KR102181643B1 - 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치 - Google Patents

마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR102181643B1
KR102181643B1 KR1020190100994A KR20190100994A KR102181643B1 KR 102181643 B1 KR102181643 B1 KR 102181643B1 KR 1020190100994 A KR1020190100994 A KR 1020190100994A KR 20190100994 A KR20190100994 A KR 20190100994A KR 102181643 B1 KR102181643 B1 KR 102181643B1
Authority
KR
South Korea
Prior art keywords
microphone
placement
information
sound
intensity information
Prior art date
Application number
KR1020190100994A
Other languages
English (en)
Other versions
KR20190104100A (ko
Inventor
서재필
이근상
이동훈
이병기
최현식
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190100994A priority Critical patent/KR102181643B1/ko
Publication of KR20190104100A publication Critical patent/KR20190104100A/ko
Priority to US16/577,495 priority patent/US11568202B2/en
Application granted granted Critical
Publication of KR102181643B1 publication Critical patent/KR102181643B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R29/00—Monitoring arrangements; Testing arrangements
    • H04R29/004—Monitoring arrangements; Testing arrangements for microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R5/00—Stereophonic arrangements
    • H04R5/027—Spatial or constructional arrangements of microphones, e.g. in dummy heads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
    • H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
    • H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
    • H04R1/406—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H04R3/005—Circuits for transducers, loudspeakers or microphones for combining the signals of two or more microphones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2420/00—Details of connection covered by H04R, not provided for in its groups
    • H04R2420/07—Applications of wireless loudspeakers or wireless microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04S—STEREOPHONIC SYSTEMS 
    • H04S2400/00—Details of stereophonic systems covered by H04S but not provided for in its groups
    • H04S2400/15—Aspects of sound capture and related signal processing for recording or reproduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Otolaryngology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

탑재된 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습 (machine learning) 알고리즘을 실행하며, 5G 통신 환경에서 다른 전자 기기들 및 외부 서버와 통신할 수 있는 마이크 배치 적합도 결정 장치가 개시된다. 상기 장치는 입력부, 통신부, 저장부 및 프로세서 등을 포함한다. 상기 장치가 제공됨으로, 사운드 인식 효과가 향상될 수 있다.

