CN114901889B - 衣物护理机的控制方法以及衣物护理机 - Google Patents

Abstract

本发明公开一种衣物护理机的控制方法以及衣物护理机。本发明一实施例的衣物护理机的控制方法能够基于在移动衣架以第一移动模式动作的期间收集到的处理腔室内部的灰尘量和衣物的移动信息来确定第二移动模式，并以所确定的第二移动模式来控制移动衣架。本发明的控制方法可以与人工智能(Artificial Intelligence)模块、无人机(Unmanned Aerial Vehicle，UAV)、机器人、增强现实(Augmented Reality，AR)装置、虚拟现实(virtual reality，VR)装置、与5G服务相关的装置等相关联。

Description

衣物护理机的控制方法以及衣物护理机

技术领域

本发明涉及衣物护理机的控制方法以及衣物护理机。

背景技术

人工智能技术由机器学习(深度学习)和使用机器学习的要素技术构成。

机器学习是自动分类/学习输入数据的特征的算法技术，要素技术是利用深度学习等机器学习算法来模拟人脑的认知、判断等功能的技术，由语言理解、视觉理解、推理/预测、知识表现、动作控制等技术领域构成。

另一方面，衣物护理机与衣物的类型和/或移动无关地控制移动衣架，因此会使衣物受损或产生大量的不必要的耗电。

发明内容

发明要解决的问题

本发明的目的在于解决上述必要性和/或问题。

另外，本发明的目的还在于，实现一种能够根据衣物的移动来控制移动衣架的振动模式的基于衣物的移动的移动衣架的控制方法及其装置。

另外，本发明的目的还在于，实现一种能够将移动衣架控制为使衣物的损坏最小的基于衣物的移动的移动衣架的控制方法及其装置。

另外，本发明的目的还在于，实现一种能够将移动衣架控制为使不必要的耗电最小的基于衣物的移动的移动衣架的控制方法及其装置。

用于解决问题的手段

本发明一方面的衣物护理机的控制方法，包括：在移动衣架以第一移动模式动作的期间，通过传感器来感测处理腔室内部的灰尘量的步骤；在所述移动衣架以所述第一移动模式动作的期间，通过摄像头来生成置于所述处理腔室内部的衣物的移动信息的步骤；基于所述衣物的移动信息和灰尘量，确定第二移动模式的步骤；以及以所确定的所述第二移动模式来控制所述移动衣架的步骤。

另外，所述移动信息可以包括由所述移动衣架的振动引起的所述衣物的移动距离。

另外，所述第二移动模式可以利用被学习为将所述移动信息和所述灰尘量作为输入且生成用于确定所述移动衣架的振动幅度或振动速度的输出的学习模型来确定。

另外，所述学习模型可以由基于强化学习的人工神经网络模型来实现。

另外，所述基于强化学习的人工神经网络模型可以是将所述衣物的移动信息和所述灰尘量定义为状态(state)的模型。

另外，所述基于强化学习的人工神经网络模型可以是将所述移动衣架的振动幅度或振动速度定义为动作(action)的模型。

另外，所述基于强化学习的人工神经网络模型可以是基于所述衣物的移动信息和所述灰尘量中的至少一个来算出补偿(reward)的模型。

另外，所述补偿可以被计算为与所述灰尘量成正比增加。

另外，所述补偿可以被计算为与所述灰尘量成正比增加且与所述移动距离成反比增加。

另外，确定所述第二移动模式的步骤还可以包括从网络接收用于调度所述衣物的移动信息和灰尘量的传输的DCI(downlink control information，下行链路控制信息)的步骤，所述衣物的移动信息和灰尘量可以基于所述DCI传输到所述网络。

另外，还可以包括基于SSB(synchronization signal block，同步信号块)来执行与所述网络的初始接入过程的步骤，所述衣物的移动信息和灰尘量可以通过PUSCH(physical uplink shared channel，物理上行链路共享信道)传输到所述网络，所述SSB和所述PUSCH的DM-RS(dedicated demodulation reference signal，专用解调参考信号)可以对QCL(Quasi-Co Location，准共址)type D为QCL。

另一方面，本发明另一方面的衣物护理机包括：传感器，在移动衣架以第一移动模式动作的期间，感测处理腔室内部的灰尘量；摄像头，在所述移动衣架以所述第一移动模式动作的期间，拍摄所述处理腔室内部的影像；以及处理器，从所述影像生成置于所述处理腔室内部的衣物的移动信息，基于所述衣物的移动信息和灰尘量来确定第二移动模式，以所确定的所述第二移动模式来控制所述移动衣架。

发明效果

下面，对本发明一实施例的基于衣物的移动的移动衣架的控制方法及其装置的效果进行说明。

本发明能够根据衣物的移动来控制移动衣架的振动模式。

另外，本发明能够将移动衣架控制为使衣物的受损最小。

另外，本发明能够将移动衣架控制为使不必要的耗电最小。

本发明能够获得的效果不限于以上提到的效果，本领域普通技术人员可以从以下的记载明确理解未被提及的其他效果。

附图说明

为了帮助理解本发明，作为说明书的一部分的附图提供本发明的实施例，并且与具体实施方式一起解释本发明的技术特征。

图1示例了可应用本发明提出的方法的无线通信系统的框图。

图2示出了在无线通信系统中收发信号的方法的一例。

图3示出了在5G通信系统中用户终端和5G网络的基本动作的一例。

图4是示出应用于本发明的各种实施例的AI装置的框图。

图5是示出电子装置的框图。

图6和图7是示出应用于本发明的各种实施例的衣物护理机的外观的图。

图8是应用于本发明的各种实施例的衣物护理机的框图。

图9是用于说明单代理强化学习(single agent reinforcement learning)的示例图。

图10是本发明一实施例的衣物护理机控制方法的流程图。

图11和图12是用于说明图10的步骤S130的图。

图13是用于说明本发明另一实施例的衣物护理机控制方法的时序图。

具体实施方式

以下，参照附图对本说明书中公开的实施例进行详细的说明，与图号无关地对相同或相似的构成要素赋予了相同的附图标记，并省略了对其的重复说明。在以下说明中使用的针对结构要素的接后缀“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区分的含义或作用。并且，在对本说明书公开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公开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公开的实施例，不应由所附的附图来限定本说明书所公开的技术思想，而是应当涵盖了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区分的目的来使用。

如果提及到某个结构要素“连接(connected)”或““耦合(coupled)”于另一结构要素，则应理解为可能是直接连接于或耦合于该另一结构要素，但也可能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“直接耦合”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，而并不旨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。

A.UE和5G网络框图示例

图1示例了可应用本发明提出的方法的无线通信系统的框图。

参照图1，将包括AI模块的装置(AI装置)定义为第一通信装置(图1的910)，处理器911可以执行AI具体动作。

将包括与AI装置进行通信的其他装置(AI服务器)的5G网络定义为第二通信装置(图1的920)，处理器921可以执行AI具体动作。

也可以表述为5G网络是第一通信装置，AI装置是第二通信装置。

例如，第一通信装置或第二通信装置可以是基站、网络节点、发送终端、接收终端、无线装置、无线通信装置、车辆、搭载有自主行驶功能的车辆、联网汽车(Connected Car)、无人机(Unmanned Aerial Vehicle，UAV)、AI(Artificial Intelligence)模块、机器人、AR(Augmented Reality)装置、VR(Virtual Reality)装置、MR(Mixed Reality)装置、全息影像装置、公共安全装置、MTC(Manual Toll Collection)装置、IoT(Internet of Things)装置、医疗装置、金融科技装置(或金融装置)、安全装置、气候/环境装置、与5G服务相关的装置或除此之外的与第四次工业革命领域相关的装置。

例如，终端或UE(User Equipment)可以包括手机、智能手机(smart phone)、笔记本电脑(laptop computer)、数字广播用终端、PDA(personal digital assistants)、PMP(portable multimedia player)、导航、平板计算机(slate PC)、平板PC(tablet PC)、超薄本(ultrabook)、可穿戴设备(wearable device，例如，手表式终端(smartwatch)、智能眼镜终端(smart glass)、HMD(head mounted display))等。例如，HMD可以是佩戴在头部的显示装置。例如，HMD可以为了实现VR、AR或MR而使用。例如，无人机可以是通过无线控制信号来飞行的飞行体，而不是人工驾驶。例如，VR装置可以包括实现虚拟世界的客体或背景等的装置。例如，AR装置可以包括通过将虚拟世界的客体或背景连接于现实世界的客体或背景等来实现的装置。例如，MR装置可以包括通过将虚拟世界的客体或背景融合于现实世界的客体或背景等来实现的装置。例如，全息影像装置可以包括利用称作全息术的两个激光相遇而产生的光的干扰现象，记录和再现立体信息，从而实现360度立体影像的装置。例如，公共安全装置可以包括影像中继装置或可佩戴于用户身体上的影像装置等。例如，MTC装置和IoT装置可以是无需人的直接介入或操作的装置。例如，MTC装置和IoT装置可以包括智能仪表、折弯机、温度计、智能灯、门锁或各种传感器等。例如，医疗装置可以是以疾病的诊断、治疗、减轻、治愈或预防为目的而使用的装置。例如，医疗装置可以是以伤害或障碍的诊断、治疗、减轻或校正为目的而使用的装置。例如，医疗装置可以是以对结构或功能进行检查、代替、变形为目的而使用的装置。例如，医疗装置可以是以控制怀孕为目的而使用的装置。例如，医疗装置可以包括医疗用装置、手术用装置、(体外)诊断用装置、助听器或微手术装置等。例如，安全装置可以是为了防止存在隐患的危险、保持安全而设置的装置。例如，安全装置可以是摄像头、CCTV、记录器(recorder)或黑匣子等。例如，金融科技装置可以是可提供移动支付等金融服务的装置。

