KR102298582B1 - 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법 - Google Patents

센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법 Download PDF

Info

Publication number
KR102298582B1
KR102298582B1 KR1020190084757A KR20190084757A KR102298582B1 KR 102298582 B1 KR102298582 B1 KR 102298582B1 KR 1020190084757 A KR1020190084757 A KR 1020190084757A KR 20190084757 A KR20190084757 A KR 20190084757A KR 102298582 B1 KR102298582 B1 KR 102298582B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
virtual wall
map
cleaning
sensor
Prior art date
Application number
KR1020190084757A
Other languages
English (en)
Other versions
KR20190098734A (ko
Inventor
채승아
김고근
김수연
이가민
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 KR1020190084757A priority Critical patent/KR102298582B1/ko
Publication of KR20190098734A publication Critical patent/KR20190098734A/ko
Application granted granted Critical
Publication of KR102298582B1 publication Critical patent/KR102298582B1/ko

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00Manipulators not otherwise provided for
    • B25J11/008Manipulators for service tasks
    • B25J11/0085Cleaning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4011Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4061Steering means; Means for avoiding obstacles; Details related to the place where the driver is accommodated
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L13/00Implements for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L13/10Scrubbing; Scouring; Cleaning; Polishing
    • A47L13/50Auxiliary implements
    • A47L13/58Wringers for scouring pads, mops, or the like, combined with buckets
    • A47L13/60Wringers for scouring pads, mops, or the like, combined with buckets with squeezing rollers
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805Parameters or conditions being sensed
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805Parameters or conditions being sensed
    • A47L9/2826Parameters or conditions being sensed the condition of the floor
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2847Surface treating elements
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2852Elements for displacement of the vacuum cleaner or the accessories therefor, e.g. wheels, casters or nozzles
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2857User input or output elements for control, e.g. buttons, switches or displays
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00Controls for manipulators
    • B25J13/08Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02Sensing devices
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/0003Home robots, i.e. small robots for domestic use
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1602Programme controls characterised by the control system, structure, architecture
    • B25J9/161Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1656Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1679Programme controls characterised by the tasks executed
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/04Architectures, e.g. interconnection topology
    • G06N3/0454Architectures, e.g. interconnection topology using a combination of multiple neural nets
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/02Knowledge representation
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/04Automatic control of the travelling movement; Automatic obstacle detection
    • AHUMAN NECESSITIES
    • A47FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47LDOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/06Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2201/00Application
    • G05D2201/02Control of position of land vehicles
    • G05D2201/0203Cleaning or polishing vehicle
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2201/00Application
    • G05D2201/02Control of position of land vehicles
    • G05D2201/0215Vacuum cleaner

Abstract

본 발명의 실시 예는 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇에 있어서, 이미지 센서, 깊이 센서 또는 충격 센서 중에서 적어도 하나 이상을 포함하는 센서부; 흡입부 또는 걸레질부 중에서 적어도 하나 이상을 포함하는 청소부; 상기 인공 지능 로봇을 주행시키는 주행 구동부; 및 상기 센서부로부터 센서 데이터를 수집하고, 상기 수집된 센서 데이터를 이용하여 복잡 영역을 결정하고, 상기 결정된 복잡 영역에의 진입을 막는 가상 벽을 생성하고, 상기 생성된 가상 벽을 고려하여 청소 동선을 결정하고, 상기 결정된 청소 동선에 기초하여 상기 청소부 및 상기 주행 구동부를 제어하는 프로세서를 포함하는, 인공 지능 로봇을 제공한다.

Description

센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법 {ARTIFICIAL INTELLIGENCE ROBOT FOR DETERMINING CLEANING ROUTE USING SENSOR DATA AND METHOD FOR THE SAME}
본 발명은 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 센서 데이터를 이용하여 청소하기에 복잡한 영역을 판단하여 복잡하지 않은 영역을 우선하여 청소하는 청소 동선을 결정하는 인공 지능 로봇 및 그 방법에 관한 것이다.
로봇 청소기는 사용자의 조작 없이도 청소하고자 하는 구역 내를 스스로 주행하면서 바닥 면으로부터 먼지 등의 이물질을 흡입하여 자동으로 청소하는 인공 지능 장치 또는 인공 지능 로봇이다.
일반적으로 로봇 청소기는 전체 청소 영역을 고려하지 않고 청소기 기준 일정 반경(예컨대, 반경 25cm)의 환경만 고려하여 장애물이 있을 경우 회피를 하면서 청소를 진행한다. 그렇기 때문에 로봇 청소기는 청소 시간이 오래 걸리는 영역이나 장애물에 반복적으로 부딪히는 영역 등 이전에 헤매었던 영역에서 매번 헤매는 경우가 발생한다.
특히, 장애물이 많은 구역에서는 청소에 많은 시간이 소요되거나 움직임에 제한이 생겨 구속되는 경우가 있다. 또한, 특정 구역에서는 다른 구역들에 비하여 많이 청소하기도 하다.
본 발명은 실시간으로 센서 데이터를 수집하여 청소하기 어려운 영역을 후순위로 청소하는 청소 동선을 결정하는 인공 지능 로봇 및 그 방법을 제공하고자 한다.
또한, 본 발명은 장애물이 위치하는 영역뿐만 아니라, 인공 지능 로봇이 진입하기 어려운 영역과 같이 구속 가능성이 높은 영역에 대하여도 후순위로 청소하는 청소 동선을 결정하는, 인공 지능 로봇 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는 이미지 센서, 깊이 센서 또는 충격 센서 중에서 적어도 하나 이상을 이용하여 센서 데이터를 수집하고, 수집한 센서 데이터를 이용하여 복잡 영역을 결정하고, 결정된 복잡 영역으로의 진입을 막는 가상 벽을 생성하고, 가상 벽을 고려하여 청소 동선을 결정하고, 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어하여 청소를 수행하는 인공 지능 로봇 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 인공 지능 로봇 주변의 일정 반경에 대한 어라운드 맵과 실시간으로 수집된 센서 데이터를 이용하여 실시간으로 가상 벽을 생성하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 SLAM 지도에 생성된 가상 벽을 매핑하고, 가상 벽을 고려한 청소 동선에 따라 청소가 완료된 경우, 가상 벽을 배제하여 새로운 청소 동선을 결정하는 인공 지능 로봇 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 실시간으로 수집되는 센서 데이터에 기반하여 청소하기 어려운 영역을 판단하므로, SLAM 지도의 오차나 노이즈로부터 영향을 적게 받아 안정적인 청소 동선을 결정할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 실시간으로 수집되는 센서 데이터를 이용하여 청소 동선을 결정하므로, 청소 공간에 대한 환경의 변화에 유연하게 대처하여 청소 동선을 결정할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 단순히 장애물이 위치한 공간을 후순위로 청소하는 청소 동선을 결정하지 않고, 인공 지능 로봇이 진입하기 어려운 공간에 대하여도 후순위로 진입하여 청소하도록 청소 동선을 결정함으로써, 인공 지능 로봇의 청소 동작 중의 구속 가능성을 낮출 수 있다.
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 실시 예에 따른 AI 장치(100)를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 로봇(100)의 사시도이다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 로봇(100)의 저면도이다.
도 7은 본 발명의 일 실시 예에 따른 센서 데이터를 이용하여 청소 동선을 결정하는 방법을 나타낸 동작 흐름도이다.
도 8은 본 발명의 일 실시 예에 따른 가상 벽을 생성하는 방법을 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 센서 데이터를 이용하여 청소 동선을 결정하는 방법을 나타낸 동작 흐름도이다.
도 10은 본 발명의 일 실시 예에 따른 가상 벽을 생성하는 방법을 나타낸 도면이다.
도 11은 본 발명의 일 실시 예에서 복잡 영역을 포함하는 어라운드 맵과 그에 상응하는 센서 데이터의 예시들을 나타낸다.
도 12는 본 발명의 일 실시 예에서 복잡 영역을 포함하지 않는 어라운드 맵과 그에 상응하는 센서 데이터의 예시들을 나타낸다.
도 13은 본 발명의 일 실시 예에 따라 가상 벽을 생성한 결과의 예시들을 나타낸 도면이다.
도 14는 도 7 또는 도 9의 청소 동선을 결정하는 단계(S707 또는 S905)의 일 예를 나타낸 동작 흐름도이다.
도 15 및 16는 본 발명의 일 실시 예에 따라 결정된 청소 동선의 예시들을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 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 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<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. 예컨대, 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 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
이하에서, AI 장치 또는 인공 지능 장치는 AI 로봇 또는 인공 지능 로봇이라 칭할 수 있다.
도 4를 참조하면, 인공 지능 로봇(100)은 주행 구동부(160)과 청소부(190)를 더 포함할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 인공 지능 로봇(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 인공 지능 로봇(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 인공 지능 로봇(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 인공 지능 로봇(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
센싱부(140)는 깊이 센서(미도시), RGB 센서(미도시), 충돌 감지 센서(미도시), 낭떠러지 센서(미도시) 중 하나 이상을 포함하여, 인공 지능 로봇(100)의 주변에 대한 영상 데이터를 획득할 수 있다.
깊이 센서는 발광부(미도시)로부터 조사된 빛이 사물에 반사되어 돌아옴을 감지할 수 있다. 깊이 센서는 돌아온 빛을 감지한 시간 차이, 돌아온 빛의 양 등에 기초하여, 사물과의 거리를 측정할 수 있다.
깊이 센서는 측정된 사물 간의 거리에 기초하여, 인공 지능 로봇(100) 주위에 대한 2차원 영상 정보 또는 3차원 영상 정보를 획득할 수 있다.
RGB 센서는 인공 지능 로봇(100) 주위의 사물 또는 사용자에 대한 컬러 영상 정보를 획득할 수 있다. 컬러 영상 정보는 사물의 촬영 영상일 수 있다. RGB 센서는 RGB 카메라로 명명될 수 있다.
이때, 카메라(121)가 RGB 센서를 의미할 수도 있다.
충돌 감지 센서는 범퍼 센서(bumper sensor)라 칭할 수 있으며, 충격량을 측정할 수 있다.
낭떠러지 센서는 클리프 센서(cliff sensor)라 칭할 수 있으며, 인공 지능 장치(100)의 바닥 면까지의 거리를 측정할 수 있다.
이때, 낭떠러지 센서는 광 센서 또는 깊이 센서로 구현될 수 있다.
센싱부(140)에서 획득한 센서 정보는 물체나 장애물을 검출하는데 이용될 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 인공 지능 로봇(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 인공 지능 로봇(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 인공 지능 로봇(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 인공 지능 로봇(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 인공 지능 로봇(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 인공 지능 로봇(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
주행 구동부(160)는 인공 지능 로봇(100)를 특정 방향으로 또는 특정 거리만큼 이동시킬 수 있다.
주행 구동부(160)는 인공 지능 로봇(100)의 좌륜을 구동시키는 좌륜 구동부(161) 및 우륜을 구동시키는 우륜 구동부(162)를 포함할 수 있다.
좌륜 구동부(161)는 좌륜을 구동시키기 위한 모터를 포함할 수 있고, 우륜 구동부(162)는 우륜을 구동시키기 위한 모터를 포함할 수 있다.
도 4에서는 주행 구동부(160)가 좌륜 구동부(161) 및 우륜 구동부(162)를 포함하는 것을 예로 들어 설명하였으나, 본 발명이 이에 한정되지 않는다. 즉, 일 실시 예에서 주행 구동부(160)는 하나의 휠 만으로 구성될 수도 있다.
청소부(190)는 흡입부(191) 또는 걸레질부(192) 중에서 적어도 하나 이상을 포함하여, 인공 지능 로봇(100) 인근의 바닥 면을 청소할 수 있다.
흡입부(191)는 진공 청소부라 부를 수도 있다.
흡입부(191)는 공기를 흡입하여 인공 지능 로봇(100) 주변의 먼지나 쓰레기 등의 이물질을 흡입할 수 있다.
이때, 흡입부(191)는 이물질을 모아주는 수단으로써 브러쉬 등을 포함할 수 있다.
걸레질부(192)는 걸레를 인공 지능 로봇(100)의 바닥 면에 적어도 일부 접촉시킨 상태에서 바닥을 닦을 수 있다.
이때, 걸레질부(192)는 걸레와 걸레를 움직이는 걸레 구동부 등을 포함할 수 있다.
이때, 걸레질부(192)의 걸레는 걸레 구동부를 통해 지면으로부터의 거리가 조절될 수 있다. 즉, 걸레 구동부는 걸레질이 필요한 경우에 걸레가 지면에 접촉되도록 동작할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 로봇(100)의 사시도이다.
도 5를 참조하면, 인공 지능 로봇(100)는 청소기 본체(50)와 카메라(121) 또는 센싱부(140)를 포함할 수 있다.
카메라(121) 또는 센싱부(140)는 전방에 빛을 조사하고, 반사된 빛을 수신할 수 있다.
카메라(121) 또는 센싱부(140)는 수신된 빛이 돌아오는 시간 차이를 이용하여 깊이 정보를 획득할 수 있다.
청소기 본체(50)는 도 4에서 설명된 구성 요소들 중 카메라(121)와 센싱부(140)를 제외한 다른 구성 요소들을 포함할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 로봇(100)의 저면도이다.
도 6을 참조하면, 인공 지능 로봇(100)는 도 4의 구성에 더해, 청소기 본체(50), 좌륜(61a), 우륜(61b) 및 흡입부(70)를 더 포함할 수 있다.
좌륜(61a) 및 우륜(61b)은 청소기 본체(50)를 주행시킬 수 있다.
좌륜 구동부(161)는 좌륜(61a)을 구동시킬 수 있고, 우륜 구동부(162)는 우륜(61b)을 구동시킬 수 있다.
좌륜(61a) 및 우륜(61b)이 주행 구동부(160)에 의해 회전됨에 따라, 인공 지능 로봇(100)는 흡입부(70)를 통해 먼지나 쓰레기 등의 이물질을 흡입할 수 있다.
흡입부(70)는 청소기 본체(50)에 구비되어 바닥 면의 먼지를 흡입할 수 있다.
흡입부(70)는 흡입된 기류 중에서 이물질을 채집하는 필터(미도시)와, 상기 필터에 의해 채집된 이물질들이 축적되는 이물질 수용기(미도시)를 더 포함할 수 있다.
또한, 인공 지능 로봇(100)는 도 4의 구성에 더해, 걸레질부(미도시)를 더 포함할 수 있다.
걸레질부(미도시)는 걸레(미도시)와, 걸레를 바닥 면에 접촉시킨 상태에서 회전시키거나 설정된 패턴에 따라 움직이는 모터(미도시)를 포함할 수 있다.
인공 지능 로봇(100)는 걸레질부(미도시)를 통해 바닥 면을 닦을 수 있다.
도 7은 본 발명의 일 실시 예에 따른 센서 데이터를 이용하여 청소 동선을 결정하는 방법을 나타낸 동작 흐름도이다.
도 7을 참조하면, 인공 지능 로봇(100)의 프로세서(180)는 센서부(140)를 통해 센서 데이터를 수집한다(S701).
프로세서(180)는 청소 동작을 시작하면 센서부(140)를 통해 주변에 대한 센서 데이터를 수집한다.
상술한 바와 같이, 센서부(140)에는 이미지 센서, 깊이 센서, 충격 감지 센서, 낭떠러지 센서 등이 포함될 수 있다.
센서 데이터에는 특정 지점까지의 방향, 특정 지점까지의 거리, 충격 위치, 충격량 등이 포함될 수 있다. 또한, 센서 데이터에는 인공 지능 로봇(100)의 현재 위치 정보가 포함될 수 있다.
인공 지능 로봇(100)의 현재 위치 정보는 GPS를 이용한 좌표로 표현될 수도 있지만, 인공 지능 로봇(100)의 주행 기록에 기초하여 출발 위치로부터의 변위로 표현될 수도 있다.
메모리(170)는 미리 정해진 기간 동안 수집된 센서 데이터를 저장할 수 있다.
예컨대, 메모리(170)는 최근 30분 동안 수집된 센서 데이터만을 저장하고, 그 이외의 센서 데이터는 삭제할 수 있다.
이때, 프로세서(180)는 수집된 센서 데이터를 인공 지능 로봇(100)의 주변에 대한 지도인 주변 지도(어라운드 맵, around map)에 매핑할 수 있다.
어라운드 맵은 인공 지능 로봇(100)으로부터 일정 반경 이내의 주변 공간을 나타내는 지도로, 예컨대, 인공 지능 로봇(100)으로부터 반경 30cm 이내의 주변 공간에 대한 지도일 수 있다.
SLAM(Simultaneous Localization And Mapping) 지도가 인공 지능 로봇(100)이 동작하는 공간 전체에 대한 글로벌 지도이고, 어라운드 맵이 인공 지능 로봇(100)의 주변 공간에 대한 로컬 지도라는 점에서, 어라운드 맵과 SLAM 지도는 서로 차이점이 있다.
또한, 프로세서(180)는 수집된 센서 데이터를 SLAM 지도에 매핑할 수 있다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 수집된 센서 데이터에 기초하여 복잡 영역을 판단한다(S703).
복잡 영역이란 장애물이 많거나 인공 지능 로봇(100)이 진입하기에는 좁은 영역 등을 의미할 수 있다.
프로세서(180)는 규칙 기반으로 특정 영역에 일정 숫자 이상의 장애물이 존재하거나, 진입할 수 있는 공간이 일정 수준 이하인 경우에 해당 영역을 복잡 영역으로 판단할 수도 있지만, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 복잡 영역 판단 모델을 이용하여 특정 영역이 복잡 영역인지 여부를 판단할 수 있다.
복잡 영역 판단 모델은 일정 영역에 대한 센서 데이터가 입력되면, 입력된 영역 내에서 복잡 영역과 그렇지 않은 영역을 판단하여 결정하여 그 결정 결과를 출력하는 모델일 수 있다.
이때, 복잡 영역 판단 모델은 공간에 대한 좌표 정보와 각 좌표에서의 센서 데이터가 입력되면, 해당 공간에 대한 각 좌표에서의 복잡 영역 여부를 출력할 수 있다.
또는, 복잡 영역 판단 모델은 센서 데이터를 포함하는 인공 지능 로봇(100)의 주변 공간에 대한 지도를 나타내는 어라운드 맵이 입력되면, 복잡 영역이 매핑된 어라운드 맵을 출력할 수 있다.
이때, 복잡 영역 판단 모델은 인공 신경망으로 구성될 수 있다.
이때, 복잡 영역 판단 모델은 특정 영역에 대한 센서 데이터와, 해당 영역이 복잡 영역인지 여부가 라벨링된 학습 데이터를 이용하여 지도 학습되는 모델일 수 있다.
또는, 복잡 영역 판단 모델은 센서 데이터를 포함하는 어라운드 맵과, 해당 어라운드 맵에서 복잡 영역에 대한 정보가 라벨링된 학습 데이터를 이용하여 지도 학습되는 모델일 수 있다.
복잡 영역 판단 모델은 인공 지능 로봇(100)의 러닝 프로세서(130)에서 학습되거나, 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습될 수 있다. 그리고, 복잡 영역 판단 모델은 인공 지능 로봇(100)의 메모리(170)에 저장될 수도 있고, 인공 지능 서버(200)의 메모리(230) 또는 모델 저장부(231)에 저장될 수 있다.
만약, 복잡 영역 판단 모델이 인공 지능 로봇(100)의 메모리(170)에 저장된 경우, 프로세서(180)는 획득한 센서 데이터와 메모리(170)에 저장된 복잡 영역 판단 모델을 이용하여 복잡 영역을 판단할 수 있다.
만약, 복잡 영역 판단 모델이 인공 지능 서버(200)의 메모리(230)에 저장된 경우, 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)에 획득한 센서 데이터를 전송하고, 인공 지능 서버(200)로부터 센서 데이터와 복잡 영역 판단 모델을 이용하여 판단된 복잡 영역에 대한 결과를 수신할 수 있다.
센서 데이터는 연속적으로 수집되고, 한 시점(time)에 수집된 센서 데이터는 특정 시점(viewpoint)에 상응하는 센서 값들을 포함할 수 있고, 복잡 영역 판단 모델은 센서 데이터를 이용하여 그 특정 시점(viewpoint)에서 복잡 영역을 판단할 수 있다.
예컨대, 어떤 시점(time)에 수집된 센서 데이터에 제1 영역, 제2 영역, 제3 영역 및 제4 영역에 상응하는 센서 값들이 포함되어 있다고 가정하였을 때, 복잡 영역 판단 모델은 제1 영역, 제2 영역, 제3 영역 및 제4 영역 각각에 대하여 복잡 영역인지 여부를 출력할 수 있다. 여기서 제1 내지 제4 영역은 하나의 예시에 불과하며, 각 영역의 크기는 미리 정해진 크기(예컨대, 5cm x 5cm)를 가질 수도 있고, 픽셀(pixel) 또는 복셀(boxel) 단위일 수도 있다.
일 실시 예에서, 프로세서(180)는 SLAM 지도에 대하여 복잡 영역인지 여부에 대한 판단 결과를 매핑할 수 있다.
예컨대, 복잡 영역 판단 모델에서 SLAM 지도의 제1 영역을 복잡 영역이라 판단하였다면, 프로세서(180)는 SLAM 지도의 제1 영역에 대하여 복잡 영역이라는 정보를 매핑할 수 있다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 복잡 영역으로 판단된 영역에의 진입을 막는 가상 벽(virtual wall)을 생성한다(S705).
가상 벽이란 인공 지능 로봇(100)이 지나가지 못하도록 접근을 막는 영역을 의미할 수 있다. 따라서, 가상 벽이라는 표현 대신 접근 금지 영역(restricted area)라고 칭할 수도 있다.
이때, 가상 벽은 실제 장애물 등이 포함되어 복잡 영역으로 판단된 영역뿐만 아니라, 장애물이 존재하지 않는 인공 지능 로봇(100)이 접근 또는 진입할 수 있는 영역에도 생성될 수 있다.
즉, 가상 벽은 인공 지능 로봇(100)이 접근하는 것을 저지하기 위한 용도로써 생성되며, 실제 복잡 영역으로 판단된 영역들과 일치하거나 포함 관계에 있지 않을 수 있다.
예컨대, 프로세서(180)는 복잡 영역으로 판단된 영역 전체에 가상 벽을 생성할 수도 있지만, 복잡 영역으로 판단된 영역에 진입하는 통로에만 가상 벽을 생성할 수도 있다. 이 두 가지 방법 중 어떠한 방법을 사용하더라도 복잡 영역으로 판단된 영역의 진입을 제한할 수 있다는 점에서, 동일한 목적을 달성할 수 있다.
프로세서(180)는 규칙 기반으로 특정 복잡 영역들이 일정 거리 이내로 인접한지 여부를 판단하는 등의 기준을 이용하여 가상 벽을 생성할 수도 있지만, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 제1 가상 벽 생성 모델을 이용하여 가상 벽을 생성할 수도 있다.
제1 가상 벽 생성 모델은 복잡 영역과 비복잡 영역(복잡 영역이 아닌 영역)에 대한 정보가 입력되면, 입력된 영역 내에서 가상 벽이 생성될 위치를 출력하는 모델일 수 있다. 즉, 프로세서(180)는 제1 가상 벽 생성 모델이 출력하는 가상 벽이 생성될 위치에 대한 정보를 이용하여 청소 공간에서 가상 벽을 생성할 수 있다.
이때, 제1 가상 벽 생성 모델은 공간에 대한 좌표 정보와 각 좌표에서의 복잡 영역 여부가 입력되면, 해당 공간에 대한 각 좌표에서의 가상 벽 생성 여부가 출력될 수 있다.
또는, 제1 가상 벽 생성 모델은 복잡 영역 정보가 매핑된 어라운드 맵이 입력되면, 가상 벽이 매핑된 어라운드 맵을 출력할 수 있다.
이때, 제1 가상 벽 생성 모델은 인공 신경망으로 구성될 수 있다.
이때, 제1 가상 벽 생성 모델은 특정 영역에 대한 복잡 영역인지 여부에 대한 데이터와, 해당 영역에 가상 벽이 생성되는지 여부가 라벨링된 학습 데이터를 이용하여 지도 학습되는 모델일 수 있다.
또는, 제1 가상 벽 생성 모델은 복잡 영역 정보가 매핑된 어라운드 맵과, 해당 어라운드 맵에서의 가상 벽에 대한 정보가 라벨링된 학습 데이터를 이용하여 지도 학습되는 모델일 수 있다.
제1 가상 벽 생성 모델은 인공 지능 로봇(100)의 러닝 프로세서(130)에서 학습되거나, 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습될 수 있다. 그리고, 제1 가상 벽 생성 모델은 인공 지능 로봇(100)의 메모리(170)에 저장될 수도 있고, 인공 지능 서버(200)의 메모리(230) 또는 모델 저장부(231)에 저장될 수 있다.
만약, 제1 가상 벽 생성 모델이 인공 지능 로봇(100)의 메모리(170)에 저장된 경우, 프로세서(180)는 획득한 센서 데이터와 메모리(170)에 저장된 제1 가상 벽 생성 모델을 이용하여 가상 벽의 생성 위치를 결정할 수 있다.
만약, 제1 가상 벽 생성 모델이 인공 지능 서버(200)의 메모리(230)에 저장된 경우, 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)에 획득한 센서 데이터를 전송하고, 인공 지능 서버(200)로부터 센서 데이터와 제1 가상 벽 생성 모델을 이용하여 판단된 가상 벽의 생성 위치에 대한 결과를 수신할 수 있다.
일 실시 예에서, 프로세서(180)는 SLAM 지도에 대하여 가상 벽의 생성 결과를 매핑할 수 있다.
예컨대, 제1 가상 벽 생성 모델에서 SLAM 지도의 제1 영역에 가상 벽을 생성하였다면, 프로세서(180)는 SLAM 지도의 제1 영역에 대하여 가상 벽 매핑할 수 있다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 생성된 가상 벽을 고려하여 청소 동선을 결정한다(S707).
프로세서(180)는 생성된 가상 벽을 회피하는 청소 동선을 결정할 수 있다.
예컨대, 프로세서(180)는 생성된 가상 벽을 장애물로 인식할 수 있고, 그에 따라 프로세서(180)는 생성된 가상 벽을 제외하여 청소하는 청소 동선을 결정할 수 있다.
만약, 프로세서(180)가 장애물을 만나면 특정 방향(예컨대, 시계 방향)으로 꺾는 청소 동선을 결정하도록 설정된 경우라면, 프로세서(180)는 생성된 가상 벽을 기준으로 시계 방향 방면으로 이동하는 청소 동선을 결정할 수 있다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어한다(S709).
프로세서(180)는 인공 지능 로봇(100)가 청소 동선을 따라 이동하도록 주행 구동부(160)를 제어할 수 있다.
프로세서(180)는 인공 지능 로봇(100)가 청소 동작을 수행하도록 청소부(190)를 제어할 수 있다. 여기서, 청소 동작은 미리 설정되었거나, 사용자의 입력에 의하여 선택된 청소 동작일 수 있다.
청소 동작에는 진공 청소질과 걸레질이 포함될 수 있다.
만약, 청소 동작이 진공 청소질인 경우, 프로세서(180)는 흡입부(191)를 동작시키도록 제어할 수 있고, 청소 동작이 걸레질인 경우, 프로세서(180)는 걸레질부(192)를 동작시키도록 제어할 수 있다.
이에 따라, 인공 지능 로봇(100)은 청소하기에 복잡하지 않다고 판단되는 영역을 우선적으로 청소할 수 있다.
도 7은 한 시점(time)에서의 인공 지능 로봇(100)의 청소 동선을 결정하는 방법만을 나타낸 것으로, 실제 인공 지능 로봇(100)의 청소 동작 중에는 도 7에 도시된 과정이 반복적으로 수행될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 가상 벽을 생성하는 방법을 나타낸 도면이다.
도 8을 참조하면, 프로세서(180)는 복잡 영역 결정 모델(802)과 제1 가상 벽 생성 모델(804)을 이용하여 가상 벽을 생성할 수 있다.
복잡 영역 결정 모델(802)과 제1 가상 벽 생성 모델(804)은 상술한 바와 같이 인공 신경망으로 구성되어 지도 학습을 통해 학습될 수 있다.
복잡 영역 결정 모델(802)은 센서 데이터(801)가 입력되면, 복잡 영역과 비복잡 영역을 구분하여 복잡 영역 판단 결과(803)을 출력할 수 있다.
제1 가상 벽 생성 모델(804)는 복잡 영역 판단 결과(803)가 입력되면, 가상 벽이 생성될 위치 정보를 포함하는 가상 벽 생성 결과(805)를 출력할 수 있다.
이때, 복잡 영역 결정 모델(802)과 제1 가상 벽 생성 모델(804)은 어라운드 맵의 형태로 입력과 출력할 수 있다.
예컨대, 복잡 영역 결정 모델(802)은 센서 데이터(801)가 매핑된 어라운드 맵이 입력되면, 복잡 영역 판단 결과(803)로써 어라운드 맵에서 복잡 영역과 비복잡 영역을 매핑하여 출력하고, 제1 가상 벽 생성 모델(804)은 복잡 영역 정 모델(802)에서 출력된 결과를 어라운드 맵 형태로 입력 받아, 가상 벽 생성 결과(805)로써 어라운드 맵에서 가상 벽을 매핑 또는 배치하여 출력할 수 있다.
도 8에서는 복잡 영역 결정 모델(802)과 제1 가상 벽 생성 모델(804)을 전 연결 레이어(fully connected layer)들로 구성된 인공 신경망으로 나타내었으나, 본 발명이 이에 한정되지 않는다. 즉, 복잡 영역 결정 모델(802)과 제1 가상 벽 생성 모델(804)은 다양한 인공 신경망 모델로 구성될 수 있으며, 예컨대 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등을 포함하여 구성될 수도 있다.
도 7 및 8에서는 복잡 영역을 판단하는 모델(복잡 영역 판단 모델)과 가상 벽을 생성하는 모델(제1 가상 벽 생성 모델)이 구분되는 실시 예를 도시하고 있으나, 실시 예에 따라서는 단일한 가상 벽 생성 모델(이하, 제2 가상 벽 생성 모델)만을 이용하여 센서 데이터로부터 가상 벽을 생성할 수도 있다. 제2 가상 벽 생성 모델을 이용하는 실시 예는 도 9 및 10과 함께 설명한다.
도 9는 본 발명의 일 실시 예에 따른 센서 데이터를 이용하여 청소 동선을 결정하는 방법을 나타낸 동작 흐름도이다.
도 9에 있어서, 도 7과 중복되는 설명은 생략한다.
도 9 참조하면, 인공 지능 로봇(100)의 프로세서(180)는 센서부(140)를 통해 센서 데이터를 수집한다(S901).
이는 도 7의 센서 데이터를 수집하는 단계(S701)과 대응된다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 복잡한 영역에의 진입을 막는 가상 벽(virtual wall)을 생성한다(S903).
여기서의 복잡한 영역은 상기 도 7에서의 복잡 영역과 동일할 수도 있지만, 반드시 동일할 것이 요구되지는 않는다. 즉, 도 7에서는 센서 데이터로부터 명시적으로 복잡 영역을 결정하고, 결정된 복잡 영역에 기초하여 가상 벽을 생성하였지만, 본 단계(S903)에서는 명시적으로 복잡 영역을 결정하지 않은 상태로 가상의 벽을 생성할 수 있다.
복잡한 영역이란 장애물이 많거나 인공 지능 로봇(100)이 진입하기에는 좁은 영역 등을 의미할 수 있다.
프로세서(180)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 제2 가상 벽 생성 모델을 이용하여 가상 벽을 생성할 수 있다.
제2 가상 벽 생성 모델은 일정 영역에 대한 센서 데이터가 입력되면, 입력된 영역 내에서 가상 벽이 생성될 위치를 출력하는 모델일 수 있다. 즉, 프로세서(180)는 제2 가상 벽 생성 모델이 출력하는 가상 벽이 생성될 위치에 대한 정보를 이용하여 청소 공간에서 가상 벽을 생성할 수 있다.
이때, 제2 가상 벽 생성 모델은 공간에 대한 좌표 정보와 각 좌표에서의 센서 데이터가 입력되면, 해당 공간에 대한 각 좌표에서의 가상 벽 생성 여부 또는 가상 벽 생성 위치를 출력할 수 있다.
또는, 제2 가상 벽 생성 모델은 센서 데이터를 포함하는 인공 지능 로봇(100)의 주변 공간에 대한 지도를 나타내는 어라운드 맵이 입력되면, 가상 벽이 매핑된 매핑된 어라운드 맵을 출력할 수 있다.
이때, 제2 가상 벽 생성 모델은 인공 신경망으로 구성될 수 있다.
이때, 제2 가상 벽 생성 모델은 특정 영역에 대한 센서 데이터와, 해당 영역에 가상 벽이 생성되는지 여부가 라벨링된 학습 데이터를 이용하여 지도 학습되는 모델일 수 있다.
또는, 제2 가상 벽 생성 모델은 센서 데이터가 매핑된 어라운드 맵과, 해당 어라운드 맵에서의 가상 벽에 대한 정보가 라벨링된 학습 데이터를 이용하여 지도 학습되는 모델일 수 있다.
일 실시 예에서, 프로세서(180)는 SLAM 지도에 대하여 복잡 영역인지 여부에 대한 판단 결과를 매핑할 수 있다.
예컨대, 복잡 영역 판단 모델에서 SLAM 지도의 제1 영역을 복잡 영역이라 판단하였다면, 프로세서(180)는 SLAM 지도의 제1 영역에 대하여 복잡 영역이라는 정보를 매핑할 수 있다.
제2 가상 벽 생성 모델은 인공 지능 로봇(100)의 러닝 프로세서(130)에서 학습되거나, 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습될 수 있다. 그리고, 제2 가상 벽 생성 모델은 인공 지능 로봇(100)의 메모리(170)에 저장될 수도 있고, 인공 지능 서버(200)의 메모리(230) 또는 모델 저장부(231)에 저장될 수 있다.
만약, 제2 가상 벽 생성 모델이 인공 지능 로봇(100)의 메모리(170)에 저장된 경우, 프로세서(180)는 획득한 센서 데이터와 메모리(170)에 저장된 제2 가상 벽 생성 모델을 이용하여 가상 벽의 생성 위치를 결정할 수 있다.
만약, 제2 가상 벽 생성 모델이 인공 지능 서버(200)의 메모리(230)에 저장된 경우, 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)에 획득한 센서 데이터를 전송하고, 인공 지능 서버(200)로부터 센서 데이터와 제2 가상 벽 생성 모델을 이용하여 판단된 가상 벽의 생성 위치에 대한 결과를 수신할 수 있다.
일 실시 예에서, 프로세서(180)는 SLAM 지도에 대하여 가상 벽의 생성 결과를 매핑할 수 있다.
예컨대, 제2 가상 벽 생성 모델에서 SLAM 지도의 제1 영역에 가상 벽을 생성하였다면, 프로세서(180)는 SLAM 지도의 제1 영역에 대하여 가상 벽 매핑할 수 있다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 생성된 가상 벽을 고려하여 청소 동선을 결정한다(S905).
이는 도 7의 청소 동선을 결정하는 단계(S707)와 대응된다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어한다(S907).
이는 도 7의 청소부 및 주행 구동부를 제어하는 단계(S709)와 대응된다.
도 9는 한 시점(time)에서의 인공 지능 로봇(100)의 청소 동선을 결정하는 방법만을 나타낸 것으로, 실제 인공 지능 로봇(100)의 청소 동작 중에는 도 9에 도시된 과정이 반복적으로 수행될 수 있다.
도 10은 본 발명의 일 실시 예에 따른 가상 벽을 생성하는 방법을 나타낸 도면이다.
도 10을 참조하면, 프로세서(180)는 제2 가상 벽 생성 모델(1002)을 이용하여 가상 벽을 생성할 수 있다.
제2 가상 벽 생성 모델(1002)은 상술한 바와 같이 인공 신경망으로 구성되어 지도 학습을 통해 학습될 수 있다.
제2 가상 벽 생성 모델(1002)는 센서 데이터(1001)가 입력되면, 가상 벽이 생성될 위치 정보를 포함하는 가상 벽 생성 결과(1003)를 출력할 수 있다. 여기서, 가상 벽은 센서 데이터(1001)로부터 인공 지능 로봇(100)이 청소 하기에 부적합하거나 일정 수준 이상 복잡하여 효율성이 낮을 것으로 파악되는 영역에의 진입을 막는 위치에 생성될 수 있다.
이때, 제2 가상 벽 생성 모델(1002)은 상술한 것과 같이 센서 데이터(1001)가 입력되면 복잡 영역을 결정하고, 결정한 복잡 영역에 기초하여 가상 벽을 생성할 수도 있다. 이 경우, 제2 가상 벽 생성 모델(1002)은 도 8에 도시한 복잡 영역 결정 모델(802)과 제1 가상 벽 생성 모델(804)의 단순한 연결이라 볼 수도 있다.
이때, 제2 가상 벽 생성 모델(1002)은 어라운드 맵의 형태로 입력과 출력할 수 있다.
예컨대, 제2 가상 벽 생성 모델(1002)는 센서 데이터(1001)가 매핑된 어라운드 맵이 입력되면, 가상 벽 생성 결과(1003)로써 어라운드 맵에서 가상 벽을 매핑 또는 배치하여 출력할 수 있다.
도 10에서는 제2 가상 벽 생성 모델(1002)을 전 연결 레이어(fully connected layer)들로 구성된 인공 신경망으로 나타내었으나, 본 발명이 이에 한정되지 않는다. 즉, 제2 가상 벽 생성 모델(1002)은 다양한 인공 신경망 모델로 구성될 수 있으며, 예컨대 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등을 포함하여 구성될 수도 있다.
도 11은 본 발명의 일 실시 예에서 복잡 영역을 포함하는 어라운드 맵과 그에 상응하는 센서 데이터의 예시들을 나타낸다.
도 11의 (a), (b) 및 (c)는 실제 장애물이 많이 있는 공간에서 인공 지능 로봇(1110)이 수집한 센서 데이터를 나타낸다. 도 11은 장애물이 많은 공간에 상응하는 센서 데이터를 나타내고 있으므로, 프로세서(180)에 의하여 복잡 영역으로 결정될 것으로 기대할 수 있다.
도 11을 참조하면, 도 8의 (a), (b) 및 (c)에서 어라운드 맵의 중심에는 인공 지능 로봇(1110)이 위치하며, 그 주변에는 인공 지능 로봇(1110)으로부터 수집된 센서 데이터가 위치에 매핑되어 있다.
여기서, 도 11의 (a), (b) 및 (c)에서 x 모양의 마커(1121)는 범퍼 센서에서 충돌이 감지된 지점을 나타내며, o 모양의 마커(1122)는 3D 센서(예컨대, 거리 센서, 이미지 센서, 낭떠러지 센서 등)으로부터 물체가 위치하는 것으로 판단된 지점을 나타낸다. 각 마커(1121 및 1122)는 수집된 센서 데이터가 어라운드 맵에 매핑되었음을 나타낸다.
도 11의 (a), (b) 및 (c)에 도시된 어라운드 맵에서는 인공 지능 로봇(1110)의 주변에 장애물 충돌이 감지된 지점이나 물체가 위치하는 것으로 판단된 지점이 밀집되어 있고, 프로세서(180)는 매핑된 센서 데이터가 밀집된 구역을 복잡 구역으로 판단할 수 있다.
구체적으로, 도 11의 (a)와 (c)는 3D 센서 정보로부터 명확한 장애물이 식별되지는 않았지만 실제 충돌이 많이 발생하여, 일부 영역이 복잡 영역으로 판단될 수 있다. 도 11의 (b)는 3D 센서 정보로부터 작은 장애물이 여러 개 식별되었지만, 장애물들이 서로 인접하여 인공 지능 로봇(1110)이 진입하기에 어려우므로, 일부 영역이 복잡 영역으로 판단될 수 있다.
도 12는 본 발명의 일 실시 예에서 복잡 영역을 포함하지 않는 어라운드 맵과 그에 상응하는 센서 데이터의 예시들을 나타낸다.
도 12의 (a) 및 (b)는 다른 장애물이 없는 벽 근처에서 인공 지능 로봇(1210)이 수집한 센서 데이터를 나타낸다.
도 12를 참조하면, 도 12의 (a) 및 (b)에서 어라운드 맵의 중심에는 인공 지능 로봇(1210)이 위치하며, 그 주변에는 인공 지능 로봇(1210)으로부터 수집된 센서 데이터가 위치에 매핑되어 있다.
여기서, 도 12의 (a) 및 (b)에서 o 모양의 마커(1221)는, 도 11과 마찬가지로, 3D 센서(예컨대, 거리 센서, 이미지 센서, 낭떠러지 센서 등)으로부터 물체가 위치하는 것으로 판단된 지점을 나타낸다. 각 마커(1221)는 수집된 센서 데이터가 어라운드 맵에 매핑되었음을 나타낸다.
도 12의 (a) 및 (b)에 도시된 어라운드 맵에서는 인공 지능 로봇(1210)의 3D 센서 정보로부터 장애물이 규칙적으로 나열되어 있음을 파악할 수 있으므로, 비복잡 구역으로 판단할 수 있다.
도 13은 본 발명의 일 실시 예에 따라 가상 벽을 생성한 결과의 예시들을 나타낸 도면이다.
도 13은 도 11에 도시된 3개의 센서 데이터의 예시들에 기초하여 가상 벽을 생성한 결과를 나타낸다.
구체적으로, 도 13의 (a)는 도 11의 (a)의 센서 데이터에 기초하여 생성한 제1 가상 벽(1321)을 어라운드 맵에 매핑한 결과를 나타내며, 도 13의 (b)는 도 11의 (b)의 센서 데이터에 기초하여 생성한 제2 가상 벽(1322)을 어라운드 맵에 매핑한 결과를 나타내며, 도 13의 (c)는 도 11의 (c)의 센서 데이터에 기초하여 생성한 제3 가상 벽(1323)을 어라운드 맵에 매핑한 결과를 나타낸다.
프로세서(180)는, 도 13과 같이, 복잡 영역 전체가 아닌 복잡 영역으로의 진입을 막을 수 있는 일부 영역에만 가상 벽(1321, 1322 및 1323)을 생성함으로써, 인공 지능 로봇(1310)이 복잡 영역으로 진입하는 것을 막을 수 있다.
또는, 프로세서(180)는, 도 13과는 달리, 복잡 영역 전체에 대하여 가상 벽을 생성함으로써, 인공 지능 로봇(1310)이 복잡 영역으로 진입하는 것을 막을 수도 있다.
도 14는 도 7 또는 도 9의 청소 동선을 결정하는 단계(S707 또는 S905)의 일 예를 나타낸 동작 흐름도이다.
도 14를 참조하면, 인공 지능 로봇(100)의 프로세서(180)는 생성된 가상 벽을 SLAM 지도에 매핑한다(S1401).
상술한 어라운드 지도는 인공 지능 로봇(100)을 기준으로 인접한 일정 영역에 대한 지도로, 로컬 지도(local map)에 불과하다. 하지만, SLAM 지도는 인공 지능 로봇(100)의 활동 영역 전체에 대한 지도로, 글로벌 지도(global map)이다.
상기 도 7 또는 도 9에 도시된 가상 벽을 생성하는 단계들(S705 또는 S903)은 실시간으로 수집되는 센서 데이터에 기초하여 실시간으로 가상 벽을 생성한다. 그리고, 생성된 가상 벽 정보는 어라운드 맵에 매핑되어 인공 지능 로봇(100)이 전체 청소 공간을 청소할 때 글로벌한 정보를 제공하지 못할 수 있다.
그러나, SLAM 지도에 생성된 가상 벽을 매핑함으로써, 인공 지능 로봇(100)은 청소 동작이 수행되는 동안에 다른 공간으로 이동하더라도 생성된 가상 벽에 대한 위치를 파악할 수 있다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 SLAM 지도를 고려하여 가상 벽을 통과하지 않는 청소 동선을 결정한다(S1403).
이는 SLAM 지도에 새로운 가상 벽이 생성됨에 따라, 프로세서(180)가 이전에 결정하였던 청소 동선을 수정하는 것을 포함한다.
그리고, 인공 지능 로봇(100)의 프로세서(180)는 가상 벽이 존재하는 상태에서 청소 가능한 공간의 청소가 완료되었는지 판단한다(S1405).
가상 벽은 실제 인공 지능 로봇(100)이 진입하여 청소할 수는 있지만, 청소 효율이 떨어지거나 구속 가능성이 있는 영역을 의도적으로 청소하지 않는 목적으로 생성됐다. 따라서, 프로세서(180)는 가상 벽이 존재하는 상태에서 청소 가능한 공간의 청소가 완료되었는지를 판단함으로써, 비복잡 영역의 청소가 완료되었는지 여부를 파악할 수 있다.
단계(S1405)의 판단 결과, 가상 벽이 존재하는 상태에서 청소 가능한 공간의 청소가 완료되지 않은 경우, 프로세서(180)는 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어하는 단계(S709 또는 S907)로 진행한다.
단계(S1405)의 판단 결과, 가상 벽이 존재하는 상태에서 청소 가능한 공간의 청소가 완료된 경우, 프로세서(180)는 가상 벽을 배제하여 새로운 청소 동선을 결정한다(S1407).
가상 벽이 존재하는 상태에서 청소 가능한 공간의 청소가 완료된 경우라면, 청소가 필요한 구역은 가상 벽에 의하여 청소되지 못한 구역뿐이다. 따라서, 프로세서(180)는 가상 벽이 존재하는 상태에서 청소 가능한 공간의 청소가 모두 완료된 경우라면, 가상 벽을 배제한 상태에서 새로운 청소 동선을 결정할 수 있다.
이미 기존의 비복잡 영역은 청소가 완료되었으므로, 프로세서(180)는 복잡한 영역만을 청소하도록 새로운 청소 동선을 결정할 수 있다.
이때, 프로세서(180)는 SLAM 지도에 매핑된 가상 벽을 모두 제거할 수 있다.
이때, 프로세서(180)는 센서 데이터에 기초하여 가상 벽을 생성하는 기능을 정지시킬 수 있고, 어라운드 맵에 가상 벽을 매핑하는 기능도 정지시킬 수 있다.
그리고, 프로세서(180)는 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어하는 단계(S709 또는 S907)로 진행한다.
도 15 및 16는 본 발명의 일 실시 예에 따라 결정된 청소 동선의 예시들을 나타낸 도면이다.
구체적으로, 도 15는 가상 벽이 존재하는 상태에서 결정된 청소 동선을 나타낸 도면이고, 도 16은 가상 벽을 배제한 상태에서 결정된 청소 동선을 나타낸 도면이다.
도 15 및 16을 참조하면, 프로세서(180)는 실시간으로 수집되는 센서 데이터로부터 가상 벽들(1521, 1522 및 1523)을 생성하고, 생성된 가상 벽들(1521, 1522 및 1523)을 SLAM 지도(1510)에 매핑할 수 있다. 그리고, SLAM 지도(1510)을 고려하여 제1 청소 동선(1530)을 결정하고, 결정된 제1 청소 동선(1530)에 따라 청소부와 주행 구동부를 제어하여 청소를 수행할 수 있다.
만약, 제1 청소 동선(1530)에 따라 가상 벽들(1521, 1522 및 1523)이 존재하는 상태에서 청소 가능한 영역을 모두 청소하였다고 판단한 경우라면, 프로세서(180)는 가상 벽들(1521, 1522 및 1523)을 배제한 SLAM 지도(1610)을 이용하여 제2 청소 동선(1620)을 결정하고, 결정된 제2 청소 동선(1620)에 따라 청소부와 주행 구동부를 제어하여 나머지 영역들에 대하여 청소를 수행할 수 있다.
이에 따라, 본 발명의 다양한 실시 예에 따른 인공 지능 로봇(100)은 실시간으로 수집되는 센서 데이터를 이용하여 청소가 어려운 구역을 판단하여 후순위로 청소할 수 있다.
또한, 본 발명의 다양한 실시 예에 따른 인공 지능 로봇(100)은 실시간으로 수집되는 센서 데이터를 이용하여 어라운드 맵에 가상 벽을 생성함으로써, SLAM 지도만을 사용하는 방법에 비하여 주변 환경의 변화에 유연하게 대응할 수 있는 장점이 있다.
또한, SLAM 지도만을 사용하는 경우에는 SLAM 지도의 노이즈나 오차에 큰 영향을 받으나, 실시간으로 수집되는 센서 데이터를 이용하여 청소 동선을 결정함에 따라 SLAM 지도의 노이즈나 오차로부터 영향이 적다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 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 있다.

Claims (13)

  1. 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇에 있어서,
    이미지 센서, 깊이 센서 또는 충격 센서 중에서 적어도 하나 이상을 포함하는 센서부;
    흡입부 또는 걸레질부 중에서 적어도 하나 이상을 포함하는 청소부;
    상기 인공 지능 로봇을 주행시키는 주행 구동부; 및
    상기 센서부로부터 센서 데이터를 수집하고,
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 복잡 영역 결정 모델을 이용하여, 상기 수집된 센서 데이터로부터 상기 복잡 영역을 어라운드 맵 내에서 결정하고,
    상기 결정된 복잡 영역에의 진입을 막는 가상 벽을 상기 어라운드 맵 내에 생성하고, 상기 생성된 가상 벽을 SLAM 지도에 매핑하여 청소 동선을 결정하고, 상기 결정된 청소 동선에 기초하여 상기 청소부 및 상기 주행 구동부를 제어하는 프로세서를 포함하고
    상기 복잡 영역 결정 모델은
    공간에 대한 좌표 정보 및 각 좌표에서의 센서 데이터가 입력되면, 상기 공간에 대한 각 좌표에서의 복잡 영역 여부를 출력하도록 학습된 모델이고,
    상기 SLAM 지도는 상기 인공 지능 로봇이 동작하는 공간 전체에 대한 지도이고,
    상기 어라운드 맵은 상기 인공 지능 로봇으로부터 일정 반경 이내에 대한 지도인,
    인공 지능 로봇.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 프로세서는
    상기 가상 벽을 회피하여 청소 동선을 결정하는, 인공 지능 로봇.
  4. 청구항 3에 있어서,
    상기 프로세서는
    상기 복잡 영역 중에서 일정 간격 이내로 인접한 복잡 영역들 사이에 상기 가상 벽을 생성하는, 인공 지능 로봇
  5. 청구항 3에 있어서,
    상기 프로세서는
    상기 복잡 영역을 포함하여 상기 가상 벽을 생성하는, 인공 지능 로봇.
  6. 청구항 3에 있어서,
    상기 프로세서는
    상기 복잡 영역으로 진입하는 통로에만 상기 가상 벽을 생성하는, 인공 지능 로봇.
  7. 삭제
  8. 삭제
  9. 청구항 1에 있어서,
    상기 프로세서는
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 가상 벽 생성 모델을 이용하여, 상기 수집된 센서 데이터로부터 상기 가상 벽을 생성하는, 인공 지능 로봇.
  10. 청구항 1에 있어서,
    상기 인공 지능 로봇의 동작 공간에 대한 상기 SLAM 지도를 저장하는 메모리
    를 더 포함하고,
    상기 프로세서는
    상기 SLAM 지도에 상기 생성된 가상 벽을 매핑하고, 상기 가상 벽이 존재하는 SLAM 지도를 이용하여 상기 청소 동선을 결정하는, 인공 지능 로봇.
  11. 청구항 10에 있어서,
    상기 프로세서는
    상기 가상 벽을 고려하여 결정한 상기 청소 동선에 따라 청소가 완료된 경우, 상기 가상 벽을 배제하여 새로운 청소 동선을 결정하는, 인공 지능 로봇.
  12. 센서 데이터를 이용하여 청소 동선을 결정하는 방법에 있어서,
    이미지 센서, 깊이 센서 또는 충격 센서 중에서 적어도 하나 이상을 이용하여 센서 데이터를 수집하는 단계;
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 복잡 영역 결정 모델을 이용하여, 상기 수집된 센서 데이터로부터 상기 복잡 영역을 어라운드 맵 내에서 결정하는 단계;
    상기 결정된 복잡 영역에의 진입을 막는 가상 벽을 상기 어라운드 맵 내에 생성하는 단계;
    상기 생성된 가상 벽을 SLAM 지도에 매핑하여 청소 동선을 결정하는 단계; 및
    상기 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어하는 단계
    를 포함하고,
    상기 복잡 영역 결정 모델은
    공간에 대한 좌표 정보 및 각 좌표에서의 센서 데이터가 입력되면, 상기 공간에 대한 각 좌표에서의 복잡 영역 여부를 출력하도록 학습된 모델이고,
    상기 SLAM 지도는 상기 인공 지능 로봇이 동작하는 공간 전체에 대한 지도이고,
    상기 어라운드 맵은 상기 인공 지능 로봇으로부터 일정 반경 이내에 대한 지도인,
    방법.
  13. 센서 데이터를 이용하여 청소 동선을 결정하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    상기 센서 데이터를 이용하여 청소 동선을 결정하는 방법은
    이미지 센서, 깊이 센서 또는 충격 센서 중에서 적어도 하나 이상을 이용하여 센서 데이터를 수집하는 단계;
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 복잡 영역 결정 모델을 이용하여, 상기 수집된 센서 데이터로부터 상기 복잡 영역을 어라운드 맵 내에서 결정하는 단계;
    상기 결정된 복잡 영역에의 진입을 막는 가상 벽을 상기 어라운드 맵 내에 생성하는 단계;
    상기 생성된 가상 벽을 SLAM 지도에 매핑하여 청소 동선을 결정하는 단계; 및
    상기 결정된 청소 동선에 기초하여 청소부 및 주행 구동부를 제어하는 단계를 포함하고,
    상기 복잡 영역 결정 모델은
    공간에 대한 좌표 정보 및 각 좌표에서의 센서 데이터가 입력되면, 상기 공간에 대한 각 좌표에서의 복잡 영역 여부를 출력하도록 학습된 모델이고,
    상기 SLAM 지도는 상기 인공 지능 로봇이 동작하는 공간 전체에 대한 지도이고,
    상기 어라운드 맵은 상기 인공 지능 로봇으로부터 일정 반경 이내에 대한 지도인,
    기록 매체.
KR1020190084757A 2019-07-12 2019-07-12 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법 KR102298582B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190084757A KR102298582B1 (ko) 2019-07-12 2019-07-12 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190084757A KR102298582B1 (ko) 2019-07-12 2019-07-12 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법
US16/539,746 US20190370691A1 (en) 2019-07-12 2019-08-13 Artificial intelligence robot for determining cleaning route using sensor data and method for the same

Publications (2)

Publication Number Publication Date
KR20190098734A KR20190098734A (ko) 2019-08-22
KR102298582B1 true KR102298582B1 (ko) 2021-09-08

Family

ID=67767266

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190084757A KR102298582B1 (ko) 2019-07-12 2019-07-12 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법

Country Status (2)

Country Link
US (1) US20190370691A1 (ko)
KR (1) KR102298582B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111026136A (zh) * 2020-03-11 2020-04-17 广州赛特智能科技有限公司 基于监控设备的港口无人驾驶清扫车智能调度方法及装置
CN111427357A (zh) * 2020-04-14 2020-07-17 北京石头世纪科技股份有限公司 一种机器人避障方法、装置和存储介质
CN111714033B (zh) * 2020-05-18 2022-04-08 科沃斯机器人股份有限公司 一种机器人控制方法、机器人及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101984214B1 (ko) * 2012-02-09 2019-05-30 삼성전자주식회사 로봇 청소기의 청소 작업을 제어하기 위한 장치 및 방법
KR20150104311A (ko) * 2014-03-05 2015-09-15 엘지전자 주식회사 로봇 청소기 및 그의 제어방법
KR102021834B1 (ko) * 2017-07-12 2019-09-17 엘지전자 주식회사 이동 로봇 시스템 및 그 제어방법

Also Published As

Publication number Publication date
KR20190098734A (ko) 2019-08-22
US20190370691A1 (en) 2019-12-05

Similar Documents

Publication Publication Date Title
KR102298582B1 (ko) 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법
KR102305206B1 (ko) 인공 지능을 통해 바닥 상황을 고려하여 청소하는 로봇 청소기 및 그 방법
US20210064792A1 (en) Artificial intelligence device for guiding furniture placement and method of operating the same
US20200008639A1 (en) Artificial intelligence monitoring device and method of operating the same
KR102255712B1 (ko) 오염로그를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
KR20190100085A (ko) 인공 지능을 이용하여, 위험 상황을 감지할 수 있는 로봇 및 그의 동작 방법
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR20190096871A (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR102286137B1 (ko) 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
CN112438664B (zh) 通过人工智能识别卡堵情形的机器人清洁器及其操作方法
US20190362234A1 (en) Artificial intelligence apparatus for cleaning in consideration of user&#39;s action and method for the same
KR102306394B1 (ko) 인공지능 로봇 청소기
KR20190104488A (ko) 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법
US11330951B2 (en) Robot cleaner and method of operating the same
US11318614B2 (en) Robot cleaner and operating method thereof
US20200012289A1 (en) Robot cleaner for performing cleaning using artificial intelligence and method of operating the same
US11210567B2 (en) Artificial intelligence apparatus and method for recognizing object
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
US11269342B2 (en) Robot cleaner for avoiding stuck situation through artificial intelligence and method of operating the same
KR102331563B1 (ko) 구역별 오염정보를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
US20210116929A1 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
KR20210087718A (ko) 공기 청정기
KR20210066602A (ko) 인공 지능 청소기 및 그의 동작 방법
KR20190094312A (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템

Legal Events

Date Code Title Description
A201 Request for examination
G15R Request for early opening
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant