KR102371880B1

KR102371880B1 - Image processor, artificial intelligence apparatus and method for generating image data by enhancing specific function

Info

Publication number: KR102371880B1
Application number: KR1020200013350A
Authority: KR
Inventors: 안재현; 김웅현; 김아람; 배원기
Original assignee: 엘지전자 주식회사
Priority date: 2020-02-04
Filing date: 2020-02-04
Publication date: 2022-03-08
Also published as: KR20210099456A

Abstract

본 개시의 일 실시 예는 이미지 데이터를 생성하는 인공 지능 장치에 있어서, 복수의 이미지 처리 블록들로 구성된 파라메트릭 이미지 처리 프로세서(parametric ISP: parametric Image Signal Processor) 및 적어도 하나 이상의 미리 정해진 기능에 대응하는 특정 용도 심층 신경망 기반 이미지 처리 프로세서(ASDISP: Application Specific DNN-based Image Signal Processor)를 포함하는 이미지 프로세서; 이미지 센서를 이용하여 원본 RAW 이미지 데이터를 획득하는 카메라; 상기 이미지 프로세서를 통해 상기 적어도 하나 이상의 ASDISP 중에서 상기 원본 RAW 이미지 데이터에 대하여 적용할 대상 ASDISP를 결정하고, 상기 대상 ASDISP를 통해 상기 원본 RAW 이미지 데이터에 대하여 보정된 RAW 이미지 데이터를 생성하고, 상기 파라메트릭 ISP를 통해 상기 원본 RAW 이미지 데이터 또는 상기 보정된 RAW 이미지 데이터로부터 출력 이미지 데이터를 생성하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.An embodiment of the present disclosure provides an artificial intelligence device for generating image data, corresponding to a parametric image signal processor (ISP) including a plurality of image processing blocks and at least one or more predetermined functions. an image processor comprising an Application Specific DNN-based Image Signal Processor (ASDISP); a camera that acquires original RAW image data using an image sensor; A target ASDISP to be applied to the original RAW image data is determined from among the at least one ASDISP through the image processor, and RAW image data corrected for the original RAW image data is generated through the target ASDISP, and the parametric and a processor for generating output image data from the original RAW image data or the corrected RAW image data through an ISP.

Description

Image processor, artificial intelligence device, and method therefor that generate image data by enhancing certain functions

본 개시(disclosure)는 특정 기능을 강화하여 이미지 데이터를 생성하는 이미지 신호 프로세서, 인공 지능 장치 및 그 방법에 관한 것이다.The present disclosure relates to an image signal processor for generating image data by enhancing a specific function, an artificial intelligence device, and a method therefor.

이미지 촬영 기술은 실생활에서의 사용자 수요뿐만 아니라, 산업상 목적에 의한 수요나 기술 개발 목적에 의한 수요가 크게 증가하고 있다. 특히, 최근에는 자율 주행이나 객체 인식과 같은 인공 지능에서는 이미지가 이용된다. 그리고, 단순히 사용자의 사용 만족도를 높이는 목적뿐만 아니라, 인공 지능의 성능을 높이기 위하여는 좋은 상태의 이미지가 필요하다. 좋은 상태의 이미지는 적정한 조도를 갖고, 노이즈가 적으며, 해상도가 높으며, 흐리지 않은(not blurry) 이미지를 의미할 수 있다.The image photographing technology is not only in demand by users in real life, but also in demand for industrial purposes or for technology development purposes. In particular, recently, images are used in artificial intelligence such as autonomous driving or object recognition. In addition, an image in a good state is required not only for the purpose of increasing user satisfaction, but also for enhancing the performance of artificial intelligence. An image in a good state may mean an image having appropriate illuminance, low noise, high resolution, and not blurry.

출력 이미지 데이터 (또는 촬영된 이미지 데이터)는 이미지 센서로부터 획득한 RAW 이미지 데이터가 이미지 신호 프로세서(ISP: Image Signal Processor)를 통해 처리되어 각 픽셀에 대응하는 속성이 결정됨으로써 생성될 수 있다. 종래에는 일련의 이미지 처리 블록들을 포함하는 ISP 파이프라인을 이용하여 RAW 이미지 데이터로부터 출력 이미지 데이터를 생성하였지만, 최근에는 인공 신경망(Artificial Neural Network) 또는 심층 신경망(Deep Neural Network)을 이용하여 학습한 ISP를 이용하여 RAW 이미지 데이터로부터 출력 이미지 데이터를 생성하는 시도가 이루어지고 있다.Output image data (or photographed image data) may be generated by processing RAW image data obtained from an image sensor through an image signal processor (ISP) to determine a property corresponding to each pixel. Conventionally, output image data is generated from RAW image data using an ISP pipeline including a series of image processing blocks, but recently ISP learned using an artificial neural network or a deep neural network. Attempts are being made to generate output image data from RAW image data using

그러나, 심층 신경망 기반의 ISP(DISP: DNN-based ISP)의 학습에는 매우 많은 학습이 필요하고, 목적 또는 기능별로 상이한 DISP가 필요하며, 파라미터를 이용하여 출력 이미지 데이터의 속성을 조정하는 것이 어렵다는 한계가 있다.However, the learning of a deep neural network-based ISP (DISP: DNN-based ISP) requires a lot of learning, a different DISP is required for each purpose or function, and it is difficult to adjust the properties of the output image data using parameters. there is

본 개시는 복수의 이미지 처리 블록들로 구성된 이미지 처리 프로세서 파이프라인과 심층 신경망에 기반한 이미지 처리 프로세서를 이용하여 원본 RAW 이미지 데이터로부터 높은 품질의 출력 이미지 데이터를 생성하는 이미지 프로세서, 인공 지능 장치 및 그 방밥을 제공하고자 한다.The present disclosure provides an image processor, artificial intelligence device, and method for generating high-quality output image data from original RAW image data using an image processing processor pipeline composed of a plurality of image processing blocks and an image processing processor based on a deep neural network. would like to provide

본 개시의 일 실시 예는, 미리 정해진 기능에 대응하는 적어도 하나 이상의 특정 용도 심층 신경망 기반 이미지 처리 프로세서(ASDISP) 중에서 원본 RAW 이미지 데이터에 대하여 적용할 대상 ASDISP를 결정하고, 대상 ASDISP를 통해 원본 RAW 이미지 데이터로부터 보정된 RAW 이미지 데이터를 생성하고, 복수의 이미지 처리 블록들로 구성된 파라메트릭 이미지 처리 프로세서(parametric ISP)를 통해 원본 RAW 이미지 데이터 또는 보정된 RAW 이미지 데이터로부터 출력 이미지 데이터를 생성하는 이미지 프로세서, 인공 지능 장치 및 그 방법을 제공한다.An embodiment of the present disclosure determines a target ASDISP to be applied to original RAW image data from at least one or more specific-purpose deep neural network-based image processing processors (ASDISP) corresponding to a predetermined function, and uses the target ASDISP to determine the original RAW image an image processor that generates corrected RAW image data from the data, and generates output image data from the original RAW image data or the corrected RAW image data through a parametric image processing processor (parametric ISP) composed of a plurality of image processing blocks; Provided are an artificial intelligence device and a method therefor.

또한, 본 개시의 일 실시 예는, ASDISP가 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습된 심층 신경망을 포함하고, 원본 RAW 이미지 데이터가 입력되면 미리 정해진 기능에 대응하는 보정이 이루어진 RAW 이미지 데이터를 출력하는 이미지 프로세서, 인공 지능 장치 및 그 방법을 제공한다.In addition, in an embodiment of the present disclosure, the ASDISP includes a deep neural network trained using a machine learning algorithm or a deep learning algorithm, and when the original RAW image data is input, the RAW image data that has been corrected corresponding to a predetermined function. An image processor for outputting an image, an artificial intelligence device, and a method thereof are provided.

또한, 본 개시의 일 실시 예는, ASDISP가 조도 보정 DISP, 노이즈 제거 DISP, 슈퍼 레졸루션 DISP 또는 롤링 셔터 보정 DISP 중에서 적어도 하나 이상을 포함하는 이미지 프로세서, 인공 지능 장치 및 그 방법을 제공한다.In addition, an embodiment of the present disclosure provides an image processor, artificial intelligence device, and method in which ASDISP includes at least one of illuminance correction DISP, noise removal DISP, super resolution DISP, and rolling shutter correction DISP.

또한, 본 개시의 일 실시 예는, 파라메트릭 ISP가 오토 화이트 밸런스 블록, 불량 화소 보정 블록, 역모자익 블록, 노이즈 제거 블록(denoise block), 윤곽 샤프닝 블록, 색 보정 매트릭스 블록, 명도/대비 조정 블록 또는 감마 보정 블록 중에서 적어도 하나 이상을 포함하는 이미지 프로세서, 인공 지능 장치 및 그 방법을 제공한다.In addition, according to an embodiment of the present disclosure, the parametric ISP includes an auto white balance block, a bad pixel correction block, an inverse mosaic block, a denoise block, a contour sharpening block, a color correction matrix block, and a brightness/contrast adjustment block. Alternatively, an image processor including at least one or more of a gamma correction block, an artificial intelligence device, and a method thereof are provided.

본 개시의 다양한 실시 예에 따르면, RAW 이미지 데이터에 대하여 필요한 ASDISP를 선택적으로 이용함으로써 파라메트릭 ISP에서 잘 처리하지 못하는 RAW 이미지 데이터를 잘 처리할 수 있는 RAW 이미지 데이터로 보정할 수 있고, 종단간(end-to-end) 학습된 단일한 DISP에 비하여 적은 학습량으로도 더 나은 성능을 기대할 수 있다.According to various embodiments of the present disclosure, by selectively using ASDISP necessary for RAW image data, it is possible to correct RAW image data that cannot be processed well in a parametric ISP into RAW image data that can be processed well, and end-to-end ( end-to-end) Better performance can be expected with a small amount of learning compared to a single learned DISP.

또한, 본 개시의 다양한 실시 예에 따르면, 파라메트릭 ISP를 이용하여 출력 이미지 데이터를 생성함으로써 파라미터 조정을 통한 출력 이미지 데이터의 미세 조정이 용이하다.In addition, according to various embodiments of the present disclosure, it is easy to fine-tune the output image data through parameter adjustment by generating the output image data using the parametric ISP.

도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 이미지 데이터를 생성하는 방법을 나타낸 동작 흐름도이다.
도 6은 본 개시의 일 실시 예에 따른 이미지 데이터를 생성하는 방법을 나타낸 도면이다.
도 7은 본 개시의 일 실시 예에 따른 파라메트릭 ISP의 예시를 나타낸 도면이다.
도 8은 본 개시의 일 실시 예에 따른 조도 보정 DISP의 적용 여부를 판단하는 조건의 예시를 나타낸 도면이다.
도 9는 본 개시의 일 실시 예에 따른 노이즈 제거 DISP의 적용 여부를 판단하는 조건의 예시를 나타낸 도면이다.
도 10은 본 개시의 일 실시 예에 따른 조도 보정 DISP의 예시를 나타낸 도면이다.
도 11은 본 개시의 일 실시 예에 따른 노이즈 제거 DISP의 예시를 나타낸 도면이다.
도 12은 본 개시의 일 실시 예에 따른 롤링 셔터 보정 DISP의 예시를 나타낸 도면이다.
도 13은 본 개시의 일 실시 예에 따른 ASDISP를 이용하여 생성한 이미지 데이터와 ASDISP를 이용하지 않고 생성한 이미지를 비교하는 도면이다.1 is a block diagram illustrating an AI device according to an embodiment of the present disclosure.
2 is a block diagram illustrating an AI server according to an embodiment of the present disclosure.
3 is a diagram illustrating an AI system according to an embodiment of the present disclosure.
4 is a block diagram illustrating an AI device according to an embodiment of the present disclosure.
5 is an operation flowchart illustrating a method of generating image data according to an embodiment of the present disclosure.
6 is a diagram illustrating a method of generating image data according to an embodiment of the present disclosure.
7 is a diagram illustrating an example of a parametric ISP according to an embodiment of the present disclosure.
8 is a diagram illustrating an example of a condition for determining whether to apply the illuminance correction DISP according to an embodiment of the present disclosure.
9 is a diagram illustrating an example of a condition for determining whether to apply a noise removal DISP according to an embodiment of the present disclosure.
10 is a diagram illustrating an example of an illuminance correction DISP according to an embodiment of the present disclosure.
11 is a diagram illustrating an example of a noise removal DISP according to an embodiment of the present disclosure.
12 is a diagram illustrating an example of a rolling shutter correction DISP according to an embodiment of the present disclosure.
13 is a diagram comparing image data generated using ASDISP with an image generated without using ASDISP according to an embodiment of the present disclosure.

