본 논문은 건설, 제조, 의료와 같은 안전 중요 분야에서 착용형 장치(IMU)의 센서 데이터를 이용한 제스처 인식을 통해 안전 및 효율성을 향상시키는 AI 활용에 초점을 맞추고 있습니다. 기존 AI의 안전 요구사항 충족 어려움(정확한 확률 보정 및 분포 외 데이터에 대한 강건성)을 해결하기 위해, 본 논문은 불확실성을 고려한 보정 방법인 UAC(Uncertainty-Aware Calibration)을 제안합니다. UAC는 두 단계로 구성됩니다. 첫째, IMU 데이터로부터 제스처 확률 및 불확실성을 예측하는 불확실성 인식 제스처 네트워크 아키텍처를 제시합니다. 둘째, 여러 IMU 데이터 윈도우에 대한 예측의 엔트로피 가중 기댓값을 사용하여 정확성을 유지하면서 정확한 보정을 향상시킵니다. 세 개의 공개 IMU 데이터셋을 사용하여 기존의 세 가지 최첨단 보정 방법(온도 스케일링, 엔트로피 최대화, 라플라스 근사)과 비교 평가한 결과, UAC는 분포 내외의 시나리오에서 모두 정확성과 보정 성능을 향상시키는 것으로 나타났습니다.
