KR102145863B1

KR102145863B1 - Learning method of multiple heterogeneous devices, edge server and system using the same

Info

Publication number: KR102145863B1
Application number: KR1020180163487A
Authority: KR
Inventors: 김동엽; 황정훈
Original assignee: 전자부품연구원
Priority date: 2018-12-17
Filing date: 2018-12-17
Publication date: 2020-08-19
Also published as: KR20200080382A

Abstract

본 발명은 다중 이종 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 공유하는 다중 이종 장치의 학습 방법, 이를 이용한 엣지 서버 및 시스템에 관한 것이다. 본 발명에 따른 다중 이종 장치의 학습 시스템은 센싱 정보를 센싱하며 작업을 수행하는 복수의 작업 장치, 복수의 작업 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 복수의 작업 장치에 학습 정보를 공유하는 엣지 서버, 엣지 서버로부터 복수의 작업 장치에 대한 센싱 정보를 전달받아 학습하는 클라우드 서버를 포함한다.The present invention relates to a learning method of multiple heterogeneous devices that abstract and classify multiple heterogeneous devices by category, learn and share by classified category, and an edge server and system using the same. The learning system of multiple heterogeneous devices according to the present invention abstracts and classifies a plurality of work devices and a plurality of work devices that perform a task by sensing sensing information by category, and learns by classified category to provide learning information to a plurality of work devices. And a cloud server that receives and learns sensing information on a plurality of working devices from the edge server and the edge server.

Description

Learning method of multiple heterogeneous devices, edge server and system using the same}

본 발명은 다중 이종 장치의 학습 방법에 관한 것으로, 더욱 상세하게는 다중 이종 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 공유하는 다중 이종 장치의 학습 방법, 이를 이용한 엣지 서버 및 시스템에 관한 것이다.The present invention relates to a learning method of multiple heterogeneous devices, and more particularly, to a learning method of multiple heterogeneous devices that abstract and classify multiple heterogeneous devices by category, learn and share by classified category, and edge servers and systems using the same. About.

인간이 수행하는 업무를 대행하기 위한 로봇들이 많이 개발되어왔다. 이러한 로봇은 대개 고유하게 주어진 업무를 수행하는 데 목적을 두고 있어서 다양하고 변화 가능한 업무를 처리하는 데에는 한계가 있었다.A lot of robots have been developed to perform tasks performed by humans. These robots are usually uniquely aimed at performing a given task, so they have limitations in handling various and variable tasks.

통신 시스템의 발달에 따라 로봇들을 이용한 무인 작업에 대한 관심이 높아지고 있지만 현재의 무인 작업은 소정의 프로그램된 절차에 따라 각각의 로봇이 연계하여 작업하는 것에 국한되고 있는바, 임의의 상황에 대하여 서로 다른 기능을 가지는 로봇들이 협력적으로 작동하여 소망하는 효과를 얻게 하는 것이 어렵다는 문제점이 있다.With the development of communication systems, interest in unmanned work using robots is increasing, but the current unmanned work is limited to working in conjunction with each robot according to a predetermined programmed procedure. There is a problem in that it is difficult for robots having functions to operate cooperatively to obtain a desired effect.

또한 종래의 로봇 산업은 주로 산업용 로봇을 위주로 하였으나, 최근 로봇 기술의 발전, 로봇 이용에 대한 대중의 관심 등을 통해 다양한 기능을 수행하는 로봇들이 늘어나고 있다. 하지만, 로봇들은 팔이 있는 로봇이냐, 다리 또는 바퀴가 있고 모니터가 없는 로봇이냐 등과 같은 로봇 특성이 서로 다르고, 각 로봇에서 사용하는 운영 체제 및 각 로봇에 구비된 하드웨어의 특징들이 서로 다르다.In addition, although the conventional robot industry has mainly focused on industrial robots, robots that perform various functions are increasing due to the recent development of robot technology and public interest in the use of robots. However, robots have different robot characteristics, such as whether they are robots with arms, robots with legs or wheels, and no monitors, and features of operating systems used by each robot and hardware provided in each robot are different.

특히 로봇은 다양한 입출력 보드들의 선택적 사용, 1개 이상의 프로세서 보드의 사용, 프로세서 보드에 리눅스, 윈도우, 실시간 운영체제, 임베디드 리눅스 등의 다양한 운영체제 및 ROS, OPRoS, OpenRTM, OROCOS와 같은 미들웨어가 작동될 수 있다.In particular, the robot can operate a variety of operating systems such as Linux, Windows, real-time operating system, embedded Linux, and middleware such as ROS, OPRoS, OpenRTM, and OROCOS on the processor board. .

따라서, 로봇마다 필요로 하거나, 구동 가능한 어플리케이션 및 로봇 컨텐츠들은 같은 기능을 하더라도 프로세서 보드, 운영체제, 미들웨어 또는 로봇 특성 등에 따라 서로 달라질 수 밖에 없다.Therefore, applications and robot contents that are required for each robot or can be driven are inevitably different from each other depending on the characteristics of a processor board, an operating system, middleware, or robot even if they perform the same function.

또한, 다양한 로봇들을 위한 어플리케이션 및 로봇 컨텐츠를 개발하더라도 해당 로봇에 직접 다운로드하여 적합한지 여부를 검증(혹은 테스트)하는 것은 로봇의 안정적 동작, 및 동작 환경 설정을 위한 많은 시간과 비용을 필요로 한다.In addition, even if applications and robot contents for various robots are developed, verifying (or testing) whether they are suitable by downloading them directly to the corresponding robot requires a lot of time and cost for stable operation of the robot and setting the operation environment.

여러 프로세서 보드와 이종 운영체제가 필요한 로봇의 경우, 어플리케이션 및 로봇 컨텐츠 개발자 모두가 이러한 로봇 시스템을 구매하는 것은 매우 어렵다. 그렇기 때문에 기존 클라우드 시스템에서 제공하는 가상 기계 및 이종 운영체제들을 활용하여 보다 쉽게 어플리케이션 및 로봇 컨텐츠를 개발 및 검증하여 제공하는 방법이 필요하다.For robots that require multiple processor boards and heterogeneous operating systems, it is very difficult for both application and robot content developers to purchase such robot systems. Therefore, there is a need for a method to more easily develop, verify, and provide application and robot contents using virtual machines and heterogeneous operating systems provided by the existing cloud system.

따라서 본 발명의 목적은 다중 이종 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 공유하는 다중 이종 장치의 학습 방법, 이를 이용한 엣지 서버 및 시스템을 제공하는 데 있다.Accordingly, an object of the present invention is to provide a learning method of multiple heterogeneous devices that abstract and classify multiple heterogeneous devices by category, learn and share by classified category, and an edge server and system using the same.

본 발명에 따른 다중 이종 장치의 학습 시스템은 센싱 정보를 센싱하며 작업을 수행하는 복수의 작업 장치, 상기 복수의 작업 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 상기 복수의 작업 장치에 학습 정보를 공유하는 엣지 서버, 상기 엣지 서버로부터 상기 복수의 작업 장치에 대한 센싱 정보를 전달받아 학습하는 클라우드 서버를 포함한다.The learning system for multiple heterogeneous devices according to the present invention abstracts and classifies a plurality of work devices that perform a task by sensing sensing information, and the plurality of work devices by category, and learns by classified category to provide the plurality of work devices. And an edge server for sharing learning information, and a cloud server for learning by receiving sensing information on the plurality of working devices from the edge server.

본 발명에 따른 다중 이종 장치의 학습 시스템에 있어서, 상기 엣지 서버는 상기 복수의 작업 장치로부터 수신한 정보를 카테고리 별로 공통 기능과 개별 기능으로 분류하고, 상기 개별 기능에 대하여 학습하여 상기 개별 기능에 대한 학습 정보를 공유하는 것을 특징으로 한다.In the learning system for multiple heterogeneous devices according to the present invention, the edge server classifies information received from the plurality of working devices into common functions and individual functions for each category, and learns about the individual functions to It is characterized by sharing learning information.

본 발명에 따른 다중 이종 장치의 학습 시스템에 있어서, 상기 클라우드 서버는, 상기 엣지 서버로부터 카테고리 별로 상기 공통 기능에 대한 센싱 정보를 전달받아 학습하는 것을 특징으로 한다.In the learning system for multiple heterogeneous devices according to the present invention, the cloud server is characterized in that it learns by receiving sensing information on the common function for each category from the edge server.

본 발명에 따른 다중 이종 장치의 학습 시스템에 있어서, 상기 클라우드 서버는, 상기 공통 기능에 대한 학습 정보를 적어도 하나의 다른 엣지 서버에 공유하는 것을 특징으로 한다.In the learning system for multiple heterogeneous devices according to the present invention, the cloud server is characterized in that it shares learning information on the common function to at least one other edge server.

본 발명에 따른 다중 이종 장치의 학습 방법은 엣지 서버가 복수의 작업 장치로부터 센싱된 센싱 정보를 전달받는 단계, 상기 엣지 서버가 상기 복수의 작업 장치로부터 전달받은 센싱 정보를 통해 상기 복수의 작업 장치를 카테고리 별로 추상화하여 분류하는 단계, 상기 엣지 서버가 상기 분류된 카테고리 별로 학습하여 상기 복수의 작업 장치에 학습 정보를 공유하는 단계, 상기 엣지 서버가 상기 복수의 작업 장치에 대한 센싱 정보를 클라우드 서버에 전송하는 단계를 포함하는 것을 특징으로 한다.In the learning method of multiple heterogeneous devices according to the present invention, the step of receiving, by an edge server, sensing information sensed from a plurality of work devices, the edge server, through the sensing information transmitted from the plurality of work devices, Abstracting and classifying by category, the edge server learning by the classified category and sharing learning information with the plurality of working devices, and the edge server transmitting sensing information on the plurality of working devices to a cloud server It characterized in that it comprises the step of.

