KR101977258B1 - 가상현실 영상의 피드백 분석방법 - Google Patents

Abstract

컴퓨터에 의하여 수행되는 방법으로서, 가상현실 콘텐츠에 대한 정보를 획득하는 단계, 상기 가상현실 콘텐츠에 대한 사용자의 피드백을 수집하는 단계 및 상기 수집된 피드백에 기초하여 상기 가상현실 콘텐츠를 평가하는 단계를 포함하고, 상기 피드백을 수집하는 단계는, 상기 사용자의 입력정보, 행동정보 및 생체정보 중 적어도 하나를 수집하는 단계를 포함하는, 가상현실 영상의 피드백 분석방법이 개시된다.

Description

가상현실 영상의 피드백 분석방법 {METHOD FOR ANALYSING FEEDBACK OF VIRTUAL REALITY IMAGE}

본 발명은 가상현실 영상의 피드백 분석방법에 관한 것이다.

인공지능 기술은 머신러닝(Machine Learning, 기계학습) 기술을 포함하며, 머신러닝 기술 중에서도 특히 영상을 분석하는 데 널리 이용되는 딥러닝(Deep Learning) 기술을 포함한다.

딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.

어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다.

심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

가상현실(Virtual Reality)은 컴퓨터로 만들어 놓은 가상의 세계에서 사람이 실제와 같은 체험을 할 수 있도록 하는 기술이다.

한편, 가상현실(VR:virtual reality)과 현실 세계에 가상정보를 더해 보여주는 기술인 증강현실(AR:augmented reality)을 혼합한 기술은 혼합현실(MR:mixed reality)이라고 한다. VR과 AR, MR은 모두 실제로 존재하지 않은 현실을 구현해 사람이 이를 인지할 수 있도록 하는 기술이라는 점에서 공통점이 있다. 다만 AR은 실제 현실에 가상의 정보를 더해 보여 주는 방식이고, VR은 모두 허구의 상황이 제시된다는 점에서 차이가 있다. MR은 AR과 VR을 혼합해 현실 배경에 현실과 가상의 정보를 혼합시켜 제공하는데, 대용량 데이터를 처리할 수 있는 기술이 필요하다.

가상현실의 체험에는 HMD(Head Mount Display)가 일반적으로 이용되는데, 이는 VR 체험을 위해 사용자가 머리에 장착하는 디스플레이 디바이스로, 사용자의 시선을 외부와 차단한 후 사용자의 시각에 가상세계를 보여주는 역할을 한다. 눈앞에 디스플레이가 오도록 얼굴에 쓰는 형태로 마이크, 스테레오 스피커를 비롯해 여러 센서 등이 탑재될 수 있다.

공개특허공보 제10-2017-0054754호, 2017.05.18 공개

본 발명이 해결하고자 하는 과제는 가상현실 영상의 피드백 분석방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 가상현실 영상의 피드백 분석방법은, 가상현실 콘텐츠에 대한 정보를 획득하는 단계, 상기 가상현실 콘텐츠에 대한 사용자의 피드백을 수집하는 단계 및 상기 수집된 피드백에 기초하여 상기 가상현실 콘텐츠를 평가하는 단계를 포함하고, 상기 피드백을 수집하는 단계는, 상기 사용자의 입력정보, 행동정보 및 생체정보 중 적어도 하나를 수집하는 단계를 포함한다.

또한, 상기 가상현실 콘텐츠를 평가하는 단계는, 상기 가상현실 콘텐츠를 평가하기 위한 평가항목을 결정하는 단계 및 인공지능 모델을 이용하여 상기 피드백으로부터 상기 평가항목에 대한 평가결과를 획득하는 단계를 포함할 수 있다.

또한, 상기 평가결과를 획득하는 단계는, 상기 수집된 피드백을 클러스터링하는 단계, 상기 클러스터링 결과 생성된 각각의 클러스터에 대응하는 정보를 추출하는 단계 및 상기 추출된 정보에 기초하여 상기 가상현실 콘텐츠에 대한 평가결과를 획득하는 단계를 포함할 수 있다.

또한, 상기 가상현실 콘텐츠를 평가하는 단계는, 상기 가상현실 콘텐츠에 포함된 이벤트에 대한 평가결과를 획득하는 단계를 더 포함할 수 있다.

또한, 상기 피드백을 수집하는 단계는, 상기 사용자의 시선방향을 인식하는 단계를 포함하고, 상기 이벤트에 대한 평가결과를 획득하는 단계는, 상기 사용자의 시선방향에 기초하여 상기 이벤트에 대한 상기 사용자의 주목도를 평가하는 단계, 상기 사용자의 입력정보에 기초하여 상기 이벤트에 대한 상기 사용자의 반응도를 평가하는 단계 및 상기 사용자의 생체정보에 기초하여 상기 이벤트에 대한 상기 사용자의 호감도를 평가하는 단계를 포함할 수 있다.

또한, 상기 사용자의 주목도, 반응도 및 호감도에 기초하여, 상기 이벤트의 노출시점, 노출시간, 노출위치 및 상기 이벤트의 종류 중 적어도 하나를 변경하는 단계를 더 포함할 수 있다.

또한, 상기 가상현실 콘텐츠는 복수의 옵션을 포함하고, 상기 평가결과를 획득하는 단계는, 상기 복수의 옵션 각각에 대하여 복수의 사용자로부터 상기 평가항목에 대한 평가결과를 수집하는 단계 및 상기 수집된 평가결과에 기초하여 상기 복수의 옵션 각각에 대한 우선순위를 결정하는 단계를 포함할 수 있다.

또한, 상기 우선순위를 결정하는 단계는, 기 설정된 기준값 이상의 우선순위를 갖는 옵션의 제1 특징을 추출하는 단계, 상기 기준값 이하의 우선순위를 갖는 옵션의 제2 특징을 추출하는 단계, 상기 제1 특징 및 상기 제2 특징에 기초하여, 상기 기준값 이상의 우선순위를 받을 수 있을 것으로 추정되는 하나 이상의 제3 특징을 생성하는 단계, 상기 제3 특징을 포함하는 옵션을 생성하는 단계, 상기 생성된 옵션에 대한 평가결과를 획득하는 단계 및 상기 생성된 옵션에 대한 평가결과에 기초하여 강화학습을 수행하는 단계를 더 포함할 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 가상현실 콘텐츠에 대한 사용자의 피드백을 인공지능 모델을 활용하여 구체적으로 분석하고, 필요한 정보를 추출할 수 있도록 하는 효과가 있다.