参照图1，第一通信装置910和第二通信装置920包括处理器(processor)911、921、存储器(memory)914、924、一个以上的Tx/Rx RF模块(radio frequency module)915、925、Tx处理器912、922、Rx处理器913、923、天线916、926。也可以将Tx/Rx模块称作收发器(transceiver)。各个Tx/Rx模块915通过各自的天线926传输信号。处理器实现前述的功能、过程和/或方法。处理器921可以与存储有程序代码和数据的存储器924关联。存储器可以被称为计算机可读取介质。更具体而言，在DL(从第一通信装置向第二通信装置的通信)中，发送(TX)处理器912实现针对L1层(即，物理层)的各种信号处理功能。接收(RX)处理器实现针对L1(即，物理层)的各种信号处理功能。

UL(从第二通信装置向第一通信装置的通信)以与在第二通信装置920中说明的关于接收器功能相似的方式在第一通信装置910处理。各个Tx/Rx模块925通过各自的天线926接收信号。各个Tx/Rx模块将RF载波和信息提供给RX处理器923。处理器921可以与存储程序代码和数据的存储器924关联。存储器可以被称为计算机可读取介质。

B.在无线通信系统中收发信号的方法

图2是示出在无线通信系统中收发信号的方法的一例的图。

参照图2，UE在接通电源或进入新小区的情况下执行与BS同步等初始小区搜索(initial cell search)作业(S201)。为此，UE从BS接收主同步信道(primarysynchronization channel，P-SCH)和副同步信道(secondary synchronization channel，S-SCH)并与BS同步，并且可以获取小区ID等信息。在LTE系统和NR系统中，P-SCH和S-SCH分别被称为主同步信号(primary synchronization signal，PSS)和副同步信号(secondarysynchronization signal，SSS)。在初始小区搜索之后，UE可以通过从BS接收物理广播信道(physical broadcast channel，PBCH)来获取小区内广播信息。另一方面，UE可以在初始小区搜索步骤中通过接收下行链路参考信号(downlink reference Signal，DLRS)来确认下行链路信道状态。结束初始小区搜索的UE可以通过物理下行链路控制信道(physicaldownlink control channel，PDCCH)和根据承载在PDCCH中的信息来接收物理下行链路共享信道(physical downlink shared Channel，PDSCH)，来获取更具体的系统信息(S202)。

另一方面，在第一次接入BS或没有用于信号传输的无线资源的情况下，UE可以对BS执行随机接入过程(random access procedure，RACH)(步骤S203至步骤S206)。为此，UE可以通过物理随机接入信道(physical random access Channel，PRACH)将特定序列作为前导码传输(S203和S205)，并通过PDCCH和对应的PDSCH接收针对前导码的随机接入响应(random access response，RAR)消息(S204和S206)。在基于争用的RACH的情况下，可以追加执行争用解决过程(contention resolution procedure)。

进行了如上所述的过程的UE可以作为普通上行链路/下行链路信号传输过程，执行PDCCH/PDSCH接收(S207)和物理上行链路共享信道(physical uplink shared Channel，PUSCH)/物理上行链路控制信道(physical uplink control channel，PUCCH)传输(S208)。尤其，UE通过PDCCH接收下行链路控制信息(downlink control information，DCI)。UE根据相应的搜索空间设定(configuration)，在设定于服务小区上的一个以上的控制元素集(control element set，CORESET)的监控机会(occasion)中监控PDCCH候选(candidate)的集合。UE将要监控的PDCCH候选的集合被限定在搜索空间集的面，搜索空间集可以是公共搜索空间集或UE-专用搜索空间集。CORESET由具有1～3个OFDM符号的时间持续期间的(物理)资源块的集合构成。网络可以设定为UE具有复数个CORESET。UE监控一个以上的搜索空间集内的PDCCH候选。在此，监控是指尝试对搜索空间内PDCCH候选的解码。如果UE针对搜索空间内PDCCH候选中一个的解码成功，则UE判断从该PDCCH候选中检测到了PDCCH，并基于检测到的PDCCH内DCI执行PDSCH接收或PUSCH传输。PDCCH可以在调度PDSCH上的DL传输和PUSCH上的UL传输时使用。在此，PDCCH上的DCI包括与下行链路共享信道关联的下行链路分配(assignment)(即，downlink grant；DL grant)或与上行链路共享信道关联的上行链路授权(uplink grant；UL grant)，所述下行链路分配至少包含调制(modulation)和编码格式以及资源分配(resource allocation)信息，所述上行链路授权(uplink grant；UL grant)包含调制和编码格式以及资源分配信息。

参照图2，对5G通信系统中的初始接入(Initial Access，IA)步骤进行追加说明。

UE可以基于SSB来执行小区搜索(search)、系统信息获取、用于初始接入的波束对准、DL测量等。SSB与SS/PBCH(Synchronization Signal/Physical Broadcast channel，同步信号/物理广播信道)块混用。

SSB由PSS、SSS以及PBCH构成。SSB由四个连续的OFDM符号构成，并且每个OFDM符号传输PSS、PBCH、SSS/PBCH或PBCH。PSS和SSS分别由一个OFDM符号和127个子载波构成，PBCH由三个OFDM符号和576个子载波构成。

小区搜索是指UE获取小区的时间/频率同步，并检测小区的小区ID(Identifier)(例如，Physical layer Cell ID，PCI)的过程。PSS在小区ID组内检测小区ID时使用，SSS在检测小区ID组时使用。PBCH在SSB(时间)索引检测和半帧检测时使用。

存在336个小区ID组，每个小区ID组存在三个小区ID。从而合计存在1008个小区ID。关于小区的小区ID所属的小区ID组的信息通过小区的SSS提供/获取，关于小区ID内336个小区中的小区ID的信息通过PSS提供/获取。

SSB根据SSB周期(periodicity)周期性地传输。在初始小区搜索时UE假定的SSB基本周期定义为20ms。在小区接入之后，SSB周期可以通过网络(例如，BS)而被设定为{5ms、10ms、20ms、40ms、80ms、160ms}中的一个。

接着，对系统信息(system information；SI)获取进行说明。

SI分为主信息块(master information block，MIB)和复数个系统信息块(systeminformation block，SIB)。可以将MIB以外的SI称作RMSI(Remaining Minimum SystemInformation)。MIB包括用于对搬运SIB1(System Information Block1)的PDSCH进行调度的PDCCH的监控的信息/参数，并且通过SSB的PBCH由BS传输。SIB1包括与剩余的SIB(以下，SIBx的x为2以上的整数)的可用性(availability)和调度(例如，传输周期，SI-窗口大小)相关的信息。SIBx包含在SI消息中并且通过PDSCH传输。每个SI消息可以在周期性地发生的时间窗口(即，SI-窗口)内传输。

参照图2，对5G通信系统中的随机接入(Random Access，RA)过程进行追加说明。

随机接入过程以各种用途使用。例如，随机接入过程可以用于网络初始接入、切换、UE-触发(triggered)UL数据传输。UE可以通过随机接入过程来获得UL同步和UL传输资源。随机接入过程分为基于争用的(contention-based)随机接入过程和无争用(contention free)随机接入过程。关于基于争用的随机接入过程的具体步骤如下。

UE可以在UL中通过PRACH作为随机接入过程的Msg1传输随机接入前导码。支持具有彼此不同的两个长度的随机接入前导码序列。长序列长度适用于1.25和5kHz的子载波间隔(subcarrier spacing)，短序列长度适用于15、30、60以及120kHz的子载波间隔。

如果BS从UE接收到随机接入前导码，则BS将随机接入响应(random accessresponse，RAR)消息(Msg2)传输给UE。对搬运RAR的PDSCH进行调度的PDCCH被随机接入(random access，RA)无线网络临时标识符(radio network temporary identifier，RNTI)(RA-RNTI)进行CRC掩蔽传输。检测到被RA-RNTI掩蔽的PDCCH的UE可以从由PDCCH搬运的DCI所调度的PDSCH接收RAR。UE确认在RAR内是否存在针对自己传输的前导码即Msg1的随机接入响应信息。是否存在针对自己传输的Msg1的随机接入信息，可以根据针对UE传输的前导码的随机接入前导码ID存在与否来判断。如果没有针对Msg1的响应，则UE可以在执行功率抬升(power ramping)的同时，在规定次数以内重发RACH前导码。UE基于最近的路径损失和功率抬升计数器，计算针对前导码的重发的PRACH传输电力。

UE可以基于随机接入响应信息，在上行链路共享信道上将UL传输作为随机接入过程的Msg3传输。Msg3可以包括RRC连接请求和UE标识符。作为针对Msg3的响应，网络可以传输Msg4，这可以视为在DL上的争用解决消息。通过接收Msg4，UE可以进入到RRC连接的状态。

C.5G通信系统的波束管理(Beam Management，BM)步骤

BM过程可以分为(1)利用SSB或CSI-RS的DL BM过程和(2)利用SRS(soundingreference signal)的UL BM过程。另外，各个BM过程可以包括用于确定Tx波束的Tx波束扫描和用于确定Rx波束的Rx波束扫描。

