KR20190116035A

KR20190116035A - Artificial server

Info

Publication number: KR20190116035A
Application number: KR1020180111737A
Authority: KR
Inventors: 한종우; 정한길
Original assignee: 엘지전자 주식회사
Priority date: 2018-03-21
Filing date: 2018-09-18
Publication date: 2019-10-14

Abstract

Disclosed is an artificial intelligence server. According to an embodiment of the present invention, the artificial intelligence server comprises: a communication unit communicating with an artificial intelligence device; and an artificial intelligence unit receiving feature data in which sensing data obtained for providing an artificial intelligence service is compressed while the features of the sensing data are preserved and obtaining second sensing data by inputting the feature data into a deep learning model.

Description

AI server {ARTIFICIAL SERVER}

본 발명은, 센싱 데이터로부터 특징을 추출한 특징 데이터만을 수신하고, 특징 데이터를 이용하여 센싱 데이터와 유사한 제2 센싱 데이터를 획득하는 인공지능 서버에 관한 것이다.The present invention relates to an artificial intelligence server that receives only feature data from which features are extracted from sensing data and obtains second sensing data similar to sensing data using the feature data.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다. Artificial intelligence is a field of computer science and information technology that studies how to enable computers to do things like thinking, learning, and self-development that human intelligence can do. It means to be able to imitate.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.In addition, artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science. Particularly in modern times, attempts are being actively made to introduce artificial intelligence elements in various fields of information technology and use them to solve problems in those fields.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.On the other hand, technologies for recognizing and learning the surrounding situation using artificial intelligence and providing information desired by a user in a desired form or performing a desired operation or function have been actively researched.

한편 인식 모델은, 새로운 환경이나 인공지능 디바이스의 사용자의 특성을 인지 및 학습 하여 인식 모델을 업데이트 해가면서 성장한다.On the other hand, the recognition model grows as the recognition model is updated by recognizing and learning characteristics of a user of a new environment or an artificial intelligence device.

예를 들어, 인공지능 디바이스가 음성 인식 에어컨이고 인공지능 디바이스의 인식 모델이 음성 인식 모델인 경우, 인공지능 디바이스는 발화자의 발화 습관을 학습하여 음성 인식 모델을 수정함으로써, 화자 적응을 수행할 수 있다.For example, if the artificial intelligence device is a speech recognition air conditioner and the recognition model of the artificial intelligence device is a speech recognition model, the artificial intelligence device may perform speaker adaptation by learning a speech habit of a speaker and modifying the speech recognition model. .

다른 예를 들어, 인공지능 디바이스가 로봇 청소기이고 인공지능 디바이스의 인식 모델이 지형 인식 모델인 경우, 인공지능 디바이스는 가정 내 공간과 장애물에 맞게 지형 인식 모델을 수정함으로써, 공간에 대한 적응을 수행할 수 있다.For another example, if the artificial intelligence device is a robot cleaner and the recognition model of the artificial intelligence device is a terrain recognition model, the artificial intelligence device may perform adaptation to the space by modifying the terrain recognition model according to the space and obstacles in the home. Can be.

이와 같은 과정에서 중요한 것은, 인식 실패 시 왜 실패했는지를 학습하는 것이다.The important thing in this process is to learn why you failed when you failed.

예를 들어, 특이한 억양으로 인하여 음성 인식이 실패한 경우에는 인공지능이 특이한 억양을 학습함으로써 성능이 향상될 수 있으며, 자동 청소 로봇의 자동 청소 기능이 장애물에 의하여 방해 받은 경우에는 장애물의 위치나 형태를 학습함으로써 성능이 향상될 수 있다.For example, if speech recognition fails due to unusual accents, artificial intelligence can learn the unusual accents, and if the automatic cleaning function of the automatic cleaning robot is hindered by obstacles, the position or shape of the obstacles can be improved. Learning can improve performance.

한편, 음성 인식 모델, 지형 인식 모델 등의 인식 모델은 인공지능 디바이스에 탑재되되, 새로운 환경이나 사용자의 특성에 대한 학습은 인공지능 서버에서 수행되는 경우가 대부분이다.On the other hand, recognition models such as voice recognition model and terrain recognition model are mounted on the artificial intelligence device, but most of the learning about the new environment or the characteristics of the user is performed in the artificial intelligence server.

따라서 인공지능 장치에서 인식이 실패한 경우, 인공지능 장치는 인식에 실패한 상황을 인공지능 서버에 전달하여야 한다.Therefore, when the recognition fails in the artificial intelligence device, the artificial intelligence device must transmit a situation in which the recognition fails to the artificial intelligence server.

예를 들어 인공지능 장치는, 얼굴 인식을 실패한 경우에는 촬영한 얼굴 영상을, 음성 인식을 실패한 경우에는 음성을, 청소 로봇이 충돌한 경우에는 장애물의 영상을 인공지능 서버에 전송하여야 한다.For example, the artificial intelligence apparatus should transmit a photographed face image when face recognition fails, a voice when voice recognition fails, and an image of an obstacle to the artificial intelligence server when the cleaning robot collides.

다만 이 과정에서 프라이버시의 침해의 문제가 발생할 수 있다. 구체적으로, 인공지능 서버는 인공지능 서비스를 제공하는 업체에서 운영하는 것이기 때문에, 인공지능 장치의 사용자들은 자신의 얼굴, 음성, 집 내부 영상을 그대로 전송하는 것에 대하여 꺼려할 수 있다.In this process, however, there may be a problem of invasion of privacy. Specifically, since the artificial intelligence server is operated by a company that provides an artificial intelligence service, users of the artificial intelligence device may be reluctant to transmit their faces, voices, and images of their homes as they are.

좋은 예로써, 인공지능 장치가 속옷 차림의 사용자가 촬영된 영상을 인공지능 서버에 전송하는 경우를 들 수 있다.As a good example, the AI device may transmit an image captured by a user in underwear to the AI server.

따라서 프라이버시의 침해 문제를 해결하면서도 인식에 실패한 상황 정보를 서버에 전달하여 인식 모델의 성능을 향상시킬 수 있는 방안이 요구된다.Therefore, there is a need for a method that can improve the performance of the recognition model by delivering situation information that fails to recognize while solving the privacy breach problem.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 센싱 데이터로부터 특징을 추출한 특징 데이터만을 수신하고, 특징 데이터를 이용하여 센싱 데이터와 유사한 제2 센싱 데이터를 획득하는 인공지능 서버를 제공하기 위함이다.SUMMARY OF THE INVENTION The present invention has been made to solve the above-described problem, and an object of the present invention is to provide an artificial intelligence server that receives only feature data extracted from a feature from sensing data and obtains second sensing data similar to sensing data using the feature data. To provide.

본 발명의 실시 예에 따른 인공지능 서버는, 인공지능 장치와 통신하는 통신부, 및, 인공지능 서비스를 제공하기 위하여 획득되는 센싱 데이터가 특징을 보존하며 압축된 특징 데이터를 상기 인공지능 장치로부터 수신하고, 상기 특징 데이터를 딥 러닝 모델에 입력하여 제2 센싱 데이터를 획득하는 인공지능부를 포함한다.An artificial intelligence server according to an embodiment of the present invention includes a communication unit for communicating with an artificial intelligence device, sensing data obtained for providing an artificial intelligence service, preserves a feature, and receives compressed feature data from the artificial intelligence device. And an artificial intelligence unit configured to obtain second sensing data by inputting the feature data into a deep learning model.

도 1 내지 도 2는 종래의 문제점을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른, 인공지능 시스템을 설명하기 위한 도면이다.
도 4는 본 발명의 인공지능 장치(10)로 사용될 수 있는 이동 단말기를 설명하기 위한 블록도이다.
도 5는 본 발명의 실시 예에 따른 인공지능 서버(20)를 설명하기 위한 블록도이다.
도 6은 본 발명의 실시 예에 따른 인공지능 시스템의 동작 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른, 센싱 데이터로부터 특징 데이터를 추출하고, 특징 데이터를 이용하여 제2 센싱 데이터를 획득한 후 인식 모델을 업데이트 하는 과정을 설명하기 위한 도면이다.
도 8은 자율 이동을 위한 인식 서비스에서 제2 센싱 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 9 및 도 10은 조건을 설정하여 제2 센싱 데이터를 생성하는 방법을 설명하기 위한 도면이다. 1 to 2 are diagrams for explaining a conventional problem.
3 is a view for explaining an artificial intelligence system according to an embodiment of the present invention.
4 is a block diagram illustrating a mobile terminal that can be used as the artificial intelligence device 10 of the present invention.
5 is a block diagram illustrating an artificial intelligence server 20 according to an embodiment of the present invention.
6 is a view for explaining a method of operating an artificial intelligence system according to an embodiment of the present invention.
FIG. 7 is a diagram for describing a process of extracting feature data from sensing data and updating a recognition model after acquiring second sensing data using the feature data according to an embodiment of the present invention.
FIG. 8 is a diagram for describing a method of obtaining second sensing data in a recognition service for autonomous movement.
9 and 10 are diagrams for describing a method of generating second sensing data by setting a condition.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, embodiments of the present disclosure will be described in detail with reference to the accompanying drawings, and the same or similar components are denoted by the same reference numerals regardless of the reference numerals, and redundant description thereof will be omitted. The suffixes "module" and "unit" for components used in the following description are given or used in consideration of ease of specification, and do not have distinct meanings or roles from each other. In addition, in describing the embodiments disclosed herein, when it is determined that the detailed description of the related known technology may obscure the gist of the embodiments disclosed herein, the detailed description thereof will be omitted. In addition, the accompanying drawings are intended to facilitate understanding of the embodiments disclosed herein, but are not limited to the technical spirit disclosed herein by the accompanying drawings, all changes included in the spirit and scope of the present invention. It should be understood to include equivalents and substitutes.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms including ordinal numbers such as first and second may be used to describe various components, but the components are not limited by the terms. The terms are used only for the purpose of distinguishing one component from another.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being "connected" or "connected" to another component, it may be directly connected to or connected to that other component, but it may be understood that other components may be present in between. Should be. On the other hand, when a component is said to be "directly connected" or "directly connected" to another component, it should be understood that there is no other component in between.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Singular expressions include plural expressions unless the context clearly indicates otherwise. In this application, the terms "comprises" or "having" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, and one or more other features. It is to be understood that the present invention does not exclude the possibility of the presence or the addition of numbers, steps, operations, components, components, or a combination thereof.

도 1 내지 도 2는 종래의 문제점을 설명하기 위한 도면이다.1 to 2 are diagrams for explaining a conventional problem.

도 1a는 얼굴 인식을 위하여 최초에 사용자가 등록한 영상이고, 도 1b는 얼굴 인식을 이용하여 인증을 수행하는 경우의 사용자의 영상이다.FIG. 1A is an image initially registered by a user for face recognition, and FIG. 1B is an image of a user when authentication is performed using face recognition.

도 1a에서 도시하는 바와 같이 사용자는 무표정한 얼굴로 촬영을 수행하여 영상(1110)을 등록해 놓은 상태이다. 이 경우 도 1a의 영상(1110)은 영상 인식 모델에 입력되고, 영상 인식 모델은 도 1a의 영상(1110)으로부터 사용자의 얼굴의 특징을 추출하여 학습한 후 인증을 수행하게 된다.As shown in FIG. 1A, the user registers an image 1110 by photographing with an expressionless face. In this case, the image 1110 of FIG. 1A is input to the image recognition model, and the image recognition model performs authentication after extracting and learning a feature of the user's face from the image 1110 of FIG. 1A.

이후에 사용자가 도 1a에서의 표정과 동일한 표정을 지으며 인증을 시도하는 경우, 영상 인식 모델은 매우 용이하게 사용자를 구분해 낼 수 있다.Subsequently, when the user tries to authenticate with the same facial expression as in FIG. 1A, the image recognition model can distinguish the user very easily.

한편 사용자는 인증을 위하여 카메라에 얼굴을 비추었다. 이 경우에 인공지능 장치에서 수신한 영상(1120)은 도 1b에서 도시하였다.The user, on the other hand, lit his face on the camera for authentication. In this case, the image 1120 received by the artificial intelligence device is illustrated in FIG. 1B.

도 1b를 참조하면, 사용자는 등록된 영상과 다른 표정을 짓고 있는 상태이다.Referring to FIG. 1B, the user has a different expression from the registered image.

이 경우 영상 인식 모델은 사용자의 다른 표정에 대해서는 학습하지 않은 상태이다. 따라서 영상 인식의 정확도는 낮아지게 되며, 사용자를 구분해 내지 못할 수도 있다.In this case, the image recognition model is not learning about other expressions of the user. Therefore, the accuracy of image recognition is lowered and it may not be possible to distinguish users.

이러한 경우 도 1b의 영상(1120)을 인공지능 서버에 전송하여 인공지능 모델을 학습시키면 영상 인식 모델의 성능을 향상시킬 수 있다. 그러나 이 경우, 사용자의 얼굴이나 배경이 인공지능 서버에 그대로 전송되어 프라이버시가 침해되는 문제가 발생될 수 있다.In this case, if the artificial intelligence model is trained by transmitting the image 1120 of FIG. 1B to the artificial intelligence server, the performance of the image recognition model may be improved. In this case, however, the user's face or background may be transmitted to the AI server as it is, which may cause privacy infringement.

도 2는 자율 이동을 위한 사물 인식 서비스에 실패한 경우를 도시한 도면이다.2 is a diagram illustrating a case where a thing recognition service for autonomous movement fails.

인공지능 장치(10)는 자동 청소를 수행하는 청소 로봇으로써, 인공지능 장치(10)에는 자율 이동을 위한 인식 모델이 탑재되어 있다.The artificial intelligence device 10 is a cleaning robot that performs automatic cleaning, and the artificial intelligence device 10 is equipped with a recognition model for autonomous movement.

이 경우 자율 이동을 위한 인식 모델은 집 내부의 구조 및 장애물의 위치를 파악한다. 이에 따라 청소 로봇은 장애물이나 벽 등에 충돌하지 않고 이동하면서 청소를 수행할 수 있다.In this case, the recognition model for autonomous movement detects the internal structure and the location of obstacles. Accordingly, the cleaning robot can perform cleaning while moving without colliding with an obstacle or a wall.

다만 집 내부의 구조나 장애물에 대한 학습이 되어 있지 않은 경우, 장애물(1210) 등에 부딪히는 경우가 발생한다. 이 경우 인식 모델은, 부딪힌 위치의 영상을 촬영하여 장애물(1210)의 형상이나 위치 등을 학습해야 한다.However, when learning about the structure or the obstacles inside the house, it may hit the obstacle 1210 or the like. In this case, the recognition model should take an image of the impacted position to learn the shape or position of the obstacle 1210.

다만 이러한 학습은 인공지능 서버에서 수행되기 때문에, 청소 로봇은 부딪힌 위치의 영상을 인공지능 서버에 전송하여야 한다. 다만 이 영상에는 집안에 널려있는 속옷이나 목욕을 마친 사용자의 나체 사진 등이 함께 포함될 수도 있다. 따라서 영상을 그대로 서버에 전송하는 경우에는 프라이버시의 침해가 발생할 수 있다.However, since this learning is performed in the artificial intelligence server, the cleaning robot must transmit the image of the hit position to the artificial intelligence server. However, the video may include underwear in the house or a naked photo of a user who has finished taking a bath. Therefore, if the image is transmitted to the server as it is, invasion of privacy may occur.

따라서 이러한 문제점의 해결이 필요하다.Therefore, it is necessary to solve this problem.

도 3은 본 발명의 실시 예에 따른, 인공지능 시스템을 설명하기 위한 도면이다.3 is a view for explaining an artificial intelligence system according to an embodiment of the present invention.

도 3을 참고하면, 인공지능 시스템은 인공지능 장치(10) 및 인공지능 서버(20)를 포함할 수 있다.Referring to FIG. 3, the artificial intelligence system may include an artificial intelligence device 10 and an artificial intelligence server 20.

인공지능 장치(10)는 인공지능 서버(20)와 통신할 수 있다. 구체적으로 인공지능 장치(10)는 통신부를 포함할 수 있으며, 통신부는 전자장치를 인터넷망을 포함하는 유/무선 네트워크와 연결하기 위한 인터페이스를 제공할 수 있다. 통신부는 접속된 네트워크 또는 접속된 네트워크에 링크된 다른 네트워크를 통해, 서버와 데이터를 송신 또는 수신할 수 있다. The AI device 10 may communicate with the AI server 20. In more detail, the artificial intelligence device 10 may include a communication unit, and the communication unit may provide an interface for connecting the electronic device to a wired / wireless network including an internet network. The communication unit may transmit or receive data with the server through the connected network or another network linked to the connected network.

한편 인공지능 장치(10)에는 인공지능 서비스를 제공하기 위한 인식 모델이 탑재될 수 있다. On the other hand, the artificial intelligence device 10 may be equipped with a recognition model for providing an artificial intelligence service.

여기서 인식 모델은 인공 신경망(Artificial Neural Network, ANN)에 머신 러닝 기술을 적용하여 방대한 양의 정보를 학습함으로써 인공지능 서비스를 제공하도록 훈련된 모델을 의미할 수 있다.Here, the recognition model may mean a model trained to provide an artificial intelligence service by learning a large amount of information by applying a machine learning technique to an artificial neural network (ANN).

예를 들어 인공지능 장치(10)에서 제공하는 인공지능 서비스가 음성 인식 서비스인 경우, 인식 모델은 사용자의 음성 신호를 해석하여 패턴화되어 있는 데이터 베이스와 조합함으로써 음성 신호를 문자열로 변환하거나 언어적 의미 내용을 식별하는 음성 인식 서비스를 제공할 수 있다.For example, if the artificial intelligence service provided by the artificial intelligence device 10 is a voice recognition service, the recognition model interprets the user's voice signal and combines it with a patterned database to convert the voice signal into a string or verbal. A voice recognition service for identifying semantic content can be provided.

다른 예를 들어 인공지능 서비스가 영상 인식 서비스인 경우, 인식 모델은 영상 신호를 해석하여 영상에 포함된 오브젝트를 식별하거나 구분하는 영상 인식 서비스를 제공할 수 있다.For another example, when the artificial intelligence service is an image recognition service, the recognition model may provide an image recognition service for identifying or distinguishing an object included in an image by analyzing the image signal.

다른 예를 들어 인공지능 서비스가 자율 이동을 위한 인식 서비스인 경우, 인식 모델은 영상 신호를 해석하여 내부의 구조와 장애물 등의 위치를 파악하고, 인공지능 장치가 충돌 없이 이동하는 서비스를 제공할 수 있다.In another example, when the AI service is a recognition service for autonomous movement, the recognition model may analyze a video signal to determine the location of an internal structure and an obstacle, and provide a service in which the AI device moves without collision. have.

한편 인공지능 장치(10)는 인공지능 서비스를 제공하기 위하여 센싱 데이터를 획득할 수 있다.Meanwhile, the AI device 10 may obtain sensing data in order to provide an AI service.

예를 들어 인공지능 장치(10)는 센싱부를 포함할 수 있다. 그리고 인공지능 장치(10)에서 제공하는 인공지능 서비스가 음성 인식 서비스인 경우, 센싱부는 마이크 등을 통하여 음성 데이터를 수신할 수 있다.For example, the artificial intelligence device 10 may include a sensing unit. When the artificial intelligence service provided by the artificial intelligence device 10 is a voice recognition service, the sensing unit may receive voice data through a microphone.

다른 예를 들어 인공지능 서비스가 영상 인식 서비스이거나 자율 이동을 위한 인식 서비스인 경우, 센싱부는 카메라를 이용한 촬영 등을 통하여 영상 데이터를 수신할 수 있다.For another example, when the artificial intelligence service is an image recognition service or a recognition service for autonomous movement, the sensing unit may receive image data through photographing using a camera.

한편 인공지능 장치(10)는 획득한 센싱 데이터를 이용하여 인공지능 서비스를 제공할 수 있다. Meanwhile, the AI device 10 may provide an AI service by using the acquired sensing data.

구체적으로 인공지능 장치(10)는 인식 모델에 센싱 데이터를 입력하고, 입력된 센싱 데이터에 대응하여 인식 모델이 출력하는 출력값에 따라 인공지능 서비스를 제공할 수 있다.In detail, the artificial intelligence apparatus 10 may input sensing data to a recognition model and provide an artificial intelligence service according to an output value output from the recognition model in response to the input sensing data.

한편 인공지능 장치(10)는 획득한 센싱 데이터로부터 특징을 추출한 특징 데이터를 생성하고, 생성된 특징 데이터를 인공지능 서버(20)에 전송할 수 있다.Meanwhile, the AI device 10 may generate feature data obtained by extracting a feature from the acquired sensing data, and transmit the generated feature data to the AI server 20.

한편 인공지능 장치(10)는 획득한 센싱 데이터로부터 특징을 추출한 특징 데이터를 생성하기 위하여, 딥 러닝 모델을 포함할 수 있다. 여기서 딥 러닝 모델은 가변 오토 인코더(Variational Autoencoder, VAE)의 인코더(encoder)일 수 있다.Meanwhile, the artificial intelligence apparatus 10 may include a deep learning model to generate feature data from which features are extracted from the acquired sensing data. The deep learning model may be an encoder of a variable auto encoder (VAE).

인공지능 서버(20)는 인공지능 장치(10)와 통신할 수 있다. 구체적으로 인공지능 서버(20)는 통신부를 포함할 수 있으며, 통신부는 전자장치를 인터넷망을 포함하는 유/무선 네트워크와 연결하기 위한 인터페이스를 제공할 수 있다. 통신부는 접속된 네트워크 또는 접속된 네트워크에 링크된 다른 네트워크를 통해, 서버와 데이터를 송신 또는 수신할 수 있다.The artificial intelligence server 20 may communicate with the artificial intelligence device 10. In more detail, the artificial intelligence server 20 may include a communication unit, and the communication unit may provide an interface for connecting an electronic device to a wired / wireless network including an internet network. The communication unit may transmit or receive data with the server through the connected network or another network linked to the connected network.

한편 인공지능 서버(20)는 인공지능 장치(10)에 탑재되는 인식 모델을 업데이트 할 수 있다.Meanwhile, the artificial intelligence server 20 may update the recognition model mounted on the artificial intelligence device 10.

구체적으로 인공지능 서버(20)는 인공지능 장치(10)로부터, 센싱 데이터로부터 특징을 추출한 특징 데이터를 수신할 수 있다. 그리고 인공지능 서버(20)는 특징 데이터를 딥 러닝 모델에 입력하여 제2 센싱 데이터를 획득할 수 있다.In more detail, the artificial intelligence server 20 may receive feature data extracted from the sensing data from the artificial intelligence device 10. The artificial intelligence server 20 may obtain the second sensing data by inputting the feature data into the deep learning model.

여기서 딥 러닝 모델은, 가변 오토 인코더(Variational Autoencoder, VAE)의 디코더(decoder) 또는 생성적 적대 신경망(Generative Adversarial Network, Gan)의 생성기(generator)일 수 있다.The deep learning model may be a decoder of a variable auto encoder (VAE) or a generator of a generative adversarial network (Gan).

이 경우 인공지능 서버(20)는 제2 센싱 데이터를 이용하여 인식 모델을 트레이닝 할 수 있다. 그리고 인공지능 서버(20)는 트레이닝된 인식 모델을 인공지능 장치(10)에 전송할 수 있다.In this case, the artificial intelligence server 20 may train the recognition model using the second sensing data. The artificial intelligence server 20 may transmit the trained recognition model to the artificial intelligence device 10.

이 경우 인공지능 장치(10)는 트레이닝된 인식 모델을 수신하고, 기존의 인식 모델을 트레이닝된 인식 모델로 변경할 수 있다.In this case, the artificial intelligence apparatus 10 may receive a trained recognition model and change an existing recognition model into a trained recognition model.

도 4는 본 발명의 인공지능 장치(10)로 사용될 수 있는 이동 단말기를 설명하기 위한 블록도이다. 4 is a block diagram illustrating a mobile terminal that can be used as the artificial intelligence device 10 of the present invention.

이동 단말기(100)는 무선 통신부(110), 입력부(120), 인공 지능부(130), 감지부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. The mobile terminal 100 includes a wireless communication unit 110, an input unit 120, an artificial intelligence unit 130, a detection unit 140, an output unit 150, an interface unit 160, a memory 170, and a controller 180. ) And the power supply unit 190 and the like.

도 4에 도시된 구성요소들은 이동 단말기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 이동 단말기는 위에서 열거된 구성요소들보다 많거나, 또는 적은 구성요소들을 가질 수 있다.The components shown in FIG. 4 are not essential to implementing a mobile terminal, so the mobile terminal described herein may have more or fewer components than those listed above.

보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 이동 단말기(100)와 무선 통신 시스템 사이, 이동 단말기(100)와 다른 이동 단말기(100) 사이, 또는 이동 단말기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 이동 단말기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.More specifically, the wireless communication unit 110 of the components, between the mobile terminal 100 and the wireless communication system, between the mobile terminal 100 and another mobile terminal 100, or the mobile terminal 100 and the external server It may include one or more modules that enable wireless communication therebetween. In addition, the wireless communication unit 110 may include one or more modules for connecting the mobile terminal 100 to one or more networks.

이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.The wireless communication unit 110 may include at least one of the broadcast receiving module 111, the mobile communication module 112, the wireless internet module 113, the short range communication module 114, and the location information module 115. .

입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.The input unit 120 may include a camera 121 or an image input unit for inputting an image signal, a microphone 122 for inputting an audio signal, an audio input unit, or a user input unit 123 for receiving information from a user. , Touch keys, mechanical keys, and the like. The voice data or the image data collected by the input unit 120 may be analyzed and processed as a control command of the user.

인공지능부(130)는, 인공 지능 기술에 기반하여 정보들을 처리하는 역할을 수행하는 것으로, 정보의 학습, 정보의 추론, 정보의 지각, 자연 언어의 처리 중 적어도 하나를 수행하는 하나 이상의 모듈을 포함할 수 있다. The artificial intelligence unit 130 performs a role of processing information based on artificial intelligence technology, and includes one or more modules that perform at least one of learning information, inferring information, perceiving information, and processing natural language. It may include.

인공지능부(130)는 머신 러닝(machine learning) 기술을 이용하여, 이동 단말기 내에 저장된 정보, 이동 단말기 주변의 환경 정보, 통신 가능한 외부 저장소에 저장된 정보 등 방대한 양의 정보(빅데이터, big data)를 학습, 추론, 처리 중 적어도 하나를 수행할 수 있다. 그리고, 인공지능부(130)는 상기 머신 러닝 기술을 이용하여 학습된 정보들을 이용하여, 실행 가능한 적어도 하나의 이동 단말기의 동작을 예측(또는 추론)하고, 상기 적어도 하나의 예측된 동작들 중 가장 실현성이 높은 동작이 실행되도록 이동 단말기를 제어할 수 있다. The artificial intelligence unit 130 uses a machine learning technique to generate a large amount of information (big data) such as information stored in the mobile terminal, environment information around the mobile terminal, and information stored in an external storage that can be communicated with. At least one of learning, reasoning, and processing may be performed. The artificial intelligence unit 130 predicts (or infers) an operation of at least one executable mobile terminal using information learned using the machine learning technique, and calculates the most of the at least one predicted operations. The mobile terminal can be controlled to execute a highly feasible operation.

머신 러닝 기술은 적어도 하나의 알고리즘에 근거하여, 대규모의 정보들을 수집 및 학습하고, 학습된 정보를 바탕으로 정보를 판단 및 예측하는 기술이다. 정보의 학습이란 정보들의 특징, 규칙, 판단 기준 등을 파악하여, 정보와 정보 사이의 관계를 정량화하고, 정량화된 패턴을 이용하여 새로운 데이터들을 예측하는 동작이다. Machine learning technology is a technology that collects and learns a large amount of information based on at least one algorithm, and determines and predicts information based on the learned information. The learning of information is an operation of grasping characteristics, rules, and judgment criteria of information, quantifying a relationship between information, and predicting new data using the quantized pattern.

이러한 머신 러닝 기술이 사용하는 알고리즘은 통계학에 기반한 알고리즘이 될 수 있으며, 예를 들어, 트리 구조 형태를 예측 모델로 사용하는 의사 결정 나무(decision tree), 생물의 신경 네트워크 구조와 기능을 모방하는 인공 신경망(neural network), 생물의 진화 알고리즘에 기반한 유전자 프로그래밍(genetic programming), 관측된 예를 군집이라는 부분집합으로 분배하는 군집화(Clustering), 무작위로 추출된 난수를 통해 함수값을 확률로 계산하는 몬테카를로 방법(Monter carlo method) 등이 될 수 있다. The algorithms used by these machine learning techniques can be algorithms based on statistics, for example, decision trees that use tree structures as predictive models, and artificial ones that mimic the neural network structure and function of living things. Neural networks, genetic programming based on living evolutionary algorithms, clustering that distributes observed examples into subsets of clusters, and Monte Carlo, which randomly computes function values through randomized random numbers Monte carlo method.

머신 러닝 기술의 한 분야로써, 딥러닝(deep learning) 기술은 인공 신경망 알고리즘을 이용하여, 정보들을 학습, 판단, 처리 중 적어도 하나를 수행하는 기술이다. 인공 신경망은 레이어와 레이어 사이를 연결하고, 레이어와 레이어 사이의 데이터를 전달하는 구조를 가질 수 있다. 이러한 딥러닝 기술은 병렬 연산에 최적화된 GPU(graphic processing unit)를 이용하여 인공 신경망을 통하여 방대한 양의 정보를 학습할 수 있다. As a field of machine learning technology, deep learning technology is a technology that performs at least one of learning, determining, and processing information by using an artificial neural network algorithm. The artificial neural network may have a structure that connects layers to layers and transfers data between layers. Such deep learning technology can learn a huge amount of information through an artificial neural network using a graphic processing unit (GPU) optimized for parallel computation.

한편, 인공지능부(130)는 머신 러닝 기술을 적용하기 위한 방대한 양의 정보들을 수집하기 위하여, 이동 단말기의 구성 요소들에서 입력 또는 출력되는 신호, 데이터, 정보 등을 수집(감지, 모니터링, 추출, 검출, 수신)할 수 있다. 또한, 인공지능부(130)는 통신을 통하여 연결되는 외부 저장소(예를 들어, 클라우드 서버, cloud server)에 저장된 데이터, 정보 등을 수집(감지, 모니터링, 추출, 검출, 수신)할 수 있다. 보다 구체적으로, 정보의 수집이란, 센서를 통하여 정보를 감지하거나, 메모리(170)에 저장된 정보를 추출하거나, 통신을 통하여, 외부 저장소로부터 정보들을 수신하는 동작을 포함하는 용어로 이해될 수 있다. Meanwhile, the artificial intelligence unit 130 collects (detects, monitors, and extracts signals, data, information, etc. input or output from the components of the mobile terminal in order to collect a large amount of information for applying the machine learning technology). , Detect, receive). In addition, the artificial intelligence unit 130 may collect (detect, monitor, extract, detect, receive) data, information, and the like stored in an external storage (for example, a cloud server) connected through communication. More specifically, the collection of information may be understood as a term including an operation of sensing information through a sensor, extracting information stored in the memory 170, or receiving information from an external storage through communication.

인공지능부(130)는 센싱부(140)를 통하여, 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보를 감지할 수 있다. 또한, 인공지능부(130)는 무선 통신부(110)를 통하여, 방송 신호 및/또는 방송 관련된 정보, 무선 신호, 무선 데이터 등을 수신할 수 있다. 또한, 인공지능부(130)는 입력부로부터 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터 또는 사용자로부터 입력되는 정보를 입력받을 수 있다. The artificial intelligence unit 130 may detect information in the mobile terminal, surrounding environment information surrounding the mobile terminal, and user information through the sensing unit 140. In addition, the artificial intelligence unit 130 may receive a broadcast signal and / or broadcast related information, a wireless signal, wireless data, and the like through the wireless communication unit 110. In addition, the artificial intelligence unit 130 may receive image information (or signal), audio information (or signal), data, or information input from a user from the input unit.

이러한 인공지능부(130)는 백그라운드 상에서 실시간으로 방대한 양의 정보들을 수집하고, 이를 학습하여, 적절한 형태로 가공한 정보(예를 들어, 지식 그래프, 명령어 정책, 개인화 데이터베이스, 대화 엔진 등)를 메모리(170)에 저장할 수 있다. The artificial intelligence unit 130 collects a large amount of information in real time on the background, learns it, and stores the processed information (eg, knowledge graph, command policy, personalization database, conversation engine, etc.) in an appropriate form. Can be stored at 170.

그리고, 인공지능부(130)는 머신 러닝 기술을 이용하여 학습된 정보들을 바탕으로, 이동 단말기의 동작이 예측되면, 이러한 예측된 동작을 실행하기 위하여, 이동 단말기의 구성 요소들을 제어하거나, 예측된 동작을 실행하기 위한 제어 명령을 제어부(180)로 전달할 수 있다. 제어부(180)는 제어 명령에 근거하여, 이동 단말기를 제어함으로써, 예측된 동작을 실행할 수 있다. And, based on the information learned using the machine learning technology, the artificial intelligence unit 130, if the operation of the mobile terminal is predicted, to execute the predicted operation, to control the components of the mobile terminal, or The control command for executing the operation may be transmitted to the controller 180. The controller 180 can execute the predicted operation by controlling the mobile terminal based on the control command.

한편, 인공지능부(130)는 특정 동작이 수행되면, 머신 러닝 기술을 통하여, 특정 동작의 수행을 나타내는 이력 정보를 분석하고, 이러한 분석 정보를 바탕으로 기존의 학습된 정보에 대한 업데이트를 수행할 수 있다. 이에, 인공지능부(130)는 정보 예측의 정확도를 향상시킬 수 있다. Meanwhile, when a specific operation is performed, the artificial intelligence unit 130 analyzes historical information indicating performance of a specific operation through machine learning technology, and updates the previously learned information based on the analysis information. Can be. Thus, the artificial intelligence unit 130 may improve the accuracy of the information prediction.

한편, 본 명세서에서, 인공지능부(130)와 제어부(180)는 동일한 구성요소로 이해될 수 있다. 이 경우, 본 명세서에서 설명되는 제어부(180)에서 수행되는 기능은, 인공지능부(130)에서 수행된다고 표현할 수 있으며, 제어부(180)는 인공지능부(130)로 명명되거나, 이와 반대로, 인공지능부(130)는 제어부(180)로 명명되어도 무방하다.Meanwhile, in the present specification, the artificial intelligence unit 130 and the controller 180 may be understood as the same component. In this case, a function performed by the controller 180 described herein may be expressed as being performed by the artificial intelligence unit 130, and the controller 180 may be named as the artificial intelligence unit 130 or vice versa. The intelligent unit 130 may be referred to as the controller 180.

또한, 이와 다르게, 본 명세서에서, 인공지능부(130)와 제어부(180)는 별도의 구성요소로 이해될 수 있다. 이 경우, 인공지능부(130)와 제어부(180)는 서로 데이터 교환을 통하여, 이동 단말기 상에서 다양한 제어를 수행할 수 있다. 제어부(180)는 인공지능부(130)에서 도출된 결과를 기반으로, 이동 단말기 상에서 적어도 하나의 기능을 수행하거나, 이동 단말기의 구성요소 중 적어도 하나를 제어할 수 있다. 나아가, 인공지능부(130) 또한, 제어부(180)의 제어 하에 동작될 수 있다.Alternatively, in the present specification, the artificial intelligence unit 130 and the controller 180 may be understood as separate components. In this case, the artificial intelligence unit 130 and the controller 180 may perform various controls on the mobile terminal through data exchange with each other. The controller 180 may perform at least one function on the mobile terminal or control at least one of the components of the mobile terminal based on the result derived from the artificial intelligence unit 130. Furthermore, the artificial intelligence unit 130 may also be operated under the control of the controller 180.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. The sensing unit 140 may include one or more sensors for sensing at least one of information in the mobile terminal, surrounding environment information surrounding the mobile terminal, and user information.

예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.For example, the sensing unit 140 may include a proximity sensor 141, an illumination sensor 142, an illumination sensor, a touch sensor, an acceleration sensor, a magnetic sensor, and gravity. G-sensor, Gyroscope Sensor, Motion Sensor, RGB Sensor, Infrared Sensor, Infrared Sensor, Finger Scan Sensor, Ultrasonic Sensor Optical sensors (e.g. cameras 121), microphones (see 122), battery gauges, environmental sensors (e.g. barometers, hygrometers, thermometers, radiation detection sensors, Thermal sensors, gas sensors, etc.), chemical sensors (eg, electronic noses, healthcare sensors, biometric sensors, etc.). Meanwhile, the mobile terminal disclosed herein may use a combination of information sensed by at least two or more of these sensors.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다. 디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 이동 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 이동 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.The output unit 150 is used to generate an output related to sight, hearing, or tactile sense, and includes at least one of a display unit 151, an audio output unit 152, a hap tip module 153, and an optical output unit 154. can do. The display unit 151 forms a layer structure with or is integrally formed with the touch sensor, thereby implementing a touch screen. The touch screen may function as a user input unit 123 that provides an input interface between the mobile terminal 100 and the user, and may also provide an output interface between the mobile terminal 100 and the user.

인터페이스부(160)는 이동 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 이동 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.The interface unit 160 serves as a path to various types of external devices connected to the mobile terminal 100. The interface unit 160 connects a device equipped with a wired / wireless headset port, an external charger port, a wired / wireless data port, a memory card port, and an identification module. It may include at least one of a port, an audio input / output (I / O) port, a video input / output (I / O) port, and an earphone port. In the mobile terminal 100, in response to an external device being connected to the interface unit 160, appropriate control associated with the connected external device may be performed.

또한, 메모리(170)는 이동 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 이동 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 이동 단말기(100)의 동작을 위한 데이터들, 명령어들을, 인공 지능부(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 이동 단말기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 이동 단말기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 이동 단말기(100) 상에 설치되어, 제어부(180)에 의하여 상기 이동 단말기의 동작(또는 기능)을 수행하도록 구동될 수 있다.In addition, the memory 170 stores data supporting various functions of the mobile terminal 100. The memory 170 is a plurality of application programs (applications or applications) driven in the mobile terminal 100, data for operating the mobile terminal 100, instructions, the operation of the artificial intelligence unit 130 Data for, for example, at least one algorithm information for machine learning, and the like. At least some of these applications may be downloaded from an external server via wireless communication. In addition, at least some of these application programs may exist on the mobile terminal 100 from the time of shipment for basic functions of the mobile terminal 100 (for example, a call forwarding, a calling function, a message receiving, and a calling function). The application program may be stored in the memory 170 and installed on the mobile terminal 100 to be driven by the controller 180 to perform an operation (or function) of the mobile terminal.

제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 이동 단말기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.In addition to the operation related to the application program, the controller 180 typically controls the overall operation of the mobile terminal 100. The controller 180 may provide or process information or a function appropriate to a user by processing signals, data, information, and the like, which are input or output through the above-described components, or by driving an application program stored in the memory 170.

또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 4와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용프로그램의 구동을 위하여, 이동 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.In addition, the controller 180 may control at least some of the components described with reference to FIG. 4 in order to drive an application program stored in the memory 170. In addition, the controller 180 may operate by combining at least two or more of the components included in the mobile terminal 100 to drive the application program.

전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 이동 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.The power supply unit 190 receives power from an external power source and an internal power source under the control of the controller 180 to supply power to each component included in the mobile terminal 100. The power supply unit 190 includes a battery, which may be a built-in battery or a replaceable battery.

이하에서는, 위에서 살펴본 이동 단말기(100)를 통하여 구현되는 다양한 실시 예들을 살펴보기에 앞서, 위에서 열거된 구성요소들에 대하여 도 1a를 참조하여 보다 구체적으로 살펴본다.Hereinafter, the components listed above will be described in detail with reference to FIG. 1A before looking at various embodiments implemented through the mobile terminal 100 described above.

먼저, 무선 통신부(110)에 대하여 살펴보면, 무선 통신부(110)의 방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 상기 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 적어도 두 개의 방송 채널들에 대한 동시 방송 수신 또는 방송 채널 스위칭을 위해 둘 이상의 상기 방송 수신 모듈이 상기 이동단말기(100)에 제공될 수 있다.First, referring to the wireless communication unit 110, the broadcast receiving module 111 of the wireless communication unit 110 receives a broadcast signal and / or broadcast related information from an external broadcast management server through a broadcast channel. The broadcast channel may include a satellite channel and a terrestrial channel. Two or more broadcast receiving modules may be provided to the mobile terminal 100 for simultaneous broadcast reception or broadcast channel switching for at least two broadcast channels.

상기 방송 관리 서버는, 방송 신호 및/또는 방송 관련 정보를 생성하여 송신하는 서버 또는 기 생성된 방송 신호 및/또는 방송 관련 정보를 제공받아 단말기에 송신하는 서버를 의미할 수 있다. 상기 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 뿐만 아니라, TV 방송 신호 또는 라디오 방송 신호에 데이터 방송 신호가 결합한 형태의 방송 신호도 포함할 수 있다. The broadcast management server may mean a server that generates and transmits a broadcast signal and / or broadcast related information or a server that receives a previously generated broadcast signal and / or broadcast related information and transmits the same to a terminal. The broadcast signal may include not only a TV broadcast signal, a radio broadcast signal, and a data broadcast signal, but also a broadcast signal having a data broadcast signal combined with a TV broadcast signal or a radio broadcast signal.

상기 방송 신호는 디지털 방송 신호의 송수신을 위한 기술표준들(또는방송방식, 예를들어, ISO, IEC, DVB, ATSC 등) 중 적어도 하나에 따라 부호화될 수 있으며, 방송 수신 모듈(111)은 상기 기술 표준들에서 정한 기술규격에 적합한 방식을 이용하여 상기 디지털 방송 신호를 수신할 수 있다.The broadcast signal may be encoded according to at least one of technical standards (or broadcast methods, for example, ISO, IEC, DVB, ATSC, etc.) for transmitting and receiving digital broadcast signals, and the broadcast receiving module 111 may The digital broadcast signal may be received by using a method suitable for a technical standard set by technical standards.

상기 방송 관련 정보는, 방송 채널, 방송 프로그램 또는 방송 서비스 제공자에 관련된 정보를 의미할 수 있다. 상기 방송 관련 정보는, 이동통신망을 통하여도 제공될 수 있다. 이러한 경우에는 상기 이동통신 모듈(112)에 의해 수신될 수 있다. The broadcast associated information may mean information related to a broadcast channel, a broadcast program, or a broadcast service provider. The broadcast related information may also be provided through a mobile communication network. In this case, it may be received by the mobile communication module 112.

상기 방송 관련 정보는 예를 들어, DMB(Digital Multimedia Broadcasting)의 EPG(Electronic Program Guide) 또는 DVB-H(Digital Video Broadcast-Handheld)의 ESG(Electronic Service Guide) 등의 다양한 형태로 존재할 수 있다. 방송 수신 모듈(111)을 통해 수신된 방송 신호 및/또는 방송 관련 정보는 메모리(160)에 저장될 수 있다.The broadcast related information may exist in various forms such as an electronic program guide (EPG) of digital multimedia broadcasting (DMB) or an electronic service guide (ESG) of digital video broadcast-handheld (DVB-H). The broadcast signal and / or broadcast related information received through the broadcast receiving module 111 may be stored in the memory 160.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. The mobile communication module 112 may include technical standards or communication schemes (eg, Global System for Mobile communication (GSM), Code Division Multi Access (CDMA), Code Division Multi Access 2000 (CDMA2000), and EV). Enhanced Voice-Data Optimized or Enhanced Voice-Data Only (DO), Wideband CDMA (WCDMA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), LTE-A (Long Term Evolution-Advanced) and the like to transmit and receive a radio signal with at least one of a base station, an external terminal, a server on a mobile communication network.

상기 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. The wireless signal may include various types of data according to transmission and reception of a voice call signal, a video call call signal, or a text / multimedia message.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 이동 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.The wireless internet module 113 refers to a module for wireless internet access and may be embedded or external to the mobile terminal 100. The wireless internet module 113 is configured to transmit and receive wireless signals in a communication network according to wireless internet technologies.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있으며, 상기 무선 인터넷 모듈(113)은 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다.Examples of wireless Internet technologies include Wireless LAN (WLAN), Wireless-Fidelity (Wi-Fi), Wireless Fidelity (Wi-Fi) Direct, Digital Living Network Alliance (DLNA), Wireless Broadband (WiBro), and WiMAX (World). Interoperability for Microwave Access (HSDPA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), Long Term Evolution-Advanced (LTE-A), and the like. 113) transmits and receives data according to at least one wireless Internet technology in a range including the Internet technologies not listed above.

WiBro, HSDPA, HSUPA, GSM, CDMA, WCDMA, LTE, LTE-A 등에 의한 무선인터넷 접속은 이동통신망을 통해 이루어진다는 관점에서 본다면, 상기 이동통신망을 통해 무선인터넷 접속을 수행하는 상기 무선 인터넷 모듈(113)은 상기 이동통신 모듈(112)의 일종으로 이해될 수도 있다.In view of the fact that the wireless Internet access by WiBro, HSDPA, HSUPA, GSM, CDMA, WCDMA, LTE, LTE-A, etc. is made through a mobile communication network, the wireless Internet module 113 for performing a wireless Internet access through the mobile communication network 113 ) May be understood as a kind of mobile communication module 112.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다. 이러한, 근거리 통신 모듈(114)은, 근거리 무선 통신망(Wireless Area Networks)을 통해 이동 단말기(100)와 무선 통신 시스템 사이, 이동 단말기(100)와 다른 이동 단말기(100) 사이, 또는 이동 단말기(100)와 다른 이동 단말기(100, 또는 외부서버)가 위치한 네트워크 사이의 무선 통신을 지원할 수 있다. 상기 근거리 무선 통신망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.The short range communication module 114 is for short range communication, and includes Bluetooth ™, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, and NFC. (Near Field Communication), Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, Wireless USB (Wireless Universal Serial Bus) by using at least one of the technologies, it is possible to support near field communication. The short-range communication module 114 may be configured between the mobile terminal 100 and a wireless communication system, between the mobile terminal 100 and another mobile terminal 100, or through the wireless area network. ) And a network in which the other mobile terminal 100 (or an external server) is located. The short range wireless communication network may be a short range wireless personal area network.

여기에서, 다른 이동 단말기(100)는 본 발명에 따른 이동 단말기(100)와 데이터를 상호 교환하는 것이 가능한(또는 연동 가능한) 웨어러블 디바이스(wearable device, 예를 들어, 스마트워치(smartwatch), 스마트 글래스(smart glass), HMD(head mounted display))가 될 수 있다. 근거리 통신 모듈(114)은, 이동 단말기(100) 주변에, 상기 이동 단말기(100)와 통신 가능한 웨어러블 디바이스를 감지(또는 인식)할 수 있다. 나아가, 제어부(180)는 상기 감지된 웨어러블 디바이스가 본 발명에 따른 이동 단말기(100)와 통신하도록 인증된 디바이스인 경우, 이동 단말기(100)에서 처리되는 데이터의 적어도 일부를, 상기 근거리 통신 모듈(114)을 통해 웨어러블 디바이스로 전송할 수 있다. 따라서, 웨어러블 디바이스의 사용자는, 이동 단말기(100)에서 처리되는 데이터를, 웨어러블 디바이스를 통해 이용할 수 있다. 예를 들어, 이에 따르면 사용자는, 이동 단말기(100)에 전화가 수신된 경우, 웨어러블 디바이스를 통해 전화 통화를 수행하거나, 이동 단말기(100)에 메시지가 수신된 경우, 웨어러블 디바이스를 통해 상기 수신된 메시지를 확인하는 것이 가능하다.Here, the other mobile terminal 100 is a wearable device capable of exchanging (or interworking) data with the mobile terminal 100 according to the present invention (for example, smartwatch, smart glasses). (smart glass), head mounted display (HMD). The short range communication module 114 may sense (or recognize) a wearable device that can communicate with the mobile terminal 100, around the mobile terminal 100. Further, when the detected wearable device is a device that is authenticated to communicate with the mobile terminal 100 according to the present invention, the controller 180 may include at least a portion of data processed by the mobile terminal 100 in the short range communication module ( The transmission may be transmitted to the wearable device through 114. Therefore, the user of the wearable device may use data processed by the mobile terminal 100 through the wearable device. For example, according to this, when a user receives a phone call, the user performs a phone call through the wearable device, or when a message is received by the mobile terminal 100, the user receives the received call through the wearable device. It is possible to check the message.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 이동 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다. The location information module 115 is a module for obtaining a location (or current location) of a mobile terminal, and a representative example thereof is a Global Positioning System (GPS) module or a Wireless Fidelity (WiFi) module. For example, when the mobile terminal utilizes the GPS module, the mobile terminal may acquire the location of the mobile terminal using a signal transmitted from a GPS satellite.

다른 예로서, 이동 단말기는 Wi-Fi모듈을 활용하면, Wi-Fi모듈과 무선신호를 송신 또는 수신하는 무선 AP(Wireless Access Point)의 정보에 기반하여, 이동 단말기의 위치를 획득할 수 있다. 필요에 따라서, 위치정보모듈(115)은 치환 또는 부가적으로 이동 단말기의 위치에 관한 데이터를 얻기 위해 무선 통신부(110)의 다른 모듈 중 어느 기능을 수행할 수 있다. 위치정보모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위해 이용되는 모듈로, 이동 단말기의 위치를 직접적으로 계산하거나 획득하는 모듈로 한정되지는 않는다.As another example, when the mobile terminal utilizes the Wi-Fi module, the mobile terminal may acquire the location of the mobile terminal based on information of the wireless access point (AP) transmitting or receiving the Wi-Fi module and the wireless signal. If necessary, the location information module 115 may perform any function of other modules of the wireless communication unit 110 to substitute or additionally obtain data regarding the location of the mobile terminal. The location information module 115 is a module used to obtain the location (or current location) of the mobile terminal, and is not limited to a module that directly calculates or obtains the location of the mobile terminal.

다음으로, 입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 이동 단말기(100) 는 하나 또는 복수의 카메라(121)를 구비할 수 있다. 카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다. 한편, 이동 단말기(100)에 구비되는 복수의 카메라(121)는 매트릭스 구조를 이루도록 배치될 수 있으며, 이와 같이 매트릭스 구조를 이루는 카메라(121)를 통하여, 이동 단말기(100)에는 다양한 각도 또는 초점을 갖는 복수의 영상정보가 입력될 수 있다. 또한, 복수의 카메라(121)는 입체영상을 구현하기 위한 좌 영상 및 우 영상을 획득하도록, 스트레오 구조로 배치될 수 있다.Next, the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user. For input of image information, the mobile terminal 100 is one. Alternatively, the plurality of cameras 121 may be provided. The camera 121 processes image frames such as still images or moving images obtained by the image sensor in the video call mode or the photographing mode. The processed image frame may be displayed on the display unit 151 or stored in the memory 170. On the other hand, the plurality of cameras 121 provided in the mobile terminal 100 may be arranged to form a matrix structure, and through the camera 121 forming a matrix structure in this way, the mobile terminal 100 may have various angles or focuses. The plurality of pieces of image information may be input. In addition, the plurality of cameras 121 may be arranged in a stereo structure to acquire a left image and a right image for implementing a stereoscopic image.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 이동 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.The microphone 122 processes external sound signals into electrical voice data. The processed voice data may be variously used according to a function (or an application program being executed) performed by the mobile terminal 100. Meanwhile, various noise reduction algorithms may be implemented in the microphone 122 to remove noise generated in the process of receiving an external sound signal.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 제어부(180)는 입력된 정보에 대응되도록 이동 단말기(100)의 동작을 제어할 수 있다. 이러한, 사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 이동 단말기(100)의 전?후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.The user input unit 123 is for receiving information from a user. When information is input through the user input unit 123, the controller 180 may control an operation of the mobile terminal 100 to correspond to the input information. . The user input unit 123 may be a mechanical input unit (or a mechanical key, for example, a button, a dome switch, a jog wheel, or the like located at the front or rear or side of the mobile terminal 100). Jog switch, etc.) and touch input means. As an example, the touch input means may include a virtual key, a soft key, or a visual key displayed on the touch screen through a software process, or a portion other than the touch screen. The virtual key or the visual key may be displayed on the touch screen while having various forms, for example, graphic or text. ), An icon, a video, or a combination thereof.

한편, 센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하고, 이에 대응하는 센싱 신호를 발생시킨다. 제어부(180)는 이러한 센싱 신호에 기초하여, 이동 단말기(100)의 구동 또는 동작을 제어하거나, 이동 단말기(100)에 설치된 응용 프로그램과 관련된 데이터 처리, 기능 또는 동작을 수행 할 수 있다. 센싱부(140)에 포함될 수 있는 다양한 센서 중 대표적인 센서들의 대하여, 보다 구체적으로 살펴본다.Meanwhile, the sensing unit 140 senses at least one of information in the mobile terminal, surrounding environment information surrounding the mobile terminal, and user information, and generates a sensing signal corresponding thereto. The controller 180 may control driving or operation of the mobile terminal 100 or perform data processing, function or operation related to an application program installed in the mobile terminal 100 based on the sensing signal. Representative sensors among various sensors that may be included in the sensing unit 140 will be described in more detail.

먼저, 근접 센서(141)는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선 등을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 이러한 근접 센서(141)는 위에서 살펴본 터치 스크린에 의해 감싸지는 이동 단말기의 내부 영역 또는 상기 터치 스크린의 근처에 근접 센서(141)가 배치될 수 있다. First, the proximity sensor 141 refers to a sensor that detects the presence or absence of an object approaching a predetermined detection surface or an object present in the vicinity without using a mechanical contact by using an electromagnetic force or infrared rays. The proximity sensor 141 may be disposed in an inner region of the mobile terminal covered by the touch screen described above or near the touch screen.

근접 센서(141)의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전 용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 터치 스크린이 정전식인 경우에, 근접 센서(141)는 전도성을 갖는 물체의 근접에 따른 전계의 변화로 상기 물체의 근접을 검출하도록 구성될 수 있다. 이 경우 터치 스크린(또는 터치 센서) 자체가 근접 센서로 분류될 수 있다. Examples of the proximity sensor 141 include a transmission photoelectric sensor, a direct reflection photoelectric sensor, a mirror reflection photoelectric sensor, a high frequency oscillation proximity sensor, a capacitive proximity sensor, a magnetic proximity sensor, and an infrared proximity sensor. In the case where the touch screen is capacitive, the proximity sensor 141 may be configured to detect the proximity of the object by the change of the electric field according to the proximity of the conductive object. In this case, the touch screen (or touch sensor) itself may be classified as a proximity sensor.

한편, 설명의 편의를 위해, 터치 스크린 상에 물체가 접촉되지 않으면서 근접되어 상기 물체가 상기 터치 스크린 상에 위치함이 인식되도록 하는 행위를 "근접 터치(proximity touch)"라고 명명하고, 상기 터치 스크린 상에 물체가 실제로 접촉되는 행위를 "접촉 터치(contact touch)"라고 명명한다. 상기 터치 스크린 상에서 물체가 근접 터치 되는 위치라 함은, 상기 물체가 근접 터치될 때 상기 물체가 상기 터치 스크린에 대해 수직으로 대응되는 위치를 의미한다. 상기 근접 센서(141)는, 근접 터치와, 근접 터치 패턴(예를 들어, 근접 터치 거리, 근접 터치 방향, 근접 터치 속도, 근접 터치 시간, 근접 터치 위치, 근접 터치 이동 상태 등)을 감지할 수 있다. On the other hand, for convenience of explanation, an action of allowing the object to be recognized without being in contact with the touch screen so that the object is located on the touch screen is referred to as a "proximity touch", and the touch The act of actually touching an object on a screen is called a "contact touch." The position at which the object is in close proximity touch on the touch screen means a position where the object is perpendicular to the touch screen when the object is in close proximity touch. The proximity sensor 141 may detect a proximity touch and a proximity touch pattern (for example, a proximity touch distance, a proximity touch direction, a proximity touch speed, a proximity touch time, a proximity touch position, and a proximity touch movement state). have.

한편, 제어부(180)는 위와 같이, 근접 센서(141)를 통해 감지된 근접 터치 동작 및 근접 터치 패턴에 상응하는 데이터(또는 정보)를 처리하며, 나아가, 처리된 데이터에 대응하는 시각적인 정보를 터치 스크린상에 출력시킬 수 있다. 나아가, 제어부(180)는, 터치 스크린 상의 동일한 지점에 대한 터치가, 근접 터치인지 또는 접촉 터치인지에 따라, 서로 다른 동작 또는 데이터(또는 정보)가 처리되도록 이동 단말기(100)를 제어할 수 있다.Meanwhile, the controller 180 processes data (or information) corresponding to the proximity touch operation and the proximity touch pattern detected through the proximity sensor 141 as described above, and further, provides visual information corresponding to the processed data. It can be output on the touch screen. Further, the controller 180 may control the mobile terminal 100 to process different operations or data (or information) according to whether the touch on the same point on the touch screen is a proximity touch or a touch touch. .