또한, 다양한 평가항목에 기반하여 가상현실 콘텐츠 및 이에 포함된 이벤트와 광고에 대한 평가가 가능하며, 또한 피드백에 기반하여 콘텐츠를 개선시킬 수 있도록 하는 효과가 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시 예에 따라 가상현실 화면을 배열 및 표시하는 시스템을 간략하게 도시한 도면이다.
도 2는 일 실시 예에 따른 가상현실 영상의 피드백 분석방법을 도시한 흐름도이다.
도 3은 일 실시 예에 따른 가상현실 공간을 도시한 도면이다.
도 4는 심층 신경망의 구조를 예시한 도면이다.
도 5는 합성곱 신경망의 구조를 예시한 도면이다.
도 6은 합성곱 계산 과정을 예시한 도면이다.
도 7은 서브샘플링 과정을 도시한 도면이다.
도 8은 일 실시 예에 따라 가상현실 콘텐츠에 대한 평가결과를 획득하는 방법을 도시한 흐름도이다.
도 9는 일 실시 예에 따라 클러스터링을 활용하여 가상현실 콘텐츠에 대한 평가결과를 획득하는 방법을 도시한 흐름도이다.
도 10은 일 실시 예에 따라 이벤트에 대한 평가정보를 수집하는 방법을 도시한 흐름도이다.
도 11은 일 실시 예에 따라 광고에 대한 우선순위를 결정하는 방법을 도시한 흐름도이다.
도 12는 일 실시 예에 따라 강화학습을 수행하는 방법을 도시한 흐름도이다.
도 13은 일 실시 예에 따른 장치의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨팅 장치는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨팅 장치는 스마트폰, 태블릿 PC, 컴퓨터 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨팅 장치에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

본 명세서에서, 가상현실은 VR(Virtual Reality), AR(Augmented Reality), MR(Mixed Reality)를 모두 포괄하는 개념으로 이해되며, 그 종류는 제한되지 않는다.

본 명세서에서 설명되는 각 단계들은 가상현실 장비에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 일 실시 예에 따라 가상현실 화면을 배열 및 표시하는 시스템을 간략하게 도시한 도면이다.

도 1에 도시된 구성요소들은 예시로써 도시된 것이며, 개시된 실시 예에 따른 시스템의 구성요소들은 이에 제한되지 않는다. 또한, 도 1에 도시되지 않은 구성요소들이 도 1에 도시된 시스템에 더 추가될 수 있으며, 도 1에 도시된 일부 구성요소가 도 1에 도시된 시스템으로부터 생략될 수도 있다.

도 1을 참조하면, 개시된 실시 예에 따른 시스템은 가상현실 장비(100) 및 서버(200)를 포함한다.

일 실시 예에서, 가상현실 장비(100)는 HMD(Head Mount Display, 110)를 포함한다. 가상현실 장비(100)에 포함된 출력장치는 HMD에 제한되는 것은 아니고, 다양한 형태의 출력장치가 가상현실을 출력하는 데 이용될 수 있다.

일 실시 예에서, HMD(110)는 가상현실 영상을 처리 및 재생하기 위한 처리장치를 내장할 수도 있고, 외부의 처리장치와 연결되어, 처리장치로부터 수신되는 정보를 디스플레이를 이용하여 출력할 수도 있다. 외부의 처리장치는 컴퓨터의 일종인 사용자 단말(120)일 수도 있고, 서버(200)와 연결된 컴퓨터일 수도 있다. 실시 예에 따라서, HMD(110)는 서버(200)로부터 수신되는 정보에 기초하여 가상현실 영상을 출력할 수도 있다.

실시 예에 따라서, HMD는 처리장치 및 디스플레이를 내장하지 않고, 사용자 단말(120)을 수용하여 사용자 단말(120)의 디스플레이를 활용하는 형태로 구성될 수도 있다.

일 실시 예에서, 서버(200)는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치일 수 있다. 실시 예에 따라서, 서버(200)는 클라우드 서버를 의미할 수도 있다.

일 실시 예에서, 서버(200)는 복수의 가상현실 장비들과 연결되고, 복수의 가상현실 장비들 각각에 콘텐츠를 전송할 수 있다.

각각의 가상현실 장비(100)는 서버(200)로부터 수신된 콘텐츠에 기초하여 가상현실 영상을 출력한다.

일 실시 예에서, 개시된 실시 예에 따라 가상현실 장비(100)에서 출력되는 콘텐츠는 게임 중계를 포함하는 스포츠 중계일 수 있다.

일 실시 예에서, 도 1에 도시된 시스템은 게임 중계 스타디움에 설치되고, 서버(200)는 게임 중계 정보를 각각의 가상현실 장비들에 전송하며, 가상현실 장비(100)는 게임 중계 스타디움의 각 좌석마다 구비될 수 있다.

즉, 게임 중계를 관람하는 관객들은 각각 좌석에 구비된 가상현실 장비(100)를 이용하여 가상현실 내에서 게임 중계를 관람할 수 있다.

다른 실시 예에서, 관객은 게임 중계 스타디움에 방문하지 않고도, 개인적으로 이용하는 가상현실 장비(100)를 이용하여 가상현실 내에서 게임 중계를 관람할 수도 있다.

다른 실시 예에서, 게임 중계 스타디움 외의 외부 공간에 가상현실을 이용한 중계공간이 마련되고, 관객들은 해당 중계공간에 마련된 가상현실 장비들을 이용하여 스타디움 현장에서 중계를 관람하는 관객들과 같이 중계를 관람할 수 있다.

다른 실시 예에서, 콘텐츠는 게임 중계가 아닌 축구 등의 스포츠 중계일 수 있다. 이 경우, 실시 예에 따라 스포츠 경기장의 각 좌석에 가상현실 장비(100)가 마련되고, 관객은 가상현실 장비(100)를 이용하여 실제 스타디움의 현장 영상, 스포츠 중계 영상 및 스포츠 경기에 대한 보조정보 등을 가상현실을 통해 시청할 수 있다.

또한, 게임과 마찬가지로 실제 스포츠 경기가 진행되는 스타디움 외부의 중계공간에 가상현실 장비들이 마련되고, 관객은 해당 중게공간에서 가상현실 장비들을 이용하여 스타디움 현장에서 중계를 관람하는 관객들과 같이 중계를 관람할 수 있다. 일 실시 예에서, 스타디움 내에 있는 관객 또는 외부 중계공간에 있는 관객은, 스타디움의 각 좌석을 선택할 수 있고, 해당 좌석에서 촬영되는 실시간 영상을 가상현실을 통해 시청할 수 있다.

