연구진은 인공신경망(ANN) 기반 역운동학(IK) 솔루션의 정확도와 수렴성, 일반화 능력에 미치는 학습 데이터셋 크기의 영향을 분석했어요. 다양한 관절 위치 쌍을 활용해 ANN을 학습시키고 정확도를 평가한 결과, 125개 이상의 학습 샘플은 모델 효율성 향상에 기여하지 않았어요. 이 연구는 실제 로봇 응용 분야에서 계산 비용과 모델 정확도의 균형을 맞추는 데 필요한 데이터 크기를 최적화하는 데 실질적인 지침을 제공해요.
ANN 기반 IK 솔루션은 기존 방식의 한계를 극복하고 일반화 능력과 계산 효율성을 제공하는 유망한 대안으로 떠올랐어요. 본 연구는 IK 문제 해결을 위한 엔드 이펙터 샘플을 몇 개만 기록하는 ANN 접근 방식에서, 얼마나 많은 학습 샘플이 필요한지에 대한 근본적인 질문에 답하고자 했어요. 학습 샘플 크기와 ANN 기반 IK 솔버의 정확도 간의 수학적 관계를 규명하는 데 초점을 맞췄어요.
본 연구는 관절 위치 쌍의 다양한 양을 생성하여 순방향 신경망을 학습시키고 정확도, 수렴성 및 일반화 능력을 평가했어요. 125개 이상의 학습 샘플이 모델 효율성 향상에 기여하지 않았다는 결과는 데이터 효율성에 대한 귀중한 통찰력을 제공했어요.