에너지 특징을 활용한 심층 학습 기반 표면 분류: 세 개의 독립 데이터셋에 대한 비교 분석
Leveraging Energy Features for Surface Classification with Deep Learning: A Comparative Analysis Across Three Independent Datasets
에너지 기반 방법은 제한된 환경에서 유망한 결과를 보여줬음에도 불구하고, 모바일 로보틱스에서 표면 분류를 위한 비교적 덜 연구된 접근법으로 남아 있다. 본 연구는 에너지에서 유도된 특징을 단독 분류 방식이거나 관성 데이터에 대한 보조 입력으로 사용하는 것의 타당성을 평가했다. 세 개의 공개 데이터셋에 걸쳐 종합적인 평가를 수행하였으며, 순환 신경망, 합성곱 신경망, 인코더 전용 트랜스포머, Mamba 상태 공간 모델을 포함한 최신 심층 학습 아키텍처의 성능을 자동화된 하이퍼파라미터 튜닝 및 입력 시퀀스 길이 최적화 하에서 비교했다. 모델들은 평가된 모든 데이터셋에서 이전에 보고된 값보다 높은 정확도를 달성했으며, 합성곱 신경망이 전체적으로 가장 높은 성능을 보였다. 에너지 기반 특징만을 사용할 경우, 모델은 85-90% 범위의 분류 정확도를 달성했으며, 이는 관성 특징과 결합했을 때 달성한 값(96-99%)보다 약 5-10% 낮다. 관성 데이터에 에너지 특징을 보강하면 일관되게 평균 정확도가 1-2% 향상되었다. 이러한 결과는 에너지 특징만에 의존하는 분류기가 단독 배포에 충분한 정확도를 제공함을 동시에, 다른 센싱 방식과 결합하여 사용할 때에도 일관된 성능 향상을 제공함을 시사한다.