KR102331672B1 - 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법 - Google Patents

사용자의 위치를 결정하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR102331672B1
KR102331672B1 KR1020197020895A KR20197020895A KR102331672B1 KR 102331672 B1 KR102331672 B1 KR 102331672B1 KR 1020197020895 A KR1020197020895 A KR 1020197020895A KR 20197020895 A KR20197020895 A KR 20197020895A KR 102331672 B1 KR102331672 B1 KR 102331672B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
user
information
location
recognition information
Prior art date
Application number
KR1020197020895A
Other languages
English (en)
Other versions
KR20200128486A (ko
Inventor
이시혁
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 PCT/KR2019/006818 priority Critical patent/WO2020246640A1/ko
Publication of KR20200128486A publication Critical patent/KR20200128486A/ko
Application granted granted Critical
Publication of KR102331672B1 publication Critical patent/KR102331672B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/627Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns
    • G06K9/6271Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on distances between the pattern to be recognised and training or reference patterns based on distances to prototypes
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/08Speech classification or search
    • G10L15/16Speech classification or search using artificial neural networks
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/20Position of source determined by a plurality of spaced direction-finders
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/28Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/20Scenes; Scene-specific elements in augmented reality scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18Eye characteristics, e.g. of the iris
    • G06V40/19Sensors therefor
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/04Segmentation; Word boundary detection
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/08Speech classification or search
    • G10L15/083Recognition networks
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/22Procedures used during a speech recognition process, e.g. man-machine dialogue
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/24Speech recognition using non-acoustical features
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78Detection of presence or absence of voice signals
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/80Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
    • G01S3/802Systems for determining direction or deviation from predetermined direction
    • G01S3/808Systems for determining direction or deviation from predetermined direction using transducers spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
    • G01S3/8083Systems for determining direction or deviation from predetermined direction using transducers spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems determining direction of source
    • 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
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30196Human being; Person
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30244Camera pose
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Abstract

본 발명의 실시 예는 사용자의 위치를 결정하는 인공 지능 장치에 있어서, 제1 이미지 데이터 및 제1 소리 데이터를 획득하는 적어도 하나 이상의 외부 인공 지능 장치와 통신하는 통신부; 상기 적어도 하나 이상의 외부 인공 지능 장치와 상기 인공 지능 장치의 위치 정보를 저장하는 메모리; 제2 이미지 데이터를 획득하는 카메라; 제2 소리 데이터를 획득하는 마이크로폰; 및 상기 제2 이미지 데이터를 기초로 상기 사용자에 대한 제1 인식 정보를 생성하고, 상기 제2 소리 데이터를 기초로 상기 사용자에 대한 제2 인식 정보를 생성하고, 상기 적어도 하나 이상의 외부 인공 지능 장치 각각으로부터 상기 제1 이미지 데이터를 기초로 생성된 제3 인식 정보 및 상기 제1 소리 데이터를 기초로 생성된 제4 인식 정보를 획득하고, 상기 위치 정보, 상기 제1 인식 정보 및 상기 제3 인식 정보를 기초로 사용자 위치를 결정하고, 상기 제2 인식 정보 및 상기 제4 인식 정보를 기초로 상기 결정된 사용자 위치를 보정하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
본 발명은 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 복수의 단말기 또는 인공 지능 장치가 설치된 환경에서, 이미지 정보 및 소리 정보를 이용하여 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근 인공 지능 스피커, 음성 제어, 음성 비서 등의 음성 인식 기술이 적용되는 서비스가 늘어나는 추세이다. 음성 인식 기술은 사용자의 발화에서 사용자의 의도를 정확하게 파악하는 것이 중요하며, 사용자의 의도는 사용자의 위치에 영향을 받는 경우가 많다. 따라서, 실내에서도 사용자의 위치를 정확하게 파악할 수 있다면 사용자의 의도를 보다 정확하게 파악할 수 있다.
기존의 사용자의 위치를 파악하는 기술은 사용자가 웨어러블 디바이스나 단말기를 소지하고, 소지한 기기의 위치를 파악하는 것을 목적으로 한다. 이 경우, 사용자가 단말을 소지하지 않은 경우에 사용자의 위치를 파악하기 어렵다는 문제점이 있다.
본 발명은 카메라와 마이크로폰을 구비한 복수의 인공 지능 장치들을 이용하여 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 사용자가 대상 목적물을 불명확하게 지정하여 발화하더라도, 사용자의 위치에 기반하여 발화 의미 또는 발화 의도를 보다 정확하게 파악하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는 사용자에 대한 이미지 데이터를 기초로 제1 인식 정보를 생성하고, 사용자에 대한 소리 데이터에 기초하여 제2 인식 정보를 생성하고, 적어도 하나 이상의 외부 인공 지능 장치로부터 이미지 데이터를 기초로 생성된 제3 인식 정보 및 소리 데이터를 기초로 생성된 제4 인식 정보를 획득하고, 상기 적어도 하나 이상의 인공 지능 장치의 위치 정보, 획득한 제1 내지 제4 인식 정보를 이용하여 사용자 위치를 결정하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는 사용자로부터 제어 음성을 획득하면 사용자 위치를 결정하고, 결정된 사용자 위치를 이용하여 제어 음성에 상응하는 대상 목적물을 결정하는 인공 지능 장치 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 사용자가 웨어러블 디바이스나 단말기를 소지하지 않더라도 하나의 인공 지능 시스템을 구성하는 복수의 인공 지능 장치들만으로도 사용자의 위치를 결정할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 새로운 인공 지능 장치를 인공 지능 시스템에 추가할수록 사용자의 위치를 결정할 수 있는 범위가 넓어지며, 사용자의 위치를 더욱 높은 정확도로 결정할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 사용자가 대상 목적물을 불명확하게 지정하여 발화하더라도, 사용자의 위치에 기반하여 사용자의 발화 의도를 보다 정확하게 판단할 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 AI 시스템(1)을 나타낸 도면이다.
도 6은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 장치(100)에서 사용자의 위치를 결정하는 방법을 나타낸 동작 흐름도이다.
도 8 및 9는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)의 위치 정보를 획득하는 방법을 나타낸 도면이다.
도 10 및 11은 본 발명의 일 실시 예에 따른 사용자의 이미지 인식 정보를 생성하는 방법을 나타낸 도면이다.
도 12는 본 발명의 일 실시 예에 따른 인공 지능 서버(200)에서 사용자의 위치를 결정하는 방법을 나타낸 동작 흐름도이다.
도 13은 본 발명의 일 실시 예에 따른 사용자 음성의 의도 정보를 획득하는 방법을 나타낸 동작 흐름도이다.
도 14는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)에서 수집하는 인식 정보의 예시를 나타낸 도면이다.
도 15는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)에서 수집하는 인식 정보의 예시를 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.
도 4를 참조하면, 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, 단말기(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.
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.
도 5는 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 사용자의 위치를 결정하는 AI 시스템(1)은 AI 장치(100) 또는 AI 서버(200) 중에서 적어도 하나 이상을 포함할 수 있다.
AI 장치(100) 또는 AI 서버(200) 중에서 적어도 하나 이상은 서로 유무선 통신 기술을 이용하여 서로 통신할 수 있다.
이때, 각 장치들(100, 200)은 기지국, 라우터 등을 통하여 서로 통신할 수도 있지만, 근거리 통신 기술 등을 이용하여 직접 서로 통신할 수도 있다.
예컨대, 각 장치들(100, 200)은 5G(5th generation) 통신을 이용하여 기지국을 통하거나 또는 직접 서로 통신할 수 있다.
일 실시 예에서, AI 서버(200)는 AI 장치(100)로부터 사용자의 위치를 결정하는데 이용할 데이터를 획득하고, 수집한 데이터를 기초로 사용자의 위치를 결정할 수 있다.
일 실시 예에서, AI 장치(100)는 다른 AI 장치(100)로부터 사용자의 위치를 결정하는데 이용할 데이터를 획득하고, 자신이 수집한 데이터와 획득한 데이터를 기초로 사용자의 위치를 결정할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
도 6을 참조하면, 본 발명의 일 실시 예에 따른 사용자의 위치를 결정하는 AI 시스템(1)은 복수의 인공 지능 장치들(100)로 구성될 수 있다.
예컨대, AI 시스템(1)은 인공 지능 장치(100)로서 세탁기, 냉장고, 스피커, TV, 에어컨 등을 포함하여 구성될 수 있다.
각 인공 지능 장치(100)는 카메라(121)를 구비하여 사용자(300)에 대한 이미지 데이터를 획득하고, 마이크로폰(122)를 구비하여 사용자(300)에 대한 소리 데이터를 획득할 수 있다.
각 인공 지능 장치(100)는 카메라(121)의 시야 방향이 한정되어 있으며, 이에 따라 촬영되는 영역도 한정된다.
도 6과 같이, 사용자(300)는 임의의 위치에서 정확한 대상 목적물을 지칭하지 않고 상호작용을 시도할 수 있으며, 이 경우 사용자(300)의 위치를 파악함으로써 사용자의 의도를 보다 정확하게 분석할 수 있다.
예컨대, 사용자(300)가 주방에서 '여기 불 좀 꺼줄래?'와 같이 대상 목적물을 명확하게 지칭하지 않더라도, 인공 지능 장치들(100)은 사용자(300)의 위치를 부엌으로 결정하고, 사용자의 의도를 '주방'에 설치된 전등을 소등하는 것으로 파악할 수 있다.
각 인공 지능 장치(100)는 카메라(121)를 통해 사용자(300)에 대한 이미지 데이터를 획득하며, 획득한 이미지 데이터로부터 인식 정보를 생성할 수 있다.
마찬가지로, 각 인공 지능 장치(100)는 마이크로폰(122)을 통해 사용자(300)에 대한 소리 데이터를 획득하며, 획득한 소리 데이터로부터 인식 정보를 생성할 수 있다.
인식 정보에는 이미지 데이터에서의 사용자(300)를 인식하였을 때의 사용자 식별 정보, 사용자 위치 정보 등이 포함될 수 있다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 장치(100)에서 사용자의 위치를 결정하는 방법을 나타낸 동작 흐름도이다.
도 7을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 적어도 하나 이상의 외부 인공 지능 장치(100) 및 인공 지능 장치(100) 자신의 위치 정보를 획득한다(S701).
각 인공 지능 장치들(100)은 서로 하나의 인공 지능 시스템(1)을 구성하고, 하나의 인공 지능 시스템(1)을 구성하기 위하여 장치 등록 과정이 수행될 수 있다.
장치 등록 과정은 인공 지능 시스템(1)에 인공 지능 장치(100)를 추가하는 과정으로, 이미 등록된 인공 지능 장치(100)를 이용하여 새로운 인공 지능 장치(100)의 위치 정보를 결정할 수 있다.
이때, 각 인공 지능 장치들(100)은 인공 지능 시스템(1)에 새로운 인공 지능 장치(100)가 등록될 때, 카메라를 통해 새로운 인공 지능 장치(100)에 대한 이미지 데이터를 획득하고, 획득한 이미지 데이터를 이용하여 새로운 인공 지능 장치(100)에 대한 위치 정보를 생성할 수 있다.
또는, 새로운 인공 지능 장치(100)의 위치 정보는 사용자의 입력에 의하여 결정될 수도 있다.
생성된 위치 정보는 인공 지능 장치들(100) 간에 서로 공유할 수 있다.
인공 지능 장치(100)에 대한 위치 정보에는 각 인공 지능 장치(100) 사이의 거리 정보, 각 인공 지능 장치(100) 사이의 상대적 위치 정보, 각 인공 지능 장치(100)의 카메라 방향 정보, 각 인공 지능 장치(100)의 인공 지능 시스템(1) 공간 내에서의 절대적 위치 정보 등이 포함될 수 있다.
인공 지능 시스템(1) 공간 내에서의 절대적 위치 정보는 인공 지능 시스템(1) 공간에 상응하는 지도 데이터 내에서의 위치를 의미할 수 있다.
이때, 지도 데이터는 SLAM(Simultaneous Localization And Mapping) 기술에 의하여 생성될 수 있다.
예컨대, 인공 지능 장치(100) 중에서 로봇 청소기가 인공 지능 시스템(1) 공간 내부에서 주행하면서 지도 데이터를 생성할 수 있고, 생성된 지도 데이터는 다른 인공 지능 장치들(100)과 공유할 수 있다.
이에 따라, 하나의 인공 지능 시스템(1)을 구성하는 인공 지능 장치들(100)은 서로의 상대적인 위치를 파악하고 있거나, 인공 지능 시스템(1) 공간 내부에서의 절대적인 위치를 파악하고 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 사용자에 대한 이미지 인식 정보를 생성한다(S703).
프로세서(180)는 카메라(121)를 통해 사용자에 대한 이미지 데이터를 획득할 수 있고, 획득한 이미지 데이터에 기초하여 사용자에 대한 이미지 인식 정보를 생성할 수 있다.
사용자에 대한 이미지 인식 정보는 인공 지능 장치(100)에 대한 사용자의 방향 정보를 포함한다.
프로세서(180)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘에 의하여 학습된 사용자 인식 모델을 이용하여 이미지 데이터에서 사용자를 인식하고, 인식된 사용자의 방향 정보를 포함하는 이미지 인식 정보를 생성할 수 있다.
프로세서(180)는 사용자를 식별하기 위한 사용자 식별 특징점들을 추출하고, 추출한 특징점들을 기초로 사용자의 식별 정보를 생성할 수 있다.
프로세서(180)는 사용자의 자세나 동작을 인식하여 사용자의 행동 정보를 생성할 수 있다. 여기서, 사용자가 특정 물체를 가리키는 동작을 하고 있는 경우라면, 사용자의 행동 정보에는 사용자가 지칭하는 방향을 나타내는 정보나 지칭하는 방향에 위치하는 물체의 인식 정보를 나타내는 정보 등이 포함될 수 있다.
프로세서(180)는 사용자의 머리 방향과 눈동자 방향 등을 인식하여 사용자의 시선 정보를 생성할 수 있다.
이미지 인식 정보는 사용자의 식별 정보, 행동 정보 또는 시선 정보 중에서 적어도 하나 이상을 포함할 수 있다.
인공 지능 장치(100)에 대한 사용자의 방향 정보를 획득하는 방법은 후술한다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 사용자에 대한 소리 인식 정보를 생성한다(S705).
프로세서(180)는 마이크로폰(122)를 통해 사용자에 대한 소리 데이터를 획득할 수 있고, 획득한 소리 데이터에 기초하여 사용자에 대한 소리 인식 정보를 생성할 수 있다.
소리 데이터는 사용자의 음성을 포함할 수 있다.
사용자에 대한 소리 인식 정보는 인공 지능 장치(100)에 대한 사용자의 방향 정보를 포함한다.
예컨대, 프로세서(180)는 복수의 마이크로폰(122) 사이의 신호 지연을 이용하여 인공 지능 장치(100)에 대한 사용자의 방향 정보를 생성할 수 있다.
이때, 프로세서(180)는 소리 데이터의 볼륨 데이터를 획득하고, 획득한 볼륨 데이터를 추가적으로 이용하여 사용자에 대한 소리 인식 정보를 생성할 수도 있다. 여기서의 소리 인식 정보는 획득한 소리 볼륨 자체를 포함하거나, 소리 강도로부터 유추되는 사용자까지의 거리 정보를 포함할 수 있다.
볼륨 데이터를 이용하여 사용자까지의 거리를 판단하는 경우에는 많은 오차와 왜곡이 존재할 수 있다. 전달되는 소리의 크기는 공간의 구조, 장애물이나 주변 물체의 소재에 의하여 크게 변화할 수 있기 때문이다. 그러므로, 프로세서(180)는 볼륨 데이터의 우선순위 또는 가중치를 낮게 설정하여 보조적으로 사용할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 적어도 하나 이상의 외부 인공 지능 장치 각각으로부터 사용자에 대한 이미지 인식 정보 및 소리 인식 정보를 획득한다(S707).
각 외부 인공 지능 장치들(100)은 상술한 단계 S703 및 S705와 동일한 방법으로 사용자에 대한 이미지 인식 정보 및 소리 인식 정보를 생성할 수 있고, 생성한 이미지 인식 정보 및 생성한 소리 인식 정보를 인공 지능 장치(100)으로 전송할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 인공 지능 장치들(100)의 위치 정보 및 사용자에 대한 이미지 인식 정보를 기초로 사용자의 위치를 결정한다(S709).
프로세서(180)는 각 인공 지능 장치들(100)의 위치 정보를 알고 있으므로, 각 인공 지능 장치들(100)에서 획득한 이미지 인식 정보를 이용하면 사용자의 위치를 특정할 수 있다.
예컨대, 프로세서(180)는 각 인공 지능 장치들(100)에 대한 사용자의 방향 정보, 각 인공 지능 장치들(100)의 카메라 방향 정보를 이용하여 각 인공 지능 장치들(100) 사이의 각도와 각 인공 지능 장치(100)와 사용자 사이의 각도를 획득할 수 있고, 각 인공 지능 장치들(100) 사이의 거리 정보를 추가적으로 이용하면 사용자의 위치를 결정할 수 있다.
이때, 프로세서(180)는 일정 시간 이상 이동하지 않은 고정된 인공 지능 장치로부터 획득한 이미지 인식 정보에 대하여 그렇지 않은 인공 지능 장치로부터 획득한 이미지 인식 정보에 비하여 높은 우선순위를 부여하고, 우선순위가 높을수록 높은 가중치를 주어 사용자의 위치를 결정할 수 있다.
이때, 프로세서(180)는 각 인공 지능 장치(100) 사이의 거리와 각 인공 지능 장치(100)에서 사용자(300)의 방향 정보를 이용하여 기하적으로 계산하여 사용자의 위치를 결정할 수도 있지만, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘으로 학습된 제1 위치 결정 모델을 이용하여 사용자의 위치를 결정할 수도 있다.
이때, 제1 위치 결정 모델은 인공 신경망으로 구성될 수 있다.
예컨대, 제1 위치 결정 모델은 각 인공 지능 장치(100)의 위치 정보와 각 인공 지능 장치(100)에서의 이미지 기반 사용자 방향 정보가 입력 특징점으로 입력되면, 사용자의 위치를 출력할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 사용자에 대한 소리 인식 정보를 기초로 결정된 사용자 위치를 보정한다(S711).
사용자에 대한 이미지 인식 정보를 기초로 사용자의 위치를 결정하는 것과 마찬가지로, 프로세서(180)는 각 인공 지능 장치들(100)의 위치 정보를 알고 있으므로, 각 인공 지능 장치들(100)에서 획득한 소리 인식 정보를 이용하면 사용자의 위치를 특정할 수 있다.
소리 인식 정보에는 사용자의 방향 정보가 포함되므로, 각 인공 지능 장치들(100)에서 판단한 사용자의 방향을 취합하면 사용자의 위치를 판단할 수 있다.
만약, 소리 인식 정보에 소리 데이터의 볼륨 데이터 또는 볼륨 데이터를 기초로 생성된 사용자까지의 거리 정보가 포함된 경우, 각 인공 지능 장치들(100)에서 판단한 볼륨 데이터 또는 거리 정보를 이용하여 사용자의 위치를 판단할 수 있다.
이때, 프로세서(180)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘으로 학습된 제2 위치 결정 모델을 이용하여 사용자의 위치를 결정할 수도 있다. 제2 위치 결정 모델은 소리 데이터로부터 사용자의 위치를 결정하는 모델로, 상기 이미지 데이터를 이용하여 위치를 결정하는 제1 위치 결정 모델과는 다르다.
이때, 제2 위치 결정 모델은 인공 신경망으로 구성될 수 있다.
예컨대, 제2 위치 결정 모델은 각 인공 지능 장치(100)의 위치 정보와 각 인공 지능 장치(100)에서의 소리 기반 사용자 방향 정보가 입력 특징점으로 입력되면, 사용자의 위치를 출력할 수 있다.
또는, 제2 위치 결정 모델은 각 인공 지능 장치(100)의 위치 정보와 각 인공 지능 장치(100)에서의 소리 볼륨 정보가 입력 특징점으로 입력되면, 사용자의 위치를 출력할 수 있다.
소리 볼륨 정보를 이용하는 경우, 주변 객체나 공간의 구조에 따라 동일한 거리라고 하더라도 소리의 크기가 다르게 되는 문제점이 있다. 따라서, 소리 볼륨 정보를 이용하는 경우에는 기계적으로 소리 볼륨에 따라 각 인공 지능 장치(100)에서의 거리를 추정하기에는 정확도가 크게 떨어질 수 있으므로, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 인공 지능 시스템(1)의 환경을 학습시킴으로써 정확도를 높일 수 있다.
이때, 프로세서(180)는 일정 시간 이상 이동하지 않은 고정된 인공 지능 장치로부터 획득한 소리 인식 정보에 대하여 그렇지 않은 인공 지능 장치로부터 획득한 소리 인식 정보에 비하여 높은 우선순위를 부여하고, 우선순위가 높을수록 높은 가중치를 주어 사용자의 위치를 보정할 수 있다.
사용자의 위치를 결정함에 있어서, 이미지 데이터로부터 획득한 이미지 인식 정보를 이용하여 사용자 위치를 결정한 이후 소리 데이터로부터 획득한 소리 인식 정보를 이용하여 결정한 사용자 위치를 보정한다는 것은, 이미지 데이터의 우선순위가 소리 데이터의 우선순위보다 높다는 것을 의미할 수 있다.
이에 따라, 인공 지능 장치들(100)은 카메라(121) 및 마이크로폰(122)을 통하여 생성한 서로 측위 정보를 공유함으로써, 단독으로는 파악할 수 없었던 사용자 위치를 파악할 수 있다. 그리고, 하나의 인공 지능 시스템(1)을 구성하는 인공 지능 장치들(100)이 늘어남에 따라 사용자의 위치를 파악할 수 있는 범위가 늘어나며 결정하는 위치의 정확도가 증가한다.
도 8 및 9는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)의 위치 정보를 획득하는 방법을 나타낸 도면이다.
구체적으로, 도 8은 인공 지능 시스템(1)에 제1 인공 지능 장치(801) 및 제2 인공 지능 장치(802)가 이미 등록된 상태에서 새로운 인공 지능 장치(803)를 등록을 하는 상황을 나타내며, 도 9는 인공 지능 시스템(1)에 등록된 제1 인공 지능 장치(801)에서 획득한 이미지 데이터(도 9의 (a))와 제2 인공 지능 장치(802)에서 획득한 이미지 데이터(도 9의 (b))를 나타낸다.
이때, 제1 인공 지능 장치(801)와 제2 인공 지능 장치(802)는 인공 지능 시스템(1)에 등록될 때, 서로 사이의 거리 정보, 각자의 카메라 방향 정보를 획득할 수 있다.
제1 인공 지능 장치(801)는 획득한 이미지 데이터에 포함된 새로운 인공 지능 장치(803)를 인식하고, 인식한 새로운 인공 지능 장치(803)의 제1 인공 지능 장치(801)에 대한 방향을 결정할 수 있다.
여기서, 새로운 인공 지능 장치(803)의 제1 인공 지능 장치(801)에 대한 방향은 제1 인공 지능 장치(801)의 카메라 방향에 대한 상대적인 방향(θ1)으로 표현될 수 있다. 그리고, 이러한 상대적인 방향과 카메라 방향 정보를 이용하면 새로운 인공 지능 장치(803)의 제1 인공 지능 장치(801)에 대한 절대적인 방향을 파악할 수 있다.
제2 인공 지능 장치(802)는 획득한 이미지 데이터에 포함된 새로운 인공 지능 장치(803)를 인식하고, 인식한 새로운 인공 지능 장치(803)의 제2 인공 지능 장치(802)에 대한 방향을 결정할 수 있다.
여기서, 새로운 인공 지능 장치(803)의 제2 인공 지능 장치(802)에 대한 방향은 제2 인공 지능 장치(802)의 카메라 방향에 대한 상대적인 방향(θ2)으로 표현될 수 있다. 그리고, 이러한 상대적인 방향과 카메라 방향 정보를 이용하면 새로운 인공 지능 장치(803)의 제2 인공 지능 장치(802)에 대한 절대적인 방향을 파악할 수 있다.
이미 등록된 인공 지능 장치들(801, 802)은 새로운 인공 지능 장치(803)의 방향 정보를 획득하며, 각 인공 지능 장치들(801, 802) 사이의 거리 정보를 알고 있으므로, 각 인공 지능 장치들(801, 802, 803) 사이의 거리 및 방향을 파악할 수 있다. 나아가, 인공 지능 시스템(1) 내부에서의 새로운 인공 지능 장치(803)의 위치를 파악할 수 있다.
도 8 및 9는 이미 등록된 인공 지능 장치들(801, 802)을 이용하여 새로운 인공 지능 장치(803)의 위치를 파악하는 방법을 나타낸 것이지만, 본 발명은 이와 동일한 방법을 이용하여 인공 지능 장치들(801, 802)을 이용하여 사용자의 위치를 파악할 수 있다.
도 10 및 11은 본 발명의 일 실시 예에 따른 사용자의 이미지 인식 정보를 생성하는 방법을 나타낸 도면이다.
구체적으로, 도 10은 인공 지능 시스템(1)에 제1 인공 지능 장치(1001), 제2 인공 지능 장치(1002) 및 제3 인공 지능 장치(1003)가 등록된 상태에서 사용자(1004)의 위치를 결정하는 상황을 나타내며, 도 11은 인공 지능 시스템(1)에 등록된 제1 인공 지능 장치(1001)에서 획득한 이미지 데이터(도 11의 (a)), 제2 인공 지능 장치(1002)에서 획득한 이미지 데이터(도 11의 (b)) 그리고 제3 인공 지능 장치(1003)에서 획득한 이미지 데이터(도 11의 (c))를 나타낸다.
도 10 및 11을 참조하면, 제1 인공 지능 장치(1001)가 획득한 이미지 데이터(도 11의 (a))에는 제3 인공 지능 장치(1003)와 사용자(1004)가 포함되며, 제2 인공 지능 장치(1002)가 획득한 이미지 데이터(도 11의 (b))에는 제3 인공 지능 장치(1003)와 사용자(1004)가 포함되며, 제3 인공 지능 장치(100)가 획득한 이미지 데이터(도 11의 (c))에는 제2 인공 지능 장치(1002) 및 사용자(1004)가 포함된다.
제1 인공 지능 장치(1001)는 획득한 이미지 데이터(도 11의 (a))에서 사용자(1004)를 인식하고, 인식한 사용자(1004)의 제1 인공 지능 장치(1001)에 대한 방향을 결정할 수 있다.
이때, 제1 인공 지능 장치(1001)는 인식한 사용자(1004)와 획득한 이미지 데이터(도 11의 (a))에 포함된 제3 인공 지능 장치(1003)와의 상대적인 방향을 결정할 수도 있다.
제2 인공 지능 장치(1002)는 획득한 이미지 데이터(도 11의 (b))에서 사용자(1004)를 인식하고, 인식한 사용자(1004)의 제2 인공 지능 장치(1002)에 대한 방향을 결정할 수 있다.
이때, 제2 인공 지능 장치(1002)는 인식한 사용자(1004)와 획득한 이미지 데이터(도 11의 (b))에 포함된 제3 인공 지능 장치(1003)와의 상대적인 방향을 결정할 수도 있다.
제3 인공 지능 장치(1003)는 획득한 이미지 데이터(도 11의 (c))에서 사용자(1004)를 인식하고, 인식한 사용자(1004)의 제3 인공 지능 장치(1003)에 대한 방향을 결정할 수 있다.
이때, 제3 인공 지능 장치(1003)는 인식한 사용자(1004)와 획득한 이미지 데이터(도 11의 (c))에 포함된 제2 인공 지능 장치(1002)와의 상대적인 방향을 결정할 수도 있다.
인공 지능 시스템(1)을 구성하는 인공 지능 장치들(1001, 1002, 1003)은 서로의 위치 정보를 알고 있으므로, 사용자(1004)의 방향을 파악함으로써 사용자의 위치를 결정할 수 있다.
도 12는 본 발명의 일 실시 예에 따른 인공 지능 서버(200)에서 사용자의 위치를 결정하는 방법을 나타낸 동작 흐름도이다.
구체적으로, 도 12는 인공 지능 서버(200)가 인공 지능 시스템(1)에 포함된 상황에서 인공 지능 서버(200)가 사용자의 위치를 결정하는 방법을 나타낸다.
인공 지능 서버(200)는 인공 지능 장치(100)와 비교하여 카메라(121)과 마이크로폰(122)를 구비하지 않은 장치를 의미할 수 있다. 따라서, 인공 지능 서버(200)는 인공 지능 장치(100)와 비교하여 이미지 데이터와 소리 데이터를 획득하는 과정을 수행하지 않는 차이점이 있다. 따라서, 도 7과 중복되는 설명은 생략한다.
도 12를 참조하면, 인공 지능 서버(200)의 프로세서(260)는 적어도 하나 이상의 인공 지능 장치(100)의 위치 정보를 획득한다(S1201).
각 인공 지능 장치들(100)은 인공 지능 서버(200)와 함께 하나의 인공 지능 시스템(1)을 구성하고, 하나의 인공 지능 시스템(1)을 구성하기 위하여 장치 등록 과정이 수행될 수 있다.
이때, 각 인공 지능 장치들(100) 및 인공 지능 서버(200)는 인공 지능 시스템(1)에 새로운 인공 지능 장치(100)가 등록될 때, 카메라를 통해 새로운 인공 지능 장치(100)에 대한 이미지 데이터를 획득하고, 획득한 이미지 데이터를 이용하여 새로운 인공 지능 장치(100)에 대한 위치 정보를 생성할 수 있다.
또는, 새로운 인공 지능 장치(100)의 위치 정보는 사용자의 입력에 의하여 결정될 수도 있다.
생성된 위치 정보는 인공 지능 장치들(100) 및 인공 지능 서버(200) 간에 서로 공유할 수 있다.
이에 따라, 하나의 인공 지능 시스템(1)을 구성하는 인공 지능 장치들(100)은 서로의 상대적인 위치를 파악하고 있거나, 인공 지능 시스템(1) 공간 내부에서의 절대적인 위치를 파악하고 있다.
그리고, 인공 지능 서버(200)의 프로세서(260)는 적어도 하나 이상의 외부 인공 지능 장치 각각으로부터 사용자에 대한 이미지 인식 정보 및 소리 인식 정보를 획득한다(S1203).
그리고, 인공 지능 서버(200)의 프로세서(260)는 인공 지능 장치들(100)의 위치 정보 및 사용자에 대한 이미지 인식 정보를 기초로 사용자의 위치를 결정한다(S1205).
그리고, 인공 지능 서버(200)의 프로세서(260)는 사용자에 대한 소리 인식 정보를 기초로 결정된 사용자 위치를 보정한다(S1207).
도 13은 본 발명의 일 실시 예에 따른 사용자 음성의 의도 정보를 획득하는 방법을 나타낸 동작 흐름도이다.
도 13을 참조하면, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 사용자의 발화 음성 데이터를 획득한다(S1301).
사용자의 발화 음성 데이터는 사용자(300)가 인공 지능 장치(100) 또는 인공 지능 서버(200)와 상호작용하기 위한 발화 음성에 대한 데이터로, 특정 대상을 제어하기 위한 발화 음성 또는 질의하기 위한 발화 음성 등을 의미할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 사용자의 위치를 결정한다(S1303).
여기서, 사용자의 위치는 상술한 사용자 위치를 결정 및 조정하는 방법에 의하여 결정할 수 있다.
이때, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 각 인공 지능 장치들(100)에서 획득한 이미지 데이터를 기초로 사용자의 동작을 나타내는 동작 정보를 획득할 수 있다.
사용자가 특정 대상이나 특정 방향을 가리키는 동작을 수행하는 경우에는, 동작 정보에 지칭 대상 또는 지칭 방향 정보가 포함될 수 있다.
이때, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 각 인공 지능 장치들(100)에서 획득한 이미지 데이터를 기초로 사용자의 시선 방향을 나타내는 시선 정보를 획득할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 사용자의 발화 음성 데이터에 상응하는 대상 목적물을 결정한다(S1305).
인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 사용자의 위치, 동작 정보, 시선 정보 중에서 적어도 하나 이상을 이용하여 대상 목적물을 결정할 수 있다.
대상 목적물은 사용자의 발화 음성에 상응하는 상호작용 또는 제어의 대상이 되는 물체나 장소 등을 의미할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 사용자의 발화 음성 데이터에 상응하는 의도 정보를 생성한다(S1307).
사용자가 발화시 상호작용 또는 제어의 대상을 명확히 밝히지 않은 경우라고 하더라도, 상술한 바와 같이 결정한 대상 목적물을 이용하여 사용자의 의도 정보를 생성할 수 있다.
예컨대, 사용자가 침실에서 '여기 불 꺼 줘'라고 발화한 경우, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 대상 목적물을 침실의 전등으로 결정하고, 침실의 전등을 소등하는 내용의 의도 정보를 생성할 수 있다.
예컨대, 사용자가 침실에서 특정 위치를 가리키며 '여기 청소해 줘'라고 발화한 경우, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 대상 목적물을 침실 내에서 사용자가 가리킨 구역으로 결정하고, 침실 내에서 사용자가 가리킨 구역을 청소하는 내용의 의도 정보를 생성할 수 있다.
예컨대, 사용자가 침실에서 벽걸이 시계를 바라보며 '저거 건전지 새로 사야겠다. 온라인으로 주문해줘'라고 발화한 경우, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 대상 목적물을 침실 내의 벽걸이 시계로 결정하고, 침실 내의 벽걸이 시계에 적합한 건전지를 온라인으로 주문하는 내용의 의도 정보를 생성할 수 있다.
나아가, 인공 지능 장치(100)의 프로세서(180) 또는 인공 지능 서버(200)의 프로세서(260)는 사용자의 위치에 기초하여 사용자의 발화 음성 데이터에 대한 피드백을 제공할 수 있다.
피드백에는 시각적 피드백, 청각적 피드백 또는 촉각적 피드백 중에서 적어도 하나 이상이 포함될 수 있다. 여기서, 시각적 피드백에는 디스플레이에 이미지, 텍스트를 출력하거나 조명의 밝기, 색상, 조도 등을 조절하여 출력하는 것이 포함될 수 있고, 청각적 피드백에는 음성(구어체)와 신호음(멜로디/음악)이 포함될 수 있고, 촉각적 피드백에는 진동이 포함될 수 있다.
이때, 사용자와 가까운 인공 지능 장치(100)가 피드백을 제공할 수 있다.
만약, 사용자와 가장 가까운 인공 지능 장치(100)가 특정 종류의 피드백을 출력할 수 없는 경우에는, 해당 종류의 피드백을 출력할 수 있으면서 사용자와 가장 가까운 인공 지능 장치(100)가 대신하여 피드백을 제공할 수 있다.
예컨대, 사용자가 '마트에서 건전지 주문해줘'라고 발화했을 때, 현재 사용자가 시청하고 있는 TV의 화면 또는 가까이 있는 냉장고 디스플레이에 건전지의 정보와 가격을 표시할 수 있다. 만약 가까이에 있는 디스플레이가 없다면 휴대단말기로 출력할 수 있다.
도 14는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)에서 수집하는 인식 정보의 예시를 나타낸 도면이다.
도 14에 도시된 예시에서는, 인공 지능 시스템(1401)에는 3개의 인공 지능 장치들(1411, 1412, 1413)와 1개의 인공 지능 서버(1421)가 포함되어 있다. 여기서, 제1 인공 지능 장치(1411)는 냉장고이고, 제2 인공 지능 장치(1412)는 세탁기이고, 제3 인공 지능 장치(1413)는 TV이다.
각 인공 지능 장치(1411, 1412, 1413)는 이미지 데이터와 소리 데이터를 이용하여 사용자에 대한 인식 정보(1431, 1432, 1433)를 생성하여, 다른 인공 지능 장치들 또는 인공 지능 서버(1421)에 전송할 수 있다.
여기서, 인식 정보는 사용자에 대한 이미지 데이터를 기초로 생성한 인식 정보와 소리 데이터를 기초로 생성한 인식 정보를 포함할 수 있다.
인식 정보(1431, 1432, 1433)는 각 노드 또는 각 인공 지능 장치(1411, 1412, 1413)의 상태를 나타내는 'status'를 포함할 수 있다. 기기의 상태는 기기의 도메인의 따라 다르게 해석될 수 있다. 인공 지능 서버(1421)는 제품 등록시 각 기기에 대한 도메인 세부 정보를 획득할 수 있다.
또한, 인식 정보(1431, 1432, 1433)는 기기 상태의 세부 정보를 나타내는 'details'를 포함할 수 있다. 예컨대 TV(1433) 도메인에서의 'date'는 콘텐츠의 시작 시간이나 TV가 켜진 시간을 나타낸다면, 세탁기에서의 'date'는 세탁 시작 시간이 될 수 있다.
또한, 인식 정보(1431, 1432, 1433)는 카메라를 통해 인식한 사용자의 방향을 나타내는 'users_vision'과 마이크로폰을 통해 인식한 사용자의 방향을 나타내는 'users_voice'를 포함할 수 있다.
또한, 인식 정보(1431, 1432, 1433)는 사용자를 특정하기 위한 각 사용자별 특징점을 나타내는 'user_info'를 포함할 수 있다. 사용자별 특징점은 얼굴의 랜드마크를 추출하거나 신체적인 랜드마크를 의미할 수 있다.
또한, 인식 정보(1431, 1432, 1433)는 기기의 시선에서 봤을 때 사용자의 시선 방향을 나타내는 'sight'를 포함할 수 있다. 시선 방향은 카메라의 다양한 수준으로 표현될 수 있으며, 0도 내지 360도의 범위로 표현되거나, 동서남북의 방위로 표현될 수도 있다.
또한, 인식 정보(1321, 1432, 1433)는 각 사용자의 동작을 나타내는 'behavior'를 포함할 수 있다. 사용자의 동작에는 seating, standing, walking, lying, pointing 등이 포함될 수 있다.
인식 정보(1431, 1432, 1433)에서 사용자와 관련된 항목들은 복수의 사용자가 인식된 경우에는, 각 사용자별로 데이터가 수집될 수 있다.
인공 지능 서버(1421)는 각 인공 지능 장치들(1411, 1412, 1413)로부터 수신한 인식 정보(1431, 1432, 1433)를 이용하여 사용자의 위치를 결정할 수 있다.
각 인공 지능 장치들(1411, 1412, 1413)로부터 받은 인식 정보(1431, 1432, 1433)는 인공 지능 서버(1421)에서 처리되어 글로벌 좌표로 표현될 수 있다.
여러 사용자가 존재하기 때문에 인공 지능 서버(1421)는 각 사용자별로 ID를 부여하고, 각 사용자별 행동과 위치를 결정할 수 있다.
이와 같이, 각 인공 지능 장치(1411, 1412, 1413) 또는 인공 지능 서버(1421)는 사용자의 위치를 결정하여 사용자 맞춤형 서비스를 제공할 수 있다.
예컨대, 거실에서 TV를 보고 있는 사용자가 벽에 걸려 있는 시계를 바라보며 "저것 건전지 바꿔야겠다. 온라인으로 주문해 줘"라고 발화했을 때, 인공 지능 서버(200)는 수집된 인식 정보를 이용하여 '저것'이 사용자의 시선 방향의 벽에 걸려 있는 시계인 것으로 결정하고, 해당 시계에 알맞은 사이즈의 건전지를 온라인으로 주문할 수 있다.
도 14는 인공 지능 서버(1421)가 인공 지능 장치들(1411, 1412, 1413)로부터 인식 정보를 획득하여 사용자 위치를 결정하는 인공 지능 시스템(1401)의 예시이며, 본 발명이 이에 한정되지 않는다.
즉, 도 14에서 인공 지능 서버(1421)가 인공 지능 장치로 대체되더라도 상관없다.
도 15는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)에서 수집하는 인식 정보의 예시를 나타낸 도면이다.
도 15에 도시된 예시에서는, 인공 지능 시스템(1501)에는 실내에 설치된 3개의 인공 지능 장치들(1511, 1512, 1513), 2개의 외부 인공 지능 장치들(1514, 1515) 및 1개의 인공 지능 서버(1521)가 포함되어 있다. 여기서, 제1 인공 지능 장치(1511)는 냉장고이고, 제2 인공 지능 장치(1512)는 세탁기이고, 제3 인공 지능 장치(1513)는 TV이고, 제4 인공 지능 장치(1514)는 자동차이고, 제5 인공 지능 장치(1515)는 휴대단말기이다.
사용자가 댁내에 있을 경우라고 하더라도, 자동차(1514)나 휴대단말기(1515)처럼 GPS 정보를 획득할 수 있는 경우, 자동차(1514) 도는 휴대단말기(1515)는 설정된 목적지와 GPS 데이터를 인공 지능 서버(1521)에 전송하여 사용자의 위치를 예측하여 서비스를 제공할 수 있다.
예컨대, 자동차(1514)의 목적지가 집으로 설정되어 있고 현재 겨울이라면, 인공 지능 서버(1521)는 보일러를 미리 틀도록 제어할 수 있다. 여기서, 보일러는 단순히 집 전체의 난방이 아닌, 특정 사용자의 동선(또는 내 방)에 맞춰 난방하도록 제어될 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 (11)

  1. 사용자의 위치를 결정하는 인공 지능 장치에 있어서,
    제1 이미지 데이터 및 제1 소리 데이터를 획득하는 적어도 하나 이상의 외부 인공 지능 장치와 통신하는 통신부;
    상기 적어도 하나 이상의 외부 인공 지능 장치와 상기 인공 지능 장치의 위치 정보를 저장하는 메모리;
    제2 이미지 데이터를 획득하는 카메라;
    제2 소리 데이터를 획득하는 마이크로폰; 및
    상기 제2 이미지 데이터를 기초로 상기 사용자에 대한 제1 인식 정보를 생성하고, 상기 제2 소리 데이터를 기초로 상기 사용자에 대한 제2 인식 정보를 생성하고, 상기 적어도 하나 이상의 외부 인공 지능 장치 각각으로부터 상기 제1 이미지 데이터를 기초로 생성된 제3 인식 정보 및 상기 제1 소리 데이터를 기초로 생성된 제4 인식 정보를 획득하고, 상기 위치 정보, 상기 제1 인식 정보 및 상기 제3 인식 정보를 기초로 사용자 위치를 결정하고, 상기 제2 인식 정보 및 상기 제4 인식 정보를 기초로 상기 결정된 사용자 위치를 보정하는 프로세서
    를 포함하고,
    상기 프로세서는
    상기 인공 지능 장치 또는 상기 적어도 하나 이상의 외부 인공 지능 장치 중에서 일정 시간 이상 이동하지 않은 장치에서 수집된 상기 인식 정보들에 대하여 그렇지 않은 장치에서 수집된 인식 정보들보다 높은 우선순위를 부여하고, 상기 인식 정보들에 대하여 상기 우선순위를 고려하여 상기 사용자 위치를 결정하는,
    인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 위치 정보는
    상기 인공 지능 장치에서 상기 적어도 하나 이상의 외부 인공 지능 장치까지의 거리 정보 및 상기 적어도 하나 이상의 외부 인공 지능 장치의 카메라 방향 정보를 포함하고,
    상기 제1 인식 정보 내지 제4 인식 정보는
    상응하는 상기 인공 지능 장치 또는 상기 적어도 하나 이상의 외부 인공 지능 장치에 대한 상기 사용자의 방향 정보를 포함하고,
    상기 프로세서는
    상기 거리 정보, 상기 카메라 방향 정보 및 상기 사용자의 방향 정보에 기초하여 상기 사용자의 위치를 결정 및 보정하는, 인공 지능 장치.
  3. 청구항 2에 있어서,
    상기 위치 정보는
    상기 인공 지능 장치 또는 상기 적어도 하나 이상의 외부 인공 지능 장치를 설치할 때, 사용자 입력에 의하여 설정되거나 상기 제1 이미지 데이터와 상기 제2 이미지 데이터에 기초하여 생성된 이미지 인식 정보에 기초하여 결정되는, 인공 지능 장치.
  4. 청구항 3에 있어서,
    상기 위치 정보는
    상기 적어도 하나 이상의 외부 인공 지능 장치 및 상기 인공 지능 장치의 설치 공간에 상응하는 지도 데이터 내에서의 위치를 포함하고,
    상기 결정된 사용자 위치는
    상기 지도 데이터 내에서의 상기 사용자의 위치를 포함하는, 인공 지능 장치.
  5. 삭제
  6. 청구항 1에 있어서,
    상기 프로세서는
    상기 사용자로부터 발화 음성 데이터를 획득하면 상기 사용자 위치를 결정하고, 상기 결정된 사용자 위치를 이용하여 상기 발화 음성 데이터에 상응하는 대상 목적물을 결정하는, 인공 지능 장치.
  7. 청구항 6에 있어서,
    상기 프로세서는
    상기 제2 이미지 데이터를 기초로 상기 사용자의 동작 정보를 획득하고, 상기 동작 정보를 이용하여 상기 발화 음성 데이터에 상응하는 대상 목적물을 결정하는, 인공 지능 장치.
  8. 청구항 6에 있어서,
    상기 프로세서는
    상기 제2 이미지 데이터를 기초로 상기 사용자의 시선 정보를 획득하고, 상기 시선 정보를 이용하여 상기 발화 음성 데이터에 상응하는 대상 목적물을 결정하는, 인공 지능 장치.
  9. 청구항 1에 있어서,
    상기 프로세서는
    머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는 사용자 인식 모델을 이용하여 상기 제1 인식 정보 또는 상기 제2 인식 정보를 생성하는, 인공 지능 장치.
  10. 사용자의 위치를 결정하는 인공 지능 장치의 동작 방법에 있어서,
    제1 이미지 데이터 및 제1 소리 데이터를 획득하는 적어도 하나 이상의 외부 인공 지능 장치와 상기 인공 지능 장치의 위치 정보를 획득하는 단계;
    제2 이미지 데이터를 획득하는 단계;
    제2 소리 데이터를 획득하는 단계; 및
    상기 제2 이미지 데이터를 기초로 상기 사용자에 대한 제1 인식 정보를 생성하는 단계;
    상기 제2 소리 데이터를 기초로 상기 사용자에 대한 제2 인식 정보를 생성하는 단계;
    상기 적어도 하나 이상의 외부 인공 지능 장치 각각으로부터 상기 제1 이미지 데이터를 기초로 생성된 제3 인식 정보 및 상기 제1 소리 데이터를 기초로 생성된 제4 인식 정보를 획득하는 단계;
    상기 위치 정보, 상기 제1 인식 정보 및 상기 제3 인식 정보를 기초로 사용자 위치를 결정하는 단계; 및
    상기 제2 인식 정보 및 상기 제4 인식 정보를 기초로 상기 결정된 사용자 위치를 보정하는 단계를 포함하고,
    상기 사용자 위치를 결정하는 단계는
    상기 인공 지능 장치 또는 상기 적어도 하나 이상의 외부 인공 지능 장치 중에서 일정 시간 이상 이동하지 않은 장치에서 수집된 상기 인식 정보들에 대하여 그렇지 않은 장치에서 수집된 인식 정보들보다 높은 우선순위를 부여하고, 상기 인식 정보들에 대하여 상기 우선순위를 고려하여 상기 사용자 위치를 결정하는 단계를 포함하는, 인공 지능 장치의 동작 방법.
  11. 인공 지능 장치를 이용하여 사용자의 위치를 결정하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
    상기 사용자의 위치를 결정하는 방법은
    제1 이미지 데이터 및 제1 소리 데이터를 획득하는 적어도 하나 이상의 외부 인공 지능 장치와 상기 인공 지능 장치의 위치 정보를 획득하는 단계;
    제2 이미지 데이터를 획득하는 단계;
    제2 소리 데이터를 획득하는 단계; 및
    상기 제2 이미지 데이터를 기초로 상기 사용자에 대한 제1 인식 정보를 생성하는 단계;
    상기 제2 소리 데이터를 기초로 상기 사용자에 대한 제2 인식 정보를 생성하는 단계;
    상기 적어도 하나 이상의 외부 인공 지능 장치 각각으로부터 상기 제1 이미지 데이터를 기초로 생성된 제3 인식 정보 및 상기 제1 소리 데이터를 기초로 생성된 제4 인식 정보를 획득하는 단계;
    상기 위치 정보, 상기 제1 인식 정보 및 상기 제3 인식 정보를 기초로 사용자 위치를 결정하는 단계; 및
    상기 제2 인식 정보 및 상기 제4 인식 정보를 기초로 상기 결정된 사용자 위치를 보정하는 단계를 포함하고,
    상기 사용자 위치를 결정하는 단계는
    상기 인공 지능 장치 또는 상기 적어도 하나 이상의 외부 인공 지능 장치 중에서 일정 시간 이상 이동하지 않은 장치에서 수집된 상기 인식 정보들에 대하여 그렇지 않은 장치에서 수집된 인식 정보들보다 높은 우선순위를 부여하고, 상기 인식 정보들에 대하여 상기 우선순위를 고려하여 상기 사용자 위치를 결정하는 단계를 포함하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.
KR1020197020895A 2019-06-05 2019-06-05 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법 KR102331672B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/006818 WO2020246640A1 (ko) 2019-06-05 2019-06-05 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20200128486A KR20200128486A (ko) 2020-11-13
KR102331672B1 true KR102331672B1 (ko) 2021-11-30

Family

ID=73399014

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197020895A KR102331672B1 (ko) 2019-06-05 2019-06-05 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법

Country Status (3)

Country Link
US (1) US11182922B2 (ko)
KR (1) KR102331672B1 (ko)
WO (1) WO2020246640A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160373269A1 (en) * 2015-06-18 2016-12-22 Panasonic Intellectual Property Corporation Of America Device control method, controller, and recording medium

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009194857A (ja) 2008-02-18 2009-08-27 Sharp Corp 通信会議システム、通信装置、通信会議方法、コンピュータプログラム
US9710753B1 (en) 2013-10-22 2017-07-18 Lumin, LLC Collaboration of audio sensors for geo-location of events in an artificial intelligence (AI) environment
US10467509B2 (en) 2017-02-14 2019-11-05 Microsoft Technology Licensing, Llc Computationally-efficient human-identifying smart assistant computer
KR102025391B1 (ko) * 2017-05-15 2019-09-25 네이버 주식회사 사용자의 발화 위치에 따른 디바이스 제어
US10547937B2 (en) * 2017-08-28 2020-01-28 Bose Corporation User-controlled beam steering in microphone array
US20190237078A1 (en) 2017-08-31 2019-08-01 Humax Co., Ltd. Voice recognition image feedback providing system and method
KR20190024190A (ko) 2017-08-31 2019-03-08 (주)휴맥스 음성 인식 영상 피드백 제공 시스템 및 방법
US10083006B1 (en) * 2017-09-12 2018-09-25 Google Llc Intercom-style communication using multiple computing devices
US11040441B2 (en) * 2018-09-20 2021-06-22 Sony Group Corporation Situation-aware robot
WO2020077254A1 (en) * 2018-10-12 2020-04-16 Armaments Research Company Inc. Firearm monitoring and remote support system
US10803458B1 (en) * 2018-12-20 2020-10-13 Worldpay, Llc Methods and systems for detecting suspicious or non-suspicious activities involving a mobile device use

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160373269A1 (en) * 2015-06-18 2016-12-22 Panasonic Intellectual Property Corporation Of America Device control method, controller, and recording medium

Also Published As

Publication number Publication date
US11182922B2 (en) 2021-11-23
KR20200128486A (ko) 2020-11-13
WO2020246640A1 (ko) 2020-12-10
US20210174534A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
US20200042832A1 (en) Artificial intelligence apparatus and method for updating artificial intelligence model
KR102339085B1 (ko) 사용자의 어플리케이션 사용 기록을 고려하여 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
US10872438B2 (en) Artificial intelligence device capable of being controlled according to user&#39;s gaze and method of operating the same
US20190360717A1 (en) Artificial intelligence device capable of automatically checking ventilation situation and method of operating the same
US20200020339A1 (en) Artificial intelligence electronic device
KR102286137B1 (ko) 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
US20190389057A1 (en) Artificial intelligence robot for managing movement of object using artificial intelligence and method of operating the same
KR20190106862A (ko) 인공지능 장치 및 그를 이용한 IoT 기기의 도난 감지 및 탐색 방법
KR20190104264A (ko) 차량에 탑재되는 인공 지능 장치 및 그 방법
KR20190094313A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
US20200005144A1 (en) Artificial intelligence server for controlling a plurality of robots using artificial intelligence
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20190095193A (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
KR20190114925A (ko) 소리 신호 분류를 이용한 인공지능장치 및 그 방법
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11210567B2 (en) Artificial intelligence apparatus and method for recognizing object
US20210161347A1 (en) Artificial intelligence cleaner and operating method thereof
US20210133561A1 (en) Artificial intelligence device and method of operating the same
US20210116929A1 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
KR20190095195A (ko) 사용자의 동선에 기초한 서비스를 제공하는 인공 지능 장치 및 그 방법
KR20190095194A (ko) 사용자의 동선을 결정하는 인공 지능 장치 및 그 방법

Legal Events

Date Code Title Description
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