CN111321550A - 洗衣机 - Google Patents

洗衣机 Download PDF

Info

Publication number
CN111321550A
CN111321550A CN201911292377.8A CN201911292377A CN111321550A CN 111321550 A CN111321550 A CN 111321550A CN 201911292377 A CN201911292377 A CN 201911292377A CN 111321550 A CN111321550 A CN 111321550A
Authority
CN
China
Prior art keywords
user
washing
washing machine
information
course
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911292377.8A
Other languages
English (en)
Other versions
CN111321550B (zh
Inventor
金载烘
金孝恩
李泰镐
郑行伊
韩钟祐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Electronics Inc
Original Assignee
LG Electronics Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=68808194&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=CN111321550(A) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by LG Electronics Inc filed Critical LG Electronics Inc
Publication of CN111321550A publication Critical patent/CN111321550A/zh
Application granted granted Critical
Publication of CN111321550B publication Critical patent/CN111321550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/22—Condition of the washing liquid, e.g. turbidity
    • D06F34/24—Liquid temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2101/00—User input for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2101/00—User input for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2101/20—Operation modes, e.g. delicate laundry washing programs, service modes or refreshment cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/38—Time, e.g. duration
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/68—Operation mode; Program phase
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Washing Machine And Dryer (AREA)

Abstract

本发明公开一种洗衣机。本发明实施例的洗衣机包括：第一数据获得部，收集与使用者的洗涤模式相关的数据；第二数据获取部，收集与状况信息相关的数据；以及处理器，将所述使用者的洗涤模式和所述状况信息作为环境(environment)提供给强化学习模型，若所述强化学习模型推荐洗涤过程，则利用所述使用者对所推荐的洗涤过程的反馈来训练所述强化学习模型。