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 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, the embodiments disclosed in the present specification will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numbers regardless of reference numerals, and redundant description thereof will be omitted. The suffixes 'module' and 'part' for the components used in the following description are given or mixed in consideration of only the ease of writing the specification, and do not have distinct meanings or roles by themselves. In addition, in describing the embodiments disclosed in the present specification, if it is determined that detailed descriptions of related known technologies may obscure the gist of the embodiments disclosed in the present specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are only for easy understanding of the embodiments disclosed in the present specification, and the technical spirit disclosed in the present specification is not limited by the accompanying drawings, and all changes included in the spirit and scope of the present disclosure , should be understood to include equivalents or substitutes.

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.Terms including an ordinal number, such as first, second, etc., may be used to describe various elements, but the elements are not limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.

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.When a component is referred to as being 'connected' or 'connected' to another component, it may be directly connected or connected to the other component, but it is understood that other components may exist in between. it should be On the other hand, when it is mentioned that a certain element is 'directly connected' or 'directly connected' to another element, it should be understood that the other element does not exist in the middle.

<인공 지능(AI: Artificial Intelligence)><Artificial Intelligence (AI)>

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.Artificial intelligence refers to a field that studies artificial intelligence or methodologies that can create it, and machine learning refers to a field that defines various problems dealt with in the field of artificial intelligence and studies methodologies to solve them. do. Machine learning is also defined as an algorithm that improves the performance of a certain task through continuous experience.

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.An artificial neural network (ANN) is a model used in machine learning, and may refer to an overall model having problem-solving ability, which is composed of artificial neurons (nodes) that form a network by combining synapses. An artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process that updates model parameters, and an activation function that generates an output value.

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. The artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In the artificial neural network, each neuron may output a function value of an activation function for input signals, weights, and biases input through synapses.

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.Model parameters refer to parameters determined through learning, and include the weight of synaptic connections and the bias of neurons. In addition, the hyperparameter refers to a parameter that must be set before learning in a machine learning algorithm, and includes a learning rate, the number of iterations, a mini-batch size, an initialization function, and the like.

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.The purpose of learning the artificial neural network can be seen as determining the model parameters that minimize the loss function. The loss function may be used as an index for determining optimal model parameters in the learning process of the artificial neural network.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to a learning method.

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.Supervised learning refers to a method of training an artificial neural network in a state in which a label for the training data is given, and the label is the correct answer (or result value) that the artificial neural network should infer when the training data is input to the artificial neural network. can mean Unsupervised learning may refer to a method of training an artificial neural network in a state where no labels are given for training data. Reinforcement learning can refer to a learning method in which an agent defined in an environment learns to select an action or sequence of actions that maximizes the cumulative reward in each state.

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.Among artificial neural networks, machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is also called deep learning, and deep learning is a part of machine learning. Hereinafter, machine learning is used in a sense including deep learning.

<로봇(Robot)><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.A robot can mean a machine that automatically handles or operates a task given by its own capabilities. In particular, a robot having a function of recognizing an environment and performing an operation by self-judgment may be referred to as an intelligent robot.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.Robots can be classified into industrial, medical, home, military, etc. depending on the purpose or field of use.

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.The robot may be provided with a driving unit including an actuator or a motor to perform various physical operations such as moving the robot joints. In addition, the movable robot includes a wheel, a brake, a propeller, and the like in the driving unit, and may travel on the ground or fly in the air through the driving unit.

<자율 주행(Self-Driving)><Self-Driving>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.Autonomous driving refers to a technology that drives itself, and an autonomous driving vehicle refers to a vehicle that travels without or with minimal user manipulation.

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.For example, autonomous driving includes technology for maintaining a driving lane, technology for automatically adjusting speed such as adaptive cruise control, technology for automatically driving along a predetermined route, technology for automatically setting a route when a destination is set, etc. All of these can be included.

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.The vehicle includes a vehicle having only an internal combustion engine, a hybrid vehicle having both an internal combustion engine and an electric motor, and an electric vehicle having only an electric motor, and may include not only automobiles, but also trains, motorcycles, and the like.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.In this case, the autonomous vehicle may be viewed as a robot having an autonomous driving function.

<확장 현실(XR: eXtended Reality)><Extended Reality (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.The extended reality is a generic term for virtual reality (VR), augmented reality (AR), and mixed reality (MR). VR technology provides only CG images of objects or backgrounds in the real world, AR technology provides virtual CG images on top of images of real objects, and MR technology is a computer that mixes and combines virtual objects in the real world. graphic technology.

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.MR technology is similar to AR technology in that it shows both real and virtual objects. However, there is a difference in that in AR technology, a virtual object is used in a form that complements a real object, whereas in MR technology, a virtual object and a real object are used with equal characteristics.

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.XR technology can be applied to HMD (Head-Mount Display), HUD (Head-Up Display), mobile phone, tablet PC, laptop, desktop, TV, digital signage, etc. can be called

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.1 is a block diagram illustrating an AI device 100 according to an embodiment of the present disclosure.

이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.Hereinafter, the artificial intelligence device 100 may be referred to as a terminal.

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. AI device 100 is a TV, projector, mobile phone, smartphone, desktop computer, notebook computer, digital broadcasting terminal, PDA (personal digital assistants), PMP (portable multimedia player), navigation, tablet PC, wearable device, set-top box (STB) ), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, a digital signage, a robot, a vehicle, etc., may be implemented as a fixed device or a movable device.

도 1을 참조하면, 인공 지능 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.Referring to FIG. 1 , the artificial intelligence device 100 includes a communication unit 110 , an input unit 120 , a learning processor 130 , a sensing unit 140 , an output unit 150 , a memory 170 and a processor 180 . and the like.

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.The communication unit 110 may transmit/receive data to and from external devices such as other AI devices 100a to 100e or the AI server 200 using wired/wireless communication technology. For example, the communication unit 110 may transmit/receive sensor information, a user input, a learning model, a control signal, and the like, with external devices.

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.At this time, the communication technology used by the communication unit 110 includes GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), LTE (Long Term Evolution), 5G, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity) ), Bluetooth??, RFID (Radio Frequency Identification), Infrared Data Association (IrDA), ZigBee, NFC (Near Field Communication), and the like.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.The input unit 120 may acquire various types of data.

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.In this case, the input unit 120 may include a camera for inputting an image signal, a microphone for receiving an audio signal, a user input unit for receiving information from a user, and the like. Here, by treating the camera or the microphone as a sensor, a signal obtained from the camera or the microphone may be referred to as sensing data or sensor information.

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.The input unit 120 may acquire training data for model training, input data to be used when acquiring an output using the training model, and the like. The input unit 120 may acquire raw input data, and in this case, the processor 180 or the learning processor 130 may extract an input feature by preprocessing the input data.

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.The learning processor 130 may train a model composed of an artificial neural network by using the training data. Here, the learned artificial neural network may be referred to as a learning model. The learning model may be used to infer a result value with respect to new input data other than the training data, and the inferred value may be used as a basis for a decision to perform a certain operation.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.In this case, the learning processor 130 may perform AI processing together with the learning processor 240 of the AI server 200 .

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.In this case, the learning processor 130 may include a memory integrated or implemented in the AI device 100 . Alternatively, the learning processor 130 may be implemented using the memory 170 , an external memory directly coupled to the AI device 100 , or a memory maintained in an external device.

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.The sensing unit 140 may acquire at least one of internal information of the AI device 100 , information about the surrounding environment of the AI device 100 , and user information by using various sensors.

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.At this time, sensors included in the sensing unit 140 include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and a lidar. , radar, etc.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. The output unit 150 may generate an output related to sight, hearing, or touch.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.In this case, the output unit 150 may include a display unit that outputs visual information, a speaker that outputs auditory information, and a haptic module that outputs tactile information.

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.The memory 170 may store data supporting various functions of the AI device 100 . For example, the memory 170 may store input data obtained from the input unit 120 , learning data, a learning model, a learning history, and the like.

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.The processor 180 may determine at least one executable operation of the AI device 100 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. In addition, the processor 180 may control the components of the AI device 100 to perform the determined operation.

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.To this end, the processor 180 may request, search, receive, or utilize the data of the learning processor 130 or the memory 170, and may perform a predicted operation or an operation determined to be desirable among the at least one executable operation. It is possible to control the components of the AI device 100 to execute.

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.In this case, when the connection of the external device is required to perform the determined operation, the processor 180 may generate a control signal for controlling the corresponding external device and transmit the generated control signal to the corresponding external device.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.The processor 180 may obtain intention information with respect to a user input, and determine a user's requirement based on the obtained intention information.

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. In this case, the processor 180 uses at least one of a speech to text (STT) engine for converting a voice input into a character string or a natural language processing (NLP) engine for obtaining intention information of a natural language, Intention information corresponding to the input may be obtained.

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.At this time, at least one of the STT engine and the NLP engine may be configured as an artificial neural network, at least a part of which is learned according to a machine learning algorithm. And, at least one or more of the STT engine or the NLP engine is learned by the learning processor 130, or learned by the learning processor 240 of the AI server 200, or learned by distributed processing thereof. it could be

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.The processor 180 collects history information including user feedback on the operation contents or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or the AI server 200 It can be transmitted to an external device. The collected historical information may be used to update the learning model.

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.The processor 180 may control at least some of the components of the AI device 100 in order to drive an application program stored in the memory 170 . Furthermore, in order to drive the application program, the processor 180 may operate two or more of the components included in the AI device 100 in combination with each other.

도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸 블록도이다.2 is a block diagram illustrating an AI server 200 according to an embodiment of the present disclosure.

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.Referring to FIG. 2 , the AI server 200 may refer to a device that trains an artificial neural network using a machine learning algorithm or uses a learned artificial neural network. Here, the AI server 200 may be configured with a plurality of servers to perform distributed processing, and may be defined as a 5G network. In this case, the AI server 200 may be included as a part of the AI device 100 to perform at least a part of AI processing together.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.The AI server 200 may include a communication unit 210 , a memory 230 , a learning processor 240 , and a processor 260 .

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.The communication unit 210 may transmit/receive data to and from an external device such as the AI device 100 .

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.The memory 230 may include a model storage unit 231 . The model storage unit 231 may store a model (or artificial neural network, 231a) being trained or learned through the learning processor 240 .

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.The learning processor 240 may train the artificial neural network 231a using the training data. The learning model may be used while being mounted on the AI server 200 of the artificial neural network, or may be used while being mounted on an external device such as the AI device 100 .