Description

마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치{METHOD AND APPARATUS FOR DETERMINING GOODNESS OF FIT RELATED TO MICROPHONE PLACEMENT}
본 발명은 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치에 관한 것으로, 더 상세하게는 마이크 탑재 대상 디바이스에 마이크를 배치할 때, 최적의 마이크 배치 적합도를 결정하는 방법 및 이를 위한 장치에 관한 것이다.
일반적으로, 음성 인식을 위한 디바이스는 사용자의 음성을 수집하기 위한 적어도 하나의 마이크로폰(Microphone, 이하, "마이크"로 칭함)을 구비한다. 이때, 음성 인식 성능을 높이기 위한 방법 중 하나는 마이크로 입력되는 발화자의 음성을 강화하여 손실되는 신호를 최소화하는 것이다.
이에, 마이크를 탑재한 디바이스 내에서 소음을 발생시키는 인자와 마이크를 효과적으로 이격하여 배치하는 방법이 필요하다.
선행 기술 1에 개시된 디바이스는 복수의 마이크를 구비하고, 마이크가 배치된 각각의 지점이 바닥면과 닿게 되면, 해당 마이크의 구동을 비활성화한다.
다만, 선행 기술 1에 개시된 디바이스는 특정 경우(마이크 배치 지점이 바닥면에 닿는 경우)에서만 마이크의 구동을 비활성화시킬 뿐, 디바이스 내부의 소음 발생 모듈에 대한 고려가 없다는 한계가 있다.
선행 기술 2에 개시된 공조 장치는 소음이 발생되는 경우, 마이크를 통해 해당 지점을 감지하고, 감지된 해당 지점의 소음을 제어한다.
다만, 선행 기술 2에 개시된 공조 장치는 소음 발생 지점을 서칭하기 위해 마이크가 사용되나, 설계 단계부터 장치 내부의 배치 상황 및 구동 상황을 고려하지 못하는 한계가 있다.
등록특허공보 제10-1978688호(등록일 : 2019.5.9) 공개특허공보 제10-2019-0057846호(공개일 : 2019.5.29)
본 발명이 해결하고자 하는 과제는 사운드 인식 강화를 위하여 마이크 탑재 대상 디바이스의 최적 위치에 마이크를 배치하는 방법 및 장치를 제공하는 데에 있다.
본 발명의 또 다른 과제는, 사운드 세기뿐만 아니라 사운드의 방향성을 고려하여 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치를 제공하는 데에 있다.
본 발명의 또 다른 과제는, 신경망 알고리즘을 이용하여 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치를 제공하는 데에 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 달성하기 위하여, 본 발명의 일 실시 예에 따른 마이크의 배치 적합도를 결정하는 방법은 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하는 단계 및 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 획득된 사운드 특징 정보를 생성된 마이크 배치 모델에 입력하는 경우, 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에 대한 마이크 배치 적합도를 결정하는 단계를 포함할 수 있다.
여기서, 상기 방법은 상기 마이크 배치 모델을 생성하는 단계 이전에, 마이크 탑재 대상 디바이스의 규격 정보 및 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 단계를 더 포함할 수 있다.
상기 시뮬레이션 구동을 통해 획득하는 단계는, 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하는 단계를 포함할 수 있다.
상기 시뮬레이션 구동을 통해 획득하는 단계는, 상기 마이크 탑재 대상 디바이스를 3차원 모델링하는 단계, 3차원 모델링된 마이크 탑재 대상 디바이스를 복수의 조각 영역으로 가상적으로 구분하는 단계 및 조각 영역들 각각에 배치된 마이크의 위치에 따른, 사운드 압력 세기 정보, 상기 위치를 기준으로 감지되는 3차원 상의 X축 방향의 사운드 진동 세기 정보, Y축 방향의 사운드 진동 세기 정보 및 Z축 방향의 사운드 진동 세기 정보 중 적어도 하나를 시뮬레이션 구동을 통해 획득하는 단계를 포함할 수 있다.
상기 마이크 배치 모델을 생성하는 단계는, 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 압력 세기 정보 및 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 비용 함수(CF)의 값이 작아지도록 비용 함수(CF)를 설정하는 단계를 포함할 수 있다.
상기 비용 함수를 설정하는 단계는, 아래 [식 1]과 같이 비용 함수(CF)를 설정하는 단계를 포함할 수 있다. [식 1] CF = W1*SP + W2*SaX + W3*SaY + W4*SaZ (여기서, SP는 위치에 따른 사운드 압력 세기 정보, SaX는 위치에 따른 X축 방향의 소음 진동 세기 정보, SaY는 위치에 따른 Y축 방향의 소음 진동 세기 정보 및 SaZ는 위치에 따른 Z축 방향의 소음 진동 세기 정보이며, W1 내지 W4는 상기 마이크 배치 모델에서 사용되는 가중치 값이며, W1 내지 W4의 총합은 1).
상기 결정 방법은, 상기 마이크 탑재 대상 디바이스의 물품 정보를 인식하는 단계 및 시뮬레이션 구동을 통해 획득한 위치에 따른 사운드 특징 정보에 기초하여, 특정 마이크 탑재 대상 디바이스에 마이크가 배치될 수 있는 배치 후보 지점을 인식된 물품 정보에 따라 추천하는 단계를 더 포함할 수 있다.
상기 마이크 배치 적합도 정보를 결정하는 단계는, 추천된 배치 후보 지점에서 획득한 사운드 특징 정보를 마이크 배치 모델에 우선적으로 입력하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 마이크의 배치 적합도를 결정하는 장치는 저장부 및 프로세서를 포함하며, 프로세서는, 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하고, 생성된 마이크 배치 모델을 저장부에 저장하고, 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 측정된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 상기 배치 후보 지점에 대한 마이크 배치 적합도를 결정할 수 있다.
상기 프로세서는, 마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득할 수 있다.
본 발명의 일 실시 예에 따른 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체가 제공될 수 있다.
상기 프로그램은, 프로세서에 의한 실행 시, 프로세서가, 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하는 동작 및 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 측정된 사운드 특징 정보를 생성된 마이크 배치 모델에 입력하는 경우, 배치 후보 지점에 대한 마이크 배치 적합도를 결정하는 동작을 수행하도록 하는 실행 가능한 명령을 포함할 수 있다.
여기서, 상기 프로그램은, 상기 마이크 배치 모델을 생성하는 동작 이전에, 프로세서가, 마이크 탑재 대상 디바이스의 규격 정보 및 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 동작을 더 수행하도록 하는 실행 가능한 명령을 포함할 수 있다.
본 발명에서 이루고자 하는 기술적 과제들의 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 다양한 실시 예에 따른 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치가 제공됨으로써, 설계 단계에서 최적의 마이크 배치 적합도가 결정될 수 있으므로 장치 사용에 대한 효율이 향상될 수 있으며, 마이크의 음성 입력이 강화됨으로써, 음성 인식의 효율이 향상될 수 있고, 이에 따라 사용자 편의가 제고될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 5G 네트워크 기반의 클라우드 시스템을 나타낸 개략도,
도 2는 본 발명의 일 실시 예에 따른 마이크 배치 적합도 결정 장치의 구동을 개략적으로 설명하기 위한 도면,
도 3은 본 발명의 일 실시 예에 따른 마이크 배치 적합도 결정 장치의 구성을 나타내는 블록도,
도 4는 본 발명의 일 실시 예에 따른 마이크 배치 적합도 결정 장치의 구동을 나타내는 블록시퀀스도,
도 5는 본 발명의 일 실시 예에 따른 마이크의 후보 배치 지점에서 사운드 특징 정보를 추출하는 방법을 설명하기 위한 도면, 그리고,
도 6은 본 발명의 일 실시 예에 따른 마이크 배치 적합도 결정 장치의 구동을 나타내는 시퀀스도이다.
본 발명의 다양한 실시 예에 인공 지능 및 확장 현실 기술이 적용될 수 있으므로, 이하에서는, 인공 지능 및 확장 현실에 대해 개략적으로 설명한다.
인공 지능(AI: Artificial Intelligence)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)을 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향(Bias) 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망에서 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(Label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