Description

洗衣机
技术领域
本发明涉及通过强化学习来推荐符合使用者的洗涤模式和状况的洗涤过程的洗衣机。
背景技术
人工智能(artificial intelligence)是计算机工程学以及信息技术的一个分支，研究能够使计算机进行用人类的智能进行的思考、学习、自己开发等的方法，是指使计算机能够模仿人类的智能行为的技术。
另外，人工智能并非以其自身单独存在，而是与计算机科学的其他领域存在很多的直接或间接的关联。尤其，在当今时代，非常积极地尝试在信息技术的多种领域中引入人工智能要素来解决该领域的问题。
另一方面，正在积极地研发利用人工智能来认知并学习周边的状况，并且以所期望的形态提供使用者所期望的信息或者执行使用者所期望的动作或功能的技术。
另一方面，洗衣机提供多种洗涤过程。但是，洗衣机提供的洗涤过程是制造商根据洗涤物的种类、洗涤时间等而设定的，因此存在无法反映出不同类型使用者的需求的问题。
例如，作为忙碌的职场人员A使用者可能会偏爱快速洗涤，作为负责家庭健康的家庭主妇B使用者可能会偏爱干净的洗涤。另外，对于经常运动的C使用者会偏爱有利于去除汗味的洗涤，而对于养育小孩D使用者而言可能会偏爱充分使用煮洗功能的洗涤。
但是，仅凭洗衣机制造商提供的洗涤过程，存在无法满足这些不同类型使用者的需求的问题。
另外，即便是同一个使用者，合适的洗涤过程也会根据状况而发生变化。例如，对于经常运动的使用者C而言，当结束运动并洗涤运动服时会偏爱有利于去除汗味的洗涤，而在洗涤上下班时穿过的衬衫时也可能会偏爱快速洗涤。
因此，人们逐渐凸显向使用者推荐考虑了使用者偏爱和状况的合适的洗涤过程的必要性。
发明内容
本发明为了解决上述问题而提出，其目的在于，提供一种通过强化学习来推荐符合使用者的洗涤模式和状况的洗涤过程的洗衣机。
本发明实施例的洗衣机包括：第一数据获得部，收集与使用者的洗涤模式相关的数据；第二数据获取部，收集与状况信息相关的数据；以及处理器，将所述使用者的洗涤模式和所述状况信息作为环境(environment)提供给强化学习模型，若所述强化学习模型推荐洗涤过程，则利用所述使用者对所推荐的洗涤过程的反馈来训练所述强化学习模型。
根据本发明，能够推荐在当前状况下最优且考虑到使用者的洗涤嗜好的洗涤过程。
另外，根据本发明，将多名使用者的反映用作反馈并赋予多种级别的奖赏或惩罚，由此具有能够通过准确地反映使用者的嗜好来进行强化学习，并推荐洗涤过程的优点。
另外，根据本发明，在使用者每次进行洗涤时持续进行强化学习，由此具有能够持续提高强化学习模型的性能的优点。
附图说明
图1A是表示本发明一实施例的洗衣机结构的图。
图1B是示出全部的结构结构要素集成于本发明另一实施例的洗衣机内时的结构的图。
图2A是表示本发明一实施例的洗衣机的动作过程的图。
图2B是表示本发明一实施例的洗衣机可具有的状态的图。
图2C是基于本发明一实施例的所输入的洗涤信息来设定洗涤过程的流程图。
图3是用于说明本发明另一实施例的洗衣机的框图。
图4是用于说明本发明实施例的洗衣机的动作方法的图。
图5是用于说明收集与洗涤模式相关的数据和与状况信息相关的数据的方法的图。
图6是用于说明按使用者类别收集洗涤模式的方法的图。
图7是用于说明洗涤模式的预处理过程的图。
图8是用于说明状况信息的预处理过程的图。
图9是用于说明本发明的强化学习方法的图。
图10是用于说明本发明实施例的强化学习方法的图。
图11是用于说明本发明实施例的对强化学习模型提供反馈的方法的图。
图12是用于说明接收到否定反馈之后重新设定洗涤过程时的动作方法的图。
图13是用于说明预训练本发明实施例的强化学习模型的方法的图。
图14是用于说明本发明实施例的洗涤过程服务的图。
具体实施方式
以下参照附图对本说明书所揭示的实施例进行详细的说明，在此，对与附图标记无关地相同或类似的结构要素赋予相同的参照标记，并将省去对其重复的说明。在以下说明中使用的针对结构要素的接尾词“模块”及“部”仅是考虑到便于说明书的撰写而被赋予或混用，其自身并不带有相互划分的含义或作用。并且，在对本发明揭示的实施例进行说明的过程中，如果判断为对于相关的公知技术的具体说明会导致混淆本说明书所揭示的实施例的技术思想，则将省去对其详细的说明。并且，所附的附图仅是为了容易理解本说明书所揭示的实施例，不应由所附的附图来限定本发明所揭示的技术思想，所附的附图应当涵盖本发明的思想及技术范围中所包括的所有变更、均等物乃至替代物。
“第一”、“第二”等包含序数的术语可用于说明多种结构要素，但是所述结构要素并不由所述术语所限定。所述术语仅是用于将一个结构要素与其他结构要素划分的目的来使用。
如果提及到某个结构要素“连接”或“接触”于另一结构要素，其可能是直接连接于或接触于另一结构要素，但也可被理解为是它们中间存在有其他结构要素。反之，如果提及到某个结构要素“直接连接”或“直接接触”于另一结构要素，则应当被理解为是它们之间不存在有其他结构要素。
除非在上下文明确表示有另行的含义，否则单数的表达方式应包括复数的表达方式。在本申请中，“包括”或“具有”等术语仅是为了指定说明书上记载的特征、数字、步骤、动作、结构要素、部件或其组合的存在，而并不意在排除一个或其以上的其他特征或数字、步骤、动作、结构要素、部件或其组合的存在或添加的可能性。
另外，在实现本发明的过程中，可通过细分化结构要素来进行说明，但是也可以将这些结构要素定义为一个装置或一个模块来实现，或者将一个结构要素分成多个装置或模块来实现。
在本说明书中，将对衣物、被褥、玩偶等执行洗涤或干燥或干洗时所需的功能的设备统称为洗衣机。即，在本说明书中，将如衣物、被褥、玩偶的包括衣料的物体统称为洗涤物。另外，在本说明书中，将提供对洗涤物进行洗涤或干燥或去除灰尘或干洗的各种功能的所有装置统称为洗衣机，该装置不仅仅局限于洗涤性能。
在本说明书中，使用者可以在向洗衣机投入洗涤物或进行设置等过程中，以与洗衣机对话的形式输入信息，洗衣机从输入到的信息提取有意义的信息并选择适合洗涤物的洗涤过程。
图1A是表示本发明一实施例的洗衣机的结构的图。图1A是表示洗衣机利用配置于外部的语音服务器来进行语音识别以及过程选择的结构的图。
洗衣机100由语音输入部110、语音提示部120、通信部130、控制部150、接口部180以及洗涤部190构成。
洗衣机100向语音服务器500传递接收到的语音数据，语音服务器500分析语音数据以确定所输入的语音为哪一种。之后，中央控制服务器700基于分析到的语音数据，由设备控制部710生成控制洗衣机100的控制指令并通过通信部730向洗衣机100传递该控制指令，使得洗衣机100能够进行控制。接口部180输出规定的信息并执行从使用者接收如菜单选择等可操作的触摸输入或按键输入的功能。
下面，对结构要素的动作进行更详细的说明。
语音输入部110从使用者接收包含指示污染物质的污渍词(StainWord)或指示洗涤物的布料词(ClothWord)中的一种以上的语音，并将其生成为语音数据。
语音输入部110可以是一种麦克风。为了仅接收使用者的语音，将一个以上的麦克风作为语音输入部110的一实施例。语音输入部110可以包括一个以上的麦克风，且可以额外地包括去除杂音的模块。在此情况下，语音输入部110可以仅提取语音并将其转换为语音数据，之后通过通信部130向语音服务器500传送。
通信部130向第一服务器传送从输入到语音输入部110的语音中生成的语音数据和洗衣机100的识别信息，并从第一服务器和区别于第一服务器的第二服务器中的任意一方接收过程设定信息。
洗涤部190包括提供洗涤功能的结构要素，可提供供水和排水、洗涤、漂洗等功能。
在此，如图1所示，当洗衣机100进行通信的服务器为语音服务器500和中央控制服务器700时，第一服务器可以是语音服务器500，第二服务器可以是中央控制服务器700。在此情况下，通信部130可从中央控制服务器700接收过程设定信息，而语音识别可与语音服务器500另行进行通信。
另外，当语音服务器500和中央控制服务器700整合为一个服务器时，通信部130可与一个整合的服务器进行通信。将服务器设定为多个或一个、按功能分开服务器或整合为一个服务器属于多种实施例，本发明不限定于任一种实施例。
另一方面，语音服务器500的语音识别部510对从洗衣机100接收到的语音数据进行识别。在此过程中，语音服务器500通过对语音数据进行自动语音识别(ASR，AutomaticSpeech Recognition)和自然语言处理(NLP，Natural Language Processing)来提取有意义的单词。之后，提取到的单词被传送到中央控制服务器700，中央控制服务器700分析使用者的控制意图，并远程控制洗衣机100。
设备控制部710生成适合于使用者的控制意图的控制指令，即生成洗涤所需的过程设定信息，并通过通信部730将其传送给洗衣机100。在此过程中，洗衣机100也可以直接从语音提示部120输出，以执行接收到的指令，即用特定洗涤过程对洗涤物进行洗涤。或者，若生成将要从语音服务器500的TTS(Text to Speech)部输出的语音数据并通过通信部530提供给洗衣机100，则洗衣机100可通过向使用者输出接收到的语音数据来提示洗涤过程。
综上，若根据语音输入部110接收到的语音设定了洗涤过程，则语音提示部120可以输出与过程设定信息对应的引导洗涤过程的语音提示消息。
在此，过程设定信息可包括洗衣机的洗涤强度(Spin)、水温(Temperature)、洗剂种类、洗剂量、洗涤物的污染物去除强度(Soil Level)中的任意一种以上的组合。并且，这种过程设定信息可显示于接口部180，使用者也可以选择该过程设定信息。
接口部180用于发生与视觉、听觉或触觉等相关的输出，可包括显示部、音响输出部中一种以上。
显示部显示(输出)洗衣机中处理的信息。例如，显示部可以显示在洗衣机中执行的应用程序的运行画面信息，或者根据这种运行画面信息的UI(User Interface)、GUI(Graphic User Interface)信息。
显示部可通过与触摸传感器彼此形成层次结构或形成为一体，来实现触摸屏。这种触摸屏不仅作为在洗衣机与使用者之间提供输入接口的使用者输入部发挥功能，而且还可以在洗衣机与使用者之间提供输出接口。
音响输出部可输出从外部接收或存储于存储器的音频数据。另外，音响输出部可以输出人的语音。
音响输出部可包括接收器(receiver)、扬声器(speaker)、蜂鸣器(buzzer)中的一种以上。
并且，控制部150可控制这些结构要素。尤其，可基于通信部130接收到的过程设定信息来控制洗衣机100，以使洗衣机100能够动作。
当应用图1A的洗衣机100的结构时，可设定基于对话型语音识别的洗涤物最优洗涤过程。例如，即便使用者不太清楚洗衣机100所支持的洗涤过程设定和选项，若以对话方式向洗衣机告知例如草、咖啡、番茄酱等污染物的种类和衣料的种类，则可以设定并且推荐最优的洗涤过程和选项。
即，以对话型语音识别方式收集用于洗涤过程设定的信息，通过洗涤过程转换步骤将其自动设定为从洗衣机提供的最优过程，并通过语音合成器将其推荐给使用者。
图1A的500和700可与洗衣机100分开实现，也可以整合于洗衣机100内。另外，构成语音服务器500和中央控制服务器700的一种以上的结构要素可包括于洗衣机100内。
图1B是示出将全部的结构要素整合于本发明另一实施例的洗衣机内时的结构的图。
在图1B中由洗衣机200内的语音识别部210提供图1A中的语音服务器500的语音识别部510的功能。在图1B中由洗衣机200内的TTS部220提供图1A的语音服务器500的TTS部520的功能。另外，洗衣机200的控制部250提供的功能包括图1A的中央控制服务器700的设备控制部710的功能。因此，各个结构要素提供的功能可以参照对图1A的说明。
图1A和图1B可根据外部服务器是否包括语音识别和TTS功能以及关于设备控制的功能来区分。也可以与图1A和图1B不同地，仅一部分功能包括于洗衣机，仅一部分功能包括于服务器，本发明包括它们的多种实施例。
图2A是示出本发明一实施例的洗衣机的动作过程的图。
使用者从洗衣机100、200周边输入语音(S1)。输入的语音被转换为语音数据，并再次实施语音识别过程。
在基于图1A的情况下，洗衣机100的语音输入部110将接收到的语音转换为语音数据，并通过洗衣机100的通信部130传递给语音服务器500，语音服务器500的语音识别部510分析语音数据并进行语音识别(S2)。
在基于图1B的情况下，洗衣机200的语音输入部110将接收到的语音转换为语音数据，洗衣机200的语音识别部510分析语音数据并进行语音识别(S2)。
通过S2过程，生成作为语音识别结果的文本。若文本生成，则中央控制服务器700的设备控制部710或洗衣机200的控制部250基于该文本来分析使用者的意图。通过分析基于语音识别的结果，中央控制服务器700的设备控制部710或洗衣机200的控制部250提取适合洗衣机100、200的动作的关键词(S3)。
若提取到关键词，则中央控制服务器700的设备控制部710或洗衣机200的控制部250确认是否存在之前的洗涤过程设定指令(S4)。如果不是洗涤过程设定而是如开/关(On/Off)的单纯的设备控制，则直接转到S8与该设备控制对应地进行动作。
另一方面，若确认结果存在设定指令，则设备控制部710或控制部250确认是否还存在洗涤过程所需的信息，即确认是否还需要洗涤过程信息(S5)。当还需要时，通过控制语音提示部120来进行追加提问(S6)，据此可以反复S1至S5的步骤。
在充分确保设定洗涤过程所需的信息的情况下(S5)，设备控制部710或控制部250对洗涤过程进行转换(S7)，并基于此来控制设备，即控制洗衣机(S8)。之后，洗衣机100、200通过接口部180来显示关于将要进行的动作过程的说明(S9)，并在语音提示部120执行关于过程的语音提示(S10)。
对图2A的动作过程进行说明，具体如下。