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.The learning model may be implemented in hardware, software, or a combination of hardware and software. When a part or all of the learning model is implemented in software, one or more instructions constituting the learning model may be stored in the memory 230 .

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.The processor 260 may infer a result value with respect to new input data using the learning model, and may generate a response or a control command based on the inferred result value.

도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.3 is a diagram illustrating an AI system 1 according to an embodiment of the present disclosure.

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.Referring to FIG. 3 , the AI system 1 includes at least one of an AI server 200 , a robot 100a , an autonomous vehicle 100b , an XR device 100c , a smart phone 100d , or a home appliance 100e . It is connected to the cloud network 10 . Here, the robot 100a to which the AI technology is applied, the autonomous driving vehicle 100b, the XR device 100c, the smart phone 100d, or the home appliance 100e may be referred to as AI devices 100a to 100e.

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.The cloud network 10 may constitute a part of the cloud computing infrastructure or may refer to a network existing in the cloud computing infrastructure. Here, the cloud network 10 may be configured using a 3G network, a 4G or Long Term Evolution (LTE) network, or a 5G network.

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.That is, each of the devices 100a to 100e and 200 constituting the AI system 1 may be connected to each other through the cloud network 10 . In particular, each of the devices 100a to 100e and 200 may communicate with each other through the base station, but may also directly communicate with each other without passing through the base station.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.The AI server 200 may include a server performing AI processing and a server performing an operation on big data.

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.The AI server 200 includes at least one of the AI devices constituting the AI system 1, such as a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e, and It is connected through the cloud network 10 and may help at least a part of AI processing of the connected AI devices 100a to 100e.

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. In this case, the AI server 200 may train the artificial neural network according to a machine learning algorithm on behalf of the AI devices 100a to 100e, and directly store the learning model or transmit it to the AI devices 100a to 100e.

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.At this time, the AI server 200 receives input data from the AI devices 100a to 100e, infers a result value with respect to the received input data using a learning model, and provides a response or control command based on the inferred result value. It can be generated and transmitted to the AI devices 100a to 100e.

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.Alternatively, the AI devices 100a to 100e may infer a result value with respect to input data using a direct learning model, and generate a response or a control command based on the inferred result value.

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.Hereinafter, various embodiments of the AI devices 100a to 100e to which the above-described technology is applied will be described. Here, the AI devices 100a to 100e shown in FIG. 3 can be viewed as specific examples of the AI device 100 shown in FIG. 1 .

<AI+로봇><AI+Robot>

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.The robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. to which AI technology is applied.

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.The robot 100a may include a robot control module for controlling an operation, and the robot control module may mean a software module or a chip implemented as hardware.

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.The robot 100a acquires state information of the robot 100a by using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, generates map data, moves path and travels A plan may be determined, a response to a user interaction may be determined, or an action may be determined.

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.Here, the robot 100a may use sensor information obtained from at least one sensor among LiDAR, radar, and camera in order to determine a movement route and a travel plan.

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. The robot 100a may perform the above-described operations using a learning model composed of at least one artificial neural network. For example, the robot 100a may recognize a surrounding environment and an object using a learning model, and may determine an operation using the recognized surrounding environment information or object information. Here, the learning model may be directly learned from the robot 100a or learned from an external device such as the AI server 200 .

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.In this case, the robot 100a may perform an operation by generating a result using the direct learning model, but transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation You may.

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. The robot 100a determines a movement path and travel plan using at least one of map data, object information detected from sensor information, or object information obtained from an external device, and controls the driving unit to apply the determined movement path and travel plan. Accordingly, the robot 100a may be driven.

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.The map data may include object identification information for various objects disposed in a space in which the robot 100a moves. For example, the map data may include object identification information for fixed objects such as walls and doors and movable objects such as flowerpots and desks. In addition, the object identification information may include a name, a type, a distance, a location, and the like.

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.In addition, the robot 100a may perform an operation or drive by controlling the driving unit based on the user's control/interaction. In this case, the robot 100a may acquire intention information of an interaction according to a user's motion or voice utterance, determine a response based on the acquired intention information, and perform the operation.

<AI+자율주행><AI + Autonomous Driving>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다. The autonomous driving vehicle 100b may be implemented as a mobile robot, a vehicle, an unmanned aerial vehicle, etc. by applying AI technology.

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.The autonomous driving vehicle 100b may include an autonomous driving control module for controlling an autonomous driving function, and the autonomous driving control module may mean a software module or a chip implemented as hardware. The autonomous driving control module may be included as a component of the autonomous driving vehicle 100b, but may also be configured and connected as separate hardware to the outside of the autonomous driving vehicle 100b.

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. The autonomous driving vehicle 100b acquires state information of the autonomous driving vehicle 100b using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, generates map data, A moving route and a driving plan may be determined, or an operation may be determined.

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.Here, the autonomous vehicle 100b may use sensor information obtained from at least one sensor among LiDAR, radar, and camera, similarly to the robot 100a, in order to determine a moving route and a driving plan.

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.In particular, the autonomous vehicle 100b may receive sensor information from external devices to recognize an environment or object for an area where the field of view is obscured or an area over a certain distance, or receive information recognized directly from external devices. .

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. The autonomous vehicle 100b may perform the above-described operations by using a learning model composed of at least one artificial neural network. For example, the autonomous vehicle 100b may recognize a surrounding environment and an object using a learning model, and may determine a driving route using the recognized surrounding environment information or object information. Here, the learning model may be directly learned from the autonomous vehicle 100b or learned from an external device such as the AI server 200 .

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.In this case, the autonomous vehicle 100b may generate a result using a direct learning model and perform an operation, but it operates by transmitting sensor information to an external device such as the AI server 200 and receiving the result generated accordingly. can also be performed.

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.The autonomous vehicle 100b uses at least one of map data, object information detected from sensor information, or object information obtained from an external device to determine a movement path and a driving plan, and controls the driving unit to determine the movement path and driving The autonomous vehicle 100b may be driven according to a plan.

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.The map data may include object identification information for various objects disposed in a space (eg, a road) in which the autonomous vehicle 100b travels. For example, the map data may include object identification information on fixed objects such as street lights, rocks, and buildings, and movable objects such as vehicles and pedestrians. In addition, the object identification information may include a name, a type, a distance, a location, and the like.

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.In addition, the autonomous vehicle 100b may perform an operation or drive by controlling the driving unit based on the user's control/interaction. In this case, the autonomous vehicle 100b may acquire intention information of an interaction according to a user's motion or voice utterance, determine a response based on the obtained intention information, and perform the operation.

<AI+XR><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.The XR apparatus 100c is AI technology applied, so a head-mount display (HMD), a head-up display (HUD) provided in a vehicle, a television, a mobile phone, a smart phone, a computer, a wearable device, a home appliance, and a digital signage , a vehicle, a stationary robot, or a mobile robot.

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.The XR device 100c analyzes 3D point cloud data or image data acquired through various sensors or from an external device to generate location data and attribute data for 3D points, thereby providing information on surrounding space or real objects. It can be obtained and output by rendering the XR object to be output. For example, the XR apparatus 100c may output an XR object including additional information on the recognized object to correspond to the recognized object.

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. The XR apparatus 100c may perform the above-described operations using a learning model composed of at least one artificial neural network. For example, the XR device 100c may recognize a real object from 3D point cloud data or image data using a learning model, and may provide information corresponding to the recognized real object. Here, the learning model may be directly learned from the XR device 100c or learned from an external device such as the AI server 200 .

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.At this time, the XR device 100c may perform an operation by generating a result using the direct learning model, but transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation. can also be done

<AI+로봇+자율주행><AI+Robot+Autonomous Driving>

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.The robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. to which AI technology and autonomous driving technology are applied.

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. The robot 100a to which AI technology and autonomous driving technology are applied may mean a robot having an autonomous driving function or a robot 100a that interacts with the autonomous driving vehicle 100b.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.The robot 100a having an autonomous driving function may collectively refer to devices that move by themselves according to a given movement line without user's control, or by determining a movement line by themselves.

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.The robot 100a with autonomous driving function and the autonomous driving vehicle 100b may use a common sensing method to determine one or more of a moving route or a driving plan. For example, the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may determine one or more of a movement route or a driving plan by using information sensed through lidar, radar, and camera.

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.The robot 100a interacting with the autonomous driving vehicle 100b exists separately from the autonomous driving vehicle 100b and is linked to an autonomous driving function inside the autonomous driving vehicle 100b or connected to the autonomous driving vehicle 100b. It is possible to perform an operation associated with the user on board.

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.At this time, the robot 100a interacting with the autonomous driving vehicle 100b obtains sensor information on behalf of the autonomous driving vehicle 100b and provides it to the autonomous driving vehicle 100b, or obtains sensor information and obtains information about the surrounding environment or By generating object information and providing it to the autonomous driving vehicle 100b, the autonomous driving function of the autonomous driving vehicle 100b may be controlled or supported.

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.Alternatively, the robot 100a interacting with the autonomous driving vehicle 100b may monitor a user riding in the autonomous driving vehicle 100b or control a function of the autonomous driving vehicle 100b through interaction with the user. . For example, when it is determined that the driver is in a drowsy state, the robot 100a may activate an autonomous driving function of the autonomous driving vehicle 100b or assist in controlling a driving unit of the autonomous driving vehicle 100b. Here, the function of the autonomous driving vehicle 100b controlled by the robot 100a may include not only an autonomous driving function, but also a function provided by a navigation system or an audio system provided in the autonomous driving vehicle 100b.

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.Alternatively, the robot 100a interacting with the autonomous driving vehicle 100b may provide information or assist a function to the autonomous driving vehicle 100b from the outside of the autonomous driving vehicle 100b. For example, the robot 100a may provide traffic information including signal information to the autonomous vehicle 100b, such as a smart traffic light, or interact with the autonomous vehicle 100b, such as an automatic electric charger for an electric vehicle. You can also automatically connect an electric charger to the charging port.

<AI+로봇+XR><AI+Robot+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. The robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, a drone, etc. to which AI technology and XR technology are applied.

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.The robot 100a to which the XR technology is applied may mean a robot that is a target of control/interaction within an XR image. In this case, the robot 100a is distinguished from the XR device 100c and may be interlocked with each other.

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. When the robot 100a, which is the target of control/interaction within the XR image, obtains sensor information from sensors including a camera, the robot 100a or the XR device 100c generates an XR image based on the sensor information. and the XR apparatus 100c may output the generated XR image. In addition, the robot 100a may operate based on a control signal input through the XR device 100c or a user's interaction.

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.For example, the user can check the XR image corresponding to the viewpoint of the remotely interlocked robot 100a through an external device such as the XR device 100c, and adjust the autonomous driving path of the robot 100a through interaction or , control motion or driving, or check information of surrounding objects.

<AI+자율주행+XR><AI+Autonomous Driving+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다. The autonomous vehicle 100b may be implemented as a mobile robot, a vehicle, an unmanned aerial vehicle, etc. by applying AI technology and XR technology.

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.The autonomous driving vehicle 100b to which the XR technology is applied may mean an autonomous driving vehicle equipped with a means for providing an XR image or an autonomous driving vehicle subject to control/interaction within the XR image. In particular, the autonomous driving vehicle 100b, which is the target of control/interaction within the XR image, is distinguished from the XR device 100c and may be interlocked with each other.

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.The autonomous vehicle 100b provided with means for providing an XR image may obtain sensor information from sensors including a camera, and may output an XR image generated based on the acquired sensor information. For example, the autonomous vehicle 100b may provide a real object or an XR object corresponding to an object in a screen to the occupant by outputting an XR image with a HUD.

