KR102303785B1 - 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법 - Google Patents

로봇의 언어를 설정하는 인공 지능 서버 및 그 방법 Download PDF

Info

Publication number
KR102303785B1
KR102303785B1 KR1020190095079A KR20190095079A KR102303785B1 KR 102303785 B1 KR102303785 B1 KR 102303785B1 KR 1020190095079 A KR1020190095079 A KR 1020190095079A KR 20190095079 A KR20190095079 A KR 20190095079A KR 102303785 B1 KR102303785 B1 KR 102303785B1
Authority
KR
South Korea
Prior art keywords
language
information
robot
event
processor
Prior art date
Application number
KR1020190095079A
Other languages
English (en)
Other versions
KR20190098931A (ko
Inventor
채종훈
김태현
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 KR1020190095079A priority Critical patent/KR102303785B1/ko
Publication of KR20190098931A publication Critical patent/KR20190098931A/ko
Priority to US16/560,763 priority patent/US11132995B2/en
Application granted granted Critical
Publication of KR102303785B1 publication Critical patent/KR102303785B1/ko

Links

Images

Classifications

    • 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 OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/0005—Manipulators having means for high-level communication with users, e.g. speech generator, face recognition means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/003—Controls for manipulators by means of an audio-responsive input
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0011—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement
    • G05D1/0016—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement characterised by the operator's input device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/005—Language recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

본 발명의 실시 예는 로봇의 언어를 설정하는 인공 지능 서버에 있어서, 상기 로봇과 통신하는 통신부; 및 상기 로봇으로부터 관제 구역에 대한 음성 데이터를 수신하고, 상기 수신한 음성 데이터를 이용하여 제1 언어 분포 정보를 생성하고, 상기 관제 구역에 대한 이벤트 정보를 수신하고, 상기 수신한 이벤트 정보를 이용하여 제2 언어 분포 정보를 생성하고, 상기 생성된 제1 언어 분포 정보 및 상기 생성된 제2 언어 분포 정보에 기초하여 상기 로봇에 대한 적어도 하나 이상의 주 출력 언어를 결정하고, 상기 로봇에 대하여 상기 결정된 주 출력 언어를 설정하는 제어 신호를 전송하는 프로세서를 포함하는, 인공 지능 서버를 제공한다.

Description

로봇의 언어를 설정하는 인공 지능 서버 및 그 방법 {ARTIFICIAL INTELLIGENCE SERVER AND METHOD FOR SETTING LANGUAGE OF ROBOT}
본 발명은 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 관제 공간 내의 군중이 사용하는 언어에 기초하여 관제 공간에 배치된 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법에 관한 것이다.
최근 공항 이용객의 폭발적인 증가 추세 및 스마트 공항으로의 도약을 위한 노력으로, 공항이나 멀티플렉스 내에서 인공 지능 로봇을 통해 서비스를 제공하는 방안이 논의되고 있다.
공항이나 멀티플렉스에 인공 지능 로봇을 도입하는 경우, 기존의 컴퓨터 시스템이 대체할 수 없었던 사람의 고유 역할을 로봇이 대신 수행할 수 있어, 제공되는 서비스의 양적 및 질적 향상에 기여할 수 있을 것으로 기대된다.
인공 지능 로봇은 공항뿐만 아니라 사람들이 많이 모이는 다양한 장소에서 사용자에게 길을 알려주는 등의 다양한 동작을 수행할 수 있다.
그러나, 인공 지능 로봇은 유휴 상태에서 미리 설정된 하나 이상의 언어를 순차적으로 사용할 뿐으로, 근처에 위치하는 사용자가 사용하는 언어를 고려하지 않는 문제점이 있다.
본 발명은 관제 구역에서 사용자들이 사용하는 언어에 기초하여, 로봇의 주 출력 언어를 설정하는 인공 지능 서버 및 그 방법을 제공하고자 한다.
또한, 본 발명은 실제 사용자들이 사용하고 있는 언어의 분포와 사용자들이 사용할 것으로 예상되는 언어의 분포를 고려하여, 로봇의 주 출력 언어를 설정하는 인공 지능 서버 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는 관제 구역에 대한 음성 데이터와 이벤트 정보를 수신하고, 수신한 음성 데이터를 이용하여 제1 언어 분포 정보를 생성하고, 수신한 이벤트 정보를 이용하여 제2 언어 분포 정보를 생성하며, 생성한 제1 언어 분포 정보와 생성한 제2 언어 분포 정보를 이용하여 하나 이상의 주 출력 언어를 결정하고, 로봇에 결정된 주 출력 언어를 설정하는 제어 신호를 전송하는 인공 지능 서버 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 복수의 언어들 각각에 상응하는 언어 인식 모델을 이용하여 음성 데이터로부터 음성을 인식하고, 각 언어별로 음성 인식에 성공한 단어의 개수에 기초하여 제1 언어 분포 정보를 생성하는 인공 지능 서버 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 이벤트 정보와 이벤트 정보에 포함된 이벤트에 상응하는 사용자 정보를 이용하여 제2 언어 분포 정보를 생성하는 인공 지능 서버 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 복수의 언어들 중에서 사용자들이 많이 이용하는 것으로 판단되는 언어의 순서대로 미리 설정된 개수만큼을 주 출력 언어로 결정하는 인공 지능 서버 및 그 방법을 제공한다.
또는, 본 발명의 일 실시 예는 복수의 언어들 중에서 제1 언어 분포 정보와 제2 언어 분포 정보를 고려한 언어 분포 값이 미리 설정된 기준 값을 초과하는 언어들을 주 출력 언어로 결정하는 인공 지능 서버 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 사용자들이 많이 사용하는 언어를 로봇의 주 출력 언어로 설정함으로써, 로봇에서 사용자들이 거의 사용하지 않는 언어를 출력하는 빈도를 낮출 수 있고, 사용자들이 알아들을 수 없는 언어를 보게 되는 불편함을 줄일 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 실제 사용자들이 발화하면서 사용하고 있는 언어의 분포뿐만 아니라, 관제 구역에서의 이벤트를 고려한 사용자들이 사용할 것으로 기대되는 언어의 분포를 함께 고려하여 주 출력 언어를 결정함으로써, 말을 하고 있지 않는 사용자들이 사용하는 언어도 주 출력 언어로써 사용할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 로봇의 언어를 설정하는 방법 나타낸 동작 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 로봇의 출력 언어를 설정하는 방법을 나타낸 도면이다.
도 7은 도 5에 도시된 제1 언어 분포 정보를 생성하는 단계(S503)의 일 예를 나타낸 동작 흐름도이다.
도 8은 본 발명의 일 실시 예에 따른 제1 언어 분포 정보를 생성하는 방법을 나타낸 도면이다.
도 9는 도 5에 도시된 제2 언어 분포 정보를 생성하는 단계(S507)의 일 예를 나타낸 동작 흐름도이다.
도 10은 본 발명의 일 실시 예에 따른 제2 언어 분포 정보를 생성하는 방법을 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(100)는 AI 로봇(100)이라 칭할 수 있으며, AI 장치라는 용어와 AI 로봇이라는 용어는 별도의 구분이 없으면 동일한 의미로 사용될 수 있다.
도 4를 참조하면, 인공 지능 로봇(100)은 주행 구동부(160)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, AI 장치(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 AI 장치(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 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(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.
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 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(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, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(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 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(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 있으며, 3개 이상의 휠로 구성될 수도 있다.
도 5는 본 발명의 일 실시 예에 따른 로봇의 언어를 설정하는 방법 나타낸 동작 흐름도이다.
인공 지능 서버(200)는 적어도 하나 이상의 로봇 또는 인공 지능 로봇(100)과 통신하며, 인공 지능 서버(200)가 로봇 또는 인공 지능 로봇(100)의 경로를 결정할 수 있다.
즉, 인공 지능 서버(200)는 인공 지능 기능을 탑재하지 않은 통상의 로봇과 인공 지능 기능을 탑재한 인공 지능 로봇(100) 중에서 적어도 하나 이상의 경로를 결정할 수 있다.
이하에서, 특별한 구분이 없는 한 로봇은 인공 지능 로봇(100)을 포함한다.
이때, 인공 지능 서버(200)는 공항이나 빌딩에 배치된 적어도 하나 이상의 로봇을 제어하기 위한 관제 시스템을 구성하는 서버일 수 있다. 그리고, 인공 지능 서버(200)는 적어도 하나 이상의 로봇을 제어할 수 있다.
도 5를 참조하면, 인공 지능 서버(200)의 프로세서(260)는 관제 구역에 대한 음성 데이터를 수신한다(S501).
관제 구역은 인공 지능 서버(200)가 로봇을 이용하여 안내 서비스를 제공하는 구역 전체를 의미할 수 있으며, 전체 구역이라 칭할 수도 있다. 즉, 인공 지능 서버(200)는 로봇의 동작, 동선, 배치 구역 등을 관제 구역 이내에서 결정할 수 있다.
즉, 관제 구역은 로봇의 최대 활동 범위를 의미할 수 있다.
관제 구역은 복수의 단위 구역들을 포함할 수 있으며, 각 단위 구역들은 미리 정해진 모양 및 크기로 설정될 수 있다.
이때, 각 단위 구역은 직사각형 또는 정사각형의 형태를 가질 수 있으나, 본 발명이 이에 한정되지 않는다.
이때, 각 단위 구역의 면적은 서로 동일할 수도 있으나, 본 발명이 이에 한정되지 않는다.
인공 지능 서버(200)의 메모리(230)는 복수의 단위 구역들 각각의 위치를 나타내는 위치 정보를 저장하고 있을 수 있다. 위치 정보는 단위 구역의 좌표일 수 있다.
로봇에 상응하는 배치 구역은 해당 로봇이 동작을 수행하는 범위를 의미할 수 있다. 즉, 각 로봇들은 자신의 배치 구역 내에서 이동하며 사용자들에게 서비스를 제공할 수 있다.
배치 구역은 적어도 하나 이상의 단위 구역들로 구성될 수 있다.
이때, 프로세서(260)는 통신부(210)를 통해, 복수의 로봇들로부터 수집된 음성 데이터를 수신할 수 있다.
즉, 복수의 로봇들 각각은 마이크로폰을 이용하여, 자신이 위치한 단위 구역에서 입력된 사용자의 발화 음성을 수신할 수 있고, 수신된 발화 음성에 대한 음성 데이터를 인공 지능 서버(200)에 전송할 수 있다.
또한, 프로세서(260)는 통신부(210)를 통해, 관제 구역에 설치된 적어도 하나 이상의 마이크로폰으로부터 적어도 하나 이상의 단위 구역에서 수집된 사용자들이 발화한 음성 데이터를 추가로 수신할 수 있다.
수신한 음성 데이터에는 단일한 사용자의 음성만 포함될 수도 있지만, 복수의 사용자들의 음성이 포함될 수도 있다.
이때, 프로세서(260)는 통신부(210)를 통해 음성 데이터를 송신한 로봇 또는 마이크로폰에 대한 위치 정보를 함께 수신할 수 있다. 즉, 프로세서(260)는 수신한 위치 정보를 이용하여 어떤 음성 데이터가 어디에서 수집되었는지 확인할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 음성 데이터를 이용하여 단위 구역별 제1 언어 분포 정보를 생성한다(S503).
이때, 제1 언어 분포 정보는 각 단위 구역별로 언어 분포에 대한 정보를 포함할 수 있다. 즉, 단위 구역별 제1 언어 분포 정보라 칭하지 않더라도, 제1 언어 분포 정보 자체에 각 단위 구역별로 구분된 언어 분포 정보가 포함될 수 있다.
프로세서(260)는 로봇이나 마이크로폰으로부터 복수의 음성 데이터와 그에 상응하는 위치 정보를 수신할 수 있고, 프로세서(260)는 수신한 음성 데이터를 관제 구역에 포함된 단위 구역별로 분류 또는 구분할 수 있다.
프로세서(260)는 단위 구역별로 분류된 음성 데이터를 이용하여, 각 단위 구역별로 언어 데이터에 포함된 언어의 분포를 분석하여 제1 언어 분포 정보를 생성할 수 있다.
언어 분포는 언어의 종류별 분포를 의미할 수 있다.
예컨대, 제1 언어 분포 정보는 한국어 60%, 영어 30%, 일본어 10%와 같이 각 언어 사이의 분포 비율로 표현될 수도 있고, 한국어 사용자 6명, 영어 사용자 3명, 일본어 사용자 1명과 같이 각 언어를 사용하는 사용자들의 숫자로 표현될 수도 있다.
언어 사이의 분포 비율은 각 언어를 사용하는 사용자들의 숫자의 비율을 의미할 수도 있고, 음성 데이터에 포함된 각 단어들에 대한 언어 분포를 의미할 수도 있다.
이때, 프로세서(260)는 각 언어를 사용하는 사용자들의 숫자를 판단하고, 그 숫자에 기초하여 제1 언어 분포 정보를 생성할 수 있다.
이때, 프로세서(260)는 각 언어에 상응하는 음성의 크기(volume)을 판단하고, 각 언어에 상응하는 음성의 크기의 비율에 기초하여 제1 언어 분포 정보를 생성할 수 있다.
이때, 프로세서(260)는 각 언어에 상응하는 음성 모델을 이용하여 음성 데이터의 신뢰도를 측정하고, 측정된 신뢰도의 비율에 기초하여 제1 언어 분포 정보를 생성할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 관제 구역에 대한 이벤트 정보를 수신한다(S505).
관제 구역에 대한 이벤트 정보는 관제 구역에 관련된 다양한 이벤트에 대한 정보로써, 이벤트 식별 정보, 이벤트 장소 정보, 이벤트 시작 시간 정보, 이벤트 종료 시간 정보, 이벤트 종류 정보, 이벤트 지연 정보 등을 포함할 수 있다.
예컨대, 관제 구역이 공항, 버스 터미널, 기차역 등의 교통 허브인 경우라면, 관제 구역에 대한 이벤트 정보에는 비행기, 버스, 기차 등을 포함하는 교통 수단에 대한 노선 정보, 게이트 정보, 출발 시간 정보, 도착 시간 정보 또는 지연 정보 중에서 적어도 하나 이상이 포함될 수 있다.
예컨대, 관제 구역이 콘서트홀, 스타디움, 영화관 등의 엔터테인먼트 공간(또는 멀티플렉스)인 경우, 관제 구역에 대한 인정 정보에는 해당 관제 구역에서의 행사 일정 정보, 행사장 게이트 정보, 행사 시작 시작 시간 정보, 행사 종료 시간 정보 또는 지연 정보 중에서 적어도 하나 이상이 포함될 수 있다.
이때, 인공 지능 서버(200)의 프로세서(260)는 관제 구역에서 진행되는 이벤트에 대한 사용자 정보를 추가로 수신할 수도 있다.
이벤트에 대한 사용자 정보는 이벤트에 대한 사용자의 예약 정보 또는 실제 이벤트에 참여한 사용자에 대한 참석 정보 중에서 적어도 하나 이상이 포함될 수 있다.
예컨대, 관제 구역이 공항인 경우라면, 이벤트에 대한 사용자 정보에는 특정 항공편에 대한 사용자들의 예약 정보 또는 실제 해당 항공편에 탑승한 사용자들(또는 승객들)의 탑승 정보 중에서 적어도 하나 이상이 포함될 수 있다. 사용자들의 예약 정보나 사용자들의 탑승 정보에는 해당 사용자의 국적 정보가 포함될 수도 있고, 또는 해당 사용자들이 이용하는 언어 정보가 포함될 수도 있다.
예컨대, 관제 구역이 스포츠 경기장인 경우라면, 이벤트에 대한 사용자 정보에는 특정 스포츠 경기에 대한 사용자들의 예약 정보 또는 실제 해당 스포츠 경기를 관람하러 온 사용자들(또는 관람객들)의 참석 정보 중에서 적어도 하나 이상이 포함될 수 있다. 사용자들의 예약 정보나 사용자들의 참석 정보에는 해당 사용자의 국적 정보가 포함될 수도 있고, 해당 사용자들이 이용하는 언어 정보가 포함될 수도 있다.
여기서, 사용자들의 탑승 정보 또는 관람 정보는 사용자들의 이용 정보(또는 사용자 이용 정보)라 칭할 수도 있으며, 프로세서(260)는 사용자들의 이용 정보를 해당 관제 구역에 대한 이벤트 예약 시스템과 연동되어 획득할 수 있다.
그리고, 사용자들의 국적 정보나 언어 정보는 사용자들이 이벤트를 예약하기 위한 동작을 수행하는 과정에서 사용된 사용자의 계정에 설정된 국적이나, 계정에 설정된 주소, 사용자의 단말기에서 설정된 언어 정보, 사용자가 결제하는데 이용한 결제 주소, 결제시 이용한 화폐의 종류 등에 따라 결정할 수 있다.
이와 같이, 프로세서(260)는 관제 구역에서 진행되는 이벤트에 대한 사용자 정보를 이용함으로써, 관제 구역에서 진행되는 이벤트에 관련된 사용자들의 언어 분포에 대한 기대 값을 획득할 수 있다.
이때, 프로세서(260)는 관제 구역에 대한 공간 정보를 이용하여 관제 구역에 대한 이벤트 정보를 관제 구역에 포함된 각 단위 구역들에 매핑할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 수신한 이벤트 정보를 이용하여 단위 구역별 제2 언어 분포 정보를 생성한다(S507).
제2 언어 분포 정보는 이벤트 정보로부터 예측되는 또는 기대되는 사용자들이 주로 사용할 언어에 대한 분포의 기대치를 의미할 수 있다.
이때, 제2 언어 분포 정보는 각 단위 구역별로 언어 분포에 대한 정보를 포함할 수 있다. 즉, 단위 구역별 제2 언어 분포 정보라 칭하지 않더라도, 제2 언어 분포 정보 자체에 각 단위 구역별로 구분된 언어 분포 정보가 포함될 수 있다.
예컨대, 관제 구역이 한국의 인천 국제 공항이고, 이벤트 정보에 따르면 현재 제1 게이트에 일본의 하네다 국제 공항에서 출발한 비행기가 도착한 상황이라면, 프로세서(260)는 제1 게이트에 상응하는 단위 구역들에 대하여 기대 언어 분포를 한국어와 일본어의 비율을 높게 책정한 제2 언어 분포 정보를 생성할 수 있다.
이때, 프로세서(260)는 수신한 이벤트 정보뿐만 아니라, 관제 구역에서 진행되는 이벤트에 대한 사용자 정보를 함께 이용하여, 단위 구역별로 제2 언어 분포 정보를 생성할 수 있다.
예컨대, 관제 구역이 공항인 경우라면, 상술한 바와 같이, 이벤트에 대한 사용자 정보에는 특정 항공기 노선에 대한 사용자들의 예약 정보 또는 탑승 정보가 포함될 수 있고, 프로세서(260)는 사용자들의 예약 정보 또는 탑승 정보에 기초하여 제2 언어 분포 정보를 생성할 수 있다.
예컨대, 만약 특정 항공기에 150명의 한국인, 40명의 미국인, 10명의 일본인이 탑승한 것으로 파악된 경우라면, 제2 언어 분포 정보에는 한국어 75%, 영어 20%, 일본어 5%와 같이 각 언어 사이의 비율로 표현될 수도 있고, 한국어 사용자 150명, 영어 사용자 40명, 일본어 사용자 10명과 같이 각 언어를 사용하는 사용자들의 숫자로 표현될 수도 있다.
그리고, 인공 지능서버(200)의 프로세서(260)는 생성된 제1 언어 분포 정보 및 생성된 제2 언어 분포 정보에 기초하여 단위 구역별로 하나 이상의 주 출력 언어를 결정한다(S509).
주 출력 언어(major output language)는 로봇들이 주로 사용할 언어를 의미할 수 있다.
제1 언어 분포 정보는 실제 수집된 음성 데이터에 기초하여 생성된 언어 분포에 대한 정보이며, 제2 언어 분포 정보는 관제 공간에서의 이벤트에 대한 사용자 정보에 기초하여 생성된 언어 분포에 대한 정보이다. 따라서, 제1 언어 분포 정보는 실제 관제 구역에서 발화하고 있는 사용자들이 사용하고 있는 언어의 분포를 나타내고, 제2 언어 분포 정보는 발화하고 있지 않은 사용자들도 포함한 언어의 분포를 나타낼 수 있다.
이때, 프로세서(260)는 미리 설정된 가중치에 기초하여 제1 언어 분포 정보와 제2 언어 분포 정보를 가중합(weighted sum)하고, 가중합된 언어 분포 정보에 기초하여 단위 구역별로 하나 이상의 주 출력 언어를 결정할 수 있다.
언어 분포 정보를 가중합한다는 것의 의미는, 언어 분포 정보에 포함된 각 언어별 분포 비율 또는 각 언어별 사용자 비율을 가중합하는 것을 의미할 수 있다.
예컨대, 제1 언어 분포 정보에 따른 언어 분포가 (한국어, 영어, 일본어)=(0.5, 0.3, 0.2)이고, 제2 언어 분포 정보에 따른 언어 분포가 (한국어, 영어, 일본어)=(0.7, 0.2, 0.1)이고, 제1 언어 분포 정보와 제2 언어 분포 사이의 가중치가 (0.5, 0.5)인 경우라면, 가중합된 언어 분포 정보에 따른 언어 분포는 (한국어, 영어, 일본어)=(0.6, 0.25, 0.15)일 수 있다.
이때, 프로세서(260)는 가중합된 언어 분포 정보에 기초하여 각 언어들의 순위를 매기고, 미리 설정된 개수만큼의 언어를 주 출력 언어로 결정할 수 있다.
예컨대, 미리 설정된 출력 언어의 개수가 2개이고, 가중합된 언어 분포 정보에 따른 언어 분포가 (한국어, 영어, 일본어)=(0.6, 0.25, 0.15)인 경우, 프로세서(260)는 주 출력 언어를 한국어와 영어로 결정할 수 있다.
이때, 프로세서(260)는 가중합된 언어 분포 정보에 포함된 언어들 중에서 전체 언어 대비 비율이 미리 설정된 기준 값을 초과하는 언어들을 주 출력 언어로 결정할 수 있다.
예컨대, 미리 설정된 기준 값이 0.2이고, 가중합된 언어 분포 정보에 따른 언어 분포가 (한국어, 영어, 일본어)=(0.6, 0.25, 0.15)인 경우, 프로세서(260)는 주 출력 언어를 한국어와 영어로 결정할 수 있다.
또한, 가중합된 언어 분포 정보가 각 언어를 사용하는 사용자들의 숫자로 표현된 경우라고 하더라도, 프로세서(260)는 언어의 사용자들의 비율에 기초하여 전체 언어 대비 비율을 결정할 수 있고, 결정된 비율과 미리 설정된 기준 값을 비교하여 주 출력 언어를 결정할 수 있다.
예컨대, 미리 설정된 기준 값이 0.2이고, 가중합된 언어 분포에 따른 각 언어의 사용자 숫자가 (한국어 사용자, 영어 사용자, 일본어 사용자)=(140, 50, 10)인 경우, 프로세서(260)는 각 언어의 사용자 비율을 (0.7, 0.25, 0.05)로 결정하고, 이에 따라 주 출력 언어를 한국어와 영어로 결정할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는, 통신부(210)를 통해, 각 로봇들에 주 출력 언어를 설정하는 제어 신호를 전송한다(S511).
프로세서(260)는 각 로봇들의 배치 구역에 대한 정보와 상기 결정된 각 단위 구역별로 결정된 주 출력 언어에 기초하여, 각 로봇들에 상응하는 주 출력 언어를 결정할 수 있다. 그리고, 프로세서(260)는 통신부(210)를 통해 각 로봇별으로 결정된 주 출력 언어를 설정하는 제어 신호를 전송할 수 있다.
각 로봇들의 배치 구역에 대한 정보는 통신부(210)를 통해 각 로봇들로부터 수신함으로써 획득할 수도 있고, 메모리(230)에 저장된 각 로봇들의 배치 구역에 대한 정보를 로드(load)함으로써 획득할 수도 있다.
이때, 주 출력 언어를 설정하는 제어 신호는, 주 출력 언어로 결정된 언어들만을 출력하는 제어 신호일 수도 있고, 주 출력 언어로 결정된 언어들을 그렇지 않은 언어들에 비하여 높은 빈도로 출력하는 제어 신호일 수도 있다.
관제 공간에는 다양한 언어를 사용하는 사용자들이 존재할 수 있으므로, 많은 사람들이 이용할 것으로 예상되는 언어만을 출력하게 되면, 소수의 다른 언어를 사용하는 사용자들은 로봇과의 상호작용이 어려워지는 문제점이 발생할 수 있다. 따라서, 로봇은 주 출력 언어로 설정되지 않은 언어도 출력할 필요가 있으므로, 인공 지능 서버(200)는 로봇들에 대하여 주 출력 언어로 설정된 언어를 주 출력 언어로 설정되지 않은 언어에 비하여 자주 출력하도록 제어할 수 있다.
나아가, 인공 지능 서버(200)의 프로세서(260)는, 주 출력 언어뿐만 아니라, 관제 구역 내의 사용자 분포를 고려하여 로봇들의 동작이나 배치 구역을 함께 갱신하는 제어를 수행할 수 있다.
이에 따라, 인공 지능 서버(200)는 관제 구역에 배치된 로봇들을 관제하여, 관제 공간에 위치하는 사람들이 많이 사용하는 언어에 기반하여 서비스를 제공할 수 있다. 특히, 유휴 상태의 로봇은 다양한 언어를 순차적으로 출력하며 사용자들에게 서비스를 제공할 수 있음을 알리는데, 로봇이 배치된 공간에서 사용자들이 사용하는 언어를 고려하여 출력하는 언어의 종류나 빈도를 조절함으로써, 사용자에게 보다 원활하게 서비스를 제공할 수 있는 장점이 있다.
일 실시 예에서, 상기 제1 언어 분포 정보를 생성하기 위한 단계들(S501 및 S503)과 상기 제2 언어 분포 정보를 생성하기 위한 단계들(S505 및 S507)은 병렬적으로 수행될 수 있다.
일 실시 예에서, 상기 제2 언어 분포 정보를 생성하기 위한 단계들(S505 및 S507)이 먼저 수행되고, 상기 제1 언어 분포 정보를 생성하기 위한 단계들(S501 및 S503)이 수행될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 로봇의 출력 언어를 설정하는 방법을 나타낸 도면이다.
도 6을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 관제 공간(630)에 배치된 로봇(631) 등으로부터 사용자들(601, 또는 군중)의 발화 음성(602)에 상응하는 음성 데이터를 수신할 수 있다.
여기서, 사용자들(601)의 발화 음성(602)는 다양한 언어가 포함될 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 수신한 음성 데이터를 이용하여 제1 언어 분포 정보(605)를 생성할 수 있다.
예컨대, 상술한 바와 같이, 프로세서(260)는 음성 데이터에 대하여 복수의 언어 인식 모델을 이용하여 음성 인식을 시도하고, 각 언어 인식 모델을 이용하였을 때 인식에 성공한 단어의 개수의 비율에 기초하여 제1 언어 분포 정보(605)를 생성할 수 있다.
여기서, 언어 인식 모델은 음성 인식 모델을 의미할 수 있고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된, 인공 신경망 기반의 모델일 수 있다.
또한, 인공 지능 서버(200)의 프로세서(260)는 관제 공간(630)에 대한 이벤트 정보(611)를 수신할 수 있다.
여기서, 이벤트 정보(611)에는 관제 공간에 관련된 이벤트의 일정 정보, 시작 시간 정보, 종료 시간 정보, 이벤트 지연 정보, 이벤트 장소 정보 등이 포함될 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 수신한 이벤트 정보(611)를 이용하여 제2 언어 분포 정보(615)를 생성할 수 있다.
예컨대, 상술한 바와 같이, 프로세서(260)는 이벤트 정보(611)에 포함된 교통 노선 정보 등을 이용하여 각 언어를 사용할 사용자들의 분포를 판단하고, 그에 기초하여 제2 언어 분포 정보(615)를 생성할 수 있다.
또한, 프로세서(260)는 이벤트 정보(611)와 이벤트에 대한 사용자 정보를 함께 이용하여 제2 언어 분포 정보를 생성할 수도 있다. 여기서, 사용자 정보에는 사용자들의 예약 정보 또는 사용자들의 참석 정보 중에서 적어도 하나 이상이 포함될 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 제1 언어 분포 정보(605) 및 제2 언어 분포 정보(615)를 이용하여 주 출력 언어를 결정할 수 있다.
예컨대, 프로세서(260)가 제1 언어 분포 정보(605)와 제2 언어 분포 정보(615)를 가중합하여 가중합한 언어 분포 정보(620)를 생성하고, 각 언어들(621, 622, 623)에 대한 전체 대비 비율이 기준 값(624)을 초과하는지 여부에 기초하여 주 출력 언어를 결정할 수 있다. 즉, 프로세서(260)는 전체 대비 비율이 기준 값(624)를 초과하는 제1 언어(621) 및 제2 언어(622)를 주 출력 언어로 결정할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 결정된 주 출력 언어에 기초하여 로봇(631)에 대하여 주 출력 언어를 설정하는 제어 신호를 전송할 수 있다.
도 6의 예시에서, 가중합된 언어 분포 정보(620)는 로봇(631)이 배치된 구역(또는 단위 구역)에서의 언어 분포 정보를 나타내는 것을 가정하였다.
인공 지능 서버(200)는 관제 구역(630)에 포함된 복수의 로봇들로부터 음성 데이터를 수신하고, 관제 구역(630)에 대한 이벤트 정보(611)를 수신함으로써, 관제 구역(630)에 포함된 각 단위 구역에서의 언어 분포를 결정할 수 있으며, 결정한 언어 분포에 기초하여 각 단위 구역별 주 출력 언어를 결정하고, 각 로봇들에게 배치 구역에 상응하는 주 출력 언어를 설정하는 제어 신호를 전송할 수 있다.
도 7은 도 5에 도시된 제1 언어 분포 정보를 생성하는 단계(S503)의 일 예를 나타낸 동작 흐름도이다.
도 7을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 수신한 음성 데이터에 대하여 복수의 언어들 각각에 상응하는 언어 인식 모델을 이용하여 음성을 인식한다(S701).
이때, 복수의 언어들 각각에 상응하는 언어 모델은 메모리(230) 또는 모델 저장부(231)에 저장될 수 있다.
예컨대, 메모리(230)에 한국어 인식 모델, 영어 인식 모델 및 일본어 인식 모델이 저장된 경우, 프로세서(260)는 수신한 음성 데이터에 대하여, 한국어 인식 모델을 이용하여 한국어를 인식하고, 영어 인식 모델을 이용하여 영어를 인식하고, 일본어 인식 모델을 이용하여 일본어를 인식할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 각 언어별로 인식에 성공된 단어들의 개수를 결정한다(S703).
이때, 프로세서(260)는 각 단어별로 음성 인식의 신뢰도를 판단하고, 신뢰도가 미리 설정된 제2 기준 값을 초과하는 단어를 인식에 성공한 단어라고 판단할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 각 언어별로 인식에 성공한 단어들의 개수의 비율에 기초하여 제1 언어 분포 정보를 생성한다(S705).
프로세서(260)는 제1 언어 분포 정보를 각 언어별로 인식에 성공한 단어의 개수 또는 인식에 성공한 단어의 개수의 비율로 생성할 수 있다.
예컨대, 특정 음성 데이터에 대하여 복수의 언어 인식 모델을 이용하여 음성 인식을 시도한 결과, 한국어 인식 모델에서 인식에 성공한 단어가 30개이고, 영어 인식 모델에서 성공한 단어가 15개이고, 일본어 인식 모델에서 인식에 성공한 단어가 5개인 경우, 프로세서(260)는 제1 언어 분포 정보를 (한국어, 영어, 일본어)=(30, 15, 5) 또는 (한국어, 영어, 일본어)=(0.6, 0.3, 0.1)으로 생성할 수 있다.
이때, 프로세서(260)는 일정 시간 동안에 인식에 성공한 단어들의 개수를 결정하고, 이를 기초로 제1 언어 분포 정보를 생성할 수 있다.
예컨대, 프로세서(260)는 가장 최근의 10초 동안의 음성 데이터에 대하여, 각 언어별로 음성 인식에 성공한 단어들의 개수를 결정하고, 그 결정된 개수에 기초하여 제1 언어 분포 정보를 생성할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 제1 언어 분포 정보를 생성하는 방법을 나타낸 도면이다.
도 8을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 관제 구역에 대하여 사용자들(801)의 발화 음성(802)에 대한 음성 데이터를 수신할 수 있다.
그리고, 프로세서(260)는 각 언어에 대한 음성 인식에 성공한 단어의 분포 정보(810)를 생성할 수 있다.
즉, 프로세서(260)는 제1 언어(한국어)에 대한 음성 인식 모델을 이용하여 수신한 음성 데이터에서 음성 인식을 시도하여, 인식에 성공한 단어의 개수를 결정할 수 있다.
마찬가지로, 프로세서(260)는 제2 언어(영어)에 대한 음성 인식 모델을 이용하여 수신한 음성 데이터에서 음성 인식을 시도하여, 인식에 성공한 단어의 개수를 결정할 수 있다.
마찬가지로, 프로세서(260)는 제3 언어(일본어)에 대한 음성 인식 모델을 이용하여 수신한 음성 데이터에서 음성 인식을 시도하여, 인식에 성공한 단어의 개수를 결정할 수 있다.
예컨대, 음성 인식에 성공한 단어의 분포 정보(810)에는 제1 언어(한국어)에 대하여 인식에 성공한 단어가 30개, 제2 언어(영어)에 대하여 인식에 성공한 단어가 20개, 제3 언어(일본어)에 대하여 인식에 성공한 단어가 10개라는 정보가 포함될 수 있다.
그리고, 프로세서(260)는 인식에 성공한 단어의 분포 정보(810)에 기초하여 제1 언어 분포 정보(820)를 생성할 수 있다.
즉, 프로세서(260)는 인식에 성공한 단어의 분포 정보(810)를 이용하여, 각 언어별로 인식에 성공한 단어의 개수를 전체 인식에 성공한 단어의 개수로 나누어, 분포 비율을 결정할 수 있다.
예컨대, 제1 언어 분포 정보(820)에는 제1 언어(한국어)에 대한 분포 비율을 0.5, 제2 언어(영어)에 대한 분포 비율을 0.3333, 제3 언어(일본어)에 대한 분포 비율을 0.1667이라는 정보가 포함될 수 있다.
도 9는 도 5에 도시된 제2 언어 분포 정보를 생성하는 단계(S507)의 일 예를 나타낸 동작 흐름도이다.
도 9를 참조하면, 인공 지능 서버(200)의 프로세서(260)는 이벤트 정보에 포함된 이벤트에 대한 사용자 정보를 수신한다(S901).
프로세서(260)는 이벤트 정보에 포함된 이벤트에 상응하는 이벤트 식별 정보를 이용하여 이벤트를 특정하고, 특정된 이벤트에 상응하는 사용자 정보를 수신할 수 있다.
이때, 이벤트 정보에는 복수의 이벤트들에 대한 정보가 포함될 수 있는데, 프로세서(260)는 현재 시점 또는 미리 정해진 기간 동안에 포함된 이벤트를 식별하고, 그 식별된 이벤트들에 대한 사용자 정보를 수신할 수 있다.
예컨대, 관제 구역이 공항이고, 이벤트 정보에는 10편의 비행기 도착 정보가 포함된 상황을 가정한다. 이 경우, 프로세서(260)는 이벤트 정보를 이용하여 현재 시점으로부터 전후 10분 사이에 비행기 도착 이벤트가 존재하는지 판단하고, 만약 존재한다면 해당 이벤트에 대한 사용자 정보를 수신할 수 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 사용자 정보에 포함된 사용자들의 사용 언어를 결정한다(S903).
상술한 바와 같이, 사용자 정보는 이벤트에 대한 예약 정보 또는 이벤트에 대한 참여 정보가 포함될 수 있다. 그리고, 이러한 예약 정보나 참여 정보는 전산화되어 관리될 수 있으므로, 프로세서(260)는 사용자 정보로부터 예약자나 참여자에 대한 다양한 정보들을 획득할 수 있다.
이때, 프로세서(260)는 사용자 정보에 사용자가 해당 이벤트의 예약시 사용한 언어 정보가 존재한다면, 해당 언어를 해당 사용자의 사용 언어로 결정할 수 있다.
예컨대, 특정 사용자가 비행기를 예매하기 위하여 비행기 예매 어플리케이션을 이용하였고, 해당 비행기 예매 어플리케이션의 언어를 한국어로 설정한 경우라면, 프로세서(260)는 해당 사용자의 사용 언어를 한국어로 설정할 수 있다.
또는, 프로세서(260)는 사용자 정보에 사용자의 국적 정보가 존재한다면, 해당 국가의 모국어를 해당 사용자의 사용 언어로 결정할 수 있다.
예컨대, 특정 사용자가 비행기를 예매하기 위하여 비행기 예매 어플리케이션을 이용하였고, 해당 사용자에 대한 사용자 정보에 국적이 미국이라는 정보가 포함되어 있다면, 프로세서(260)는 해당 사용자의 사용 언어를 영어로 설정할 수 있다.
또는, 프로세서(260)는 사용자 정보에 포함된 사용자의 주소지 정보, 사용자의 결제 수단 정보, 사용자의 결제 주소지 정보 등을 고려하여 사용자의 사용 언어를 결정할 수도 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 결정된 사용자별 사용 언어에 기초하여 제2 언어 분포 정보를 생성한다(S905).
프로세서(260)는 상기 단계(S903)에서 사용자별로 사용 언어를 결정하였으므로, 사용자들에 대하여 결정한 사용 언어의 빈도수에 기초하여 제2 언어 분포 정보를 생성할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 제2 언어 분포 정보를 생성하는 방법을 나타낸 도면이다.
도 10을 참조하면, 인공 지능 서버(200)의 프로세서(260)는 관제 구역에 대한 이벤트 정보(1001)와 이벤트에 대한 사용자 정보(1002)를 수신할 수 있다.
이벤트에 대한 사용자 정보(1002)는 이벤트 정보(1001)에 포함된 이벤트 식별 정보에 상응하는 사용자 정보일 수 있다.
관제 구역이 공항인 경우, 이벤트 정보(1001)에는 게이트, 비행기 편명, 도착 정보, 출발지, 도착지, 출발 시간, 도착 시간 등에 대한 정보가 포함될 수 있다. 그리고, 이벤트에 대한 사용자 정보(1002)에는 해당 비행기 편명에 대한 예약자 정보 또는 탑승자 정보가 포함될 수 있다. 이 경우, 게이트, 비행기 편명, 출발지, 도착지 등의 정보가 모두 이벤트 식별 정보로써 이용될 수 있다.
예컨대, 관제 구역이 인천 국제 공항인 경우, 이벤트 정보(1001)에는 게이트 1번에 곧 LA에서 출발한 비행기 편명 "AIR000"가 곧 착륙한다는 정보가 포함될 수 있다. 그리고, 이벤트에 대한 사용자 정보(1002)에는 비행기 편명 "AIR000"에는 총 100명이 탑승하였으며, 제1 국적(한국) 탑승객이 60명, 제2 국적(미국) 탑승객이 30명, 제3 국적(일본) 탑승객이 10명이라는 정보가 포함될 수 있다.
그리고, 프로세서(260)는 수신한 이벤트 정보(1001)와 사용자 정보(1002)를 이용하여 제2 언어 분포 정보(1010)를 생성할 수 있다.
이때, 프로세서(260)는 사용자 정보(1002)에 구체적인 탑승객의 국적이나 사용 언어에 대한 정보가 포함되어 있다면, 사용자들의 국적 비율이나 사용 언어의 비율에 기초하여 제2 언어 분포 정보(1010)를 생성할 수 있다.
예컨대, 제2 언어 분포 정보(1010)는 제1 언어(한국어)에 대한 분포 비율을 0.6, 제2 언어(영어)에 대한 분포 비율을 0.3, 제3 언어(일본어)에 대한 분포 비율을 0.1이라는 정보가 포함될 수 있다.
만약, 프로세서(260)가 이벤트에 대한 사용자 정보(1002)를 수신하지 않고, 오직 이벤트 정보(1001)만을 수신한 경우라면, 이벤트 정보(1001)에 상응하는 통계 기록 등에 기초하여 예상되는 언어 분포 비율을 결정할 수도 있다.
예컨대, 이벤트 정보(1001)에 LA에서 출발하여 인천으로 향하는 비행기 "AIR000"이 곧 도착하는 경우, 프로세서(260)는 LA에서 출발하여 인천으로 도착하는 비행기의 탑승객에 대한 통계 정보를 이용하여 각 언어를 사용하는 사람들의 숫자에 대한 비율을 추정할 수 있고, 추정한 비율에 기초하여 제2 언어 분포 정보(1010)를 생성할 수 있다.
한편, 이상의 실시 예에서, 도 5의 단계들, 도 7의 단계들 및 도 9의 단계들이 인공 지능 서버(200)에 의해 수행되는 것으로 설명하였으나, 복수의 로봇들 중 어느 하나의 인공 지능 로봇(100 or 100a)에 의하여 수행될 수도 있다.
이 경우, 어느 하나의 인공 지능 로봇(100)은 다른 로봇들을 제어할 수 있는 마스터 로봇일 수 있고, 마스터 로봇은 기 설정된 인공 지능 로봇일 수 있다.
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 (14)

  1. 적어도 하나 이상의 로봇의 언어를 설정하는 인공 지능 서버에 있어서,
    상기 적어도 하나 이상의 로봇과 통신하는 통신부; 및
    상기 통신부를 통해 상기 적어도 하나 이상의 로봇으로부터 관제 구역에서 수집된 사용자의 음성 데이터를 수신하고, 상기 수신한 음성 데이터를 이용하여 제1 언어 분포 정보를 생성하고, 상기 관제 구역에 대한 이벤트 정보를 수신하고, 상기 수신한 이벤트 정보를 이용하여 제2 언어 분포 정보를 생성하고, 상기 생성된 제1 언어 분포 정보 및 상기 생성된 제2 언어 분포 정보에 기초하여 상기 로봇에 대한 적어도 하나 이상의 주 출력 언어를 결정하고, 상기 로봇에 대하여 상기 결정된 주 출력 언어를 설정하는 제어 신호를 전송하는 프로세서를 포함하고,
    상기 프로세서는
    복수의 언어들 각각에 상응하는 언어 인식 모델을 이용하여 상기 수신한 음성 데이터의 음성을 인식하고, 각 언어별로 인식에 성공한 단어의 개수를 결정하고, 각 언어별로 인식에 성공한 단어들의 개수의 비율에 기초하여 상기 제1 언어 분포 정보를 생성하는, 인공 지능 서버.
  2. 삭제
  3. 청구항 1에 있어서,
    상기 프로세서는
    상기 언어 인식 모델을 이용하여 상기 수신한 음성 데이터의 음성을 인식할 때, 단어별로 인식 신뢰도를 산출하고, 상기 산출된 신뢰도가 제1 기준 값을 초과하는 단어는 인식에 성공한 단어로 판단하는, 인공 지능 서버.
  4. 청구항 3에 있어서,
    상기 언어 인식 모델은
    음성 인식 모델이고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 인공 신경망 기반의 모델인, 인공 지능 서버.
  5. 청구항 1에 있어서,
    상기 이벤트 정보는
    상기 관제 구역에 관련된 이벤트에 대한 정보로써, 이벤트 식별 정보, 이벤트 장소 정보, 이벤트 시작 시간 정보, 이벤트 종료 시간 정보, 이벤트 종류 정보 또는 이벤트 지연 정보 중에서 적어도 하나 이상을 포함하는, 인공 지능 서버.
  6. 청구항 5에 있어서,
    상기 프로세서는
    이벤트에 대한 사용자 정보를 수신하고, 상기 이벤트 정보 및 상기 사용자 정보를 이용하여 상기 제2 언어 분포 정보를 생성하고,
    상기 사용자 정보는
    상기 이벤트에 대한 예약 정보 또는 참석 정보 중에서 적어도 하나 이상을 포함하는, 인공 지능 서버.
  7. 청구항 1에 있어서,
    상기 프로세서는
    상기 생성된 제1 언어 분포 정보와 상기 생성된 제2 언어 분포 정보를 가중합(weighted sum)하여 가중합된 언어 분포 정보를 생성하고, 상기 가중합된 언어 분포 정보에서의 각 언어에 대한 분포 값에 기초하여 상기 주 출력 언어를 결정하는, 인공 지능 서버.
  8. 청구항 7에 있어서,
    상기 프로세서는
    상기 가중합된 언어 분포 정보에서의 상기 분포 값이 제2 기준 값을 초과하는 언어를 상기 주 출력 언어로 결정하는, 인공 지능 서버.
  9. 청구항 7에 있어서,
    상기 프로세서는
    상기 가중합된 언어 분포 정보에서의 상기 분포 값이 높은 순서대로, 미리 설정된 개수만큼의 언어를 상기 주 출력 언어로 결정하는, 인공 지능 서버.
  10. 청구항 1에 있어서,
    상기 관제 구역은
    상기 적어도 하나 이상의 로봇의 최대 활동 범위이고, 복수의 단위 구역들을 포함하는, 인공 지능 서버.
  11. 청구항 10에 있어서,
    상기 프로세서는
    상기 단위 구역별로 상기 제1 언어 분포 정보 및 상기 제2 언어 분포 정보를 생성하고,
    상기 단위 구역별로 상기 적어도 하나 이상의 주 출력 언어를 결정하고, 상기 로봇에 대한 주 출력 언어를 상기 로봇의 배치 구역에 대응되는 단위 구역에 대하여 결정된 주 출력 언어로 결정하는, 인공 지능 서버.
  12. 삭제
  13. 삭제
  14. 삭제
KR1020190095079A 2019-08-05 2019-08-05 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법 KR102303785B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190095079A KR102303785B1 (ko) 2019-08-05 2019-08-05 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법
US16/560,763 US11132995B2 (en) 2019-08-05 2019-09-04 Artificial intelligence server for setting language of robot and method for the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095079A KR102303785B1 (ko) 2019-08-05 2019-08-05 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법

Publications (2)

Publication Number Publication Date
KR20190098931A KR20190098931A (ko) 2019-08-23
KR102303785B1 true KR102303785B1 (ko) 2021-09-23

Family

ID=67763956

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095079A KR102303785B1 (ko) 2019-08-05 2019-08-05 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법

Country Status (2)

Country Link
US (1) US11132995B2 (ko)
KR (1) KR102303785B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11238221B2 (en) * 2019-06-19 2022-02-01 Microsoft Technology Licensing, Llc Language profiling service
CN110919646A (zh) * 2019-11-05 2020-03-27 北京小米移动软件有限公司 智能设备、智能设备的控制方法及装置、电子设备
KR102522989B1 (ko) * 2020-02-28 2023-04-18 주식회사 아토맘코리아 멀티미디어 콘텐츠 내 상품 정보 제공 장치 및 방법
WO2021194191A1 (ko) * 2020-03-25 2021-09-30 주식회사 우아한형제들 주문 시스템과 이동로봇의 연동방법 및 그 시스템
US20220198155A1 (en) * 2020-12-18 2022-06-23 Capital One Services, Llc Systems and methods for translating transaction descriptions
KR102534788B1 (ko) * 2021-11-02 2023-05-26 주식회사 에이아이파크 영상 서비스 제공장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018169788A (ja) * 2017-03-29 2018-11-01 パナソニック株式会社 言語割合管理システムおよび言語割合管理方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995002879A1 (en) * 1993-07-13 1995-01-26 Theodore Austin Bordeaux Multi-language speech recognition system
US5805771A (en) * 1994-06-22 1998-09-08 Texas Instruments Incorporated Automatic language identification method and system
US6061646A (en) * 1997-12-18 2000-05-09 International Business Machines Corp. Kiosk for multiple spoken languages
WO2007091331A1 (ja) * 2006-02-10 2007-08-16 Fujitsu Limited 情報表示システム、情報表示方法及びプログラム
US8069031B2 (en) * 2007-06-04 2011-11-29 Lawrence Stephen Gelbman Multi-lingual output device
KR101158427B1 (ko) * 2008-07-03 2012-06-22 한국공항공사 다국어 자동 선택 및 안내시스템
KR102410939B1 (ko) * 2017-10-11 2022-06-20 현대자동차주식회사 차량용 기기의 사용언어를 표시하는 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018169788A (ja) * 2017-03-29 2018-11-01 パナソニック株式会社 言語割合管理システムおよび言語割合管理方法

Also Published As

Publication number Publication date
KR20190098931A (ko) 2019-08-23
US20190392820A1 (en) 2019-12-26
US11132995B2 (en) 2021-09-28

Similar Documents

Publication Publication Date Title
KR102303785B1 (ko) 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법
US20200042832A1 (en) Artificial intelligence apparatus and method for updating artificial intelligence model
US11455792B2 (en) Robot capable of detecting dangerous situation using artificial intelligence and method of operating the same
US11383379B2 (en) Artificial intelligence server for controlling plurality of robots and method for the same
KR102263159B1 (ko) 로봇의 경로를 결정하는 인공 지능 서버 및 그 방법
US11669781B2 (en) Artificial intelligence server and method for updating artificial intelligence model by merging plurality of pieces of update information
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
US20210173614A1 (en) Artificial intelligence device and method for operating the same
US11269328B2 (en) Method for entering mobile robot into moving walkway and mobile robot thereof
US11568239B2 (en) Artificial intelligence server and method for providing information to user
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20190104264A (ko) 차량에 탑재되는 인공 지능 장치 및 그 방법
KR20190094313A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
KR102231922B1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 인공 지능 서버
US20210192950A1 (en) Portable apparatus for providing notification
US20220342420A1 (en) Control system for controlling a plurality of robots using artificial intelligence
US11423877B2 (en) Robot for providing guidance service using artificial intelligence and method of operating the same
KR20210078829A (ko) 다중 언어를 포함하는 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190095190A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20210073252A (ko) 인공 지능 장치 및 그의 동작 방법
US11093795B2 (en) Artificial intelligence server for determining deployment area of robot and method for the same
US20210150307A1 (en) Artificial intelligence device and operating method thereof
KR20190095195A (ko) 사용자의 동선에 기초한 서비스를 제공하는 인공 지능 장치 및 그 방법

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