使用者说出的语音可通过语音识别服务器500或语音识别部210生成文本结果，中央控制服务器700或洗衣机200的控制部250对其进行分析，若是希望洗涤过程设定的指令，则通过以对话形式继续提出用于设定最优的洗涤过程的追加提问来获得所需信息，若不需要追加信息，则通过洗涤过程转换模块来设定并推荐洗涤过程。
如图2A的S4、S8、S9、S10的流程，如果是开/关等单纯设备控制，则控制设备，将控制的结果显示于画面，通过语音提示消息来提供反馈。
在图2A中，S4可以选择性地包括。另外，S5可构成为反复地接收预先设定次数的提问。因此，步骤S4和步骤S5可以选择性地包括。
图2B是示出本发明一实施例的洗衣机可具有的状态的图。图1A或图2B示出的洗衣机100、200开机的同时保持语音输入待机模式(STATE_R)。若在保持的状态下输入语音，则与语音输入(S15)对应地保持设定洗涤过程的模式(STATE_S)。在此过程中当充分确保信息时将状态转换为洗涤动作模式(STATE_W)(S17)。但是，当未充分确保信息时，将状态从设定模式(STATE_S)转换到语音输入待机模式(STATE_R)(S16)。
或者，在语音输入待机模式(STATE_R)中，在没有额外的语音输入的情况下，使用者可通过控制接口部180来控制洗衣机的动作(S18)。
当基于前述洗衣机的动作和状态时，在使用者难以选择洗涤过程的状况(难以判断需要哪一种方式的洗涤、需要选择哪一种洗涤过程、需要选择哪一种选项等)下，若使用者像进行对话一样用语音向洗衣机100、200输入洗涤物的特征，例如污染物的种类(草、咖啡、番茄酱等)和衣料的种类(运动服、婴儿服、内衣等)，则洗衣机从输入到的语音数据中选择最优的洗涤过程，并显示推荐洗涤过程，提示关于其的洗涤。
如图2A和图2B所说明，可利用洗衣机或与洗衣机连接的服务器的语音识别功能，以对话方式提问和回应获得使用者想要洗涤的洗涤污染物种类、衣料种类等用于设定最优洗涤过程的信息，并由此来设定最优洗涤过程。
为此，使用者可说出污染物的种类，洗衣机可以与此对应地进行请求衣料的种类的语音提示。使用者与此对应地说出衣料的种类时，洗衣机可以进行请求污染物的污染程度的语音提示。使用者以上/中/下分级说出污染物的程度时，洗衣机通过所输入的关于污染物的信息、将要洗涤的衣料的种类、污染程度或者额外追加的污染时间点等信息来找出并推荐过程，并通过语音提示部向使用者提供关于其的提示消息，由此可提供符合使用者意图的洗涤过程。
图2C是示出本发明一实施例的基于输入的洗涤信息来设定洗涤过程的流程图。图2C的流程可由中央控制服务器700的设备控制部710或洗衣机200的控制部250执行。
对图2C中的中央控制服务器700的动作具体说明如下。如前述图1的说明，中央控制服务器700的设备控制部710利用与污渍词对应的第一关键词、与布料词对应的第二关键词以及洗衣机的识别信息，在数据库搜索能够在洗衣机运转的过程设定信息。污渍词可以是指示污染物质的名称或污染物质的颜色或污染物质的化学特性的单词。布料词可以包括洗涤物的种类、洗涤物的面料名称和洗涤物的颜色中的任意一种。
第一关键词可以与污渍词相同，也可以是从污渍词中提取或在污渍词中特定地匹配的单词。同样地，第二关键词可与布料词相同，也可以是从布料词中提取或在布料词中特定地匹配的单词。
作为一实施例，使用者为了输入污渍词可能会说出“番茄酱”。此时，语音服务器500或中央控制服务器700可从该单词算出“番茄酱”第一关键词。作为另一实施例，使用者为了输入布料词，可能会说出“裙纸”。此时，语音服务器500或中央控制服务器700可从该单词算出“裙子”第二关键词。
即，将直接从输入的语音提取的污渍词或布料词作为关键词的一实施例。另外，将基于从输入的语音中提取的污渍词或布料词匹配或提取的单词作为关键词的一实施例。
如图2C所示，设备控制部710在多个数据库721、722中利用关键词来搜索过程设定信息。中央控制服务器700的通信部730将搜索到的过程设定信息传送给洗衣机100，以使洗衣机100能够基于过程设定信息进行动作。
图2C的语音服务器500识别输入到的语音并将语音数据转换为文本。所转换的文本数据(例如文本文件)传递到中央控制服务器700，中央控制服务器700的设备控制部710以输入到语音的装置(洗衣机)为基准提取关键词(S36)。这是为了当中央控制服务器700可控制多种类型的设备时提取出适合该设备的关键词。
中央控制服务器700可搜索与提取到的关键词对应的洗涤过程。图6中，作为一实施例示出了中央控制服务器700包括两个存储有关于与关键词对应的洗涤过程的信息的数据库的情形。第一数据库721和第二数据库722以表格形式存储对洗涤过程可输入的多种说话文本(关键词组合)，并且设定有与其对应的洗涤过程。
作为一实施例，第一数据库721中存储有关于该洗衣机特定的洗涤过程的信息。按特定洗衣机存储该洗衣机能够提供的过程信息。因此，在此情况下可基于洗衣机的识别信息搜索过程设定信息。
另一方面，第二数据库722中存储有关于洗衣机不提供的洗涤过程的信息。这是作为标准能够适用于所有洗衣机的洗涤过程。在此情况下，可以在没有洗衣机的识别信息的情况下搜索过程设定信息，或者利用识别信息的一部分来搜索过程设定信息。
更详细地说，中央控制服务器700的设备控制部710提取关键词，并利用提取到的关键词和洗衣机的识别信息，如S41首先在第一数据库721搜索是否存在对洗衣机特定化的洗涤过程(该洗衣机特别提供的洗涤过程)(S37)。这是在过程设定信息与洗衣机的识别信息对应地分类的第一数据库721中搜索与第一关键词(污渍词)和第二关键词(布料词)对应的过程设定信息。
之后，当该关键词和搜索到的洗涤过程匹配时，导出将洗衣机控制为以该过程设定的过程设定信息(S38)。作为过程设定信息的一实施例可包括洗衣机的洗涤强度、水温、洗剂种类、洗剂量、洗涤物的污染物去除强度中的任意一种以上的组合。另外，在该洗衣机中可能会选择到特定的过程，例如，在洗衣机具有“煮洗”功能，且匹配结果为“煮洗”的情况下，可导出指示煮洗的过程设定信息。
另一方面，在S37中进行匹配流程的结果为第一数据库721中没有能够匹配的洗涤过程时，执行S42。即，若在S41中没有搜索到洗衣机的识别信息和与第一关键词、第二关键词对应的过程设定信息，则在存储有通用过程设定信息的第二数据库722中搜索与第一关键词和第二关键词对应的过程设定信息。即，在第二数据库722搜索是否存在能够匹配到的过程(S42)。搜索结果，导出用搜索到的过程来控制洗衣机的过程设定信息(S38)。例如，可以将标准过程和选项(漂洗、脱水、水温等)组合的洗涤方式作为过程设定信息导出。
在第一数据库721和第二数据库722中的任意一方均没有匹配的洗涤过程时，可以设定标准洗涤过程。
过程设定信息传送给洗衣机，洗衣机可以用声音输出(语音提示，TTS)或者用文本输出与该过程设定信息对应地进行动作的提示。为了TTS输出，可以利用语音服务器500的TTS部520。
在图2C说明到的内容可以应用于图1A的结构中。另外，如图1B所示，在一个洗衣机200内配置有语音识别部210和控制部250以及TTS部220的情况下，无需额外的通信过程就能够通过在洗衣机200内的各个结构要素之间交换信息，来导出过程设定信息。
图2C的关键词提取可在中央控制服务器700中进行，也可以在语音服务器500中进行。当然，也可以在将中央控制服务器700和语音服务器500结合为一体的一个服务器中进行动作。
例如，设备控制部710可从洗衣机100或语音服务器500传送的文本文件中提取第一关键词和第二关键词。
另外，当中央控制服务器700的通信部730从洗衣机100接收到语音数据时，配置于中央控制服务器700的语音识别部可以将其转换为文本并提取第一关键词和第二关键词。这是将在中央控制服务器700内包括语音服务器500的结构要素的情形作为一实施例。
另一方面，当中央控制服务器700的设备控制部710确认为未输入污渍词和布料词中的任意一种时，该中央控制服务器700的设备控制部710可以生成指示请求说出未输入的污渍词或布料词的提示消息的输出的消息。若输入“番茄酱”的污渍词，则设备控制部710可以生成指示输出提示消息的消息，以如S26地输出确认衣物种类的提示消息。之后，通信部730将所生成的消息传送给洗衣机100或语音服务器500，并从洗衣机100或语音服务器500接收关键词。接收到的关键词将与前述请求的污渍词和布料词中的任意一种对应的关键词的情形作为一实施例。
图3是用于说明本发明另一实施例的洗衣机的框图。
参照图3，本发明实施例的洗衣机300可包括第一数据获得部310、第二数据获取部320、洗涤部330、通信部340以及存储器350。
为了收集与使用者的洗涤模式相关的数据，第一数据获得部310可包括在图1A或图1B中说明到的接口部180和语音输入部110中的至少一种。
第二数据获取部320可包括在图1A或图2B中说明到的通信部130。
另一方面，第二数据获取部320可包括无线网络模块和近距离通信模块中的至少一种。
无线网络模块是用于与无线网络连接的模块，可内置或外置于终端100。无线网络模块形成为在基于无线网络技术的通信网络中收发无线信号。
作为无线网络技术，例如有：无线局域网(WLAN，Wireless Local AreaNetworks)、无线高保真(Wi-Fi，Wireless-Fidelity)、无线高保真直连(WirelessFidelity Direct)、数字生活网络联盟(DLNA，Digital Living Network Alliance)、无线宽带接入(WiBro，Wireless Broadband)、全球微波接入互操作性(WiMAX，WorldInteroperability for Microwave Access)、高速下行链路分组接入(HSDPA，High SpeedDownlink Packet Access)、高速上行链路分组接入(HSUPA，High Speed Uplink PacketAccess)、长期演进(LTE，Long Term Evolution)、长期演进技术升级(LTE-A，Long TermEvolution-Advanced)等。
无线网络模块可包括用于进行无线通信的无线通信电路。
近距离通信模块用于近距离通信(Short range communication)，可利用蓝牙(BluetoothTM)、射频识别(RFID，Radio Frequency Identification)、红外线通信(Infrared Data Association；IrDA)、超宽带(Ultra Wideband)、紫蜂协议、近场通信(NFC，Near Field Communication)、无线高保真(Wireless-Fidelity)、无线高保真直连、无线通用串行总线(Wireless Universal Serial Bus)技术中的至少一种，来支持近距离通信。
近距离通信模块可包括用于进行近距离通信的近距离通信电路。
另一方面，第二数据获取部320可包括摄像头。
摄像头可拍摄图像。具体地说，摄像头可以处理由图像传感器获取到的静止图像或运动图像等图像帧。被处理过的图像帧可以存储于存储器350。
另一方面，第二数据获取部320可包括标签识别器。在此，标签识别器可包括拍摄洗涤物的标签的摄像头和识别标记在洗衣机的标签上的文字、符号等的标签识别处理器。另一方面，也可以由处理器360来执行标签识别处理器的功能，而无需额外的标签识别器。
第二数据获取部320可包括用于检测周边环境信息的检测部。
在此，检测部可包括接近传感器(proximity sensor)、照度传感器(illuminationsensor)、触摸传感器(touch sensor)、加速度传感器(acceleration sensor)，磁传感器(magnetic sensor)、重力传感器(G-sensor)、陀螺仪传感器(gyroscope sensor)、运动传感器(motion sensor)、RGB传感器，红外线传感器(IR传感器：infrared sensor)、指纹传感器(finger scan sensor)、超声波传感器(ultrasonic sensor)、光学传感器(opticalsensor)、麦克风(microphone)、电池电量计(battery gauge)、环境传感器(例如，气压计、湿度计、温度计，辐射监测传感器、热传感器、气体传感器等)、化学传感器(例如，电子鼻、保健传感器、生物传感器等)、重量传感器中的至少一种。另一方面，本说明书中公开的洗衣机可以将由这些传感器中的两种以上的传感器检测到的信息组合并使用。
第二数据获取部320可包括在图1A或图1B中说明到的接口部180和语音输入部110中的至少一种，用于收集洗剂信息。
另一方面，在图1A或图1B中关于洗涤部190的说明可以全部应用于洗涤部330。
另一方面，在图1A或图1B中关于通信部130的说明可以全部应用于通信部340。此外，通信部340可通过以有线或无线的方式与其他电子设备连接，来与其他电子设备进行通信。为此，通信部340可包括有线通信电路或无线通信电路。
存储器350存储支持洗衣机300的多种功能的数据。
存储器350可存储在洗衣机300执行的多个应用程序(application program或应用(application))，用于洗衣机300的动作的数据、指令、用于处理器360的动作的数据(例如，用于机器学习的至少一种算法信息等)。
处理器360可以控制洗衣机的整体动作。
处理器360除了控制与所述应用程序相关的动作之外，通常还控制洗衣机300的整体动作。处理器360可对通过前述的结构要素输入或输出的信号、数据、信息等进行处理，或者执行存储于存储器350的应用程序，由此向使用者提供或处理适合的信息或功能。
另外，处理器360可以控制在图3说明到的结构要素中的至少一部分，以执行存储于存储器350中的应用程序。此外，为了所述应用程序的执行，处理器360可将洗衣机300中包括的结构要素中的至少两个以上彼此组合并使其动作。