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.In this case, when the XR object is output to the HUD, at least a portion of the XR object may be output to overlap the real object to which the passenger's gaze is directed. On the other hand, when the XR object is output to a display provided inside the autonomous vehicle 100b, at least a portion of the XR object may be output to overlap the object in the screen. For example, the autonomous vehicle 100b may output XR objects corresponding to objects such as a lane, other vehicles, traffic lights, traffic signs, two-wheeled vehicles, pedestrians, and buildings.

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.When the autonomous driving vehicle 100b, which is the target of control/interaction within the XR image, acquires sensor information from sensors including a camera, the autonomous driving vehicle 100b or the XR device 100c performs An XR image is generated, and the XR apparatus 100c may output the generated XR image. In addition, the autonomous vehicle 100b may operate based on a control signal input through an external device such as the XR device 100c or a user's interaction.

도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.4 is a block diagram illustrating the AI device 100 according to an embodiment of the present disclosure.

도 1과 중복되는 설명은 생략한다.A description overlapping with FIG. 1 will be omitted.

통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.The communication unit 110 may also be referred to as a communication modem or a communication circuit.

도 4를 참조하면, 인공 지능 장치(100)는 이미지 프로세서(190)를 더 포함할 수 있다.Referring to FIG. 4 , the artificial intelligence apparatus 100 may further include an image processor 190 .

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. The input unit 120 may include a camera (Camera, 121) for inputting an image signal, a microphone (Microphone, 122) for receiving an audio signal, and a user input unit (User Input Unit, 123) for receiving information from a user. there is.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.The voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.

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.The input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user. For input of image information, the AI device 100 may include one or more Cameras 121 may be provided.

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.The camera 121 processes an image frame such as a still image or a moving image obtained by an image sensor in a video call mode or a shooting mode. The processed image frame may be displayed on the display unit 151 or stored in the memory 170 .

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.The microphone 122 processes an external sound signal as electrical voice data. The processed voice data may be variously utilized according to a function (or a running application program) being performed by the AI device 100 . Meanwhile, various noise removal algorithms for removing noise generated in the process of receiving an external sound signal may be applied to the microphone 122 .

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. The user input unit 123 is for receiving information from a user, and when information is input through the user input unit 123 , the processor 180 may control the operation of the AI device 100 to correspond to the input information. .

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.The user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the AI device 100, a dome switch, a jog wheel, a jog switch, etc.) and a touch input means. As an example, the touch input means consists of a virtual key, a soft key, or a visual key displayed on the touch screen through software processing, or a part other than the touch screen. It may be made of a touch key (touch key) disposed on the.

센싱부(140)는 센서부라고 칭할 수 있다.The sensing unit 140 may be referred to as a sensor unit.

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. Output unit 150 includes at least one of a display unit (Display Unit, 151), a sound output unit (Sound Output Unit, 152), a haptic module (Haptic Module, 153), and an optical output unit (Optical Output Unit, 154) can do.

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. The display unit 151 displays (outputs) information processed by the AI device 100 . For example, the display unit 151 may display execution screen information of an application program driven in the AI device 100 or UI (User Interface) and GUI (Graphic User Interface) information according to the execution screen information.

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.The display unit 151 may implement a touch screen by forming a layer structure with the touch sensor or being formed integrally with the touch sensor. Such a touch screen may function as the user input unit 123 providing an input interface between the AI device 100 and the user, and may provide an output interface between the terminal 100 and the user.

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. The sound output unit 152 may output audio data received from the communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.The sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.

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.The haptic module 153 generates various tactile effects that the user can feel. A representative example of the tactile effect generated by the haptic module 153 may be vibration.

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.The light output unit 154 outputs a signal for notifying the occurrence of an event by using the light of the light source of the AI device 100 . Examples of the event generated by the AI device 100 may be message reception, call signal reception, missed call, alarm, schedule notification, email reception, information reception through an application, and the like.

이미지 프로세서(190)는 이미지 센서 또는 카메라(121)로부터 획득한 RAW 이미지 데이터(RAW image data) 또는 베이어 데이터(Bayer data)를 이미지 데이터로 변환하는 이미지 신호 처리 장치(image signal processing device)를 의미하며, 이미지 신호 프로세서(ISP: Image Signal Processor)라 칭할 수 있다.The image processor 190 refers to an image signal processing device that converts RAW image data or Bayer data acquired from the image sensor or camera 121 into image data, , may be referred to as an image signal processor (ISP).

RAW 이미지 데이터 또는 베이어 데이터로부터 변환된 이미지 데이터는 각 픽셀마다 대응되는 RGB, IR 또는 Depth 중에서 적어도 하나 이상의 값을 포함하며, 변환된 이미지 데이터의 종류는 RAW 이미지 데이터에 포함된 센서 데이터의 종류에 기초하여 결정될 수 있다. 예컨대, RAW 이미지 데이터에 RGB 센서 데이터가 포함된 경우에는 변환된 이미지 데이터는 RGB 이미지 데이터일 수 있고, RAW 이미지 데이터에 RGB-IR 센서 데이터가 포함된 경우에는 변환된 이미지 데이터는 RGB-IR 이미지 데이터일 수 있다.RAW image data or image data converted from Bayer data includes at least one value among RGB, IR, and Depth corresponding to each pixel, and the type of converted image data is based on the type of sensor data included in the RAW image data can be determined by For example, when the RAW image data includes RGB sensor data, the converted image data may be RGB image data, and when the RAW image data includes RGB-IR sensor data, the converted image data is RGB-IR image data. can be

이미지 프로세서(190)는 이미지 신호 처리만을 위한 특정 용도 집적 회로(ASIC: Application Specific Integrated Circuit)를 의미할 수도 있고, 이미지 신호 처리를 위한 프로그램을 수행하는 범용 프로세서(general purpose processor)를 의미할 수도 있다. 또한, 이미지 프로세서(190)는 프로세서(180)와 물리적으로 구분되는 별개의 프로세서를 의미할 수도 있고, 프로세서(180)가 수행하는 이미지 신호 처리 기능을 의미할 수도 있다.The image processor 190 may mean an Application Specific Integrated Circuit (ASIC) only for image signal processing, or a general purpose processor that executes a program for image signal processing. . Also, the image processor 190 may mean a separate processor physically separated from the processor 180 , or may mean an image signal processing function performed by the processor 180 .

이미지 프로세서(190)는 제1 이미지 프로세서(191) 및 제2 프로세서(192)를 포함하고, 제1 이미지 프로세서(191) 또는 제2 이미지 프로세서(192) 중에서 적어도 하나 이상을 이용하여 RAW 이미지 데이터를 이미지 데이터로 변환할 수 있다. 제1 이미지 프로세서(191) 및 제2 이미지 프로세서(192)는 물리적 프로세서를 의미할 수도 있고, 이미지 프로세서(190)가 수행하는 이미지 신호 처리 기능을 의미할 수도 있다.The image processor 190 includes a first image processor 191 and a second processor 192 , and converts RAW image data using at least one of the first image processor 191 and the second image processor 192 . It can be converted to image data. The first image processor 191 and the second image processor 192 may refer to a physical processor or an image signal processing function performed by the image processor 190 .

제1 이미지 프로세서(191)는 파라메트릭 ISP(parametric ISP)이고, 종래의 ISP 파이프라인(traditional ISP pipeline)을 의미할 수 있다. 파라메트릭 ISP로써의 제1 이미지 프로세서(191)는 RAW 이미지 데이터가 입력되면 일련의 이미지 처리 블록들(image processing blocks) 또는 이미지 처리 모듈들(image processing modules)을 통해 이미지 데이터를 생성하여 출력할 수 있고, 일련의 이미지 처리 블록들은 이미지 처리 파이프라인(image processing pipeline) 또는 이미지 신호 처리 파이프라인(ISP pipeline)이라 칭할 수 있다.The first image processor 191 is a parametric ISP (parametric ISP), and may refer to a conventional ISP pipeline. When RAW image data is input, the first image processor 191 as a parametric ISP may generate and output image data through a series of image processing blocks or image processing modules. and a series of image processing blocks may be referred to as an image processing pipeline or an image signal processing pipeline (ISP pipeline).

ISP 파이프라인에 포함된 각 이미지 처리 블록들은 주어진 파라미터들에 기초하여 입력되는 이미지 데이터 또는 RAW 이미지 데이터로부터 출력할 이미지 데이터의 픽셀 속성을 결정 또는 수정한다는 점에서, ISP 파이프라인은 파라메트릭 ISP라 칭할 수 있다.In that each image processing block included in the ISP pipeline determines or modifies pixel properties of image data to be output from input image data or RAW image data based on given parameters, the ISP pipeline may be referred to as a parametric ISP. can

제2 이미지 프로세서(192)는 심층 신경망 기반 ISP(DISP: DNN-based ISP)이고, RAW 이미지 데이터가 입력되면 학습을 통하여 전처리된 RAW 이미지 데이터를 생성하여 출력할 수 있다.The second image processor 192 is a deep neural network-based ISP (DISP: DNN-based ISP), and when RAW image data is input, it may generate and output pre-processed RAW image data through learning.

DISP는 특정한 기능을 강화하여 특정한 용도(specific application)마다 구분되어 학습될 수 있고, 이러한 ISP는 특정 용도 심층 신경망 기반 ISP(ASDISP 또는 ASDP: Application Specific DNN-based ISP)라 칭할 수 있다. 예컨대, ASDISP에는 조도 보정 DISP, 노이즈 제거 DISP, 조도/노이즈 보정 DISP, 슈퍼 레졸루션 DISP (또는 업스케일링 DISP), 롤링 셔터(rolling shutter) 보정 DISP 등이 포함될 수 있다.The DISP may be divided and learned for each specific application by reinforcing a specific function, and such an ISP may be referred to as an application specific DNN-based ISP (ASDISP or ASDP). For example, ASDISP may include illuminance correction DISP, noise removal DISP, illuminance/noise correction DISP, super resolution DISP (or upscaling DISP), rolling shutter correction DISP, and the like.

DISP 또는 ASDISP는 인공 지능 장치(100)의 프로세서(180) 또는 러닝 프로세서(130)에서 학습되어 메모리(170) 또는 제2 이미지 프로세서(192)의 내장 메모리(미도시)에 저장될 수도 있다. 또한, DISP 또는 ASDISP는 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)에서 학습되고, 학습된 DISP 또는 ASDISP는 통신부(210)를 통해 인공 지능 장치(100)에 전송되어 인공 지능 장치(100)의 메모리(170) 또는 제2 이미지 프로세서(192)의 내장 메모리(미도시)에 저장될 수 있다.DISP or ASDISP may be learned by the processor 180 or the learning processor 130 of the artificial intelligence device 100 and stored in the memory 170 or the built-in memory (not shown) of the second image processor 192 . In addition, DISP or ASDISP is learned by the processor 260 or the learning processor 240 of the artificial intelligence server 200, and the learned DISP or ASDISP is transmitted to the artificial intelligence device 100 through the communication unit 210 and artificial intelligence It may be stored in the memory 170 of the device 100 or the internal memory (not shown) of the second image processor 192 .

도 5는 본 개시의 일 실시 예에 따른 이미지 데이터를 생성하는 방법을 나타낸 동작 흐름도이다.5 is an operation flowchart illustrating a method of generating image data according to an embodiment of the present disclosure.

도 5를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 카메라(121) 또는 이미지 센서를 통해 RAW 이미지 데이터를 수신한다(S501).Referring to FIG. 5 , the processor 180 of the artificial intelligence device 100 receives RAW image data through the camera 121 or the image sensor ( S501 ).

카메라(121) 또는 이미지 센서는 광자를 전자로 전환하는 반도체로, CMOS(Complementary Metal Oxide Semiconductor) 이미지 센서 또는 CCD(Charge Coupled Device) 이미지 센서를 의미할 수 있다.The camera 121 or the image sensor is a semiconductor that converts photons into electrons, and may refer to a complementary metal oxide semiconductor (CMOS) image sensor or a charge coupled device (CCD) image sensor.

RAW 이미지 데이터는 이미지 센서로부터 획득한 센서 값들을 포함할 수 있다. 예컨대, 이미지 센서가 RGB 이미지 센서인 경우, RAW 이미지 데이터는 베이어 데이터(Bayer data)일 수 있다. 또한, 이미지 센서에 IR 센서 또는 Depth 센서가 포함된 경우라면, RAW 이미지 데이터에는 IR 센서 값 또는 Depth 센서 값이 포함될 수 있다.The RAW image data may include sensor values obtained from an image sensor. For example, when the image sensor is an RGB image sensor, the RAW image data may be Bayer data. Also, if the image sensor includes an IR sensor or a depth sensor, the RAW image data may include an IR sensor value or a depth sensor value.

그리고, 인공 지능 장치(100)의 프로세서(180) 또는 이미지 프로세서(190)는 RAW 이미지 데이터에 적용할 대상 ASDISP를 결정한다(S503).Then, the processor 180 or the image processor 190 of the artificial intelligence device 100 determines a target ASDISP to be applied to the RAW image data ( S503 ).

프로세서(180) 또는 이미지 프로세서(190)는 적어도 하나 이상의 특정 기능 (또는 미리 정해진 기능)에 대하여 대응하는 ASDISP 적용 여부를 판단하고, 적용할 것으로 결정된 ASDISP를 대상 ASDISP로 결정할 수 있다. 예컨대, 총 3개의 특정 기능과 그에 대응하는 ASDISP가 존재하는 경우, 프로세서(180)는 제1 특정 기능에 대응하는 제1 DISP의 적용 여부를 판단하고, 제2 특정 기능에 대응하는 제2 DISP의 적용 여부를 판단하고, 제3 특정 기능에 대응하는 제3 DISP의 적용 여부를 판단할 수 있다.The processor 180 or the image processor 190 may determine whether to apply the corresponding ASDISP to at least one or more specific functions (or predetermined functions), and determine the ASDISP determined to be applied as the target ASDISP. For example, when a total of three specific functions and their corresponding ASDISP exist, the processor 180 determines whether the first DISP corresponding to the first specific function is applied, and determines whether the second DISP corresponding to the second specific function is applied. Whether to apply may be determined, and whether to apply a third DISP corresponding to a third specific function may be determined.

특정 기능에는 조도 보정, 노이즈 제거, 슈퍼 레졸루션(업스케일링), 롤링 셔터 보정 등이 포함될 수 있고, ASDISP에는 조도 보정 DISP, 노이즈 제거 DISP, 슈퍼 레졸루션 DISP, 롤링 셔터 보정 DISP 등이 포함될 수 있다.Specific features may include illuminance compensation, noise reduction, super resolution (upscaling), rolling shutter compensation, etc. ASDISP may include illuminance compensation DISP, noise canceling DISP, super resolution DISP, rolling shutter compensation DISP, etc.

대상 ASDISP의 후보 ASDISP는 미리 정해진 설정 또는 사용자의 입력에 의하여 결정될 수 있다. 예컨대, 적용 가능한 ASDISP에 조도 보정 DISP, 노이즈 제거 DISP, 슈퍼 레졸루션 DISP, 롤링 셔터 보정 DISP가 포함되고, 사용자가 후보 ASDISP를 조도 보정 DISP와 노이즈 제거 DISP를 설정하는 입력을 인가한 경우, 프로세서(180) 또는 이미지 프로세서(190)는 후보 ASDISP로써의 조도 보정 DISP와 노이즈 제거 DISP 중에서 대상 ASDISP를 결정할 수 있다.The candidate ASDISP of the target ASDISP may be determined by a predetermined setting or a user input. For example, if the applicable ASDISP includes illuminance correction DISP, noise removal DISP, super resolution DISP, and rolling shutter correction DISP, and the user applies an input for setting the illuminance correction DISP and noise removal DISP to the candidate ASDISP, the processor 180 ) or the image processor 190 may determine the target ASDISP from among the illuminance correction DISP and the noise removal DISP as candidate ASDISPs.

프로세서(180) 또는 이미지 프로세서(190)는 각 특정 기능에 대응하는 조건에 기초하여 해당 특정 기능에 대응하는 ASDISP의 적용 여부를 판단할 수 있다.The processor 180 or the image processor 190 may determine whether to apply the ASDISP corresponding to the specific function based on the condition corresponding to each specific function.

특정 기능으로써 조도 보정에 대하여는, 프로세서(180)는 RAW 이미지 데이터의 조도가 미리 정해진 조도 범위를 벗어나는 경우에 조도 보정 DISP를 적용하는 것으로 결정할 수 있다. 미리 정해진 조도 범위는 제1 이미지 프로세서(191)에 대응하는 적정 조도 범위를 의미할 수 있다. 따라서, 미리 정해진 조도 범위를 벗어나는 RAW 이미지 데이터는, 파라메트릭 ISP에서 처리할 수 있는 수준을 넘어서는, 조도가 너무 높거나 또는 조도가 너무 낮은 RAW 이미지 데이터를 의미할 수 있다.With respect to illuminance correction as a specific function, the processor 180 may determine to apply the illuminance correction DISP when the illuminance of the RAW image data is out of a predetermined illuminance range. The predetermined illuminance range may mean an appropriate illuminance range corresponding to the first image processor 191 . Accordingly, RAW image data outside the predetermined illuminance range may mean RAW image data with too high illuminance or too low illuminance beyond the level that can be processed by the parametric ISP.

특정 기능으로써 노이즈 제거에 대하여는, 프로세서(180)는 RAW 이미지 데이터의 노이즈가 미리 정해진 노이즈 범위를 벗어나는 경우에 노이즈 제거 DISP를 적용하는 것으로 결정할 수 있다. 미리 정해진 노이즈 범위는 제1 이미지 프로세서(191)에 대응하는 적정 노이즈 범위를 의미할 수 있다. 따라서, 미리 정해진 노이즈 범위를 벗어나는 RAW 이미지 데이터는, 파라메트릭 ISP에서 처리할 수 있는 수준을 넘어서는, 노이즈가 너무 많은 RAW 이미지 데이터를 의미할 수 있다.Regarding noise removal as a specific function, the processor 180 may determine to apply the noise removal DISP when the noise of the RAW image data is out of a predetermined noise range. The predetermined noise range may mean an appropriate noise range corresponding to the first image processor 191 . Accordingly, RAW image data outside the predetermined noise range may mean RAW image data with too much noise, which is beyond the level that can be processed by the parametric ISP.

특정 기능으로써 슈퍼 레졸루션 (또는 업스케일링)에 대하여는, 프로세서(180)는 슈퍼 레졸루션 기능이 활성화된 경우에 슈퍼 레졸루션 DISP를 적용하는 것으로 결정할 수 있다. 슈퍼 레졸루션 기능의 활성화 여부는 사용자의 입력이나 미리 주어진 설정 값에 의하여 결정될 수 있다.For super resolution (or upscaling) as a specific function, the processor 180 may determine to apply the super resolution DISP when the super resolution function is activated. Whether to activate the super resolution function may be determined according to a user input or a preset value.

특정 기능으로써 롤링 셔터 보정에 대하여는, 프로세서(180)는 카메라(121) 또는 이미지 센서가 롤링 셔터 방식이고, RAW 이미지 데이터에 롤링 셔터에 의한 왜곡이 발생한 경우에 롤링 셔터 보정 DISP를 적용하는 것으로 결정할 수 있다.Regarding rolling shutter correction as a specific function, the processor 180 may determine to apply the rolling shutter correction DISP when the camera 121 or the image sensor is a rolling shutter method and distortion by the rolling shutter occurs in RAW image data. there is.

그리고, 인공 지능 장치(100)의 프로세서(180)는 대상 ASDISP가 존재하는지 판단한다(S505).Then, the processor 180 of the artificial intelligence device 100 determines whether the target ASDISP exists (S505).

단계(S505)의 판단 결과 대상 ASDISP가 존재하는 경우, 인공 지능 장치(100)의 프로세서(180)는 대상 ASDISP를 이용하는 이미지 프로세서(190) 또는 제2 이미지 프로세서(192)를 통해 RAW 이미지 데이터로부터 보정된 RAW 이미지 데이터를 생성한다(S507).If the target ASDISP exists as a result of the determination in step S505, the processor 180 of the artificial intelligence device 100 corrects the RAW image data through the image processor 190 or the second image processor 192 using the target ASDISP. RAW image data is generated (S507).

프로세서(180)는 대상 ASDISP를 이용하는 이미지 프로세서(190) 또는 제2 이미지 프로세서(192)를 통해 RAW 이미지 데이터로부터 보정된 RAW 이미지 데이터를 생성할 수 있다. 예컨대, 조도 보정 DISP만이 대상 DISP인 경우, 프로세서(180)는 조도 보정 DISP를 이용하는 이미지 프로세서(190) 또는 제2 이미지 프로세서(192)를 통해 RAW 이미지 데이터의 조도를 보정하여 보정된 RAW 이미지 데이터를 생성할 수 있다.The processor 180 may generate corrected RAW image data from the RAW image data through the image processor 190 or the second image processor 192 using the target ASDISP. For example, when only the illuminance correction DISP is the target DISP, the processor 180 corrects the illuminance of the RAW image data through the image processor 190 or the second image processor 192 using the illuminance correction DISP to receive the corrected RAW image data. can create

만약, 대상 ASDISP가 복수 개인 경우, 프로세서(180)는 각 대상 ASDISP를 순차적으로 이용하여 RAW 이미지 데이터로부터 보정된 RAW 이미지 데이터를 생성할 수 있다. 예컨대, 조도 보정 DISP와 노이즈 제거 DISP가 대상 DISP인 경우, 프로세서(180)는 조도 보정 DISP를 이용하는 이미지 프로세서(190) 또는 제2 이미지 프로세서(192)를 통해 RAW 이미지 데이터의 조도를 보정하여 보정된 RAW 이미지 데이터를 생성하고, 노이즈 제거 DISP를 이용하는 이미지 프로세서(190) 또는 제2 이미지 프로세서(192)를 통해 (보정된) RAW 이미지 데이터의 노이즈를 제거한 보정된 RAW 이미지 데이터를 생성할 수 있다. 복수의 대상 ASDISP가 존재하는 상황에서 각 대상 ASDISP 사이의 적용 순서는 미리 정해진 DISP 사이의 우선 순위에 기초하여 결정될 수도 있고, 사용자의 입력에 의하여 결정될 수도 있다.If there are a plurality of target ASDISPs, the processor 180 may generate corrected RAW image data from RAW image data by sequentially using each target ASDISP. For example, when the illuminance correction DISP and the noise removal DISP are the target DISPs, the processor 180 corrects the illuminance of the RAW image data through the image processor 190 or the second image processor 192 using the illuminance correction DISP. The RAW image data may be generated, and the corrected RAW image data from which the noise of the (corrected) RAW image data is removed may be generated through the image processor 190 or the second image processor 192 using the noise removal DISP. In a situation in which a plurality of target ASDISPs exist, the application order between the respective target ASDISPs may be determined based on a predetermined priority among DISPs or may be determined by a user's input.

단계(S505)의 판단 결과 대상 ASDISP가 존재하지 않거나, 단계(S507)에 의해 RAW 이미지 데이터가 보정된 경우, 인공 지능 장치(100)의 프로세서(180)는 파라메트릭 ISP를 이용하는 이미지 프로세서(190) 또는 제1 이미지 프로세서(191)를 통해 RAW 이미지 데이터로부터 출력 이미지 데이터를 생성한다(S509).When the target ASDISP does not exist as a result of the determination in step S505 or RAW image data is corrected by step S507, the processor 180 of the artificial intelligence device 100 uses the parametric ISP image processor 190 Alternatively, output image data is generated from the RAW image data through the first image processor 191 (S509).

상술한 것과 같이, 파라메트릭 ISP는 복수의 이미지 처리 블록들로 구성된 ISP 파이프라인을 의미한다.As described above, the parametric ISP refers to an ISP pipeline composed of a plurality of image processing blocks.

프로세서(180)는 파라메트릭 ISP를 이용하는 이미지 프로세서(190) 또는 제1 이미지 프로세서(191)를 통해 RAW 이미지 데이터 (또는 센서 데이터)로부터 출력 이미지 데이터를 생성할 수 있다.The processor 180 may generate output image data from RAW image data (or sensor data) through the image processor 190 or the first image processor 191 using the parametric ISP.

출력 이미지 데이터를 생성하는데 이용되는 RAW 이미지 데이터는 카메라(121) 또는 이미지 센서로부터 획득한 (원본) RAW 이미지 데이터뿐만 아니라 ASDISP를 통해 보정된 RAW 이미지 데이터를 의미한다. 만약, 대상 ASDISP가 존재하는 경우라면, 출력 이미지 데이터를 생성하는데 이용되는 RAW 이미지 데이터는 대상 ASDISP를 통해 보정된 RAW 이미지 데이터를 의미한다.RAW image data used to generate the output image data means RAW image data corrected through ASDISP as well as (original) RAW image data acquired from the camera 121 or the image sensor. If the target ASDISP exists, RAW image data used to generate the output image data means RAW image data corrected through the target ASDISP.

이와 같이, 본 개시의 일 실시 예는 RAW 이미지 데이터에 대하여 필요한 ASDISP를 선택적으로 이용함으로써 파라메트릭 ISP (또는 ISP 파이프라인)에서 잘 처리하지 못하는 RAW 이미지 데이터를 잘 처리할 수 있는 RAW 이미지 데이터로 보정할 수 있고, 종단간(end-to-end) 학습된 단일한 DISP에 비하여 적은 학습량으로도 더 나은 성능을 기대할 수 있다. 또한, 본 개시의 일 실시 예는 파라메트릭 ISP를 이용하여 출력 이미지 데이터를 생성함으로써 파라미터 조정을 통한 출력 이미지 데이터의 미세 조정이 용이하다는 장점이 있다.As such, an embodiment of the present disclosure corrects RAW image data that cannot be processed well in a parametric ISP (or ISP pipeline) into RAW image data that can be processed well by selectively using ASDISP required for RAW image data. It can be done, and better performance can be expected with a small amount of learning compared to a single DISP trained end-to-end. In addition, an embodiment of the present disclosure has an advantage in that it is easy to fine-tune the output image data through parameter adjustment by generating the output image data using the parametric ISP.

도 5에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 반복적으로 이미지 데이터를 생성할 수 있다.The steps shown in FIG. 5 may be repeatedly performed, and accordingly, the artificial intelligence apparatus 100 may repeatedly generate image data.

도 5에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 5에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.The order of the steps shown in FIG. 5 is merely an example, and the present disclosure is not limited thereto. That is, in an embodiment, some of the steps shown in FIG. 5 may be performed in parallel.

도 6은 본 개시의 일 실시 예에 따른 이미지 데이터를 생성하는 방법을 나타낸 도면이다.6 is a diagram illustrating a method of generating image data according to an embodiment of the present disclosure.

도 6을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 카메라(121)를 통해 빛(601)으로부터 RAW 이미지 데이터(604)를 생성할 수 있다.Referring to FIG. 6 , the processor 180 of the artificial intelligence device 100 may generate RAW image data 604 from the light 601 through the camera 121 .

카메라(121)는 렌즈(602) 및 이미지 센서(603)를 포함할 수 있다. 카메라(121)는 렌즈(602)를 통해 빛(601)을 모으고, 센서(603)를 통해 모아진 빛을 이미지 전기 신호로 변환하여 RAW 이미지 데이터(604)를 생성한다.The camera 121 may include a lens 602 and an image sensor 603 . The camera 121 collects the light 601 through the lens 602 and converts the collected light through the sensor 603 into an image electrical signal to generate RAW image data 604 .

그리고, 인공 지능 장치(100)의 프로세서(180)는 이미지 프로세서(190)를 통해 RAW 이미지 데이터(604)로부터 출력 이미지 데이터(606)를 생성할 수 있다.In addition, the processor 180 of the artificial intelligence device 100 may generate the output image data 606 from the RAW image data 604 through the image processor 190 .

이미지 프로세서(190)는 파라메트릭 ISP(605)를 이용하는 이미지 프로세서인 제1 이미지 프로세서(191)와 특정 기능을 강화한 ASDISP(607)를 이용하는 이미지 프로세서인 제2 이미지 프로세서(192)를 포함할 수 있다. The image processor 190 may include a first image processor 191 that is an image processor using a parametric ISP 605 and a second image processor 192 that is an image processor that uses an ASDISP 607 with enhanced specific functions. .

프로세서(180)는 RAW 이미지 데이터(604)에 적용할 대상 ASDISP(605)를 결정하고, 이미지 프로세서(190) 또는 제2 이미지 프로세서(192)를 통해 대상 ASDISP(605)를 이용하여 RAW 이미지 데이터(604)로부터 보정된 RAW 이미지 데이터(606)를 생성할 수 있다. The processor 180 determines the target ASDISP 605 to be applied to the RAW image data 604, and uses the target ASDISP 605 through the image processor 190 or the second image processor 192 to obtain RAW image data ( The corrected RAW image data 606 may be generated from 604 .

그리고, 프로세서(180)는 이미지 프로세서(190) 또는 제1 이미지 프로세서(191)를 통해 파라메트릭 ISP(607)를 이용하여 RAW 이미지 데이터(604 또는 606)로부터 출력 이미지 데이터(608)를 생성할 수 있다. 여기서, 프로세서(180)는 대상 ASDISP(605)가 존재하는 경우에는 대상 ASDISP(605)를 이용하여 보정된 RAW 이미지 데이터(606)로부터 출력 이미지 데이터(608)를 생성하고, 대상 ASDISP(605)가 존재하지 않는 경우에는 이미지 센서(603)으로부터 생성된 RAW 이미지 데이터(604)로부터 출력 이미지 데이터(608)를 생성할 수 있다.In addition, the processor 180 may generate the output image data 608 from the RAW image data 604 or 606 using the parametric ISP 607 through the image processor 190 or the first image processor 191 . there is. Here, when the target ASDISP 605 exists, the processor 180 generates output image data 608 from the corrected RAW image data 606 using the target ASDISP 605, and the target ASDISP 605 is If it does not exist, the output image data 608 may be generated from the RAW image data 604 generated by the image sensor 603 .

이와 같이, 이미지 센서(603)으로부터 생성된 RAW 이미지 데이터(604)에 대하여 적용할 대상 ASDISP(605)를 결정하고, 대상 ASDISP(605)를 이용하여 RAW 이미지 데이터(604)를 보정하고 (또는 전처리하고), 파라메트릭 ISP(607)를 이용하여 보정된 RAW 이미지 데이터(606)로부터 출력 이미지 데이터(608)를 생성함으로써, 파라메트릭 ISP만을 이용하여 이미지 데이터를 생성하는 방법과 비교하여 더욱 열악한 조건의 RAW 이미지 데이터에 대하여도 높은 성능으로 출력 이미지를 생성하는 장점이 있으며, DISP만을 이용하여 이미지 데이터를 생성하는 방법과 비교하여 DISP의 크기와 학습량이 적고 파라미터를 이용한 ISP 튜닝이 용이하다는 장점이 있다.In this way, the target ASDISP 605 to be applied to the RAW image data 604 generated from the image sensor 603 is determined, and the RAW image data 604 is corrected (or pre-processed) using the target ASDISP 605 . and), by generating the output image data 608 from the corrected RAW image data 606 using the parametric ISP 607, compared to the method of generating image data using only the parametric ISP, It has the advantage of generating an output image with high performance even for RAW image data. Compared to the method of generating image data using only DISP, the DISP size and learning amount are small, and ISP tuning using parameters is easy.

도 7은 본 개시의 일 실시 예에 따른 파라메트릭 ISP의 예시를 나타낸 도면이다.7 is a diagram illustrating an example of a parametric ISP according to an embodiment of the present disclosure.

도 7을 참조하면, 본 개시의 일 실시 예에 따른 파라메트릭 ISP(720)는 복수의 이미지 처리 블록들 (또는 이미지 처리 모듈들)을 포함하며, 각 이미지 처리 블록들을 순차적으로 이용하여 입력되는 RAW 이미지 데이터(710)로부터 출력 이미지 데이터(730)를 출력할 수 있다.Referring to FIG. 7 , the parametric ISP 720 according to an embodiment of the present disclosure includes a plurality of image processing blocks (or image processing modules), and RAW is input by sequentially using each image processing block. The output image data 730 may be output from the image data 710 .

파라메트릭 ISP(720)는 오토 화이트 밸런스 블록(auto white balance block, 721), 불량 화소 보정 블록(defect pixel correction block, 722), 역모자익 블록(demosaic block, 723), 노이즈 제거 블록(denoise block, 724), 윤곽 샤프닝 블록(edge sharpening block, 725), 색 보정 매트릭스 블록(color correction matrix block, 726), 명도/대비 조정 블록(brightness/contrast adjustment block, 727) 또는 감마 보정 블록(gamma correction block, 728) 중에서 적어도 하나 이상을 포함할 수 있다.The parametric ISP 720 includes an auto white balance block 721 , a defective pixel correction block 722 , a demosaic block 723 , a denoise block, 724), an edge sharpening block (725), a color correction matrix block (726), a brightness/contrast adjustment block (727) or a gamma correction block, 728) may include at least one of them.

오토 화이트 밸런스 블록(721)은 이미지의 색 항상성(color constancy)를 보존하기 위하여 화이트 밸런스(white balance)를 조정하는 (또는 색 온도를 조정하는) 블록을 의미할 수 있다.The auto white balance block 721 may refer to a block that adjusts white balance (or adjusts color temperature) in order to preserve color constancy of an image.

불량 화소 보정 블록(722)은 이미지 센서의 불량 화소를 보정하는 블록을 의미할 수 있고, 불량 화소에 인접한 화소들에서의 센서 정보를 이용하여 불량 화소에 대응하는 센서 정보를 추론할 수 있다.The bad pixel correction block 722 may refer to a block for correcting bad pixels of the image sensor, and sensor information corresponding to the bad pixels may be inferred using sensor information in pixels adjacent to the bad pixel.

역모자익 블록(723)은 픽셀마다 단일한 색상 정보를 갖는 이미지 센서 값들을 픽셀별 색상 정보로 변환하는 블록을 의미할 수 있고, 이 과정에서 보간법(interpolation)을 이용한다는 점에서 색 보간 블록(color interpolation block)이라 부를 수도 있다.The inverse mosaic block 723 may mean a block that converts image sensor values having single color information for each pixel into color information for each pixel. It can also be called an interpolation block).

노이즈 제거 블록(724)은 이미지에 포함된 노이즈를 제거하는 블록을 의미할 수 있다.The noise removal block 724 may refer to a block for removing noise included in an image.

윤곽 샤프닝 블록(725)은 이미지에 포함된 객체의 윤곽의 선명도를 높이는 블록을 의미할 수 있고, 윤곽 강화 블록(edge enhancement block)이라 부를 수도 있다.The contour sharpening block 725 may refer to a block that increases the sharpness of the contour of an object included in an image, and may also be referred to as an edge enhancement block.

색 보정 매트릭스 블록(726)은 색 보정 매트릭스(CCM: Color Correction Matrix)를 이용하여 특정 색이나 전체 색 밸런스를 보정하거나, 인접한 픽셀들끼리 색 정보를 오염시키는 크로스토크(crosstalk)를 보정하는 블록을 의미할 수 있다.The color correction matrix block 726 is a block for correcting a specific color or overall color balance using a color correction matrix (CCM), or correcting crosstalk that contaminates color information between adjacent pixels. can mean

명도/대비 조정 블록(727)은 이미지의 대비(contrast)를 강화하고, 이미지 명도를 조정하여, 서로 다른 그레이 레벨 사이의 대비를 향상시키는 블록을 의미할 수 있다. 대비를 조정하는 방법에는 히스토그램 스트레칭 알고리즘(histogram stretching algorithm), 히스토그램 평활화 알고리즘(histogram equalization algorithm), 국소 및 전역 대비 조정 알고리즘(local and global contrast adjustment algorithm) 등이 포함될 수 있다.The brightness/contrast adjustment block 727 may refer to a block for enhancing contrast between different gray levels by enhancing image contrast and adjusting image brightness. A method of adjusting the contrast may include a histogram stretching algorithm, a histogram equalization algorithm, a local and global contrast adjustment algorithm, and the like.

감마 보정 블록(728)은 비선형 전달 함수(nonlinear transfer function)를 사용하여 빛의 강도(intensity) 신호를 비선형적으로 변환하는 블록을 의미할 수 있다. 감마 보정은 인간의 시각이나 디스플레이가 갖는 밝기에 대한 비선형적인 특성을 보정하기 위함이다.The gamma correction block 728 may refer to a block that nonlinearly converts a light intensity signal using a nonlinear transfer function. Gamma correction is used to correct non-linear characteristics of human vision or brightness of a display.

다만, 도 7에 도시된 이미지 처리 블록들(721 내지 728) 사이의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지 않는다. 즉, 다른 실시 예에서, 노이즈 제거 블록(724)과 윤곽 샤프닝 블록(725) 이후에 역모자익 블록(723)이 배치될 수도 있다.However, the order between the image processing blocks 721 to 728 illustrated in FIG. 7 is only an example, and the present disclosure is not limited thereto. That is, in another embodiment, the inverse mosaic block 723 may be disposed after the noise removal block 724 and the contour sharpening block 725 .

도 8은 본 개시의 일 실시 예에 따른 조도 보정 DISP의 적용 여부를 판단하는 조건의 예시를 나타낸 도면이다.8 is a diagram illustrating an example of a condition for determining whether to apply the illuminance correction DISP according to an embodiment of the present disclosure.

도 8을 참조하면, 인공 지능 장치(100)의 프로세서(180) 또는 이미지 프로세서(190)는 RAW 이미지 데이터의 조도가 LUX_th1 이상 LUX_th2 이하(802)인 경우에는, 조도 보정 DISP를 이용하지 않고 파라메트릭 ISP만을 이용하는 것으로 결정할 수 있다.Referring to FIG. 8 , the processor 180 or the image processor 190 of the artificial intelligence device 100 does not use the illuminance correction DISP when the illuminance of RAW image data is greater than or equal to LUX _th1 and less than or equal to LUX _th2 (802). It may be decided to use only the parametric ISP.

반면, 인공 지능 장치(100)의 프로세서(180) 또는 이미지 프로세서(190)는 RAW 이미지 데이터의 조도가 LUX_th1 미만(801)이거나 LUX_th2 초과(803)인 경우에는, 조도 보정 DISP를 이용한 이후에 파라메트릭 ISP를 이용하는 것으로 결정할 수 있다.On the other hand, when the illuminance of the RAW image data is less than LUX _th1 (801) or greater than LUX _th2 (803), the processor 180 or the image processor 190 of the artificial intelligence device 100 uses the illuminance correction DISP after using the illuminance correction DISP. You may decide to use a parametric ISP.

도 9는 본 개시의 일 실시 예에 따른 노이즈 제거 DISP의 적용 여부를 판단하는 조건의 예시를 나타낸 도면이다.9 is a diagram illustrating an example of a condition for determining whether to apply a noise removal DISP according to an embodiment of the present disclosure.

도 9를 참조하면, 인공 지능 장치(100)의 프로세서(180) 또는 이미지 프로세서(190)는 RAW 이미지 데이터의 노이즈가 N_th 이하(901)인 경우에는, 노이즈 제거 DISP를 이용하지 않고 파라메트릭 ISP만을 이용하는 것으로 결정할 수 있다.Referring to FIG. 9 , the processor 180 or the image processor 190 of the artificial intelligence device 100 does not use the noise removal DISP when the noise of the RAW image data is N _th or less (901), and the parametric ISP It can be decided to use only

반면, 인공 지능 장치(100)의 프로세서(180) 또는 이미지 프로세서(190)는 RAW 이미지 데이터의 노이즈가 R_th 초과(902)인 경우에는, 노이즈 제거 DISP를 이용한 이후에 파라메트릭 ISP를 이용하는 것으로 결정할 수 있다.On the other hand, when the noise of the RAW image data exceeds R _th 902 , the processor 180 or the image processor 190 of the artificial intelligence device 100 determines to use the parametric ISP after using the noise removal DISP. can

도 10은 본 개시의 일 실시 예에 따른 조도 보정 DISP의 예시를 나타낸 도면이다.10 is a diagram illustrating an example of an illuminance correction DISP according to an embodiment of the present disclosure.

도 10을 참조하면, 조도 보정 DISP(1020)는 인공 신경망(ANN: Artificial Neural Network) 또는 심층 신경망(DNN)을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.Referring to FIG. 10 , the illuminance correction DISP 1020 includes an artificial neural network (ANN) or a deep neural network (DNN), and may be learned using a machine learning algorithm or a deep learning algorithm.

조도 보정 DISP(1020)는 조도 보정 전 RAW 이미지 데이터(1010)가 입력되면 입력된 RAW 이미지 데이터에서 조도가 보정된 조도 보정 후 RAW 이미지 데이터(1030)를 출력할 수 있다.The illuminance correction DISP 1020 may output RAW image data 1030 after illuminance correction in which illuminance is corrected from the input RAW image data when RAW image data 1010 before illuminance correction is input.

조도 보정 DISP(1020)는 입력 특징 벡터로써 조도 보정 전의 RAW 이미지 데이터(1010)와 입력 특징 벡터에 대응하는 라벨로써 조도 보정 후의 RAW 이미지 데이터(1030)를 포함하는 학습 데이터를 이용하여 학습될 수 있다. 즉, 조도 보정 DISP(1020)의 학습에 이용되는 학습 데이터는 입력 특징 벡터로써의 저조도 RAW 이미지 데이터와, 그에 대응하는 라벨로써 조도를 높인 RAW 이미지 데이터를 포함할 수 있다. 또한, 조도 보정 DISP(1020)의 학습에 이용되는 학습 데이터는 입력 특징 벡터로써의 고조도 RAW 이미지 데이터와, 그에 대응하는 라벨로써 조도를 낮춘 RAW 이미지 데이터를 포함할 수 있다. 예컨대, 조도 보정 DISP(1020)의 학습에 이용되는 학습 데이터는 통제된 환경에서 조도만 다양하게 변화시켜 획득한 RAW 이미지 데이터로 구성될 수 있다.The illuminance correction DISP 1020 may be learned using training data including the RAW image data 1010 before illuminance correction as an input feature vector and RAW image data 1030 after illuminance correction as a label corresponding to the input feature vector. . That is, the training data used for learning of the illuminance correction DISP 1020 may include low illuminance RAW image data as an input feature vector and RAW image data with increased illuminance as a corresponding label. In addition, the training data used for learning of the illuminance correction DISP 1020 may include high illuminance RAW image data as an input feature vector and RAW image data with reduced illuminance as a corresponding label. For example, the learning data used for learning of the illuminance correction DISP 1020 may be composed of RAW image data obtained by variously changing only illuminance in a controlled environment.

저조도 RAW 이미지 데이터는 단노출(short exposure) RAW 이미지 데이터를 의미할 수 있고, 고조도 RAW 이미지 데이터는 장노출(long exposure) RAW 이미지 데이터를 의미할 수 있다.The low illuminance RAW image data may mean short exposure RAW image data, and the high illuminance RAW image data may mean long exposure RAW image data.

도 11은 본 개시의 일 실시 예에 따른 노이즈 제거 DISP의 예시를 나타낸 도면이다.11 is a diagram illustrating an example of a noise removal DISP according to an embodiment of the present disclosure.

도 11을 참조하면, 노이즈 제거 DISP(1120)는 인공 신경망 또는 심층 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.Referring to FIG. 11 , the noise removal DISP 1120 includes an artificial neural network or a deep neural network, and may be learned using a machine learning algorithm or a deep learning algorithm.

노이즈 제거 DISP(1120)는 노이즈 제거 전 RAW 이미지 데이터(1110)가 입력되면 입력된 RAW 이미지 데이터에서 노이즈가 제거된 노이즈 제거 후 RAW 이미지 데이터(1130)를 출력할 수 있다.When the RAW image data 1110 before noise removal is input, the noise removal DISP 1120 may output the RAW image data 1130 after noise removal from which noise is removed from the input RAW image data.

노이즈 제거 DISP(1120)는 입력 특징 벡터로써 노이즈 제거 전의 RAW 이미지 데이터(1110)와 입력 특징 벡터에 대응하는 라벨로써 노이즈 제거 후의 RAW 이미지 데이터(1130)를 포함하는 학습 데이터를 이용하여 학습될 수 있다. 즉, 노이즈 제거 DISP(1120)의 학습에 이용되는 학습 데이터는 입력 특징 벡터로써의 노이즈(noisy) RAW 이미지 데이터와, 그에 대응하는 라벨로써 노이즈를 제거한 RAW 이미지 데이터를 포함할 수 있다. 예컨대, 노이즈 제거 DISP(1120)의 학습에 이용되는 학습 데이터는 노이즈가 없는 RAW 이미지 데이터와, 노이즈가 없는 RAW 이미지 데이터에 대하여 의도적으로 다양한 노이즈를 추가한 RAW 이미지 데이터로 구성될 수 있다.The noise removal DISP 1120 may be learned using training data including RAW image data 1110 before noise removal as an input feature vector and RAW image data 1130 after noise removal as a label corresponding to the input feature vector. . That is, the training data used for learning of the noise removal DISP 1120 may include noisy RAW image data as an input feature vector and RAW image data from which noise has been removed as a corresponding label. For example, the training data used for learning of the noise removal DISP 1120 may include noise-free RAW image data and RAW image data in which various noises are intentionally added to the noise-free RAW image data.

도 12은 본 개시의 일 실시 예에 따른 롤링 셔터 보정 DISP의 예시를 나타낸 도면이다.12 is a diagram illustrating an example of a rolling shutter correction DISP according to an embodiment of the present disclosure.

도 12을 참조하면, 롤링 셔터 보정 DISP(1230)는 인공 신경망 또는 심층 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.Referring to FIG. 12 , the rolling shutter correction DISP 1230 includes an artificial neural network or a deep neural network, and may be learned using a machine learning algorithm or a deep learning algorithm.

롤링 셔터 보정 DISP(1230)는 롤링 셔터 보정 전 RAW 이미지 데이터(1210)와 셔터 속도(1220)가 입력되면 입력된 RAW 이미지 데이터에서 롤링 셔터에 의한 왜곡이 제거된 롤링 셔터 보정 후 RAW 이미지 데이터(1240)를 출력할 수 있다.The rolling shutter compensation DISP (1230) is the RAW image data (1240) after the rolling shutter correction in which the distortion caused by the rolling shutter is removed from the input RAW image data when the RAW image data 1210 and the shutter speed 1220 are input before the rolling shutter compensation. ) can be printed.

롤링 셔터 보정 DISP(1230)는 입력 특징 벡터로써 롤링 셔터 보정 전의 RAW 이미지 데이터(1210) 및 셔터 속도(1220), 그리고 입력 특징 벡터에 대응하는 라벨로써 롤링 셔터 보정 후의 RAW 이미지 데이터(1240)를 포함하는 학습 데이터를 이용하여 학습될 수 있다. 즉, 롤링 셔터 보정 DISP(1230)의 학습에 이용되는 학습 데이터는 입력 특징 벡터로써의 노이즈(noisy) RAW 이미지 데이터와, 그에 대응하는 라벨로써 노이즈를 제거한 RAW 이미지 데이터를 포함할 수 있다. 예컨대, 롤링 셔터 보정 DISP(1230)의 학습에 이용되는 학습 데이터는 통제된 환경에서 롤링 셔터를 이용하여 획득한 RAW 이미지 데이터와 글로벌 셔터를 이용하여 획득한 RAW 이미지 데이터로부터 구성될 수 있다.The rolling shutter correction DISP 1230 includes RAW image data 1210 and shutter speed 1220 before rolling shutter correction as an input feature vector, and RAW image data 1240 after rolling shutter correction as a label corresponding to the input feature vector. It can be learned using the learning data. That is, the training data used for learning of the rolling shutter correction DISP 1230 may include noisy RAW image data as an input feature vector and RAW image data from which noise is removed as a label corresponding thereto. For example, the learning data used for learning of the rolling shutter correction DISP 1230 may be configured from RAW image data acquired using the rolling shutter and RAW image data acquired using the global shutter in a controlled environment.

도 12에서는 입력 특징 벡터에 롤링 셔터에 대응하는 셔터 속도가 포함된 것으로 개시되어 있으나, 본 개시가 이에 한정되지는 않는다. 즉, 실시 예에 따라, 롤링 셔터 보정 DISP는 각 셔터 속도마다 구분되어 학습될 수 있고, 이미지 센서의 셔터 속도에 대응하는 롤링 셔터 보정 DISP를 선택하도록 구현될 수도 있다.Although it is disclosed in FIG. 12 that the shutter speed corresponding to the rolling shutter is included in the input feature vector, the present disclosure is not limited thereto. That is, according to an embodiment, the rolling shutter correction DISP may be separately learned for each shutter speed, and may be implemented to select the rolling shutter correction DISP corresponding to the shutter speed of the image sensor.

도 13은 본 개시의 일 실시 예에 따른 ASDISP를 이용하여 생성한 이미지 데이터와 ASDISP를 이용하지 않고 생성한 이미지를 비교하는 도면이다.13 is a diagram comparing image data generated using ASDISP with an image generated without using ASDISP according to an embodiment of the present disclosure.

도 13은 저조도 환경에서 단노출로 촬영된 저조도 RAW 이미지 데이터(1310)로부터 출력 이미지 데이터를 생성하는 실제 예시들을 나타낸다. 즉, 도 13(a)에 도시된 제1 출력 이미지 데이터(1330)와 도 13(b)에 도시된 제2 출력 이미지 데이터(1360)은 동일한 저조도 RAW 이미지 데이터(1310)로부터 생성된 출력 이미지 데이터이며, 조도 보정 DISP(1340)의 적용 여부에 차이점만이 존재할 뿐이다.13 shows practical examples of generating output image data from low-light RAW image data 1310 photographed with a short exposure in a low-light environment. That is, the first output image data 1330 shown in FIG. 13A and the second output image data 1360 shown in FIG. 13B are output image data generated from the same low-illuminance RAW image data 1310 . , and there is only a difference in whether the illumination correction DISP 1340 is applied.

도 13(a)를 참조하면, 종래의 파라메트릭 ISP(1320, 또는 ISP 파이프라인)만을 이용하여 저조도 RAW 이미지 데이터(1310)로부터 생성된 제1 출력 이미지 데이터(1330)은 조도가 낮아 노이즈가 많으며, 특히 객체의 윤곽이 명확하게 확인되지 않는다.Referring to FIG. 13( a ), the first output image data 1330 generated from the low-illuminance RAW image data 1310 using only the conventional parametric ISP 1320 or ISP pipeline has a lot of noise due to low illuminance. , in particular the outline of the object is not clearly identified.

반면, 도 13(b)를 참조하면, 저조도 RAW 이미지 데이터(1310)가 조도 보정 DISP(1340)를 통해 조도 보정된(brightness-adjusted) RAW 이미지 데이터(1350)로 변환되고, 파라메트릭 ISP(1320)를 이용하여 조도 보정된 RAW 이미지 데이터(1350)로부터 생성된 제2 출력 이미지 데이터(1360)는 조도가 보정되어 노이즈가 적고, 객체의 윤곽이 명확하게 드러난다.On the other hand, referring to FIG. 13(b) , the low-illuminance RAW image data 1310 is converted into the brightness-adjusted RAW image data 1350 through the illuminance correction DISP 1340 , and the parametric ISP 1320 ), the second output image data 1360 generated from the illuminance-corrected RAW image data 1350 has less noise because the illuminance is corrected, and the outline of an object is clearly revealed.

도 13에서 도시된 바와 같이, 종래의 파라메트릭 ISP(또는 ISP 파이프라인)는 RAW 이미지 데이터의 조도가 매우 낮거나 매우 높을 때 생성되는 출력 이미지의 품질이 좋지 못하는 문제점이 있다. 그러나, 특정한 기능을 강화한, 도 13에서는 조도 보정 기능을 강화한, DISP를 이용하여 RAW 이미지 데이터를 전처리하고, 전처리된 RAW 이미지 데이터에 대하여 파라메트릭 ISP를 이용하여 출력 이미지 데이터를 생성할 경우, 생성되는 출력 이미지 데이터의 품질이 더욱 좋다.As shown in FIG. 13 , the conventional parametric ISP (or ISP pipeline) has a problem in that the quality of an output image generated when the illuminance of RAW image data is very low or very high is not good. However, in FIG. 13, which has enhanced a specific function, when RAW image data is pre-processed using DISP with enhanced illuminance correction function, and output image data is generated using parametric ISP for the pre-processed RAW image data, the generated The quality of the output image data is better.

본 개시의 일 실시 예에 따르면, 전술한 방법은 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.According to an embodiment of the present disclosure, the above-described method may be implemented as computer-readable code on a medium in which a program is recorded. The computer-readable medium includes all types of recording devices in which data readable by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.

Claims

An artificial intelligence device for generating image data, comprising:
A parametric image processing processor (ISP: parametric image signal processor) consisting of a plurality of image processing blocks, and
an image processor including at least one or more specific purpose deep neural network-based image processing processor (ASDISP) corresponding to a predetermined function;
a camera that acquires original RAW image data using an image sensor; and
When the condition of the original RAW image data corresponds to the predetermined function of the ASDISP,
determining a target ASDISP to be applied to the original RAW image data from among the at least one ASDISP through the image processor, and generating corrected RAW image data from the original RAW image data through the target ASDISP;
a processor for generating output image data from the corrected RAW image data through the parametric ISP;
The predetermined function includes at least one of illuminance correction, noise removal, super resolution, and rolling shutter correction.

The method according to claim 1,
The at least one ASDISP is
It includes a deep neural network (DNN), is trained using a machine learning algorithm or a deep learning algorithm, and when the original RAW image data is input, the RAW image data that has been corrected corresponding to the predetermined function is output. , artificial intelligence devices.

The method according to claim 1,
the processor
determining the target ASDISP from among the candidate ASDISPs for the at least one ASDISP through the image processor;
The candidate ASDISP is
An artificial intelligence device that is determined by a predetermined setting or a user input.

The method according to claim 1,
the processor
When the determined target ASDISP is plural, the artificial intelligence device generates the corrected RAW image data from the original RAW image data by sequentially using the plurality of target ASDISPs.

The method according to claim 1,
the processor
When the target ASDISP exists, generating the corrected RAW image data from the original RAW image data through the target ASDISP, and generating the output image data from the corrected RAW image data through the parametric ISP intelligent device.

The method according to claim 1,
the processor
and generating the output image data from the original RAW image data through the parametric ISP when the target ASDISP does not exist.

The method according to claim 1,
The at least one ASDISP is
An artificial intelligence device comprising at least one of an illumination compensation DISP, a noise canceling DISP, a super resolution DISP, or a rolling shutter compensation DISP.

8. The method of claim 7,
the processor
When the illuminance of the original RAW image data is smaller than a first illuminance threshold or greater than a second illuminance threshold through the image processor, the illuminance correction DISP is determined as the target DISP;
The second illuminance threshold is
greater than the first illuminance threshold.

8. The method of claim 7,
the processor
and determining, through the image processor, the noise removal DISP as the target DISP when the noise of the original RAW image data is greater than a noise threshold.

The method according to claim 1,
The parametric ISP is
Auto white balance block, defective pixel correction block, demosaic block, denoise block, edge sharpening block, color correction matrix An artificial intelligence device comprising at least one of a color correction matrix block, a brightness/contrast adjustment block, or a gamma correction block.

The method according to claim 1,
The image sensor is
An artificial intelligence device, either a Complementary Metal Oxide Semiconductor (CMOS) image sensor or a Charge Coupled Device (CCD) image sensor.

A parametric image processing processor (ISP: parametric image signal processor) consisting of a plurality of image processing blocks, and
A method for generating image data by an image processor including at least one or more specific-purpose deep neural network-based image processing processors (ASDISPs) corresponding to predetermined functions, the method comprising:
acquiring original RAW image data using an image sensor;
When the condition of the original RAW image data corresponds to the predetermined function of the ASDISP,
determining a target ASDISP to be applied to the original RAW image data from at least one or more application specific DNN-based Image Signal Processor (ASDISP) corresponding to a predetermined function;
generating corrected RAW image data from the original RAW image data through the target ASDISP; and
generating output image data from the corrected RAW image data through a parametric image signal processor (ISP) composed of a plurality of image processing blocks;
including,
The predetermined function includes at least one of illuminance correction, noise removal, super resolution, and rolling shutter correction.

An image processor for generating image data, comprising:
a parametric image processing processor (ISP) consisting of a plurality of image processing blocks; and
At least one specific purpose deep neural network-based image processing processor (ASDISP: Application Specific DNN-based Image Signal Processor) corresponding to a predetermined function,
The image processor
If the condition of the original RAW image data acquired through the camera corresponds to the predetermined function of the ASDISP,
A target ASDISP to be applied to the original RAW image data is determined from among the at least one ASDISP, and RAW image data corrected for the original RAW image data is generated through the target ASDISP, and the corrected through the parametric ISP generate output image data from RAW image data,
The predetermined function includes at least one of illuminance correction, noise removal, super resolution, and rolling shutter correction.