다음으로, 확장 현실(XR: eXtended Reality)은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일 유사한 도면 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략하며, 도면 부호는 도면 간에 참조될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 5G 네트워크 기반의 클라우드 시스템(1000)을 개략적으로 나타낸다.
상기 클라우드 시스템은 5G 기반에서 제공될 수 있는 다양한 서비스를 정의할 수 있으며, 마이크 배치 적합도 결정 장치(100), 마이크 탑재 대상 디바이스(200), 정보 제공 시스템(300), 각종 기기(400) 및 5G 네트워크(500)를 포함할 수 있다.
우선, 마이크 배치 적합도 결정 장치(100)는 마이크 탑재 대상 디바이스(200)에 마이크를 배치할 때, 마이크 배치 위치의 배치 적합도 정보를 출력할 수 있다. 간단하게, 마이크 배치 적합도 결정 장치(100)는 마이크 탑재 대상 디바이스(200)에서 수집될 수 있는 사운드 압력 세기 정보 및 3축 이상의 방향에서 센싱되는 소음 진동 정보에 기초하여 마이크 탑재 대상 디바이스(200)에 마이크를 배치할 수 있다.
마이크 배치 적합도 결정 장치(100)는 노트북 컴퓨터(laptop computer, 이하 "노트북"이라 칭함), 데스크탑 컴퓨터, 워크 스테이션 등으로 구현될 수 있으나, 선택적 실시 예로 상기 마이크 배치 적합도 결정 장치(100)는 로봇 청소기, 휴대폰, 스마트 폰(smart phone), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등의 기기를 포함할 수 있다.
마이크 탑재 대상 디바이스(200)는 마이크가 실제로 배치되는 기기로, 마이크 배치 적합도 결정 장치(100)에 각종 정보를 요청할 수 있으며, 마이크 배치 적합도 결정 장치(100)로부터 다양한 정보를 수신할 수 있다. 본 명세서 상에서 마이크 탑재 대상 디바이스(200)을 배송 로봇으로 상정하여 기술하나, 실시 예가 이에 국한되는 것은 아니다.
정보 제공 시스템(300)는 마이크 배치 적합도 결정 장치(100) 또는 마이크 탑재 대상 디바이스(200)의 요청에 따라 다양한 정보를 해당 장치(100) 또는 해당 디바이스(200)로 전송할 수 있다. 정보 제공 시스템(300)은 복수 개의 서버를 포함할 수 있으며, 클라우드 타입의 시스템으로 구현될 수 있다.
각종 기기(400)는 로봇 청소기(400a), 냉장고, 세탁기, 에어컨, AI 스피커 등을 포함하는 홈 어플라이언스(Home Appliance), 자율 주행차(400b), 이동 단말(400c) 등을 포함할 수 있으며, 5G 네트워크(500)를 통해 각종 정보를 송수신할 수 있다.
각종 기기(400)는 마이크 배치 적합도 결정 장치(100), 마이크 탑재 대상 디바이스(200), 정보 제공 시스템(300) 등과 5G 네트워크(500, 예를 들면, 인터넷)를 통해 유무선으로 연결될 수 있다. 도시되지 않았으나, 상기 각종 기기(400)는 사운드 압력 측정 기기 및 사운드 진동 센서(가령, 3축 이상의 소음 가속도 센서)를 포함할 수 있다.
마이크 배치 적합도 결정 장치(100)는 통신 모듈을 이용하여 네트워크(500)를 통해 정보 제공 시스템(300), 각종 기기(400) 등과 통신할 수 있다. 마이크 배치 적합도 결정 장치(100)는 정보 제공 시스템(300)에 다양한 정보를 요청할 수 있으며, 정보 제공 시스템(300)으로부터 연산/검색된 다양한 정보를 수신할 수 있다. 상기 연산/검색은 인공 지능에 관련된 연산 또는 검색을 포함할 수 있다.
상기 마이크 배치 적합도 결정 장치(100), 마이크 탑재 대상 디바이스(200), 정보 제공 시스템(300) 및 각종 기기(400)는 모두 5G 모듈을 탑재하여 100Mbps 내지 20Gbps(또는, 그 이상) 속도로 데이터를 송수신할 수 있어서 대용량의 동영상 파일을 다양한 기기로 전송할 수 있으며, 저전력으로 구동되어 전력 소비가 최소화되게 할 수 있다. 다만, 상기 전송 속도는 실시 예에 따라 달리 구현될 수 있다.
5G 네트워크(500)는 5G 이동 통신 네트워크, 근거리 네트워크, 인터넷 등을 포함하여 유무선으로 기기들의 통신 환경을 제공할 수 있다.
이하에서는 도 2를 참고하여, 본 발명의 일 실시 예에 따른 마이크 탑재 대상 디바이스(200)에 배치될 마이크의 배치 적합도를 분석하는 마이크 배치 적합도 결정 장치(100)의 구동을 개략적으로 설명하기로 한다.
특정 마이크 탑재 대상 디바이스(200)는 실제로 마이크가 배치될 장치이다. 특정 마이크 탑재 대상 디바이스(200)는 사용자의 음성을 인식하기 위해 하나 이상의 마이크를 탑재할 수 있다.
마이크 배치 적합도 결정 장치(도 1의 100)는 특정 마이크 탑재 대상 디바이스(200)의 마이크 배치 적합도를 결정하기 위해 후술할 마이크 배치 모델(도 3의 151)을 사용할 수 있다. 또한, 마이크 배치 적합도 결정 장치(100)는 상기 마이크 배치 모델(151)의 학습을 위해 필요한 입력 데이터를 시뮬레이션 프로그램을 통해서 획득할 수 있다. 상기 입력 데이터는 지도 학습의 레이블로 사용될 수 있다. 상기 시뮬레이션 프로그램은 상기 마이크 배치 적합도 결정 장치(100)에서 수행될 수 있으나, 선택적 실시 예로 외부 장치에서 수행될 수 있다.
여기서, 마이크 배치 모델(151)의 학습을 위해 필요한 입력 데이터는 마이크 탑재 대상 디바이스(200) 내의 배치 후보 지점에서 획득되는 사운드 특징 정보이며, 상기 사운드 특징 정보는 외부 압력 측정 기기에 의해 측정된 사운드 압력 세기 정보 및 외부 사운드 진동 센서에 의해 측정된 3 방향(XYZ 축)의 사운드 진동 세기 정보이나, 상기 시뮬레이션 프로그램을 통해 직접 측정하지 않고 산출될 수 있다.
마이크 배치 적합도 결정 장치(100)는 학습을 통해 마이크 배치 모델(151)이 학습을 통해 생성(완성)되면, 상기 마이크 배치 모델(151)을 이용하여 마이크 배치 적합도를 결정할 수 있다. 구체적으로, 마이크 배치 적합도 결정 장치(100)는 특정 마이크 탑재 대상 디바이스(200)의 비용 함수(후술)의 값을 최소로 하는 배치 후보 지점(CM1, CM2)에 대한 마이크 배치 적합도 정보를 연산하여 출력할 수 있다.
도 2에서, 상기 특정 마이크 탑재 대상 디바이스(200)는 배송을 수행할 수 있는 배송 로봇(200)이며, 배송 로봇(200)은 헤드부(Head) 및 바디부(Body)를 포함할 수 있다. 바디부(Body)의 내부에는 이동을 위해 프레임(Frame) 속에 배치된 소음 발생 모듈인 모터(Motor)가 배치될 수 있다.
마이크 배치 적합도 결정 장치(100)는 모터(Motor)에서 멀리 떨어진 배치 후보 지점(CM1, CM2)을 선택하고, 배치 후보 지점(CM1, CM2)에 대한 마이크의 배치 적합도를 연산하여 출력할 수 있다.
이와 같이, 마이크 배치 적합도 결정 장치(100)는 상기 배치 후보 지점(CM1, CM2)에서의 배치 적합도 정보에 기초하여 최적의 마이크 배치 위치를 결정할 수 있다. 가령, 마이크 배치 적합도 결정 장치(100)는 하나의 마이크만 설치되는 경우, CM1 지점을 마이크 배치 지점으로 결정할 수 있다.
이하에서는 도 3을 참고하여, 본 발명의 일 실시 예에 따른 마이크 배치 적합도 결정 장치(100)의 구성을 설명하기로 한다.
도 3을 참고하면, 마이크 배치 적합도 결정 장치(100)는 통신부(110), 입력부(120), 센싱부(130), 출력부(140), 저장부(150), 전원 공급부(160) 및 프로세서(190)를 포함할 수 있다. 도 3에 도시된 구성요소들은 마이크 배치 적합도 결정 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 마이크 배치 적합도 결정 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
먼저, 통신부(110)는 유무선 통신 기술을 이용하여 도 1에 도시된 각종 통신 엔티티(Entity)와 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 마이크 탑재 대상 디바이스(200), 정보 제공 시스템(300), 각종 기기(400) 등과 센서 정보, 사용자 입력 정보, 학습 모델에 관한 정보, 제어 신호 정보 등을 송수신할 수 있으나, 전송 정보가 이에 국한되는 것은 아니다. 또한, 통신부(110)는 사운드 압력 측정 기기 및 사운드 진동 센서와 통신할 수 있다.
이때, 통신부(110)는 이동 통신 모듈 및 근거리 통신 모듈을 포함할 수 있다. 이동 통신 모듈은 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G 등의 기술을 통해 통신하며, 근거리 통신 모듈은 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association;IrDA), ZigBee, NFC(Near Field Communication) 등의 기술을 통해 통신할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라(121)나 마이크를 센서로 취급하여, 카메라(121)나 마이크로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때, 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(190)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