处理器360可与控制器、控制部、微控制器、微处理器等术语混用。
另一方面，洗衣机300可包括图1A或图1B中说明到的装置100、200的一部分或所有的结构要素，并且可以执行在图1A或图1B中说明到的装置100、200的结构要素的功能。
另外，洗衣机300可与在图1A中说明到的语音服务器500和中央控制服务器700通信，并且可以执行在图1A中说明到的所有功能。
接着，对人工智能(artificial intelligence，AI)进行简略的说明。
人工智能(artificial intelligence，AI)是计算机工程学以及信息技术的一个分支，研究能够使计算机进行能够用人类的智能进行的思考、学习、自己开发等的方法，是指使计算机能够模仿人类的智能行为。
另外，人工智能并非以其自身单独存在，而是与计算机科学的其他领域有直接或间接的关联。尤其，在当今时代，非常积极的尝试在信息技术的多种领域中导入人工智能要素，以解决该领域的问题。
机器学习(machine learning)是人工智能的一分支，是一种在没有明示的程序的情形下对计算机赋予能够学习的能力的研究领域。
具体地说，机器学习是一种研究并建立基于经验数据来进行学习、进行预测、提高自身的性能的系统和用于该系统的算法的技术。机器学习的算法采用建立特定的模型的方式，以基于输入数据来引导预测或决定，而不是执行严格规定的静态程序指令。
在机器学习中，以如何分类数据为中心开发了很多机器学习算法。作为代表有决策树(Decision Tree)、贝叶斯网络(Bayesian network)、支持向量机(support vectormachine，SVM)以及人工神经网络(Artificial neural network)等。
决策树是通过将决策规则(Decision Rule)图表化为树结构来进行分类和预测的分析方法。
贝叶斯网络用曲线结构表现多个变量之间的概率关系(有条件独立：conditionalindependence)的模型。贝叶斯网络适合基于无监督学习(unsupervised learning)的数据挖掘(data mining)。
支持向量机是用于模式识别和资料分析的监督学习(supervised learning)的模型，主要用于分类和回归分析。
人工神经网络(Artificial Neural Network，ANN)是生物神经元的动作原理和神经元之间的连接关系模型，并以层(Layer)结构的形态连接称作节点(node)或处理元件(processing element)的多个神经元的信息处理系统。
人工神经网络(Artificial Neural Network，ANN)是在机器学习中使用到的模型，是受机器学习和认知科学中的生物学神经网络(动物的中枢神经系，尤其脑)启发而得到的统计学习算法。
具体地说，人工神经网络(Artificial Neural Network，ANN)可以是指用突触的结合形成网络的人工神经元(节点)通过学习来改变突触的结合强度，进而具有解决问题能力的整个模型。
术语人工神经网络(Artificial Neural Network，ANN)可与神经网络(NeuralNetwork)混用。
人工神经网络(Artificial Neural Network，ANN)可包括多个层(layer)，各个层可包括多个神经元(neuron)。另外，人工神经网络(Artificial Neural Network，ANN)可包括连接神经元(neuron)和神经元(neuron)的突触(synapse)。
通常，人工神经网络(Artificial Neural Network，ANN)可由下面的三个因子定义，即(1)不同层(layer)神经元之间的连接模式，(2)更新连接权重的学习过程，(3)对从前一层(layer)接收到的输入进行权和并生成输出值的激活函数。
人工神经网络(Artificial Neural Network，ANN)可包括如深度神经网络(DNN，Deep Neural Network)、递归神经网络(RNN，Recurrent Neural Network)、双向递归深度神经网络(BRDNN，Bidirectional Recurrent Deep Neural Network)、多层感知器(MLP，Multilayer Perceptron)、卷积神经网络(CNN，Convolutional Neural Network)的方式的网络模型，但是不限定于此。
在本说明书中术语‘层’可与‘阶层’混用。
人工神经网络(Artificial Neural Network，ANN)可根据层(layer)数而区分为单层神经网络(Single Layer Neural Networks)和多层神经网络(Multi Layer NeuralNetworks)。
普通单层神经网(Single Layer Neural Networks)由输入层和输出层构成。
另外，普通多层神经网络(Multi Layer Neural Networks)由输入层、隐藏层以及输出层构成。
输入层(input layer)是接收外部的资料的层，输入层的神经元数量与输入的变量的数量相同，隐藏层(hidden layer)位于输入层与输出层之间，并且从输入层接收信号并提取特性，之后传递给输出层。输出层(output layer)从隐藏层接收信号并向外部输出。神经元之间的输入信号乘以具有0～1之间的值的各个连接强度，之后求和，若该和大于神经元的阈值，则神经元被急活并通过激活函数成为输出值。
另一方面，在输入层(input layer)与输出层(output layer)之间包括多个隐藏层(hidden layer)的深度圣经网络(Deep Neural Network，DNN)可以是实现作为机器学习(machine learning)技术的一种类型的深度学习(deep learning)的典型的人工神经网络。
此外，术语‘深度学习’可与术语‘深层学习’混用。
人工神经网络(Artificial Neural Network，ANN)可利用训练数据(trainingdata)来进行学习(training)。在此，学习(training)可以是指为了实现对输入数据进行分类(classification)或回归分析(regression)或聚类(clustering)等目的，而利用学习数据来确定人工神经网络(Artificial Neural Network，ANN)的参数(parameter)的过程。
作为人工神经网络(Artificial Neural Network，ANN)的参数的代表性示例，可以举出赋予突触的权重(weight)或应用于神经元的变差(bias)。这种参数作为内部参数可通过人工神经网络(Artificial Neural Network，ANN)的训练来确定或更新。
作为人工神经网络(Artificial Neural Network，ANN)的参数的另一示例，可以举出通过对层数、神经元的数量、其他层(layer)的神经元之间的连接模式，从前一层(layer)接收到的输入进行加重求和来生成输出值的激活函数。使用者可将这种参数作为外部参数设定。
通过训练数据学到的人工神经网络，可根据输入数据具有的模式来对输入数据进行分类(classification)或聚类(clustering)。
另一方面，在本说明书中，可将利用训练数据而学习到的人工神经网络称作学习模型(a trained model)。
接着，对人工神经网络(Artificial Neural Network，ANN)的学习方式进行说明。
人工神经网络(Artificial Neural Network，ANN)的学习方式可大致分类为监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)、半监督学习(semi-supervised learning)、强化学习(Reinforcement learning)。
监督学习(Supervised Learning)是机器学习(Machine Learning)的一种方法，用于从训练数据(Training Data)导出一个函数。
并且，在以如上所述的方式导出的函数中，可以将输出连续值的称作回归分析(Regression)，可将预测并输出输入矢量的类别(class)的称作分类(Classification)。
在监督学习中，在提供有训练数据(training data)的标签(label)的状态下，使人工神经网络(Artificial Neural Network，ANN)学习。
在此，标签(label)是指当将训练数据(training data)输入到人工神经网络(Artificial Neural Network，ANN)中时，人工神经网络(Artificial Neural Network，ANN)应该推断出的正确答案(或结果值)。
在本说明书中，可将当输入训练数据(training data)时人工神经网络(Artificial Neural Network，ANN)应该推断出的正确答案(或结果值)称作标签(label)或标记数据(labeling data)。
另外，在本说明书中，将为了人工神经网络(Artificial Neural Network，ANN)的学习而在训练数据(training data)中标记标签(label)命名为在训练数据(trainingdata)标记(labeling)标记数据(labeling data)。
在此情况下，训练数据(training data)和与训练数据对应的标签(label)构成一个训练集(training set)，并且可以以训练集(training set)的形态输入到人工神经网络(Artificial Neural Network，ANN)。
另一方面，训练数据(training data)表示多个特征(feature)，在训练数据中标签(label)成为标记(labeling)可以意味着在训练数据(training data)所表示的特征带有标签(label)。在此情况下，训练数据(training data)可以以矢量形式表示输入对象。
人工神经网络(Artificial Neural Network，ANN)可利用训练数据和标记数据(labeling data)，来导出关于训练数据和标记数据(labeling data)的关联的函数。另外，人工神经网络(Artificial Neural Network，ANN)可通过对所导出的函数的评价来确定人工神经网络(Artificial Neural Network，ANN)的参数(优化)。
无监督学习(Unsupervised Learning)是机器学习的一种，其没有标记对训练数据的标签(label)
具体而言，无监督学习(Unsupervised Learning)可以是使人工神经网络学习的学习方法，在训练数据本身寻找模式并分类，而不是在训练数据和与训练数据相对应的标签(label)之间的关联中寻找。
作为无监督学习(Unsupervised Learning)的例子，可以举出聚类(Clustering)或独立成分分析(Independent Component Analysis)。
作为使用无监督学习的人工神经网络的一例，可以举出生成对抗神经网络(Generative Adversarial Network，GAN)、自动编码器(Autoencoder，AE)。
生成对抗神经网络(Generative Adversarial Network，GAN)是生成器(generator)和鉴别器(discriminator)两个不同的人工智能竞争并提高性能的机器学习方法。
在此情况下，生成器(generator)是创造新的数据的模型，可以基于原始数据生成新的数据。
并且，鉴别器(discriminator)是识别数据的模式的模型，可以用作执行鉴别基于原始数据由生成器(generator)生成的新数据是否真实。
此外，生成器(generator)可以接收并学习不能欺骗鉴别器(discriminator)的数据，鉴别器(discriminator)可以从生成器(generator)接收欺骗数据并学习。由此，生成器(generator)可以进化为能够最大程度地欺骗鉴别器(discriminator)，并且，可以进化为能够更好地区分由鉴别器(discriminator)的原始数据和生成器(generator)生成的数据。
自动编码器(Autoencoder，AE)是以将输入本身再现为输出为目的的神经网络。
自动编码器(Autoencoder，AE)包括输入层、隐藏层以及输出层，输入数据通过输入层进入到隐藏层。
在此情况下，由于隐藏层的节点数小于输入层的节点数，因此减小了数据的维数，由此执行压缩或编码。
并且，从隐藏层输出的数据进入到输出层。在此情况下，由于输出层的节点数大于隐藏层的节点数，因此增加了数据的维数，由此执行解压缩或解码。
另外，自动编码器(Autoencoder，AE)通过学习来调整神经元的连接强度，由此用隐藏层数据来表示输入数据。在隐藏层中，以数量少于输入层的神经元来表示信息，可将输入数据再现为输出是指隐藏层从输入数据中发现隐藏模式并进行了表达。
半监督学习(Semi-Supervised Learning)作为机器学习中的一种，可以表示使用标记了标签(label)的训练数据和未标记标签(label)的训练数据的学习方法。
作为半监督学习的技术中的一种，有在推断未标记标签的训练数据的标签之后，使用所推断的标签进行学习的技术，这种技术可以在标记所需成本很高的情况下使用。
强化学习(Reinforcement learning)是一种理论，即当给出了代理(Agent)能够判断何时采取哪种行动的环境时，可以在没有数据的情况下通过经验寻找最佳途径。
强化学习(Reinforcement Learning)可以主要通过马尔可夫决策过程(MarkovDecision Process，MDP)来进行。
