KR102617577B1 - 지능형 캐릭터 생성 시스템의 제어 방법 - Google Patents

Abstract

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은 상기 사용자 장치가, 캐릭터를 제어하는 학습기반 제어 알고리즘이 학습 데이터를 이용하여 학습을 수행하도록 요청하는 학습 요청 신호를 송신하는 단계; 상기 서버가, 상기 학습 요청 신호에 기초하여 상기 학습 데이터를 이용하여 상기 학습기반 제어 알고리즘을 학습시키는 단계; 상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 분석하여 상기 캐릭터의 학습도 정보를 산출하는 단계; 상기 서버가, 상기 학습도 정보에 대응하여 상기 캐릭터의 캐릭터 크기 정보를 결정하는 단계; 및 상기 사용자 장치가, 상기 캐릭터 크기 정보에 기초하여 상기 캐릭터를 구현하는 단계;를 포함할 수 있다.

Description

지능형 캐릭터 생성 시스템의 제어 방법 {Method for controlling system for creating intelligent character}

본 발명은 지능형 캐릭터 생성 시스템의 제어 방법에 관한 것으로, 보다 상세하게는, 캐릭터를 제어하고 학습 데이터를 학습하는 학습기반 제어 알고리즘의 학습도에 따라 캐릭터의 캐릭터 크기 정보를 결정하여 캐릭터를 구현할 수 있는 지능형 캐릭터 생성 시스템의 제어 방법에 관한 것이다.

최근에는 인공지능(Artificial Intelligence: AI)과 딥러닝(Deep Learning) 등 머신 러닝머신 러닝(machine learning)에 관한 관심이 크게 증가하고 있다.

종래의 머신 러닝은 통계학 기반의 분류, 회귀, 군집 모델이 중심이었다. 특히, 분류, 회귀 모델의 지도 학습에서는 학습 데이터의 특성과 이러한 특성을 기반으로 새로운 데이터를 구별하는 학습 모델을 사람이 사전에 정의했다. 이와 달리, 딥러닝은 컴퓨터가 스스로 특성을 찾아내고 판별하는 것이다.

딥러닝의 발전을 가속화한 요인 중 하나로 오픈소스로 제공되는 딥러닝 프레임워크를 들 수 있다. 딥러닝 프레임워크들의 공개에 따라, 효과적인 학습 및 인식을 위해, 딥러닝 알고리즘 외에 학습 과정, 학습 방법, 학습에 사용하는 데이터의 추출 및 선정이 더욱 중요해지고 있다.

한국공개특허 제10-2019-0104934호

본 발명이 해결하고자 하는 과제는 캐릭터를 제어하고 학습 데이터를 학습하는 학습기반 제어 알고리즘의 학습도에 따라 캐릭터의 캐릭터 크기 정보를 결정하여 캐릭터를 구현할 수 있는 지능형 캐릭터 생성 시스템의 제어 방법을 제공하고자 한다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은 상기 사용자 장치가, 캐릭터를 제어하는 학습기반 제어 알고리즘이 학습 데이터를 이용하여 학습을 수행하도록 요청하는 학습 요청 신호를 송신하는 단계; 상기 서버가, 상기 학습 요청 신호에 기초하여 상기 학습 데이터를 이용하여 상기 학습기반 제어 알고리즘을 학습시키는 단계; 상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 분석하여 상기 캐릭터의 학습도 정보를 산출하는 단계; 상기 서버가, 상기 학습도 정보에 대응하여 상기 캐릭터의 캐릭터 크기 정보를 결정하는 단계; 및 상기 사용자 장치가, 상기 캐릭터 크기 정보에 기초하여 상기 캐릭터를 구현하는 단계;를 포함할 수 있다.

바람직하게, 상기 학습도 정보를 산출하는 단계는 상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 정량 분석하여 상기 캐릭터의 정량 학습도 정보를 산출하는 단계;를 포함할 수 있다.

바람직하게, 상기 정량 학습도 정보를 산출하는 단계는 상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들의 데이터 크기 정보, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들의 데이터 개수 정보 및 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들의 학습 분야 정보 중 하나 이상에 기초하여 상기 정량 학습도 정보를 산출하는 단계;를 포함할 수 있다.

바람직하게, 상기 학습도 정보를 산출하는 단계는 상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 정성 분석하여 상기 캐릭터의 정성 학습도 정보를 산출하는 단계;를 포함할 수 있다.

상기 정성 학습도 정보를 산출하는 단계는 상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들의 학습 난이도 정보 및 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들의 가치 정보 중 하나 이상에 기초하여 상기 정성 학습도 정보를 산출하는 단계;를 포함할 수 있다.

바람직하게, 상기 학습도 정보를 산출하는 단계는 상기 서버가, 상기 정량 학습도 정보와 상기 정성 학습도 정보 각각을 반영하여 상기 학습도 정보로 산출하는 단계;를 포함할 수 있다.