본 발명에 따른 다중 이종 장치의 학습 방법에 있어서, 상기 추상화하여 분류하는 단계에서, 상기 엣지 서버는 상기 복수의 작업 장치로부터 수신한 센싱 정보를 카테고리 별로 공통 기능과 개별 기능으로 분류하는 것을 특징으로 한다.In the learning method of multiple heterogeneous devices according to the present invention, in the abstraction and classification step, the edge server classifies sensing information received from the plurality of working devices into a common function and an individual function for each category. .

본 발명에 따른 다중 이종 장치의 학습 방법에 있어서, 상기 학습 정보를 공유하는 단계에서, 상기 엣지 서버는 상기 개별 기능에 대하여 학습하여 상기 개별 기능에 대한 학습 정보를 공유하는 것을 특징으로 한다.In the learning method of multiple heterogeneous devices according to the present invention, in the step of sharing the learning information, the edge server learns about the individual function and shares the learning information about the individual function.

본 발명에 따른 다중 이종 장치의 학습 방법에 있어서, 상기 클라우드 서버에 전송하는 단계에서, 상기 엣지 서버는 상기 공통 기능에 대한 센싱 정보를 상기 클라우드 서버에 전송하는 것을 특징으로 한다.In the learning method of multiple heterogeneous devices according to the present invention, in the step of transmitting to the cloud server, the edge server is characterized in that it transmits sensing information on the common function to the cloud server.

본 발명에 따른 엣지 서버는 복수의 작업 장치로부터 센싱된 센싱 정보를 전달받는 통신부, 상기 통신부를 통해 전달받은 정보를 통해 상기 복수의 작업 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 상기 복수의 작업 장치에 학습 정보를 공유하고, 상기 복수의 작업 장치에 대한 센싱 정보를 통신부를 통해 클라우드 서버에 전송하도록 제어하는 제어부를 포함하는 것을 특징으로 한다.The edge server according to the present invention provides a communication unit receiving sensing information sensed from a plurality of working devices, and abstracts and classifies the plurality of working devices by category through the information received through the communication unit, and learns by classified category. It characterized in that it comprises a control unit for sharing learning information with a plurality of working devices, and controlling to transmit sensing information on the plurality of working devices to a cloud server through a communication unit.

본 발명에 따른 엣지 서버에 있어서, 상기 제어부는 상기 복수의 작업 장치로부터 수신한 정보를 카테고리 별로 공통 기능과 개별 기능으로 분류하고, 상기 개별 기능에 대하여 학습하여 상기 개별 기능에 대한 학습 정보를 공유하고, 상기 공통 기능에 대한 센싱 정보를 상기 클라우드 서버에 전송하는 것을 특징으로 한다.In the edge server according to the present invention, the control unit classifies information received from the plurality of working devices into common functions and individual functions by category, learns about the individual functions, and shares learning information about the individual functions. And transmitting sensing information on the common function to the cloud server.

본 발명에 따른 다중 이종 장치의 제어 방법은 엣지 서버가 다중 이종 장치를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 개별 기능에 대해서는 엣지 서버가 학습하고, 공통 기능에 대해서는 클라우드 서버에 전송하여 클라우드 서바가 학습하도록 함으로써, 정보 이동 거리를 단축시켜 빠른 처리를 수행가능하도록 하며, 클라우드 서버에 선별된 정보만을 전송하기 때문에, 클라우드 서버에서 처리하는 정보를 줄여주어 클라우드 서버의 과부하를 방지할 수 있다.In the method for controlling multiple heterogeneous devices according to the present invention, the edge server abstracts and classifies multiple heterogeneous devices by category, the edge server learns about individual functions for each classified category, and transmits common functions to the cloud server to By allowing the bar to learn, it is possible to perform fast processing by shortening the distance of information movement, and since only selected information is transmitted to the cloud server, it is possible to prevent overload of the cloud server by reducing the information processed by the cloud server.

또한 본 발명에 따른 다중 이종 장치의 제어 방법은 엣지 서버가 클라우드 서버에 추상화된 정보만을 전송하기 때문에 보안을 강화할 수 있다.In addition, the method for controlling multiple heterogeneous devices according to the present invention can enhance security because the edge server transmits only abstracted information to the cloud server.

도 1은 본 발명의 실시예에 따른 다중 이종 장치의 제어 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 다중 이종 장치의 기능을 설명하기 위한 계략도이다.
도 3은 본 발명의 실시예에 따른 엣지 서버의 구성을 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 클라우드 서버의 구성을 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 다중 이종 장치의 제어 방법을 나타낸 순서도이다.1 is a diagram showing the configuration of a control system for multiple heterogeneous devices according to an embodiment of the present invention.
2 is a schematic diagram for explaining functions of multiple heterogeneous devices according to an embodiment of the present invention.
3 is a diagram showing the configuration of an edge server according to an embodiment of the present invention.
4 is a diagram showing the configuration of a cloud server according to an embodiment of the present invention.
5 is a flowchart illustrating a method of controlling multiple heterogeneous devices according to an embodiment of the present invention.

하기의 설명에서는 본 발명의 실시예를 이해하는데 필요한 부분만이 설명되며, 그 이외 부분의 설명은 본 발명의 요지를 흩트리지 않도록 생략될 것이라는 것을 유의하여야 한다.In the following description, it should be noted that only parts necessary to understand the embodiments of the present invention will be described, and descriptions of other parts will be omitted so as not to obscure the subject matter of the present invention.

