KR102225975B1 - 엔진음 합성 장치 및 엔진음 합성 방법 - Google Patents

엔진음 합성 장치 및 엔진음 합성 방법 Download PDF

Info

Publication number
KR102225975B1
KR102225975B1 KR1020190104634A KR20190104634A KR102225975B1 KR 102225975 B1 KR102225975 B1 KR 102225975B1 KR 1020190104634 A KR1020190104634 A KR 1020190104634A KR 20190104634 A KR20190104634 A KR 20190104634A KR 102225975 B1 KR102225975 B1 KR 102225975B1
Authority
KR
South Korea
Prior art keywords
engine sound
sound synthesis
ambient noise
noise environment
information
Prior art date
Application number
KR1020190104634A
Other languages
English (en)
Other versions
KR20190105538A (ko
Inventor
이규호
김영만
오상준
정재웅
황승현
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 KR1020190104634A priority Critical patent/KR102225975B1/ko
Priority to US16/561,707 priority patent/US10997962B2/en
Publication of KR20190105538A publication Critical patent/KR20190105538A/ko
Application granted granted Critical
Publication of KR102225975B1 publication Critical patent/KR102225975B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q5/00—Arrangement or adaptation of acoustic signal devices
    • B60Q5/005—Arrangement or adaptation of acoustic signal devices automatically actuated
    • B60Q5/008—Arrangement or adaptation of acoustic signal devices automatically actuated for signaling silent vehicles, e.g. for warning that a hybrid or electric vehicle is approaching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/165—Management of the audio stream, e.g. setting of volume, audio stream path
    • 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
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K15/00—Acoustics not otherwise provided for
    • G10K15/02—Synthesis of acoustic waves
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K15/00—Acoustics not otherwise provided for
    • G10K15/04—Sound-producing devices
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • 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
    • H04R1/02—Casings; Cabinets ; Supports therefor; Mountings therein
    • H04R1/025—Arrangements for fixing loudspeaker transducers, e.g. in a box, furniture
    • 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
    • H04R29/001—Monitoring arrangements; Testing arrangements for loudspeakers
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
    • B60Q2300/10—Indexing codes relating to particular vehicle conditions
    • B60Q2300/11—Linear movements of the vehicle
    • B60Q2300/112—Vehicle speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2306/00—Other features of vehicle sub-units
    • B60Y2306/11—Noise generation, e.g. drive noise to warn pedestrians that an electric vehicle is approaching
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2499/00—Aspects covered by H04R or H04S not otherwise provided for in their subgroups
    • H04R2499/10—General applications
    • H04R2499/13—Acoustic transducers and sound field adaptation in vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Otolaryngology (AREA)
  • Traffic Control Systems (AREA)

Abstract

엔진음 합성 방법은 제1 엔진음 합성을 출력하고, 제1 주변 잡음 환경의 변화를 획득하고, 획득된 제1 주변 잡음 환경의 변화에 대응하는 제1 마스킹 레벨 정보를 획득하도록 인공 신경망을 학습하고, 획득된 제1 마스킹 레벨 정보에 기초하여 제1 엔진음 합성을 보정하여 제2 엔진음 합성을 생성하며, 생성된 제2 엔진음 합성을 출력한다.