터치 센서는 저항막 방식, 정전용량 방식, 적외선 방식, 초음파 방식, 자기장 방식 등 여러 가지 터치방식 중 적어도 하나를 이용하여 터치 스크린(또는 디스플레이부(151))에 가해지는 터치(또는 터치입력)을 감지한다.The touch sensor applies a touch (or touch input) applied to the touch screen (or the display unit 151) using at least one of various touch methods such as a resistive film method, a capacitive method, an infrared method, an ultrasonic method, and a magnetic field method. Detect.

일 예로서, 터치 센서는, 터치 스크린의 특정 부위에 가해진 압력 또는 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 스크린 상에 터치를 가하는 터치 대상체가 터치 센서 상에 터치 되는 위치, 면적, 터치 시의 압력, 터치 시의 정전 용량 등을 검출할 수 있도록 구성될 수 있다. 여기에서, 터치 대상체는 상기 터치 센서에 터치를 인가하는 물체로서, 예를 들어, 손가락, 터치펜 또는 스타일러스 펜(Stylus pen), 포인터 등이 될 수 있다. As an example, the touch sensor may be configured to convert a change in pressure applied to a specific portion of the touch screen or capacitance generated at the specific portion into an electrical input signal. The touch sensor may be configured to detect a position, an area, a pressure at the touch, a capacitance at the touch, and the like, when the touch object applying the touch on the touch screen is touched on the touch sensor. Here, the touch object is an object applying a touch to the touch sensor and may be, for example, a finger, a touch pen or a stylus pen, a pointer, or the like.

이와 같이, 터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(180)로 전송한다. 이로써, 제어부(180)는 디스플레이부(151)의 어느 영역이 터치 되었는지 여부 등을 알 수 있게 된다. 여기에서, 터치 제어기는, 제어부(180)와 별도의 구성요소일 수 있고, 제어부(180) 자체일 수 있다.As such, when there is a touch input to the touch sensor, the corresponding signal (s) is sent to the touch controller. The touch controller processes the signal (s) and then transmits the corresponding data to the controller 180. As a result, the controller 180 can know which area of the display unit 151 is touched. Here, the touch controller may be a separate component from the controller 180 or may be the controller 180 itself.

한편, 제어부(180)는, 터치 스크린(또는 터치 스크린 이외에 구비된 터치키)을 터치하는, 터치 대상체의 종류에 따라 서로 다른 제어를 수행하거나, 동일한 제어를 수행할 수 있다. 터치 대상체의 종류에 따라 서로 다른 제어를 수행할지 또는 동일한 제어를 수행할 지는, 현재 이동 단말기(100)의 동작상태 또는 실행 중인 응용 프로그램에 따라 결정될 수 있다. Meanwhile, the controller 180 may perform different control or perform the same control according to the type of touch object that touches the touch screen (or a touch key provided in addition to the touch screen). Whether to perform different control or the same control according to the type of touch object may be determined according to the operation state of the mobile terminal 100 or an application program being executed.

한편, 위에서 살펴본 터치 센서 및 근접 센서는 독립적으로 또는 조합되어, 터치 스크린에 대한 숏(또는 탭) 터치(short touch), 롱 터치(long touch), 멀티 터치(multi touch), 드래그 터치(drag touch), 플리크 터치(flick touch), 핀치-인 터치(pinch-in touch), 핀치-아웃 터치(pinch-out 터치), 스와이프(swype) 터치, 호버링(hovering) 터치 등과 같은, 다양한 방식의 터치를 센싱할 수 있다.Meanwhile, the touch sensor and the proximity sensor described above may be independently or combined, and may be a short (or tap) touch, a long touch, a multi touch, a drag touch on a touch screen. ), Flick touch, pinch-in touch, pinch-out touch, swipe touch, hovering touch, etc. A touch can be sensed.

초음파 센서는 초음파를 이용하여, 감지대상의 위치정보를 인식할 수 있다. 한편 제어부(180)는 광 센서와 복수의 초음파 센서로부터 감지되는 정보를 통해, 파동 발생원의 위치를 산출하는 것이 가능하다. 파동 발생원의 위치는, 광이 초음파보다 매우 빠른 성질, 즉, 광이 광 센서에 도달하는 시간이 초음파가 초음파 센서에 도달하는 시간보다 매우 빠름을 이용하여, 산출될 수 있다. 보다 구체적으로 광을 기준 신호로 초음파가 도달하는 시간과의 시간차를 이용하여 파동 발생원의 위치가 산출될 수 있다.The ultrasonic sensor may recognize location information of a sensing object using ultrasonic waves. On the other hand, the controller 180 can calculate the position of the wave generation source through the information detected from the optical sensor and the plurality of ultrasonic sensors. The position of the wave source can be calculated using the property that the light is much faster than the ultrasonic wave, that is, the time that the light reaches the optical sensor is much faster than the time when the ultrasonic wave reaches the ultrasonic sensor. More specifically, the position of the wave generation source may be calculated using a time difference from the time when the ultrasonic wave reaches the light as the reference signal.

한편, 입력부(120)의 구성으로 살펴본, 카메라(121)는 카메라 센서(예를 들어, CCD, CMOS 등), 포토 센서(또는 이미지 센서) 및 레이저 센서 중 적어도 하나를 포함한다.On the other hand, the camera 121, which has been described as the configuration of the input unit 120, includes at least one of a camera sensor (eg, CCD, CMOS, etc.), a photo sensor (or an image sensor), and a laser sensor.

카메라(121)와 레이저 센서는 서로 조합되어, 3차원 입체영상에 대한 감지대상의 터치를 감지할 수 있다. 포토 센서는 디스플레이 소자에 적층될 수 있는데, 이러한 포토 센서는 터치 스크린에 근접한 감지대상의 움직임을 스캐닝하도록 이루어진다. 보다 구체적으로, 포토 센서는 행/열에 Photo Diode와 TR(Transistor)를 실장하여 Photo Diode에 인가되는 빛의 양에 따라 변화되는 전기적 신호를 이용하여 포토 센서 위에 올려지는 내용물을 스캔한다. 즉, 포토 센서는 빛의 변화량에 따른 감지대상의 좌표 계산을 수행하며, 이를 통하여 감지대상의 위치정보가 획득될 수 있다.The camera 121 and the laser sensor may be combined with each other to detect a touch of a sensing object with respect to a 3D stereoscopic image. The photo sensor may be stacked on the display element, which is configured to scan the movement of the sensing object in proximity to the touch screen. More specifically, the photo sensor mounts a photo diode and a transistor (TR) in a row / column and scans contents mounted on the photo sensor by using an electrical signal that varies according to the amount of light applied to the photo diode. That is, the photo sensor calculates coordinates of the sensing object according to the amount of light change, and thus, the position information of the sensing object can be obtained.

디스플레이부(151)는 이동 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 이동 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다. The display unit 151 displays (outputs) information processed by the mobile terminal 100. For example, the display unit 151 may display execution screen information of an application program driven in the mobile terminal 100 or user interface (UI) and graphical user interface (GUI) information according to the execution screen information. .

또한, 상기 디스플레이부(151)는 입체영상을 표시하는 입체 디스플레이부로서 구성될 수 있다. 상기 입체 디스플레이부에는 스테레오스코픽 방식(안경 방식), 오토 스테레오스코픽 방식(무안경 방식), 프로젝션 방식(홀로그래픽 방식) 등의 3차원 디스플레이 방식이 적용될 수 있다.In addition, the display unit 151 may be configured as a stereoscopic display unit for displaying a stereoscopic image. The stereoscopic display unit may be a three-dimensional display method such as a stereoscopic method (glasses method), an auto stereoscopic method (glasses-free method), a projection method (holographic method).

일반적으로 3차원 입체 영상은 좌 영상(좌안용 영상)과 우 영상(우안용 영상)으로 구성된다. 좌 영상과 우 영상이 3차원 입체 영상으로 합쳐지는 방식에 따라, 좌 영상과 우 영상을 한 프레임 내 상하로 배치하는 탑-다운(top-down) 방식, 좌 영상과 우 영상을 한 프레임 내 좌우로 배치하는 L-to-R(left-to-right, side by side) 방식, 좌 영상과 우 영상의 조각들을 타일 형태로 배치하는 체커 보드(checker board) 방식, 좌 영상과 우 영상을 열 단위 또는 행 단위로 번갈아 배치하는 인터레이스드(interlaced) 방식, 그리고 좌 영상과 우 영상을 시간 별로 번갈아 표시하는 시분할(time sequential, frame by frame) 방식 등으로 나뉜다.Generally, a 3D stereoscopic image is composed of a left image (left eye image) and a right image (right eye image). A top-down method in which the left and right images are arranged up and down in one frame according to the way in which the left and right images are merged into three-dimensional stereoscopic images. L-to-R (left-to-right, side by side) method to be arranged as a checker board method to arrange the pieces of the left and right images in the form of tiles, a column unit of the left and right images Or an interlaced method of alternately arranging rows, and a time sequential (frame by frame) method of alternately displaying left and right images by time.

또한, 3차원 썸네일 영상은 원본 영상 프레임의 좌 영상 및 우 영상으로부터 각각 좌 영상 썸네일 및 우 영상 썸네일을 생성하고, 이들이 합쳐짐에 따라 하나의 영상으로 생성될 수 있다. 일반적으로 썸네일(thumbnail)은 축소된 화상 또는 축소된 정지영상을 의미한다. 이렇게 생성된 좌 영상 썸네일과 우 영상 썸네일은 좌 영상과 우 영상의 시차에 대응하는 깊이감(depth)만큼 화면 상에서 좌우 거리차를 두고 표시됨으로써 입체적인 공간감을 나타낼 수 있다.In addition, the 3D thumbnail image may generate a left image thumbnail and a right image thumbnail from the left image and the right image of the original image frame, respectively, and may be generated as one image as they are combined. In general, a thumbnail refers to a reduced image or a reduced still image. The left image thumbnail and the right image thumbnail generated as described above are displayed with a left and right distance difference on the screen by a depth corresponding to the parallax of the left image and the right image, thereby representing a three-dimensional space.

3차원 입체영상의 구현에 필요한 좌 영상과 우 영상은 입체 처리부에 의하여 입체 디스플레이부에 표시될 수 있다. 입체 처리부는 3D 영상(기준시점의 영상과 확장시점의 영상)을 입력 받아 이로부터 좌 영상과 우 영상을 설정하거나, 2D 영상을 입력 받아 이를 좌 영상과 우 영상으로 전환하도록 이루어진다.The left image and the right image necessary for implementing the 3D stereoscopic image may be displayed on the stereoscopic display by the stereoscopic processing unit. The stereoscopic processing unit receives 3D images (images of the base view and images of the extended view) and sets left and right images therefrom, or receives 2D images and converts them into left and right images.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다. 음향출력부(152)는 이동 단말기(100)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음 등)과 관련된 음향 신호를 출력하기도 한다. 이러한 음향 출력부(152)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.The sound output unit 152 may output audio data received from the wireless communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like. The sound output unit 152 may also output a sound signal related to a function (for example, a call signal reception sound or a message reception sound) performed in the mobile terminal 100. The sound output unit 152 may include a receiver, a speaker, a buzzer, and the like.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다. 햅틱 모듈(153)에서 발생하는 진동의 세기와 패턴 등은 사용자의 선택 또는 제어부의 설정에 의해 제어될 수 있다. 예를 들어, 상기햅틱 모듈(153)은 서로 다른 진동을 합성하여 출력하거나 순차적으로 출력할 수도 있다.The haptic module 153 generates various haptic effects that a user can feel. A representative example of the tactile effect generated by the haptic module 153 may be vibration. The intensity and pattern of vibration generated by the haptic module 153 may be controlled by the user's selection or the setting of the controller. For example, the haptic module 153 may output different synthesized vibrations or sequentially output them.

햅틱 모듈(153)은, 진동 외에도, 접촉 피부면에 대해 수직 운동하는 핀 배열, 분사구나 흡입구를 통한 공기의 분사력이나 흡입력, 피부 표면에 대한 스침, 전극(electrode)의 접촉, 정전기력 등의 자극에 의한 효과와, 흡열이나 발열 가능한 소자를 이용한 냉온감 재현에 의한 효과 등 다양한 촉각 효과를 발생시킬 수 있다.In addition to vibration, the haptic module 153 may be used to stimulate pins that vertically move with respect to the contact skin surface, jetting force or suction force of air through the jetting or suction port, grazing to the skin surface, contact of electrodes, and electrostatic force. Various tactile effects can be generated, such as effects by the endothermic and the reproduction of a sense of cold using the elements capable of endotherm or heat generation.

햅틱 모듈(153)은 직접적인 접촉을 통해 촉각 효과를 전달할 수 있을 뿐만 아니라, 사용자가 손가락이나 팔 등의 근 감각을 통해 촉각 효과를 느낄 수 있도록 구현할 수도 있다. 햅틱 모듈(153)은 이동 단말기(100)의 구성 태양에 따라 2개 이상이 구비될 수 있다.The haptic module 153 may not only deliver a tactile effect through direct contact, but also may allow a user to feel the tactile effect through a muscle sense such as a finger or an arm. Two or more haptic modules 153 may be provided according to a configuration aspect of the mobile terminal 100.

광출력부(154)는 이동 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 이동 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.The light output unit 154 outputs a signal for notifying occurrence of an event by using light of a light source of the mobile terminal 100. Examples of events occurring in the mobile terminal 100 may be message reception, call signal reception, missed call, alarm, schedule notification, email reception, information reception through an application, and the like.

광출력부(154)가 출력하는 신호는 이동 단말기가 전면이나 후면으로 단색이나 복수색의 빛을 발광함에 따라 구현된다. 상기 신호 출력은 이동 단말기가 사용자의 이벤트확인을 감지함에 의하여 종료될 수 있다.The signal output from the light output unit 154 is implemented as the mobile terminal emits light of a single color or a plurality of colors to the front or the rear. The signal output may be terminated by the mobile terminal detecting the user's event confirmation.

인터페이스부(160)는 이동 단말기(100)에 연결되는 모든 외부 기기와의 통로 역할을 한다. 인터페이스부(160)는 외부 기기로부터 데이터를 전송 받거나, 전원을 공급받아 이동 단말기(100) 내부의 각 구성요소에 전달하거나, 이동 단말기(100) 내부의 데이터가 외부 기기로 전송되도록 한다. 예를 들어, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트(port), 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 등이 인터페이스부(160)에 포함될 수 있다.The interface unit 160 serves as a path to all external devices connected to the mobile terminal 100. The interface unit 160 receives data from an external device, receives power, transfers the power to each component inside the mobile terminal 100, or transmits data inside the mobile terminal 100 to an external device. For example, a port connecting a device equipped with a wired / wireless headset port, an external charger port, a wired / wireless data port, a memory card port, and an identification module. The port, audio input / output (I / O) port, video input / output (I / O) port, earphone port, etc. may be included in the interface unit 160.