이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 안되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.Terms or words used in the present specification and claims described below should not be construed as being limited to their usual or dictionary meanings, and the inventors should use the concept of terms appropriately to describe their own invention in the best way. Based on the principle that it can be defined, it should be interpreted as a meaning and concept consistent with the technical idea of the present invention. Therefore, the embodiments described in the present specification and the configurations shown in the drawings are only preferred embodiments of the present invention, and do not represent all the technical spirit of the present invention, and various equivalents that can replace them at the time of application And it should be understood that there may be variations.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 보다 상세하게 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in more detail with reference to the accompanying drawings.

도 1은 본 발명의 실시예에 따른 다중 이종 장치의 제어 시스템의 구성을 나타낸 도면이고, 도 2는 본 발명의 실시예에 따른 다중 이종 장치의 기능을 설명하기 위한 계략도이다.1 is a diagram showing a configuration of a control system for multiple heterogeneous devices according to an embodiment of the present invention, and FIG. 2 is a schematic diagram for explaining functions of multiple heterogeneous devices according to an embodiment of the present invention.

도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 다중 이종 장치의 제어 시스템(400)은 복수의 작업 장치(100), 엣지 서버(200) 및 클라우드 서버(300)를 포함하여 구성된다.1 and 2, the control system 400 for multiple heterogeneous devices according to an embodiment of the present invention includes a plurality of working devices 100, an edge server 200, and a cloud server 300. .

복수의 작업 장치(100)는 다수의 이종 로봇이 협업 운용될 수 있는 공간 상에 존재하는 복수의 장치가 될 수 있다. 즉 작업 장치(100)는 서로 다른 기능 또는 공통 기능을 가지는 장치로, 제한적인 범위 안에서 서로 통신할 수 있는 장치가 될 수 있다. 예를 들어, 작업 장치(100)는 로봇 청소기, 청소 로봇, 배달 로봇, 서빙 로봇, 모바일 매니퓰레이터, 피킹로봇, 다족형 로봇 등이 될 수 있다. 이러한 작업 장치(100)는 로봇 한대의 성능을 높이는 것보다 적당한 성능의 다수의 로봇이 생산 단가가 저렴하게 적용된다. 이에 따라 작업 장치(100)는 복수로 구비되어 다수의 작업 장치가 협업 운용될 수 있다.The plurality of working devices 100 may be a plurality of devices existing in a space in which a plurality of heterogeneous robots can be cooperatively operated. That is, the working device 100 is a device having different functions or common functions, and may be devices capable of communicating with each other within a limited range. For example, the working device 100 may be a robot cleaner, a cleaning robot, a delivery robot, a serving robot, a mobile manipulator, a picking robot, a multi-leg robot, or the like. In this working device 100, a production cost of a large number of robots of moderate performance is applied at a lower cost than to increase the performance of one robot. Accordingly, a plurality of working devices 100 may be provided so that a plurality of working devices may be cooperatively operated.

이러한 복수의 작업 장치(100)는 각 작업 장치가 게시한 정보 값, 측정 값을 포함하는 센싱 정보를 생성하여 엣지 서버(200)로 전송할 수 있다. 즉 복수의 작업 장치(100)는 학습을 위한 다양한 센싱 정보를 생성하여 엣지 서버(200)로 전송한다.The plurality of work devices 100 may generate sensing information including information values and measured values posted by each work device and transmit the generated sensing information to the edge server 200. That is, the plurality of working devices 100 generates various sensing information for learning and transmits them to the edge server 200.

엣지 서버(200)는 클라우드 서버(300)와 복수의 작업 장치(100) 사이에서 정보를 처리하는 역할을 수행한다. 즉 엣지 서버(200)는 클라우드 서버(300) 사이에서 일부 정보 처리, 즉 학습 공유 및 제어에 대한 작업을 일부 수행하고, 일부 정보를 클라우드 서버(300)에 전송하여 처리하도록 한다.The edge server 200 performs a role of processing information between the cloud server 300 and the plurality of working devices 100. That is, the edge server 200 performs some information processing between the cloud servers 300, that is, learning sharing and control, and transmits some information to the cloud server 300 for processing.

이에 따라 엣지 서버(200)는 복수의 작업 장치(100)와의 정보 이동 거리를 단축시켜 빠른 처리를 수행가능하도록 하며, 클라우드 서버(300)에 선별된 정보만을 전송하기 때문에, 클라우드 서버(300)에서 처리하는 정보를 줄여주어 클라우드 서버(300)의 과부하를 방지할 수 있다.Accordingly, the edge server 200 shortens the moving distance of information with the plurality of working devices 100 to enable fast processing, and transmits only selected information to the cloud server 300, so that the cloud server 300 By reducing the processed information, it is possible to prevent overload of the cloud server 300.

이러한 엣지 서버(200)는 작업 장치(100)와 통신을 수행하며, 작업 장치(100)로부터 센싱 정보를 전달받아, 센싱 정보를 기반으로 학습하며, 학습 정보를 복수의 작업 장치(100)에 공유한다.This edge server 200 communicates with the work device 100, receives sensing information from the work device 100, learns based on the sensing information, and shares the learning information with a plurality of work devices 100. do.