Description

엔진음 합성 장치 및 엔진음 합성 방법{Engine sound synthesis device and engine sound synthesis method}
실시예는 엔진음 합성 장치 및 엔진음 합성 방법에 관한 것이다.
전기 자동차는 모터 구동으로 소음이 작아, 거리의 보행자가 전기 자동차가 접근하는 것을 인지하기 어렵다. 이에 따라, 전기 자동차에서 엔진음 합성을 출력하도록 하여 보행자가 전기 자동차의 접근을 용이하게 인지할 수 있다.
한편, 내연기관 자동차는 엔진 구동으로 주행되는데, 일부 운전자는 이러한 엔진 소음을 가공한 엔진음 합성을 선호한다.
따라서, 최근 들어, 내연 기관 자동차나 전기 자동차에 관계없이 엔진음 합성을 효율적으로 생성 및 출력하도록 하는 기술이 활발하게 개발되고 있다.
종래의 엔진음 합성은 주변 잡음 환경을 고려하지 않고 생성되므로, 주변 잡음 환경의 변화에 대처하지 못하는 문제가 있다. 예컨대, 주행 중 창문을 개방하는 경우, 창문 개방에 의해 외부의 소음이 자동차 실내로 유입되고, 이러한 외부 소음이 엔진음 합성을 방해하여, 운전자는 엔진음 합성을 잘 듣지 못하거나 원래 의도한 엔진음 합성을 느끼지 못한다.
실시예는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
실시예의 다른 목적은 주변 잡음 환경을 고려한 엔진음 합성 제공 장치 및 엔진음 합성 제공 방법을 제공한다.
실시예의 다른 목적은 실시간으로 변화하는 주변 잡음 환경에 따라 적응적으로 엔진음 합성을 보정하여, 운전자의 취향을 극대화할 수 있는 엔진음 합성 제공 장치 및 엔진음 합성 제공 방법을 제공한다.
상기 또는 다른 목적을 달성하기 위해 실시예의 일 측면에 따르면, 엔진음 합성 방법은, 제1 엔진음 합성을 출력하는 단계; 제1 주변 잡음 환경의 변화를 획득하는 단계; 상기 획득된 제1 주변 잡음 환경의 변화에 대응하는 제1 마스킹 레벨 정보를 획득하도록 인공 신경망을 학습하는 단계; 상기 획득된 제1 마스킹 레벨 정보에 기초하여 상기 제1 엔진음 합성을 보정하여 제2 엔진음 합성을 생성하는 단계; 및 상기 생성된 제2 엔진음 합성을 출력하는 단계를 포함한다.
실시예의 다른 측면에 따르면, 엔진음 합성 장치는, 엔진음 합성을 출력하는 스피커; 주변 잡음 환경의 변화를 획득하는 센서부; 및 프로세서를 포함한다. 상기 프로세서는, 상기 센서부를 통해 제1 주변 잡음 환경의 변화를 획득하면, 상기 획득된 제1 주변 잡음 환경의 변화에 대응하는 제1 마스킹 레벨 정보를 획득하도록 상기 인공 신경망을 학습하고, 상기 획득된 제1 마스킹 레벨 정보에 기초하여 제1 엔진음 합성을 보정하여 상기 보정된 제2 엔진음 합성을 출력하도록 상기 스피커를 제어한다.
실시예에 따른 엔진음 합성 장치 및 엔진음 합성 방법의 효과에 대해 설명하면 다음과 같다.
실시예들 중 적어도 하나에 의하면, 엔진음 합성에 영향을 주는 주변 잡음 환경의 변화를 고려하여, 인공 지능에 기반하여 주변 잡음 환경의 변화에 대응하는 마스킹 레벨 정보를 획득하고, 획득돈 마스킹 레벨 정보에 기초하여 엔진음 합성을 보정함으로써, 엔진음 합성의 전체 주파수 대역에 혼재하는 잡음을 획득할 필요가 없어, 연산이 간단하고 신속한 보정이 가능하다는 장점이 있다.
실시예들 중 적어도 하나에 의하면, 주변 잡음 환경의 변화를 고려하여 엔진음 합성을 보정하여 주변 잡음 환경의 변화에 따른 잡음을 미리 제거하여 줌으로써, 엔진음 합성을 스피커를 통해 출력하더라도 운전자에게 잡음이 없는 엔진음 합성이 들릴 수 있어, 운전자에게 쾌적함을 주고 운전자가 선호하는 엔진음 합성을 제공할 수 있다는 장점이 있다.