바람직하게, 상기 캐릭터 크기 정보를 결정하는 단계는 상기 서버가, 상기 학습도 정보가 나타내는 학습도가 높을수록 상기 캐릭터 크기 정보가 나타내는 캐릭터 크기가 커지도록 상기 캐릭터 크기 정보를 결정하는 단계;를 포함할 수 있다.

바람직하게, 상기 캐릭터 크기 정보를 결정하는 단계는 상기 서버가, 기준 학습도 대비 상기 학습도 정보가 나타내는 학습도의 학습도 비율을 산출하는 단계; 및 상기 서버가, 기준 캐릭터 크기에 상기 학습도 비율을 적용하여 캐릭터 크기 정보가 나타내는 캐릭터 크기로 산출하는 단계;를 포함할 수 있다.

바람직하게, 상기 캐릭터를 구현하는 단계는 상기 사용자 장치가, 상기 캐릭터가 구현되는 애플리케이션의 종류를 나타내는 애플리케이션 종류 정보와 함께 상기 캐릭터의 그래픽 데이터를 요청하는 그래픽 데이터 요청 신호를 송신하는 단계; 상기 서버가, 상기 애플리케이션의 종류별 상기 캐릭터의 그래픽 데이터 중에서 상기 애플리케이션 종류 정보가 나타내는 애플리케이션의 종류에 대응되는 그래픽 데이터를 상기 사용자 장치로 송신하는 단계; 및 상기 그래픽 데이터 및 상기 캐릭터 크기 정보에 기초하여 상기 애플리케이션 내에서 상기 캐릭터를 구현하는 단계;를 포함할 수 있다.

바람직하게, 상기 애플리케이션 종류 정보는 모바일 애플리케이션, 증강현실 애플리케이션 및 메타버스 애플리케이션 중 어느 하나일 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명에 따른 시스템의 제어 방법은 캐릭터를 제어하고 학습 데이터를 학습하는 학습기반 제어 알고리즘의 학습도에 따라 캐릭터의 캐릭터 크기 정보를 결정하여 캐릭터를 구현함으로써, 사용자로하여금 캐릭터의 학습에 흥미를 유발시킬 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시예에 따른 시스템의 구성도이다.
도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 사용자 장치 및 서버의 구성도이다.
도 3은 본 개시의 일 실시예에 따른 시스템의 제어 방법에 대한 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 서버가 학습기반 제어 알고리즘을 학습시키고, 학습기반 제어 알고리즘을 이용하여 자극 데이터에 대한 캐릭터의 반응 데이터를 획득하는 과정을 설명하기 위한 도면이다.
도 5는 본 개시의 일 실시예에 따른 서버가 학습도에 따라 캐릭터 크기 정보를 결정하는 과정을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시예에 따른 사용자 장치가 캐릭터를 메타버스 애플리케이션에서 구현한 일 예를 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 사용자 장치가 캐릭터를 메타버스 애플리케이션에서 구현한 다른 예를 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따른 사용자 장치가 캐릭터를 증강현실 애플리케이션에서 구현한 다른 예를 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 본 개시의 일 실시예에 따른 시스템의 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 일 면에 따른 시스템은 사용자 장치(100) 및 서버(200)를 포함할 수 있다.

사용자 장치(100)는 캐릭터를 제어하는 학습기반 제어 알고리즘이 학습 데이터를 이용하여 학습을 수행하도록 요청하는 학습 요청 신호를 서버(200)로 송신할 수 있다.

서버(200)는 학습 요청 신호에 따라 캐릭터의 학습기반 제어 알고리즘을 학습 데이터를 이용하여 학습시킬 수 있다.

또한, 서버(200)는 과거의 캐릭터의 학습기반 제어 알고리즘에 대한 학습 이력에 따라 캐릭터의 학습도를 산출하고, 학습도에 기초하여 캐릭터의 캐릭터 크기 정보를 결정할 수 있다.

이후, 사용자 장치(100)는 캐릭터를 구현하고자 하는 경우, 캐릭터 크기 정보에 기초하여 캐릭터 크기를 조절하여 캐릭터를 구현할 수 있다.

이러한, 사용자 장치(100)는 캐릭터를 소유한 사용자에 의해 제어되는 장치로써, 스마트폰, 태블릿 PC, 퍼스널 컴퓨터(PC), TV, 콘솔 기기, 셋탑 박스, AR 장치, VR 장치 및 기타 제어 기기 등으로 구현될 수 있으며, 바람직하게 사용자 장치(100)는 스마트폰으로 구현될 수 있다.

서버(200)는 사용자 장치(100)에서 본 발명에 따른 제어 방법이 구현되도록 애플리케이션 데이터를 제공할 수 있다.