下面，对利用SSB的DL BM过程进行说明。

针对利用SSB的波束报告(beam report)的设定在RRC_CONNECTED状态下进行信道状态信息(channel state information，CSI)/波束设定时执行。

-UE从BS接收CSI-ResourceConfig IE，所述CSI-ResourceConfig IE包含针对为了BM而使用的SSB资源的CSI-SSB-ResourceSetList。RRC参数csi-SSB-ResourceSetList表示在一个资源集中为了波束管理和报告而使用的SSB资源的列表。在此，SSB资源集可以被设定为{SSBx1，SSBx2，SSBx3，SSBx4，……}。SSB索引可以被定义为0至63。

-UE基于CSI-SSB-ResourceSetList从BS接收SSB资源上的信号。

-在设定了与针对SSBRI和参考信号接收功率(reference signal receivedpower，RSRP)的报告相关的CSI-RS report Config的情况下，UE向BS报告最优(best)SSBRI和与其对应的RSRP。例如，在CSI-RS report Config IE的report Quantity被设定为“ssb-Index-RSRP”的情况下，UE向BS报告最优SSBRI和与其对应的RSRP。

在对与SSB相同的OFDM符号设定CSI-RS资源并且可应用“QCL-TypeD”的情况下，从“QCL-TypeD”方面，UE可以假定CSI-RS和SSB为准共址(quasi co-located，QCL)。在此，从空间(spatial)Rx参数方面来看，QCL-TypeD可以表示在天线端口之间为QCL。在UE接收处于QCL-TypeD关系的复数个DL天线端口的信号时，可以应用相同的接收波束。

接着，对利用CSI-RS的DL BM过程进行说明。

对利用CSI-RS的UE的Rx波束确定(或细化，refinement)过程和BS的Tx波束扫描过程依次进行说明。在UE的Rx波束确定过程中重复参数设定为“ON”，在BS的Tx波束扫描过程中重复参数设定为“OFF”。

首先，对UE的Rx波束确定过程进行说明。

-UE通过RRC信令从BS接收包括关于“repetition”的RRC参数的NZP CSI-RSresource set IE。在此，RRC参数“repetition”被设定为“ON”。

-UE通过BS的相同Tx波束(或DL空间域传输滤波器)，在彼此不同的OFDM符号重复接收在RRC参数“repetition”被设定为“ON”的CSI-RS资源集内的资源上的信号。

-UE确定自身的Rx波束。

-UE省略CSI报告。即，在上述RRC参数“repetition”被设定为“ON”的情况下，UE可以省略CSI报告。

接着，对BS的Tx波束确定过程进行说明。

-UE通过RRC信令从BS接收NZP CSI-RS resource set IE，所述NZP CSI-RSresource set IE包括关于“repetition”的RRC参数。在此，RRC参数“repetition”被设定为“OFF”，并且与BS的Tx波束扫描过程关联。

-UE通过BS的彼此不同的Tx波束(DL空间域传输滤波器)，接收在RRC参数“repetition”被设定为“OFF”的CSI-RS资源集内的资源上的信号。

-UE选择(或确定)最优的(best)波束。

-UE向BS报告针对所选择的波束的ID(例如，CRI)和关联品质信息(例如，RSRP)。即，在CSI-RS为了BM而被传输的情况下，UE向BS报告CRI和针对其的RSRP。

接着，对利用SRS的UL BM过程进行说明。

-UE从BS接收包括被设定为“beam management”的(RRC参数)用途参数的RRC信令(例如，SRS-Config IE)。SRS-Config IE为了SRS传输设定而使用。SRS-Config IE包括SRS-Resources的列表和SRS-ResourceSet的列表。每个SRS资源集表示SRS-resource的集合。

-UE基于SRS-Config IE中包含的SRS-SpatialRelation Info，确定针对将要传输的SRS资源的Tx波束成形。在此，SRS-SpatialRelation Info按每个SRS资源进行设定，并且按每个SRS资源表示是否使用与在SSB、CSI-RS或SRS使用的波束成形相同的波束成形。

-如果对SRS资源设定了SRS-SpatialRelationInfo，则应用与在SSB、CSI-RS或SRS使用的波束成形相同的波束成形并传输。但是，如果未对SRS资源设定SRS-SpatialRelationInfo，则UE随机确定Tx波束成形并通过被确定的Tx波束成形传输SRS。

接着，对波束故障恢复(beam failure recovery，BFR)过程进行说明。

在波束成形的系统中，由于UE的旋转(rotation)、移动(movement)或波束成形阻塞(blockage)而经常发生RLF(Radio Link Failure)。因此，为了防止频繁发生RLF，由NR支援BFR。BFR与无线链路故障恢复过程相似，在UE知道新的候选波束的情况下可以被支援。为了波束故障检测，BS对UE设定波束故障检测参考信号，如果来自UE的物理层的波束故障标识符(indication)的次数在根据BS的RRC信令设定的期间(period)内达到(reach)根据RRC信令设定的临界值(threshold)，则UE宣告(declare)波束故障。在检测出波束故障之后，UE通过开始(initiate)PCell上的随机接入过程来触发波束故障恢复；通过选择适合的(suitable)波束来执行波束故障恢复(在BS对某些(certain)波束提供专用随机接入资源的情况下，他们将被UE优先)。在随机接入步骤结束(completion)时，视为波束故障恢复结束。

D.URLLC(Ultra-Reliable and Low Latency Communication)

在NR中定义的URLLC传输可以表示：(1)相对低的流量大小；(2)相对低的到达率(low arrival rate)；(3)极低的延迟要求(requirement)(例如，0.5、1ms)；(4)相对短的传输持续期间(duration)(例如，2OFDM symbols)；(5)针对紧急服务/消息等的传输。在UL的情况下，为了满足较严格(stringent)的延迟要求(latency requirement)，针对特定类型的流量(例如，URLLC)的传输需要与之前被调度的其他传输(例如，eMBB)复用(multiplexing)。作为关于此的一种方案，向之前被调度的UE传输特定资源将要被抢占(preemption)的信息，并且该资源由URLLC UE用于UL传输。

在NR的情况下，支持eMBB和URLLC之间的动态资源共享(sharing)。eMBB和URLLC服务可以在非-重叠(non-overlapping)时间/频率资源上被调度，URLLC传输可以在对进行中(ongoing)的eMBB流量调度的资源发生。eMBB UE可能不知道该UE的PDSCH传输是否被部分打孔(puncturing)，并且因损坏的编码位(corrupted coded bit)，UE可能无法对PDSCH进行解码。考虑到此，在NR中提供抢占指示(preemption indication)。抢占指示(preemptionindication)也可以被称为中断的传输指示(interrupted transmission indication)。

关于抢占指示，UE通过来自BS的RRC信令接收DownlinkPreemption IE。如果UE接收到DownlinkPreemption IE，则为了监控携带(convey)DCI格式2_1的PDCCH，UE被设定由DownlinkPreemption IE内参数int-RNTI提供的INT-RNTI。UE通过包括由servingCellID提供的服务小区索引的集合的INT-ConfigurationPerServing Cell而被设定服务小区的集合，通过positionInDCI而被设定用于DCI格式2_1内字段的位置的相应集合，通过dci-PayloadSize而被设定用于DCI格式2_1的信息载荷大小，且被设定基于timeFrequencySect的时间-频率资源的指示粒度(granularity)。

UE基于DownlinkPreemption IE从BS接收DCI格式2_1。

如果UE检测出服务小区的针对被设定的集合内服务小区的DCI格式2_1，则UE可以假定DCI格式2_1所属的监控期间之前(last)的监控期间的PRB的集合、符号的集合中由DCI格式2_1指示的PRB以及符号内没有任何向UE的传输。例如，UE将根据抢占指示的时间-频率资源内信号视为不是给自己调度的DL传输，并基于在剩余的资源区域接收到的信号对数据进行解码。

E.mMTC(massive MTC)

mMTC(massive Machine Type Communication)是用于支持与非常多个UE同时通信的超连接服务的5G的一个场景。在该环境中，UE以非常低的传输速度和移动性间歇地进行通信。因此，mMTC的主要目的在于能够以多低的成本长时间驱动UE。关于mMTC技术，3GPP处理MTC和NB(NarrowBand)-IoT。

mMTC技术具有PDCCH、PUCCH、PDSCH(physical downlink shared channel)、PUSCH等的重复传输、跳频(hopping)、重新调谐(retuning)、保护区间(guard period)等特征。

即，包括特定信息的PUSCH(或PUCCH(尤其，long PUCCH)或PRACH)和包括针对特定信息的响应的PDSCH(或PDCCH)被重复传输。重复传输通过跳频(frequency hopping)执行，为了重复传输，在保护区间(guard period)执行从第一频率资源向第二频率资源的(RF)的重新调谐(retuning)，特定信息和针对特定信息的响应可以通过窄带(narrowband)(例如，6RB(resource block)或1RB)收发。

F.利用5G通信的AI基本动作

图3示出了在5G通信系统中用户终端和5G网络的基本动作的一例。

UE向5G网络传输特定信息传输(S1)。5G网络执行针对特定信息的5G处理(S2)。在此，5G处理可以包括AI处理。并且，5G网络将包括AI处理结果的响应传输给UE(S3)。