对马尔可夫决策过程(Markov Decision Process，MDP)进行说明如下：第一、给出由代理采取下一步行动所需的信息构成的环境，第二、定义代理在该环境中如何行动，第三、定义当代理成功采取某种行为时给予奖赏(reward)，当未能采取某种行为时给予惩罚(penalty)，第四、重复经验，直到将来的奖励达到最高点，从而导出最佳的策略(policy)。
另一方面，在本说明书中，可将通过强化学习来进行学习并决定参数或持续更新的人工神经网络命名为强化学习模型。
图4是用于说明本发明实施例的洗衣机的动作方法的图。
本发明实施例的洗衣机300的动作方法可包括：收集与洗涤模式相关的数据的步骤(S410)，收集与状况信息相关的数据的步骤(S430)，将使用者的洗涤模式和状况信息作为环境(environment)提供给强化学习模型的步骤(S450)以及若强化学习模型推荐洗涤过程，则利用使用者对推荐的洗涤过程的反馈，来训练强化学习模型的步骤(S470)。
参照图5和图6，对S410和S430进行说明。
图5是用于说明收集与洗涤模式相关的数据和与状况信息相关的数据的方法的图。
第一数据获得部310可以收集与使用者610的洗涤模式相关的数据。
在此，使用者的洗涤模式可包括使用者选择的洗涤过程和构成洗涤过程的要素中的至少一种。
在此，洗涤过程是由洗衣机制造商设定或使用者直接设定的洗涤过程，可以是普通洗涤过程、毛织物洗涤过程、被褥洗涤过程、使用者指定过程等。
使用者指定过程可以是通过调整洗衣机制造商设定的过程的一部分要素，或者使用者通过结合构成洗涤过程的要素而生成的。
构成洗涤过程的要素可包括水温、洗涤次数、洗涤时间、漂洗次数、漂洗时间、脱水次数、脱水时间以及洗剂量中的至少一种。
另一方面，若在第一数据获得部310收集到与使用者的洗涤模式相关的数据，则处理器360可利用所收集到的数据来获得使用者的洗涤模式并将其存储于存储器350内的数据库中。
另一方面，使用者的洗涤模式可以表示使用者的偏爱洗涤模式。具体而言，处理器可利用使用者的洗衣机使用履历来获得使用者偏爱的洗涤模式。在此情况下，处理器可将使用者的偏爱洗涤模式存储于数据库。
第二数据获取部320可以收集与状况信息相关的数据。
在此，状况信息可包括洗涤物、周边环境、使用者状态、洗剂以及其他使用者偏爱使用模式中的至少一种。
在此，洗涤物550可包括洗涤物种类(裤子、毛巾、袜子、夹克、大衣等)、洗涤物特性((衣料(棉、毛织物、针织物)/大小/单个重量等)、使用者投入的洗涤物的总重量等。第二数据获取部320可通过重量传感器、摄像头以及标签识别器中的至少一种来获取与洗涤物相关的数据。
另外，周边环境520可包括日期、时间、星期、季节、天气、室内湿度、室内温度等。第二数据获取部320可通过检测部来直接获取与周边环境相关的数据，或者通过无线网络模块或近距离通信模块从服务器、物联网装置或另一家电设备接收与周边环境相关的数据。
另外，使用者状态530可包括使用者健康状态、最近日程等。第二数据获取部320可通过无线网络模块与使用者的账户(日历、邮箱账户等)连接来接收与使用者的状态相关的数据。
另外，洗剂信息540可包括洗剂特性、种类、浓度等。第二数据获取部320可通过接口部或语音输入部来接收使用者输入的与洗剂信息相关的数据，或者通过无线网络模块从服务器接收与洗剂信息相关的数据。
另外，其他使用者偏爱模式可以在状况信息相似的状况下包括其他使用者的洗涤模式、根据洗涤模式的洗涤时间、洗涤之后的洗涤物清洁度、能量消耗、使用者满意度等。第二数据获取部320可通过无线网络模块从服务器接收与其他使用者偏爱模式相关的数据。
另一方面，当通过第二数据获取部320收集到与状况信息相关的数据时，处理器360可利用收集到的数据来获得状况信息。
图6是用于说明按使用者收集洗涤模式的方法的图。
由于一个家庭可能会有多名成员，因此可能会有多人610、620、630使用洗衣机300。
如图6a所示，多名使用者610、620、630对洗涤过程的要求可能会彼此不同。
例如，作为忙碌的职场人A使用者可能会偏爱快速洗涤，作为负责家人的健康的家庭主妇B使用者可能会偏爱干净的洗涤。另外，作为经常运动的C使用者可能会偏爱有利于去除汗味儿的洗涤。
在此情况下，处理器可以获取并存储与多名使用者分别对应的多个洗涤模式。
具体地说，处理器可利用通过第一数据获得部收集到的数据来识别多名使用者中的特定使用者。
例如，可通过第一数据获得部来收集A使用者610的语音数据、B使用者620的语音数据以及C使用者630的语音数据。在此情况下，处理器可基于从多名使用者接收到的语音数据的特性，区分多名使用者。
由此，若接收到语音数据，则处理器可基于接收到的语音数据的特性，识别并确定说出语音数据的使用者。
若从语音数据收集到与洗涤模式相关的数据，则处理器利可用与洗涤模式相关的数据来获取使用者的洗涤模式，并与获取到的洗涤模式一起存储与说出获取到的洗涤模式的语音数据的使用者相匹配的信息。
通过如上所述的方式，处理器可将与A使用者对应的A使用者的洗涤模式，与B使用者对应的B使用者的洗涤模式，与C使用者对应的C使用者的洗涤模式存储于数据库中。
另一方面，处理器可利用通过第一数据获得部收集到的数据来识别多名使用者中的特定使用者，并获取特定使用者的洗涤模式。
具体地说，若接收到语音数据，则处理器可基于接收到的语音数据的特性，来识别并确定说出语音数据的使用者，并通过搜索数据库来获取与说出语音数据的使用者对应的洗涤模式。
接着，具体说明在图4中说明到的将使用者的洗涤模式和状况信息作为环境(environment)提供给强化学习模型的步骤(S450)。
处理器可向强化学习模型提供使用者的洗涤模式和状况信息。
在多名使用者使用洗衣机的情况下，处理器通过利用第一数据获得部收集到的数据来识别多名使用者中的特定使用者，并向强化学习模型提供特定使用者的洗涤模式和状况信息。
在此情况下，处理器可对使用者的洗涤模式和状况信息进行预处理并提供给强化学习模型。
对此，将参照图7和图8来进行说明。
图7是用于说明洗涤模式的预处理过程的图。在图7A示出了预处理之前的数据表格，在图7B示出了预处理之后的数据表格。
处理器可对洗涤模式进行预处理。
具体地说，处理器可以以独热矢量(one-hot vector)的方式对离散值(discretevalue)进行预处理。在此，离散值(discrete value)可以是洗涤次数、漂洗次数、煮洗次数、偏爱过程等可分类的值。
另外，处理器可以以归一化为0与1之间的值的方式对连续值(continuous value)进行预处理。在此，连续值(continuous value)可以是洗涤时间、水温等连续的值。
图8是用于说明状况信息的预处理过程的图。图8A示出了预处理之前的数据表格，图8B示出了预处理之后的数据表格。
处理器可对状况信息进行预处理。
具体地说，处理器可以以独热矢量(one-hot vector)话的方式对离散值(discrete value)进行预处理。在状况信息中的离散值可包括洗涤物衣料种类、洗涤物是否可以用洗衣机洗涤、洗涤物是否可以手洗、洗涤物是否可以用水洗涤、可对洗涤物使用的洗剂种类、洗涤物是否可以煮洗、星期、季节、天气、日程、使用者健康状态(上、中、下)，在当前洗衣机中使用到的洗剂类型，在当前洗衣机中使用到的洗剂的特性等。
另一方面，处理器可以以归一化为0与1之间的值的方式对连续值(continuousvalue)进行预处理。在状况信息中的连续值可包括按洗涤物的可洗涤的水温、当前时间、当前湿度、当前温度、洗剂浓度、其他使用者偏爱过程中的能量消耗量、其他使用者偏爱过程中的使用者满意度、其他使用者偏爱过程中的洗涤后污染度、其他使用者偏爱过程中的洗涤时间等。
另一方面，处理器可将使用者的洗涤模式和状况信息作为环境(environment)提供给强化学习模型。在此情况下，强化学习模型可以推荐洗涤过程。
对此，将参照图9进行具体的说明。
图9是用于说明本发明的强化学习方法的图。
强化学习模型可搭载于洗衣机300。
另一方面，强化学习模型可用硬件、软件或硬件和软件的组合来实现，在强化学习模型的一部分或全部用软件实现的情况下，构成强化学习模型的一个以上的指令可以存储于存储器350。
强化学习(Reinforcement learning)是一种理论，即当给出了代理(Agent)能够判断何时采取哪种行动的环境时，可以在没有数据的情况下通过经验寻找最佳途径。
强化学习(Reinforcement Learning)主要可以通过马尔可夫决策过程(MarkovDecision Process，MDP)来执行。
对马尔可夫决策过程(Markov Decision Process，MDP)进行说明如下：第一、给出由代理采取下一步行动所需的信息构成的环境，第二、定义代理在该环境中如何行动，第三、定义当代理成功采取某种行为时给予奖励(reward)，当未能采取某种行为时给予(penalty)，第四、重复经验，直到将来的奖励达到最高点，从而导出最佳的策略(policy)。
若将马尔可夫决策过程应用于本发明，则代理可以是洗衣机，更具体地说可以是强化学习模型。
另外，第一、在本发明中，可以向代理(强化学习模型)提供构成用于代理(强化学习模型)进行下一个行动而所需的信息的环境、即，使用者的洗涤模式和状况信息。
第二、在本发明中，可以利用代理(强化学习模型)提供的洗涤信息和状况信息来确定以何种方式进行动作，即，可以确定推荐哪一种洗涤过程。
另外，第三、可定义为当代理(强化学习模型)推荐使用者所希望的洗涤过程时，给予奖赏(reward)，当未推荐使用者所希望的洗涤过程时提供惩罚(penalty)。在此情况下，代理(强化学习模型)可基于奖赏(reward)和惩罚(penalty)来更新神经网络的参数。
另外，第四、代理(强化学习模型)可通过反复经验直至未来的奖赏达到最高点，来推荐最优的策略(policy)，即，使用者所希望的洗涤过程。
关于本发明的具体的强化学习方式，将参照图10进行说明。
图10是用于说明本发明实施例的强化学习方法的图。
首先，处理器可通过第一数据获得部接收来自使用者的输入(S1010)。
在此情况下，处理器可利用输入来识别多名使用者中的特定使用者，并获取与特定使用者对应的洗涤模式。
在此情况下，处理器可将获取到的洗涤模式和状况信息作为环境(environment)提供给强化学习模型。即，处理器可向强化学习模型1090输入获取到的洗涤模式和状况信息(S1020)。
在此情况下，强化学习模型1090可基于洗涤模式和状况信息推荐洗涤过程。
另一方面，强化学习模型可以是进行过预训练的状态。
在此，进行过预训练的状态是指强化学习模型通过制造商先行进行了学习的状态。在此情况下，先行进行了学习的强化学习模型会搭载于上市的洗衣机中，或者从服务器传送给洗衣机，由此可以替代现有的强化学习模型。
如上所述，在强化学习模型得到预训练的情况下，可以快速提高强化学习的速度和强化学习模型的性能。关于此，将参照图13进行更详细的说明。
强化学习模型可以考虑使用者的洗涤模式和状况信息，并推荐多种洗涤过程。
例如，在A使用者对应偏爱快速洗涤的洗涤模式且洗涤物为衬衫的情况下，强化学习模型可以推荐既适合衬衫的洗涤又能够进行快速洗涤的A洗涤过程。又例如，在B使用者对应偏爱干净洗涤的洗涤模式且洗涤物为衬衫的情况下，强化学习模型可以推荐既适合衬衫的洗涤且能够进行干净的洗涤的B洗涤过程。在此情况下，A洗涤过程可以是10分钟洗涤、2次漂洗、5分钟脱水，B洗涤过程可以是15分钟洗涤、3次漂洗、5分钟脱水。
又例如，在C使用者对应偏爱煮洗功能的洗涤模式且洗涤物为被褥的情况下，强化学习模型可以推荐追加有煮洗功能的洗涤过程。另外，在D使用者对应偏爱掸功能的洗涤模式且洗涤物为被褥的情况下，强化学习模型可以推荐用掸功能替代煮洗功能的洗涤过程。
又例如，在E使用者对应偏爱煮洗功能且洗涤外部微尘少的衬衫的情况下，强化学习模型可以推荐追加有煮洗功能的洗涤过程。另外，在E使用者偏爱煮洗功能且洗涤外部微尘多的衬衫的情况下，强化学习模型可以推荐追加有煮洗功能和掸功能的洗涤过程。
又例如，在F使用者偏爱快速洗涤的情况下，强化学习模型可以推荐可快速洗涤的C洗涤过程。但是，从日历获取到的F使用者日程上来看在F使用者在运动之后马上进行洗涤的情况下，强化学习模型可以推荐在C洗涤过程上强化去除汗味除功能的洗涤过程。
如上所述的示例，不过是将多种洗涤模式和状况信息非常简单化的示例，从神经网络的特性方面来看，强化学习模型可结合非常多的要素并推荐最优的洗涤过程。
另一方面，强化学习模型可对洗涤模式赋予比状况信息更高的权重并推荐洗涤过程。
具体地说，当参照此前对洗涤模式和状况信息的说明时，构成状况信息的要素比构成使用者的洗涤模式的要素多很多。
因此，在对构成洗涤模式的要素和构成状况信息的要素赋予相同的权重的情况下，因多名使用者的洗涤模式而难以区分并推荐洗涤过程。
因此，强化学习模型可将参数设定为对洗涤模式赋予比状况信息更高的权重。并且，强化学习模型可根据设定的参数，对洗涤模式赋予比状况信息更高的权重并推荐洗涤过程。
另一方面，若强化学习模型推荐洗涤过程，则处理器可以输出关于所推荐的洗涤过程的信息。(S1030)
具体地说，处理器可显示或用语音输出所推荐的洗涤过程和洗涤过程的详细信息。
另一方面，处理器可以接收使用者对推荐的洗涤过程的反馈(S1040)。
例如，在基于A使用者的洗涤模式和状况信息来推荐洗涤过程的情况下，处理器可作为反馈接收A使用者的语音输入、按键输入、触摸输入等。
在此情况下，处理器可利使用者对用所推荐的洗涤过程的反馈来训练强化学习模型。
具体地说，处理器可向强化学习模型提供与接收到的反馈对应的奖赏或惩罚(S1050)。在此情况下，强化学习模型基于奖赏或惩罚，建立新的策略(policy)，并更新参数以对应新的策略(S1060)。
接着，对向强化学习模型提供反馈的方法进行具体的说明。
图11是用于说明本发明实施例的向强化学习模型提供反馈的方法的图。