도 2는 본 개시의 일 실시예에 따른 시스템에 포함된 사용자 장치 및 서버의 구성도이다.

도 2를 참조하면, 사용자 장치(100)는, 메모리(110), 입력부(120), 디스플레이(130), 프로세서(140) 및 통신부(150)를 포함할 수 있다.

메모리(110)는 사용자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(110)는 비휘발성 메모리(110), 휘발성 메모리(110), 플래시메모리(110)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.

프로세서(140)는 메모리(110)에 저장된 각종 프로그램을 이용하여 사용자 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(140)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.

RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 사용자 장치(100)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.

ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(110)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.

그래픽 처리부는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이템, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 여기서, 연산부는 입력부로부터 수신된 제어 명령을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하는 구성일 수 있다. 그리고, 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성하는 구성이 일 수 있다. 이러한 렌더링부에서 생성된 화면은 디스플레이(130)의 디스플레이 영역 내에 표시될 수 있다.

메인 CPU는 메모리(110)에 액세스하여, 메모리(110)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(110)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.

제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.

한편, 프로세서(140)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(140)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(140)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 추출된 제1 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(140)는 프로세서(140) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(140)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(110)에는 프로세서(140)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(110)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

입력부(120)는 사용자로부터 다양한 정보를 입력받을 수 있다. 이를 위해, 입력부(120) 다양한 입력인터페이스를 구비할 수 있다. 예를 들어, 입력부(120)는 키보드, 마우스, 터치모듈을 구비할 있다.

디스플레이(130)는 다양한 정보를 시각적으로 출력하기 위한 구성으로, LCD(Liquid Crystal Display), PDP(Plasma Display Panel), OLED(Organic Light Emitting Diodes), TOLED(Transparent OLED), Micro LED 등으로 구현될 수 있으나, 이에 한정되는 것은 아니고 이밖에 종래 알려진 다양한 형태의 디스플레이를 포함할 수 있다.

실시예로, 디스플레이(130)는, 사용자의 터치 조작을 감지할 수 있는 터치스크린 형태로 구현될 수 있으며, 접히거나 구부러질 수 있는 플렉서블 디스플레이로 구현될 수도 있다.

통신부(150)는 서버(100)와 통신을 수행할 수 있다. 특히, 통신부(150)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.

도 2를 참조하면, 서버(200)는, 메모리(210), 프로세서(220) 및 통신부(230)를 포함할 수 있다.

메모리(210)는 서버(200)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(210)는 비휘발성 메모리(210), 휘발성 메모리(210), 플래시메모리(210)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.

프로세서(220)는 메모리(210)에 저장된 각종 프로그램을 이용하여 서버(200)의 전반적인 동작을 제어할 수 있다. 프로세서(220)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.

RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 서버(200)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.

ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(210)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(210)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.

메인 CPU는 메모리(210)에 액세스하여, 메모리(210)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(210)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.

제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.

한편, 나아가, 프로세서(220)는 인공지능 모델을 제어할 수 있다. 이 경우, 프로세서(220)는 인공지능 모델을 제어하기 위한 그래픽 전용 프로세서(예: GPU)를 포함할 수 있음은 물론이다.

한편, 본 발명에 따른 인공지능 모델은 교사 지도학습(supervised learning) 또는 비교사 지도학습(unsupervised learning)기반의 모델일 수 있다. 나아가, 본 발명에 따른 인공지능 모델은 SVM(support vector machine), Decision tree, neural network 등 및 이들이 응용된 방법론을 포함할 수 있다.

일 실시예로, 본 발명에 따른 인공지능 모델은 학습 데이터를 입력하여 학습된 합성곱 신경망(Convolutional deep Neural Networks, CNN) 기반의 인공지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 다양한 인공지능 모델이 본 발명에 적용될 수 있음은 물론이다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

이때, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

또한, 심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.

이때, 심층 신경망의 구조는 퍼셉트론(perceptron)으로 구성될 수 있다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 이때, 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.

순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.

심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.

심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.

상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 상술한 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 시스템을 구현하는 데 활용될 수 있다.

한편, 프로세서(220)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(220)는 메모리(210)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.

예를 들어, 프로세서(220)는 메모리(210)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 추출된 제1 학습용 데이터를 신규 학습용 데이터로부터 삭제하고, 추출된 학습용 데이터가 삭제된 신규 학습용 데이터를 이용하여 학습된 모델을 다시 학습시킬 수 있다.

한편, 프로세서(220)는 프로세서(220) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(220)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(210)에는 프로세서(220)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(210)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

통신부(230)는 사용자 장치(200)와 통신을 수행할 수 있다. 특히, 통신부(230)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.

도 3은 본 개시의 일 실시예에 따른 시스템의 제어 방법에 대한 흐름도이다.

