z‑스코어 정규화, (4) 선형 디트렌딩을 적용했다. 특히 디노이징은 저주파 성분을 보존하면서 고주파 잡음을 억제하는 전통적 필터링 방법으로, 최신 학습 기반 디노이징과 비교해 비용 효율성을 강조한다.

실험은 6개의 서로 다른 플랫폼(쿼드로터, 문 열림/닫힘, 보행자, 모바일 로봇 등)에서 수집된 8개의 서브데이터셋에 대해 수행되었다. 데이터는 120‑200 Hz로 샘플링됐으며, 전체 길이는 1079분에 달한다. 각 데이터셋마다 최적 epoch 수를 자동 조정했으며, 동일한 베이스라인 네트워크와 동일한 하이퍼파라미터를 유지해 비교 가능성을 확보했다.

결과는 회전 증강이 대부분의 데이터셋에서 평균 RMSE를 7‑12 % 감소시켰으며, 노이즈 추가 역시 5‑9 % 수준의 개선을 보였다. 반면, 편향 추가는 일부 데이터셋에서 오히려 성능 저하를 일으켰으며, 디노이징은 고주파 잡음이 적은 경우에만 미미한 이득을 제공했다. 손실함수 비교에서는 Huber와 Log‑Cosh가 이상치가 많은 데이터에서 약간의 우위를 보였지만, 전체적인 차이는 미미했다. 멀티‑헤드 구조는 Head2가 대부분의 경우에 약간 높은 정확도를 기록했으며, Head3는 축별 특성이 뚜렷한 데이터(예: 보행자)에서 유리했다.

이 논문은 13가지 기법을 하나의 벤치마크 프레임워크에 통합함으로써, 연구자들이 새로운 방법을 제안할 때 동일한 기준으로 성능을 검증할 수 있게 한다. 또한, 데이터 증강이 특히 저비용 센서와 다양한 착용 환경에서 모델 일반화에 핵심적인 역할을 한다는 실증적 근거를 제공한다. 한계점으로는 실시간 적용을 위한 연산량 분석이 부족하고, 고급 최적화(예: NAS, 양자화)와의 상호작용을 다루지 않은 점을 들 수 있다. 향후 연구에서는 이러한 제한을 보완하고, 증강 파라미터 자동 튜닝 메커니즘을 도입해 실제 로봇 시스템에 바로 적용 가능한 파이프라인을 구축할 필요가 있다.