G.在5G通信系统中用户终端和5G网络之间的应用动作

下面，参照图1、图2以及前述的无线通信技术(BM步骤、URLLC、Mmtc等)，对利用5G通信的AI动作进行较详细的说明。

首先，对后述的本发明提出的方法和使用5G通信的eMBB技术的应用动作的基本步骤进行说明。

如图3的步骤S1和步骤S3，为了与5G网络收发信号、信息等，UE在图3的步骤S1之前与5G网络执行初始接入(initial access)步骤和随机接入(random access)步骤。

更具体而言，为了获取DL同步和系统信息，UE基于SSB与5G网络执行初始接入步骤。在初始接入步骤过程中，可以追加波束管理(beam management，BM)过程、波束故障恢复(beam failure recovery)过程，并且可以在UE从5G网络接收信号的过程中追加QCL(quasi-co location，准共址)关系。

另外，为了UL同步获取和/或UL传输，UE执行与5G网络的随机接入步骤。并且，5G网络可以向UE传输用于调度特定信息的传输的UL grant。由此，UE基于UL grant向5G网络传输特定信息。此外，5G网络向UE传输用于调度针对特定信息的5G处理结果的传输的DLgrant。由此，5G网络可以基于DL grant向UE传输包括AI处理结果的响应。

接着，对后述的本发明提出的方法和使用5G通信的URLLC技术的应用动作的基本步骤进行说明。

如前述，在UE执行与5G网络的初始接入步骤和/或随机接入步骤之后，UE可以从5G网络接收DownlinkPreemption IE。并且，UE基于DownlinkPreemption IE从5G网络接收包括抢占指示(pre-emption indication)的DCI格式2_1。此外，UE在由抢占指示(pre-emption indication)指示的资源(PRB和/或OFDM符号)中不执行(或期待或假定)eMBBdata的接收。之后，UE可以在需要传输特定信息的情况下从5G网络接收UL grant。

接着，对后述的本发明提出的方法和使用5G通信的mMTC技术的应用动作的基本步骤进行说明。

下面，以因使用mMTC技术而在图3的步骤中发生变化的部分为主进行说明。

在图3的步骤S1中，UE为了向5G网络传输特定信息而从5G网络接收UL grant。在此，UL grant包括关于针对特定信息的传输的重复次数的信息，特定信息可以根据针对重复次数的信息而被重复传输。即，UE基于UL grant向5G网络传输特定信息。并且，特定信息的重复传输可以通过跳频来执行，第一次的特定信息的传输可以在第一频率资源被传输，第二次的特定信息的传输可以在第二频率资源被传输。特定信息可以通过6RB(ResourceBlock)或1RB(Resource Block)的窄带(narrowband)传输。

前述的5G通信技术可以与后述的本发明提出的方法结合，或者在使本发明提出的方法的技术特征具体化或清楚时进行补充。

AI装置框图

图4是本发明一实施例的AI装置的框图。

AI装置20可以包括具有可执行AI处理的AI模块的电子设备，或具有AI模块的服务器等。另外，AI装置20也可以作为图5所示的设备100的至少一部分构成而设置为在AI处理中一起执行至少一部分。

AI处理可以包括与图5所示的设备100的控制相关的所有动作。例如，自主行驶车辆可以通过对感测数据或驾驶员数据进行AI处理，来执行处理/判断、控制信号生成动作。另外，例如，自主行驶车辆可以通过对利用与设置于车辆内的其他电子设备的互交而获取到的数据进行AI处理，来执行自主行驶控制。

AI装置20可以包括AI处理器21，存储器25和/或通信部27。

AI装置20是可学习神经网络的计算机装置，可以通过各种各样的电子装置来实现，例如服务器、台式PC、笔记本PC、平板PC等。

AI处理器21可以利用存储器25中存储的程序来学习神经网络。尤其，AI处理器21可以学习用于识别设备相关数据的神经网络。在此，用于识别设备相关数据的神经网络可以被设计成在计算机上模拟人脑结构，可以包括模拟人类神经网络的神经元(neuron)的具有权重的复数个网络节点。复数个网络节点可以分别根据连接关系收发数据，使得模拟神经元通过突触(synapse)来收发信号的神经元的突触活动。在此，神经网络可以包括从神经网络模型发展的深度学习模型。在深度学习模型中，复数个网络节点可以位于彼此不同的层并且根据卷积(convolution)连接关系来收发数据。作为神经网络模型的例子，包括诸如深层神经网络(DNN，deep neural networks)、卷积深度神经网络(CNN，convolutionaldeep neural networks)、循环神经网络(RNN，Recurrent Boltzmann Machine)、受限玻尔兹曼机(RBM，Restricted Boltzmann Machine)、深度信念神经网络(DBN，deep beliefnetworks)、深度Q-网络(Deep Q-Network)的多样的深度学习技术，可以应用于计算机视觉、语音识别、自然语言处理、语音/信号处理等领域。

另一方面，执行前述的功能的处理器可以是普通处理器(例如，CPU)，也可以是用于人工智能学习的AI专用处理器(例如，GPU)。

存储器25可以存储AI装置20的动作所需的各种程序和数据。存储器25可以由非易失性存储器、易失性存储器、闪存(flash-memory)、硬盘驱动器(HDD，Hard Disk Drive)或固态盘(SDD，Solid State Disk)等来实现。存储器25可以被AI处理器21访问，并且可以在存储器25执行基于AI处理器21的数据的读取/记录/修改/删除/更新等。另外，存储器25可以存储通过本发明的一实施例的用于数据分类/数据识别的学习算法而生成的神经网络模型(例如，深度学习模型26)。

另一方面，AI处理器21可以包括数据学习部22，所述数据学习部22学习用于数据分类/数据识别的神经网络。数据学习部22可以学习为了判断数据分类/数据识别而使用何种学习数据、关于利用学习数据如何分类并识别数据的基准。数据学习部22可以获取在将要学习时使用的学习数据，并通过将所获取的学习数据应用于深度学习模型来学习深度学习模型。

数据学习部22可以以至少一个硬件芯片形态制作并搭载于AI装置20。例如，数据学习部22可以被制作成用于人工智能(AI)的专用硬件芯片形态，也可以被制作成普通处理器(CPU)或图形专用处理器(GPU)的一部分而搭载于AI装置20。另外，数据学习部22可以利用软件模块来实现。在实现为软件模块(或包括指令(instruction)的程序模块)的情况下，软件模块可以存储于计算机可读取的非暂时性可读记录介质(non-transitorycomputeRreadable media)。在此情况下，至少一个软件模块可以由OS(Operating System)提供，或者由应用来提供。

数据学习部22可以包括学习数据获取部23和模型学习部24。

学习数据获取部23可以获取用于分类并识别数据的神经网络模型所需的学习数据。例如，学习数据获取部23可以作为学习数据获取用于向神经网络模型输入的车辆数据和/或采样数据。

模型学习部24可以利用所获取的学习数据而被学习为，使神经网络模型具有关于如何分类规定的数据的判断基准。此时，模型学习部24还可以通过学习(supervisedlearning)，使神经网络模型学习将学习数据中的至少一部分用作判断基准。另外，模型学习部24可以在没有监督的情况下利用学习数据来自行学习，由此可以通过发现判断基准的无监督学习(unsupervised learning)来使神经网络模型进行学习。另外，模型学习部24可以利用针对根据学习的状况判断的结果是否正确的反馈，通过强化学习(reinforcementlearning)使神经网络模型进行学习。另外，模型学习部24可以利用包括误差反向传播法(erroRback-propagation)或梯度下降法(gradient decent)在内的学习算法来使神经网络模型进行学习。

如果神经网络模型得到学习，则模型学习部24可以将得到学习的神经网络模型存储于存储器。模型学习部24也可以将得到学习的神经网络模型存储于利用有线或无线网络连接到AI装置20的服务器的存储器。

数据学习部22也可以为了提高识别模型的分析结果或节省识别模型的生成所需的资源或时间，还包括学习数据预处理部(未图示)和学习数据选择部(未图示)。

学习数据预处理部可以将获取数据预处理为，使获取数据能够在用于状况判断的学习中使用。例如，学习数据预处理部可以将所获取的数据加工为预先设定的格式，以使模型学习部24能够为了用于图像识别的学习而使用获取的学习数据。

另外，学习数据选择部可以在学习数据获取部23获取的学习数据或预处理部中被预处理的学习数据中选择学习所需的数据。被选择的学习数据可以提供给模型学习部24。例如，学习数据选择部可以通过检测通过车辆的摄像头获取的影像中的特定区域，仅将针对特定区域中包括的客体的数据选择为学习数据。

另外，数据学习部22也可以为了提高神经网络模型的分析结果，还包括模型评价部(未图示)。

模型评价部可以向神经网络模型输入评价数据，并在从评价数据输出的分析结果不满足规定基准的情况下，使模型学习部22再次进行学习。在此情况下，评价数据可以是用于评价识别模型的预先定义的数据。作为一例，在针对评价数据的得到学习的识别模型的分析结果中，分析结果不准确的评价数据的数量或比率超过预先设定的临界值的情况下，模型评价部可以评价为不满足规定基准。

通信部27可以将基于AI处理器21的AI处理结果传输给外部电子设备。

另一方面，图4所示的AI装置20从功能上划分为AI处理器21、存储器25、通信部27等进行了说明，但是，需要明确的是，前述的结构要素也可以集成为一个模块并称作AI模块。

图5是示出电子装置的框图。

参照图5，电子装置100可以包括至少一个处理器110、存储器120、输出装置130、输入装置140、输入输出接口150、传感器模块160、通信模块170。

处理器110可以包括一个以上的应用处理器(application processor，AP)、一个以上的通信处理器(communication processor，CP)或至少一个AI处理器(artificialintelligence processor)。应用处理器、通信处理器或AI处理器可以包含在彼此不同的IC(integrated circuit)封装内或包含在一个IC封装内。

应用处理器可以通过驱动操作系统或应用程序来控制与应用处理器连接的复数个硬件或软件构成要素，并且执行包含多媒体数据的各种数据处理/运算。作为一例，应用处理器可以由片上系统(system on chip)实现。处理器110还可以包括GPU(graphicprcessing unit，未图示)。

通信处理器可以执行在与通过网络与电子装置100连接的其他电子装置之间的通信中管理数据链路，并且执行转换通信协议的功能。作为一例，通信处理器可以由片上系统实现。通信处理器可以执行多媒体控制功能的至少一部分。

另外，通信处理器可以控制通信模块170的数据收发。通信处理器也可以实现为属于应用处理器的至少一部分。

应用处理器或通信处理器可以将从连接于各自的非易失性存储器或其他构成要素中的至少一个接收的指令或数据加载(load)于易失性存储器并进行处理。另外，应用处理器或通信处理器可以将从其他构成要素中的至少一个接收或由其他构成要素中的至少一个生成的数据存储于非易失性存储器。

存储器120可以包括内置存储器或外置存储器。内置存储器可以包括易失性存储器(例如，DRAM(dynamic RAM)、SRAM(static RAM)、SDRAM(synchronous dynamic RAM)等)或非易失性存储器(例如，OTPROM(one time programmable ROM)、PROM(programmableROM)、EPROM(erasable and programmable ROM)、EEPROM(electrically erasable andprogrammable ROM)、mask ROM、flash ROM、NAND flash memory、NOR flash memory等)中的至少一种。根据一实施例，内置存储器也可以采用固态驱动器(solid state drive)形态。外置存储器还可以包括闪存驱动器(flash drive)，例如，CF(compact flash)、SD(secure digital)、Micro-SD(micro secure digital)、Mini-SD(mini secure digital)、xD(extreme digital)或记忆棒(memory stick)等。

输出装置130可以包括显示模块或扬声器中的至少一种。输出装置130可以向用户显示或以声音输出包括多媒体数据、文本数据、语音数据等的各种数据。

输入装置140可以包括触控面板(touch panel)、数字笔传感器(pen sensor)、按键(key)或超声波输入装置等。作为一例，输入装置140也可以是输入输出接口150。触控面板可以以电容型、压敏型、红外线方式和超声波方式中的至少一种方式来识别触摸输入。另外，触控面板还可以包括控制器(未图示)。在电容型的情况下，不仅可以直接识别触摸而且还可以识别接近。触控面板还可以包括触觉层(tactile layer)。在此情况下，触控面板可以向用户提供触觉响应。

数字笔传感器可以通过与接收用户的触摸输入相同或相似的方法或利用额外的识别用层(layer)来实现。按键可利用键盘或触摸键。超声波输入装置是可以通过产生超声波信号的笔而在终端感测微声波声波来确认数据的装置，其可以进行无线识别。电子装置100也可以利用通信模块170从与其连接的外部装置(例如，网络、计算机或服务器)接收用户输入。

输入装置140还可以包括摄像头模块、麦克风。摄像头模块是能够拍摄图像和视频的装置，其可以包括一个以上的图像传感器、ISP(image signal processor，图像信号处理器)或闪光灯LED。麦克风可以接收语音信号并将其转换为电信号。

输入输出接口150可以通过总线(未图示)将用户通过输入装置或输出装置输入的指令或数据，传输给处理器110、存储器120、通信模块170等。作为一例，输入输出接口150可以将关于通过触控面板输入的用户的触摸输入的数据提供给处理器110。作为一例，输入输出接口150可以通过输出装置130输出通过总线从处理器110、存储器120、通信模块170等接收到的指令或数据。作为一例，输入输出接口150可以通过扬声器向用户输出被处理器110处理的语音数据。

传感器模块160可以包括手势传感器、陀螺仪传感器、气压传感器、磁传感器、加速度传感器、握持传感器、接近传感器、RGB(红、绿、蓝)传感器、生物传感器、温度/湿度传感器、照度传感器和UV(紫外线)传感器中的至少一种。传感器模块160可以测量物理量或感测电子装置100的动作状态，并将测量或感测到的信息转换为电信号。作为附加或替代，传感器模块160可以包括嗅觉传感器(E-nose sensor)、EMG感器(electromyography sensor)、EEG传感器(electroencephalogram sensor，未图示)、ECG传感器(electrocardiogramsensor)、PPG传感器(photoplethysmography sensor)、HRM传感器(heart rate monitorsensor)、排汗传感器(perspiration sensor)或指纹传感器(fingerprint sensor)等。传感器模块160还可以包括用于控制其中的一个以上的传感器的控制电路。

通信模块170可以包括无线通信模块或RF模块。无线通信模块例如可以包括Wi-Fi(无线高保真)、BT、GPS(球定位系统)或NFC(近场通信)。例如，无线通信模块可以通过无线频率来提供无线通信功能。作为附加或替代，无线通信模块可以包括用于将电子装置100连接于网络(例如，互联网、LAN、WAN、电信网络、蜂窝网络、卫星网络、POTS或5G网络等)的网络接口或调制解调器等。

RF模块可以负责数据的收发，例如，可以负责RF信号或被呼叫的电子信号的收发。作为一例，RF模块可以包括收发器(transceiver)、PAM(功率放大器模块，power ampmodule)、频率滤波器(frequency filter)或LNA(低噪声放大器，low noise amplifier)等。另外，RF模块还可以包括用于在无线通信中收发自由空间中的电磁波的部件，例如，导体或导线等。

本发明各种实施例的电子装置100可以包括TV、冰箱、烤箱、衣物护理机、机器人吸尘器、无人机、空调机、空气净化器、PC、扬声器、家庭CCTV、照明、洗衣机以及智能插座中的至少一种。由于在图4中说明的电子装置100的构成要素是设置于一般电子装置的构成要素，因此本发明实施例的电子装置100不限定于前述的构成要素，可以根据需要省略和/或追加。电子装置100可以通过从图4所示的AI装置接收AI处理结果来执行基于人工智能的动作控制，或者通过设置将AI装置的构成要素集成为一个模块的AI模块，以在设备上进行处理(on-device)的方式执行AI处理。

应用于本发明的各种实施例的电子装置100可以是衣物护理机。本说明书中“衣物护理机”和“衣物管理装置”可以彼此混用。下面，对本发明的使用基于人工智能的衣物护理机的衣物管理方法进行具体的说明。

图6和图7是示出应用于本发明一实施例的衣物护理机的外观的图。

参照图6和图7，本发明实施例的衣物护理机10包括箱体220。

所述箱体220包括：处理腔室225，容纳衣物，通过蒸汽或空气循环来执行去除衣物的褶皱或除臭的处理等；以及机械室240，配置于所述处理腔室225的下侧，设置有用于衣物处理的复数个部件。

在所述箱体220设置有分隔所述处理腔室225和所述机械室240的分隔板222。在所述分隔板222的上侧可以形成有所述处理腔室225，在所述分隔板222的下侧可以形成有所述机械室240。

所述处理腔室225可以由所述箱体220的内壁的所形成的空间界定。作为一例，所述处理腔室225可以由所述箱体220的上部壁、左右侧壁的上部以及后壁的上部所形成的空间界定。此外，所述机械室240可以由所述箱体220的下部壁、左右侧壁的下部以及后壁的下部所形成的空间界定。

在所述箱体220的内部设置有能够使用于挂衣物的衣挂挂住的移动衣架260。所述移动衣架260可以配置于所述处理腔室225的上部。所述衣架260可以构成为能够通过马达等驱动装置而朝复数个方向移动。作为一例，所述复数个方向包括前后方向、上下方向以及左右方向。另外，“衣架”和“移动衣架”可以彼此混用。

所述衣物护理机10还包括吐出部250，所述吐出部250能够向所述处理腔室225内吐出蒸汽或被加热的空气(热风)。作为一例，所述吐出部250可以形成在所述箱体220的后壁和所述分隔板222的后方部相遇的部分。

衣物护理机10还包括流入部255，所述流入部255用于向机械室240侧排出处理腔室225内的空气，尤其在处理腔室225对衣物进行处理之后被加湿或含有污染物颗粒和异味粒子的空气。流入部255可以形成于分隔板222的前方部。

衣物护理机10可以包括配置于机械室240的前方部的复数个水箱280、290。复数个水箱280、290可以包括向蒸汽发生器(未图示)供水的供水箱280。供水箱280的水可以利用供水泵(未图示)向蒸汽发生器供给。蒸汽发生装置可以设置于机械室240。

复数个水箱280、290可以包括排水箱290，所述排水箱290收集并存储在处理腔室225产生的冷凝水或在热泵(未图示)产生的冷凝水。在热泵产生的冷凝水可以通过排水泵(未图示)向排水箱290流动。热泵可以设置于机械室240。

在门230处于开放的状态时，供水箱280和排水箱290在衣物护理机10的下部露出，并且设置为可被用户分离。用户可以分离供水箱280之后进行补水，并且可以在分离排水箱290之后扔掉存储于排水箱290的水。