도 3에 도시된 바와 같이, 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은, 사용자 장치(100)가, 캐릭터를 제어하는 학습기반 제어 알고리즘이 학습 데이터를 이용하여 학습을 수행하도록 요청하는 학습 요청 신호를 송신하는 단계(S1)를 수행할 수 있다.

이어서, 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은 서버(200)가, 학습 요청 신호에 기초하여 학습 데이터를 이용하여 학습기반 제어 알고리즘을 학습시키는 단계(S2)를 수행할 수 있다.

이때, 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은 서버(200)가, 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 분석하여 캐릭터의 학습도 정보를 산출하는 단계(S3)를 수행할 수 있다.

다음으로, 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은 서버(200)가, 학습도 정보에 대응하여 캐릭터의 캐릭터 크기 정보를 결정하는 단계(S4)를 수행할 수 있다.

최종적으로, 본 발명의 일 면에 따른 지능형 캐릭터 생성 시스템의 제어 방법은 사용자 장치(100)가, 캐릭터 크기 정보에 기초하여 캐릭터를 구현하는 단계(S5)를 포함할 수 있다.

도 4는 본 개시의 일 실시예에 따른 서버가 학습기반 제어 알고리즘을 학습시키고, 학습기반 제어 알고리즘을 이용하여 자극 데이터에 대한 캐릭터의 반응 데이터를 획득하는 과정을 설명하기 위한 도면이다.

캐릭터는 사용자 장치(100)의 사용자가 활동하는 플랫폼 내의 캐릭터를 의미할 수 있다.

이러한, 캐릭터는 사용자 장치(100)에 의해 구동되는 애플리케이션을 통해 구현될 수 있다.

애플리케이션의 종류는 제한되지 않으나, 예를 들어, 애플리케이션의 종류는 모바일 애플리케이션, 증강현실 애플리케이션 및 메타버스 애플리케이션 중 어느 하나일 수 있다.

즉, 사용자 장치(100)는 모바일 애플리케이션을 구동하는 경우, 캐릭터가 표시되는 UI를 통해 캐릭터를 표시하여 캐릭터를 구현하고, 증강현실 애플리케이션은 현실 컨텐츠와 캐릭터 컨텐츠가 함께 표시되는 UI를 통해 캐릭터를 캐릭터 컨텐츠로 표시하여 캐릭터를 구현하고, 메타버스 애플리이션은 메타버스 내에 캐릭터를 표시하여 캐릭터를 구현할 수 있다.

이때, 사용자 장치(100)는 캐릭터의 구현에 필요한 다양한 데이터와 정보를 서버(200)로부터 수신할 수 있다.

한편, 캐릭터는 자극 데이터(SD)에 대응되는 반응 데이터(RD)에 따라 동작, 발화, 대화, 표정 등이 제어될 수 있다.

여기서, 자극 데이터(SD)는 캐릭터로 입력되어 캐릭터를 자극하는 데이터로써, 사용자 장치(100)로부터 획득되는 영상 데이터, 음성 데이터, 조작 입력 데이터일 수 있다. 이때, 영상 데이터에는 사용자의 모습이 포함될 수 있고, 음성 데이터에는 사용자의 음성(명령)이 포함될수 있다. 또한, 조작 입력 데이터는 사용자로부터 입력된 데이터로써, 사용자가 캐릭터를 조작하고자 하는 입력일 수 있다. 이외, 자극 데이터(SD)는 메타버스 내에서 캐릭터 주변의 메타버스 환경으로부터 캐릭터에 전달되는 데이터일 수 있다. 예를 들어, 자극 데이터(SD)는 메타버스 내의 지형에 대한 데이터, 장애물에 대한 데이터, 다른 캐릭터로부터 전달되는 텍스트 데이터 등일 수 있다.

여기서, 반응 데이터(RD)는 자극 데이터(SD)에 따른 캐릭터의 반응을 나타내는 데이터로써, 캐릭터의 동작, 발화, 대화, 표정을 제어하는 데이터일 수 있다.

이때, 자극 데이터(SD)는 학습기반 제어 알고리즘(M)에 입력 데이터로 입력되고, 반응 데이터(RD)는 자극 데이터(SD)의 입력에 대한 응답으로 학습기반 제어 알고리즘(M)의 출력 데이터로 출력될 수 있다.

이때, 반응 데이터(RD)는 학습기반 제어 알고리즘(M)의 학습 이력에 따라 상이해질 수 있다.

학습기반 제어 알고리즘(M)은 다양한 학습 데이터(LD)를 이용하여 학습을 수행하는데, 학습된 학습 데이터(LD)들의 내용에 따라 학습기반 제어 알고리즘(M) 별로 동일한 자극 데이터(SD)가 입력되더라도, 상이한 반응 데이터(RD)를 출력할 수 있다.