실시예의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 실시예의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 바람직한 실시예와 같은 특정 실시예는 단지 예시로 주어진 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시예에 따른 엔진음 합성 장치의 블록도이다.
도 5는 인공 신경망을 도시한다.
도 6은 본 발명의 일 실시예에 따른 엔진음 합성 방법을 설명하는 순서도이다.
도 7은 주파수 도멘인에서의 엔진음 합성과 외부 잡음이 혼재된 모습을 도시한다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 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 모델로써, 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)를 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 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 신경망의 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.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 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.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 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(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시예에 따른 엔진음 합성 장치의 블록도이이고, 도 5는 인공 신경망을 도시한다.
도 1 내지 도 5를 참조하면, 본 발명의 일 실시예에 따른 엔진음 합성 장치(300)는 엔진음 합성부(310), 센서부(320), 프로세서(330), 인공 신경망(340), 보정부(350) 및 스피커(360)를 포함할 수 있다. 엔진음 합성 장치(300)는 이상의 구성 요소보다 더 적거나 많을 수 있다. 센서부(320)는 도 1에 도시된 입력부에 포함될 수 있다. 프로세서(330)는 도 1에 도시된 프로세서(180)일 수 있다. 인공 신경망(340)은 도 1에 도시된 메모리에 저장될 수 있다. 인공 신경망(340)은 소프트웨어나 하드웨어로 구현될 수 있다. 프로세서(330)는 학습을 위해 인공 신경망(340)을 로딩할 수 있다. 인공 신경망(340)은 도 2에 도시된 AI 서버(200)의 메모리(230)에 저장될 수 있다. 엔진음 합성부(310)와 보정부(350)는 프로세서(330)에 포함될 수 있다. 스피커(360)는 도 1에 도시된 출력부에 포함될 수 있다.
엔진음 합성부(310)는 엔진 소음을 가공한 엔진음 합성할 수 있다. 엔진음 합성은 인공적으로 만들어진 엔진음일 수 있다. 엔진음 합성은 엔진에서 발생된 엔진 소음과 비슷하거나 엔진 소음과 상이할 수 있다. 엔진음 합성은 엔진에서 발생된 엔진 소음보다는 운전자에게 덜 피로감을 느끼는 사운드일 수 있다. 또한, 일부 마니아 운전자는 이러한 엔진음 합성을 선호하여, 엔진음 합성을 자신만의 독특한 사운드로 가공할 수도 있다.
프로세서(330)는 엔진음 합성부(310)에서 생성된 엔진음 합성을 출력하돌고 스피커(360)를 제어할 수 있다. 스피커(360)는 자동차의 실내에 설치될 수 있다. 스피커(360)는 자동차의 외곽에 설치될 수 있다. 자동차의 실내에 설치된 스피커(360)를 통해 출력된 엔진음 합성에 의해 운전자는 엔진음을 즐길 수 있다. 자동차의 외곽에 설치된 스피커(360)를 통해 출력된 엔진음 합성에 의해 주변의 보행자에 자동차가 근접함을 알릴 수 있다.
스피커(360)를 통해 출력된 엔진음 합성은 주변 잡음 환경에 영향을 받을 수 있다. 주변 잡음 환경은 창문 개방 및/또는 차속을 포함할 수 있다. 엔진음 합성은 차속이 커지거나 창문이 개방됨에 따라 외부의 소음에 의해 묻혀 운전자가 엔진음 합성을 듣지 못할 수 있다.
본 발명에서는 주변 잡음 환경의 변화에 의해 외부 소음에 의해 엔진음 합성이 묻히는 경우, 해당 외부 소음을 제거하여 원래의 엔진음 합성을 출력하도록 할 수 있다.
본 발명에서는 주변 잡음 환경의 변화에 의해 외부 소음에 의해 엔진음 합성이 묻히는 경우, 외부 소음을 모두 제거하기보다는 엔진음 합성과 매칭되는 일부 외부 소음만을 제거하여, 연산이 간단하고 신속한 보정이 가능하다
센서부(320)는 CAN 데이터를 수집할 수 있다. CAN 데이터는 예컨대, CAN 데이터는 자동차의 각종 데이터나 정보로서, 자동차의 상태를 판단하거나 후속 동작을 위해 사용될 수 있다. CAN 데이터는 RPM, 차속, 온도, 토크 등을 포함할 수 있다. CAN 데이터는 주변 잡음 환경을 포함할 수 있다. 즉, CAN 데이터는 차속이나 창문 개방 여부, 창문 개방 정도를 포함할 수 있다. CAN 데이터는 프로세서(330)나 인공 신경망(340)으로 제공될 수 있다.
프로세서(330)는 센서부(320)로부터 수신하는 CAN 데이터에 기초하여 주변 잡음 환경이 변화하는지 여부를 획득할 수 있다. 주변 잡음 환경이 변화하는 경우, 프로세서(330)는 인공 신경망(340)을 학습하여 보정 정보를 획득하도록 할 수 있다. 보정 정보는 마스킹 레벨 정보를 포함할 수 있다.
도 5에 도시한 바와 같이, 인공 신경망(340)은 센서부(320)로부터 수신하는 주변 잡음 환경, 즉 차속 및/또는 창문 개방에 기초하여 마스킹 레벨 정보를 획득하도록 학습할 수 있다.
CAN 데이터는 미리 수집된 훈련 데이터일 수 있다. 이러한 경우, CAN 데이터의 주변 잡음 환경에 대응하는 마스킹 레벨 정보를 획득하도록 학습된 인공 신경망(340)이 모델링될 수 있다. 이러한 경우, 인공 신경망(340)은 보정 학습 모델로 지칭될 수 있다.
인공 신경망(340)은 센서부(320)로부터 수신하는 CAN 데이터를 입력으로 하여, CAN 데이터의 주변 잡음 환경에 대응하는 마스킹 레벨 정보를 획득하도록 학습할 수 있다. 예컨대, 센서로부터 CAN 데이터를 수집하는 경우, 프로세서(330)는 주변 잡음 환경이 변화하는지 여부를 획득하고, 주변 잡음 환경이 변화하는 경우 인공 신경망(340)을 학습시켜 센서부(320)로부터 수집된 CAN 데이터의 주변 잡음 환경에 대응하는 마스킹 레벨 정보를 획득할 수 있다.
인공 신경망(340)은 미리 수집된 훈련 데이터에 대응하는 마스킹 레벨 정보를 획득하도록 학습할 수 있다. 인공 신경망(340)이 엔진음 합성 장치(300)에 장착되면, 즉 메모리에 저장될 수 있다. 이후, 센서부(320)로부터 CAN 데이터가 수집되고 CAN 데이터의 주변 잡음 환경이 변화되는 경우, 프로세서(330)는 메모리에 저장된 인공 신경망(340)을 제어하여 주변 잡음 환경을 학습하여 주변 잡음 환경에 대응하는 마스킹 레벨 정보를 획득할 수 있다.
보정부(350)는 보정 필터를 포함할 수 있다. 보정부(350)는 인공 신경망(340)에서 획득된 마스킹 레벨 정보에 기초하여 엔진음 합성부(310)에서 생성된 엔진음 합성을 보정할 수 있다.
마스킹 레벨 정보는 엔진음 합성의 주파수 샘플링당 진폭과 매칭하는 잡음 정보를 포함할 수 있다. 잡음 정보는 잡음의 세기나 잡음의 밀도를 포함할 수 있다. 도 7에 도시한 바와 같이, 엔진음 합성에 주변 잡음 환경의 변화하는 경우, 외부의 소음, 즉 잡음이 해당 엔진음 합성에 반영될 수 있다. 도 7에 도시된 엔진음 합성은 예컨대, 3000 rpm 엔진 속도에서의 엔진음 합성을 보여주지만, 각 rpm에 따라 상이한 엔진음 합성이 생성될 수 있다.
본 발명에서는 모든 잡음을 제거하지 않고, 마스킹 레벨 정보를 이용하여 잡음 중 엔진음 합성과 매칭하는 일부 소음만을 제거할 수 있다.
도 7에 도시한 바와 같이, 300rpm의 엔진 속도를 갖는 엔진음 합성에서 가로축은 주파수이고 세로축은 진폭을 나타낼 수 있다. 주파수에 따라 서로 상이한 진폭을 갖는 엔진음 합성이 생성될 수 있다.
외부 소음은 모든 주파수 대역의 모든 진폭에 반영되고 있다. 이러한 경우, 외부 소음을 모두 제거하는 것은 거의 불가능하다.
이를 간단하게 해결하기 위해, 본 발명에서는 주파수 빈(frequency bin)을 이용할 수 있다. 주파수 빈은 주파수 영역(frequency domain)에서의 샘플 사이의 간격으로서, 주파수 대역을 샘플 개수로 나눈 값일 수 있다. 예컨대, 도 7에 도시한 바와 같이, 주파수 대역이 600Hz이고 샘플 개수가 60인 경우, 주파수 빈은 10Hz일 수 있다. 이러한 경우, 10Hz마다 샘플이 위치될 수 있다. 따라서, 10Hz마다 샘플이 획득되는 경우, 인공 신경망(340)은 샘플 각각에서의 엔진음 합성의 진폭과 그 진폭과 매칭하는 잡음 정보(a1, a2, a3, a4, a5, a6)를 포함하는 마스킹 레벨 정보를 획득할 수 있다. 도 7에서, 마스킹 레벨 정보에 있어서, 제1 잡음 정보(a1)은 100Hz의 제1 샘플에서 획득되고, 제2 잡음 정보(a2)는 200Hz의 제2 샘플에서 획득될 수 있다. 제3 잡음 정보(a3)는 300Hz의 제3 샘플에서 획득되고, 제4 잡음 정보(a4)는 400Hz의 제4 샘플에서 획득될 수 있다. 제5 잡음 정보(a5)는 500Hz의 제5 샘플에서 획득되고, 제6 잡음 정보(a6)는 600Hz의 제6 샘플에서 획득될 수 있다.
예컨대, 도 7에서는 100Hz의 간격을 갖는 주파수 빈에서의 잡음 정보(a1, a2, a3, a4, a5, a6)를 포함하는 마스킹 레벨 정보이 획득되는 것으로 도시되고 있지만, 이에 대해서는 한정하지 않는다. 주파수 빈이 작아질수록 더 많은 샘플이 획득되고, 그 샘플에서 잡음 정보를 포함하는 마스킹 레벨 정보를 획득함으로써, 보다 더 잡음이 없는 엔진음 합성을 운전자에게 제공하여 운전자의 쾌적함을 증진시킬 수 있다.
보정부(350)는 마스킹 레벨 정보의 잡음 정보에 기초하여 엔진음 합성을 보정하여 엔진음 합성과 매칭하는 잡음을 제거할 수 있다. 주파수 빈이 작을수록 보다 많은 잡음 정보가 획득되어, 엔진음 합성과 관련된 잡음을 최대한 제거할 수 있다.
보정부(350)에서 보정된 엔진음 합성이 스피커(360)를 통해 출력되고, 이 출력된 엔진음 합성은 보정에 의해 잡음이 제거되었으므로, 운전자에게 쾌적함을 주고 운전자가 선호하는 엔진음 합성을 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 엔진음 합성 방법을 설명하는 순서도이다.
도 4 및 도 6을 참조하면, 프로세서(330)는 엔진음 합성을 출력하도록 제어할 수 있다(S1110).
엔진음 합성은 제1 엔진음 합성으로 지칭될 수 있다. 엔진음 합성부(310)는 제1 엔진음 합성을 생성할 수 있다. 프로세서(330)는 제1 엔진음 합성을 출력하도록 스피커(360)를 제어할 수 있다.
프로세서(330)는 주변 잡음 환경이 변화하는지 여부를 획득할 수 있다(S1120).
센서부(320)는 CAN 데이터를 수집하여 프로세서(330)로 제공할 수 있다. 프로세서(330)는 CAN 데이터의 주변 잡음 환경을 토대로 주변 잡음 환경이 변화하는지 여부를 획득할 수 있다.
주변 잡음 환경이 변화하는 경우, 프로세서(330)는 인공 신경망(340)을 학습하여 주변 잡음 환경의 변화에 대응하는 마스킹 레벨 정보를 획득할 수 있다(S1130). 여기서, 마스킹 레벨 정보는 제1 마스킹 레벨 정보로 지칭될 수 있다.
프로세서(330)는 제1 마스킹 레벨 정보에 기초하여 엔진음 합성을 보정하도록 보정부(350)를 제어할 수 있다(S1140). 프로세서(330)는 보정된 엔진음 합성을 출력하도록 스피커(360)를 제어할 수 있다(S1150). 여기서, 보정된 엔진음 합성은 제2 엔진음 합성으로 지칭될 수 있다.
프로세서(330)는 제2 엔진음 합성의 볼륨이 설정값보다 큰지 여부를 획득할 수 있다(S1160).
보정부(350)에서 출력되는 제2 엔진음 합성이 프로세서(330)로 피드백될 수 있다. 프로세서(330)는 상기 피드백된 제2 엔진음 합성의 볼륨이 설정값보다 큰지 여부를 획득할 수 있다. 설정값은 운전자의 귀에 거슬릴 정보의 볼륨 세기일 수 있다. 설정값은 도 1에 도시된 입력부(120)을 통해 변경 가능한다.
제2 엔진음 합성의 볼륨이 설정값보다 크면, 프로세서(330)는 제2 엔진음 합성의 출력을 차단하도록 스피커(360)를 제어할 수 있다(S1170). 다른 예로서, 제2 엔진음 합성의 볼륨이 설정값보다 크면, 프로세서(330)는 제2 엔진음 합성의 출력을 차단하도록 보정부(350)를 제어할 수 있다.
한편, 제2 엔진음 합성의 볼륨이 설정값보다 작으면, 프로세서(330)는 S1120으로 이동하여 주변 잡음 환경이 변화하는지 여부를 획득할 수 있다.
예컨대, 제2 엔진음 합성을 출력하는 도중에 주변 잡음 환경이 변화하는 경우, 프로세서(330)는 주변 잡음 환경의 변화에 대응하는 제2 마스킹 레벨 정보를 획득하도록 인공 신경망(340)을 학습할 수 있다.
제2 엔진음 합성으로 보정되기 이전의 주변 잡음 환경은 제1 주변 잡음 환경으로 지칭되고, 제2 엔진음 합성을 출력하는 도중에 변화하는 주변 잡음 환경은 제2 주변 잡음 환경으로 지칭될 수 있다. 제2 주변 잡음 환경의 변화는 제1 주변 잡음 환경의 변화와 상이할 수 있다.
예컨대, 제1 주변 잡음 환경에서 차문 개방 정도가 3인 경우에 제2 엔진음 합성으로 보정되어 출력되고 있는 도중에, 제2 주변 잡음 환경에서 차문 개방 정도가 7로 변경된 경우, 프로세서(330)는 7의 차문 개방 정도에 대응하는 제2 마스킹 레벨 정보를 획득하도록 인공 신경망(340)을 학습하고, 제2 마스킹 레벨 정보에 기초하여 제2 엔진음 합성을 보정하여 제3 엔진음 합성을 생성할 수 있다. 제3 엔진음 합성은 스피커(360)를 통해 출력될 수 있다.
본 발명에 따르면, 주변 잡음 환경의 변화에 따라 발생하는 잡음의 정도를 감안한 마스킹 레벨 정보를 미리 인공 지능 기반으로 획득하고, 이 획득된 마스킹 레벨 정보를 이용하여 엔진음 합성을 보정할 수 있다. 상기 보정된 엔진음 합성을 스피커를 통해 출력하더라도, 이미 주변 잡음 환경의 변화를 고려하여 엔진음 합성이 보정되었기 때문에 운전자의 귀에는 잡음이 없는 원래의 엔진음 합성으로 들릴 수 있다.
본 발명에 따르면, 주변 잡음 환경의 변화에 의해 스피커(360)를 통해 출력된 엔진음 합성에 잡음이 반영되는 경우, 인공 지능 기반하여 엔진음 합성에 반여된 잡음을 제거하여 원래의 엔진음 합성, 즉 잡음이 없는 엔진음 합성을 스피커(360)를 통해 출력하도록 하여, 운전자에게 쾌적함을 주고 운전자가 선호하는 엔진음 합성을 제공할 수 있다.
상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 실시예의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 실시예의 등가적 범위 내에서의 모든 변경은 실시예의 범위에 포함된다.

Claims (16)

  1. 제1 엔진음 합성을 출력하는 단계;
    제1 주변 잡음 환경의 변화를 획득하는 단계;
    상기 획득된 제1 주변 잡음 환경의 변화에 대응하는 제1 마스킹 레벨 정보를 획득하도록 인공 신경망을 학습하는 단계;
    상기 획득된 제1 마스킹 레벨 정보에 기초하여 상기 제1 엔진음 합성을 보정하여 제2 엔진음 합성을 생성하는 단계; 및
    상기 생성된 제2 엔진음 합성을 출력하는 단계
    를 포함하는 엔진음 합성 방법.
  2. 제1항에 있어서,
    상기 제1 마스킹 레벨 정보는 복수의 주파수 샘플링 각각에서의 엔진음 합성의 진폭과 그 진폭과 매칭하는 잡음 정보를 포함하는 엔진음 합성 방법.
  3. 제2항에 있어서,
    상기 잡음 정보는 잡음의 세기나 잡음의 밀도를 포함하는 엔진음 합성 방법.
  4. 제3항에 있어서,
    상기 제2 엔진음 합성을 생성하는 단계는,
    상기 잡음의 세기보다 큰 볼륨을 갖도록 상기 제1 엔진음 합성을 보정하여 상기 제2 엔진음 합성을 출력하는 단계
    를 포함하는 엔진음 합성 방법.
  5. 제3항에 있어서,
    상기 제2 엔진음 합성을 생성하는 단계는,
    상기 잡음의 밀도보다 높은 밀도를 갖도록 상기 제1 엔진음 합성을 보정하여 상기 제2 엔진음 합성을 출력하는 단계
    를 포함하는 엔진음 합성 방법.
  6. 제1항에 있어서,
    상기 생성된 제2 엔진음 합성을 출력하는 도중에 상기 제1 주변 잡음 환경의 변화와 상이한 제2 주변 잡음 환경의 변화를 획득하는 경우, 상기 획득된 제2 주변 잡음 환경의 변화에 대응하는 제2 마스킹 레벨 정보를 획득하도록 상기 인공 신경망을 학습하는 단계;
    상기 획득된 제2 마스킹 레벨 정보에 기초하여 상기 제2 엔진음 합성을 보정하여 제3 엔진음 합성을 생성하는 단계; 및
    상기 생성된 제3 엔진음 합성을 출력하는 단계
    를 더 포함하는 엔진음 합성 방법.
  7. 제6항에 있어서,
    상기 제1 주변 잡음 환경의 변화 및 상기 제2 주변 잡음 환경의 변화 각각은 창문 개방 및 차속을 포함하는 엔진음 합성 방법.
  8. 제1항에 있어서,
    상기 생성된 제2 엔진음 합성의 볼륨이 설정값보다 큰 경우, 상기 생성된 제2 엔진음 합성의 출력을 차단하도록 제어하는 단계
    를 더 포함하는 엔진음 합성 방법.
  9. 엔진음 합성을 출력하는 스피커;
    주변 잡음 환경의 변화를 획득하는 센서부; 및
    프로세서를 포함하고,
    상기 프로세서는,
    상기 센서부를 통해 제1 주변 잡음 환경의 변화를 획득하면, 상기 획득된 제1 주변 잡음 환경의 변화에 대응하는 제1 마스킹 레벨 정보를 획득하도록 인공 신경망을 학습하고,
    상기 획득된 제1 마스킹 레벨 정보에 기초하여 제1 엔진음 합성을 보정하여 생성된 제2 엔진음 합성을 출력하도록 상기 스피커를 제어하는 엔진음 합성 장치.
  10. 제9항에 있어서,
    상기 제1 마스킹 레벨 정보는 복수의 주파수 샘플링 각각에서의 엔진음 합성의 진폭과 그 진폭과 매칭하는 잡음 정보를 포함하는 엔진음 합성 장치.
  11. 제10항에 있어서,
    상기 잡음 정보는 잡음의 세기나 잡음의 밀도를 포함하는 엔진음 합성 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 잡음의 세기보다 큰 볼륨을 갖도록 상기 제1 엔진음 합성을 보정하여 상기 제2 엔진음 합성을 출력하는 엔진음 합성 장치.
  13. 제11항에 있어서,
    상기 프로세서는,
    상기 잡음의 밀도보다 높은 밀도를 갖도록 상기 제1 엔진음 합성을 보정하여 상기 제2 엔진음 합성을 출력하는 엔진음 합성 장치.
  14. 제9항에 있어서,
    상기 프로세서는,
    상기 생성된 제2 엔진음 합성을 출력하는 도중에 상기 제1 주변 잡음 환경의 변화와 상이한 제2 주변 잡음 환경의 변화를 획득하는 경우, 상기 획득된 제2 주변 잡음 환경의 변화에 대응하는 제2 마스킹 레벨 정보를 획득하도록 상기 인공 신경망을 학습하고,
    상기 획득된 제2 마스킹 레벨 정보에 기초하여 상기 제2 엔진음 합성을 보정하여 제3 엔진음 합성을 생성하며,
    상기 생성된 제3 엔진음 합성을 출력하는 엔진음 합성 장치.
  15. 제14항에 있어서,
    상기 제1 주변 잡음 환경의 변화 및 상기 제2 주변 잡음 환경의 변화 각각은 창문 개방 및 차속을 포함하는 엔진음 합성 장치.
  16. 제9항에 있어서,
    상기 프로세서는,
    상기 생성된 제2 엔진음 합성의 볼륨이 설정값보다 큰 경우, 상기 생성된 제2 엔진음 합성의 출력을 차단하도록 제어하는 엔진음 합성 장치.
KR1020190104634A 2019-08-26 2019-08-26 엔진음 합성 장치 및 엔진음 합성 방법 KR102225975B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190104634A KR102225975B1 (ko) 2019-08-26 2019-08-26 엔진음 합성 장치 및 엔진음 합성 방법
US16/561,707 US10997962B2 (en) 2019-08-26 2019-09-05 Apparatus and method for synthesizing engine sound

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190104634A KR102225975B1 (ko) 2019-08-26 2019-08-26 엔진음 합성 장치 및 엔진음 합성 방법

Publications (2)

Publication Number Publication Date
KR20190105538A KR20190105538A (ko) 2019-09-17
KR102225975B1 true KR102225975B1 (ko) 2021-03-10

Family

ID=68070269

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190104634A KR102225975B1 (ko) 2019-08-26 2019-08-26 엔진음 합성 장치 및 엔진음 합성 방법

Country Status (2)

Country Link
US (1) US10997962B2 (ko)
KR (1) KR102225975B1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113071408B (zh) * 2020-01-06 2023-10-24 广州汽车集团股份有限公司 一种车外行人警示音发声特征处理方法、装置及汽车
KR20210105611A (ko) * 2020-02-19 2021-08-27 현대자동차주식회사 차량 및 그 제어 방법
DE102021122094A1 (de) 2021-08-26 2023-03-02 Ford Global Technologies, Llc Verfahren zum Betrieb eines Kraftfahrzeugs
FR3138232A1 (fr) * 2022-07-19 2024-01-26 Psa Automobiles Sa Caractérisation et quantification du bruit dans l’habitacle d’un véhicule automobile par l’intelligence artificielle
CN116206624B (zh) * 2023-05-04 2023-08-29 科大讯飞(苏州)科技有限公司 一种车辆声浪合成方法、装置、存储介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4790876B1 (ja) 2010-06-08 2011-10-12 パイオニア株式会社 車両想起音発生装置及び車両想起音発生方法
WO2012066685A1 (ja) 2010-11-19 2012-05-24 パイオニア株式会社 音響装置及び出力音制御方法
JP2015099365A (ja) 2013-11-19 2015-05-28 ハーマン インターナショナル インダストリーズ インコーポレイテッド 合成された車両音に対して環境騒音補償を提供する装置
KR101986905B1 (ko) 2017-10-31 2019-06-07 전자부품연구원 신호 분석 및 딥 러닝 기반의 오디오 음량 제어 방법 및 시스템

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6493689B2 (en) * 2000-12-29 2002-12-10 General Dynamics Advanced Technology Systems, Inc. Neural net controller for noise and vibration reduction
US20030219133A1 (en) * 2001-10-24 2003-11-27 Acentech, Inc. Sound masking system
US20030103632A1 (en) * 2001-12-03 2003-06-05 Rafik Goubran Adaptive sound masking system and method
EP2530835B1 (en) * 2011-05-30 2015-07-22 Harman Becker Automotive Systems GmbH Automatic adjustment of a speed dependent equalizing control system
CN103971908B (zh) * 2014-05-06 2016-03-09 国家电网公司 一种变压器噪声抑制方法
DE102016207039A1 (de) * 2016-04-26 2017-10-26 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Betrieb eines einen elektrischen Energiespeicher aufweisenden Hybridfahrzeuges mit einem Elektromotor und mit einem Verbrennungsmotor
US10792462B2 (en) * 2017-06-05 2020-10-06 International Business Machines Corporation Context-sensitive soundscape generation
US11282492B2 (en) * 2019-02-18 2022-03-22 Bose Corporation Smart-safe masking and alerting system
KR102263245B1 (ko) * 2019-07-31 2021-06-14 엘지전자 주식회사 이종 레이블 간 발화 스타일 부여를 위한 인공지능 기반의 음성 샘플링 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4790876B1 (ja) 2010-06-08 2011-10-12 パイオニア株式会社 車両想起音発生装置及び車両想起音発生方法
WO2012066685A1 (ja) 2010-11-19 2012-05-24 パイオニア株式会社 音響装置及び出力音制御方法
JP2015099365A (ja) 2013-11-19 2015-05-28 ハーマン インターナショナル インダストリーズ インコーポレイテッド 合成された車両音に対して環境騒音補償を提供する装置
KR101986905B1 (ko) 2017-10-31 2019-06-07 전자부품연구원 신호 분석 및 딥 러닝 기반의 오디오 음량 제어 방법 및 시스템

Also Published As

Publication number Publication date
US10997962B2 (en) 2021-05-04
KR20190105538A (ko) 2019-09-17
US20190392811A1 (en) 2019-12-26

Similar Documents

Publication Publication Date Title
KR102225975B1 (ko) 엔진음 합성 장치 및 엔진음 합성 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
US11568239B2 (en) Artificial intelligence server and method for providing information to user
US20200005100A1 (en) Photo image providing device and photo image providing method
KR102263250B1 (ko) 엔진 소음 제거 장치 및 엔진 소음 제거 방법
US20190360717A1 (en) Artificial intelligence device capable of automatically checking ventilation situation and method of operating the same
KR20190100117A (ko) 인공지능 기반의 홈 시어터 음성 제어 장치 및 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20190101333A (ko) 음성 인식 장치 및 음성 인식 방법
KR20190101330A (ko) 음성 처리 장치 및 음성 처리 방법
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
US11863627B2 (en) Smart home device and method
US11604952B2 (en) Artificial intelligence apparatus using sound signal classification and method for the same
KR102537381B1 (ko) 보행경로예측장치
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11445265B2 (en) Artificial intelligence device
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20210052958A (ko) 인공 지능 서버
KR20190098934A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
US11550328B2 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
US11205248B2 (en) Mobile terminal
KR102584612B1 (ko) 이미지향상장치
KR20220054133A (ko) 보행경로예측장치
KR20210047183A (ko) 도메인 정보를 이용하여 음성을 인식하는 인공 지능 서버 및 그 방법

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