衣物护理机10还包括可以开放或封闭处理腔室225的门230。作为一例，门230可以配置于箱体220的前方，并且可转动地结合于箱体220。

在门230的内侧面，即内部面可以设置有裤子褶皱管理装置300，所述裤子褶皱管理装置300用于去除衣物中裤子的褶皱。在裤子褶皱管理装置300的上侧设置有裤架232，用于挂裤子的衣挂233能够挂在所述裤架232上。用户可以将裤子挂在衣挂之后将衣挂挂在裤架232上。

此外，可以将裤子置于裤子褶皱管理装置300并且使其扁平地固定。在衣物护理机10运转的过程中，可以通过向裤子褶皱管理装置300供应蒸汽或热风来去除裤子上的褶皱，并且可以沿期望的方向起皱。

裤子褶皱管理装置300包括：压板310，结合于门230的内表面；以及压门350，与压板310的前方结合。压板310或压门350可以由金属或塑料材料构成。

以图7为基准，在压板310的前方安放挂在裤架232上的裤子(PAN)，压门350可以在裤子(PAN)的前方关闭。裤子(PAN)在压板310和压门350之间被加压，裤子(PAN)可以在此过程中形成褶皱(裤线)。即，通过将裤子(PAN)置于裤子褶皱管理装置300，可以获得熨烫的效果。

压门350包括形成有贯穿部353的门主体351。贯穿部353形成于门主体351的大致中央部，存在于处理腔室25的蒸汽或热风可以通过贯穿部353作用于置于压门350的后方的裤子(PAN)。

压门350可以可转动地结合于门230。详细地说，在压门350设置有与门230结合的铰链部352。铰链部352可以设置于门主体351的一侧部，作为一例可以设置于左侧部。并且，铰链部352可以设置有复数个，复数个铰链部352可以在门主体351的左侧部沿上下方向隔开排列。

门主体351包括与门230结合的闩锁355、356。闩锁355、356包括：第一闩锁355，设置于门主体351的一侧部；以及第二闩锁356，设置于门主体351的另一侧部。作为一例，第一闩锁355可以设置于门主体351的左侧部，第二闩锁356可以设置于门主体351的右侧部。

以上下方向为基准，第一闩锁355可以配置在复数个铰链部352之间。并且，第一闩锁355的高度可以与第二闩锁356的高度相同。

门230包括：第一闩锁结合部235，与第一闩锁355结合；以及第二闩锁结合部236，与第二闩锁356结合。通过闩锁355、356与闩锁结合部235、236结合，压门350不会在衣物护理机10运转的过程中移动，在关闭的状态下能够容易对裤子(PAN)加压。

裤子褶皱管理装置300还包括薄膜330，所述薄膜330配置于压板310和压门350之间，并且按压裤子(PAN)。薄膜330可以由柔性的材料构成。

但是，薄膜330具有相对薄的厚度且具有不易被压力弯曲的抗弯刚性，以能够向裤子(PAN)提供挤压力。

详细地说，薄膜330可以由塑料材料构成。作为一例，薄膜330可以由聚碳酸酯(polycarbonates)、聚丙烯(polypropylene)或聚对苯二甲酸(plolyethyleneterephthalate，PET)材料构成。

薄膜330的厚度可以是0.5～1.0mm，厚度相对薄。由于薄膜330相对薄，因此用户可以轻松地对薄膜330进行操作。此外，能够减少薄膜330因来自压板310和压门350的加压力而朝使裤子(PAN)产生褶皱的方向移动。

门230设置有支撑裤子(PAN)的下部的夹子234。夹子234构成为能够在裤子(PAN)被放置的状态下按压裤子(PAN)的前方部，由此能够防止裤子(PAN)摇晃。

薄膜330可以位于裤子(PAN)的两侧部分，即位于腿部插入的左侧部分和右侧部分之间。作为一例，以图7为基准，裤子(PAN)的左侧部分可以被安放在压板310的正面，而薄膜330可以紧贴于裤子(PAN)的左侧部分前方。

此外，裤子(PAN)的右侧部分位于薄膜330的前方，裤子(PAN)的右侧部分前方下部可以被夹子234夹住。即，裤子(PAN)的右侧部分可以向夹子234的后侧移动而被夹子234支撑。并且，压门350可以位于夹子234的前方而对裤子(PAN)加压。

根据这种配置，裤子(PAN)可以通过裤子褶皱管理装置300产生裤线，去除褶皱。

另一方面，本发明一实施例的衣物护理机可以包括摄像头227。摄像头227可以设置于箱体220或门230，并且设置为生成置于箱体内部(更具体地说，处理腔室225内部)的衣物的图像信息或影像。作为一例，可以设置为通过拍摄挂在处理腔室225内部的衣物来产生图像信息。摄像头227可以包括图像传感器和照明装置。摄像头可以设置于门230的背面上部。这是因为，由于衣物挂在移动衣架260上，因此优选从上部向下部生成衣物的图像。

图8是应用于本发明一实施例的衣物护理机的框图。

参照图8，衣物护理机10可以包括处理器710、存储器720、输出装置730、输入装置740、传感器模块760、通信模块770以及硬件780。

处理器710可以将支持衣物护理机10的各种功能的信息存储于存储器720。存储器720可以存储在衣物护理机10中驱动的复数个应用程序(application program)或应用(application)、用于衣物护理机10的动作的信息和指令(instruction)。这种应用中的一部分可以通过无线通信从外部服务器下载。另外，存储器720可以存储与衣物处理装置进行互交(interaction)的一名以上的用户信息。用户信息可以包括基于语音识别(voicerecognition)的用户识别信息、基于视觉识别(vision recognition)的用户识别信息、基于生物体感测的用户识别信息、基于菜单输入的用户识别信息等，但是不限于此。

存储器720可以包括闪存类型(flash memory type)、硬盘类型(hard disktype)、微型多媒体卡类型(multimedia card micro type)、卡类型的存储器(例如，SD或XD存储器等)、随机存取存储器(random access memory；RAM)、SRAM(static random accessmemory，静态随机存取存储器)、只读存储器(read-only memory；ROM)、EEPROM(electrically erasable programmable read-only memory)、PROM(programmable read-only memory)、磁存储器、磁盘以及光盘中的至少一个类型的存储介质。衣物护理机10也可以与在互联网(internet)上执行所述存储器720的存储功能的网络存储器(web storage)关联动作。

输出装置730可以包括扬声器(speaker)731、显示器(display)732等，但是不限于此。

扬声器731可以根据处理器710的控制以音频的形态输出警报音、动作模式、动作状态、错误状态等通知消息，与用户的语音指令对应的信息，与用户的语音指令对应的处理结果等。扬声器731可以将来自处理器710的电信号转换为音频信号输出。

显示器732可以根据处理器710的控制显示衣物护理机10的运转状态。显示器732可以包括控制面板。控制面板可以包括设定电源的接通/关断的电源设定部、能够选择预先设定的各种衣物管理过程的过程设定部、能够根据所选择的衣物管理过程来选择动作的运行/停止的运行/停止选择部或显示衣物护理机10的运转状态的状态显示部中的至少一个。

显示器732除了显示各种信息的功能之外，也可以执行接收规定的控制指令的输入装置740的功能，使得用户能够控制衣物护理机10的整体动作。为此，显示器732可以包括触摸屏。作为一例，显示器732可以通过触摸屏而在衣物护理机10和用户之间提供输出接口和输入接口。

输入装置740可以包括麦克风741、摄像头742等。

麦克风741可以在处理器710的控制下接收朝衣物护理机10说出的用户语音。另外，为了更准确地接收用户语音，衣物护理机10可以设置有复数个麦克风。在此，复数个麦克风中的各个可以隔开配置于彼此不同的位置，并且可以将所接收的用户的语音处理成电信号。

摄像头742对由图像传感器获取的静态图像或动态图像等图像帧进行处理。被摄像头742处理的图像帧可以存储于存储器720或通过通信模块770向外部设备传输。在衣物护理机10可以配置有一个以上的摄像头742。作为一例，至少一个摄像头中的外部摄像头可以配置为拍摄衣物护理机外部的影像。作为一例，至少一个摄像头中的内部摄像头可以配置为拍摄如处理腔室225、移动衣架260、流入部255的硬件构成要素中的至少一个。如上所述，通过摄像头742获取的图像可以用于包括视觉识别(vision recognition)的AI处理。

传感器模块760可以包括灰尘传感器、手势传感器、陀螺仪传感器、气压传感器、磁传感器、加速度传感器、握持传感器、接近传感器、RGB(红、绿、蓝)传感器、生物传感器、温度/湿度传感器、照度传感器和UV(紫外线)传感器中的至少一种。传感器模块760可以测量物理量或感测电子装置100的运转状态，并将测量或感测到的信息转换为电信号。作为附加或替代，传感器模块760可以包括嗅觉传感器(E-nose sensor)、EMG传感器(electromyography sensor)、EEG传感器(electroencephalogram sensor，未图示)、ECG传感器(electrocardiogram sensor)、PPG传感器(photoplethysmography sensor)、HRM传感器(heart rate monitor sensor)、排汗传感器(perspiration sensor)或指纹传感器(fingerprint sensor)等。传感器模块760还可以包括用于控制其中至少一个传感器的控制电路。另一方面，衣物护理机可以组合由这些传感器中的至少两个传感器感测到的数据，并以各种方式使用。

通信模块770可以提供在以数据包形态提供通过与网络(例如，3G、4G、LTE或5G网络)联动而在衣物护理机10、用户终端以及/或服务器之间收发的信号所需的通信接口。另外，通信模块770可以支持各种IoT(internet of things)、IoE(internet ofeverything)、IoST(internet of small things)等，可以支持M2M(machine tomachine)通信、车联万物(vehicle to everything communication)通信、D2D(device to device)通信等。