이러한, 학습기반 제어 알고리즘(M)은 캐릭터 마다 구비될 수 있으며, 사용자 장치(100)와 서버(200) 각각에 동기화되어 저장될 수 있다.

예를 들어, 메타버스 내에서 캐릭터 A에게 자극 데이터 B가 전달되면 캐릭터 A를 제어하는 학습기반 제어 알고리즘 A'에는 자극 데이터 B가 입력되고, 이전에 학습기반 제어 알고리즘 A'이 학습된 결과를 반영하여 자극 데이터 B에 대응되는 반응 데이터 C를 출력하며, 캐릭터 A에는 반응 데이터 C에 대응되어 메타버스 내에서 동작, 발화, 대화 및 표정 중 하나 이상이 제어될 수 있다.

한편, 사용자 장치(100)는 학습기반 제어 알고리즘(M)이 학습 데이터(LD)를 이용하여 학습을 수행하도록 요청하는 학습 요청 신호를 서버(200)로 송신하고, 서버(200)는 학습 요청 신호에 대응되는 학습 데이터(LD)가 해당 캐릭터의 학습기반 제어 알고리즘(M)의 학습에 이용이 허가되었는지 여부를 확인할 수 있다.

서버(200)는 사용자 장치(100)에 의해 해당 학습 데이터(LD)의 구매가 진행된 경우, 해당 캐릭터의 학습기반 제어 알고리즘(M)의 학습에 해당 학습 데이터(LD)의 이용이 허가된 것으로 확인할 수 있다.

서버(200)는 사용자 장치(100)에 의해 해당 학습 데이터(LD)의 구매가 진행된 경우에만 해당 캐릭터의 학습기반 제어 알고리즘(M)의 학습에 해당 학습 데이터(LD)를 이용할 수 있다.

즉, 서버(200)가 운영하는 플랫폼에는 복수의 사용자 장치(100)에 의해 학습 데이터(LD)가 업로드되되 해당 학습 데이터(LD)를 이용하여 학습기반 제어 알고리즘(M)을 학습시키고자 하는 경우, 사용자 장치(100)에 의해 해당 학습 데이터(LD)의 구매되어야지만 학습을 수행할 수 있다.

한편, 서버(200)는 상기 학습 요청 신호에 기초하여 상기 학습 데이터(LD)를 이용하여 상기 학습기반 제어 알고리즘(M)을 학습시킬 수 있다.

이때, 학습기반 제어 알고리즘(M)은 상술된 인공지능 모델일 수 있다.

도 5는 본 개시의 일 실시예에 따른 서버가 학습도에 따라 캐릭터 크기 정보를 결정하는 과정을 설명하기 위한 도면이다.

도 5를 더 참조하면, 서버(200)는 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터(LD)들을 분석하여 캐릭터의 학습도 정보를 산출할 수 있다.

구체적으로, 서버(200)는 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터(LD)들을 정량 분석하여 상기 캐릭터의 정량 학습도 정보를 산출할 수 있다.

또한, 서버(200)는 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터(LD)들을 정성 분석하여 상기 캐릭터의 정성 학습도 정보를 산출할 수 있다.

보다 구체적으로, 서버(200)는 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들의 데이터 크기 정보, 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들의 데이터 개수 정보 및 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들의 학습 분야 정보 중 하나 이상에 기초하여 상기 정량 학습도 정보를 산출할 수 있다.

이때, 서버(200)는 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들 각각의 데이터 크기 정보가 나타내는 데이터 크기를 합산하여 합산 데이터 크기로 산출하고, 합산 데이터 크기가 클수록 정량 학습도 정보가 나타내는 정량 학습도가 높도록 정량 학습도 정보를 산출할 수 있다.

또한, 서버(200)는 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들 각각의 데이터 개수 정보가 나타내는 데이터 개수를 합산하여 합산 데이터 개수로 산출하고, 합산 데이터 개수가 많을수록 정량 학습도 정보가 나타내는 정량 학습도가 높도록 정량 학습도 정보를 산출할 수 있다.

또한, 서버(200)는 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들 각각의 학습 분야 정보를 확인하고, 확인된 학습 분야 정보들의 균일도를 분야 균일도 정보로 산출하며, 분야 균일도 정보가 나타내는 균일도가 균일할수록 정량 학습도 정보가 나타내는 정량 학습도가 높도록 정량 학습도 정보를 산출할 수 있다.

여기서, 학습 분야 정보는 학습 데이터에 포함된 내용이 속한 분야를 나타내는 정보일 수 있다. 학습 데이터에 포함된 내용이 속할 수 있는 분야는 그 제한이 없으나, 예를 들어, 동작 제어, 언어 학습 등일 수 있다.

한편, 서버(200)는 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들 각각의 학습 난이도 정보 간에 학습 난이도를 확인하고, 확인된 학습 난이도 정보들의 평균 난이도를 나타내는 평균 난이도 정보로 산출하며, 평균 난이도가 높을수록 정성 학습도 정보가 나타내는 정성 학습도가 높도록 정성 학습도 정보를 산출할 수 있다.

또한, 서버(200)는 상기 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들 각각의 가치 정보가 나타내는 가치 간의 평균 가치 정보를 산출하며, 평균 가치 정보가 나타내는 평균 가치가 높을수록 정성 학습도 정보가 나타내는 정성 학습도가 높도록 정성 학습도 정보를 산출할 수 있다.

여기서, 가치 정보가 나타내는 가치는 해당 학습 데이터를 구매할 때 해당 학습 데이터의 가격일 수 있다.

다른 실시 예에 따른 서버(200)는 학습기반 제어 알고리즘(M)에 의해 학습된 학습 데이터들 각각이 기초 학습 데이터인지 여부를 확인하고, 기초 학습 데이터인 학습 데이터의 수가 많을수록 정성 학습도 정보가 나타내는 정성 학습도가 높도록 정성 학습도 정보를 산출할 수 있다.

여기서, 기초 학습 데이터는 캐릭터의 학습기반 제어 알고리즘(M)을 학습하는데 있어서, 캐릭터의 기초적인 제어를 위해 학습되야하는 학습 데이터를 의미할 수 있다. 예를 들어, 기초 학습 데이터는 캐릭터의 이동을 위한 학습 데이터일 수 있다.

이후, 서버(200)는 상기 정량 학습도 정보와 상기 정성 학습도 정보 각각을 반영하여 상기 학습도 정보로 산출할 수 있다.

구체적으로, 서버(200)는 미리 설정된 반영 비율을 상기 정량 학습도 정보와 상기 정성 학습도 정보에 반영하여 상기 학습도 정보로 산출할 수 있다.

예를 들어, 미리 설정된 반영 비율은 5:5일 수 있다.

서버(200)는 상기 학습도 정보에 대응하여 상기 캐릭터(C)의 캐릭터 크기 정보를 결정할 수 있다.

여기서, 캐릭터 크기 정보는 캐릭터가 다양한 애플리케이션에서 구현될 때 표시되는 크기를 의미할 수 있다.

일 실시 예에 따른 서버(200)는 상기 학습도 정보가 나타내는 학습도가 높을수록 상기 캐릭터 크기 정보가 나타내는 캐릭터 크기가 커지도록 상기 캐릭터 크기 정보를 결정할 수 있다.

다른 실시 예에 따른 서버(200)는 기준 학습도 대비 상기 학습도 정보가 나타내는 학습도의 학습도 비율을 산출하고, 기준 캐릭터 크기에 상기 학습도 비율을 적용하여 캐릭터 크기 정보가 나타내는 캐릭터 크기로 산출할 수 있다.

여기서, 기준 학습도는 학습이 수행되지 않은 학습기반 제어 알고리즘(M)의 캐릭터에 대한 학습도이다. 즉, 기준 학습도는 캐릭터가 생성된 시점의 학습도와 동일할 수 있다.

여기서, 기준 캐릭터 크기는 캐릭터가 생성된 시점의 미리 정해진 캐릭터 크기일 수 있다.

이에 따라, 캐릭터(C, C')는 학습 데이터(LD)를 이용한 학습기반 제어 알고리즘(M)이 학습되어 학습도가 향상됨에 따라 캐릭터 크기가 커질 수 있다.

한편, 기준 캐릭터 크기는 캐릭터가 구현되는 애플리케이션의 종류마다 상이하게 설정될 수 있다.

도 6은 본 개시의 일 실시예에 따른 사용자 장치가 캐릭터를 메타버스 애플리케이션에서 구현한 일 예를 도시한 도면이고, 도 7은 본 개시의 일 실시예에 따른 사용자 장치가 캐릭터를 메타버스 애플리케이션에서 구현한 다른 예를 도시한 도면이다.

도 6 및 도 7을 참조하면, 상기 사용자 장치(100)는, 상기 캐릭터가 구현되는 애플리케이션의 종류를 나타내는 애플리케이션 종류 정보와 함께 상기 캐릭터의 그래픽 데이터를 요청하는 그래픽 데이터 요청 신호를 송신할 수 있다.

서버(200)는 상기 애플리케이션의 종류별 상기 캐릭터의 그래픽 데이터 중에서 상기 애플리케이션 종류 정보가 나타내는 애플리케이션의 종류에 대응되는 그래픽 데이터를 상기 사용자 장치(100)로 송신할 수 있다.

이후, 사용자 장치(100)는 상기 그래픽 데이터 및 상기 캐릭터 크기 정보에 기초하여 상기 애플리케이션 내에서 상기 캐릭터(C)를 구현할 수 있다.

도 6에 도시된 바와 같이, 사용자 장치(100)는 그래픽 데이터 및 상기 캐릭터 크기 정보를 기초하여 메타버스(Meta) 내에서 캐릭터(C)를 구현할 수 있다.

또한, 도 7에 도시된 바와 같이, 사용자 장치(100)는 캐릭터(C)의 조작을 통해 메타버스(Meta) 내에서 단순한 동작 뿐만 아니라 운동 제어를 구현할 수 있다.

도 8은 본 개시의 일 실시예에 따른 사용자 장치가 캐릭터를 증강현실 애플리케이션에서 구현한 다른 예를 도시한 도면이다.

서버(200)는 캐릭터(C)의 학습기반 제어 알고리즘(M)의 학습도가 최대 학습도를 초과하면 증강현실 애플리케이션에 대응되는 캐릭터(C)의 그래픽 데이터를 사용자 장치(100)로 송신할 수 있다.

이후, 사용자 장치(100)는 위치 센서를 통해 획득된 위치가 미리 설정된 영역 내에 포함되면 증강현실 애플리케이션을 통해 캐릭터(C)를 실제 컨텐츠(Real) 상에서 구현시킬 수 있다.

여기서, 미리 설정된 영역은 사용자에 의해 설정된 영역일 수 있으며, 예를 들어, 사용자의 집일 수 있다.

한편, 사용자 장치(100)는 캐릭터의 매도를 요청하는 캐릭터 매도 요청 신호와 함께, 사용자가 희망하는 매도가격을 나타내는 희망 매도가격 정보를 서버(200)로 송신할 수 있다.

서버(200)는 해당 캐릭터의 학습도, 및 캐릭터 크기 정보에 기초하여 희망 매도가격 정보를 보정하여 최종 매도가격 정보로 생성하고, 최종 매도가격 정보, 학습도, 캐릭터 크기 정보 및 그래픽 데이터를 매도 캐릭터 목록에 추가할 수 있다.

이후, 서버(200)는 다른 사용자 장치(100)에 의해 캐릭터의 최종 매도가격 정보의 최종 매도가격이 결제되면 해당 캐릭터의 사용 권한을 다른 사용자 장치(100)로 변경할 수 있다.

이를 통해, 서버(200)는 학습도에 따라 성장된 캐릭터의 거래를 지원할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

또한, 본 발명의 서로 다른 실시예들은 상호 보완되거나 결합될 수 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler), 파이썬(Python) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 사용자 장치
200 : 서버

Claims (8)

1. 사용자 장치 및 서버를 포함하는 시스템의 제어 방법에 있어서,
   상기 사용자 장치가, 캐릭터를 제어하는 학습기반 제어 알고리즘이 학습 데이터를 이용하여 학습을 수행하도록 요청하는 학습 요청 신호를 송신하는 단계;
   상기 서버가, 상기 학습 요청 신호에 기초하여 상기 학습 데이터를 이용하여 상기 학습기반 제어 알고리즘을 학습시키는 단계;
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 분석하여 상기 캐릭터의 학습도 정보를 산출하는 단계;
   상기 서버가, 상기 학습도 정보에 대응하여 상기 캐릭터의 캐릭터 크기 정보를 결정하는 단계; 및
   상기 사용자 장치가, 상기 캐릭터 크기 정보에 기초하여 상기 캐릭터를 구현하는 단계;를 포함하고,
   상기 학습도 정보를 산출하는 단계는
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 정량 분석하여 상기 캐릭터의 정량 학습도 정보를 산출하는 단계; 및
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들을 정성 분석하여 상기 캐릭터의 정성 학습도 정보를 산출하는 단계;를 포함하고,
   상기 정량 학습도 정보를 산출하는 단계는
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들 각각의 데이터 크기 정보가 나타내는 데이터 크기를 합산하여 합산 데이터 크기로 산출하고, 상기 합산 데이터 크기가 클수록 상기 정량 학습도 정보가 나타내는 정량 학습도가 높도록 상기 정량 학습도 정보를 산출하는 단계:
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들 각각의 데이터 개수 정보가 나타내는 데이터 개수를 합산하여 합산 데이터 개수로 산출하고, 상기 합산 데이터 개수가 클수록 상기 정량 학습도 정보가 나타내는 정량 학습도가 높도록 상기 정량 학습도 정보를 산출하는 단계: 및
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들 각각의 학습 분야 정보를 확인하고, 확인된 상기 학습 분야 정보들의 균일도를 분야 균일도 정보로 산출하며, 상기 분야 균일도 정보가 나타내는 균일도가 균일할수록 상기 정량 학습도 정보가 나타내는 정량 학습도가 높도록 상기 정량 학습도 정보를 산출하는 단계; 중 하나 이상을 포함하고,
   상기 학습 분야 정보는
   상기 학습 데이터에 포함된 내용이 속한 분야를 나타내는 정보이고,
   상기 정성 학습도 정보를 산출하는 단계는
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들 각각의 학습 난이도 정보들의 평균 난이도를 나타내는 평균 난이도 정보를 산출하며, 상기 평균 난이도가 높을수록 상기 정성 학습도 정보가 나타내는 정성 학습도가 높도록 상기 정성 학습도 정보를 산출하는 단계;
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들 각각의 가치 정보들의 평균 가치를 나타내는 평균 가치 정보를 산출하며, 상기 평균 가치 정보가 나타내는 상기 평균 가치가 높을수록 상기 정성 학습도 정보가 나타내는 정성 학습도가 높도록 상기 정성 학습도 정보를 산출하는 단계; 및
   상기 서버가, 상기 학습기반 제어 알고리즘에 의해 학습된 학습 데이터들 중에서 기초 학습 데이터인 학습 데이터의 수가 많을수록 상기 정성 학습도 정보가 나타내는 정성 학습도가 높도록 상기 정성 학습도 정보를 산출하는 단계; 중 하나 이상을 포함하고,
   상기 가치 정보가 나타내는 가치는
   해당 학습 데이터의 가격이고,
   상기 기초 학습 데이터는
   상기 캐릭터의 이동 제어를 위해 상기 학습기반 제어 알고리즘에 의해 학습되는 학습 데이터이고,
   상기 사용자 장치가, 상기 캐릭터의 매도를 요청하는 캐릭터 매도 요청 신호와 함께, 사용자가 희망하는 매도가격을 나타내는 희망 매도가격 정보를 상기 서버로 송신하는 단계;
   상기 서버가, 매도가 요청된 캐릭터를 제어하는 상기 학습기반 제어 알고리즘의 학습도 정보 및 매도가 요청된 캐릭터의 캐릭터 크기 정보에 기초하여 상기 희망 매도가격 정보를 보정하여 최종 매도가격 정보로 생성하는 단계; 및
   상기 서버가, 상기 최종 매도가격 정보의 최종 매도가격이 다른 사용자 장치에 의해 결제되면 해당 캐릭터의 사용 권한을 상기 다른 사용자 장치로 변경하는 단계;를 더 포함하는, 시스템의 제어 방법.
   
2. 삭제
3. 삭제
4. 제1항에 있어서,
   상기 학습도 정보를 산출하는 단계는
   상기 서버가, 상기 정량 학습도 정보와 상기 정성 학습도 정보 각각을 반영하여 상기 학습도 정보로 산출하는 단계;를 포함하는, 시스템의 제어 방법.
   
5. 제1항에 있어서,
   상기 캐릭터 크기 정보를 결정하는 단계는
   상기 서버가, 상기 학습도 정보가 나타내는 학습도가 높을수록 상기 캐릭터 크기 정보가 나타내는 캐릭터 크기가 커지도록 상기 캐릭터 크기 정보를 결정하는 단계;를 포함하는, 시스템의 제어 방법.
   
6. 제1항에 있어서,
   상기 캐릭터 크기 정보를 결정하는 단계는
   상기 서버가, 기준 학습도 대비 상기 학습도 정보가 나타내는 학습도의 학습도 비율을 산출하는 단계; 및
   상기 서버가, 기준 캐릭터 크기에 상기 학습도 비율을 적용하여 캐릭터 크기 정보가 나타내는 캐릭터 크기로 산출하는 단계;를 포함하는, 시스템의 제어 방법.
   
7. 제1항에 있어서,
   상기 캐릭터를 구현하는 단계는
   상기 사용자 장치가, 상기 캐릭터가 구현되는 애플리케이션의 종류를 나타내는 애플리케이션 종류 정보와 함께 상기 캐릭터의 그래픽 데이터를 요청하는 그래픽 데이터 요청 신호를 송신하는 단계;
   상기 서버가, 상기 애플리케이션의 종류별 상기 캐릭터의 그래픽 데이터 중에서 상기 애플리케이션 종류 정보가 나타내는 애플리케이션의 종류에 대응되는 그래픽 데이터를 상기 사용자 장치로 송신하는 단계; 및
   상기 사용자 장치가, 상기 그래픽 데이터 및 상기 캐릭터 크기 정보에 기초하여 상기 애플리케이션 내에서 상기 캐릭터를 구현하는 단계;를 포함하는, 시스템의 제어 방법.
   
8. 제7항에 있어서,
   상기 애플리케이션 종류 정보는
   모바일 애플리케이션, 증강현실 애플리케이션 및 메타버스 애플리케이션 중 어느 하나인, 시스템의 제어 방법.