Earticle

초록

영어

This study compares the absolute X Y position prediction performance of RNN, GRU, LSTM, and TCN models using time-series data representing the dynamic behavior of a 2-DOF planar delta robot. A 12-channel time-series input was constructed based on the X Y force signals measured at the robot end-effector and the encoder signals of the two actuated axes. Identical data preprocessing, training, and validation conditions were applied to all models, and their performance was evaluated using independent test data in terms of X-axis, Y-axis, and 2D RMSE. The LSTM showed advantages in X-axis prediction accuracy and consistency across test sequences, whereas the TCN achieved the lowest Y-axis and mean 2D RMSE. In particular, the GRU achieved a 2D RMSE comparable to that of the TCN with fewer trainable parameters, demonstrating favorable prediction performance relative to model complexity. These results demonstrate that different time-series learning structures exhibit distinct characteristics in terms of prediction accuracy and consistency, indicating that an appropriate learning model should be selected according to the requirements of robot dynamic behavior prediction.

한국어

본 연구에서는 2자유도 평면 델타 로봇의 동적 거동을 나타내는 시계열 데이터를 대상으로 RNN, GRU, LSTM 및 TCN의 절대 X-Y 위치 예측 성능을 비교하였다. 로봇 말단부의 X-Y 방향 힘 신호와 두 축의 엔코더 신호를 기반으로 총 12채널의 시계열 입력 데이터를 구성하였으며, 모든 모델에 동일한 데이터 전처리 및 학습·검증 조건을 적용하였다. 학습과 검증에 사용되지 않은 시험 데이터를 이용하여 각 모델의 X축, Y축 및 2D RMSE를 평가하였다. LSTM은 X축 예측 정확도와 시험 시퀀스별 오차의 일관성에서 장점을 보였으며, TCN은 Y축 및 평균 2D RMSE에서 가장 우수한 결과를 나타냈다. 특히 GRU는 적은 학습 파라미터를 사용하면서 TCN과 유사한 수준의 2D RMSE를 나타내어 모델 복잡도 대비 높은 예측 성능을 보였다. 이러한 결과를 통해 로봇의 동적 거동을 나타내는 시계열 데이터의 학습에서는 모델 구조에 따라 예측 정확도와 특성에 차이가 발생하며, 적용목적에 따른 적절한 학습모델의 선택이 필요함을 확인하였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 시험 시스템 및 환경
Ⅲ. 시계열 데이터의 수집 및 구성
1. 시험조건 및 데이터 수집
2. 입력 및 출력 데이터의 구성
3. 시계열 데이터 전처리
Ⅳ. 시계열 데이터 학습 알고리즘
1. RNN
2. GRU
3. LSTM
4. TCN
5. 학습 모델의 구성과 평가
Ⅴ. 학습결과
Ⅵ. 결론 및 고찰
REFERENCES

키워드

저자

• 백승환 [ Seunghwan Baek | 서원대학교 컴퓨터공학과 교수 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  혁신산업기술논문지 [The Journal of Innovation Industry Technology]

• 간기

  계간

• pISSN

  2983-2349

• eISSN

  2983-2357

• 수록기간

  2023~2026

• 십진분류

  KDC 559 DDC 629