硬件780可以包括加热器781、风扇782、供水泵783、排水泵784、蒸汽发生器785等，根据衣物护理机10的功能和用途，可以省略前述的各种构成要素，或可以追加其他构成要素。

作为一例，加热器781可以与风扇782一起用于衣物的烘干。作为一例，如果供水箱280的水供应到蒸汽发生器785，则蒸汽发生器785通过加热器781来加热水，从而能够产生蒸汽。供水箱280可以可分离地设置于箱体220，以便于补水。用户可以分离供水箱280并对其进行补水。排水箱290可以存储在处理腔室225产生的冷凝水或在热泵(未图示)产生的冷凝水。在热泵产生的冷凝水可以通过排水泵784向排水箱290流动。在没有排水箱290的情况下，也可以包括额外的排水泵784。

以下，对在考虑衣物的受损的情况下有效地去除设置于衣物护理机的处理腔室内部的衣物的灰尘的衣物护理机控制方法进行说明。另一方面，由于本发明一实施例中应用的学习模型可以通过强化学习技术更新，因此在图9简略地对强化学习进行说明。

图9是用于说明单代理强化学习的示例图。

参照图9，强化学习是由环境(environment)902、动作(action)903，补偿(reward)904这三种要素构成的学习技术。强化学习主要以单代理(single agent)为对象进行了大量的研究，强化学习以在代理901采取特定的动作903时观测(observation)环境902对于所述动作903的变化并得到补偿904的过程作为基本。由于代理(agent)901可以根据补偿904的大小来确认针对所选择的动作903的结果，因此学习用于在所提供的环境902中获得最优的结果的动作903的选择基准。此时，在强化学习中，代理可以采用基于一个代理901的单代理方式，也可以采用使用至少两个代理901的多代理(multi agent)方式。

在强化学习中，代理901在解决特定问题的时间点或者在给定的界限时间点为止以规定的时间间隔确认环境902的状态(state)905和/或所累积的补偿904，并执行根据其的动作903。由于根据动作903的结果并非始终确保好的补偿(positive reward)，因此代理901通过大量的试错经验的搜索(exploration)过程，学习用于选择能够期待较好的补偿904的动作903的策略(policy)。

在学习动作策略的过程中，搜索是非常重要的要素。是否能够找到最优的动作策略取决于搜索效率。搜索的范围大致取决于状态空间(state space)和动作空间(actionspace)。状态空间和动作空间可以根据问题而分别定义为具有不连续的值或具有连续的值的空间。在状态空间和动作空间中至少一个具有连续的值的情况下，搜索的范围变广，并且学习最优的动作策略的问题变为复杂。

与强化学习相关的研究可以包括基于Q-Learning的强化学习、基于策略梯度的强化学习等，但是本发明不限于此。作为一例，基于Q-Learning的强化学习可以包括Deep Q-Network(DQN)。DQN之前的Q-Learning方式是利用Q-Table来搜索具有最优的Q值的动作策略的方式，所述Q-Table由针对在给定的状态905下采取特定动作903时得到的累积补偿904的期待值即Q值构成。DQN不建立Q-Table，而采用利用深层神经网络(Deep NeuralNetwork，DNN)来推定针对各个动作的Q值的方法。

作为另一例子，基于策略梯度(policy gradient)的强化学习是不仅解决不连续的动作空间，还解决连续的动作空间问题的方法。由于Q-Learning基于所计算的Q值来选择不连续的动作903，因此存在即便Q值发生较小的变化，也可能使选择的动作903发生较大的变化的缺点。为了解决上述缺点，提出了将针对给定的状态905的所有动作903的选择概率分布定义为策略，并对作为针对所选择的策略的性能的Q-函数进行数值化，由此利用微分来计算根据策略的变化的性能变化，逐渐搜索动作策略的方式，并将这个方式称作基于策略梯度的强化学习。基于策略梯度的强化学习中应用深层学习的研究可以包括深度确定性策略梯度(Deep Deterministic Policy Gradient，DDPG)，但是不限于此。另一方面，本说明书中的“补偿”可以与“奖励”彼此混用。

在本发明一实施例的基于强化学习的学习模型的生成方法中，护理机可以基于动作策略(action policy)来学习基于强化学习的人工神经网络模型。

在本发明一实施例的强化学习方法中，将动作定义为移动衣架的振动幅度和/或振动速度，将衣物的移动信息和灰尘量定义为状态，补偿可以通过移动距离、灰尘量以及补偿函数来算出。

补偿函数如数学式1。

数学式1

在此，Reward是补偿值，

α是比例常数、dust value是灰尘量、distance是移动距离。即，奖励可以与灰尘量成正比增加，与移动距离成反比增加。衣物护理机10可以通过算出奖励的累积值，并且将人工神经网络模型的参数更新为使所算出的累积值最大，来执行学习模型的训练。

如上所述生成的学习模型可以具有能够为了增大在控制动作中产生的灰尘量而增大移动衣架的振动速度，并且为了使因此而产生的衣物的损伤最小而使移动距离最小的参数。衣物护理机10可以利用前述的学习模型来调节移动衣架的振动速度和振动幅度，从而实现最优的控制动作。

图10是本发明一实施例的衣物护理机控制方法的流程图。另一方面，更具体地说，在图10中说明到的处理腔室225内部是处理腔室225的内部空间。

参照图10，衣物护理机10可以通过传感器感测处理腔室225的灰尘(S110)。在此，传感器可以包括灰尘传感器。灰尘传感器可以感测处理腔室225的灰尘的大小或量，并且可以用数值表示所述灰尘的大小或量。衣物护理机10可以感测在移动衣架260以第一移动模式动作的期间从衣物分离的灰尘。

衣物护理机10可以通过摄像头227生成所述处理腔室225的影像(S120)。具体而言，衣物护理机10可以在移动衣架260以第一移动模式动作的期间生成处理腔室225的影像。移动模式是移动衣架260的动作模式，是指移动衣架260以特定的振动速度或振动幅度移动的模式。摄像头227可以位于门或处理腔室225内壁而拍摄设置于处理腔室225的衣物。

衣物护理机10可以从影像生成衣物的移动信息(S130)。在衣物护理机10以第一移动模式动作的期间，衣物可能在衣物护理机的内部因移动衣架260的振动而与移动衣架260的振动方向平行地移动。此时，衣物护理机10可以通过比较和分析构成影像的至少一个帧来生成衣物的移动信息。移动信息可以包括衣物因移动衣架260的振动而移动的轨迹和/或衣物的移动距离。此时，衣物的移动距离可以基于衣物的移动轨迹来确定，关于此将在图11和12中进行具体的说明。

衣物护理机10可以基于衣物的移动信息和灰尘量，确定第二移动模式(S140)。衣物护理机10可以通过AI处理来确定第二移动模式。更具体而言，衣物护理机10可以利用被学习为以衣物的移动信息和灰尘量为输入生成用于确定移动衣架260的振动幅度或振动速度的输出的学习模型，来确定第二移动模式。衣物护理机10可以基于学习模型的输出，确定移动衣架260的振动幅度和振动速度中的至少一个。作为参考，人工神经网络包括输入层、输出层以及至少一个隐藏层，所述输入层、输出层以及至少一个隐藏层可以包括至少一个节点。另外，至少一个节点中的一部分可以具有彼此不同的权重值，以生成作为目标的输出。

关于移动模式的确定方法，作为一例，衣物护理机10可以通过在客户端设备环境下的AI处理，来确定移动衣架260的振动幅度和振动速度中的至少一个。

作为另一例子，衣物护理机10可以通过收发器向网络传输衣物的移动信息和灰尘量，从网络作为响应接收被AI处理的结果(即，关于第二移动模式的信息)。被AI处理的结果可以包括确定了移动衣架260的振动幅度和振动速度中的至少一个的信息。具体说明将在图13中进行说明。

衣物护理机10可以以第二移动模式控制移动衣架260(S150)。

衣物护理机10可以基于动作策略，更新学习模型的参数(S160)。在此，学习模型可以是基于强化学习的人工神经网络模型。在学习模型为基于强化学习的人工神经网络模型的情况下，衣物护理机10可以基于动作策略(action policy)，更新基于强化学习的人工神经网络模型的参数。在此，基于强化学习的人工神经网络模型可以将衣物的移动信息和灰尘量定义为状态(state)，将移动衣架260的振动幅度或振动速度定义为动作(action)。

衣物护理机10可以基于衣物的移动信息和灰尘量中的至少一个来算出奖励(reward)，并将人工神经网络模型的参数更新为使所算出的奖励的累积值最大。在此，奖励可以与灰尘量成正比增加或与移动距离成反比增加。另外，奖励也可以与灰尘量成正比增加以及与移动距离成反比增加。

衣物护理机10可以利用参数被更新的学习模型来确定具有最优的振动幅度或振动速度的第二移动模式，并以所确定的第二移动模式控制移动衣架260。

如此，衣物护理机10可以基于根据衣物的材质、重量、长度等生成的移动信息和感测到的灰尘的量，确定移动衣架260的适合的移动模式。例如，如果衣物的长度较长或宽度较宽，则与移动衣架260单纯地左右快速晃动相比，将左右晃动的振动幅度控制为较宽能够更有效地去除灰尘和褶皱。又例如，如果衣物因衣物的材质而沉重，则移动衣架260的振动可以产生衣物的损坏和老化，因此有必要将振动调节为适合的速度。

本发明一实施例的衣物护理机10将移动衣架260控制为使移动衣架260的振动幅度和振动速度中的至少一个根据移动信息而被确定，由此能够通过减少不必要的能量消耗来提高能效。

另外，衣物护理机10可以将移动衣架260的动作控制为，使移动衣架260的振动引起的衣物的受损和/或老化最小，并且使去除灰尘和/或褶皱的效果最大。

图11和图12是用于说明图10的步骤S130的图。

如前述，衣物的移动信息可以包括移动衣架260的振动引起的衣物的移动距离。衣物护理机10可以通过由摄像头获取的图像信息来生成影像，将所生成的影像中包括的各个帧划分为复数个块，确定被划分的复数个块中显示信息的变化频度为预先设定的临界值以上的至少两个块。

衣物护理机10可以用一方向的线来连接所确定的至少两个块，并从所连接的线的长度来确定衣物的移动距离。作为一例，一方向的线是沿一方向连接至少两个块的结果，可以是曲线、直线、弯折的连接线、弯曲的连接线等。

另一方面，本发明一实施例的衣物护理机10可以不识别衣物的整体移动轨迹，而通过将影像的帧划分为至少一个区域并以所述至少一个区域的划分边界线为基准感测衣物的移动距离。

参照图11，衣物护理机10可以通过摄像头来生成置于处理腔室的衣物1001的影像。衣物护理机10可以通过摄像头来拍摄在处理腔室根据移动衣架260的振动动作而飘扬的衣物1001。

参照图12，衣物护理机10可以对所拍摄的影像的至少一个帧1220_1，……，1220_n进行分析。衣物护理机10可以通过分析至少一个帧1220_1，……，1220_n来生成移动轨迹信息。衣物护理机10可以将至少一个帧1220_1，……，1220_n分别划分为复数个块1210，以生成移动轨迹信息。此时，衣物护理机10可以监控复数个块1210的显示信息变化1210_1，……，1210_n，并确定复数个块1210中显示信息的变化频度为预先设定的临界值以上的至少两个块1210_s。

作为一例，影像可以包括第1帧至第n帧(n为自然数)，影像可以被衣物护理机10的处理器划分为复数个块1210。此时，复数个块1210可以由未感测到衣物1001的空块和感测到衣物1001的感测块1210_1，……，1210_n构成。衣物护理机10可以通过监控感测块1210_1，……，1210_n的显示信息的变化，将复数个块1210的显示信息的变化频度存储于存储器。其结果，衣物护理机10可以确定复数个块1210中显示信息的变化频度为预先设定的临界值以上的块1210_s，其可以用图12的(b)的目标块1210_s表示。在此，目标块1210_s是指成为用于判断移动轨迹和移动距离L的对象的块。

在衣物护理机10中，如果确定了目标块1210_s，则用于测量长度的基准线DL被确定，并且可以从与基准线DL重叠的目标块1210_s的数量来确定衣物1001的移动距离L。作为一例，在图12中与基准线DL重叠的目标块1210_s为三个，衣物1001的移动距离根据预先设定的块的长度信息而被确定为与三个目标块的长度对应的L。

此时，目标块1210_s的长度信息可以包括横向长度信息和竖向长度信息1003，在判断移动距离的情况下，衣物护理机10可以利用以基准线DL的方向为基准更接近的方向的长度信息来确定衣物1001的移动距离L。作为一例，在图12的情况下，由于基准线DL的方向为横向，因此衣物护理机10以目标块的横向长度信息为基准确定移动距离L。

本发明一实施例的衣物护理机10可以将根据衣物1001的移动而产生的移动轨迹分割为两个以上的区域，并感测以分割两个以上的区域的基准线DL为基准与基准线DL重叠的目标块1210_s，由此判断衣物1001的移动距离L。作为一例，在图12中，衣物护理机10将感测到目标块1210_s的区域1003分割为第一区域1004和第二区域1005，并利用基准线DL来判断衣物1001的移动距离L。

图13是用于说明本发明另一实施例的衣物护理机控制方法的时序图。在图10中，将在客户端设备环境下的AI处理作为前提进行了说明，但是在图13中将基于与网络的通信的AI处理作为前提进行说明。

衣物护理机10可以将收发器(transceiver)控制为将衣物的移动距离和灰尘量传输给网络中包括的AI处理器。另外，衣物护理机10可以将收发器控制为从AI处理器接收被AI处理的信息。

另一方面，衣物护理机10可以为了向网络传输衣物的移动距离和灰尘量，与网络执行初始接入步骤。衣物护理机10可以基于SSB(synchronization signal block，同步信号块)，与网络执行初始接入步骤。

另外，衣物护理机10可以通过收发器向网络传输衣物的移动距离和灰尘量。衣物护理机10可以基于DCI，向网络传输衣物的移动距离和灰尘量。

衣物的移动距离和灰尘量可以通过PUSCH(物理上行链路共享信道)向网络传输，所述SSB和所述PUSCH的DM-RS可以对QCL type D为QCL。

参照图13，衣物护理机10可以通过收发器向5G网络传输衣物的移动距离和灰尘量(S210)。

在此，5G网络可以包括AI处理器或AI系统，5G网络的AI系统可以基于接收到的衣物的移动距离和灰尘量，执行AI处理(S220)。

AI系统可以将从衣物护理机10接收到的衣物的移动距离和灰尘量作为输入生成学习模型的输出(S221)。

AI系统基于输出，生成关于包括振动速度和/或振动幅度中的至少一个的第二移动模式的信息，并将其传输给衣物护理机10(S222、S230)。

前述的本发明可由在记录有程序的介质中以计算机可读取的代码来实现。计算机可读取的介质包括存储有可由计算机系统读取的数据的所有种类的记录装置。计算机可读取的介质的例有硬盘驱动器(Hard Disk Drive，HDD)、固态盘(Solid State Disk，SSD)、硅盘驱动器(Silicon Disk Drive，SDD)、ROM、RAM、CD-ROM、磁带、软盘、光数据存储装置等，并且也可以以载波(例如，基于因特网的传输)的形态实现。因此，以上所述的详细的说明在所有方面上不应被理解为限制性的，而是应当被理解为是示例性的。本发明的范围应当由对所附的权利要求书的合理的解释而定，本发明的等价范围内的所有变更应当落入本发明的范围。

Claims (9)

1.一种衣物护理机的控制方法，其中，包括：

在移动衣架以第一移动模式动作的期间，通过传感器来感测处理腔室内部的灰尘量的步骤；

在所述移动衣架以所述第一移动模式动作的期间，通过摄像头来生成置于所述处理腔室内部的衣物的移动信息的步骤；

基于所述衣物的移动信息和灰尘量，确定第二移动模式的步骤；以及

以所确定的所述第二移动模式来控制所述移动衣架的步骤，

所述移动信息包括置于所述处理腔室内部的所述衣物由所述移动衣架的振动而移动的移动距离。

2.根据权利要求1所述的衣物护理机的控制方法，其中，

所述第二移动模式利用被学习为将所述移动信息和所述灰尘量作为输入且生成用于确定所述移动衣架的振动幅度或振动速度的输出的学习模型来确定。

3.根据权利要求2所述的衣物护理机的控制方法，其中，

所述学习模型是将所述衣物的移动信息和所述灰尘量定义为状态的基于强化学习的人工神经网络模型。

4.根据权利要求2所述的衣物护理机的控制方法，其中，

所述学习模型是将所述移动衣架的振动幅度或振动速度定义为动作的基于强化学习的人工神经网络模型。

5.根据权利要求2所述的衣物护理机的控制方法，其中，

所述学习模型基于所述衣物的移动信息和所述灰尘量中的至少一个来算出补偿。

6.根据权利要求5所述的衣物护理机的控制方法，其中，

所述补偿被计算为与所述灰尘量成正比增加；或者

所述补偿被计算为与所述移动距离成反比增加；或者

所述补偿被计算为与所述灰尘量成正比增加且与所述移动距离成反比增加。

7.根据权利要求1至6中的任一项所述的衣物护理机的控制方法，其中，

确定所述第二移动模式的步骤还包括：

从网络接收用于调度所述衣物的移动信息和灰尘量的传输的下行链路控制信息的步骤，

所述衣物的移动信息和灰尘量基于所述下行链路控制信息传输到所述网络。

8.根据权利要求7所述的衣物护理机的控制方法，其中，

还包括基于同步信号块来执行与所述网络的初始接入过程的步骤，

所述衣物的移动信息和灰尘量通过物理上行链路共享信道传输到所述网络，

所述同步信号块和所述物理上行链路共享信道的专用解调参考信号对准共址类型D为准共址。

9.一种衣物护理机，其中，包括：

传感器，在移动衣架以第一移动模式动作的期间，感测处理腔室内部的灰尘量；

摄像头，在所述移动衣架以所述第一移动模式动作的期间，拍摄所述处理腔室内部的影像；

处理器，从所述影像生成置于所述处理腔室内部的衣物的移动信息，基于所述衣物的移动信息和灰尘量来确定第二移动模式，以所确定的所述第二移动模式来控制所述移动衣架；以及

收发器，

所述处理器通过所述收发器向网络传输所述衣物的移动信息和灰尘量，从所述网络接收关于所述第二移动模式的信息作为响应，

所述移动信息包括置于所述处理腔室内部的所述衣物由所述移动衣架的振动而移动的移动距离。