이때 엣지 서버(200)는 복수의 작업 장치(100)를 카테고리 별로 추상화하여 분류하고, 분류된 카테고리 별로 학습하여 복수의 작업 장치(100)에 학습 정보를 공유할 수 있다.In this case, the edge server 200 may abstract and classify the plurality of work devices 100 by category, learn by classified category, and share learning information with the plurality of work devices 100.

예를 들어 엣지 서버(200)는 (a)와 같이 한정된 공간에서 (b)와 같이 로봇 청소기, 청소 로봇, 배달 로봇, 서빙 로봇, 모바일 매니퓰레이터, 피킹로봇, 다족형 로봇 등 복수의 이종 로봇이 존재할 수 있다.For example, the edge server 200 has a plurality of heterogeneous robots such as a robot cleaner, a cleaning robot, a delivery robot, a serving robot, a mobile manipulator, a picking robot, and a multi-leg robot, as shown in (b) in a limited space as shown in (a). I can.

이때 피킹 로봇, 다족형 로봇, 모바일 매니퓰레이터 등에도 다양한 종류와 사양의 로봇들이 포함될 수 있다.At this time, various types and specifications of robots may be included in picking robots, multi-legged robots, and mobile manipulators.

엣지 서버(200)는 이러한 다양한 종류와 사양의 로봇들을 추상화 하여 카테고리 별로 분류할 수 있다. 예를 들어 엣지 서버(200)는 (c)와 같이, 물체의 피킹과 관련한 작업을 수행하는 로봇을 피킹 로봇으로 분류하고, 물체를 운송하는 작업을 수행하는 로봇을 운송 로봇으로 분류할 수 있다.The edge server 200 may abstract robots of various types and specifications and classify them into categories. For example, as shown in (c), the edge server 200 classifies a robot that performs a task related to picking an object as a picking robot, and classifies a robot that performs a task of transporting an object as a transport robot.

이때 엣지 서버(200)는 분류된 카테고리 별로 공통 기능과 개별 기능을 분류할 수 있다. 여기서 공통 기능은 카테고리 내에서 공통적으로 수행하는 기능을 말하며, 개별 기능은 카테고리 내에서 서로 다른 작업 장치의 기능이 될 수 있다. 예를 들어, 피킹 로봇에서 공통 기능은 파지와 관련된 정보가 될 수 있고, 개별 기능은 각 로봇의 팔의 길이, 팔의 개수 등의 개별적인 정보가 될 수 있다.In this case, the edge server 200 may classify common functions and individual functions according to classified categories. Here, a common function refers to a function commonly performed within a category, and an individual function may be a function of different working devices within the category. For example, in a picking robot, a common function may be information related to gripping, and an individual function may be individual information such as the length of each robot's arm and the number of arms.

여기서 엣지 서버(200)는 개별 기능에 대하여 학습하여 개별 기능에 대한 학습 정보를 복수의 작업 장치(100)에 공유할 수 있다.Here, the edge server 200 may learn about individual functions and share learning information about the individual functions with the plurality of working devices 100.

또한 엣지 서버(200)는 추상화되어 각 카테고리 별로 공통 기능에 대한 센싱 정보를 클라우드 서버(300)에 전송할 수 있다. 또한 엣지 서버(200)는 클라우드 서버(300)에 추상화된 정보만을 전송하기 때문에 보안을 강화할 수 있다.In addition, the edge server 200 may be abstracted to transmit sensing information on common functions for each category to the cloud server 300. In addition, since the edge server 200 transmits only abstracted information to the cloud server 300, security can be enhanced.

클라우드 서버(300)는 엣지 서버(200)로부터 복수의 작업 장치(100)에 대한 센싱 정보를 전달받아 학습한다.The cloud server 300 receives and learns sensing information for a plurality of working devices 100 from the edge server 200.

즉 클라우드 서버(300)는 엣지 서버(200)로부터 각 카테고리 별로 공통 기능에 대한 센싱 정보를 전달받고, 공통 기능에 대한 센싱 정보를 학습하여 다른 엣지 서버에 공유할 수 있다. 즉 클라우드 서버(300)는 복수의 엣지 서버로부터 공통 기능에 대한 센싱 정보를 전달받아 빅데이터를 구축하고, 구축된 빅데이터를 기반으로 학습하여 복수의 엣지 서버에 공유할 수 있다.That is, the cloud server 300 may receive sensing information on a common function for each category from the edge server 200, learn sensing information for the common function, and share it with other edge servers. That is, the cloud server 300 may receive sensing information on a common function from a plurality of edge servers, build big data, learn based on the built big data, and share it with a plurality of edge servers.

이하 본 발명의 실시예에 따른 엣지 서버(200)에 대하여 더욱 상세히 설명하도록 한다.Hereinafter, the edge server 200 according to an embodiment of the present invention will be described in more detail.

도 3은 본 발명의 실시예에 따른 엣지 서버의 구성을 나타낸 도면이다.3 is a diagram showing the configuration of an edge server according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 실시예에 따른 엣지 서버(200)는 엣지 통신부(210), 엣지 저장부(220) 및 엣지 제어부(230)를 포함한다.Referring to FIG. 3, an edge server 200 according to an embodiment of the present invention includes an edge communication unit 210, an edge storage unit 220, and an edge control unit 230.

엣지 통신부(210)는 통신망을 통해 복수의 작업 장치(100) 및 클라우드 서버(300)와 통신을 수행할 수 있다. 이러한 엣지 통신부(210)는 복수의 작업 장치(100)로부터 센싱 정보를 전달받거나 학습 정보를 공유할 수 있고, 클라우드 서버(300)에 공통 기능에 대한 센싱 정보를 전달하거나 클라우드 서버(300)로부터 학습 정보를 공유 받을 수 있다.The edge communication unit 210 may communicate with the plurality of working devices 100 and the cloud server 300 through a communication network. The edge communication unit 210 may receive sensing information from a plurality of working devices 100 or share learning information, and transmit sensing information on common functions to the cloud server 300 or learn from the cloud server 300 You can share information.

통신망은 복수의 장업 장치(100) 및 클라우드 서버(300) 사이의 데이터 전송 및 정보 교환을 위한 일련의 데이터 송수신 동작을 수행한다. 특히, 통신망은 다양한 형태의 통신망이 이용될 수 있으며, 예컨대, 무선랜(WLAN, Wireless LAN), 와이파이(Wi-Fi), 와이브로(Wibro), 와이맥스(Wimax), 고속하향패킷접속(HSDPA, High Speed Downlink Packet Access) 등의 무선 통신방식 또는 이더넷(Ethernet), xDSL(ADSL, VDSL), HFC(Hybrid Fiber Coax), FTTC(Fiber to The Curb), FTTH(Fiber To The Home) 등의 유선 통신방식이 이용될 수 있다. 한편, 통신망은 상기에 제시된 통신방식에 한정되는 것은 아니며, 상술한 통신 방식 이외에도 기타 널리 공지되었거나 향후 개발될 모든 형태의 통신 방식을 포함할 수 있다.The communication network performs a series of data transmission/reception operations for data transmission and information exchange between the plurality of device 100 and the cloud server 300. In particular, various types of communication networks may be used as the communication network, for example, wireless LAN (WLAN, Wireless LAN), Wi-Fi, Wibro, Wimax, and high-speed downlink packet access (HSDPA, High Wireless communication methods such as Speed Downlink Packet Access) or wired communication methods such as Ethernet (Ethernet), xDSL (ADSL, VDSL), HFC (Hybrid Fiber Coax), FTTC (Fiber to The Curb), FTTH (Fiber To The Home) Can be used. On the other hand, the communication network is not limited to the above-described communication method, and may include any other widely known or future developed communication method in addition to the above-described communication method.

엣지 저장부(220)는 엣지 서버(200)의 기능 실행에 따른 모든 프로그램을 저장한다. 특히 엣지 저장부(220)는 복수의 작업 장치(100)를 카테고리 별로 추상화하기 위한 프로그램, 카테고리 별로 추상화된 작업 장치(100)에 대하여 개별 기능 및 공통 기능을 분리하기 위한 프로그램, 개별 기능에 대하여 학습하기 위한 프로그램 등을 저장할 수 있다. 또한 엣지 저장부(220)는 복수의 작업 장치(100)로부터 전달받은 센싱 정보를 저장하는 학습 DB를 포함할 수 있다.The edge storage unit 220 stores all programs according to the execution of the functions of the edge server 200. In particular, the edge storage unit 220 learns about a program for abstracting a plurality of working devices 100 by category, a program for separating individual functions and common functions for the work device 100 abstracted by category, and individual functions. You can store programs for doing things. In addition, the edge storage unit 220 may include a learning DB for storing sensing information transmitted from the plurality of working devices 100.

엣지 제어부(230)는 추상화 모듈(231), 기능 분류 모듈(232) 및 학습 공유 모듈(233)을 포함할 수 있다.The edge controller 230 may include an abstraction module 231, a function classification module 232, and a learning sharing module 233.

추상화 모듈(231)은 복수의 작업 장치(100)를 카테고리 별로 추상화하여 분류할 수 있다. 즉 추상화 모듈(231)은 다양한 종류와 사양의 로봇들을 추상화 하여 카테고리 별로 분류할 수 있다. 예를 들어 추상화 모듈(231)은 물체의 피킹과 관련한 작업을 수행하는 로봇을 피킹 로봇으로 분류하고, 물체를 운송하는 작업을 수행하는 로봇을 운송 로봇으로 분류할 수 있다.The abstraction module 231 may abstract and classify the plurality of work devices 100 by category. That is, the abstraction module 231 may abstract robots of various types and specifications and classify them into categories. For example, the abstraction module 231 may classify a robot that performs a task related to picking an object as a picking robot, and classify a robot that performs a task of transporting an object as a transport robot.

기능 분류 모듈(232)은 분류된 카테고리 별로 공통 기능과 개별 기능을 분류할 수 있다. 여기서 공통 기능은 카테고리 내에서 공통적으로 수행하는 기능을 말하며, 개별 기능은 카테고리 내에서 서로 다른 작업 장치의 기능이 될 수 있다. 예를 들어, 피킹 로봇에서 공통 기능은 파지와 관련된 정보가 될 수 있고, 개별 기능은 각 로봇의 팔의 길이, 팔의 개수 등의 개별적인 정보가 될 수 있다.The function classification module 232 may classify common functions and individual functions according to classified categories. Here, a common function refers to a function commonly performed within a category, and an individual function may be a function of different working devices within the category. For example, in a picking robot, a common function may be information related to gripping, and an individual function may be individual information such as the length of each robot's arm and the number of arms.

또한 기능 분류 모듈(232)은 추상화되어 각 카테고리 별로 공통 기능에 대한 센싱 정보를 엣지 통신부(210)를 통해 클라우드 서버(300)에 전송할 수 있다.In addition, the function classification module 232 may be abstracted to transmit sensing information on a common function for each category to the cloud server 300 through the edge communication unit 210.

여기서 학습 공유 모듈(232)은 각 카테고리 별로 개별 기능에 대하여 학습하고, 개별 기능에 대한 학습 정보를 복수의 작업 장치(100)에 공유할 수 있다.Here, the learning sharing module 232 may learn about individual functions for each category, and share learning information about the individual functions with the plurality of working devices 100.

이하 본 발명의 실시예에 따른 클라우드 서버(300)에 대하여 상세히 설명하도록 한다.Hereinafter, a cloud server 300 according to an embodiment of the present invention will be described in detail.

도 4는 본 발명의 실시예에 따른 클라우드 서버의 구성을 나타낸 도면이다.4 is a diagram showing the configuration of a cloud server according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 실시예에 따른 클라우드 서버(300)는 서버 통신부(310), 서버 저장부(320) 및 서버 제어부(330)를 포함한다.Referring to FIG. 4, a cloud server 300 according to an embodiment of the present invention includes a server communication unit 310, a server storage unit 320, and a server control unit 330.

서버 통신부(310)는 엣지 서버(200)와 통신망을 통해 데이터 송수신을 수행한다. 이러한 서버 통신부(310)는 엣지 서버(200)로부터 공통 기능에 대한 센싱 정보를 전달받을 수 있으며, 공통 기능에 대한 센싱 정보에 따른 학습 정보를 복수의 엣지 서버와 공유할 수 있다.The server communication unit 310 performs data transmission and reception through the edge server 200 and a communication network. The server communication unit 310 may receive sensing information for a common function from the edge server 200 and may share learning information according to the sensing information for the common function with a plurality of edge servers.

서버 저장부(320)는 클라우드 서버(300)의 기능 실행에 따른 모든 프로그램을 저장한다. 이러한 서버 저장부(320)는 엣지 서버(200)로부터 수신한 공통 기능에 대한 센싱 정보를 저장하는 학습 정보 DB를 포함할 수 있으며, 센싱 정보를 통해 학습하기 위한 프로그램, 학습 정보를 공유하기 위한 프로그램 등을 저장할 수 있다.The server storage unit 320 stores all programs according to the execution of functions of the cloud server 300. The server storage unit 320 may include a learning information DB for storing sensing information for common functions received from the edge server 200, and a program for learning through sensing information and a program for sharing learning information. Etc. can be stored.

서버 제어부(330)는 서버 통신부(310)를 통해 엣지 서버(200)로부터 공통 기능에 대한 센싱 정보를 전달받아 서버 저장부(320)에 저장하고, 서버 저장부(320)에 저장된 센싱 정보를 통해 학습하여 학습 정보를 생성할 수 있다. 또한 서버 제어부(330)는 생성한 학습 정보를 복수의 엣지 서버(200)에 공유할 수 있다.The server control unit 330 receives sensing information for a common function from the edge server 200 through the server communication unit 310 and stores it in the server storage unit 320, and through the sensing information stored in the server storage unit 320 Learn to generate learning information. In addition, the server controller 330 may share the generated learning information to a plurality of edge servers 200.

이하 본 발명의 실시예에 따른 다중 이종 장치의 제어 방법에 대하여 상세히 설명하도록 한다.Hereinafter, a method for controlling multiple heterogeneous devices according to an embodiment of the present invention will be described in detail.

도 5는 본 발명의 실시예에 따른 다중 이종 장치의 제어 방법을 나타낸 순서도이다.5 is a flowchart illustrating a method of controlling multiple heterogeneous devices according to an embodiment of the present invention.

도 5를 참조하면, 먼저 S10 단계에서 복수의 작업 장치(100)가 센싱 정보를 생성한다. 여기서 센싱 정보는 작업 장치가 게시한 정보 값, 측정 값을 포함할 수 있다.Referring to FIG. 5, first, in step S10, a plurality of working devices 100 generate sensing information. Here, the sensing information may include an information value and a measurement value posted by the working device.