한편, 식별 모듈은 이동 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.On the other hand, the identification module is a chip that stores a variety of information for authenticating the usage rights of the mobile terminal 100, a user identification module (UIM), subscriber identity module (SIM), universal user authentication And a universal subscriber identity module (USIM). A device equipped with an identification module (hereinafter referred to as an 'identification device') may be manufactured in the form of a smart card. Therefore, the identification device may be connected to the terminal 100 through the interface unit 160.

또한, 상기 인터페이스부(160)는 이동 단말기(100)가 외부 크래들(cradle)과 연결될 때 상기 크래들로부터의 전원이 상기 이동 단말기(100)에 공급되는 통로가 되거나, 사용자에 의해 상기 크래들에서 입력되는 각종 명령 신호가 상기 이동 단말기(100)로 전달되는 통로가 될 수 있다. 상기 크래들로부터 입력되는 각종 명령 신호 또는 상기 전원은 상기 이동 단말기(100)가 상기 크래들에 정확히 장착되었음을 인지하기 위한 신호로 동작될 수 있다.In addition, when the mobile terminal 100 is connected to an external cradle, the interface unit 160 may be a passage for supplying power from the cradle to the mobile terminal 100 or may be input from the cradle by a user. Various command signals may be a passage through which the mobile terminal 100 is transmitted. Various command signals or power input from the cradle may operate as signals for recognizing that the mobile terminal 100 is correctly mounted on the cradle.

메모리(170)는 제어부(180)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 폰북, 메시지, 정지영상, 동영상 등)을 임시 저장할 수도 있다. 상기 메모리(170)는 상기 터치 스크린 상의 터치 입력시 출력되는 다양한 패턴의 진동 및 음향에 관한 데이터를 저장할 수 있다.The memory 170 may store a program for the operation of the controller 180 and may temporarily store input / output data (for example, a phone book, a message, a still image, a video, etc.). The memory 170 may store data regarding vibration and sound of various patterns output when a touch input on the touch screen is performed.

메모리(170)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 이동 단말기(100)는 인터넷(internet)상에서 상기 메모리(170)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작될 수도 있다.The memory 170 may include a flash memory type, a hard disk type, a solid state disk type, an SSD type, a silicon disk drive type, and a multimedia card micro type. ), Card-type memory (e.g., SD or XD memory), random access memory (RAM), static random access memory (SRAM), read-only memory (ROM), electrically erasable programmable read It may include at least one type of storage medium of -only memory (PROM), programmable read-only memory (PROM), magnetic memory, magnetic disk and optical disk. The mobile terminal 100 may be operated in connection with a web storage that performs a storage function of the memory 170 on the Internet.

한편, 앞서 살펴본 것과 같이, 제어부(180)는 응용 프로그램과 관련된 동작과, 통상적으로 이동 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 제어부(180)는 상기 이동 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다. On the other hand, as described above, the controller 180 controls the operation related to the application program, and generally the overall operation of the mobile terminal 100. For example, if the state of the mobile terminal satisfies a set condition, the controller 180 may execute or release a lock state that restricts input of a user's control command to applications.

또한, 제어부(180)는 음성 통화, 데이터 통신, 화상 통화 등과 관련된 제어 및 처리를 수행하거나, 터치 스크린 상에서 행해지는 필기 입력 또는 그림 그리기 입력을 각각 문자 및 이미지로 인식할 수 있는 패턴 인식 처리를 행할 수 있다. 나아가 제어부(180)는 이하에서 설명되는 다양한 실시 예들을 본 발명에 따른 이동 단말기(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.In addition, the controller 180 may perform control and processing related to voice call, data communication, video call, or the like, or may perform pattern recognition processing for recognizing handwriting input or drawing input performed on a touch screen as text and images, respectively. Can be. Furthermore, the controller 180 may control any one or a plurality of components described above in order to implement various embodiments described below on the mobile terminal 100 according to the present invention.

전원 공급부(190)는 제어부(180)의 제어에 의해 외부의 전원, 내부의 전원을 인가 받아 각 구성요소들의 동작에 필요한 전원을 공급한다. 전원공급부(190)는 배터리를 포함하며, 배터리는 충전 가능하도록 이루어지는 내장형 배터리가 될 수 있으며, 충전 등을 위하여 단말기 바디에 착탈 가능하게 결합될 수 있다.The power supply unit 190 receives an external power source and an internal power source under the control of the controller 180 to supply power for operation of each component. The power supply unit 190 includes a battery, and the battery may be a built-in battery configured to be rechargeable, and may be detachably coupled to the terminal body for charging.

또한, 전원공급부(190)는 연결포트를 구비할 수 있으며, 연결포트는 배터리의 충전을 위하여 전원을 공급하는 외부 충전기가 전기적으로 연결되는 인터페이스(160)의 일 예로서 구성될 수 있다.In addition, the power supply unit 190 may be provided with a connection port, the connection port may be configured as an example of the interface 160 is electrically connected to the external charger for supplying power for charging the battery.

다른 예로서, 전원공급부(190)는 상기 연결포트를 이용하지 않고 무선방식으로 배터리를 충전하도록 이루어질 수 있다. 이 경우에, 전원공급부(190)는외부의 무선 전력 전송장치로부터 자기 유도 현상에 기초한 유도 결합(Inductive Coupling) 방식이나 전자기적 공진 현상에 기초한 공진 결합(Magnetic Resonance Coupling) 방식 중 하나 이상을 이용하여 전력을 전달받을 수 있다.As another example, the power supply unit 190 may be configured to charge the battery in a wireless manner without using the connection port. In this case, the power supply unit 190 may use at least one of an inductive coupling based on a magnetic induction phenomenon or a magnetic resonance coupling based on an electromagnetic resonance phenomenon from an external wireless power transmitter. Power can be delivered.

한편, 이하에서 다양한 실시 예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.Meanwhile, various embodiments of the present disclosure may be implemented in a recording medium readable by a computer or a similar device using, for example, software, hardware, or a combination thereof.

한편 입력부(120)와 센싱부(140)를 별도의 구성 요소로 설명하였으나 이에 한정되지 않으며, 센싱부(140)는 입력부(120)를 포함할 수 있다.Meanwhile, although the input unit 120 and the sensing unit 140 have been described as separate components, the present disclosure is not limited thereto, and the sensing unit 140 may include the input unit 120.

한편 인공지능 장치(10)는, 이동 단말기(100)의 구성 요소를 포함하고 이동 단말기(100)에서 수행되는 기능을 수행할 수 있다.Meanwhile, the artificial intelligence device 10 may include a component of the mobile terminal 100 and perform a function performed by the mobile terminal 100.

도 5는 본 발명의 실시 예에 따른 인공지능 서버(20)를 설명하기 위한 블록도이다.5 is a block diagram illustrating an artificial intelligence server 20 according to an embodiment of the present invention.

인공지능 서버(20)는 통신부(210), 인공지능부(230) 및 저장부(220)를 포함할 수 있다.The artificial intelligence server 20 may include a communication unit 210, an artificial intelligence unit 230, and a storage unit 220.

통신부(210)는 외부 장치와 통신할 수 있다. The communicator 210 may communicate with an external device.

구체적으로 통신부(210)는 인공지능 장치(10)와 연결되어, 인공지능부(230)의 제어 하에, 인공지능 장치(10)와 데이터를 송수신 할 수 있다.In detail, the communication unit 210 may be connected to the artificial intelligence device 10 to transmit / receive data with the artificial intelligence device 10 under the control of the artificial intelligence unit 230.

인공지능부(230)는 통신부(210)를 통하여 인공지능 장치(10)로부터 특징 데이터를 수신하고, 딥 러닝 모델을 이용하여 수신된 특징 데이터에 대응하는 제2 센싱 데이터를 생성할 수 있다.The artificial intelligence unit 230 may receive feature data from the artificial intelligence device 10 through the communication unit 210, and generate second sensing data corresponding to the received feature data using the deep learning model.

또한 인공지능부(230)는 제2 센싱 데이터을 이용하여 인식 모델을 트레이닝 하고, 트레이닝된 인식 모델을 통신부(210)를 통하여 인공지능 장치(10)에 전송할 수 있다.In addition, the artificial intelligence unit 230 may train the recognition model using the second sensing data, and transmit the trained recognition model to the artificial intelligence device 10 through the communication unit 210.

한편 저장부(220)는 딥 러닝 모델의 구동을 위한 프로그램 및 인식 모델에 대응하는 프로그램을 저장할 수 있다.The storage unit 220 may store a program for driving the deep learning model and a program corresponding to the recognition model.

한편 본 명세서에서, 용어 저장부(220)는 용어 메모리와 혼용되어 사용될 수 있다.Meanwhile, in the present specification, the term storage unit 220 may be used interchangeably with the term memory.

또한 본 명세서에서, 용어 인공지능부(230)는 용어 인공지능 컨트롤러, 인공지능 프로세서와 혼용되어 사용될 수 있다.In addition, in the present specification, the term AI unit 230 may be used interchangeably with the term AI controller and AI processor.

도 6은 본 발명의 실시 예에 따른 인공지능 시스템의 동작 방법을 설명하기 위한 도면이다.6 is a view for explaining a method of operating an artificial intelligence system according to an embodiment of the present invention.

도 7은 본 발명의 실시 예에 따른, 센싱 데이터로부터 특징 데이터를 추출하고, 특징 데이터를 이용하여 제2 센싱 데이터를 획득한 후 인식 모델을 업데이트 하는 과정을 설명하기 위한 도면이다.FIG. 7 is a diagram for describing a process of extracting feature data from sensing data and updating a recognition model after acquiring second sensing data using the feature data according to an embodiment of the present invention.

도 6과 도 7을 함께 참고하여 설명한다.This will be described with reference to FIGS. 6 and 7.

인공지능 장치(10)의 인공지능부(130)는 센싱부(140)를 통하여 센싱 데이터를 수신할 수 있다(S605).The artificial intelligence unit 130 of the artificial intelligence device 10 may receive sensing data through the sensing unit 140 (S605).

여기서 센싱 데이터는 인공지능 서비스를 제공하기 위하여 획득하는 데이터일 수 있다.The sensing data may be data acquired to provide an artificial intelligence service.

예를 들어 인공지능 서비스가 음성 인식 서비스인 경우, 인공지능부(130)는 마이크로폰(122)을 통하여 음성 데이터를 획득할 수 있다.For example, when the artificial intelligence service is a voice recognition service, the artificial intelligence unit 130 may obtain voice data through the microphone 122.

다른 예를 들어 인공지능 서비스가 영상 인식 서비스이거나 자율 이동을 위한 인식 서비스인 경우, 인공지능부(130)는 카메라(121)를 통하여 영상 데이터를 획득할 수 잇다.For another example, when the artificial intelligence service is an image recognition service or a recognition service for autonomous movement, the artificial intelligence unit 130 may obtain image data through the camera 121.

한편 인공지능부(130)는 수신된 센싱 데이터를 이용하여 음성 인식 서비스를 수행할 수 있다.Meanwhile, the artificial intelligence unit 130 may perform a voice recognition service using the received sensing data.

구체적으로 인공지능부(130)는 인식 모델(710)에 센싱 데이터를 입력하고, 인식 모델(710)이 출력하는 인식 결과를 이용하여 인공지능 서비스를 제공할 수 있다.In detail, the artificial intelligence unit 130 may input sensing data into the recognition model 710 and provide an artificial intelligence service using the recognition result output from the recognition model 710.

예를 들어 인공지능 서비스가 음성 인식 서비스인 경우 인식 모델(710)은 음성에 포함되는 단어의 의미에 대한 정보를 출력할 수 있다. 이 경우 인공지능부(130)는 단어에 대응하는 기능을 수행할 수 있다.For example, when the artificial intelligence service is a voice recognition service, the recognition model 710 may output information about the meaning of a word included in the voice. In this case, the artificial intelligence unit 130 may perform a function corresponding to a word.

다른 예를 들어 인공지능 서비스가 영상 인식 서비스인 경우 인식 모델(710)은 영상에 포함되는 오브젝트의 식별 결과를 출력할 수 있다. 이 경우 인공지능부(130)는 식별 결과에 기초하여 인증 성공 또는 인증 실패를 결정하고, 인증 성공 또는 인증 실패에 따른 동작을 수행할 수 있다.For another example, when the artificial intelligence service is an image recognition service, the recognition model 710 may output an identification result of an object included in an image. In this case, the artificial intelligence unit 130 may determine authentication success or authentication failure based on the identification result, and perform an operation according to authentication success or authentication failure.

다른 예를 들어 인공지능 서비스가 자율 이동을 위한 인식 서비스인 경우, 인공지능부(130)는 영상에 포함되는 오브젝트의 식별 결과를 출력할 수 있다. 이 경우 인공지능부(130)는 식별 결과에 기초하여 인공지능 장치(10)의 이동 경로를 설정할 수 있다.For another example, when the artificial intelligence service is a recognition service for autonomous movement, the artificial intelligence unit 130 may output an identification result of the object included in the image. In this case, the artificial intelligence unit 130 may set a movement path of the artificial intelligence device 10 based on the identification result.

한편 인공지능부(130)는 센싱 데이터로부터 특징을 추출한 특징 데이터를 획득할 수 있다(S610).Meanwhile, the artificial intelligence unit 130 may obtain feature data from which the feature is extracted from the sensing data (S610).

이 경우 인공지능부(130)는 센싱 데이터를 이용하여 인공지능 서비스를 제공하는 것에 실패하는 경우, 센싱 데이터로부터 특징을 추출한 특징 데이터를 획득할 수 있다.In this case, if the artificial intelligence unit 130 fails to provide an artificial intelligence service using the sensing data, the artificial intelligence unit 130 may obtain feature data extracted from the sensing data.

예를 들어 인공지능 서비스가 음성 인식 서비스인 경우, 인공지능부(130)는 음성에 포함되는 단어의 의미에 대한 정보를 출력할 수 없을 때 센싱 데이터로부터 특징을 추출한 특징 데이터를 생성할 수 있다.For example, when the artificial intelligence service is a voice recognition service, the artificial intelligence unit 130 may generate feature data extracted from the sensing data when the information on the meaning of a word included in the voice cannot be output.