따라서, 관객은 스타디움에 방문하지 않아도 현장감을 느낄 수 있으며, 스타디움에 방문한 경우 다양한 좌석의 시야를 체험할 수 있어, 관람의 만족도를 높일 수 있다.

이하에서는 설명의 편의를 위하여 가상현실 장비(100)를 이용하여, 가상현실 광고를 제공하는 방법에 대하여 설명한다. 하지만, 이하에서 개시되는 실시 예의 적용범위는 이에 제한되지는 않는다.

도 2는 일 실시 예에 따른 가상현실 영상의 피드백 분석방법을 도시한 흐름도이다.

단계 S101에서, 가상현실 장비(100)는 가상현실 콘텐츠에 대한 정보를 획득한다.

단계 S102에서, 가상현실 장비(100)는 상기 가상현실 콘텐츠에 대한 사용자의 피드백을 수집한다.

단계 S103에서, 가상현실 장비(100)는 상기 수집된 피드백에 기초하여 상기 가상현실 콘텐츠를 평가한다.

개시된 실시 예에서, 가상현실 장비(100)는 수집된 피드백에 기초하여 다양한 측면에서 가상현실 콘텐츠를 평가할 수 있고, 가상현실 콘텐츠 및 수집된 피드백으로부터 정보를 추출할 수 있다.

상술한 피드백을 수집하는 단계(S102)에서, 가상현실 장비(100)는 상기 사용자의 입력정보, 행동정보 및 생체정보 중 적어도 하나를 수집(S104)한다.

예를 들어, 사용자의 입력정보는 가상현실 콘텐츠를 통해 제공되는 사용자 인터페이스에 기반하여 사용자가 수행하는 입력동작으로부터 획득될 수 있다.

예를 들어, 사용자의 행동정보는 적어도 하나의 센서를 이용하여 수집되는, 사용자의 움직임에 대한 정보를 포함할 수 있다. 예를 들어, 사용자의 신체(손, 발, 머리 등)의 움직임, 사용자의 자세, 사용자의 시선이동 등에 대한 정보가 사용자의 행동정보로서 수집될 수 있다.

예를 들어, 사용자의 생체정보는 적어도 하나의 센서를 이용하여 수집되는, 사용자의 체온, 맥박, 호흡, 동공의 크기 및 뇌파 등에 대한 정보를 포함할 수 있으며, 이에 제한되는 것은 아니다.

도 3은 일 실시 예에 따른 가상현실 공간을 도시한 도면이다.

도 3을 참조하면, 가상현실 공간(300)및 가상현실 공간(300)을 시청하는 사용자(10)가 도시되어 있다. 가상현실 공간(300)의 형태는 도 3에 도시된 바에 제한되지 않으나, 이는 설명을 위하여 예시로서 도시되었다.

도 3을 참조하면, 가상현실 공간(300)에는 콘텐츠를 표시하기 위한 하나 이상의 영역(310, 320 및 330)이 도시되어 있다. 각각의 영역은 메인 화면(310) 및 서브 화면(320 및 330)으로 구분될 수 있으나, 이에 제한되지 않는다. 메인 화면(310)은 사용자(10)의 시선 정면에 위치하는 화면일 수 있다. 서브 화면(320 및 330)은 사용자의 시선 좌측 및 우측에 위치하는 화면일 수 있고, 실시 예에 따라 서브 화면은 천장(340) 또는 바닥에 위치하는 화면일 수도 있다.

일 실시 예에서, 메인 화면(310)은 방송사에서 제공하는 중계 화면(또는 옵저버 화면)일 수 있고, 서브 화면(320)은 정보제공 화면, 서브 화면(330)은 사용자별 맞춤 화면(예를 들어, 사용자가 좋아하는 플레이어나 팀의 플레이 영상)을 표시할 수 있으나, 이에 제한되지 않는다.

사용자(10)는 메인 화면(310)을 시청하는 중에, 시선 이동을 통해 각각의 서브 화면(320 및 330)을 관람할 수 있다. 실시 예에 따라서, 사용자의 시선이 기 설정된 각도 이상 변화하여 특정 서브 화면(예를 들어, 320)을 바라보게 되는 경우, 서브 화면(320)이 메인 화면으로 변경될 수 있다. 이 경우, 서브 화면(320)에 표시되는 영상이 메인 화면(310)의 위치로 이동하고, 메인 화면(310)에 표시되는 영상이 서브 화면(320)의 위치로 이동할 수 있다.

일 실시 예에서, 가상공간(300)에서 콘텐츠가 표시되는 영역의 수는 사용자의 선택에 의하여, 또는 자동으로 결정될 수 있다. 예를 들어, 가상공간(300)에서 콘텐츠가 표시되는 영역의 수는 기본 3개로 설정되되, 사용자가 특정 영상을 추가할 것을 요청하는 경우 영상이 추가되고, 추가된 영상은 가로 또는 세로로 추가될 수 있다. 예를 들어, 추가되는 영상은 서브 영상(320)의 왼쪽에 표시될 수도 있고, 메인 영상(310)의 위쪽이나 천장에 표시될 수도 있다.

가상현실 장비(100)는 결정된 영역의 수만큼 콘텐츠로부터 화면을 획득하고, 획득된 화면을 각각의 영역에 표시할 수 있다.

일 실시 예에서, 가상현실 공간(300)뿐 아니라 가상현실 장비(100)의 주변, 즉 스타디움 내부의 실제 모습도 가상현실 장비(100)를 통하여 표시될 수 있다. 일 실시 예에서, 가상현실 장비(100)는 카메라 장치를 이용하여 주변 영상을 촬영하고(실시 예에 따라서, 360도 카메라를 이용하여 360도 영상을 촬영할 수 있다), 촬영된 영상을 표시할 수 있다.

즉, 가상현실 장비(100)는 게임 영상을 포함하는 가상현실 공간(300)뿐 아니라 가상현실 장비(100)의 주변 영상 또한 360도 영상으로 표시할 수 있다. 따라서, 사용자(10)는 현실(스타디움)과 가상(게임 중계)이 혼합된 영상을 시청하는 체험을 할 수 있다.

일 실시 예에서, 가상현실 장비(100)는 가상현실 공간(300)과 주변 영상을 혼합 또는 중첩하여 표시할 수도 있고, 구간을 구분하여 표시할 수도 있으며, 상황에 따라 교차하여 표시할 수도 있고, 그 방법은 제한되지 않는다.

일 실시 예에서, 화면 간의 여백 및 화면이 표시되지 않은 영역에는 실제 주변 영상이 촬영되어 표시될 수 있다.

일 실시 예에서, 사용자(10)의 시선이 기 설정된 각도 이상 이동하는 경우, 사용자의 시선 내에 실제 주변 영상이 표시되고, 사용자의 시선 바깥에 가상 공간이 표시될 수 있다. 마찬가지로, 사용자(10)의 시선이 다시 기 설정된 각도 이상 이동하는 경우, 사용자의 시선 내에 가상 공간이 표시되고, 사용자의 시선 바깥에 실제 주변 영상이 표시될 수 있다.

본 실시 예에서, 사용자의 시선 바깥에 실제로 영상이 표시될 수도 있으나, 사용자의 시선 바깥에 영상을 표시하는 것은 불필요하거나, 디스플레이의 한계상 불가능할 수 있으므로, 사용자의 시선 바깥에 영상을 표시한다는 것은 사용자가 시선을 해당 방향으로 돌리는 경우 해당 영상을 표시할 수 있도록 렌더링 또는 로드하여 두는 개념을 포함할 수 있다.

일 실시 예에서, 사용자(10)의 시선이 이동함에 따라 가상현실 장비(100)가 인식하는 사용자의 시선이 이동하는 속도에 상한이 설정될 수 있다. 즉, 사용자(10)의 시선이 기 설정된 상한 속도 이상의 속도로 이동하는 경우, 가상현실 장비(100)가 인식하는 사용자의 시선이 이동하는 속도가 이를 따라오지 못하므로, 사용자(10)는 가상현실 장비(100)가 인식하는 시선 바깥의 영상을 시청할 수 있다. 즉, 사용자(10)는 시선의 이동이 실제 시선의 이동을 따라올 때까지, 시선의 바깥에 표시되는 실제 주변 영상을 시청할 수 있다. 따라서, 사용자(10)는 시선을 기 설정된 상한속도 이상으로 빠르게 이동시킴으로써, 실제 주변 영상을 확인할 수 있다.

예를 들어, 사용자(10)는 가상공간 시청 중에 옆자리에 앉은 관객의 상태를 확인해야 할 수도 있고, 손에 든 핸드폰이나 음식물을 확인해야 할 수도 있다. 이 경우, 사용자(10)는 해당 방향으로 기 설정된 상한속도 이상으로 빠르게 이동시킴으로써, 시선이 실제 시선의 위치로 이동하기 전의 시간동안 실제 주변 영상을 확인할 수 있다.

예를 들어, 사용자가 오른쪽에 있는 팝콘을 먹고자 하는 경우, 해당 방향으로 시선을 빠르게 이동시킴으로써 실제 주변 영상에 포함된 팝콘의 위치를 확인할 수 있다. 사용자는 시선이 실제 시선을 따라오는 시간 동안(예를 들어, 수 초 가량) 팝콘을 집어먹고, 시선이 자동으로 회복됨에 따라 자연스럽게 가상공간을 통한 중계를 연속적으로 시청할 수 있다.

다른 실시 예에서, 가상현실 장비(100)는 주변 상황을 인식하여 가상공간 또는 실제 주변 영상의 표시를 제어할 수 있다.

예를 들어, 가상현실 장비(100)는 사용자(10)의 주변에 앉은 친구가 사용자(10)를 부르는 소리가 감지되는 경우, 해당 방향에 실제 주변 영상을 표시할 수 있다.

마찬가지로, 가상현실 장비(100)는 다른 사람이나 객체가 사용자(10)에게 접근하는 경우, 사용자(10)가 외부 객체와 충돌위험이 있는 경우, 사용자(10)가 특정 방향으로 손을 뻗는 것이 감지되는 경우 등에 있어서, 가상현실 장비(100)는 해당 객체나 동작이 인식된 방향에 실제 주변 영상을 표시할 수 있다.

일 실시 예에서, 가상현실 장비(100)는 가상현실 공간(300)에서 화면이 표시되지 않은 일 지점에 광고 객체(20)를 표시할 수 있다. 다른 실시 예에서, 광고 객체(20)는 화면과 중첩되어 표시되거나, 가상현실 공간(300)내에서 화면보다 앞쪽 공간에 표시될 수도 있다.

또한, 가상현실 장비(100)는 가상현실 공간(300)에 표시되는 화면들(310 내지 330)중 적어도 하나에 광고 영상을 표시할 수도 있다.

일 실시 예에서, 가상현실 장비(100)는 사용자(10)의 시선방향에 광고 영상 또는 광고 객체(20)를 표시할 수도 있다. 이 경우, 사용자(10)가 광고 객체(20)를 기 설정된 시간 이상 주시하거나, 광고 객체(20)를 선택하는 등 광고 객체(20)와 소정의 인터렉션을 함에 따라 광고 객체(20)가 사용자(10)의 시선방향에서 사라지도록 할 수 있으며, 이에 제한되지 않는다.

광고 객체(20)는 광고 대상 물품의 형상으로 구성될 수도 있고, 배너나 스티커, 영상을 표시하는 화면 등 다양한 형상으로 구성될 수 있다.

개시된 실시 예에 따르면, 상술한 바와 같은 피드백 정보를 수집하고, 인공지능 모델을 이용하여 수집된 피드백을 분석하여 가상현실 콘텐츠 및 가상현실 콘텐츠에 포함된 이벤트 및 광고에 대한 정보를 추출하고, 이를 평가할 수 있다.

본 명세서에서, 인공지능 모델이란 기계학습을 이용하여 학습된 모델을 포함하는, 인공지능 시스템을 구현할 수 있도록 설계된 모든 종류의 모델을 포함한다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

구체적으로, 딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.

어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다.

심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

도 4는 심층 신경망의 구조를 예시한 도면이다. 도 4에서 각 원은 하나의 퍼셉트론(perceptron)을 나타낸다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 도 4에서 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.

개시된 실시 예에 따르면, 가상현실 장비(100)는 가상현실 콘텐츠에 대한 사용자의 생체정보를 수집함으로써 딥 러닝에 활용되는 가중치를 설정하는 데 활용할 수 있다. 예를 들어, 가상현실 콘텐츠에 기반하여 평가정보를 추출하는 인공지능 모델을 학습함에 있어서, 사용자의 생체정보에 기초하여 각 평가정보를 보완하는 정보를 수집할 수 있으며, 이에 기초하여 각각의 가중치를 재설정할 수 있다.

