Core Concepts
운동 궤적의 주요 특징을 활용하여 궤적 간 거리를 측정하고, 이를 통해 유사한 궤적을 효과적으로 클러스터링할 수 있다.
Abstract
이 논문은 운동 궤적 클러스터링을 위한 새로운 접근법을 제안한다. 기존의 거리 측정 방식은 궤적의 정확한 경로에 초점을 맞추지만, 이 연구에서는 궤적의 주요 특징에 초점을 맞춘다.
먼저, 궤적을 시간, 중요도 정보가 포함된 특징 시퀀스로 압축한다. 이 특징 시퀀스에는 극값, 제약 조건 도달 시점, 근점 등이 포함된다.
다음으로, 이 특징 시퀀스 간 거리를 측정하기 위해 기존의 문자열 기반 거리 측정 방식을 활용한다. 이때 시간 정보와 중요도 정보를 반영하여 거리를 계산한다.
마지막으로, 이 거리 측정 방식을 계층적 클러스터링에 적용하여 유사한 궤적을 효과적으로 그룹화할 수 있다.
실험 결과, 제안 방식은 기존의 동적 시간 워핑 기반 방식에 비해 성능이 우수하고 계산 시간이 빠른 것으로 나타났다. 특히 긴 궤적에 대해 강점을 보였다.
Stats
퓨르타 진자 모션 플랜 데이터셋에서 제안 방식은 DTW 대비 모든 클러스터를 정확하게 식별했다.
마누텍 로봇 팔 모션 플랜 데이터셋에서 제안 방식은 DTW 대비 더 나은 성능을 보였다.
실제 인간 동작 데이터셋에서도 제안 방식이 DTW 대비 더 나은 클러스터링 결과를 보였다.
Quotes
"운동 궤적의 정확한 경로보다는 주요 특징에 초점을 맞추는 것이 중요하다."
"제안하는 거리 측정 방식은 계산 시간 측면에서 DTW 대비 강점을 보인다."