다른 예를 들어 인공지능 서비스가 영상 인식 서비스인 경우, 인공지능부(130)는 오브젝트의 식별 결과의 정확도가 떨어져서 인증이 실패하면 센싱 데이터로부터 특징을 추출한 특징 데이터를 생성할 수 있다.For another example, when the artificial intelligence service is an image recognition service, the artificial intelligence unit 130 may generate feature data obtained by extracting a feature from the sensing data when the authentication fails due to poor accuracy of the identification result of the object.

다른 예를 들어 인공지능 서비스가 자율 이동을 위한 인식 서비스인 경우, 인식 모델의 식별 결과에 따라 이동 경로를 설정하였으나 경로에 따라 이동하는 중 충돌의 발생이 감지되면, 인공지능부(130)는 센싱 데이터로부터 특징을 추출한 특징 데이터를 생성할 수 있다.For another example, when the artificial intelligence service is a recognition service for autonomous movement, if the movement path is set according to the identification result of the recognition model but a collision is detected while moving along the path, the artificial intelligence unit 130 senses Feature data from which features are extracted from the data can be generated.

여기서 특징은, 인공지능 서비스 제공의 성공 또는 실패에 영향을 미치는 정보일 수 있다.The feature may be information that affects the success or failure of the AI service provision.

예를 들어 인공지능 서비스가 음성 인식 서비스이고, 억양, 속도, 화자의 성별이 음성 인식 서비스 제공의 성공 또는 실패에 영향을 미치는 경우, 특징은 억양, 속도 및 남녀의 성별 중 적어도 하나를 포함할 수 있다.For example, if the AI service is a voice recognition service, and the intonation, speed, and gender of the speaker affect the success or failure of providing the voice recognition service, the characteristic may include at least one of the intonation, the speed, and the sex of the sexes. have.

다른 예를 들어 인공지능 서비스가 영상 인식 서비스이고, 사용자의 얼굴 표정이 영상 인식 서비스 제공의 성공 또는 실패에 영향을 미치는 경우, 특징은 사용자의 표정을 포함할 수 있다.For another example, if the artificial intelligence service is an image recognition service and the facial expression of the user affects the success or failure of providing the image recognition service, the feature may include the expression of the user.

다른 예를 들어 인공지능 서비스가 자율 이동을 위한 인식 서비스이고, 영상의 조도, 물체의 위치, 물체의 색상, 물체의 형태, 물체의 방향, 물체와 배경과의 관계가 인식 서비스 제공의 성공 또는 실패에 영향을 미치는 경우, 특징은 영상의 조도, 물체의 위치, 물체의 색상, 물체의 형태, 물체의 방향, 물체와 배경과의 관계 중 적어도 하나를 포함할 수 있다.For example, AI service is a recognition service for autonomous movement, and the image illumination, the position of the object, the color of the object, the shape of the object, the direction of the object, the relationship between the object and the background, the success or failure of providing the recognition service In this case, the feature may include at least one of the illuminance of the image, the position of the object, the color of the object, the shape of the object, the direction of the object, and the relationship between the object and the background.

이하에서는 센싱 데이터로부터 특징을 추출한 특징 데이터를 생성하는 방법을 가변 오토 인코더(Variational Autoencoder, VAE)의 예를 들어 구체적으로 설명한다.Hereinafter, a method of generating feature data from which features are extracted from the sensing data will be described in detail using an example of a variable autoencoder (VAE).

가변 오토 인코더(Variational Autoencoder, VAE)는 인코더(710) 및 디코더(740)를 포함할 수 있다.A variable auto encoder (VAE) may include an encoder 710 and a decoder 740.

가변 오토 인코더(Variational Autoencoder, VAE)에서는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다. 이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.In a variable autoencoder (VAE), the input data passes through the input layer and enters the hidden layer. In this case, since the number of nodes in the hidden layer is smaller than the number of nodes in the input layer, the dimension of the data is reduced, and thus compression or encoding is performed.

또한 가변 오토 인코더(Variational Autoencoder, VAE)에서는 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.In addition, in the variable autoencoder (VAE), data output from the hidden layer enters the output layer. In this case, since the number of nodes in the output layer is larger than the number of nodes in the hidden layer, the dimension of the data increases, and thus decompression or decoding is performed.

한편 데이터가 인코딩되는 과정은 인코더(710)에서, 데이터가 디코딩 되는 과정은 디코더(740)에서 수행되는데, 본 발명에서 인코더(720)는 인공지능 장치(10)에, 디코더(740)는 인공지능 서버(20)에 탑재될 수 있다.Meanwhile, a process of encoding data is performed at the encoder 710 and a process of decoding data is performed at the decoder 740. In the present invention, the encoder 720 is the artificial intelligence device 10, and the decoder 740 is the artificial intelligence. It may be mounted on the server 20.

가변 오토 인코더(Variational Autoencoder, VAE)의 원리를 본 발명에 적용하면, 센싱 데이터는 인공지능 장치(10)의 인코더(720)에 입력될 수 있다. 이 경우 인코더(720)는, 앞서 설명한 특징을 보존하며 센싱 데이터를 압축할 수 있다.When the principle of a variable auto encoder (VAE) is applied to the present invention, the sensing data may be input to the encoder 720 of the artificial intelligence device 10. In this case, the encoder 720 may compress the sensing data while preserving the above-described features.

이와 같이 센싱 데이터가 특징을 보존하며 압축된 데이터를 특징 데이터(730)라고 명칭할 수 있다. 이 경우 특징 데이터는 코드(code)로 나타내어질 수 있으며, 이러한 코드(code)는 특징을 나타낼 수 있는 정보를 포함할 수 있다.In this way, the sensed data preserves the feature and the compressed data may be referred to as the feature data 730. In this case, the feature data may be represented by a code, and the code may include information that can represent the feature.

한편 인공지능 장치(10)의 인공지능부(130)는 생성된 특징 데이터를 인공지능 서버(20)에 전송할 수 있다(S615).Meanwhile, the artificial intelligence unit 130 of the artificial intelligence device 10 may transmit the generated feature data to the artificial intelligence server 20 (S615).

인공지능 서버(20)의 인공지능부(230)는 인공지능 서비스를 제공하기 위하여 획득되는 센싱 데이터가 특징을 보존하며 압축된 특징 데이터를 수신할 수 있다(S620)The artificial intelligence unit 230 of the artificial intelligence server 20 may receive the compressed feature data while preserving the feature of the sensing data acquired to provide the artificial intelligence service (S620).

또한 인공지능부(230)는 특징 데이터를 가변 오토 인코더(Variational Autoencoder, VAE)의 디코더(740)에 입력할 수 있다.In addition, the artificial intelligence unit 230 may input the feature data to the decoder 740 of a variable auto encoder (VAE).

이 경우 디코더(740)는 특징 데이터를 이용하여 제2 센싱 데이터를 생성할 수 있다.In this case, the decoder 740 may generate second sensing data using the feature data.

구체적으로, 디코더(740)는 트레이닝 데이터베이스에 포함되는 다량의 데이터를 기 학습한 상태이다. 그리고 디코더(740)는 특징 데이터를 디코딩 하여 제2 센싱 데이터를 생성할 수 있다.In detail, the decoder 740 has previously learned a large amount of data included in the training database. The decoder 740 may decode the feature data to generate second sensing data.

이 경우 제2 센싱 데이터는, 센싱 데이터에 포함되는 특징을 포함하지만, 센싱 데이터와는 다른 데이터일 수 있다.In this case, the second sensing data includes features included in the sensing data, but may be different from the sensing data.

예를 들어 영상 인식 서비스에서 센싱 데이터는 A 사용자의 웃는 표정을 포함하는 얼굴 영상일 수 있다. 그리고 특징 데이터는 표정에 대한 정보를 포함하는 코드(code)일 수 있으다. 또한 특징 데이터를 이용하여 생성되는 제2 센싱 데이터는 웃는 표정을 포함하지만, A 사용자임을 구별할 수 없는 얼굴 영상일 수 있다.For example, in the image recognition service, the sensing data may be a face image including a smiley expression of the A user. The feature data may be a code including information about an expression. In addition, the second sensing data generated using the feature data may include a smiley face, but may be a face image that cannot be distinguished as a user.

다른 예를 들어 음성 인식 서비스에서 센싱 데이터는 A 사용자의 사투리 억양을 포함하는 음성일 수 있다. 그리고 특징 데이터는 사투리 억양에 대한 정보를 포함하는 코드(code)일 수 있다. 또한 특징 데이터를 이용하여 생성되는 제2 센싱 데이터는 사투리 억양을 포함하지만, A 사용자의 목소리와는 다른 음성일 수 있다.In another example, in the voice recognition service, the sensing data may be voice including a dialect accent of user A. The feature data may be code including information about dialect accents. In addition, the second sensing data generated using the feature data includes dialect accents, but may be different from the voice of the A user.

한편 디코더(740)는 특징 데이터와, 데이터베이스에 포함되는 데이터 중 특징 데이터에 대응하는 데이터를 이용하여 제2 센싱 데이터를 생성할 수 있다.The decoder 740 may generate second sensing data by using the feature data and data corresponding to the feature data among data included in the database.

여기서 제2 센싱 데이터를 생성한다는 것은, 디코더(740)가 특징 데이터를 디코딩하는 경우 제2 센싱 데이터가 출력되는 것을 의미할 수 있다.Here, generating the second sensing data may mean that the second sensing data is output when the decoder 740 decodes the feature data.

데이터베이스에 포함되는 데이터란, 트레이닝 데이터 베이스에 포함되는 데이터, 즉 디코더(740)가 이미 학습한 데이터를 의미할 수 있다. 다만 이에 한정되지 아니하며, 데이터베이스에 포함되는 데이터란 디코더(740)가 이미 학습한 데이터 외의 다른 데이터를 의미할 수도 있다.The data included in the database may mean data included in the training database, that is, data that the decoder 740 has already learned. However, the present invention is not limited thereto, and the data included in the database may mean data other than the data already learned by the decoder 740.

한편 특징 데이터에 대응하는 데이터란, 특징 데이터와 유사한 데이터를 의미할 수 있다.The data corresponding to the feature data may mean data similar to the feature data.

일 실시 예로, 특징 데이터에는 사용자의 특징을 나타내는 정보뿐만 아니라 다른 정보도 포함될 수 있다.In an embodiment, the feature data may include other information as well as information representing a feature of the user.

예를 들어 음성 인식 서비스에서 특징 데이터는 특징(음성의 억양, 속도, 성별 등)을 결정하기 위한 정보를 포함할 수도 있으며, 이 외에도 음소, 음절, 음성 데이터의 언어적 의미, 목소리의 높낮이, 목소리의 기타 특성 등을 포함할 수도 있다.For example, in speech recognition services, feature data may include information for determining features (voice accent, speed, gender, etc.), as well as phonemes, syllables, verbal meaning of voice data, voice level, and voice. It may also include other characteristics of.

이 경우 디코더(740)는 데이터 베이스에 포함되는 데이터 중 특징 데이터와 유사한 데이터를 선택하고, 선택된 데이터와 특징 데이터를 이용하여 제2 센싱 데이터를 생성할 수 있다.In this case, the decoder 740 may select data similar to feature data among data included in the database, and generate second sensing data using the selected data and the feature data.

예를 들어 센싱 데이터는 A 사용자의 경상남도 사투리 억양, ‘텔레비전 켜줘’라는 언어, 목소리의 높낮이 등의 A 사용자의 목소리의 특성을 포함할 수 있다.For example, the sensing data may include characteristics of user A's voice, such as user A's dialect in Gyeongsangnam-do, language “Turn on television” and voice level.

이 경우 디코더(740)는 데이터베이스에서 A 사용자의 목소리의 특성과 가장 유사한 특성을 가지는 데이터를 선택할 수 있다. 또한 디코더(740)는 선택된 데이터와 특징 데이터를 이용하여, A 사용자의 목소리와 유사한 목소리이면서 경상남도 사투리 억양이 적용된 ‘텔레비전 켜줘’라는 음성을 생성할 수 있다.In this case, the decoder 740 may select data having characteristics most similar to those of user A's voice in the database. In addition, the decoder 740 may use the selected data and the feature data to generate a voice “Turn on television” that is similar to the voice of user A and is applied to the accent of the Gyeongsangnam-do dialect.

이 경우 데이터 베이스에 A 사용자의 목소리의 특성과 동일한 특성을 가지는 데이터가 존재하는 경우(즉 A 사용자의 목소리에 대한 데이터가 존재하는 경우), 디코더(740)는 상기 동일한 특성을 가지는 데이터를 선택할 수도 있다. 예를 들어 디코더(740)는 A 사용자의 목소리이면서 경상남도 사투리 억양이 적용된 ‘텔레비전 켜줘’라는 음성을 생성할 수도 있다.In this case, when data having the same characteristics as that of the user A's voice exists in the database (that is, when there is data for the user's voice), the decoder 740 may select the data having the same characteristics. have. For example, the decoder 740 may generate a voice of 'Turn on TV' to which the user A's voice is applied and the dialect of the Gyeongsangnam-do dialect is applied.

다른 실시 예로, 자율 이동을 위한 인식 서비스의 예를 들어 설명한다.As another embodiment, an example of a recognition service for autonomous movement will be described.

도 8a를 참고하면, 방 안(810)에서 로봇 청소기가 의자(811) 충돌하였다.Referring to FIG. 8A, the robot cleaner collided with the chair 811 in the room 810.

이 경우 로봇 청소기는 센싱 데이터(촬영된 영상)(820)을 압축한 특징 데이터를 생성하고 생성된 특징 데이터를 인공지능 서버에 전송할 수 있다. 이 경우 특징 데이터는 의자의 위치, 의자의 형태, 의자의 방향 등의 정보를 포함할 수 있다.In this case, the robot cleaner may generate feature data obtained by compressing the sensing data (photographed image) 820 and transmit the generated feature data to the artificial intelligence server. In this case, the feature data may include information such as the position of the chair, the shape of the chair, and the direction of the chair.

한편 도 8b를 참조하면, 데이터 베이스(830)에는 다양한 의자들의 데이터들이 저장되어 있을 수 있다.Meanwhile, referring to FIG. 8B, data of various chairs may be stored in the database 830.

이 경우 인공지능 서버(20)는 특징 데이터의 코드와 데이터 베이스(830)에 포함되는 데이터 들의 코드를 비교하여, 의자(811)와 위치, 형태, 방향 등이 가장 유사한 의자를 선택할 수 있다.In this case, the AI server 20 may select a chair having the most similar position, shape, direction, and the like to the chair 811 by comparing the code of the feature data with the code of the data included in the database 830.

그리고 인공지능 서버(20)는 도 8c에서 도시되는 바와 같이, 센싱 데이터에 포함되는 의자(811)와 동일하지는 않으나, 위치, 형태, 방향 등이 유사한 의자(841)를 포함하는 제2 센싱 데이터(840)를 생성할 수 있다.As shown in FIG. 8C, the artificial intelligence server 20 is not the same as the chair 811 included in the sensing data, but the second sensing data including the chair 841 having a similar position, shape, direction, and the like ( 840 may be generated.

한편 가변 오토 인코더(Variational Autoencoder)를 이용한 제2 센싱 데이터의 생성을 설명하였으나 이에 한정되지 않는다.Meanwhile, although the generation of the second sensing data using the variable autoencoder has been described, the present invention is not limited thereto.

구체적으로 인공지능 서버의 인공지능부는, 특징 데이터를 딥 러닝 모델에 입력하여 제2 센싱 데이터를 획득할 수 있다. 이 경우 딥 러닝 모델은 생성적 적대 신경망 (Generative Adversarial Network, GAN)의 생성기(generator)일 수 있다.In detail, the artificial intelligence unit of the artificial intelligence server may obtain the second sensing data by inputting the characteristic data into the deep learning model. In this case, the deep learning model may be a generator of a generative adversarial network (GAN).

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.A generative antagonist network is a machine learning method in which two different artificial intelligences, a generator and a discriminator, compete and improve performance.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로 원본데이터를 기반으로 새로운 이미지를 생성하는 역할을 수행하며, 판별기는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 이미지 진위여부 체크하는 역할을 수행한다. In this case, the generator is a model for creating new data and creates a new image based on the original data, and the discriminator is a model for recognizing data patterns, and checks the authenticity of the image based on the original data. do.

또한 판별기는 원본이미지와 생성된(또는 위조된) 이미지를 잘 구분하도록 진화하고, 생성기는 판별기를 최대한 잘 속이도록 진화하며 서로 성능을 발전시킨다.The discriminator also evolves to distinguish the original image from the generated (or forged) image, and the generator evolves to trick the discriminator as best as possible and develops performance with each other.

본 발명에서 제2 센싱 데이터를 생성하는 딥 러닝 모델은, 생성적 적대 신경망 (Generative Adversarial Network, GAN)의 생성기(generator)일 수 있다.In the present invention, the deep learning model for generating the second sensing data may be a generator of a generative adversarial network (GAN).

구체적으로 인공지능 서버(20)에 포함되는 생성기(generator)는 특징 데이터를 기반으로 제2 센싱 데이터를 생성할 수 있다.In detail, the generator included in the artificial intelligence server 20 may generate second sensing data based on the feature data.

예를 들어 특징 데이터가 A 사용자의 웃는 표정을 포함하고 있는 경우, 인공지능 서버(20)에 포함되는 생성기(generator)는 특징 데이터를 기반으로 웃고 있는 표정의 제2 센싱 데이터를 생성할 수 있다. 또한 인공지능 서버(20)에 포함되는 생성기(generator)는 데이터베이스에서 특징 데이터와 유사한 데이터를 선택하여 제2 센싱 데이터를 생성할 수도 있다.For example, when the feature data includes a smiley expression of the user A, the generator included in the artificial intelligence server 20 may generate second sensing data of the smiling face based on the feature data. In addition, the generator included in the artificial intelligence server 20 may generate second sensing data by selecting data similar to feature data from a database.

한편 인공지능부(230)는 딥 러닝 모델에 다양한 조건을 설정하여 제2 센싱 데이터를 생성할 수 있다.The artificial intelligence unit 230 may generate second sensing data by setting various conditions in the deep learning model.

예를 들어 도 9를 참고하면, 방 안에서 로봇 청소기가 선풍기(911)에 충돌하였다.For example, referring to FIG. 9, a robot cleaner hit a fan 911 in a room.

이 경우 로봇 청소기는 센싱 데이터(촬영된 영상)(910)을 압축한 특징 데이터를 생성하고 생성된 특징 데이터를 인공지능 서버에 전송할 수 있다. 이 경우 특징 데이터는 선풍기의 위치, 선풍기의 형태 등의 정보를 포함할 수 있다.In this case, the robot cleaner may generate feature data obtained by compressing the sensing data (photographed image) 910 and transmit the generated feature data to the artificial intelligence server. In this case, the feature data may include information such as the location of the fan and the type of the fan.

한편 데이터 베이스에는 선풍기가 포함된 다양한 영상에 대한 데이터들이 저장되어 있을 수 있다.The database may store data for various images including a fan.

이 경우 인공지능 서버(20)는 특징 데이터의 코드와 데이터 베이스에 포함되는 데이터 들의 코드를 비교하여, 선풍기(911)와 위치와 형태가 유사한 선풍기(931)가 포함된 영상의 데이터(930)를 선택할 수 있다.In this case, the artificial intelligence server 20 compares the code of the feature data with the code of the data included in the database, and compares the data 930 of the image including the fan 931 with a position similar in shape to that of the fan 911. You can choose.

이 경우 조건 없이 특징 데이터를 디코딩 하는 경우에는, 선풍기(931)의 배경이 무작위로 생성될 수 있다.In this case, when the feature data is decoded without conditions, the background of the fan 931 may be randomly generated.

다만 인공지능부(230)는 배경에 대한 조건을 설정하여, 특정 배경(925)과 선풍기(931)를 포함하는 제2 센싱 데이터(930)를 생성할 수 있다.However, the artificial intelligence unit 230 may set the conditions for the background to generate the second sensing data 930 including the specific background 925 and the fan 931.

또 다른 예를 들어 도10을 참고하면, 특징 데이터를 디코딩 함으로써 특정 표정을 가지는 제2 센싱 데이터(1010)가 생성될 수 있다.For another example, referring to FIG. 10, second sensing data 1010 having a specific facial expression may be generated by decoding the feature data.

이 경우 인공지능부(230)는 화난 표정, 우는 표정, 웃는 표정 등의 다양한 표정을 조건으로 설정하여, 다양한 표정의 제2 센싱 데이터(1020) 들을 생성할 수도 있다.In this case, the artificial intelligence unit 230 may generate second sensing data 1020 having various expressions by setting various expressions such as an angry facial expression, a crying facial expression, and a smiling facial expression.

다시 도 6 및 도 7로 돌아가서, 인공지능부(230)는 제2 센싱 데이터를 이용하여 인공지능 서비스를 제공하기 위한 인식 모델(750)을 트레이닝 할 수 있다(S630).6 and 7 again, the artificial intelligence unit 230 may train the recognition model 750 for providing the artificial intelligence service using the second sensing data (S630).

구체적으로 인공지능부(230)는 제2 센싱 데이터를 훈련 데이터로 제공하여 인식 모델(750)을 트레이닝 할 수 있다. 이 경우 인식 모델(750)는 특징을 학습할 수 있다.In detail, the artificial intelligence unit 230 may provide the second sensing data as training data to train the recognition model 750. In this case, the recognition model 750 may learn a feature.

예를 들어 음성 인식 서비스에서, 인식 모델(750)은 제2 센싱 데이터를 이용하여 경상남도 사투리의 억양을 학습할 수 있다.For example, in the voice recognition service, the recognition model 750 may learn the intonation of the dialect of Gyeongsangnam-do using the second sensing data.

다른 예를 들어 음성 인식 서비스에서, 인식 모델(750)은 제2 센싱 데이터를 이용하여 웃는 표정을 학습할 수 있다.For another example, in the voice recognition service, the recognition model 750 may learn a smiling expression using the second sensing data.

다른 예를 들어 자율 이동을 위한 인식 서비스에서, 인식 모델(750)은 제2 센싱 데이터를 이용하여 실내 공간에서의 장애물의 위치, 장애물의 크기, 장애물의 형상 등을 학습할 수 있다.For another example, in the recognition service for autonomous movement, the recognition model 750 may learn the position of the obstacle, the size of the obstacle, the shape of the obstacle, and the like in the indoor space using the second sensing data.

한편 인공지능부(230)는 트레이닝된 인식 모델을 인공지능 장치(10)에 전송할 수 있다(S635).Meanwhile, the artificial intelligence unit 230 may transmit the trained recognition model to the artificial intelligence device 10 (S635).

그리고 인공지능 장치(10)의 인공지능부(130)는 트레이닝된 인식 모델을 수신하고, 인식 모델을 업데이트 할 수 있다(S640, S645)The artificial intelligence unit 130 of the artificial intelligence device 10 may receive the trained recognition model and update the recognition model (S640 and S645).

구체적으로 인공지능 장치(10)는 기존의 인식 모델을 트레이닝 된 인식 모델로 변경할 수 있다.In detail, the artificial intelligence apparatus 10 may change an existing recognition model into a trained recognition model.

학습을 위해서는 특징이 필요하지만, 모든 정보가 필요하지는 않다. 예를 들어 영상인 경우, 특징의 학습을 위해서 조도, 물체의 위치, 색, 형태, 방향, 배경과의 관계 등이 필요하나, 물체가 정확히 어떠한 물체인지는 필요하지 않다. Learning requires features, but not all information. For example, in the case of an image, illuminance, position of an object, color, shape, direction, and a relationship with a background are required for learning a feature, but it is not necessary to exactly what an object is.

본 발명은, 센싱 데이터가 서버에 전송되는 것이 아니라, 학습에 필요한 특징을 보존하는 특징 데이터가 전송된다. 이러한 특징 데이터는 학습에 필요한 정보는 보존한다. 그리고 특징 데이터를 디코딩하여 생성되는 제2 센싱 데이터는 학습에 필요한 정보를 포함하되 제1 센싱 데이터와는 다른 데이터이다.In the present invention, the sensing data is not transmitted to the server, but feature data is stored to preserve the features necessary for learning. This feature data preserves the information needed for learning. The second sensing data generated by decoding the feature data includes information necessary for learning, but is different from the first sensing data.

예를 들어 목욕을 마친 사용자의 나체 사진이 센싱 데이터에 포함되어 전송된 경우, 복원된 제2 센싱 데이터에는 단지 살색 옷의 다른 사람이 유사한 위치에 존재할 수 있다.For example, when a naked photograph of a user who has taken a bath is included in the sensing data and transmitted, only the other person of the flesh-colored clothes may exist in a similar position in the restored second sensing data.

따라서 본 발명은 사용자의 프라이버시를 보호하고, 전송되는 데이터의 양을 최소화 하면서, 학습에 필요한 정보를 서버에 전송할 수 있는 장점이 있다. 이에 따라 사용자의 프라이버시를 보호하면서도 실패 케이스를 학습함으로써 인식 모델의 성능을 대폭 향상시킬 수 있는 장점이 있다.Therefore, the present invention has the advantage of protecting the privacy of the user, while minimizing the amount of data to be transmitted, information necessary for learning can be transmitted to the server. Accordingly, there is an advantage that the performance of the recognition model can be greatly improved by learning failure cases while protecting user privacy.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.The present invention described above can be embodied as computer readable codes on a medium in which a program is recorded. The computer-readable medium includes all kinds of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable media include hard disk drives (HDDs), solid state disks (SSDs), silicon disk drives (SDDs), ROMs, RAM, CD-ROMs, magnetic tapes, floppy disks, optical data storage devices, and the like. There is this. In addition, the computer may include the controller 180 of the terminal. Accordingly, the above detailed description should not be interpreted as limiting in all aspects and should be considered as illustrative. The scope of the invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the invention are included in the scope of the invention.

210: 통신부 220: 저장부
230: 인공지능부210: communication unit 220: storage unit
230: artificial intelligence

Claims

Communication unit for communicating with the artificial intelligence device; And
An artificial intelligence unit for preserving a feature of the sensing data acquired to provide an artificial intelligence service, receiving compressed feature data from the artificial intelligence device, and inputting the feature data into a deep learning model to obtain second sensing data; Containing
AI server.

The method of claim 1,
The artificial intelligence unit,
Training a recognition model for providing the AI service using the second sensing data, and transmitting the trained recognition model to the AI device;
AI server.

The method of claim 2,
The feature data,
Received when it fails to provide the AI service using the sensing data
AI server.

The method of claim 1,
The feature data,
Data extruded by an encoder of a variable autoencoder,
The deep learning model is a decoder of a variable autoencoder.
AI server.

The method of claim 1,
The deep learning model,
The generator of generative hostile neural networks
AI server.

The method of claim 1,
The deep learning model,
Generating the second sensing data by using data corresponding to the feature data among data included in a database;
AI server.

The method of claim 1,
The artificial intelligence service is a recognition service for autonomous movement,
The above features,
At least one of the illuminance of the image, the position of the object, the color of the object, the shape of the object, the direction of the object, and the relationship between the object and the background.
AI server.

The method of claim 1,
The artificial intelligence service is a voice recognition service,
The feature may include at least one of intonation, speed, and gender.
AI server.

Receiving the compressed feature data from the artificial intelligence device by preserving the feature from the sensing data acquired to provide the artificial intelligence service; And
Inputting the feature data into a deep learning model to obtain second sensing data;
How AI Servers Work.

The method of claim 9,
Training a recognition model for providing the artificial intelligence service using the second sensing data; And
Transmitting the trained recognition model to the artificial intelligence device;
How AI Servers Work.

The method of claim 10,
The feature data,
Received when it fails to provide the AI service using the sensing data
How AI Servers Work.

The method of claim 9,
The feature data,
Data extruded by an encoder of a variable autoencoder,
The deep learning model is a decoder of a variable autoencoder.
How AI Servers Work.

The method of claim 9,
The deep learning model,
The generator of generative hostile neural networks
How AI Servers Work.

The method of claim 9,
The deep learning model,
Generating the second sensing data by using data corresponding to the feature data among data included in a database;
How AI Servers Work.

The method of claim 9,
The artificial intelligence service is a recognition service for autonomous movement,
The above features,
At least one of the illuminance of the image, the position of the object, the color of the object, the shape of the object, the direction of the object, and the relationship between the object and the background.
How AI Servers Work.

The method of claim 9,
The artificial intelligence service is a voice recognition service,
The feature may include at least one of intonation, speed, and gender.
How AI Servers Work.