딥 러닝 기법에 대한 설명으로 다시 돌아가면, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

합성곱 신경망은 입력 영상에 대하여 합성곱과 서브샘플링을 번갈아 수행함으로써 입력 영상으로부터 특징을 추출한다. 도 5는 합성곱 신경망의 구조를 예시한 도면이다. 도 5를 참조하면, 합성곱 신경망은 여러 개의 합성곱 계층(Convolution layer), 여러 개의 서브샘플링 계층(Subsampling layer, Lacal pooling layer, Max-Pooling layer), 완전 연결 층(Fully Connected layer)을 포함한다. 합성곱 계층은 입력 영상(Input Image)에 대해 합성곱을 수행하는 계층이다. 그리고 서브샘플링 계층은 입력 영상에 대해 지역적으로 최대값을 추출하여 2차원 영상으로 매핑하는 계층으로, 국소적인 영역을 더 크게 하고, 서브샘플링을 수행한다.

합성곱 계층에서는 커널의 크기(kernel size), 사용할 커널의 개수(즉, 생성할 맵의 개수), 및 합성곱 연산 시에 적용할 가중치 테이블 등의 정보가 필요하다. 예를 들어, 입력 영상의 크기가 32×32이고, 커널의 크기가 5×5이고, 사용할 커널의 개수가 20개인 경우를 예로 들자. 이 경우, 32×32 크기의 입력 영상에 5×5 크기의 커널을 적용하면, 입력 영상의 위, 아래, 왼쪽, 오른쪽에서 각각 2개의 픽셀(pixel)에는 커널을 적용하는 것이 불가능하다. 왜냐하면, 도 6에 도시되어 있는 합성곱 계산 과정에서 알 수 있듯이, 입력 영상의 위에 커널을 배치한 후 합성곱을 수행하면, 그 결과 값인 '-8'은 커널에 포함된 입력 영상의 픽셀들 중에서 커널의 중심요소(center element)에 대응하는 픽셀의 값으로 결정되기 때문이다. 따라서, 32×32 크기의 입력 영상에 5×5 크기의 커널을 적용하여 합성곱을 수행하면 28×28 크기의 맵(map)이 생성된다. 앞서, 사용할 커널의 개수가 총 20개인 경우를 가정하였으므로, 첫 번째 합성곱 계층(도 7의 'C1-layer' 참조)에서는 총 20개의 28×28 크기의 맵이 생성된다.

서브샘플링 계층에서는 서브샘플링할 커널의 크기에 대한 정보, 커널 영역 내의 값들 중 최대값을 선택할 것인지 최소값을 선택할 것인지에 대한 정보가 필요하다. 도 7은 서브샘플링 과정을 도시한 도면이다. 도 7을 참조하면, 서브샘플링할 커널의 크기가 2×2이고, 커널 영역에 포함된 값들 중 최대값을 선택하도록 설정된 것을 알 수 있다. 8×8 크기의 입력 영상에 2×2 크기의 커널을 적용하면, 4×4 크기의 출력 영상을 얻을 수 있다. 즉, 입력 영상에 비하여 크기가 1/2로 축소된 출력 영상을 얻을 수 있다.

딥 러닝 기법에 대한 설명으로 다시 돌아가면, 순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.

심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.

심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.

상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 이하에서 설명되는 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 가상현실 장비, 방법 및 그 시스템을 구현하는 데 활용될 수 있다.

도 8은 일 실시 예에 따라 가상현실 콘텐츠에 대한 평가결과를 획득하는 방법을 도시한 흐름도이다.

도 8을 참조하면, 상기 가상현실 콘텐츠를 평가하는 단계(S103)에서, 가상현실 장비(100)는 상기 가상현실 콘텐츠를 평가하기 위한 평가항목을 결정하는 단계(S105)를 수행할 수 있다.

평가항목은 가상현실 콘텐츠의 종류 및 사용자의 니즈에 따라 다양하게 설정될 수 있다.

예를 들어, 평가항목은 가상현실 콘텐츠에 대한 사용자의 주목도, 집중도, 흥미, 선호도, 호감도와 같은 가상현실 콘텐츠 자체에 대한 평가를 위한 항목을 포함할 수 있다. 또한, 평가항목은 가상현실 콘텐츠의 종류에 따라 더욱 다양하게 설정될 수 있다. 예를 들어, 가상현실 콘텐츠가 게임인 경우, 평가항목은 사용자의 플레이 타임, 플레이 지속기간, 과금여부 및 정도, 플레이 유형 등에 대한 정보를 포함할 수 있다. 또한, 가상현실 콘텐츠가 공포게임인 경우, 평가항목은 가상현실 콘텐츠의 공포수준에 대한 정보를 포함할 수 있다.

또한, 가상현실 장비(100)는 인공지능 모델을 이용하여 상기 피드백으로부터 상기 평가항목에 대한 평가결과를 획득하는 단계(S106)를 수행할 수 있다.

예를 들어, 가상현실 장비(100)는 사용자의 피드백을 빅 데이터로서 수집하되, 상기 평가항목 각각에 대한 피드백을 분류하여 데이터베이스화함으로써, 가상현실 콘텐츠를 평가 및 개선하는 데 활용할 수 있다.

또한, 가상현실 장비(100)는 인공지능 모델에 기초하여 사용자의 피드백에 기초하여 각각의 평가항목에 대한 평가정보를 획득할 수 있다.

예를 들어, 인공지능 모델은 사용자의 피드백 및 사용자의 각 평가항목에 대한 응답(예를 들어, 직접 설문조사를 통해 수집할 수 있는 정보 또는 객관적으로 평가할 수 있는 정보)에 대한 정보를 포함하는 학습 데이터를 기반으로 학습될 수 있다. 가상현실 장비(100)는 학습된 인공지능 모델에 사용자의 피드백을 입력함으로써, 각각의 평가항목에 대한 사용자의 평가정보를 획득할 수 있다.

예를 들어, 평가항목이 공포게임을 포함하는 가상현실 콘텐츠의 공포도에 관한 것이라면, 가상현실 장비는 사용자의 생체정보를 기반으로 사용자가 느낀 공포도에 대한 정보를 획득할 수 있다.