다음으로 S20 단계에서 작업 장치(100)가 센싱 정보를 엣지 서버(200)에 전송한다.Next, the working device 100 transmits the sensing information to the edge server 200 in step S20.

다음으로 S30 단계에서 엣지 서버(200)는 작업 장치(100)로부터 센싱 정보를 수신하고, S40 단계에서 작업 장치(100)를 카테고리 별로 추상화하여 분류한다.Next, in step S30, the edge server 200 receives sensing information from the working device 100, and in step S40, the working device 100 is abstracted and classified for each category.

또한 S40 단계에서 엣지 서버(200)는 카테고리 별로 공통 기능과 개별 기능을 분류한다.In addition, in step S40, the edge server 200 classifies common functions and individual functions by category.

다음으로 S50 단계에서 엣지 서버(200)는 공통 기능에 대한 센싱 정보를 클라우드 서버(300)로 전송하고, S60 단계에서 개별 기능에 대한 학습을 수행한다.Next, in step S50, the edge server 200 transmits sensing information on a common function to the cloud server 300, and in step S60, learning about individual functions is performed.

다음으로 S70 단계에서 엣지 서버(200)는 학습 정보를 복수의 장업 장치(100)에 공유한다.Next, in step S70, the edge server 200 shares the learning information to the plurality of device 100.

다음으로 S80 단계에서 클라우드 서버(300)는 엣지 서버(200)로부터 전달받은 공통 기능에 대한 센싱 정보를 통해 학습을 수행하고, 학습 정보를 복수의 엣지 서버에 공유(S90)할 수 있다.Next, in step S80, the cloud server 300 may perform learning through sensing information on a common function received from the edge server 200 and share the learning information with a plurality of edge servers (S90).

한편, 본 명세서와 도면에 개시된 실시예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게는 자명한 것이다. 또한, 본 명세서와 도면에서 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다.On the other hand, the embodiments disclosed in the specification and drawings are only presented specific examples to aid understanding, and are not intended to limit the scope of the present invention. It is obvious to those of ordinary skill in the art that other modifications based on the technical idea of the present invention may be implemented in addition to the embodiments disclosed herein. In addition, although specific terms have been used in the specification and drawings, these are merely used in a general meaning to easily describe the technical content of the present invention and to aid understanding of the present invention, and are not intended to limit the scope of the present invention.

100 : 작업 장치 200 : 엣지 서버
210 : 엣지 통신부 220 : 엣지 저장부
230 : 엣지 제어부 231 : 추상화 모듈
232 : 기능 분류 모듈 233 : 학습 공유 모듈
300 : 클라우드 서버 310 : 서버 통신부
320 : 서버 저장부 330 : 서버 제어부
400 : 다중 이종 장치의 학습 시스템100: work device 200: edge server
210: edge communication unit 220: edge storage unit
230: edge control unit 231: abstraction module
232: function classification module 233: learning sharing module
300: cloud server 310: server communication unit
320: server storage unit 330: server control unit
400: learning system of multiple heterogeneous devices

Claims

A plurality of working devices that sense sensing information and perform an operation;
An edge server that abstracts and classifies the plurality of working devices by category, learns by the classified categories, and shares learning information with the plurality of work devices;
A cloud server for learning by receiving sensing information on the plurality of working devices from the edge server;
Learning system of a multi-heterogeneous device comprising a.

The method of claim 1,
The edge server,
Classifying information received from the plurality of working devices into a common function and an individual function for each category, learning about the individual functions, and sharing learning information about the individual functions.

The method of claim 2,
The cloud server,
A learning system for multiple heterogeneous devices, characterized in that for learning by receiving sensing information on the common function for each category from the edge server.

The method of claim 3,
The cloud server,
A learning system for multiple heterogeneous devices, characterized in that the learning information on the common function is shared with at least one other edge server.

Receiving, by the edge server, sensing information sensed from a plurality of working devices;
Abstracting and classifying the plurality of working devices by category through the sensing information received from the plurality of working devices, by the edge server;
The edge server learning by the classified categories and sharing learning information with the plurality of working devices;
Transmitting, by the edge server, sensing information on the plurality of working devices to a cloud server;
Learning method of a multi-heterogeneous device comprising a.

The method of claim 5,
In the step of abstracting and classifying,
And the edge server classifies sensing information received from the plurality of working devices into common functions and individual functions for each category.

The method of claim 6,
In the step of sharing the learning information,
Wherein the edge server learns about the individual function and shares learning information about the individual function.

The method of claim 7,
In the step of transmitting to the cloud server,
The edge server learning method of multiple heterogeneous devices, characterized in that for transmitting the sensing information on the common function to the cloud server.

A communication unit receiving sensing information sensed from a plurality of working devices;
Abstractly classify the plurality of working devices by category through the information received through the communication unit, learn by classified category, share learning information with the plurality of work devices, and provide sensing information for the plurality of work devices. A control unit for controlling transmission to a cloud server through a communication unit;
Edge server comprising a.

The method of claim 9,
The control unit,
Classify information received from the plurality of working devices into common functions and individual functions by category, learn about the individual functions to share learning information about the individual functions, and send sensing information about the common functions to the cloud server Edge server, characterized in that the transmission to.