反馈可包括肯定反馈和否定反馈，所述肯定反馈表示对强化学习模型推荐的洗涤过程的肯定的反应，所述否定反馈表示对强化学习模型推荐的洗涤过程的否定的反应。
在此，肯定反馈可包括所推荐的洗涤过程的选择、搜索、存储或再选择。
在此，所推荐的洗涤过程的选择可以是接收到对所推荐的洗涤过程的执行指令的情形。例如，可以是当洗衣机说出“是否以由a要素、b要素、c要素构成的A过程来进行洗涤？”时，接收到使用者的“好的”输入的情形。
另外，所推荐的洗涤过程的存储可以是接收到存储所推荐的洗涤过程的指令的情形。例如，可以是当洗衣机推荐A过程时，接收到使用者的“请存储该过程”的输入的情形。
另外，所推荐的洗涤过程的搜索可以是接收到搜索过去推荐过的洗涤过程的指令的情形。例如，可以是洗衣机在过去推荐过A过程且所推荐的A过程留在记录中，并接收到使用者的用于显示A过程的详细信息的输入的情形。
另外，所推荐的洗涤过程的再选择可以是接收到再次选择过去推荐过的洗涤过程的指令。例如，可以是洗衣机在过去推荐过A过程且推荐过的A过程留在记录中，并接收到使用者的用于以A过程进行洗涤的输入的情形。
另一方面，否定反馈可包括所推荐的洗涤过程的未选择、取消、删除或不使用设定。
在此，所推荐的洗涤过程的未选择可以是没有接收到对所推荐的洗涤过程的执行指令的情形。例如，可以是当洗衣机提出“是否用由a要素、b要素、c要素构成的A过程进行洗涤？”时，接收到使用者的“不”的输入的情形。
另外，所推荐的洗涤过程的取消可以是接收到对所推荐的洗涤过程的执行中断指令的情形。例如，可以是虽然当洗衣机提出“是否用由a要素、b要素、c要素构成的A过程进行洗涤？”时用A过程进行了洗涤，但是接收到使用者的“请中断洗涤并用其他过程”的输入的情形。
另外，所推荐的洗涤过程的删除可以是接收到从过去推荐过的洗涤过程的记录中删除的指令的情形。例如，可以是洗衣机推荐了过去推荐过的A过程且所推荐的A过程留在记录中，并接收到使用者的用于从记录中删除所推荐的A过程的输入的情形。
另外，所推荐的洗涤过程的不使用设定可以是接收到禁止再次推荐所推荐的洗涤过程的指令的情形。例如，可以是洗衣机推荐了A过程，并接收到使用者的“以后不要推荐A过程”的输入的情形。
另外，在使用者的反馈为肯定反馈的情况下，处理器对强化学习模型赋予奖赏(reward)，在使用者的反馈为否定反馈的情况下对强化学习模型赋予惩罚(reward)。
另外，处理器可根据肯定反馈的强度赋予不同级别的奖赏。
具体地说，在肯定反馈为选择所推荐的洗涤过程的情况下，处理器可对强化学习模型赋予第一级别(例如，+1)的奖赏，肯定反馈为搜索所推荐的洗涤过程、存储或再选择的情况下，可对强化学习模型赋予作为大于第一级别的第二级别(例如，+2)的奖赏。
例如，选择所推荐的洗涤过程是单纯的同意，因此是强度低的反馈，相反，搜索、存储、再选择所推荐的洗涤过程是表示使用者想再次使用所推荐的洗涤过程的意愿，因此可以是强度高的反馈。
因此，处理器可根据肯定反馈的强度赋予不同级别的奖赏，强化学习模型可基于奖赏级别进行强化学习。
另一方面，处理器可根据否定反馈的强度，赋予不同级别的惩罚。
具体地说，在否定反馈为未选择所推荐的洗涤过程的情况下，处理器对强化学习模型赋予第三级别(例如，-1)的惩罚，在否定反馈为所推荐的洗涤过程的删除、取消或不使用设定的情况下，处理器可对强化学习模型赋予大于第三级别的第四级别(例如，-2)的惩罚。
例如，未选择所推荐的洗涤过程是单纯地拒绝，因此是强度低的反馈，相反，推荐的洗涤过程的删除、取消、未使用设定是表示使用者不想再次使用所推荐的洗涤过程的意愿，因此可以是强度高的反馈。
因此，处理器可根据否定反馈的强度，赋予不同级别的惩罚，强化学习模型可基于惩罚的级别进行强化学习。
另外，在洗涤结束之后，处理器可以从使用者接收反馈。
具体地说，洗涤结束之后可以是使用者对洗涤过程(洗涤时间、洗涤物清洁度、能量消耗量等)进行过评价的状态。
因此，在洗涤结束之后，处理器可从使用者接收反馈，并对强化学习赋予与反馈对应的奖赏或惩罚。
在此情况下，处理器可通过第一数据获得部来接收反馈。另外，当使用者利用移动终端来输入满意度时，处理器可通过与移动终端进行通信的通信部来接收反馈。
另一方面，在洗涤结束之后，处理器可以输出或存储洗涤时间、洗涤物清洁度、能量消耗量等洗涤信息。
另一方面，在接收到来自使用者的否定反馈的情况下，处理器可以对使用者的洗涤模式赋予更高的权重并推荐洗涤过程。
具体而言，状况信息是普遍适用于所有使用者的客观的状况信息，而不是反映使用者的嗜好的状况信息。即，根据状况信息推荐的洗涤过程反映出客观状况，并且是制造商通过多次实验和模拟而导出的状况信息。
因此，从使用者接收到否定反馈是表示所推荐的洗涤过程与状况信息相比不符使用者的洗涤模式的可能性更高。
因此，在从使用者接收到否定反馈的情况下，处理器可以对使用者的洗涤模式赋予更高的权重并推荐洗涤过程。
作为另一实施例，当从使用者接收到的否定反馈的频度增加或者从使用者接收到预先设定的次数以上的否定反馈时，处理器可对使用者的洗涤模式赋予更高的权重并推荐洗涤过程。
图12是用于说明接收到否定反馈之后重新设定洗涤过程时的动作方法的图。
在从使用者接收到对所推荐的洗涤过程的否定反馈之后，可以重新设定洗涤过程。
例如，虽然洗衣机说出“推荐A过程”，但是从使用者接收到“不，选择B过程”的输入的情形。
作为另一例子，可以举出虽然洗衣机说出“推荐A过程”，但是使用者直接设定构成洗涤过程的要素(洗涤时间、漂洗次数、脱水时间等)的情形。如上所述的情形是接收到默认的否定反馈之后由使用者直接设定洗涤过程的情形。
如上所述，在从特定使用者接收到对所推荐的洗涤过程的否定反馈之后重新设定了洗涤过程的情况下，处理器利用所推荐的洗涤过程和重新设定的洗涤过程的差异来更新使用者的偏爱洗涤模式。
例如，参照图12，使用者减少了一次漂洗的次数并增加了一次脱水次数。在此情况下，处理器可利用这种差异来更新使用者的偏爱洗涤模式。
根据如上所述的本发明，可以推荐在当前状况下最优且考虑到使用者的洗涤嗜好的洗涤过程。
另外，根据本发明，将多名使用者的反映用作反馈并赋予多种级别的奖赏或惩罚，由此具有能够准确地反映出使用者的嗜好，进行强化学习，并推荐洗涤过程的优点。
另外，根据本发明，在使用者每次洗涤时持续进行强化学习，由此具有能够持续提高强化学习模型的性能的优点。
图13是用于说明预训练本发明实施例的强化学习模型的方法的图。
搭载于洗衣机的强化学习模型可以是进行过预训练的状态。在此，进行过预训练的状态是指强化学习模型通过制造商或其他机关先行进行了训练的状态。
另一方面，强化学习模型可通过利用基于云服务获取到的多名使用者的洗涤模式、状况信息以及反馈的进行的强化学习，来进行预训练。
具体地说，云服务器1310可以接收在洗涤时输入到强化学习模型的洗涤模式、状况信息以及对推荐的洗涤过程的反馈。
在此情况下，云服务器1310可将多名使用者的洗涤模式、状况信息作为环境提供给强化学习模型，并利用与所提供的洗涤模式和状况信息对应的反馈来训练强化学习模型。
若强化学习模型以这种方式得到预训练，则预训练过的强化学习模型可重新搭载于洗衣机或可以替代洗衣机内现有的强化学习模型。
如上所述，根据预训练强化学习模型的方式，由于学习数据成倍增长，因此具有将强化学习模型搭载于洗衣机之后可以推荐与使用者的洗涤模式和状况信息更符合的洗涤过程，并且缩短学习所需的时间的优点。
另一方面，预训练强化学习模型的方式不限定于基于云服务的预训练。
具体地说，可利用状况信息来预训练强化学习模型。
具体地说，服务器可通过将状况信息提供给神经网络来训练强化学习模型。
在此情况下，可以使用监督学习或强化学习。
例如，服务器可以以在特定的状况信息标记特定洗涤过程的方式的监督学习来训练强化学习模型。
又例如，服务器可以以将状况信息作为环境提供给强化学习模型，并对强化学习模型的行动(洗涤过程的推荐)赋予奖赏或惩罚的方式训练强化学习模型。
若强化学习模型以这种方式得到预训练，则预训练过的强化学习模型可以重新搭载于洗衣机或替代洗衣机内现有的强化学习模型。
将特定使用者的洗涤模式作为环境提供仅可以在强化学习模型搭载于洗衣机之后进行。但是，利用环境信息的学习可以在强化学习模型搭载于洗衣机之前进行。
因此，根据本发明，在强化学习模型的搭载之前预先进行可进行的学习，由此具有能够在强化学习模型搭载于洗衣机之后推荐更符合使用者的洗涤模式和状况信息的洗涤过程，并且缩短学习所需的时间的优点。
例如，利用状况信息进行预训练之后，首次搭载于洗衣机的强化学习模型，虽然不能推荐反映特定使用者的洗涤模式的洗涤过程，但是可以推荐反映状况信息的最优的洗涤过程。并且，之后反映出特定使用者的洗涤模式并稍微修正参数即可，因此具有缩短学习时间的优点。
另一方面，当多名使用者使用洗衣机时，强化学习模型可包括与多名使用者分别对应的强化学习模型。
例如，当A使用者使用洗衣机时，处理器可利用与A使用者对应的第一强化学习模型来推荐洗涤过程，并利用A使用者的反馈来训练第一强化学习模型。
又例如，当B使用者使用洗衣机时，处理器可利用与B使用者对应的第二强化学习模型来推荐洗涤过程，并利用B使用者的反馈来训练第二强化学习模型。
图14是用于说明本发明实施例的洗涤过程服务的图。
处理器可提供洗涤过程服务。
在此情况下，洗涤过程服务可包括：过程推荐、使用者的洗涤过程搜索、用季节/衣料/功能性衣物等搜索、将过程下载到洗衣机以及添加、确认添加到洗涤过程选择目录1410的过程、用选择的过程洗涤、对于过程的使用者的反馈、过程删除或修正、共享或上传修正的过程、变更过程的顺序、当按压开始键时直接被选择的默认(default)过程选择、根据使用频度自动分类过程等功能。
另一方面，多个洗衣机可基于云来连接，并且可将与当前洗涤物以及状况(洗涤物/周边环境/天气/使用者状态)相似的状况下的偏爱过程的信息共享给其他使用者。
另外，可将洗涤时间/洗涤之后洗涤物清洁度/能量消耗/满意度等信息共享给其他使用者。
另外，云服务器可向洗衣机传送使用者偏爱度高的过程。
具体而言，洗衣机用户可以通过应用程序等社交网络实时地共享针对季节/天气/衣料/重量/洗剂等的、洗衣机使用者对过程的偏爱度以及偏爱过程。
在此情况下，云服务器可向洗衣机传送使用者的偏爱度高的洗涤过程，洗衣机可以显示或用声音输出这种洗涤过程。
在此情况下，洗衣机可从上端开始排列并显示人气过程(偏爱度高的过程)。
并且，当使用者选择来自服务器的洗涤过程时，处理器可按所选择的洗涤过程进行洗涤。
另外，洗衣机包括：一个以上的传感器；以及处理器，所述处理器构成为，获取使用者的洗涤模式，通过所述一个以上的传感器，来获取与所述使用者的洗衣机的特定动作事件相关的状况信息，将所获取到的洗涤模式和所获取到的状况信息提供给与所述使用者相关的强化学习模型，获取基于所述洗涤模式和所述状况信息且由所述强化学习模型提供的、对所述特定动作事件的所述洗衣机推荐的动作设定，确定所述使用者的对所推荐的动作设定的反馈，通过向所述强化学习模型提供所确定的反馈，来进一步训练与所述使用者相关的所述模型。
在此情况下，所述状况信息可包括所述特定动作事件中的洗涤物的种类、关于所述洗衣机的环境的信息、所述使用者的个人信息、所述特定动作事件中的关于洗剂的信息、相似的使用者的洗涤模式中的至少一种。
在此情况下，还包括无线通信部，所述使用者的所述个人信息通过所述无线通信部来接收，使用者的所述个人信息可包括所述使用者的健康的信息、所述使用者的日程信息、所述使用者的电子邮件记录、所述使用者的采购记录中的至少一种。
另一方面，还包括无线通信部，所述状况信息包括所述使用者的个人信息，所述使用者的个人信息包括通过所述无线通信部接收到的在所述特定动作事件时间之前，所述使用者的预先设定的事件，所推荐的动作设定可以为了在所述预先设定的时间期间有效地洗涤所述使用者穿过的衣物而被选择。
另一方面，关于所述洗衣机的环境的信息可包括与所述洗衣机的所述特定动作事件相关的日期、时间、星期、季节、温度或湿度中的至少一种。
另一方面，还包括存储器，所述使用者的所获取到的洗涤模式可以基于与所述使用者相关的所述洗衣机的多个之前动作中存储于所述存储器的信息。
在此情况下，还包括麦克风，所述一个以上的处理器通过所述麦克风从所述使用者接收用于对所述特定动作事件设定所述洗衣机的语音输入，基于所接收到的语音输入的语音识别来识别所述使用者，通过基于语音识别的所述使用者的身份，从所述存储器获取所述洗涤模式。
另一方面，所述使用者的反馈可包括因所述使用者对所述特定动作事件选择所推荐的动作设定而产生的肯定强化或因所述使用者对所述特定动作事件选择其他动作设定而产生的否定强化。
在此情况下，所述一个以上的处理器基于所推荐的洗涤过程和所选择的其他动作设定之间的差异，更新所述使用者的存储的偏爱度。
另一方面，洗衣机的控制方法包括：获取使用者的洗涤模式的步骤；获取与所述使用者对所述洗衣机的特定动作事件相关的状况信息的步骤；将所获取到的洗涤模式和所获取到的状况信息提供给与所述使用者相关的强化学习模型的步骤；获取基于所述洗涤模式和所述状况信息且由所述强化学习模型提供的、对所述特定动作事件的所述洗衣机推荐的动作设定的步骤；确定所述使用者对所推荐的动作设定的反馈的步骤，以及通过向所述强化学习模型提供所确定的反馈来进一步训练与所述使用者相关的所述模型的步骤。
前述的本发明可以通过写入程序的介质中的计算机可读的代码来实现。计算机可读介质包括存储有可以由计算机系统读取的数据的所有种类的记录设备。计算机可读介质可以包括硬盘驱动器(HDD：Hard Disk Drive)、固态驱动器(SSD：Solid State Disk)、硅磁盘驱动器(SDD：Silicon Disk Drive)、只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘、光数据存储装置等。所述计算机可以包括终端的控制部180。因此，上述详细说明的所有方面不应被解释为限定而应解释为示例。本发明的范围应由所附的权利要求书来确定，与本发明同等范围内的所有的变更均属于本发明。

Claims (10)

1.一种洗衣机，其中，包括：
一个以上的传感器；以及
一个以上的处理器，
所述处理器
获取使用者的洗涤模式，
通过所述一个以上的传感器，来获取与所述使用者对洗衣机的特定动作事件相关的状况信息，
向与所述使用者相关的强化学习模型提供所获取到的洗涤模式和所获取到的状况信息，
获取基于所述洗涤模式和所述状况信息由所述强化学习模型提供的、对所述特定动作事件的所述洗衣机推荐的动作设定，
确定所述使用者对所推荐的动作设定的反馈，
通过向所述强化学习模型提供所确定的反馈来进一步训练与所述使用者相关的所述模型。
2.根据权利要求1所述的洗衣机，其中，
所述状况信息包括：所述特定动作事件中的洗涤物的种类、关于所述洗衣机的环境的信息、所述使用者的个人信息、所述特定动作事件中关于洗剂的信息和相似的使用者的洗涤模式中的至少一种。
3.根据权利要求2所述的洗衣机，其中，
还包括无线通信部，
所述使用者的所述个人信息通过所述无线通信部接收，
所述使用者的所述个人信息包括：关于所述使用者的健康的信息、所述使用者的日程信息、所述使用者的邮件记录和所述使用者的采购记录中的至少一种。
4.根据权利要求1所述的洗衣机，其中，
还包括无线通信部，
所述状况信息包括所述使用者的个人信息，
所述使用者的个人信息包括：通过所述无线通信部接收到的在所述特定动作事件的时间之前所述使用者的预先设定的事件，
选择所推荐的动作设定的目的于在所述预先设定的事件期间有效地洗涤被所述使用者穿过的衣物品。
5.根据权利要求2所述的洗衣机，其中，
关于所述洗衣机的环境的信息包括：与所述洗衣机的所述特定动作事件相关的日期、时间、星期、季节、温度和湿度中的至少一种。
6.根据权利要求1所述的洗衣机，其中，
还包括存储器，
所述使用者所获取到的洗涤模式基于与所述使用者相关的所述洗衣机的多个之前动作中存储于所述存储器的信息。
7.根据权利要求6所述的洗衣机，其中，
还包括麦克风，
所述一个以上的处理器通过所述麦克风从所述使用者接收用于对所述特定动作事件设定所述洗衣机的语音输入，基于所接收到的语音输入的语音识别识别所述使用者，通过基于语音识别的所述使用者的身份，从所述存储器获取所述洗涤模式。
8.根据权利要求1所述的洗衣机，其中，
所述使用者的反馈包括：因所述使用者对所述特定动作事件选择所推荐的动作设定而产生的肯定强化，以及因所述使用者对所述特定动作事件选择其他动作设定而产生的否定强化中的一种。
9.根据权利要求8所述的洗衣机，其中，
所述一个以上的处理器基于所推荐的洗涤过程和所选择的其他动作设定之间的差异，更新所述使用者的存储的偏爱度。
10.一种洗衣机的控制方法，其中，包括：
获取使用者的洗涤模式的步骤；
获取与所述使用者对所述洗衣机的特定动作事件相关的状况信息的步骤；
将所获取到的洗涤模式和所获取到的状况信息提供给与所述使用者相关的强化学习模型的步骤；
获取基于所述洗涤模式和所述状况信息由所述强化学习模型提供的、对所述特定动作事件的所述洗衣机推荐的动作设定的步骤；
确定所述使用者对所推荐的动作设定的反馈的步骤；以及
通过向所述强化学习模型提供所确定的反馈来进一步训练与所述使用者相关的所述模型的步骤。
CN201911292377.8A 2018-12-14 2019-12-16 洗衣机 Active CN111321550B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/KR2018/015957 WO2020122294A1 (ko) 2018-12-14 2018-12-14 세탁기
KRPCT/KR2018/015957 2018-12-14

Publications (2)

Publication Number Publication Date
CN111321550A true CN111321550A (zh) 2020-06-23
CN111321550B CN111321550B (zh) 2022-07-05

Family

ID=68808194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911292377.8A Active CN111321550B (zh) 2018-12-14 2019-12-16 洗衣机

Country Status (5)

Country Link
US (1) US11384464B2 (zh)
EP (1) EP3666954B1 (zh)
KR (1) KR102578691B1 (zh)
CN (1) CN111321550B (zh)
WO (1) WO2020122294A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112575534A (zh) * 2020-12-01 2021-03-30 珠海格力电器股份有限公司 一种洗衣机洗涤控制方法、装置和洗衣机
CN112746438A (zh) * 2020-12-29 2021-05-04 珠海格力电器股份有限公司 一种洗衣机的控制方法及洗衣机
CN112760908A (zh) * 2020-12-28 2021-05-07 珠海格力电器股份有限公司 一种洗衣系统及控制方法
CN112941806A (zh) * 2021-01-29 2021-06-11 珠海格力电器股份有限公司 洗衣机及其泡沫量预测方法、装置和电子设备
CN113062078A (zh) * 2020-12-23 2021-07-02 泰州可以信息科技有限公司 洗衣机首选模式解析系统及方法
CN113914055A (zh) * 2021-11-18 2022-01-11 珠海格力电器股份有限公司 一种洗涤参数的优化方法、装置及衣物处理装置
CN114075741A (zh) * 2020-08-11 2022-02-22 云米互联科技(广东)有限公司 基于互联网的洗衣机洗涤程序配置方法、系统、存储介质、洗衣机
CN114622395A (zh) * 2020-12-09 2022-06-14 苏州三星电子有限公司 一种程序排列方法、装置及设备
CN114855416A (zh) * 2022-04-25 2022-08-05 青岛海尔科技有限公司 洗涤程序的推荐方法及装置、存储介质及电子装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102578691B1 (ko) 2018-12-14 2023-09-15 엘지전자 주식회사 세탁기
EP4023806B1 (en) * 2019-11-29 2024-03-20 Samsung Electronics Co., Ltd. Washing machine and control method thereof
CN112663277A (zh) * 2020-12-12 2021-04-16 上海电机学院 一种基于图像识别的洗衣系统及控制方法
CN113265830B (zh) * 2021-04-30 2023-09-19 青岛海尔科技有限公司 智能洗衣机洗涤模式的推送方法和装置及电子装置
DE102021118207A1 (de) * 2021-07-14 2023-01-19 Miele & Cie. Kg Verfahren und Vorrichtung zum Einstellen eines Reinigungsprogramms für ein Reinigungsgerät, Reinigungsgerät mit einer Vorrichtung und tragbares Gerät mit einer Vorrichtung
WO2024041733A1 (en) * 2022-08-24 2024-02-29 V-Zug Ag Optimized program for a household device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010049846A1 (en) * 2000-06-12 2001-12-13 Guzzi Brian Daniel Method and system for optimizing performance of consumer appliances
CN108729117A (zh) * 2017-04-25 2018-11-02 Lg电子株式会社 衣物处理装置及其控制方法和包括该装置的在线系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101381144B1 (ko) * 2007-02-28 2014-04-04 삼성전자주식회사 세탁기의 세탁코스 추천방법
WO2014183089A1 (en) * 2013-05-09 2014-11-13 Metavana, Inc. Hybrid human machine learning system and method
WO2015055239A1 (en) * 2013-10-16 2015-04-23 Saronikos Trading And Services, Unipessoal Lda Laundry washing machine with speech recognition and response capabilities and method for operating same
EP3088593A1 (en) * 2015-04-27 2016-11-02 The Procter and Gamble Company Method for improving washing machine performance
CN105970547B (zh) 2016-05-31 2018-10-16 无锡小天鹅股份有限公司 洗衣机的控制方法及洗衣机的控制系统
US9818007B1 (en) 2016-12-12 2017-11-14 Filip Bajovic Electronic care and content clothing label
DE102017200512A1 (de) 2017-01-13 2018-07-19 BSH Hausgeräte GmbH Haushaltsgerät mit verbesserter Bedienung, Verfahren zu seinem Betrieb und System umfassend das Haushaltsgerät
KR102070783B1 (ko) 2017-04-25 2020-01-29 엘지전자 주식회사 사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템
DE112018004426T5 (de) 2017-10-05 2020-05-20 Unilever N.V. Verfahren und Vorrichtungen für individualisierte Wäsche
DE102017219260A1 (de) 2017-10-26 2019-05-02 BSH Hausgeräte GmbH Steuerung eines Hausgeräts
DE102017223226A1 (de) 2017-12-19 2019-06-19 Henkel Ag & Co. Kgaa Verwendung von externen Informationen beim Betreiben einer Haushaltsvorrichtung
KR102578691B1 (ko) 2018-12-14 2023-09-15 엘지전자 주식회사 세탁기

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010049846A1 (en) * 2000-06-12 2001-12-13 Guzzi Brian Daniel Method and system for optimizing performance of consumer appliances
CN108729117A (zh) * 2017-04-25 2018-11-02 Lg电子株式会社 衣物处理装置及其控制方法和包括该装置的在线系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114075741A (zh) * 2020-08-11 2022-02-22 云米互联科技(广东)有限公司 基于互联网的洗衣机洗涤程序配置方法、系统、存储介质、洗衣机
CN112575534A (zh) * 2020-12-01 2021-03-30 珠海格力电器股份有限公司 一种洗衣机洗涤控制方法、装置和洗衣机
CN114622395A (zh) * 2020-12-09 2022-06-14 苏州三星电子有限公司 一种程序排列方法、装置及设备
CN113062078A (zh) * 2020-12-23 2021-07-02 泰州可以信息科技有限公司 洗衣机首选模式解析系统及方法
CN113062078B (zh) * 2020-12-23 2021-12-28 圣凯诺服饰有限公司 洗衣机首选模式解析系统及方法
CN112760908A (zh) * 2020-12-28 2021-05-07 珠海格力电器股份有限公司 一种洗衣系统及控制方法
CN112746438A (zh) * 2020-12-29 2021-05-04 珠海格力电器股份有限公司 一种洗衣机的控制方法及洗衣机
CN112941806A (zh) * 2021-01-29 2021-06-11 珠海格力电器股份有限公司 洗衣机及其泡沫量预测方法、装置和电子设备
CN113914055A (zh) * 2021-11-18 2022-01-11 珠海格力电器股份有限公司 一种洗涤参数的优化方法、装置及衣物处理装置
CN114855416A (zh) * 2022-04-25 2022-08-05 青岛海尔科技有限公司 洗涤程序的推荐方法及装置、存储介质及电子装置
CN114855416B (zh) * 2022-04-25 2024-03-22 青岛海尔科技有限公司 洗涤程序的推荐方法及装置、存储介质及电子装置

Also Published As

Publication number Publication date
KR20210098952A (ko) 2021-08-11
CN111321550B (zh) 2022-07-05
US20200190721A1 (en) 2020-06-18
WO2020122294A1 (ko) 2020-06-18
EP3666954B1 (en) 2022-07-27
KR102578691B1 (ko) 2023-09-15
US11384464B2 (en) 2022-07-12
EP3666954A1 (en) 2020-06-17

Similar Documents

Publication Publication Date Title
CN111321550B (zh) 洗衣机
US11692293B2 (en) AI-based laundry treatment apparatus and operation method thereof
US11379756B2 (en) Laundry scheduling apparatus and method
US11578444B2 (en) Laundry treatment device and method of determining laundry course thereof
US11513478B2 (en) AI apparatus and operation method thereof
CN111325349B (zh) 衣物调度装置
CN111334982B (zh) 洗涤物处理装置及其操作方法
US11468886B2 (en) Artificial intelligence apparatus for performing voice control using voice extraction filter and method for the same
KR20200095076A (ko) 인공지능 기반의 세탁물 처리 정보 제공 장치
US20210092219A1 (en) Apparatus and control method for recommending do-not-disturb mode based on context-awareness
KR20190099153A (ko) 전자 장치
US11539546B2 (en) Home appliances and method for controlling home appliances

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant