KR102367831B1 - 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 - Google Patents

운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 Download PDF

Info

Publication number
KR102367831B1
KR102367831B1 KR1020190089186A KR20190089186A KR102367831B1 KR 102367831 B1 KR102367831 B1 KR 102367831B1 KR 1020190089186 A KR1020190089186 A KR 1020190089186A KR 20190089186 A KR20190089186 A KR 20190089186A KR 102367831 B1 KR102367831 B1 KR 102367831B1
Authority
KR
South Korea
Prior art keywords
artificial intelligence
information
category
time series
series data
Prior art date
Application number
KR1020190089186A
Other languages
English (en)
Other versions
KR20190104267A (ko
Inventor
한종우
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 KR1020190089186A priority Critical patent/KR102367831B1/ko
Priority to US16/557,253 priority patent/US11449045B2/en
Publication of KR20190104267A publication Critical patent/KR20190104267A/ko
Application granted granted Critical
Publication of KR102367831B1 publication Critical patent/KR102367831B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은, 인공 지능 기기의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집하는 센싱부, 상기 운전 로그에 대응하는 데이터를 저장하는 메모리 및 상기 운전 로그에 대응하는 데이터를 인공 지능 모델에 제공하여 상기 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하고, 상기 획득한 정보에 따른 제어를 수행하는 프로세서를 포함하는 인공 지능 기기를 제공한다.

Description

운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 {AN ARTIFICIAL INTELLIGENCE APPARATUS FOR THE SELF-DIAGNOSIS USING LOG DATA AND ARTIFICIAL INTELLIGENCE MODEL AND METHOD FOR THE SAME}
본 발명은, 인공 지능 기기의 운전 로그를 인공지능모델에 입력하여 인공 지능 기기의 고장을 진단할 수 있는 인공 지능 기기에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.
그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.
한편, 인공 지능 기기는 다양한 원인으로 인해 고장이 발생할 수 있다. 그러나 고장이 발생한 인공 지능 기기의 고장 증상 및 원인을 파악하는 것은 고도의 전문가가 아니면 판단하기 어려운 문제가 있다.
또한, 인공 지능 기기가 사용되는 개별 환경이 사용자마다 상이하기 때문에 개별 사용 환경을 고려한 고장 진단이 필요하다.
따라서, 개별 사용 환경에 맞추어 스스로 고장 진단을 하고 고장 증상을 판단할 수 있는 인공 지능 기기의 필요성이 증대되고 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 발명은 전문가의 도움 없이도 인공 지능 기기의 고장 진단을 할 수 있는 인공 지능 기기의 제공을 목적으로 한다.
본 발명은 인공 지능 기기가 센싱하는 정보를 이용하여 인공지능모델을 학습시키고, 학습된 인공지능모델을 이용하여 인공 지능 기기의 고장 진단을 할 수 있는 인공 지능 기기의 제공을 목적으로 한다.
본 발명은 인공지능모델을 인공 지능 기기가 사용되는 개별 환경을 고려하여 재학습시킴으로써, 개별 환경을 고려한 고장 진단을 할 수 있는 인공 지능 기기의 제공을 목적으로 한다.
본 발명은 인공 지능 기기가 센싱하는 정보를 효율적으로 관리할 수 있는 인공 지능 기기의 제공을 목적으로 한다.
본 발명의 일 실시 예는 인공 지능 기기의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집하는 센싱부, 운전 로그에 대응하는 데이터를 저장하는 메모리 및 운전 로그에 대응하는 데이터를 인공 지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하고, 획득한 정보에 따른 제어를 수행하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 인공지능 모델은 운전 로그에 대응하는 훈련용 데이터에 및 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링하여 트레이닝 된 뉴럴 네트워크인 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 운전 로그에 대응하는 데이터를 인공지능 모델에 제공하고, 인공지능 모델이 제공되는 데이터를 이용하여 출력하는 분류값에 기초하여 운전 로그가 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 중 어느 범주에 해당하는지에 대한 분류결과정보를 획득하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 인공 지능 기기가 정상 범주에 해당하는 것으로 판별되는 경우, 메모리에 저장된 운전 로그에 대응하는 데이터를 삭제하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 인공 지능 기기가 고장 증상 범주에 해당하는 것으로 판별된 경우, 메모리에 저장된 운전 로그에 대응하는 데이터를 특이 로그로 메모리에 저장하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 획득한 정보에 대응하는 고장 접수가 된 경우, 메모리에 저장된 특이 로그에 대한 접근 요청을 허용하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 기설정된 시간 내에 획득한 정보에 대응하는 고장 접수가 되지 않은 경우, 운전 로그에 대응하는 데이터에 정상 범주에 대한 정보를 레이블링하여 인공지능 모델에 제공하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 기설정된 시간 내에 획득한 정보에 대응하는 고장 접수가 된 경우, 운전 로그에 대응하는 데이터에 고장 증상 범주에 대한 정보를 레이블링하여 인공지능 모델에 제공하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
본 발명의 일 실시 예는 인공 지능 기기의 외부 환경 요소에 대한 정보인 미세먼지 농도를 수집하는 먼지 센서 및 인공 지능 기기의 동작 상태 정보인 모터의 분당 회전 수를 수집하는 모터 센서를 포함하는 센싱부를 포함하고, 운전 로그에 대응하는 데이터는 먼지 센서가 수집한 미세먼지 농도 및 모터 센서가 수집한 모터의 분당 회전 수를 나타내는 특징 벡터인 인공지능 기기를 제공한다.
본 발명의 일 실시 예는 운전 로그에 대응하는 시간 구간의 데이터를 인공지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하는 프로세서를 포함하는 인공 지능 기기를 제공한다.
또한, 본 발명의 일 실시 예는 인공 지능 기기의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집하는 단계, 운전 로그에 대응하는 데이터를 인공지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하는 단계 및 기 획득한 정보에 따른 제어를 수행하는 단계를 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 상기 인공지능 모델은 전 로그에 대응하는 훈련용 데이터에 및 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링하여 트레이닝 된 뉴럴 네트워크인 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 상기 운전 로그에 대응하는 데이터를 인공지능 모델에 제공하고, 인공지능 모델이 제공되는 데이터를 이용하여 출력하는 분류값에 기초하여 운전 로그가 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 중 어느 범주에 해당하는지에 대한 분류결과정보를 획득하는 단계를 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 획득한 정보를 기초로 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는지 판별하는 단계 및 인공 지능 기기가 정상 범주에 해당하는 것으로 판별되는 경우, 운전 로그에 대응하는 데이터를 삭제하는 단계를 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 획득한 정보를 기초로 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는지 판별하는 단계 및 인공 지능 기기가 고장 증상 범주에 해당하는 것으로 판별된 경우, 운전 로그에 대응하는 데이터를 특이 로그로 저장하는 단계를 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득하는 단계 및 획득한 정보에 대응하는 고장 접수가 된 경우, 저장된 특이 로그에 대한 접근 요청을 허용하는 단계를 더 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득하는 단계 및 기설정된 시간 내에 획득한 정보에 대응하는 고장 접수가 되지 않은 경우, 운전 로그에 대응하는 데이터에 정상 범주에 대한 정보를 레이블링하여 인공지능 모델에 제공하는 단계를 더 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득하는 단계 및 기설정된 시간 내에 획득한 정보에 대응하는 고장 접수가 된 경우, 운전 로그에 대응하는 데이터에 고장 증상 범주에 대한 정보를 레이블링하여 인공지능 모델에 제공하는 단계를 더 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 인공 지능 기기의 외부 환경 요소에 대한 정보인 미세먼지 농도를 수집하는 단계, 인공 지능 기기의 동작 상태 정보인 모터의 분당 회전 수를 수집하는 단계, 미세먼지 농도 및 모터의 분당 회전 수를 나타내는 특징 벡터를 인공지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하는 단계를 포함하는 고장 진단 방법을 제공한다.
또한, 본 발명의 일 실시 예는 운전 로그에 대응하는 시간 구간의 데이터를 인공지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하는 단계를 포함하는 고장 진단 방법을 제공한다.
본 발명의 실시 예에 따르면, 전문가의 도움 없이도 인공 지능 기기의 고장 진단을 할 수 있다.
또한, 본 발명의 실시 예에 따르면, 인공 지능 기기가 센싱하는 정보를 이용하여 인공지능모델을 학습시키고, 학습된 인공지능모델을 이용하여 인공 지능 기기의 고장 진단을 할 수 있다.
또한, 본 발명의 실시 예에 따르면, 인공 지능 기기가 사용되는 개별 환경을 고려하여 고장 진단을 할 수 있다.
또한, 본 발명의 실시 예에 따르면, 인공 지능 기기가 사용되는 환경 요소 및 동작 상태에 대한 모든 운전 로그를 저장할 필요 없이, 저장할 운전 로그만을 구분함으로써, 효율적으로 로그를 관리할 수 있다.
또한, 본 발명의 실시 예에 따르면, 인공 지능 기기의 고장 증상 및 원인을 파악할 수 있도록 함으로써, 고장 접수 및 수리를 효율적으로 할 수 있게 한다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 센싱부(140)를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른, 인공지능모델의 생성 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 인공 지능 기기가 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 방법을 나타낸 동작 흐름도이다.
도 7 내지 9은 본 발명의 일 실시예에 따른 인공 지능 기기의 인공지능모델이 학습하는 운전 로그에 대응하는 데이터를 설명하기 위한 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. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
먼저 인공지능에 대하여 간단히 설명한다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 4는 본 발명의 일 실시 예에 따른 센싱부(140)를 설명하기 위한 도면이다.
도 4를 참조하면, 인공 지능 기기(100)의 센싱부(140)는 다양한 센서를 활용하여 인공 지능 기기(100)의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집할 수 있다. 운전 로그에는 외부 환경 요소에 대한 정보인 미세먼지 농도, 초미세먼지 농도, 극초미세먼지 농도, 냄새농도값, 공기오염도, 먼지오염도, 냄새오염도, 종합청정도, 습도값 및 온도값 중 적어도 하나에 대한 정보를 포함할 수 있다. 또한, 운전 로그에는 동작 상태에 대한 정보인 센서 모니터링 ON/OFF 상태, 시그널 라이팅 ON/OFF 상태, 꺼짐/켜짐 예약 시간, 동작 여부, 취침 예약 시간 및 운전모드 중 적어도 하나에 대한 정보를 포함할 수 있다.
또한, 인공 지능 기기(100)의 메모리(170)는 운전 로그에 대응하는 데이터를 저장할 수 있다.
센싱부(140)는 미세먼지 농도, 초미세먼지 농도 또는 극초미세먼지 농도를 수집하는 먼지 센서(1401)를 포함할 수 있다. 먼지 센서(1401)는 인공 지능 기기(100)의 외부 환경 요소에 대한 정보인 미세먼지 농도를 수집할 수 있다.
센싱부(140)는 인공 지능 기기(100)가 모터를 사용하는 경우, 인공 지능 기기기(100)의 모터의 분당 회전수를 수집하는 모터 센서(1402)를 포함할 수 있다. 모터 센서(1402)는 인공 지능 기기의 동작 상태 정보인 모터의 분당 회전 수를 수집할 수 있다.
센싱부(140)는 냄새농도값 또는 공기오염도를 수집하는 냄새 센서(1403)을 포함할 수 있다.
센싱부(140)는 먼지오염도 및 냄새오염도를 기초로 종합청정도를 수집하는 종합청정도 센서(1404)를 포함할 수 있다.
센싱부(140)는 습도값을 수집하는 습도 센서(1405)를 포함할 수 있다.
센싱부(140)는 온도값을 수집하는 온도 센서(1406)을 포함할 수 있다.
센싱부(140)는 센서 모니터링 ON/OFF 상태를 수집하는 모니터링 센서(1407)를 포함할 수 있다.
센싱부(140)는 시그널 라이팅 ON/OFF 상태를 수집하는 시그널라이팅 센서(1408)을 포함할 수 있다.
센싱부(140)는 인공 지능 기기(100)의 꺼짐 또는 켜짐 예약 시간을 수집하는 꺼짐/켜짐예약 센서(1409)를 포함할 수 있다.
센싱부(140)는 인공 지능 기기(100)의 동작 여부의 정보를 수집하는 전원 센서(1410)를 포함할 수 있다.
센싱부(140)는 인공 지능 기기(100)의 취침 예약 시간을 수집하는 취침예약 센서(1411)를 포함할 수 있다.
센싱부(140)는 인공 지능 기기(100)의 운전모드에 대한 정보를 수집하는 운전모드 센서(1412)를 포함할 수 있다.
도 5는 본 발명의 일 실시예에 따른, 인공지능모델의 생성 방법을 설명하기 위한 도면이다.
본 발명의 실시 예에 따른 인공지능 모델은, 인공 지능 기기가 정상적으로 동작을 하는지 고장이 발생한 것인지를 예측하도록 트레이닝 되거나, 고장 증상이 무엇인지를 예측하도록 트레이닝 될 수 있다.
인공지능모델은, 운전 로그에 대응하는 훈련용 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링하여 트레이닝 된 뉴럴 네트워크일 수 있다. 한편, 뉴럴 네트워크를 인공지능 모델이라 명칭할 수 있다. 또한, 인공지능 모델은 인공 지능 서버(200)에서 트레이닝 되어 인공 지능 기기(100)에 탑재될 수 잇다. 또한, 인공 지능 기기(100)가 뉴럴 네트워크를 트레이닝 할 수 있다.
먼저 도 5의 (a)를 참조하여, 인공 지능 기기가 정상인지 고장인지를 예측하도록 트레이닝 하는 방법을 설명한다.
인공 지능 서버(200)는 운전 로그에 대응하는 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링 하여 뉴럴 네트워크(501)를 트레이닝 할 수 있다.
인공 지능 서버(200)는, 정상 시나리오에 따른 운전 로그에 대응하는 훈련용 데이터에 정상 범주에 대한 정보를 레이블링하고, 고장 시나리오에 따른 운전 로그에 대응하는 훈련용 데이터에 고장 증상 범주에 대한 정보를 레이블링하여 뉴럴 네트워크(501)를 트레이닝 할 수 있다.
구체적으로 인공 지능 서버(200)는 센서를 이용하여 인공 지능 기기(100)의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집하고, 수집한 운전 로그를 운전 로그에 대응하는 데이터로 변환할 수 있다. 그리고 인공 지능 서버(200)는 운전 로그에 대응하는 데이터를 입력 값으로, 인공 지능 기기의 운전 로그가 수집될 때의 인공 지능 기기의 상태(정상 범주 내 동작 또는 고장 증상 범주 내 동작)를 출력 값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다. 여기서 인공 지능 기기의 상태(정상 범주 내 동작 또는 고장 증상 범주 내 동작)는, 뉴럴 네트워크가 운전 로그에 대응하는 데이터를 이용하여 추론해야 하는 정답일 수 있다.
따라서 인공 지능 서버(200)는 운전 로그에 대응하는 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링 하여 뉴럴 네트워크에 제공할 수 있다.
이 경우 뉴럴 네트워크는 운전 로그에 대응하는 정상 범주 또는 고장 증상 범주에 대한 정보를 이용하여, 운전 로그에 대응하는 데이터와 정상/고장 여부에 대한 정보의 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.
한편 인공 지능 서버(200)는 소정의 시간 구간의 데이터를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.
구체적으로 인공 지능 기기(100)가 작동하는 동안 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그는 시계열적으로 수집될 수 있으며, 따라서 운전 로그에 대응하는 데이터 역시 시계열적으로 수집되는 데이터일 수 있다.
이 경우 인공 지능 서버(200)는 시계열적으로 수집되는 데이터를 소정의 시간 구간에 따라 분리하고, 분리된 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.
예를 들어 인공 지능 서버(200)는, 시계열적으로 수집되는 데이터를 1초 단위로 분리할 수 있다. 그리고 인공 지능 서버(200)는 1초의 시간 구간에 해당하는 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 하고, 그리고 나서 다음 1초의 시간 구간에 해당하는 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.
한편 인공 지능 서버(200)는 다양한 종류의 인공 지능 기기(100), 다양한 종류의 센서를 통해 수집된 운전 로그 및 운전 로그가 발생할 때의 인공 지능 기기의 상태를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.
여기서 인공 지능 기기(100)의 종류가 다양하다는 것은, 인공 지능 기기가, 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e)이 될 수 있는 것을 의미할 수 있다. 예를 들어, 인공 지능 기기(100)는 공기청정기가 될 수 있다.
또한, 센서가 다양하다는 것은, 인공 지능 기기가 사용되고 있는 주변 환경 요소를 수집하거나 인공 지능 기기가 동작하고 있는 상태를 수집할 수 있는 적어도 하나 이상의 센서가 있다는 것을 의미할수 있다. 예를 들어, 인공 지능 기기(100)가 공기청정기인 경우, 먼지 센서(1401), 모터 센서(1402), 냄새 센서(1403), 종합청정도 센서(1404), 습도 센서(1403), 온도 센서(1406), 모니터링 센서(1407), 시그널라이팅 센서(1408), 꺼짐/켜짐 예약센서(1409), 전원 센서(1410), 취침예약센서(1411) 및 운전모드 센서(1412) 중 적어도 하나 이상의 센서를 통해 공기청정기의 외부 환경 요소를 수집하거나, 공기청정기의 동작 상태에 대한 정보를 포함하는 운전 로그를 수집할 수 있다.
다음은 도 5의 (b)를 참조하며, 인공지능모델이 인공 지능 기기가 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 중 어느 범주에 해당하는지를 예측하도록 트레이닝 하는 방법을 설명한다. 또한 도 5의 (a)에서의 설명된 내용과 다른 점만을 설명하도록 한다.
인공 지능 서버(200)는 운전 로그에 대응하는 데이터에 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주에 대한 정보를 레이블링 하여 뉴럴 네트워크에 제공할 수 있다. 이 경우, 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 각각에 대하여 분류값을 설정할 수도 있다.
예를 들어, 인공 지능 기기의 운전 로그가 수집될 때의 인공 지능 기기의 상태는 여러 범주로 분류 될 수 있다. 인공 지능 기기가 공기청정기인 경우, 공기청정기의 개별적인 사용 환경 마다 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주로 분류 될 수 있다. 예를 들어, 공기청정기가 먼지가 많이 발생하는 산업 현장에서 사용되는 경우 공기청정기의 모터 회전 수가 다른 사용환경보다 높지만 먼지 농도가 큰폭으로 감소되지 않을 수 있지만 정상 범주로 분류될 수 있다. 또한, 공기청정기가 실내 가정에서 사용되는 경우 모터 회전 수가 높아짐에 따라 먼지 농도가 반비례적으로 감소할 것이고 정상 범주로 분류될 수 있다. 한편, 공기청정기의 먼지 센서가 오작동을 일으켜 먼지 농도가 모터 회전수와 관련 없이 불규칙적으로 측정되는 경우 먼지 센서의 오작동이 있는 고장 증상 범주로 분류될 수 있다. 또는, 공기청정기의 모터 회전수가 먼지 농도에 관련 없이 일정하게만 측정되는 경우 모터에 오작동이 있는 고장 증상 범주로 분류될 수 있다.
또한, 인공 지능 서버(200)는 운전 로그에 대응하는 데이터를 입력 값으로, 인공 지능 기기의 운전 로그가 수집될 때의 인공 지능 기기의 상태(적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주)를 출력 값으로 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다. 여기서 인공 지능 기기의 상태 는, 뉴럴 네트워크가 운전 로그에 대응하는 데이터를 이용하여 추론해야 하는 정답일 수 있다. 또한, 출력 값은 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 각각에 대하여 설정된 분류값일 수 있다. 따라서, 분류값에 기초하여, 운전 로그가 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 중 어느 하나의 범주에 해당하는지에 대한 분류결과정보를 획득할 수 있다.
인공 지능 서버(200)는 운전 로그에 대응하는 데이터에 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주를 레이블링 하여 뉴럴 네트워크에 제공할 수 있다.
이 경우 뉴럴 네트워크는 운전 로그에 대응하는 데이터 및 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주를 이용하여, 운전 로그에 대응하는 데이터와 인공 지능 상태에 대한 정보의 연관 관계에 대한 함수를 유추할 수 있다. 그리고 뉴럴 네트워크에서 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 결정(최적화)될 수 있다.
또한 인공 지능 서버(200)는 시계열적으로 수집된 데이터를 일정 크기의 시간 구간에 따라 분리하고, 분리된 데이터에 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주를 레이블링 하여 뉴럴 네트워크를 트레이닝 할 수 있다.
한편 위와 같은 방식으로 트레이닝 된 뉴럴 네트워크를 인공지능 모델이라 명칭할 수 있다.
한편 인공지능 모델은 인공 지능 기기(100)에 탑재될 수 있다.
구체적으로 인공지능 모델은, 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 그리고 인공지능 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공지능 모델을 구성하는 하나 이상의 명령어는 인공 지능 기기의 메모리(170)에 저장될 수 있다.
한편 운전 로그에 대응하는 데이터를 이용하여 뉴럴 네트워크를 트레이닝 하는 경우, 이러한 데이터를 운전 로그에 대응하는 훈련용 데이터라 명칭할 수 있다.
도 6은 본 발명의 일 실시예에 따른 인공 지능 기기가 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 방법을 나타낸 동작 흐름도이다.
센싱부(140)는 인공 지능 기기(100)의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집할 수 있다(S601).
프로세서(180)는 운전 로그에 대응하는 데이터를 인공지능모델에 제공할 수 있다(S602).
프로세서(180)는 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득 할 수 있다(S602).
따라서, 프로세서(180)는 운전 로그에 대응하는 데이터를 인공지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득할 수 있다.
프로세서(180)는, 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 출력부(150)를 통해 출력하거나, 통신부(110)를 통해 외부 전자 기기로 전송할 수 있다.
프로세서(180)는 획득한 정보에 따른 제어를 수행할 수 있다.
프로세서(180)는 출력부(150)를 통해 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 출력하도록 제어할 수 있다. 따라서, 인공 지능 기기(100)의 사용자가 인공 지능 기기(100)가 정상 또는 비정상으로 작동 중인지 파악하게 할 수 있다.
또한, 프로세서(180)는 통신부(110)를 통해 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 다른 인공 지능 기기 또는 인공 지능 서버로 전송하도록 제어할 수 있다.
예를 들어, 프로세서(180)는 통신부(110)를 통해 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 인공 지능 기기(100)의 제조사가 운영하는 서비스 센터의 서버로 전송할 수 있다.
또한, 프로세서(180)는 획득한 정보에 따라 인공 지능 기기(100)가 고장 증상 범주에 해당하는 경우, 인공 지능 기기(100)의 작동을 종료하도록 제어할 수도 있다.
또한, 프로세서(180)는 획득한 정보에 따라 운전 로그에 대응하는 데이터를 저장 또는 삭제하도록 제어할 수 있다.
또한, 프로세서(180)는 획득한 정보를 기초로 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는지 판별할 수 있다(S604).
또한, 프로세서(180)는 인공 지능 기기(100)가 정상 범주에 해당하는 것으로 판별되는 경우, 메모리(170)에 저장된 운전 로그에 대응하는 데이터를 삭제할 수 있다. 따라서, 모든 운전 로그를 저장하지 않고 효율적으로 운전 로그를 관리할 수 있다.
또한, 프로세서(180)는 인공 지능 기기(100)가 고장 증상 범주에 해당하는 것으로 판별된 경우, 메모리(170)에 저장된 운전 로그에 대응하는 데이터를 특이 로그로 저장할 수 있다. 따라서, 모든 운전 로그를 저장하지 않고, 고장의 원인을 파악하기 위한 로그를 별도로 특이 로그로 관리할 수 있다.
한편, 프로세서(180)는 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득 할 수 있다. 예를 들어, 인공 지능 기기(100)의 입력부(120)으로부터 고장 접수가 되었는지에 대한 결과값을 입력받거나, 통신부(110)를 통해 고장 접수가 되었는지에 대한 결과값을 획득할 수 있다.
따라서, 프로세서(180)는 고장 접수가 되었는지 판별할 수 있다(S605)
프로세서(180)는 인공 지능 기기(100)가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보에 대응하는 고장 접수가 된 경우, 특이 로그에 대한 접근 요청을 허용할 수 있다(S606). 프로세서(180)는 특이 로그에 대한 접근 요청을 인공 지능 기기(100)의 입력부(120) 통해 입력받거나 또는 통신부(110)를 통해 수신할 수 있다. 따라서, 인공 지능 기기(100)가 고장이 접수될 경우 특이로그도 함께 제공될 수 있도록 하여, 고장 증상의 진단 및 수리를 용이하게 할 수 있다.
또한, 프로세서(180)는 기설정된 시간 내에 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보에 에 대응하는 고장 접수가 된 경우 운전 로그에 대응하는 데이터에 고장 증상 범주에 대한 정보를 레이블링하여 인공지능 모델에 제공할 수 있다(S607). 따라서, 프로세서(180)는 인공지능모델을 재학습시킬 수 있으며, 인공 지능 기기의 개별적인 사용 환경에 따라 최적화된 인공지능모델을 확보할 수 있다.
한편, 프로세서(180)는 기설정된 시간 내에 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보에 에 대응하는 고장 접수가 되지 않은 경우, 운전 로그에 대응하는 데이터에 정상 범주에 대한 정보를 레이블링하여 인공지능 모델에 제공할 수 있다(S608). 따라서, 프로세서(180)는 인공지능모델을 재학습시킬 수 있으며, 인공 지능 기기의 개별적인 사용 환경에 따라 최적화된 인공지능모델을 확보할 수 있다.
예를 들어, 공기청정기가 먼지가 많이 발생하는 공간에서 사용되는 경우 공기청정기의 모터 회전 수가 다른 환경에서의 공기청정기의 모터 회전 수보다 높지만 먼지 농도가 큰폭으로 감소되지 않을 수 있다. 이 경우, 공기청정기가 고장 증상 범주에 해당한다고 판별될 수 있으나, 기설정된 시간 내에 고장 접수가 되지 않는 경우 정상 범주에 해당하는 것으로 보고 인공지능모델을 재학습시킬 수 있다.
도 7 내지 9은 본 발명의 일 실시예에 따른 인공 지능 기기의 인공지능모델이 학습하는 운전 로그에 대응하는 데이터를 설명하기 위한 도면이다.
인공 지능 기기(100)의 센싱부(140)는 인공 지능 기기(100)의 외부 환경 요소에 대한 정보인 미세먼지 농도를 수집하는 먼지 센서(1401) 및 인공 지능 기기(100)의 동작 상태 정보인 모터의 분당 회전 수를 수집하는 모터 센서(1402)를 포함할 수 있다.
프로세서(180)는 먼지 센서(1401) 및 모터 센서(1402)로부터 수집되는 운전 로그에 대응하는 데이터를 획득할 수 있다.
프로세서(180)는 획득한 운전 로그에 대응하는 데이터를 메모리(170)에 저장할 수 있다.
구체적으로 프로세서(180)는 먼지 센서(1401) 및 모터 센서(1402)를 이용하여 수집된 운전 로그를 운전 로그에 대응하는 데이터로 변환할 수 있다. 여기서 운전 로그에 대응하는 데이터는, 미세먼지 농도(㎍/M³) 및 모터의 분당 회전수(RPM) 중 적어도 하나를 나타내는 특징 벡터일 수 있다.
이 경우 프로세서(180)는, 운전 로그를 인공지능모델의 훈련 데이터로 사용된 데이터와 동일한 형식의 데이터로 변환할 수 있다. 한편 소정의 시간 구간의 데이터를 훈련 데이터로 사용하여 인공지능 모델을 생성한 경우, 프로세서(180)는 소정의 시간 구간의 데이터를 인공지능모델에 제공할 수 있다.
도 7 내지 도 9에서는 공기청정기의 정상/고장 시나리오에 따른 운전 로그에 대응하는 시계열 데이터의 예시로서, 시간(t)의 흐름에 따른 미세먼지의 농도 (㎍/M³) 및 모터의 분당 회전수(RPM) 변화 그래프를 도시하였다.
도 7은 공기청정기가 정상적으로 작동하는 경우의 예시 변화 그래프이다.
미세먼지 농도(701)은 모터의 분당 회전 수(702)가 증가함에 따라 감소하고, 모터의 분당 회전 수(702)는 미세먼지 농도(701)가 감소함에 따라 함께 감소한다. 따라서, 정상 시나리오에 따른 운전 로그에 대응하는 시계열 데이터를 정상 범주에 대한 정보로 레이블링하여 인공지능모델 학습에 이용할 수 있다.
도 8은 먼지 센서가 고장이 발생한 경우의 예시 변화 그래프이다.
먼지 센서가 오작동을 일으켜, 미세먼지 농도(801)가 급격하게 증가했다가 급격하게 감소하는 것으로 측정되고 있으며, 모터는 정상적으로 작동하여 농도의 변화에 따라 모터의 분당 회전 수(802)가 측정된다. 따라서, 먼지 센서 고장 시나리오에 따른 운전 로그에 대응하는 시계열 데이터를 고장 증상(먼지 센서 고장) 범주에 대한 정보로 레이블링하여 인공지능모델 학습에 이용할 수 있다.
도 9는 모터에 고장이 발생한 경우의 예시 변화 그래프이다.
미세먼지 농도(901)는 감소하고 있으나, 미세먼지 농도에 따라 감소하여야 하는 모터의 분당 회전 수(902)가 미세 먼지 농도의 변화에도 상관없이 일정하게 유지 된다. 따라서, 모터 고장 시나리오에 따른 운전 로그에 대응하는 시계열 데이터를 고장 증상(모터 고장) 범주에 대한 정보로 레이블링하여 인공지능모델 학습에 이용할 수 있다.
프로세서(180)는 미세먼지 농도 및 모터의 분당 회전 수를 나타내는 특징 벡터를 인공지능 모델에 제공하여 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득할 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. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims (20)

  1. 인공 지능 기기의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집하는 센싱부;
    상기 운전 로그에 대응하는 시계열 데이터를 저장하는 메모리; 및
    상기 운전 로그에 대응하는 시계열 데이터를 인공 지능 모델에 제공하여 상기 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하고, 상기 획득한 정보에 따른 제어를 수행하는 프로세서를 포함하며,
    상기 인공지능 모델은,
    상기 운전 로그에 대응하는 훈련용 시계열 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링하여 트레이닝 된 뉴럴 네트워크이고,
    상기 센싱부는,
    상기 외부 환경 요소에 대한 정보인 미세먼지 농도를 수집하는 먼지 센서 및 상기 동작 상태에 대한 정보인 모터의 분당 회전 수를 수집하는 모터 센서를 포함하고,
    상기 프로세서는
    상기 미세먼지 농도의 시계열 데이터와 상기 모터의 분당 회전 수의 시계열 데이터에 기초하여 상기 인공 지능 기기의 고장 여부를 진단하는
    인공 지능 기기.
  2. 삭제
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 운전 로그에 대응하는 시계열 데이터를 인공지능 모델에 제공하고, 상기 인공지능 모델이 상기 제공되는 시계열 데이터를 이용하여 출력하는 분류값에 기초하여 상기 운전 로그가 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 중 어느 범주에 해당하는지에 대한 분류결과정보를 획득하는
    인공 지능 기기.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 인공 지능 기기가 정상 범주에 해당하는 것으로 판별되는 경우, 상기 메모리에 저장된 운전 로그에 대응하는 시계열 데이터를 삭제하는,
    인공 지능 기기.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 인공 지능 기기가 고장 증상 범주에 해당하는 것으로 판별된 경우, 상기 메모리에 저장된 운전 로그에 대응하는 시계열 데이터를 특이 로그로 상기 메모리에 저장하는,
    인공 지능 기기.
  6. 제5항에 있어서,
    상기 프로세서는,
    상기 획득한 정보에 대응하는 고장 접수가 된 경우, 상기 메모리에 저장된 특이 로그에 대한 접근 요청을 허용하는,
    인공 지능 기기.
  7. 제1항에 있어서,
    상기 프로세서는,
    기설정된 시간 내에 상기 획득한 정보에 대응하는 고장 접수가 되지 않은 경우, 상기 운전 로그에 대응하는 시계열 데이터에 정상 범주에 대한 정보를 레이블링하여 상기 인공지능 모델에 제공하는,
    인공 지능 기기.
  8. 제1항에 있어서,
    상기 프로세서는,
    기설정된 시간 내에 상기 획득한 정보에 대응하는 고장 접수가 된 경우, 상기 운전 로그에 대응하는 시계열 데이터에 고장 증상 범주에 대한 정보를 레이블링하여 상기 인공지능 모델에 제공하는,
    인공 지능 기기.
  9. 제 1항에 있어서,
    상기 운전 로그에 대응하는 시계열 데이터는,
    상기 미세먼지 농도의 시계열 데이터 및 상기 모터의 분당 회전 수의 시계열 데이터를 나타내는 특징 벡터인,
    인공 지능 기기.
  10. 삭제
  11. 센싱부가 인공 지능 기기의 외부 환경 요소 및 동작 상태에 대한 정보를 포함하는 운전 로그를 수집하는 단계;
    프로세서가 상기 운전 로그에 대응하는 시계열 데이터를 인공지능 모델에 제공하여 상기 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하는 단계; 및
    상기 프로세서가 상기 획득한 정보에 따른 제어를 수행하는 단계를 포함하며,
    상기 인공지능 모델은,
    상기 운전 로그에 대응하는 훈련용 시계열 데이터에 정상 범주 또는 고장 증상 범주에 대한 정보를 레이블링하여 트레이닝 된 뉴럴 네트워크이고,
    상기 운전 로그를 수집하는 단계는,
    상기 외부 환경 요소에 대한 정보인 미세먼지 농도를 수집하는 단계; 및
    상기 동작 상태에 대한 정보인 모터의 분당 회전 수를 수집하는 단계를 포함하고,
    상기 정보를 획득하는 단계는
    상기 미세먼지 농도의 시계열 데이터와 상기 모터의 분당 회전 수의 시계열 데이터에 기초하여 상기 인공 지능 기기의 고장 여부를 진단하는 단계를 포함하는
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  12. 삭제
  13. 제11항에 있어서,
    상기 정보를 획득하는 단계는,
    상기 운전 로그에 대응하는 시계열 데이터를 인공지능 모델에 제공하고, 상기 인공지능 모델이 상기 제공되는 시계열 데이터를 이용하여 출력하는 분류값에 기초하여 상기 운전 로그가 적어도 하나 이상의 정상 범주 또는 적어도 하나 이상의 고장 증상 범주 중 어느 범주에 해당하는지에 대한 분류결과정보를 획득하는 단계를 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  14. 제11항에 있어서,
    상기 제어를 수행하는 단계는,
    상기 획득한 정보를 기초로 상기 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는지 판별하는 단계; 및
    상기 인공 지능 기기가 정상 범주에 해당하는 것으로 판별되는 경우, 상기 운전 로그에 대응하는 시계열 데이터를 삭제하는 단계를 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  15. 제11항에 있어서,
    상기 제어를 수행하는 단계는,
    상기 획득한 정보를 기초로 상기 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는지 판별하는 단계; 및
    상기 인공 지능 기기가 고장 증상 범주에 해당하는 것으로 판별된 경우, 상기 운전 로그에 대응하는 데이터를 특이 로그로 저장하는 단계를 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  16. 제15항에 있어서,
    상기 프로세서가 상기 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득하는 단계; 및
    상기 프로세서가 상기 획득한 정보에 대응하는 고장 접수가 된 경우, 상기 저장된 특이 로그에 대한 접근 요청을 허용하는 단계를 더 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  17. 제11항에 있어서,
    상기 프로세서가 상기 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득하는 단계; 및
    상기 프로세서가 기설정된 시간 내에 상기 획득한 정보에 대응하는 고장 접수가 되지 않은 경우, 상기 운전 로그에 대응하는 시계열 데이터에 정상 범주에 대한 정보를 레이블링하여 상기 인공지능 모델에 제공하는 단계를 더 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  18. 제11항에 있어서,
    상기 프로세서가 상기 획득한 정보에 대응하는 고장 접수가 되었는지에 대한 결과값을 획득하는 단계; 및
    상기 프로세서가 기설정된 시간 내에 상기 획득한 정보에 대응하는 고장 접수가 된 경우, 상기 운전 로그에 대응하는 시계열 데이터에 고장 증상 범주에 대한 정보를 레이블링하여 상기 인공지능 모델에 제공하는 단계를 더 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  19. 제 11항에 있어서,
    상기 정보를 획득하는 단계는,
    상기 미세먼지 농도의 시계열 데이터 및 상기 모터의 분당 회전 수의 시계열 데이터를 나타내는 특징 벡터를 인공지능 모델에 제공하여 상기 인공 지능 기기가 정상 범주 또는 고장 증상 범주에 해당하는 지에 대한 정보를 획득하는 단계를 포함하는,
    운전 로그 및 인공지능 모델을 이용한 고장 진단 방법.
  20. 삭제
KR1020190089186A 2019-07-23 2019-07-23 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 KR102367831B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190089186A KR102367831B1 (ko) 2019-07-23 2019-07-23 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법
US16/557,253 US11449045B2 (en) 2019-07-23 2019-08-30 Artificial intelligence device and method of diagnosing malfunction using operation log and artificial intelligence model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190089186A KR102367831B1 (ko) 2019-07-23 2019-07-23 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법

Publications (2)

Publication Number Publication Date
KR20190104267A KR20190104267A (ko) 2019-09-09
KR102367831B1 true KR102367831B1 (ko) 2022-02-28

Family

ID=67951586

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190089186A KR102367831B1 (ko) 2019-07-23 2019-07-23 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법

Country Status (2)

Country Link
US (1) US11449045B2 (ko)
KR (1) KR102367831B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230170219A (ko) 2022-06-10 2023-12-19 딥센싱 주식회사 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017219441A1 (de) * 2017-10-30 2019-05-02 Robert Bosch Gmbh Verfahren zum Trainieren eines zentralen Künstlichen-Intelligenz-Moduls
WO2020241922A1 (ko) * 2019-05-29 2020-12-03 엘지전자 주식회사 차량 제어 장치
CN110704278A (zh) * 2019-09-30 2020-01-17 山东超越数控电子股份有限公司 一种智能服务器管理系统及其管理方法
CN110880020B (zh) * 2019-10-30 2022-10-25 西安交通大学 一种自适应的跨区域基站能耗模型迁移与补偿方法
KR102140532B1 (ko) * 2019-12-18 2020-08-03 에스피앤지 주식회사 빅데이터를 기반으로 하는 공기압축기의 고장진단 방법
KR102303399B1 (ko) * 2019-12-19 2021-09-16 한전케이디엔주식회사 자율주행-연합학습 로봇 기반 지능형 지하시설물 무인 감시진단 시스템 및 방법
CN111428619B (zh) * 2020-03-20 2022-08-05 电子科技大学 基于有序回归和软标签的三维点云头部姿态估计系统和方法
US20220129738A1 (en) * 2020-10-22 2022-04-28 Micron Technology, Inc. Deep Learning Accelerator in Memory Utilized in Factory Safety Monitoring Systems
EP4002020A1 (en) * 2020-11-16 2022-05-25 Siemens Aktiengesellschaft Method and system for determining optimal outcome in a dynamic environment
KR102552699B1 (ko) * 2020-11-30 2023-07-10 주식회사 인포카 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
JP2022098359A (ja) * 2020-12-21 2022-07-01 パナソニックＩｐマネジメント株式会社 車両監視方法、車両監視装置及びプログラム
US11640326B2 (en) * 2021-06-11 2023-05-02 Intel Corporation Ensemble based cluster tuning and framework fallback for AI accelerators using telemetry, compute, and temperature metrics
KR20230076190A (ko) 2021-11-24 2023-05-31 현대로템 주식회사 철도차량용 공기압축기 고장 예지방법
KR102601338B1 (ko) * 2021-12-02 2023-11-13 네모시스 주식회사 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
IL290977B2 (en) * 2022-02-28 2023-06-01 Saferide Tech Ltd A system for a model configuration selection method
CN115238769B (zh) * 2022-06-23 2023-12-01 李雷 一种基于人工智能的异常数据监测方法及装置
KR102523671B1 (ko) * 2022-11-07 2023-04-20 메타빌드 주식회사 자율 주행 시스템의 로그 기반 이상 탐지 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018078616A (ja) * 2012-04-05 2018-05-17 アシュラント，インコーポレーテッド モバイル機器サポートサービスを提供するためのシステム、方法、装置、およびコンピュータプログラム製品
KR101864860B1 (ko) * 2016-09-13 2018-06-05 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
KR102027389B1 (ko) 2019-03-20 2019-10-01 (주)브이엠에스 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100217772B1 (ko) * 1996-09-03 1999-09-01 최진호 조명기기의 램프 과열방지 장치 및 방법
KR101821197B1 (ko) * 2010-12-21 2018-01-23 엘지전자 주식회사 이동단말기 및 그 제어방법
US9588135B1 (en) * 2011-11-14 2017-03-07 Vital Connect, Inc. Method and system for fall detection of a user
KR102379504B1 (ko) * 2017-08-29 2022-03-28 삼성전자 주식회사 충돌 분석 방법 및 장치
US11403160B2 (en) * 2018-01-19 2022-08-02 Hitachi, Ltd. Fault predicting system and fault prediction method
JP6804128B2 (ja) * 2018-03-22 2020-12-23 三菱重工業株式会社 損傷確率演算装置、損傷確率演算方法及びプログラム
KR102472134B1 (ko) * 2018-03-29 2022-11-29 삼성전자주식회사 심층학습을 기반으로 한 설비 진단 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018078616A (ja) * 2012-04-05 2018-05-17 アシュラント，インコーポレーテッド モバイル機器サポートサービスを提供するためのシステム、方法、装置、およびコンピュータプログラム製品
KR101864860B1 (ko) * 2016-09-13 2018-06-05 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
KR102027389B1 (ko) 2019-03-20 2019-10-01 (주)브이엠에스 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230170219A (ko) 2022-06-10 2023-12-19 딥센싱 주식회사 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템

Also Published As

Publication number Publication date
KR20190104267A (ko) 2019-09-09
US20190384273A1 (en) 2019-12-19
US11449045B2 (en) 2022-09-20

Similar Documents

Publication Publication Date Title
KR102367831B1 (ko) 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법
KR102255712B1 (ko) 오염로그를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
KR102331563B1 (ko) 구역별 오염정보를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
KR20190106867A (ko) 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
CN112347691B (zh) 人工智能服务器
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
US11710036B2 (en) Artificial intelligence server
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR20190096878A (ko) 인공지능 기반의 공기조화기
KR20190107626A (ko) 인공지능 서버
KR20220001522A (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
US20200012247A1 (en) Artificial intelligence device mounted on wine refrigerator
KR20190094317A (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
KR102537381B1 (ko) 보행경로예측장치
KR102327441B1 (ko) 인공지능 장치
US11550328B2 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
US11971972B2 (en) Artificial intelligence apparatus and method for controlling authority to use external device based on user identification using image recognition
KR20210072374A (ko) 발화 스타일을 제어하여 음성 합성을 하는 인공 지능 장치 및 그 방법
KR20210145828A (ko) 인공지능 기반의 공기조화기
US20240061907A1 (en) Artificial intelligence apparatus and method for estimating sound source localization thereof
KR102591707B1 (ko) 보행경로예측장치
KR102354145B1 (ko) 증가 학습을 위한 Logit 조정 및 메모리 관리 기법
US20230230320A1 (en) Artificial intelligence device and operating method thereof

Legal Events

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