또한, 가상현실 장비(100)는 상기 가상현실 콘텐츠에 포함된 이벤트에 대한 평가결과를 획득하는 단계(S107)를 수행할 수 있다.

일 실시 예에서, 이벤트는 가상현실 콘텐츠와 함께 일시적으로 표시되는 이미지나 객체를 의미할 수 있다. 예를 들어, 이벤트는 가상현실 콘텐츠와 함께 가상현실 공간(300)에 표시되는 광고를 포함할 수 있다.

예를 들어, 가상현실 장비(100)는 가상현실 공간(300)에 표시되는 광고에 대한 사용자의 피드백에 기초하여, 각 광고에 대한 평가정보를 획득할 수 있다.

도 9는 일 실시 예에 따라 클러스터링을 활용하여 가상현실 콘텐츠에 대한 평가결과를 획득하는 방법을 도시한 흐름도이다.

도 9를 참조하면, 상술한 평가결과를 획득하는 단계(S106)에서, 가상현실 장비(100)는 상기 수집된 피드백을 클러스터링하는 단계(S108)를 수행할 수 있다.

예를 들어, 가상현실 장비(100)는 비지도학습에 기반하는 인공지능 모델을 이용하여 수집된 피드백들을 클러스터링할 수 있다.

또한, 가상현실 장비(100)는 상기 클러스터링 결과 생성된 각각의 클러스터에 대응하는 정보를 추출하는 단계(S109)를 수행할 수 있다.

예를 들어, 비지도학습에 기반하는 인공지능 모델을 이용하여 수집된 피드백들을 클러스터링하는 경우, 수집된 피드백들은 각 피드백의 특성에 따라 복수의 클러스터로 분류될 수 있다.

단계 S110에서, 가상현실 장비(100)는 상기 추출된 정보에 기초하여 상기 가상현실 콘텐츠에 대한 평가결과를 획득할 수 있다.

예를 들어, 가상현실 콘텐츠에 대한 복수의 사용자의 피드백을 클러스터링하는 경우, 그 특성에 따라 복수의 클러스터가 생성될 수 있다. 가상현실 장비(100)는 각각의 클러스터를 대표하는 속성을 판단할 수 있으며, 각각의 클러스터를 대표하는 속성에 따라 가상현실 콘텐츠에 대한 평가결과를 획득할 수 있다.

각각의 클러스터를 대표하는 속성을 판단하는 인공지능 모델이 별도로 학습될 수 있으며, 가상현실 장비(100)는 해당 인공지능 모델에 각 클러스터에 포함된 피드백 정보를 입력하고, 이에 대한 출력결과를 취합하여 각 클러스터를 대표하는 속성을 결정할 수 있다.

예를 들어, 각각의 클러스터는 재미있음, 슬픔, 분노, 무관심 등의 항목으로 대표되는 피드백들을 포함할 수 있다. 가상현실 장비(100)는 각 클러스터의 특성과, 각 클러스터의 크기에 기초하여 가상현실 콘텐츠에 대한 평가결과를 획득할 수 있다. 예를 들어, 재미있음 항목으로 대표되는 클러스터가 가장 큰 경우, 해당 가상현실 콘텐츠에 대하여 사용자들이 재미를 느끼고 있는 것으로 평가할 수 있다.

도 10은 일 실시 예에 따라 이벤트에 대한 평가정보를 수집하는 방법을 도시한 흐름도이다.

도 10을 참조하면, 상술한 피드백을 수집하는 단계(S102)에서, 가상현실 장비(100)는 상기 사용자의 시선방향을 인식하는 단계(S111)를 수행할 수 있다.

또한, 상술한 상기 이벤트에 대한 평가결과를 획득하는 단계(S107)에서, 가상현실 장비(100)는 상기 사용자의 시선방향에 기초하여 상기 이벤트에 대한 상기 사용자의 주목도를 평가하는 단계(S112)를 수행할 수 있다.

예를 들어, 가상현실 공간(300)에 광고객체(20)가 표시되는 경우, 가상현실 장비(100)는 사용자의 시선방향에 기초하여 사용자가 해당 광고객체(20)를 주목하고 있는지 여부 및 그 정도를 판단할 수 있다.

또한, 가상현실 장비(100)는 상기 사용자의 입력정보에 기초하여 상기 이벤트에 대한 상기 사용자의 반응도를 평가하는 단계(S113)를 수행할 수 있다.

예를 들어, 가상현실 장비(100)는 광고객체(20)를 사용자가 선택하거나 기 설정된 시간 이상 주시하는지 여부에 대한 정보를 수집할 수 있고, 광고객체(20)에 따른 링크가 제공되는 경우 해당 링크를 따라 사용자가 광고에 대한 추가정보를 획득하였는지 여부, 그리고 사용자가 광고에 따라 제품을 구매하였는지 여부 등에 대한 정보를 수집할 수 있다.

또한, 가상현실 장비(100)는 상기 사용자의 생체정보에 기초하여 상기 이벤트에 대한 상기 사용자의 호감도를 평가하는 단계(S114)를 수행할 수 있다.

예를 들어, 가상현실 장비(100)는 광고객체(20)를 주시하는 사용자의 생체정보를 수집하여, 사용자가 해당 광고객체(20)를 보고 호감을 느꼈는지 여부 및 그 정도, 또는 해당 광고객체(20)를 귀찮아하거나, 오히려 불쾌감, 분노 등을 느꼈는지 여부와 그 정도 등에 대한 정보를 수집할 수 있다.

또한, 가상현실 장비(100)는 사용자가 광고객체(20)를 보았을 때의 호감도(감정)와, 사용자가 광고객체(20)를 봄에 따라 추가정보 또는 광고영상이 제공되는 경우, 사용자의 호감도(감정)변화에 대한 정보를 수집할 수 있다.

예를 들어, 사용자에게 광고가 많이 노출될수록 광고대상에 대한 사용자의 인지도는 높아질 수 있지만, 잦은 광고 또는 사용자를 귀찮거나 불편하게 하는 광고로 인해 사용자가 불쾌감, 분노, 비호감 등의 감정을 느낄 수 있다. 이 경우 광고가 역효과를 낳을 수 있으므로, 가상현실 장비(100)는 제공되는 광고에 대한 사용자의 호감도에 대한 정보를 수집 및 분석할 수 있다.

또한, 사용자가 광고에 대해 처음에는 호감을 느낄 수 있지만, 광고가 계속하여 제공되는 경우 지겨움을 느끼거나, 사용자의 행동에 방해가 된다고 느낄 수 있고, 이 경우 호감도에 대한 변화가 발생할 수 있다.

따라서, 가상현실 장비(100)는 상기 사용자의 주목도, 반응도 및 호감도에 기초하여, 상기 이벤트의 노출시점, 노출시간, 노출위치 및 상기 이벤트의 종류 중 적어도 하나를 변경하는 단계(S115)를 수행할 수 있다.

예를 들어, 광고가 반복하여 제공됨에 따라 사용자의 호감도가 하락하는 경우, 가상현실 장비(100)는 소정의 시간 동안 광고 제공을 중지하거나, 다른 광고를 제공할 수 있고, 광고의 제공방식을 변경할 수 있다.

또한, 가상현실 장비(100)는 광고에 대한 사용자의 호감도가 낮은 경우, 그 원인을 분석할 수 있다. 예를 들어, 사용자의 호감도는 광고의 종류, 광고가 표시되는 시점, 위치 및 시간 등에 따라 달라질 수 있다.

예를 들어, 사용자가 좋아하지 않는 대상에 대한 광고인 경우, 사용자가 원치 않는 시점 및 위치에 광고가 제공되는 경우, 광고가 과도하게 길게 제공되는 경우 등에 광고 대상에 대한 사용자의 호감도가 낮아질 수 있다.

따라서, 가상현실 장비(100)는 광고에 대한 사용자의 호감도가 낮은 경우 사용자의 배경정보에 기초하여 광고대상 자체에 대한 사용자의 선호도를 판단하고, 사용자가 선호하지 않는 광고대상인 것으로 판단되는 경우 광고대상을 변경할 수 있다.

또한, 가상현실 장비(100)는 광고에 대한 사용자의 호감도가 낮은 경우, 광고가 표시되는 위치, 시점 등을 복수의 옵션에 따라 조금씩 변경함으로써 사용자의 호감도 변화를 판단할 수 있다. 가상현실 장비(100)는 사용자의 호감도가 상승하는 방향으로 광고가 표시되는 위치, 시점 및 시간을 변경할 수 있다.

도 11은 일 실시 예에 따라 광고에 대한 우선순위를 결정하는 방법을 도시한 흐름도이다.

일 실시 예에서, 사용자에게 제공되는 가상현실 콘텐츠는 복수의 옵션을 포함할 수 있다. 예를 들어, 광고의 경우 표시되는 위치, 시점 및 시간 등이 다양하게 변경되어 제공될 수 있다.

다른 예로, 게임의 경우 플레이어의 시점, 게임의 배경, 음악, 분위기 등을 포함하는 구성요소 등을 달리한 복수의 옵션이 가상현실 콘텐츠에 포함될 수 있다.

상술한 평가결과를 획득하는 단계(S106)에서, 가상현실 장비(100)는 상기 복수의 옵션 각각에 대하여 복수의 사용자로부터 상기 평가항목에 대한 평가결과를 수집하는 단계(S116)를 수행할 수 있다.

예를 들어, 가상현실 장비는 서로 다른 특성을 포함하는 각각의 옵션에 대한 평가결과를 수집할 수 있다. 예로, 공포 게임 콘텐츠의 공포도를 평가하는 경우, 가상현실 장비(100)는 각각의 옵션에 따라 사용자가 느끼는 공포감에 대한 정보를 수집할 수 있다.

또한, 가상현실 장비(100)는 상기 수집된 평가결과에 기초하여 상기 복수의 옵션 각각에 대한 우선순위를 결정하는 단계(S117)를 수행할 수 있다.

예를 들어, 평가 결과가 좋은 순으로 각각의 옵션에 대한 우선순위가 설정될 수 있으며, 설정된 우선순위에 대한 정보가 사용자에게 제공될 수 있다.

도 12는 일 실시 예에 따라 강화학습을 수행하는 방법을 도시한 흐름도이다.

도 12를 참조하면, 상술한 우선순위를 결정하는 단계(S117)에서, 가상현실 장비(100)는 기 설정된 기준값 이상의 우선순위를 갖는 옵션의 제1 특징을 추출(S119)할 수 있다.

예를 들어, 가상현실 장비(100)는 사용자들로부터 좋은 평가를 받는 옵션들의 특징을 추출할 수 있다.

또한, 가상현실 장비(100)는 상기 기준값 이하의 우선순위를 갖는 옵션의 제2 특징을 추출(S120)할 수 있다.

예를 들어, 가상현실 장비는 사용자들로부터 낮은 평가를 받는 옵션들의 특징을 추출할 수 있다.

상술한 단계들(S119, S120)에서, 각 옵션들의 특징을 추출하는 데에는 인공지능 모델이 활용될 수 있다. 예를 들어, 인공지능 모델은 각 옵션을 대표하는 속성 또는 키워드를 추출할 수 있고, 여기에는 인공지능 모델을 이용하여 각 옵션에 포함된 속성 또는 키워드들을 클러스터링하는 과정이 포함될 수 있으나, 이에 제한되는 것은 아니다.

또한, 가상현실 장비(100)는 상기 제1 특징 및 상기 제2 특징에 기초하여, 상기 기준값 이상의 우선순위를 받을 수 있을 것으로 추정되는 하나 이상의 제3 특징을 생성(S121)할 수 있다.

예를 들어, 가상현실 장비는 제1 특징과 제2 특징을 비교하여 그 차이점을 판단할 수 있고, 제1 특징들로부터 공통되는 속성 또는 제1 특징들을 대표하는 속성을 추출할 수 있다.

또한, 가상현실 장비(100)는 상기 제3 특징을 포함하는 옵션을 생성(S122)할 수 있다.

가상현실 장비(100)는 가상현실 콘텐츠에 제3 특징을 반영하여 새로운 옵션을 생성할 수 있다.

또한, 가상현실 장비(100)는 상기 생성된 옵션에 대한 평가결과를 획득(S123)할 수 있다.

예를 들어, 평가결과를 획득하는 방법은 상술한 평가방법들에 의하여 수행될 수 있다.

또한, 가상현실 장비(100)는 상기 생성된 옵션에 대한 평가결과에 기초하여 강화학습을 수행(S124)할 수 있다.

예를 들어, 제3 특징이 반영된 옵션에 대한 평가결과가 낮은 경우, 가상현실 장비(100)는 강화학습을 위한 부정 피드백을, 평가결과가 높은 경우에는 강화학습을 위한 긍정 피드백을 제공하여 강화학습을 수행할 수 있다.

가상현실 장비(100)는 강화학습을 이용하여 학습된 모델에 기초하여, 가상현실 콘텐츠의 평가를 높일 수 있는 옵션을 자동으로 생성하거나, 옵션정보를 사용자에게 제공할 수 있다.

도 13은 일 실시 예에 따른 장치의 구성도이다.

프로세서(102)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(102)는 메모리(104)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 12와 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(102)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 가상현실 콘텐츠에 대한 정보를 획득하고, 상기 가상현실 콘텐츠에 대한 사용자의 피드백을 수집하고, 상기 수집된 피드백에 기초하여 상기 가상현실 콘텐츠를 평가하고, 상기 피드백을 수집함에 있어서, 상기 사용자의 입력정보, 행동정보 및 생체정보 중 적어도 하나를 수집할 수 있다.

한편, 프로세서(102)는 프로세서(102) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(102)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(104)에는 프로세서(102)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(104)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100: 가상현실 장비
110: HMD
120: 사용자 단말
200 : 서버

Claims (8)

1. 컴퓨터에 의하여 수행되는 방법으로서,
   가상현실 콘텐츠에 대한 정보를 획득하는 단계;
   상기 가상현실 콘텐츠에 대한 사용자의 피드백을 수집하는 단계; 및
   상기 수집된 피드백에 기초하여 상기 가상현실 콘텐츠를 평가하는 단계; 를 포함하고,
   상기 피드백을 수집하는 단계는,
   상기 사용자의 입력정보, 행동정보 및 생체정보 중 적어도 하나를 수집하는 단계;
   상기 사용자의 시선방향을 인식하는 단계;
   상기 사용자의 생체정보에 기초하여 상기 가상현실 콘텐츠에 포함된 광고에 대한 상기 사용자의 호감도를 평가하는 단계; 및
   상기 사용자의 호감도에 기초하여 상기 광고의 노출시점, 노출시간, 노출위치 및 상기 광고의 종류 중 적어도 하나를 변경하는 단계; 를 더 포함하고,
   상기 사용자의 시선방향을 인식하는 단계는,
   상기 가상현실 콘텐츠가 표시되는 가상현실 장비의 주변 영상을 획득하는 단계; 및
   상기 가상현실 장비에 상기 가상현실 콘텐츠에 포함된 가상현실 공간 및 상기 주변 영상을 표시하되, 상기 사용자의 시선 안쪽에는 상기 가상현실 공간을 표시하고, 상기 사용자의 시선 바깥에는 상기 주변 영상을 표시하는, 단계; 를 더 포함하고,
   상기 주변 영상을 표시하는 단계는,
   상기 사용자의 시선 이동을 감지하는 단계; 및
   상기 사용자의 시선이 기 설정된 상한속도 이상의 속도로 이동하는 경우, 상기 사용자의 시선방향에 상기 주변 영상을 표시하는, 단계; 를 더 포함하는, 가상현실 영상의 피드백 분석방법.
2. ◈청구항 2은(는) 설정등록료 납부시 포기되었습니다.◈

   제1 항에 있어서,
   상기 가상현실 콘텐츠를 평가하는 단계는,
   상기 가상현실 콘텐츠를 평가하기 위한 평가항목을 결정하는 단계; 및
   인공지능 모델을 이용하여 상기 피드백으로부터 상기 평가항목에 대한 평가결과를 획득하는 단계; 를 포함하는, 가상현실 영상의 피드백 분석방법.
3. ◈청구항 3은(는) 설정등록료 납부시 포기되었습니다.◈

   제2 항에 있어서,
   상기 평가결과를 획득하는 단계는,
   상기 수집된 피드백을 클러스터링하는 단계;
   상기 클러스터링 결과 생성된 각각의 클러스터에 대응하는 정보를 추출하는 단계; 및
   상기 추출된 정보에 기초하여 상기 가상현실 콘텐츠에 대한 평가결과를 획득하는 단계; 를 포함하는, 가상현실 영상의 피드백 분석방법.
4. 제2 항에 있어서,
   상기 가상현실 콘텐츠를 평가하는 단계는,
   상기 가상현실 콘텐츠에 포함된 이벤트에 대한 평가결과를 획득하는 단계; 를 더 포함하는, 가상현실 영상의 피드백 분석방법.
5. 제4 항에 있어서,
   상기 이벤트에 대한 평가결과를 획득하는 단계는,
   상기 사용자의 시선방향에 기초하여 상기 이벤트에 대한 상기 사용자의 주목도를 평가하는 단계; 및
   상기 사용자의 입력정보에 기초하여 상기 이벤트에 대한 상기 사용자의 반응도를 평가하는 단계; 를 포함하는, 가상현실 영상의 피드백 분석방법.
6. 제5 항에 있어서,
   상기 사용자의 주목도 및 반응도에 기초하여, 상기 이벤트의 노출시점, 노출시간, 노출위치 및 상기 이벤트의 종류 중 적어도 하나를 변경하는 단계; 를 더 포함하는, 가상현실 영상의 피드백 분석방법.
7. 제2 항에 있어서,
   상기 가상현실 콘텐츠는 복수의 옵션을 포함하고,
   상기 평가결과를 획득하는 단계는,
   상기 복수의 옵션 각각에 대하여 복수의 사용자로부터 상기 평가항목에 대한 평가결과를 수집하는 단계; 및
   상기 수집된 평가결과에 기초하여 상기 복수의 옵션 각각에 대한 우선순위를 결정하는 단계; 를 포함하는, 가상현실 영상의 피드백 분석방법.
8. 제7 항에 있어서,
   상기 우선순위를 결정하는 단계는,
   기 설정된 기준값 이상의 우선순위를 갖는 옵션의 제1 특징을 추출하는 단계;
   상기 기준값 이하의 우선순위를 갖는 옵션의 제2 특징을 추출하는 단계;
   상기 제1 특징 및 상기 제2 특징에 기초하여, 상기 기준값 이상의 우선순위를 받을 수 있을 것으로 추정되는 하나 이상의 제3 특징을 생성하는 단계;
   상기 제3 특징을 포함하는 옵션을 생성하는 단계;
   상기 생성된 옵션에 대한 평가결과를 획득하는 단계; 및
   상기 생성된 옵션에 대한 평가결과에 기초하여 강화학습을 수행하는 단계; 를 더 포함하는, 가상현실 영상의 피드백 분석방법.

Images