센싱부(130)는 다양한 센서들을 이용하여 정보 보호 장치(100)의 내부 정보, 정보 보호 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(130)에 포함되는 센서에는 거리 감지 센서, 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서(카메라(121) 포함), 마이크, 라이다, 레이더 등이 있다.
출력부(140)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있는데, 출력부(140)에는 시각 정보를 출력하는 디스플레이(141), 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
저장부(150)는 마이크 배치 적합도 결정 장치(100)의 다양한 기능을 지원하는 데이터를 저장한다. 저장부(150)는 마이크 배치 적합도 결정 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 마이크 배치 적합도 결정 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다.
저장부(150)는 마이크 배치 모델(151), 물품 인식 모델(153), 및 배치 후보 추천 모델(155) 등을 포함할 수 있다.
먼저, 마이크 배치 모델(151)은 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 후술할 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행함으로써 생성될 수 있다. 마이크 배치 모델(151)은 지도 학습에 의해 생성될 수 있으며, 레이블은 상술한 시뮬레이션 프로그램을 통해 수집될 수 있으며, 실측 정보를 포함할 수 있다.
물품 인식 모델(153)은 카메라(121) 또는 입력부(120)를 통해 입력된 영상 정보에 물품 정보가 포함된 경우, 이를 인식하는 모델이다. 배치 후보 추천 모델(155)은 물품 정보가 인식되면, 상기 물품 정보의 규격 정보에 기초하여 마이크가 배치될 지점을 추천하는 모델이다.
상기 물품 인식 모델(153)은 촬영된 다양한 오브젝트에 대응되는 물품 정보를 매핑한 모델로, 지도 학습에 의해 생성될 수 있다. 이에, 촬영된 다양한 오브젝트에 대응되는 물품 정보를 매핑한 데이터가 모델 형성에 필수적이다.
배치 후보 추천 모델(155)은 시뮬레이션 프로그램을 통해 수집된 각종 마이크 배치 대상 디바이스(200)의 각 지점에 대한 사운드 특징 정보에 기초하여, 특정 마이크 배치 대상 디바이스(200)에 마이크의 후보 배치 지점을 추천하는 모델이다. 상기 배치 후보 추천 모델(155)도 지도 학습에 의해 생성될 수 있으며, 모델 생성 및 검증에 레이블 정보가 필요하다. 상기 특정 마이크 배치 대상 디바이스(200)는 인공지능 스피커가 될 수 있으나, 실시 예가 이에 국한되는 것은 아니다.
전원 공급부(160)는 프로세서(190)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 마이크 배치 적합도 결정 장치(100)의 각 구성요소들에 전원을 공급한다. 이러한 전원 공급부(160)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다. 상기 배터리는 유선 또는 무선 충전 방식으로 충전될 수 있는데, 무선 충전 방식은 자기 유도 방식 또는 자기 공진 방식을 포함할 수 있다.
프로세서(190)는 마이크 배치 적합도 결정 장치(100)의 구성들을 컨트롤하는 모듈이다. 상기 프로세서(190)는 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 상기 프로세서(190)는 시스템 전체를 컨트롤하는 중앙처리장치(central processing unit: CPU), 어플리케이션에 관련된 프로세스를 구동하는 어플리케이션 프로세서(Application Processor) 등을 포함할 수 있으나, 선택적 실시 예로 상기 프로세서(190)는 마이크로프로세서(microprocessor), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
이하에서는, 프로세서(190)의 다양한 동작을 설명하기로 한다.
먼저, 프로세서(190)는 복수의 마이크 탑재 대상 디바이스의 종류 정보(스피커, 세탁기, 냉장고 등), 규격(Specification) 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보를 수집할 수 있다.
상기 복수의 마이크 탑재 대상 디바이스의 규격(Specification) 정보는 디바이스의 디멘션 정보(크기, 수치, 높이, 면적 정보 등), 외관 형상 정보(3차원 정보 포함), 모양 정보, 사양 정보 등을 포함할 수 있다. 필요한 경우, 상기 규격 정보는 정보 제공 시스템(300)으로부터 수집할 수 있다.
상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 규격 정보는 디멘션 정보(크기, 수치, 높이, 면적 정보 등), 외관 형상 정보(3차원 정보 포함), 모양 정보, 사양 정보 등을 포함할 수 있다.
상기 프로세서(190)는 상술한 정보에 기초하여 하나 이상의 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득할 수 있다. 여기서, 사운드 특징 정보는 사운드 압력 세기 정보, 사운드 진동 세기 정보 등을 포함할 수 있으나, 구현 예에 따라서는 다른 정보를 포함할 수 있다.
이 경우, 사운드 압력 세기 정보는 사운드 압력 측정 기기로 측정되는 값으로 사운드의 음압을 측정할 수 있다. 사운드 진동 세기 정보는 3축 이상의 소음 진동 세기 정보를 측정한 값으로, 마이크가 배치될 위치에서의 소음의 방향성을 나타내는 정보이다. 가령, 특정 지점에서 사운드 진동 세기값이 크면 소음이 직진성으로 특정 지점으로 다이렉트로 입력되는 것이며, 사운드 진동 세기값이 작으면 소음이 특정 지점을 우회하여 인다이렉트로 입력되는 것이다. 프로세서(190)는 사운드 진동 세기값이 작을수록 소음 유발 모듈의 영향을 적게 받는 것으로 판단할 수 있다. 프로세서(190)는 사운드 압력 세기 정보 및 사운드 진동 세기 정보가 모두 가장 작은 값을 지점을 마이크의 배치 지점으로 선택하거나, 어느 하나의 정보에 가중치를 두어 마이크의 배치 지점을 선택할 수 있다.
상기 프로세서(190)는 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득할 수 있다. 여기서, 3 방향은 3차원 좌표상 X축, Y축, 및 Z축을 포함할 수 있다.
여기서, 사운드 압력 세기 정보는 사운드 압력 측정 기기에 의해 산출될 수 있으며, 3방향 이상의 사운드 진동 세기 정보는 소음 진동 센서(가령, 3축 또는 5축 소음 가속도 센서)를 통해 수집될 수 있다. 여기서, 사운드 압력 세기 정보는 사운드의 세기(크기) 정보를 나타내며, 사운드 진동 세기 정보는 마이크로 진입하는 사운드의 방향성 정보를 포함하며, 이를 통해 사운드의 주파수가 왜곡되어 신호 위상에 문제가 발생된 것을 감지할 수 있다.
상기 프로세서(190)는 마이크 탑재 대상 디바이스를 3차원 모델링하고, 3차원 모델링된 마이크 탑재 대상 디바이스를 복수의 조각 영역으로 가상적으로 구분할 수 있다. 프로세서(190)는 조각 영역들 각각에 배치된 마이크의 위치에 따른, 사운드 압력 세기 정보, 위치를 기준으로 감지되는 3차원 상의 X축 방향의 사운드 진동 세기 정보, Y축 방향의 사운드 진동 세기 정보 및 Z축 방향의 사운드 진동 세기 정보 중 적어도 하나를 시뮬레이션 구동을 통해 획득할 수 있다.
즉, 프로세서(190)는 시뮬레이션을 수행할 때, 마이크 탑재 대상 디바이스 내의 좁은 면적 단위로 소음 해석 프로그램을 통해 해당 면적 단위의 사운드 특징 정보를 추출할 수 있다. 이에, 프로세서(190)는 입력된 마이크 탑재 대상 디바이스의 최적의 마이크 위치를 서칭할 수 있다. 프로세서(190)는 해당 최적의 마이크 배치 후보군을 설정하여 생성하려는 학습 모델에 입력할 수 있다. 즉, 프로세서(190)는 시뮬레이션 프로그램에서 추출된 마이크의 최적 후보군에 해당(사운드 압력 세기 정보 및 사운드 진동 세기 정보가 모두 작은 값들)되는 정보를 학습 모델(훈련 중인 마이크 배치 모델)에 입력할 수 있다.
상기 프로세서(190)는 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델(151)을 생성하고, 생성된 상기 마이크 배치 모델(151)을 상기 저장부(150)에 저장할 수 있다.
프로세서(190)는 특정 마이크 탑재 대상 디바이스(200)의 배치 후보 지점에서 측정된 사운드 특징 정보를 생성된 마이크 배치 모델(151)에 입력하는 경우, 배치 후보 지점에 대한 마이크 배치 적합도를 결정할 수 있다.
여기서, 배치 후보 지점은 시뮬레이션 프로그램에 입력된 다양한 기기들의 마이크 배치 적합도가 우수한 지점이다. 선택적 실시 예로, 프로세서(190)는 마이크 배치 적합도가 우수하지 않은 모든 지점의 사운드 특징 정보를 마이크 배치 모델(151)의 입력 데이터로 할 수 있다.
여기서, 프로세서(190)는 상기 비용 함수(CF, Cost Function)를 설정할 때, 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 비용 함수(CF)의 값이 작아지도록 상기 비용 함수(CF)를 설정할 수 있다. 즉, 마이크 배치 적합도 결정 장치(100)는 비용 함수(CF)가 0에 가까울수록 내부 또는 외부의 소음으로부터 자유로운 마이크 탑재 대상 디바이스의 지점으로 결정하고, 해당 지점에 마이크를 배치할 수 있다.
상기 비용 함수(CF)는 아래와 같이 설정될 수 있다.
CF = W1*SP + W2*SaX + W3*SaY + W4*SaZ
여기서, SP는 위치에 따른 사운드 압력 세기 정보, SaX는 위치에 따른 X축 방향의 소음 진동 세기 정보, SaY는 위치에 따른 Y축 방향의 소음 진동 세기 정보 및 SaZ는 위치에 따른 Z축 방향의 소음 진동 세기 정보이며, W1 내지 W4는 상기 마이크 배치 모델에서 사용되는 가중치 값이며, W1 내지 W4의 총합은 1로 설정될 수 있다. 상기 가중치는 신경망 알고리즘을 수행하면서, 가장 적합한 값이 되어 비용함수에서 사운드 압력 세기 정보와 소음 진동 세기 정보 간의 관계가 정립될 수 있다.
또한, 여기서 위치에 따른 사운드 압력 세기 정보(SP)는 0dB 내지 130dB 일 수 있으며, 0dB를 0으로 정규화하고, 130dB를 1로 정규화하여, 비용 함수(CF)에 입력될 수 있다.
또한, 위치에 따른 소음 진동 세기 정보(SaX, SaY, SaZ)는 가속도 정보로 m/s2로 표현되나, 역시 0 m/s2이 0으로 100 m/s2이 1로 정규화될 수 있다. 다만, 상기 수치 범위는 기기가 측정할 수 있는 최소값과 최대값을 나타내는 것으로 기기의 성능에 따라 다른 범위가 가능하다.
프로세서(190)는 상기 가중치(W1~W4)를 설정함으로써, 마이크 배치 적합도 결정 장치(100)가 사운드 압력 세기 정보 및 다축의 소음 진동 세기 정보를 모두 고려할 수 있다. 이에 따라, 사운드의 압력뿐만 아니라 주파수 왜곡에 의한 위상 변화를 측정하는 소음 진동 세기 정보가 고려되어, 마이크 배치의 적합율이 향상될 수 있다. 아울러, 상기 다축 소음 진동 세기 정보는 3축보다 더 많은 축을 포함하여, 측정 정확도를 높일 수 있다.
상기 마이크 배치 모델(151)은 입력되는 수많은 장치에서 수집된 마이크 후보 배치 지점에 대응되는 사운드 특징 정보를 입력받아, 가중치(W1~W4)값의 총합이 1이 되도록 가중치값을 변경하면서, 비용함수(CF)의 값이 최소가 되는 가중치값을 연산할 수 있다. 비용함수(CF)의 최소가 되는 것은 각 지점에 대한 비용함수(CF)의 최소값이 최소가 되는 것을 포함할 수 있다.
상기 프로세서(190)는 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델(151)을 생성할 수 있다. 생성된 마이크 배치 모델(151)은 저장부(150)에 저장될 수 있다.
또한, 프로세서(190)는 카메라(121)를 통해 특정 마이크 탑재 대상 디바이스(200)를 촬영하고, 촬영된 특정 마이크 탑재 대상 디바이스(200)의 물품 정보를 인식할 수 있다.
프로세서(190)는 시뮬레이션 구동을 통해 획득한 위치에 따른 사운드 특징 정보에 기초하여, 특정 마이크 탑재 대상 디바이스(200)에 마이크가 배치될 수 있는 배치 후보 지점을 상기 인식된 물품 정보에 따라 추천할 수 있다. 이를 위해, 프로세서(190)는 오브젝트 인식 모듈, 비전 정보 추출 모듈, 신경망 연산부를 포함할 수 있다.
또한, 프로세서(190)는 추천된 배치 후보 지점에서 획득한 사운드 특징 정보를 상기 마이크 배치 모델에 우선적으로 입력할 수 있다. 이에 따라, 하나의 마이크만 특정 마이크 배치 대상 디바이스(200)에 배치할 경우, 연산을 1회로 끝낼 수 있으며, 여러 개의 마이크를 배치할 경우, 연산 순으로 마이크를 배치할 수 있다.
도 4 내지 도 6은 본 발명의 다양한 실시 예에 따른 마이크 배치 적합도 결정 장치(100)의 구동을 설명하기 위한 도면이다.
도 4를 참고하면, 마이크 배치 적합도 결정 장치(100)는 시뮬레이션 구동 단계(S410), 마이크 배치 모델의 신경망 학습 단계(S420) 및 마이크 배치 모델의 적용 단계(S430)를 수행할 수 있다.
먼저, 상기 시뮬레이션 구동 단계(S410)는 마이크 배치 적합도 결정 장치(100)에서 반드시 수행될 필요는 없으나, 본 명세서 상에서는 상기 단계(S410)를 실행하는 것으로 상정한다.
시뮬레이션 구동 프로세서(190A)는 마이크 탑재 대상 디바이스의 규격 정보를 입력받고(S411a), 소음 유발 모듈의 규격 정보 및 배치 정보를 입력받아(S411b), 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 출력한다(S421).
마이크 배치 모델의 신경망 학습 단계(S420)는 다양한 디바이스의 사운드 특징 정보를 입력받아, 학습 프로세서(190B)를 수행한다.
학습 프로세서(190B)는 마이크 배치 모델을 생성한다(S431).
마이크 배치 모델의 적용 단계(S430)에서, 마이크 배치 모델(151)은 특정 마이크 탑재 대상 디바이스의 획득된 사운드 특징 정보를 입력으로 하여(S433), 마이크 배치 적합도 정보(S435)를 출력할 수 있다.
상기 마이크 배치 적합도 정보(S435)는 수치로 출력될 수 있으며, 스코어로 출력될 수 있고, 입력 지점의 적합 가부 정보가 출력될 수 있으나, 실시 예가 이에 국한되는 것은 아니다.
도 5는 본 발명의 일 실시 예에 따른 마이크의 후보 배치 지점에서 사운드 특징 정보를 추출하는 마이크 배치 적합도 결정 장치(100)의 구동을 설명하기 위한 도면이다.
마이크 배치 적합도 결정 장치(100)는 상술한 바와 같이 마이크의 배치 후보 지점을 추천할 수 있다. 구체적으로, 마이크 배치 적합도 결정 장치(100)는 특정 마이크 탑재 대상 디바이스의 물품 정보를 인식하고, 상기 시뮬레이션 구동을 통해 획득한 위치에 따른 사운드 특징 정보에 기초하여, 특정 마이크 탑재 대상 디바이스(200)에 마이크가 배치될 수 있는 배치 후보 지점(CM2)을 상기 인식된 물품 정보에 따라 추천할 수 있다.
마이크 배치 적합도 결정 장치(100)는 마이크의 배치 후보 지점(CM2)에 사운드 압력 측정 기기(510), 및 사운드 진동 센서(520)를 두어 사운드 특징 정보를 입력받을 수 있다. 입력 방법은 통신으로 수행될 수 있으나, 선택적 실시 예로 상기 사운드 압력 측정 기기(510) 및 사운드 진동 센서(520)가 마이크 배치 적합도 결정 장치(100)에 포함될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 마이크 배치 적합도 결정 장치(100)의 구동을 나타내는 시퀀스도이다.
마이크 배치 적합도 결정 장치(100)는 마이크 탑재 대상 디바이스의 위치에 따른 사운드 특징 정보를 획득한다(S710, 이하, "사운드 특징 정보 획득 단계"칭함).
마이크 배치 적합도 결정 장치(100)는 마이크 탑재 대상 디바이스의 규격 정보 및 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득할 수 있다.
마이크 배치 적합도 결정 장치(100)는 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득할 수 있다.
구체적으로, 마이크 배치 적합도 결정 장치(100)는 마이크 탑재 대상 디바이스를 3차원 모델링하고, 3차원 모델링된 마이크 탑재 대상 디바이스를 복수의 조각 영역으로 가상적으로 구분하며, 조각 영역들 각각에 배치된 마이크의 위치에 따른, 사운드 압력 세기 정보, 상기 위치를 기준으로 감지되는 3차원 상의 X축 방향의 사운드 진동 세기 정보, Y축 방향의 사운드 진동 세기 정보 및 Z축 방향의 사운드 진동 세기 정보 중 적어도 하나를 시뮬레이션 구동을 통해 획득할 수 있다.
S710 단계(사운드 특징 정보 획득 단계) 이후에, 마이크 배치 적합도 결정 장치(100)는 하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성한다(S720 단계, 마이크 배치 모델 생성 단계).
S720 단계(마이크 배치 모델 생성 단계)는, 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 압력 세기 정보 및 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 비용 함수(CF)의 값이 작아지도록 상기 비용 함수(CF)를 설정하는 단계를 포함할 수 있다. 상기 비용 함수는 상술한 바 여기서는 생략한다.
S720 단계(마이크 배치 모델 생성 단계) 이후에, 마이크 배치 적합도 결정 장치(100)는 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 획득된 사운드 특징 정보를 생성된 마이크 배치 모델에 입력하는 경우, 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에 대한 마이크 배치 적합도를 결정한다(S730 단계, 마이크 배치 적합도 결정 단계).
그 외, 상기 마이크 배치 적합도 결정 장치(100)는 특정 마이크 탑재 대상 디바이스(200)에 마이크를 배치 가능한 후보 배치 지점을 추천할 수 있다.
전술한 본 발명은, 프로그램이 기록된 비일시적 컴퓨터 판독 가능한 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한, 상기 컴퓨터는 마이크 배치 적합도 결정 장치(100)의 프로세서(190)를 포함할 수도 있다.
앞에서, 본 발명의 특정한 실시예가 설명되고 도시되었지만 본 발명은 기재된 실시예에 한정되는 것이 아니고, 이 기술 분야에서 통상의 지식을 가진 자는 본 발명의 사상 및 범위를 벗어나지 않고서 다른 구체적인 실시예로 다양하게 수정 및 변형할 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 설명된 실시예에 의하여 정하여 질 것이 아니고 청구범위에 기재된 기술적 사상에 의해 정하여져야 할 것이다.

Claims (19)

  1. 마이크의 배치 적합도를 결정하는 방법으로서,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 단계;
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하는 단계; 및
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 획득된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에 대한 마이크 배치 적합도를 결정하는 단계를 포함하며,
    상기 마이크의 배치 후보 지점은,
    상기 마이크 탑재 대상 디바이스에서, 상기 소음 유발 모듈의 영향을 최소화하는 소정 위치에 배치되며,
    상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보는 사운드 압력 세기 정보 및 3 방향 이상의 사운드 진동 세기 정보를 포함하며,
    상기 비용 함수(CF)는,
    상기 배치 후보 지점 각각에 대한 상기 사운드 압력 세기 정보 및 상기 3 방향 이상의 사운드 진동 세기 정보 각각에 가중치를 적용하여 연산되는, 마이크 배치 적합도 결정 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 시뮬레이션 구동을 통해 획득하는 단계는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하는 단계를 포함하는, 마이크 배치 적합도 결정 방법.
  4. 마이크의 배치 적합도를 결정하는 방법으로서,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 단계;
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하는 단계; 및
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 획득된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에 대한 마이크 배치 적합도를 결정하는 단계를 포함하며,
    상기 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 단계는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하는 단계를 포함하며,
    상기 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 단계는,
    상기 마이크 탑재 대상 디바이스를 3차원 모델링하는 단계;
    상기 3차원 모델링된 마이크 탑재 대상 디바이스를 복수의 조각 영역으로 가상적으로 구분하는 단계; 및
    상기 조각 영역들 각각에 배치된 마이크의 위치에 따른, 사운드 압력 세기 정보, 상기 위치를 기준으로 감지되는 3차원 상의 X축 방향의 사운드 진동 세기 정보, Y축 방향의 사운드 진동 세기 정보 및 Z축 방향의 사운드 진동 세기 정보 중 적어도 하나를 시뮬레이션 구동을 통해 획득하는 단계를 포함하는, 마이크 배치 적합도 결정 방법.
  5. 제3항에 있어서,
    상기 마이크 배치 모델을 생성하는 단계는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 상기 비용 함수(CF)의 값이 작아지도록 상기 비용 함수(CF)를 설정하는 단계를 포함하는, 마이크 배치 적합도 결정 방법.
  6. 마이크의 배치 적합도를 결정하는 방법으로서,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 단계;
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF, Cost Function)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하는 단계; 및
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 획득된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 특정 마이크 탑재 대상 디바이스의 배치 후보 지점에 대한 마이크 배치 적합도를 결정하는 단계를 포함하며,
    상기 시뮬레이션 구동을 통해 획득하는 단계는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하는 단계를 포함하며,
    상기 마이크 배치 모델을 생성하는 단계는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 상기 비용 함수(CF)의 값이 작아지도록 상기 비용 함수(CF)를 설정하는 단계를 포함하고,
    상기 비용 함수를 설정하는 단계는,
    아래 [식 1]과 같이 비용 함수(CF)를 설정하는 단계를 포함하는, 마이크 배치 적합도 결정 방법
    [식 1]
    CF = W1*SP + W2*SaX + W3*SaY + W4*SaZ
    (여기서, SP는 위치에 따른 사운드 압력 세기 정보, SaX는 위치에 따른 X축 방향의 소음 진동 세기 정보, SaY는 위치에 따른 Y축 방향의 소음 진동 세기 정보 및 SaZ는 위치에 따른 Z축 방향의 소음 진동 세기 정보이며, W1 내지 W4는 상기 마이크 배치 모델에서 사용되는 가중치 값이며, W1 내지 W4의 총합은 1이고, SP, SaX, SaY, SaZ는 0 내지 1로 정규화된 값).
  7. 제1항에 있어서,
    상기 특정 마이크 탑재 대상 디바이스의 물품 정보를 인식하는 단계; 및
    상기 시뮬레이션 구동을 통해 획득한 위치에 따른 사운드 특징 정보에 기초하여, 상기 특정 마이크 탑재 대상 디바이스에 마이크가 배치될 수 있는 상기 배치 후보 지점을 상기 인식된 물품 정보에 따라 추천하는 단계를 더 포함하는, 마이크 배치 적합도 결정 방법.
  8. 제7항에 있어서,
    상기 마이크 배치 적합도 정보를 결정하는 단계는,
    상기 추천된 배치 후보 지점에서 획득한 사운드 특징 정보를 상기 마이크 배치 모델에 우선적으로 입력하는 단계를 포함하는, 마이크 배치 적합도 결정 방법.
  9. 마이크의 배치 적합도를 결정하는 장치로서,
    저장부; 및 프로세서를 포함하며,
    상기 프로세서는,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하고,
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하고, 생성된 상기 마이크 배치 모델을 상기 저장부에 저장하고,
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 측정된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 상기 배치 후보 지점에 대한 마이크 배치 적합도를 결정하며,
    상기 마이크의 배치 후보 지점은,
    상기 마이크 탑재 대상 디바이스에서, 상기 소음 유발 모듈의 영향을 최소화하는 소정 위치에 배치되며,
    상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보는 사운드 압력 세기 정보 및 3 방향 이상의 사운드 진동 세기 정보를 포함하며,
    상기 비용 함수(CF)는,
    상기 배치 후보 지점 각각에 대한 상기 사운드 압력 세기 정보 및 상기 3 방향 이상의 사운드 진동 세기 정보 각각에 가중치를 적용하여 연산되는, 마이크 배치 적합도 결정 장치.
  10. 삭제
  11. 제9항에 있어서,
    상기 프로세서는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하는, 마이크 배치 적합도 결정 장치.
  12. 마이크의 배치 적합도를 결정하는 장치로서,
    저장부; 및 프로세서를 포함하며,
    상기 프로세서는,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하고,
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하고, 생성된 상기 마이크 배치 모델을 상기 저장부에 저장하고,
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 측정된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 상기 배치 후보 지점에 대한 마이크 배치 적합도를 결정하며,
    상기 프로세서는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하고,
    상기 프로세서는,
    상기 마이크 탑재 대상 디바이스를 3차원 모델링하고, 상기 3차원 모델링된 마이크 탑재 대상 디바이스를 복수의 조각 영역으로 가상적으로 구분하며, 상기 조각 영역들 각각에 배치된 마이크의 위치에 따른, 사운드 압력 세기 정보, 상기 위치를 기준으로 감지되는 3차원 상의 X축 방향의 사운드 진동 세기 정보, Y축 방향의 사운드 진동 세기 정보 및 Z축 방향의 사운드 진동 세기 정보 중 적어도 하나를 시뮬레이션 구동을 통해 획득하는, 마이크 배치 적합도 결정 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 상기 비용 함수(CF)의 값이 작아지도록 상기 비용 함수(CF)를 설정하는, 마이크 배치 적합도 결정 장치.
  14. 마이크의 배치 적합도를 결정하는 장치로서,
    저장부; 및 프로세서를 포함하며,
    상기 프로세서는,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하고,
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하고, 생성된 상기 마이크 배치 모델을 상기 저장부에 저장하고,
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 측정된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 상기 배치 후보 지점에 대한 마이크 배치 적합도를 결정하며,
    상기 프로세서는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른, 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보를 시뮬레이션 구동을 통해 획득하고,
    상기 프로세서는,
    상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 압력 세기 정보 및 상기 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보의 수치가 작을수록, 상기 비용 함수(CF)의 값이 작아지도록 상기 비용 함수(CF)를 설정하며,
    상기 프로세서는,
    아래 [식 2]과 같이 비용 함수(CF)를 설정하는, 마이크 배치 적합도 결정 장치
    [식 2]
    CF = W1*SP + W2*SaX + W3*SaY + W4*SaZ
    (여기서, SP는 위치에 따른 사운드 압력 세기 정보, SaX는 위치에 따른 X축 방향의 소음 진동 세기 정보, SaY는 위치에 따른 Y축 방향의 소음 진동 세기 정보 및 SaZ는 위치에 따른 Z축 방향의 소음 진동 세기 정보이며, W1 내지 W4는 상기 마이크 배치 모델에서 사용되는 가중치 값이며, W1 내지 W4의 총합은 1, SP, SaX, SaY, SaZ는 0 내지 1로 정규화된 값).
  15. 제9항에 있어서,
    카메라를 더 포함하며,
    상기 프로세서는,
    상기 카메라를 통해 상기 특정 마이크 탑재 대상 디바이스를 촬영하고, 촬영된 특정 마이크 탑재 대상 디바이스의 물품 정보를 인식하고, 상기 시뮬레이션 구동을 통해 획득한 위치에 따른 사운드 특징 정보에 기초하여, 상기 특정 마이크 탑재 대상 디바이스에 마이크가 배치될 수 있는 상기 배치 후보 지점을 상기 인식된 물품 정보에 따라 추천하는, 마이크 배치 적합도 결정 장치.
  16. 제15항에 있어서,
    상기 프로세서는,
    상기 추천된 배치 후보 지점에서 획득한 사운드 특징 정보를 상기 마이크 배치 모델에 우선적으로 입력하는, 마이크 배치 적합도 결정 장치.
  17. 제15항에 있어서,
    상기 특정 마이크 탑재 대상 디바이스의 사운드 압력 세기 정보는 사운드 압력 측정 기기에 의해 측정되며, 상기 특정 마이크 탑재 대상 디바이스의 위치를 기준으로 감지되는 3 방향 이상의 사운드 진동 세기 정보는 사운드 진동 센서에 의해 측정되는, 마이크 배치 적합도 결정 장치.
  18. 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체로서,
    상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가,
    마이크 탑재 대상 디바이스의 규격 정보 및 상기 마이크 탑재 대상 디바이스 내에 배치 가능한 소음 유발 모듈의 배치 정보와 규격 정보에 기초하여, 상기 마이크 탑재 대상 디바이스 내의 위치에 따른 사운드 특징 정보를 시뮬레이션 구동을 통해 획득하는 동작;
    하나 이상의 마이크를 하나 이상의 마이크 탑재 대상 디바이스에 배치하는 경우, 상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보를 입력으로 하여, 비용 함수(CF)의 값이 최소가 되도록 신경망 학습 연산을 수행하여 마이크 배치 모델을 생성하는 동작; 및
    특정 마이크 탑재 대상 디바이스의 배치 후보 지점에서 측정된 사운드 특징 정보를 상기 생성된 마이크 배치 모델에 입력하는 경우, 상기 배치 후보 지점에 대한 마이크 배치 적합도를 결정하는 동작을 수행하도록 하는 실행 가능한 명령을 포함하며,
    상기 마이크의 배치 후보 지점은,
    상기 마이크 탑재 대상 디바이스에서, 상기 소음 유발 모듈의 영향을 최소화하는 소정 위치에 배치되며,
    상기 마이크의 배치 후보 지점에 대응되는 사운드 특징 정보는 사운드 압력 세기 정보 및 3 방향 이상의 사운드 진동 세기 정보를 포함하며,
    상기 비용 함수(CF)는,
    상기 배치 후보 지점 각각에 대한 상기 사운드 압력 세기 정보 및 상기 3 방향 이상의 사운드 진동 세기 정보 각각에 가중치를 적용하여 연산되는, 기록 매체.
  19. 삭제
KR1020190100994A 2019-08-19 2019-08-19 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치 KR102181643B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190100994A KR102181643B1 (ko) 2019-08-19 2019-08-19 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치
US16/577,495 US11568202B2 (en) 2019-08-19 2019-09-20 Method and apparatus for determining goodness of fit related to microphone placement

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190100994A KR102181643B1 (ko) 2019-08-19 2019-08-19 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치

Publications (2)

Publication Number Publication Date
KR20190104100A KR20190104100A (ko) 2019-09-06
KR102181643B1 true KR102181643B1 (ko) 2020-11-23

Family

ID=67950084

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190100994A KR102181643B1 (ko) 2019-08-19 2019-08-19 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치

Country Status (2)

Country Link
US (1) US11568202B2 (ko)
KR (1) KR102181643B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102181643B1 (ko) * 2019-08-19 2020-11-23 엘지전자 주식회사 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치
CN111693139B (zh) * 2020-06-19 2022-04-22 浙江讯飞智能科技有限公司 声音强度测量方法、装置、设备及存储介质
CN112710988B (zh) * 2020-12-30 2022-06-21 中国人民解放军32212部队 一种坦克装甲车辆声振人工智能探测定位方法
CN113569408B (zh) * 2021-07-28 2024-02-20 黄河水利委员会黄河水利科学研究院 一种河冰力学性能的代表性表征方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005140860A (ja) * 2003-11-04 2005-06-02 Canon Inc 音声認識装置およびその制御方法
JP2005303898A (ja) * 2004-04-15 2005-10-27 Nippon Telegr & Teleph Corp <Ntt> マイク位置決定方法、マイク位置決定装置、マイク位置決定プログラム
JP2019097100A (ja) * 2017-11-27 2019-06-20 ルネサスエレクトロニクス株式会社 マイク位置決定装置及びマイク位置決定方法

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6168568B1 (en) * 1996-10-04 2001-01-02 Karmel Medical Acoustic Technologies Ltd. Phonopneumograph system
US6850887B2 (en) * 2001-02-28 2005-02-01 International Business Machines Corporation Speech recognition in noisy environments
US7279631B2 (en) * 2002-07-16 2007-10-09 Line 6, Inc. Stringed instrument with embedded DSP modeling for modeling acoustic stringed instruments
JP2004120377A (ja) * 2002-09-26 2004-04-15 Nikon Corp 画像表示装置および画像表示システムの利用方法
US20110064233A1 (en) * 2003-10-09 2011-03-17 James Edwin Van Buskirk Method, apparatus and system for synthesizing an audio performance using Convolution at Multiple Sample Rates
US20060013409A1 (en) * 2004-07-16 2006-01-19 Sensimetrics Corporation Microphone-array processing to generate directional cues in an audio signal
DE602007007581D1 (de) * 2007-04-17 2010-08-19 Harman Becker Automotive Sys Akustische Lokalisierung eines Sprechers
US8107652B2 (en) * 2008-08-04 2012-01-31 MWM Mobile Products, LLC Controlled leakage omnidirectional electret condenser microphone element
US8320588B2 (en) * 2009-02-10 2012-11-27 Mcpherson Jerome Aby Microphone mover
KR101852569B1 (ko) * 2011-01-04 2018-06-12 삼성전자주식회사 은닉 마이크로폰 배치 구조를 가진 마이크로폰 어레이 장치 및 그 마이크로폰 어레이 장치를 포함한 음향 신호 처리 장치
US8676728B1 (en) * 2011-03-30 2014-03-18 Rawles Llc Sound localization with artificial neural network
US9264524B2 (en) * 2012-08-03 2016-02-16 The Penn State Research Foundation Microphone array transducer for acoustic musical instrument
KR101978688B1 (ko) 2012-10-22 2019-05-15 삼성전자주식회사 마이크로폰 장치를 갖는 전자 장치 및 그 운용 방법
US9099066B2 (en) * 2013-03-14 2015-08-04 Stephen Welch Musical instrument pickup signal processor
CN105899965B (zh) * 2014-08-29 2018-10-02 深圳市大疆创新科技有限公司 用于采集音频数据的无人飞行器
JP2016146547A (ja) * 2015-02-06 2016-08-12 パナソニックＩｐマネジメント株式会社 収音システム及び収音方法
GB2555059B (en) * 2015-05-22 2021-09-01 Cirrus Logic Int Semiconductor Ltd Adaptive receiver
US10206035B2 (en) * 2015-08-31 2019-02-12 University Of Maryland Simultaneous solution for sparsity and filter responses for a microphone network
US9813810B1 (en) * 2016-01-05 2017-11-07 Google Inc. Multi-microphone neural network for sound recognition
US9881619B2 (en) * 2016-03-25 2018-01-30 Qualcomm Incorporated Audio processing for an acoustical environment
DK3229489T3 (da) * 2016-04-08 2021-05-10 Oticon As Høreapparat, der omfatter et retningsbestemt mikrofonsystem
US10063965B2 (en) * 2016-06-01 2018-08-28 Google Llc Sound source estimation using neural networks
US10085101B2 (en) * 2016-07-13 2018-09-25 Hand Held Products, Inc. Systems and methods for determining microphone position
US10034083B2 (en) * 2016-09-21 2018-07-24 International Business Machines Corporation Crowdsourcing sound captures to determine sound origins and to predict events
US10979613B2 (en) * 2016-10-17 2021-04-13 Dolby Laboratories Licensing Corporation Audio capture for aerial devices
KR20190057846A (ko) 2017-11-21 2019-05-29 한온시스템 주식회사 차량용 공조장치
US11398088B2 (en) * 2018-01-30 2022-07-26 Magical Technologies, Llc Systems, methods and apparatuses to generate a fingerprint of a physical location for placement of virtual objects
US20190236416A1 (en) * 2018-01-31 2019-08-01 Microsoft Technology Licensing, Llc Artificial intelligence system utilizing microphone array and fisheye camera
US10904663B2 (en) * 2019-04-25 2021-01-26 Samsung Electronics Co., Ltd. Reluctance force compensation for loudspeaker control
US10939203B2 (en) * 2019-06-28 2021-03-02 International Business Machines Corporation Forecasting sound in a live performance to determine microphone position
KR102181643B1 (ko) * 2019-08-19 2020-11-23 엘지전자 주식회사 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005140860A (ja) * 2003-11-04 2005-06-02 Canon Inc 音声認識装置およびその制御方法
JP2005303898A (ja) * 2004-04-15 2005-10-27 Nippon Telegr & Teleph Corp <Ntt> マイク位置決定方法、マイク位置決定装置、マイク位置決定プログラム
JP2019097100A (ja) * 2017-11-27 2019-06-20 ルネサスエレクトロニクス株式会社 マイク位置決定装置及びマイク位置決定方法

Also Published As

Publication number Publication date
US20200012920A1 (en) 2020-01-09
US11568202B2 (en) 2023-01-31
KR20190104100A (ko) 2019-09-06

Similar Documents

Publication Publication Date Title
KR102181643B1 (ko) 마이크의 배치 적합도를 결정하는 방법 및 이를 위한 장치
CN107428004B (zh) 对象数据的自动收集和标记
CN106687885B (zh) 用于信使处理的可穿戴设备及其使用方法
JP2021518022A (ja) 手部キーポイント認識モデルの訓練方法及びその装置、手部キーポイントの認識方法及びその装置、並びにコンピュータプログラム
CN110599557A (zh) 图像描述生成方法、模型训练方法、设备和存储介质
KR102582863B1 (ko) 사용자 의도 기반 제스처 인식 방법 및 장치
KR20190034021A (ko) 객체를 인식하는 방법 및 장치
WO2022005717A1 (en) Generating ground truth datasets for virtual reality experiences
CN111009031B (zh) 一种人脸模型生成的方法、模型生成的方法及装置
Khan et al. Recent advances in vision-based indoor navigation: A systematic literature review
CN112036331A (zh) 活体检测模型的训练方法、装置、设备及存储介质
KR20190104282A (ko) 영상 기반으로 정보를 제공하는 방법 및 이를 위한 이동 단말
KR20140104597A (ko) 제스처를 이용하여 데이터를 송수신하는 모바일 기기들
US10444852B2 (en) Method and apparatus for monitoring in a monitoring space
KR20160017933A (ko) 로봇 청소기, 단말장치의 제어방법 및 이를 포함하는 로봇 청소기 제어 시스템
CN111192262A (zh) 基于人工智能的产品缺陷分类方法、装置、设备及介质
KR102605342B1 (ko) 오브젝트 인식 기반의 정보 제공 방법 및 장치와 이를 위한 매핑 장치
US20180197015A1 (en) Monitoring
CN112527104A (zh) 确定参数确定方法、装置、设备及存储介质
KR20200076438A (ko) 사용자의 액티비티를 추적하는 전자 장치 및 전자 장치의 동작 방법
KR102605355B1 (ko) 이미지 기반 정보 제공 방법 및 장치
Sufyan et al. A novel and lightweight real-time continuous motion gesture recognition algorithm for smartphones
CN111753813A (zh) 图像处理方法、装置、设备及存储介质
CN115081643B (zh) 对抗样本生成方法、相关装置及存储介质
US20220101032A1 (en) Method and system for product search based on deep-learning

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant