KR102868898B1 - 가전기기 및 이를 제어하기 위한 방법 - Google Patents

가전기기 및 이를 제어하기 위한 방법

Info

Publication number
KR102868898B1
KR102868898B1 KR1020190087595A KR20190087595A KR102868898B1 KR 102868898 B1 KR102868898 B1 KR 102868898B1 KR 1020190087595 A KR1020190087595 A KR 1020190087595A KR 20190087595 A KR20190087595 A KR 20190087595A KR 102868898 B1 KR102868898 B1 KR 102868898B1
Authority
KR
South Korea
Prior art keywords
noise
user
level
home
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
KR1020190087595A
Other languages
English (en)
Other versions
KR20190092329A (ko
Inventor
정동수
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190087595A priority Critical patent/KR102868898B1/ko
Publication of KR20190092329A publication Critical patent/KR20190092329A/ko
Priority to US16/543,413 priority patent/US10787762B2/en
Application granted granted Critical
Publication of KR102868898B1 publication Critical patent/KR102868898B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/48—Preventing or reducing imbalance or noise
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
    • H04L12/2827—Reporting to a device within the home network; wherein the reception of the information reported automatically triggers the execution of a home appliance functionality
    • H04L12/2829—Reporting to a device within the home network; wherein the reception of the information reported automatically triggers the execution of a home appliance functionality involving user profiles according to which the execution of a home appliance functionality is automatically triggered
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/76—Preventing or reducing imbalance or noise
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F37/00—Details specific to washing machines covered by groups D06F21/00 - D06F25/00
    • D06F37/20—Mountings, e.g. resilient mountings, for the rotary receptacle, motor, tub or casing; Preventing or damping vibrations
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/52—Preventing or reducing noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2101/00—User input for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2101/20—Operation modes, e.g. delicate laundry washing programs, service modes or refreshment cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/04—Quantity, e.g. weight or variation of weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/24—Spin speed; Drum movements
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/26—Imbalance; Noise level
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/52—Changing sequence of operational steps; Carrying out additional operational steps; Modifying operational steps, e.g. by extending duration of steps
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/56—Remaining operation time; Remaining operational cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/44—Control of the operating time, e.g. reduction of overall operating time
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/46—Control of the operating time
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/2847—Home automation networks characterised by the type of home appliance used
    • H04L2012/285—Generic home appliances, e.g. refrigerators

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Selective Calling Equipment (AREA)

Abstract

주변 환경의 상태를 고려하여, 가전기기를 제어하는 방법이 개시된다. 본 발명의 일 실시예에 따른 가전기기를 제어하는 방법은, 제1 동작 프로파일을 이용하여 가전기기를 동작시키는 단계; 5G 통신을 이용한 사물 인터넷(IoT) 통신 및 인공 지능(AI)을 이용하여, 사용자의 행동 유형 또는 사용자 주변의 소리의 유형 중 적어도 하나를 식별하는 단계; 및 식별된 사용자의 행동 유형 또는 사용자 주변의 소리의 유형 중 적어도 하나에 기초하여, 가전기기를 동작시키기 위한 동작 프로파일을 제2 동작 프로파일로 변경하는 단계를 포함한다.
본 발명에 의하면, 주변 환경의 상태에 따라 동작 소음을 감소시키거나, 또는 사용자의 불편함을 증가시키기 않고서 가전기기의 동작 시간을 감소시킬 수 있기 때문에, 동작 소음에 따른 사용자의 불편함을 개선할 수 있다.

Description

가전기기 및 이를 제어하기 위한 방법{HOME APPLIANCE AND METHOD FOR CONTROLLING THE SAME}
본 발명은 가전기기에 관한 것으로, 보다 상세하게는, 주변 환경의 상태에 따라 동작 소음의 레벨을 변경할 수 있는 가전기기 및 이를 제어하기 위한 방법에 관한 것이다.
모터 등으로부터의 동력을 이용하여 동작을 수행하는 가전기기는 일반적으로 동작시 불편한 소음을 발생시킨다. 예를 들어, 세탁기는 모터의 회전을 통하여 세탁 동작 또는 탈수 동작을 수행하는데, 모터의 회전은 바닥 또는 벽에 진동을 유발하고, 이는 소음으로 변환되어 사용자에게 전파된다. 쾌적한 주거 환경을 위하여 세탁기와 같은 가전기기에 의해 발생하는 불편한 소음을 감소시켜야 한다는 소비자들의 니즈가 높아지고 있다.
특허문헌 1은, 세탁기 주변의 소음을 감지하고, 세탁기에 의해 감지된 주변 소음의 레벨에 따라 최적의 동작 소음을 발생하도록 모터의 분당 회전수(RPM)를 조절하는 소음 조절장치를 갖는 세탁기를 개시하고 있다. 특허문헌 2는, 동작 중에 발생하는 소음의 패턴을 감지하고, 감지된 소음을 상쇄하기 위한 음향을 출력하는 세탁기를 개시하고 있다.
특허문헌 1 및 특허문헌 2 모두에서는 세탁기에 의해 감지되는 소음에 기초하여 소음 조절 조치가 수행된다. 그러나, 세탁기에 의해 감지된 소음은 사용자에 의해 체감되는 소음과 상이할 수 있다. 특허문헌 1에서, 사용자에 의해 체감되는 소음을 고려하지 않고 세탁기의 동작 소음을 감소시키는 것은 세탁기의 동작 시간을 불필요하게 증가시키거나 또는 세탁 효과를 감소시킬 수 있다.
특허문헌 2에서, 세탁기에 의해 감지되는 소음을 상쇄하기 위한 음향은 사용자에 의해 체감되는 소음을 효과적으로 상쇄하지 못할 수 있고, 오히려 사용자에 의해 체감되는 소음을 증가시킬 수도 있다.
대한민국 공개특허공보 제10-1995-0006085호 대한민국 등록특허공보 제10-146636호
본 발명의 일 과제는, 사용자가 가전기기의 동작 소음에 대해 민감할 수 있는 상태를 식별함으로써, 사용자에게 불편함을 유발할 수 있는 동작 소음을 감소시키기 위한 것이다.
본 발명의 다른 과제는, 사용자가 가전기기의 동작 소음에 대해 둔감할 수 있는 상태를 식별함으로써, 동작 소음에 따른 사용자의 불편함을 실질적으로 증가시키지 않으면서도 가전기기의 동작 시간을 단축시키기 위한 것이다.
본 발명의 또 다른 과제는, 가전기기의 동작 소음의 감소와 가전기기의 동작 시간의 단축이라는 상충되는 사용자의 니즈를 주변 환경의 상태에 따라 절충하기 위한 것이다.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 제1 양상에 따른 가전기기의 제어 방법은, 주변 환경의 상태를 식별하는 단계, 및 식별된 주변 환경의 상태에 기초하여, 가전기기를 동작시키기 위한 동작 프로파일을 설정하는 단계를 포함한다.
일 실시예에 따르면, 동작 프로파일은 주변 환경의 상태에 기초하여, 감소된 동작 시간 및 증가된 평균 소음 레벨을 갖도록 설정되거나, 또는 증가된 동작 시간 및 감소된 평균 소음 레벨을 갖도록 설정될 수 있다.
추가 실시예에 따르면, 주변 환경의 상태를 식별하는 것은 사용자의 행동 유형 또는 사용자 주변의 소리의 유형 중 적어도 하나를 식별하는 것일 수 있다.
추가 실시예에 따르면, 주변 환경의 상태는, 가전기기와 연결된 홈 네트워크 내의 하나 이상의 디바이스로부터의 정보에 기초하여 식별될 수 있고, 사용자 주변의 소리의 유형은 미리 훈련된 심층 신경망에 하나 이상의 디바이스로부터의 소리 정보를 제공함으로써 식별될 수 있다.
본 발명의 제2 양상에 따른 가전기기의 제어 방법은, 가전기기의 동작에 의해 유발되는 동작 소음을 식별하는 단계, 사용자의 위치를 식별하는 단계, 및 사용자의 위치 및 동작 소음에 기초하여, 가전기기를 동작시키는 동작 프로파일을 설정하는 단계를 포함한다.
일 실시예에 따르면, 사용자의 위치는 가전기기와 연결된 홈 네트워크 내의 하나 이상의 디바이스로부터의 정보에 기초하여 식별될 수 있고, 가전기기의 동작에 의해 유발되는 동작 소음은 가전기기를 동작시키는 동작 프로파일 또는 가전기기에 구비된 음향 센서로부터의 센서 신호 중 적어도 하나에 기초하여 식별될 수 있다.
추가의 실시예에서, 동작 프로파일은 사용자의 체감 소음이 임계 소음 레벨을 초과하는 경우에 변경될 수 있고, 이때 사용자의 체감 소음은 사용자의 위치 및 동작 소음에 기초하여 추정될 수 있다. 또한, 임계 소음 레벨은 사용자의 행동 유형 또는 사용자의 주변 소리의 유형 중 적어도 하나에 기초하여 결정될 수 있다.
본 발명의 제3 양상에 따른 가전기기는, 동작 프로파일에 따라 동작을 수행하기 위한 동력을 제공하는 구동부, 홈 네트워크 내의 하나 이상의 디바이스로부터 정보를 수신하는 네트워크 인터페이스, 및 홈 디바이스로부터의 정보에 기초하여 동작 프로파일을 설정하는 프로세서를 포함한다.
일 실시예에서, 프로세서는, 사용자의 위치 및 설정될 동작 프로파일에 따라 사용자의 체감 소음을 추정하고, 추정된 체감 소음에 기초하여 동작 프로파일을 설정할 수 있다.
추가적인 실시예에서, 프로세서는, 추정된 체감 소음이 임계 소음 레벨을 초과하는 경우, 동작 프로파일의 동작 시간이 증가하도록 상기 동작 프로파일을 변경할 수 있고, 이때, 임계 소음 레벨은 사용자의 주변 소리의 유형 또는 사용자의 행동 유형 중 적어도 하나에 기초하여 결정될 수 있다.
본 발명에 의하면, 동작 프로파일을 설정함에 있어서 사용자의 행동 유형, 사용자 주변의 소리의 유형, 또는 사용자의 체감 소음을 고려함으로써, 사용자에게 불편함을 일으키는 경우에만 동작 소음을 감소시킬 수 있다. 또한, 사용자에게 불편함을 일으키지 않는 경우에는 동작 시간을 감소시킬 수 있다. 이로써, 동작 소음의 감소와 동작 시간의 단축이라는 상충되는 사용자의 니즈를 효과적으로 절충할 수 있다.
또한, 본 발명에 의하면, 홈 IoT와 같은 홈 네트워크 및 인공 지능 기술을 이용함으로써, 사용자의 주변 환경의 상태를 보다 정확하게 추정할 수 있다. 따라서, 가전기기가 보다 사용자 편의적인 방식으로 동작할 수 있다.
도 1은 본 발명의 일 실시예에 따른 동작 소음을 발생시키는 가전기기가 배치되는 주변 환경의 예시도이다.
도 2는 본 발명의 일 실시예에 따른 동작 소음을 발생시키는 가전기기를 개략적으로 도시하는 블록도이다.
도 3은 본 발명의 일 실시예에 따라 가전기기를 제어하는 예시적인 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따라 주변 환경의 상태를 식별하는 예시적인 방법을 나타내는 흐름도이다.
도 5는 본 발명의 일 실시예에 따라 주변 소리의 유형에 기초하여 동작 프로파일을 변경하는 예시적인 방법을 나타내는 흐름도이다.
도 6은 본 발명의 일 실시예에 따라 사용자의 행동 유형에 기초하여 동작 프로파일을 변경하는 예시적인 방법을 나타내는 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 사용자의 체감 소음에 기초하여 동작 프로파일을 변경하는 예시적인 방법을 나타내는 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 동작 소음을 발생시키는 가전기기가 배치되는 주변 환경의 예시도이다.
도 1을 참조하면, 주변 환경은 사용자가 위치할 수 있는 복수의 구획된 공간, 예컨대, 거실(110), 주방(120), 세탁실(130) 및 현관 영역(140)을 포함하는 주거 영역(예컨대, 홈 영역)일 수 있다. 예를 들어, 거실(110)에는, TV(111), 인공 지능(AI) 스피커(112), 에어컨(113), 공기청정기(114), 안마의자(115), 거실 조명(116), 홈 제어 및 자동화 시스템(117), 인체 감지 센서(118) 및 옷장형 의류 관리기(119)가 배치될 수 있다. 주방(120)에는, 가스레인지를 위한 가스 밸브(121), 후드의 연기 감지기(122), 개수대의 급수 밸브(123), 식기세척기(124), 냉장고(125), 및 주방 조명(126)이 배치될 수 있다. 세탁실(130)에는, 세탁기(131) 및 세탁물 건조기(132)가 배치될 수 있다. 현관 영역(140)에는, 도어락(141)이 부착된 현관문 및 출입 센서(142)가 배치될 수 있다. 세탁기(131), 세탁물 건조기(132), 식기세척기(124) 또는 옷장형 의류 관리기(119)는 본 발명의 일 실시예에 따른 동작 소음을 발생시키는 가전기기일 수 있다.
이하, 상술한 디바이스들(111-119, 121-125, 131, 132, 141, 및 142)은 네트워크 기능성을 가지거나 또는 네트워크 기능성을 가진 다른 디바이스에 연결될 수 있고, 무선 또는 유선으로 그리고 직접 또는 간접적으로 서로 연결되어 홈 네트워크(100)를 형성할 수 있다. 또한, 상술한 디바이스들은 자신의 on/off 상태를 포함하는 동작 상태 정보 및/또는 자신들에게 구비된 센서를 이용하여 획득한 센서 정보를 홈 네트워크(100)에 제공할 수 있다. 이하, 이와 같이 홈 네트워크(100)에 직접 또는 간접적으로 연결되고 자신들의 동작 상태 정보 및/또는 센서 정보를 홈 네트워크(100)에 제공하는 디바이스들을 "홈 디바이스"라고 지칭한다.
하나 이상의 홈 디바이스는, 예를 들어, 5세대(5G) 셀룰러 네트워크, 블루투스, 적외선 데이터 협회(Infrared Data Association; IrDA), 사물 인터넷(Internet of Things; IoT), 로컬 영역 네트워크(Local Area Network; LAN), 저전력 네트워크(Low Power Network; LPN), 저전력 광역 네트워크(Low Power Wide Area Network; LPWAN), 개인 영역 네트워크(Personal Area Network; PAN), 무선 주파수 식별(Radio Frequency Identification; RFID), 초광대역(Ultra-wide Band; UWB), Wi-Fi(Wireless Fidelity), 무선 LAN(WLAN), 또는 ZigBee 통신 기술들 중 하나 이상을 이용하여 홈 네트워크(100) 내의 다른 홈 디바이스들과 통신하도록 구성될 수 있으나, 이에 한정되는 것은 아니다.
하나 이상의 홈 디바이스는 자신의 on/off 상태를 포함하는 동작 상태 정보를 홈 네트워크(100)에 통지할 수 있다. 예를 들어, TV(111)는 현재 채널 및/또는 볼륨 정보를 통지할 수 있고, 또한 채널이 변경될 때, 그리고/또는 볼륨이 조절될 때 이를 홈 네트워크에 통지할 수 있다. 안마의자(115)는 자신의 동작 모드, 예를 들어, 스트레칭 모드, 회복 모드, 또는 저소음 모드 등을 홈 네트워크(100)에 통지할 수 있다. 냉장고(125)는 도어가 개폐될 때 이를 홈 네트워크(100)에 통지할 수 있다.
일부 홈 디바이스들, 예를 들어 거실 조명(116), 주방 조명(126), 개수대의 급수 밸브(123) 및 도어락(141)은 네트워크 기능성을 가지지 않을 수 있다. 이러한 홈 디바이스들은 홈 제어 및 자동화 시스템(117)과 전기적으로 연결되어 있을 수 있고, 홈 제어 및 자동화 시스템(117)은 전기적으로 연결된 홈 디바이스들을 제어하고, 이들의 동작 상태를 식별할 수 있다. 거실 조명(116), 주방 조명(126), 급수 밸브(123) 및 도어락(141)이 직접 자신들의 동작 상태를 홈 네트워크(100)에 통지하는 대신, 홈 제어 및 자동화 시스템(117)이 급수 밸브(123)를 통한 유량, 거실 조명(116) 또는 주방 조명(126)이 on 또는 off 상태, 또는 현관문의 개폐 상태를 홈 네트워크(100)에 통지할 수 있다.
또한, 하나 이상의 홈 디바이스는 자신의 주변의 상태를 검출할 수 있는 하나 이상의 센서, 예를 들어 음향 센서, 적외선 센서, 온도 센서, 조도 센서, 또는 공기 오염 센서를 포함할 수 있다. 예시적으로, AI 스피커(112)는 주변의 소리, 특히 사용자의 음성을 검출하는 음향 센서를 포함할 수 있다. 에어컨(113)은 주변 공간의 온도 분포를 검출할 수 있는 적외선 센서를 포함할 수 있다. 공기 청정기(114)는 공기 내의 오염 물질의 농도 및 공간적 분포를 검출할 수 있는 공기 오염 센서를 포함할 수 있다. 하나 이상의 홈 디바이스는 하나 이상의 센서로부터 획득된 정보를 홈 네트워크(100)에 통지할 수 있다. 또한, 홈 제어 및 자동화 시스템(117)은 홈 영역에 설치된 하나 이상의 에너지미터와 연결되어, 각각의 전기 소켓을 통한 또는 각각의 구획에서의 실시간 소비 전력을 검출할 수 있다.
상술한 설명들에서, "홈 네트워크(100)에 통지"한다는 표현은, 상술한 홈 네트워크(100)를 위한 통신 기술들 중 적어도 하나를 이용하여, 홈 네트워크(100)에 연결된 스마트 홈 서버(미도시)에 통지하는 것 및/또는 홈 네트워크(100)에 연결된 홈 디바이스들 중 하나 이상에 통지하는 것을 포함한다. 또한, 하나 이상의 홈 디바이스는 직접적으로 또는 하나 이상의 중간 디바이스(intermediary device)를 경유하여 다른 홈 디바이스에 통지할 수 있다. 중간 디바이스는 홈 디바이스들 중 임의의 것일 수 있고 또는 게이트웨이, 허브, 스위치, 라우터, 스몰셀, 펨토셀, 피코셀, 또는 무선 액세스 포인트(WAP)와 같은 별개의 네트워크 디바이스일 수도 있다.
하나 이상의 홈 디바이스는 서로 간의 통신을 통해 다른 홈 디바이스들과의 상대 위치(예를 들어, 방향 및/또는 거리) 또는 홈 영역에서 자신의 절대 위치를 식별할 수 있다. 예를 들어, 홈 디바이스는 다른 홈 디바이스와의 다이렉트 통신을 수행할 수 있고, 빔포밍(beamforming) 방향에 따른 신호 강도 및 통신 메시지의 지연시간(latency) 등을 이용하여 다른 홈 디바이스와의 방향 및 거리를 추정할 수 있다. 스마트 홈 서버는 각각의 홈 디바이스로부터의 상대 위치 정보를 수집하고, 홈 영역에서의 홈 디바이스들의 절대 위치를 식별할 수 있다. 다른 실시예에서 스마트 홈 서버는 사용자에 의한 수동 입력에 의해 홈 영역에서의 홈 디바이스들의 위치를 식별할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 동작 소음을 발생시키는 가전기기를 개략적으로 도시하는 블록도이다.
동작 소음을 발생시키는 가전기기(200)는, 프로세서(210), 메모리(220), 구동부(230), 네트워크 인터페이스(240), 사용자 인터페이스(250) 및 센서(260)를 포함할 수 있다.
프로세서(210)는, 예를 들어 메모리(220)에 저장된 프로그램에 포함된 코드들 또는 명령어들로 표현된 기능들을 수행하기 위해 구조화된 회로를 갖는, 하드웨어로 구현된 임의의 형태의 데이터 처리 디바이스일 수 있다. 프로세서(210)는, 예를 들어, 마이크로프로세서, 중앙처리장치(Central Processing Unit; CPU), 프로세서 코어, 멀티프로세서, 주문형 집적회로(Application-Specific Integrated Circuit; ASIC), 또는 현장 프로그래머블 게이트 어레이(Field Programmable Gate Array; FPGA) 중 하나 이상을 포함할 수 있으나, 이에 한정되는 것은 아니다.
메모리(220)는 유형의(tangible) 컴퓨터로 판독가능한 매체일 수 있다. 메모리(220)는, 예를 들어, 하드 디스크, 플로피 디스크, 또는 자기 테이프와 같은 자기 매체, CD-ROM 또는 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 또는 RAM, ROM, 플래시 메모리 등과 같은 고체-상태 반도체 디바이스 중 하나 이상을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 메모리(220)는 휘발성 메모리 및 비-휘발성 메모리 중 하나 이상을 포함할 수 있다.
메모리(220)는 프로세서(210)에 의해 실행되기 위한 컴퓨터 프로그램 및 구동부(230)를 동작시키기 위한 하나 이상의 미리 설정된 동작 프로파일을 저장하고 있다. 컴퓨터 프로그램과 하나 이상의 미리 설정된 프로파일은 물리적으로 별개의 메모리 디바이스들에 각각 저장될 수 있고, 동일한 물리적 메모리 디바이스 내에서 논리적으로 별개의 영역들에 저장될 수도 있다. 또한, 메모리(220)는 복수의 물리적 메모리 디바이스의 논리적 연결의 집합으로 구성될 수 있고, 프로그램과 하나 이상의 미리 설정된 프로파일은, 논리적으로 연결된 복수의 물리적 메모리 디바이스의 집합에서의 논리적으로 별개의 영역들에 저장될 수 있다.
구동부(230)는 가전기기(200)의 동작들을 수행하기 위한 동력을 제공하기 위한 전기기계를 포함한다. 예를 들어, 가전기기(200)가 세탁기인 경우, 구동부(230)는 세탁기의 내부 통(inner tub) 또는 교반기(agitator)를 회전시키는 모터를 포함할 수 있다. 가전기기(200)가 세탁물 건조기인 경우, 구동부(230)는 내부 통 및 온풍기(hot-air blower)를 회전시키는 모터를 포함할 수 있다. 가전기기(200)가 식기 세척기인 경우, 구동부(230)는 물 분사 노즐을 갖는 분사 아암(spray arm)을 회전시키는 모터 및 워터 펌프를 포함할 수 있다. 가전기기(200)가 옷장형 의류 관리기인 경우, 구동부(230)는 옷걸이를 수평, 수직 및/또는 대각선 방향으로 이동시키는 액추에이터를 포함할 수 있다. 구동부(230)는 위의 열거된 예시들 이외에도 동력을 제공하는 임의의 형태의 전기기계를 포함할 수 있음이 이해되어야 한다. 이러한 전기기계는 일반적으로 동력의 제공시 동작 소음을 발생시킨다. 예를 들어, 모터 또는 액추에이터는 동작시 진동을 발생시키고, 진동은 진동-유발 소음을 생성한다. 진동-유발 소음은 공기를 통해 그리고/또는 가전기기(200)이 놓인 바닥 및/또는 벽을 통해 사용자에게 전파될 수 있다.
구동부(230)는 프로세서(210)에 의해 설정된 동작 프로파일에 따라 동작한다. 동작 프로파일은 시간에 걸친 구동부(230)의 동력 레벨을 규정한다. 예를 들어, 동작 프로파일은 시간에 걸친 모터의 분당 회전수(RPM)을 규정할 수 있다. 프로세서(210)는 메모리(220) 내의 미리 설정된 프로파일들 중 하나를 구동부(230)를 위한 동작 프로파일로서 선택할 수 있다. 프로세서(210)는 미리 설정된 프로파일을 수정하여 구동부(230)를 위한 동작 프로파일을 생성할 수도 있다.
네트워크 인터페이스(240)는 홈 네트워크(100)와 통신하도록 구성된다. 예를 들어, 네트워크 인터페이스(240)는 홈 네트워크(100)에 연결된 스마트 홈 서버(미도시)와 통신하거나 홈 네트워크(100)의 다른 홈 디바이스들과 통신할 수 있다. 네트워크 인터페이스(240)는, 예를 들어, 5세대(5G) 셀룰러 네트워크, 블루투스, 적외선 데이터 협회(IrDA), 사물 인터넷(IoT), 로컬 영역 네트워크(LAN), 저전력 네트워크(LPN), 저전력 광역 네트워크(LPWAN), 개인 영역 네트워크(PAN), 무선 주파수 식별(RFID), 초광대역(UWB), Wi-Fi(wireless fidelity), 무선 LAN, 또는 ZigBee 통신 기술들을 위한 하나 이상의 인터페이스를 포함할 수 있으나, 이에 한정되는 것은 아니다.
또한, 네트워크 인터페이스(240)는 외부 네트워크, 예를 들어 원격의 클라우드 서버(300)와 통신하도록 구성될 수 있다. 네트워크 인터페이스(240)는 홈 네트워크(100)에 연결된 게이트웨이를 통해 외부 네트워크와 통신할 수도 있고, 홈 네트워크(100)를 경유하지 않고 외부의 네트워크를 연결하는 별개의 게이트웨이를 통해 외부 네트워크와 통신할 수 있다.
사용자 인터페이스(250)는, 예를 들어, 사용자에 의해 눌러질 수 있는 하나 이상의 버튼들, 사용자에 의한 터치를 인식하는 터치-스크린, 또는 회전에 의해 사용자가 복수의 옵션들 중 하나를 선택할 수 있게 하는 다이얼(dial) 또는 휠(wheel)을 포함할 수 있으나, 이에 한정되는 것은 아니다.
사용자 인터페이스(250)는 사용자가 가전기기(200)의 동작 모드 및/또는 동작 프로파일을 수동으로 선택할 수 있게 하고, 그리고 프로세서(210)에 의한 동작 프로파일의 설정에 필요할 수 있는 부가적인 정보를 입력할 수 있게 한다.
센서(260)는 가전기기(200) 내부의 상태를 검출하도록 구성된 센서 및/또는 가전기기(200)의 외부의 주변 상태를 검출하도록 구성된 센서를 포함할 수 있다. 센서(260)는, 예를 들어 가전기기(200)의 내부에 투입된 작업물의 무게를 검출할 수 있는 무게 센서, 가전기기(200)의 회전 엘리먼트(예컨대, 세탁기의 내부 통)의 회전 속도를 검출할 수 있는 회전 센서, 가전 기기(200)의 변위 엘리먼트(예컨대, 옷걸이)의 변위를 검출할 수 있는 변위 센서, 가전기기(200)의 주변의 소리를 검출할 수 있는 음향 센서, 및/또는 가전기기(200) 주변의 조도를 검출할 수 있는 조도 센서를 포함할 수 있다. 필요에 따라, 센서(260)는 적외선 센서, 온도 센서 등을 추가적으로 포함할 수도 있다.
도 3은 본 발명의 일 실시예에 따라 가전기기를 제어하는 예시적인 방법을 나타내는 흐름도이다. 이하, 도 3을 참조하여, 본 발명의 일 실시예에 따른 가전기기를 제어하는 방법을 상세히 설명한다.
가전기기의 시동
단계 S310에서 가전기기(200)의 시동이 수행된다. 사용자는 가전기기(200)에 작업물(예를 들어, 세탁물)을 투입하고, 사용자 인터페이스(250) 상의 전원 버튼을 누름으로써 가전기기(200)를 시동시킬 수 있다. 부가적으로, 사용자는 사용자 인터페이스(250)를 통해 원하는 동작 모드(예컨대, 세탁기의 흰옷 모드, 탈수 전용 모드 등)를 선택할 수 있다.
작업물의 상태 식별
단계 S320에서 프로세서(210)는 작업물의 상태를 식별한다. 프로세서(210)는, 센서(260)(예컨대, 무게 센서)로부터 획득한 정보를 이용하여, 작업물의 양, 무게, 부피, 및/또는 종류를 식별할 수 있다.
초기 프로파일 설정
단계 S330에서 프로세서(210)는 단계 S320에서 식별된 작업물 상태에 기초하여, 그리고 부가적으로, 단계 S310에서 사용자에 의해 선택된 동작 모드에 기초하여, 구동부(230)를 동작시키기 위한 초기 프로파일을 설정할 수 있다. 예를 들어, 프로세서(210)는 메모리(220)에 저장된 복수의 미리 설정된 프로파일 중에서 식별된 작업물의 양, 무게, 부피, 또는 종류, 그리고 사용자에 의해 선택된 동작 모드에 가장 부합하는 미리 설정된 프로파일을 선택하고, 이를 구동부(230)를 동작시키기 위한 초기 프로파일로 설정할 수 있다. 또한, 프로세서(210)는 설정된 초기 프로파일에 따라 동작하도록 구동부(230)에게 명령할 수 있다. 실시예에 따라, 초기 프로파일을 설정하는 단계(S330)은 생략되거나, 또는 후술하는 동작 프로파일을 설정하는 단계(S360)에 통합될 수 있다.
주변 환경의 상태 식별
단계 S340에서 프로세서(210)는 센서(260)로부터 획득한 정보, 하나 이상의 홈 디바이스로부터 획득한 동작 상태 정보 및/또는 센서 정보에 기초하여 주변 환경의 상태를 식별한다. 주변 환경의 상태는, 가전기기(200) 주변의 소리의 레벨, 가전기기(200) 주변의 소리의 유형, 사용자의 상태(예컨대, 사용자의 위치 또는 사용자의 행동 유형), 홈 디바이스 주변의 소리의 레벨, 또는 홈 디바이스 주변의 소리의 유형 중 적어도 하나를 포함할 수 있다. 도 4는 본 발명의 일 실시예에 따라 주변 환경의 상태를 식별하는 예시적인 방법을 나타내는 흐름도이다. 이하, 도 4를 참조하여, 본 발명의 일 실시예에 따라 주변 환경의 상태를 식별하는 방법을 상세히 설명한다.
가전기기 주변의 소리의 레벨 및 유형 식별
단계 S410에서, 프로세서(210)는 센서(260)로부터 획득한 정보를 이용하여 가전기기(200)의 주변 소리의 레벨 및 유형을 식별할 수 있다. 예를 들어, 프로세서(210)는 음향 센서로부터 획득한 센서 데이터에서의 신호의 크기로부터 가전기기(200) 주변의 소리의 레벨을 식별할 수 있다. 또한, 프로세서(210)는 음향 센서로부터 획득한 센서 데이터를 주파수 대역에 따라 분리하고, 각 주파수 대역에서의 신호 분포에 기초하여, 가전기기(200) 주변의 소리의 유형(예컨대, 음성, 음악 또는 소음 등)을 식별할 수 있다. 가전기기(200) 주변의 소리는 2 이상의 유형의 소리를 포함할 수 있다. 프로세서(210)는 주변 소리에 포함된 각각의 소리의 유형을 식별하고 각각의 유형에 대한 소리의 레벨을 식별할 수 있다. 프로세서(210)는 소리 데이터를 구동부(230)의 동작에 따른 가전기기(200)의 동작 소음과 동작 소음 이외의 주변 소리로 분리할 수 있고, 동작 소음의 레벨뿐만 아니라 주변 소리의 유형 및 레벨을 식별할 수 있다.
프로세서(210)는 인공 지능을 이용하여 소리의 유형을 식별할 수 있다. 예를 들어, 프로세서(210)는 딥러닝(deep learning) 기술을 통해 소리의 유형 및/또는 발생 원인을 식별하도록 미리 훈련된 인공 신경망(Artificial Neural Network; ANN)에 음향 센서로부터 획득한 센서 데이터를 입력으로서 제공하고, 인공 신경망으로부터의 출력에 기초하여 획득된 소리의 유형을 식별할 수 있다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다. 인공 신경망은 기계 학습에서 사용되는 모델로서, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴, (2) 연결의 가중치를 갱신하는 학습 과정, 및 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, 예를 들어, 컨볼루션 신경망(Convolution Neural Network; CNN), 순환 신경망(Recurrent Neural Network; RNN), 심층 신뢰 신경망(Deep Belief Network; DBN) 등의 심층신경망(Deep Neural Network; DNN)을 포함할 수 있으나, 이에 한정되는 것은 아니다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(Generative Adversarial Network; GAN), 오토 인코더(Autoencoder; AE)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(Markov Decision Process; MDP)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(Mean Squared Error; MSE) 또는 교차 엔트로피 오차(Cross Entropy Error; EPP)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(Gradient Descent; GD), 확률적 경사 하강법(Stochastic Gradient Descent; SGD), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.
인공 신경망은 하드웨어 모듈 및/또는 소프트웨어 모듈로서 구현되어 가전기기(200)에 포함되어 있을 수 있다. 다른 실시예에서, 인공 신경망은 원격의 클라우드 서버(300)에 구현되어 있을 수 있다. 프로세서(210)는 음향 센서로부터 획득된 센서 데이터를 네트워크 인터페이스(240)를 통해 원격의 클라우드 서버(300)에 제공하고 클라우드 서버(300)로부터의 출력에 기초하여 획득된 소리의 유형 및 레벨을 식별할 수 있다. 인공 신경망은 소리의 유형을 세부적으로 식별하도록 훈련되어 있을 수 있다. 예를 들어, 인공 신경망은 소리 데이터를, 대화, 전화 통화, 코골이 소리, TV 소리, 음악, 청소기 소음, 설거지 소음, 또는 외부 소음 등으로 분류할 수 있다. 또한, 인공 신경망은 센서 데이터에 2 이상의 유형의 소리가 포함되어 있음을 식별할 수 있고, 각각의 소리의 유형 및 레벨을 식별할 수도 있다.
사용자의 존부 및 위치 식별
단계 S420에서, 프로세서(210)는 하나 이상의 홈 디바이스로부터 획득한 동작 상태 정보 및/또는 센서 정보에 기초하여, 홈 영역 내의 사용자의 존부 및 사용자의 위치를 식별할 수 있다. 이하, "사용자의 위치를 식별"한다는 표현은 홈 영역 내의 사용자의 존부를 식별하는 것을 포함하는 의미로 사용되고, "사용자의 위치"는 홈 영역 내의 사용자의 부존재를 포함하는 의미로 사용된다.
거실 조명(116) 또는 주방 조명(126)의 조명 상태는 사용자가 거실(110) 또는 주방(120)에 있음을 암시할 수 있다. 마찬가지로, 후드의 연기 감지기(122)에 의한 연기의 검출 또는 급수 밸브(123)를 통한 물의 흐름의 검출은 사용자가 후드의 부근 또는 개수대의 부근에 위치한다는 것을 암시할 수 있다.
TV(111)의 채널이 변경되거나 볼륨이 조절된다는 TV(111)의 동작 상태 정보로부터 사용자가 TV(111)의 부근에 위치한다는 것이 추론될 수 있다. AI 스피커(112)에 의한 사용자의 음성의 검출로부터 사용자가 AI 스피커(112)의 부근에 위치한다는 것이 추론될 수 있다.
에어컨(113)에 의해 검출된 주변 공간의 온도 분포 및/또는 공기 청정기(114)에 의해 검출된 오염 물질의 분포로부터 공간 내에서의 사용자의 보다 구체적인 위치가 추론될 수 한다. 안마의자(115)가 동작하고 있다는 동작 정보는 사용자가 안마의자(115)에 누워있다는 사실에 대한 보다 강력한 추론을 가능하게 한다. 인체 감지 센서(118)로부터 획득된 센서 정보는 사용자의 존부를 보다 확실하게 입증할 수 있다.
현관문의 도어락(141)의 동작 상태 정보 및 출입 센서(142)의 센서 정보는 사용자가 주변 환경(예컨대, 집) 내로 들어오거나 밖으로 나가는 것을 식별할 수 있게 한다.
프로세서(210)는 하나 이상의 홈 디바이스들의 위치를 알고 있을 수 있다. 프로세서(210)는 예를 들어 스마트 홈 서버로부터 홈 디바이스들의 위치 정보를 미리 획득하고 있을 수 있다. 프로세서(210)는 홈 디바이스들의 위치 정보뿐만 아니라, 위에 예시된 홈 디바이스들의 동작 상태 정보 및 센서 정보 중 2 이상의 조합으로부터 사용자의 위치를 식별할 수 있다. 조합되는 동작 상태 정보 및/또는 센서 정보의 양이 많아질수록 사용자의 위치를 보다 신뢰도 있게 식별할 수 있다. 프로세서(210)는 신뢰도를 보다 증가시키기 위해, 하나 이상의 홈 디바이스에 동작 상태 정보 및/또는 센서 정보를 요청하고, 요청에 응답하여 획득된 동작 상태 정보 및/또는 센서 정보를 추가로 조합할 수 있다.
홈 디바이스 주변의 소리의 레벨 및 유형 식별
단계 S430에서, 프로세서(210)는 홈 디바이스들로부터 수신한 동작 상태 정보 및/또는 센서 정보에 기초하여, 홈 디바이스들의 주변 소리의 레벨 및/또는 유형을 식별할 수 있다.
하나 이상의 홈 디바이스는 음성 인식 기능 및 이를 위한 음향 센서를 가지고 있을 수 있다. 각각의 홈 디바이스는 음향 센서를 이용하여 자신의 주변 소리를 검출하고, 주변 소리의 레벨을 식별할 수 있다. 또한, 하나 이상의 홈 디바이스는 주변 소리의 유형을 식별할 수도 있다. 예를 들어, 홈 디바이스는 검출된 소리를 주파수 대역에 따라 분리하고, 각 주파수 대역에서의 신호 분포에 기초하여 음성, 음악 또는 소음으로 분류할 수 있다. 일부 홈 디바이스(예컨대, TV(111))는 소리를 검출하지 않고서도 자신의 동작 상태(예컨대, 볼륨)로부터 자신의 주변 소리의 레벨 및 소리의 유형을 결정할 수도 있다.
프로세서(210)는 하나 이상의 홈 디바이스로부터 각각의 홈 디바이스 주변의 소리의 정보를 획득할 수 있다. 프로세서(210)는 하나 이상의 홈 디바이스로부터 각각의 홈 디바이스 주변의 소리의 레벨 및 유형에 관한 정보를 획득할 수 있다. 다른 실시예에서, 프로세서(210)는 하나 이상의 홈 디바이스로부터 소리 데이터를 획득하고, 각각의 홈 디바이스로부터의 소리 데이터에 기초하여 프로세서(210)가 각각의 홈 디바이스 주변의 소리의 레벨 및 유형을 식별할 수도 있다. 앞서 가전기기 주변의 소리의 레벨 및 유형의 식별에서 설명된 바와 마찬가지로, 프로세서(210)는 인공 지능을 이용하여 소리의 레벨 및 유형을 식별할 수도 있다.
사용자의 행동 유형 식별
단계 S440에서, 프로세서(210)는 홈 디바이스들로부터 수신한 동작 상태 정보 및/또는 센서 정보에 기초하여, 사용자의 행동 유형을 식별할 수 있다. 사용자의 행동 유형은, 예를 들어, 대화, 통화, TV 시청, 음악 청취, 취침, 청소, 및 설거지 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 홈 영역에 사용자가 2명 이상 존재하는 경우, 각각의 사용자의 행동 유형이 식별될 수 있다.
사용자의 행동 유형은 식별된 사용자의 위치 및/또는 홈 디바이스 주위의 소리의 유형에 추가적으로 기초하여 식별될 수 있다. 또한, 프로세서(210)는 인공 지능을 이용하여 사용자의 행동 유형을 식별할 수도 있다.
예를 들어, 사용자가 거실(100)에 위치하는 것으로 식별되고, TV(110)가 동작 중이 아니며, 거실(100)에 존재하는 하나 이상의 홈 디바이스에서 검출된 소리의 유형이 한 사람의 음성인 경우, 사용자의 행동 유형은 통화중으로 식별될 수 있다. 다른 예로서, 사용자가 욕실(미도시)에 위치하는 것으로 식별되고, 욕실의 조명이 켜져 있고, 샤워 부스의 급수 밸브를 통한 물의 흐름이 검출되면, 사용자의 행동 유형은 샤워중으로 식별될 수 있다. 또 다른 예로서, 사용자가 침실(미도시)에 위치하는 것으로 식별되고, 침실의 조명이 꺼져 있으며, 사용자의 코골이 소리가 검출되면, 사용자의 행동 유형은 취침중으로 식별될 수 있다. 조합되는 정보의 양이 많아질수록 사용자의 행동 유형을 보다 신뢰도 있게 식별할 수 있다. 프로세서(210)는 신뢰도를 보다 증가시키기 위해, 하나 이상의 홈 디바이스에 동작 상태 정보 및/또는 센서 정보를 요청하고, 요청에 응답하여 획득된 동작 상태 정보 및/또는 센서 정보를 추가로 조합할 수 있다.
상술한 가전기기 주변의 소리의 레벨 및 유형을 식별하는 단계(S410), 사용자의 위치를 식별하는 단계(S420), 홈 디바이스 주변의 소리의 레벨 및 유형을 식별하는 단계(S430), 및 사용자의 행동 유형을 식별하는 단계(S440)는 반드시 위에 설명된 순서로 수행되는 것은 아니다. 실시예에 따라, 이들 단계는 동시에 수행되거나 순서가 바뀌어 수행될 수 있고, 일부 단계는 생략될 수도 있다.
체감 소음 추정
다시 도 3을 참조하면, 단계 S350에서 프로세서(210)는 사용자의 체감 소음의 레벨을 추정한다. 본 개시에서, 사용자의 "체감 소음"이란 구동부(230)의 동작에 의해 발생되어 사용자에 의해 체감되는 소음을 의미한다. 바꾸어 말하면, 체감 소음의 레벨은 구동부(230)의 동작 소음이 사용자에게 체감되는 레벨을 의미한다.
일 실시예에서, 프로세서(210)는 단계 S410에서 식별된 동작 소음의 레벨 및 단계 S420에서 식별된 사용자의 위치에 기초하여 사용자의 체감 소음을 추정할 수 있다. 사용자에 의해 체감되는 체감 소음의 레벨은, 가전기기(200)와 사용자 사이의 거리에 반비례한다. 프로세서(210)는 사용자의 위치에 기초하여 가전기기(200)와 사용자 사이의 거리를 추정하고, 추정된 거리 및 가전기기(200) 부근에서의 동작 소음의 레벨에 기초하여, 사용자에 의해 체감되는 체감 소음의 레벨을 추정할 수 있다. 한편, 사용자가 홈 영역에 존재하지 않는 경우, 사용자의 체감 소음은 제로(0)로 추정된다.
다른 실시예에서, 가전기기(200) 부근에서의 동작 소음의 레벨은 구동부(230)가 동작 중인 동작 프로파일에 의해 추정될 수 있다. 예를 들어, 메모리(220) 내에는 복수의 미리 설정된 프로파일에 대한 각각의 동작 소음의 레벨들이 저장되어 있을 수 있고, 프로세서(210)는 현재 구동부(230)를 동작시키는 프로파일에 대한 동작 소음의 레벨을 메모리에서 찾아봄으로써 가전기기(200) 부근의 동작 소음의 레벨을 추정할 수 있다. 이와 같이, 프로세서(210)는 음향 센서(260)를 이용하지 않고서도, 동작 프로파일에 의해 추정된 동작 소음의 레벨에 기초하여, 사용자에 의해 체감되는 체감 소음의 레벨을 추정할 수 있다.
또 다른 실시예에서, 프로세서(210)는 홈 디바이스에 구비된 음향 센서로부터의 소리 데이터에 기초하여 사용자에 의해 체감되는 체감 소음의 레벨을 추정할 수 있다. 예를 들어, 프로세서(210)는 사용자의 위치에 인접한 홈 디바이스로부터 획득된 소리 데이터를 구동중인 동작 프로파일과 비교함으로써 소리 데이터로부터 동작 소음과 관련된 성분을 추출하고, 이로부터 홈 디바이스에 의해 감지되는 동작 소음의 레벨을 추정할 수 있다. 사용자 부근의 홈 디바이스에 의해 감지되는 동작 소음의 레벨은 사용자에 의해 체감되는 체감 소음의 레벨로 추정될 수 있다. 또한, 프로세서(210)는 사용자 위치와 동작 프로파일에 따라 추정된 체감 소음의 레벨을 기계 학습할 수 있다. 기계 학습에 의해, 프로세서(210)는 더 이상 홈 디바이스로부터의 소리 데이터를 이용하지 않고서도, 사용자 위치와 동작 프로파일만으로 사용자의 체감 소음의 레벨을 추정할 수 있다.
동작 프로파일 설정
단계 S360에서, 프로세서(210)는 가전기기 주변의 소리의 유형, 레벨, 사용자 주변의 소리의 유형, 레벨, 사용자의 체감 소음의 레벨, 또는 사용자의 행동 유형 중 적어도 하나에 기초하여 구동부(230)를 동작시키기 위한 동작 프로파일을 설정한다. 프로세서(210)는 메모리(220)에 저장된 복수의 미리 설정된 프로파일 중에서 어느 하나의 프로파일을 새로운 동작 프로파일로서 선택할 수 있다. 다른 예로서, 프로세서(210)는, 구동부의 시간에 따른 평균 동력 레벨이 증가하고 동작 시간이 감소하도록 동작 중인 동작 프로파일을 수정할 수 있고, 반대로 시간에 따른 평균 동력 레벨이 감소하고 동작 시간이 증가하도록 동작 중인 동작 프로파일을 수정할 수도 있다.
동작 프로파일에서 시간에 따른 평균 동력 레벨은, 가전기기(200)의 원하는 목적을 달성하기 위해 요구되는 동작 시간과 상충(trade off)한다. 다시 말해서, 평균 동력 레벨이 높을수록 더 짧은 동작 시간이 요구되고, 평균 동력 레벨이 낮을수록 더 긴 동작 시간이 요구된다. 구동부(230)의 평균 동력 레벨은 일반적으로 구동부(230)의 동작 소음과 비례할 수 있다. 즉, 구동부(230)를 감소된 동력 레벨로 동작시키는 동작 프로파일은 감소된 소음 레벨을 가질 수 있고, 구동부(230)를 증가된 동력 레벨로 동작시키는 동작 프로파일은 증가된 소음 레벨을 가질 수 있다.
주변 소리의 유형에 기초하여 동작 프로파일 설정
도 5는 본 발명의 일 실시예에 따라 주변 소리의 유형에 기초하여 동작 프로파일을 변경하는 예시적인 방법을 나타내는 흐름도이다. 단계 S510에서, 프로세서(210)는 가전기기(200) 주변의 소리의 유형 또는 사용자 주변의 소리의 유형을 식별한다. 사용자 주변의 소리의 유형은, 단계 S420에서 식별된 사용자의 위치에 인접한 홈 디바이스로부터 획득된 소리 데이터로부터 식별될 수 있고, 이때, 사용자 주변의 소리는 가전기기(200)의 동작에 의해 유발되는 동작 소음을 제외한 다른 소리를 의미한다.
단계 S520에서, 프로세서(210)는 식별된 가전기기(200) 주변의 소리의 유형 또는 사용자 주변의 소리의 유형이 사용자의 집중을 요구하는 사용자-지향적 소리의 범주에 해당하는지 또는 사용자의 집중을 요구하지 않는 소음의 범주에 해당하는지 여부를 판단한다. 사용자-지향적 소리의 범주는, 예를 들어, 대화, 통화, TV 소리, 및 음악 등을 포함할 수 있고, 소음의 범주는, 예를 들어, 청소기 소음, 설거지 소음, 및 외부 소음 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
식별된 소리의 유형이 사용자-지향적 소리의 범주에 해당하는 경우, 단계 S530에서, 프로세서(210)는 임계 동력 레벨 이하의 평균 동력을 갖는 미리 설정된 프로파일로 동작 프로파일을 설정하거나, 또는 동작 중인 동작 프로파일에 비교할 때 평균 소음 레벨이 감소하도록 동작 프로파일을 수정할 수 있다. 이와 같이, 동작 프로파일의 평균 소음 레벨을 낮춤으로써, 사용자의 집중을 요구하는 소리에 대한 동작 소음의 방해 및 이에 따른 사용자의 불편함을 감소시킬 수 있다.
반대로, 단계 S540에서, 프로세서(210)는 가전기기(200) 주변의 소리의 유형 또는 사용자 주변의 소리의 유형이 소음의 범주에 해당하는 경우, 임계 동력 레벨 이상의 평균 동력을 갖는 미리 설정된 프로파일로 동작 프로파일을 설정하거나, 또는 동작 중인 동작 프로파일에 비교할 때 평균 소음 레벨이 증가하도록 동작 프로파일을 수정할 수 있다. 이와 같이, 동작 프로파일의 평균 소음 레벨을 증가시킴으로써, 동작 소음에 따른 사용자의 불편함을 실질적으로 증가시키기 않고서 가전기기(200)의 원하는 목적을 달성하기 위한 동작 시간을 감소시킬 수 있다. 예를 들어, 세탁기의 탈수 모드에서, 동작 프로파일의 평균 소음 레벨을 증가시킴으로써 탈수 동작에 요구되는 탈수 시간이 감소될 수 있다.
사용자의 행동 유형에 기초하여 동작 프로파일 설정
도 6은 본 발명의 일 실시예에 따라 사용자의 행동 유형에 기초하여 동작 프로파일을 변경하는 예시적인 방법을 나타내는 흐름도이다. 단계 S610에서, 프로세서(210)는 사용자의 행동 유형을 식별한다. 단계 S610은 사용자의 행동 유형을 식별하는 단계 S440과 동일한 단계일 수 있다.
단계 S620에서, 프로세서(210)는 식별된 사용자의 행동 유형이 높은 소음 민감성을 갖는 행동의 범주에 해당하는지 또는 낮은 소음 민감성을 갖는 행동의 범주에 해당하는 여부를 판단한다. 높은 소음 민감성을 갖는 행동의 범주는, 예를 들어, 대화, 통화, 독서, 및 취침 등을 포함할 수 있고, 낮은 소음 민감성을 갖는 행동의 범주는, 예를 들어, 청소하기, 설거지하기, 및 샤워하기 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
식별된 사용자의 행동 유형이 높은 소음 민감성을 갖는 행동의 범주에 해당하는 경우, 단계 S630에서, 프로세서(210)는 임계 동력 레벨 이하의 평균 동력을 갖는 미리 설정된 프로파일로 동작 프로파일을 설정하거나, 또는 동작 중인 동작 프로파일에 비교할 때 평균 소음 레벨이 감소하도록 동작 프로파일을 수정할 수 있다. 이와 같이, 동작 프로파일의 평균 소음 레벨을 낮춤으로써, 사용자의 집중을 요구하는 행동에 대한 동작 소음의 방해 및 이에 따른 사용자의 불편함을 감소시킬 수 있다.
반대로, 단계 S640에서, 프로세서(210)는 사용자의 행동 유형이 낮은 소음 민감성을 갖는 행동의 범주에 해당하는 경우, 임계 동력 레벨 이상의 평균 동력을 갖는 미리 설정된 프로파일로 동작 프로파일을 설정하거나, 또는 동작 중인 동작 프로파일에 비교할 때 평균 소음 레벨이 증가하도록 동작 프로파일을 수정할 수 있다. 이와 같이, 동작 프로파일의 평균 소음 레벨을 증가시킴으로써, 동작 소음에 따른 사용자의 불편함을 실질적으로 증가시키기 않고서 가전기기(200)의 원하는 목적을 달성하기 위한 동작 시간을 감소시킬 수 있다.
사용자의 체감 소음의 레벨에 따라 동작 프로파일 설정
도 7은 본 발명의 일 실시예에 따라 사용자의 체감 소음에 기초하여 동작 프로파일을 변경하는 예시적인 방법을 나타내는 흐름도이다.
단계 S710에서, 프로세서(210)는 사용자에 의해 체감되는 체감 소음의 레벨을 추정한다. 단계 S710은 사용자의 체감 소음을 추정하는 단계 S350과 동일한 단계일 수 있다.
단계 S720에서, 프로세서(210)는 가전기기(200)의 동작 소음에 의해 유발되는 사용자의 체감 소음의 허용 한계인 임계 소음 레벨을 결정할 수 있다. 임계 소음 레벨은 사용자 주변의 소리의 유형에 기초하여 결정될 수 있고, 사용자 주변의 소리의 유형은 사용자 부근의 홈 디바이스 주변의 소리의 유형으로부터 추정될 수 있다. 사용자 주변의 소리의 유형이 사용자의 집중을 요구하는 소리의 범주에 속하는 경우, 프로세서(210)는 임계 소음 레벨을 제1 소음 레벨로 설정할 수 있다. 사용자 주변의 소리의 유형이 사용자의 집중을 요구하지 않는 소음의 범주에 속하는 경우, 프로세서(210)는 임계 소음 레벨을 제1 소음 레벨보다 높은 제2 소음 레벨로 설정할 수 있다.
이때, 제1 소음 레벨 및 제2 소음 레벨은 각각 사용자 주변의 소리의 레벨에 기초하여 설정될 수 있다. 일 실시예에서, 제1 소음 레벨 및 제2 소음 레벨은 각각 사용자 주변의 소리의 레벨에 대한 제1 분율(fraction) 및 제2 분율로 설정될 수 있다. 예를 들어, 사용자가 TV 시청 중인 경우, 사용자는 TV 소리의 레벨에 대한 -20dB 이상의 소음에 민감할 수 있고, 프로세서(210)는 제1 소음 레벨을 사용자 주변의 소리의 레벨의 0.1배(또는 -20dB)로 설정할 수 있다. 사용자가 청소기를 동작시키고 있는 경우, 사용자는 청소기 소음에 대한 -6dB 이상의 소음에 민감할 수 있고, 프로세서(210)는 제2 소음 레벨을 사용자 주변의 소리의 레벨의 0.5배(또는 -6dB)로 설정할 수 있다. 다른 실시예에서, 제2 소음 레벨은 사용자의 용인 소음 레벨에 기초하여 설정될 수 있다. 예를 들어, 사용자는 70dB 이하의 소음을 용인할 수 있고, 제2 소음 레벨은 가전기기(200)의 동작 소음에 의해 유발되는 사용자의 체감 소음과 사용자 주변의 소리의 합산 소음 레벨이 용인 소음 레벨 이하가 되도록 설정될 수도 있다.
임계 소음 레벨은 또한 사용자의 행동 유형에 기초하여 결정될 수 있다. 사용자의 행동 유형이 높은 소음 민감성을 갖는 행동 유형의 범주에 속하는 경우, 프로세서(210)는 임계 소음 레벨을 제3 소음 레벨로 설정할 수 있다. 사용자의 행동 유형이 낮은 소음 민감성을 갖는 행동 유형의 범주에 속하는 경우, 프로세서(210)는 임계 소음 레벨을 제3 소음 레벨보다 높은 제4 소음 레벨로 설정할 수 있다. 제1 소음 레벨 및 제2 소음 레벨과 마찬가지로, 제3 소음 레벨 및 제4 소음 레벨도 각각 사용자 주변의 소리의 레벨에 기초하여 설정될 수 있다.
임계 소음 레벨은 또한 하루 중의 시간을 고려하여 결정될 수 있다. 프로세서(210)는, 예를 들어, 오후 9시 이후 오전 7시 이전에는 임계 소음 레벨을 제5 소음 레벨로 설정할 수 있고, 오전 7시 이후 오후 9시 이전에는 임계 소음 레벨을 제5 소음 레벨보다 높은 제6 소음 레벨로 설정할 수 있다.
임계 소음 레벨은 상술한 임계 소음 레벨 결정 인자들(사용자 주변의 소리의 유형, 사용자 주변의 소리의 레벨, 사용자의 행동 유형 및 하루 중의 시간) 중 2 이상을 함께 고려하여 결정될 수도 있다.
단계 S730에서, 프로세서(210)는 추정된 사용자의 체감 소음이 임계 소음 레벨과 비교된다. 단계 S740에서, 추정된 사용자의 체감 소음이 임계 소음 레벨을 초과하는 경우, 프로세서(210)는 체감 소음이 임계 소음 레벨 이하가 되도록 동작 프로파일을 설정할 수 있다. 예를 들어, 프로세서(210)는 메모리(220)에 저장된 복수의 미리 설정된 동작 프로파일 중에서 임계 소음 레벨 이하의 사용자의 체감 소음을 야기할 동작 프로파일을 선택하거나, 또는 동작 중인 동작 프로파일에 비교할 때 평균 소음 레벨이 감소하도록 동작 프로파일을 수정할 수 있다.
이와 같이, 사용자의 체감 소음에 기초하여 가전기기(200)의 동작 프로파일을 설정함으로써, 동작 소음으로부터 야기되는 사용자의 체감 소음을 임계 소음 레벨 이하로 유지할 수 있고, 동작 소음에 의한 사용자의 불편함을 감소시킬 수 있다.
한편, 임계 소음 레벨은 사용자에 의해 수동으로 선택된 동작 프로파일로부터 기계-학습될 수 있다. 예를 들어, 동작 프로파일이 설정된 후, 사용자가 사용자 인터페이스(250)를 이용하여 수동으로 동작 프로파일을 변경할 수도 있다. 프로세서(210)는 사용자가 선택한 동작 프로파일들을, 그 때의 작업물의 상태, 사용자 주변의 소리의 유형, 사용자 주변의 소리의 레벨, 사용자의 행동 유형 및/또는 하루 중의 시간과 연관시켜 수집하고, 수집된 데이터로부터 사용자가 선호하는 임계 소음 레벨을 기계-학습할 수 있다.
동작 프로파일에 따라 가전기기 구동
단계 S370에서, 프로세서(210)는 변경된 동작 프로파일에 따라 동작하도록 구동부(230)에 명령한다. 이후, 프로세서(210)는 단계 S340 내지 단계 S370을 반복한다. 이로써, 동작 프로파일이 설정된 이후 주변 환경의 상태가 변화하더라도, 동작 소음에 의해 기인하는 사용자의 불편함을 감소시키거나, 또는 사용자의 불편함을 실질적으로 증가시키지 않으면서 가전기기(200)의 동작 시간을 감소시킬 수 있다.
이상 설명된 본 발명의 실시예들에 따른 방법은 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 디바이스를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 개시에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 개시에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명의 실시예를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 홈 네트워크 110: 거실
111: TV 112: 인공 지능(AI) 스피커
113: 에어컨 114: 공기청정기
115: 안마의자 116: 거실조명
117: 홈 제어 및 자동화 시스템 118: 인체 감지 센서
119: 옷장형 의류 관리기 120: 주방
121: 가스 밸브 122: 연기 감지기
123: 급수 밸브 124: 식기세척기
125: 냉장고 126: 주방 조명
130: 세탁실 131: 세탁기
132: 세탁물 건조기 140: 현관 영역
141: 도어락 142: 출입 센서
200: 가전기기 210: 프로세서
220: 메모리 230: 구동부
240: 네트워크 인터페이스 250: 사용자 인터페이스
260: 센서 300: 클라우드 서버

Claims (17)

  1. 프로세서가, 선택된 동작 모드에 대응하는 제1 동작 프로파일에 따라 구동부를 동작시키는 단계;
    상기 프로세서가, 홈 네크워크에 연결된 하나 이상의 홈 디바이스로부터 획득한 동작 상태 정보 및 센서 정보 중 적어도 하나를 기반으로, 사용자의 위치 및 상기 사용자의 동작에 대한 상기 사용자의 행동 유형을 식별하는 단계;
    상기 프로세서가, 상기 구동부의 동작 소음 및 상기 사용자의 위치를 기반으로 상기 사용자에 의해 체감되는 체감 소음의 레벨을 추정하는 단계; 및
    상기 프로세서가, 상기 사용자의 행동 유형 및 상기 체감 소음의 레벨을 기반으로 상기 사용자의 소음 민감성 여부를 판단하고, 상기 소음 민감성이 높으면 상기 구동부의 동작 소음이 낮게 상기 구동부를 동작시키기 위해 상기 제1 동작 프로파일을 제2 동작 프로파일로 변경하는 단계를 포함하는,
    가전기기를 제어하기 위한 방법.
  2. 제 1 항에 있어서,
    상기 체감 소음의 레벨을 추정하는 단계는,
    상기 사용자의 위치와 상기 가전기기 사이의 거리를 추정하고, 상기 거리 및 상기 동작 소음의 레벨을 기반으로 상기 체감 소음의 레벨을 추정하는,
    가전기기를 제어하기 위한 방법.
  3. 제 2 항에 있어서,
    상기 체감 소음의 레벨은,
    상기 거리에 따라 상기 동작 소음의 레벨이 반비례하게 추정하는,
    가전기기를 제어하기 위한 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 제2 동작 프로파일로 변경하는 단계는,
    상기 사용자의 행동 유형이 상기 소음 민감성이 높은 행동 또는 상기 소음 민감성이 낮은 행동인지 판단하고, 상기 소음 민감성이 낮으면 상기 구동부의 동작 소음이 증가되게 상기 체감 소음의 레벨이 임계 동력 레벨 이상의 평균 동력으로 동작되게 상기 구동부를 동작시키기 위한 상기 제2 동작 프로파일로 변경하는,
    가전기기를 제어하기 위한 방법.
  6. 제 1 항에 있어서,
    상기 제1, 2 동작 프로파일은,
    상기 구동부의 평균 동력 레벨이 서로 다르게 적용되어, 상기 구동부의 동작 시간 및 평균 소음 레벨이 서로 다른,
    가전기기를 제어하기 위한 방법.
  7. 구동부;
    홈 네크워크에 연결된 하나 이상의 홈 디바이스로부터 획득한 동작 상태 정보 및 센서 정보 중 적어도 하나를 수신하는 네트워크 인터페이스; 및
    상기 구동부를 제1 동작 프로파일에 따라 동작시키고, 상기 동작 상태 정보 및 상기 센서 정보를 기반으로 상기 제1 동작 프로파일을 제2 동작 프로파일로 변경하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 동작 상태 정보 및 상기 센서 정보 중 적어도 하나를 기반으로, 사용자의 위치 및 상기 사용자의 동작에 대한 상기 사용자의 행동 유형을 식별하고,
    상기 구동부의 동작 소음 및 상기 사용자의 위치를 기반으로 상기 사용자에 의해 체감되는 체감 소음의 레벨을 추정하며,
    상기 사용자의 행동 유형 및 상기 체감 소음의 레벨을 기반으로 상기 사용자의 소음 민감성 여부를 판단하고, 상기 소음 민감성이 높으면 상기 구동부의 동작 소음이 낮게 상기 구동부를 동작시키기 위해 상기 제1 동작 프로파일을 상기 제2 동작 프로파일로 변경하는,
    가전기기.
  8. 제 7 항에 있어서,
    상기 프로세서는,
    상기 사용자의 위치와 상기 가전기기 사이의 거리를 추정하고, 상기 거리 및 상기 동작 소음의 레벨을 기반으로 상기 체감 소음의 레벨을 추정하는,
    가전기기.
  9. 제 8 항에 있어서,
    상기 프로세서는,
    상기 거리에 따라 상기 동작 소음의 레벨이 반비례하게 적용하여 상기 체감 소음의 레벨을 추정하는,
    가전기기.
  10. 제 7 항에 있어서,
    상기 프로세서는,
    상기 사용자의 행동 유형이 상기 소음 민감성이 높은 행동 또는 상기 소음 민감성이 낮은 행동인지 판단하고, 상기 소음 민감성이 높으면 상기 구동부의 동작 소음이 낮아지게 상기 체감 소음의 레벨이 설정된 임계 동력 레벨 미만의 평균 동력으로 동작되게 상기 구동부를 동작시키기 위한 상기 제2 동작 프로파일로 변경하는,
    가전기기.
  11. 제 7 항에 있어서,
    상기 프로세서는,
    상기 사용자의 행동 유형이 상기 소음 민감성이 높은 행동 또는 상기 소음 민감성이 낮은 행동인지 판단하고, 상기 소음 민감성이 낮으면 상기 구동부의 동작 소음이 증가되게 상기 체감 소음의 레벨이 임계 동력 레벨 이상의 평균 동력으로 동작되게 상기 구동부를 동작시키기 위한 상기 제2 동작 프로파일로 변경하는,
    가전기기.
  12. 제 7 항에 있어서,
    상기 제1, 2 동작 프로파일은,
    상기 구동부의 평균 동력 레벨이 서로 다르게 적용되어, 상기 구동부의 동작 시간 및 평균 소음 레벨이 서로 다른,
    가전기기.
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
KR1020190087595A 2019-07-19 2019-07-19 가전기기 및 이를 제어하기 위한 방법 Active KR102868898B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190087595A KR102868898B1 (ko) 2019-07-19 2019-07-19 가전기기 및 이를 제어하기 위한 방법
US16/543,413 US10787762B2 (en) 2019-07-19 2019-08-16 Home appliance and method for controlling the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190087595A KR102868898B1 (ko) 2019-07-19 2019-07-19 가전기기 및 이를 제어하기 위한 방법

Publications (2)

Publication Number Publication Date
KR20190092329A KR20190092329A (ko) 2019-08-07
KR102868898B1 true KR102868898B1 (ko) 2025-10-02

Family

ID=67621827

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190087595A Active KR102868898B1 (ko) 2019-07-19 2019-07-19 가전기기 및 이를 제어하기 위한 방법

Country Status (2)

Country Link
US (1) US10787762B2 (ko)
KR (1) KR102868898B1 (ko)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11032653B2 (en) * 2018-05-07 2021-06-08 Cochlear Limited Sensory-based environmental adaption
EP3835895B1 (en) * 2019-12-13 2025-02-26 Tata Consultancy Services Limited Multi-agent deep reinforcement learning for dynamically controlling electrical equipment in buildings
WO2021151023A1 (en) * 2020-01-22 2021-07-29 Relajet Tech (Taiwan) Co., Ltd. System and method of active noise cancellation in open field
US11381972B2 (en) * 2020-02-24 2022-07-05 Bank Of America Corporation Optimizing authentication and management of wireless devices in zero trust computing environments
KR20220000276A (ko) 2020-06-25 2022-01-03 삼성전자주식회사 건조 장치 및 그의 제어 방법
CN113944035A (zh) * 2020-07-16 2022-01-18 青岛海尔洗衣机有限公司 洗衣机的控制方法、装置、洗衣机、及存储介质
CN114075742B (zh) * 2020-08-11 2023-12-15 佛山海尔滚筒洗衣机有限公司 洗衣模式的确定方法、装置及洗衣机
TWI802108B (zh) * 2021-05-08 2023-05-11 英屬開曼群島商意騰科技股份有限公司 降低聲學回音之語音處理裝置及其方法
CN113378856A (zh) * 2021-06-24 2021-09-10 重庆大学 一种基于人工智能的嵌入式输变电装备红外检测方法
CN113534672B (zh) * 2021-06-28 2025-03-21 青岛海尔空调器有限总公司 用于控制智能设备的方法、装置及智能设备
CN113359506B (zh) * 2021-07-29 2023-12-26 Oppo广东移动通信有限公司 家居设备的控制系统、方法、装置及无线通信模块
US20230130241A1 (en) * 2021-10-25 2023-04-27 At&T Intellectual Property I, L.P. Interface for dynamic monitoring of real property environmental conditions via fixed and mobile sensor devices
KR102389693B1 (ko) * 2021-11-05 2022-04-22 (주)동신정보통신 백색 소음기를 이용한 소음 방지 시스템
WO2023080577A1 (en) 2021-11-06 2023-05-11 Samsung Electronics Co., Ltd. Methods and systems for controlling internet of things devices by predicting next user action
CN115262172A (zh) * 2022-05-31 2022-11-01 海信（山东）冰箱有限公司 一种洗衣机及其控制方法
CN115478403B (zh) * 2022-09-02 2025-08-01 长虹美菱股份有限公司 一种可智能处理噪音影响的洗衣机及其控制方法
CN115685773B (zh) * 2022-09-13 2025-05-02 深圳绿米联创科技有限公司 环境状态调节方法、装置、系统和电子设备
CN116479615B (zh) * 2023-04-18 2025-07-15 海信冰箱有限公司 控制衣物处理设备盖体关闭的方法及装置
CN116578007A (zh) * 2023-05-17 2023-08-11 深圳市金地楼宇工程有限公司 智慧空间操作方法及系统
KR102687117B1 (ko) * 2023-08-28 2024-07-23 주식회사 한국전기설계감리기술단 사물인터넷(IoT)을 이용한 공동주택 전기의 안전관리 시스템
WO2025070921A1 (en) * 2023-09-29 2025-04-03 Samsung Electronics Co., Ltd. Device and method for user discomfort management for ar/vr applications in smart home environment

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR950006085A (ko) 1993-08-25 1995-03-20 이헌조 전자동 세탁기의 소음 조절장치
US6137886A (en) * 1994-07-18 2000-10-24 Cooper Tire & Rubber Company Active vibration control method and apparatus
KR0146636B1 (ko) 1994-12-29 1998-08-17 정장호 Aetb-m 보드의 기능시험을 위한 인터페이스 장치
US20040122614A1 (en) * 1996-11-14 2004-06-24 Lg Electronics, Inc. Noise controller for controlling noise and method of removing noise
KR101466336B1 (ko) 2008-05-16 2014-11-27 삼성전자 주식회사 세탁기 및 그 음향제어방법
US10178474B2 (en) * 2015-04-21 2019-01-08 Google Llc Sound signature database for initialization of noise reduction in recordings
KR102487902B1 (ko) * 2015-12-23 2023-01-12 삼성전자주식회사 전자기기를 제어하는 방법 및 장치
KR102516111B1 (ko) * 2016-02-24 2023-03-30 삼성전자주식회사 전자 장치, 적어도 하나의 스마트 장치를 이용한 서버의 사용자 환경 제어 방법 및 서버
US11314215B2 (en) * 2017-09-15 2022-04-26 Kohler Co. Apparatus controlling bathroom appliance lighting based on user identity
US10709335B2 (en) * 2017-12-31 2020-07-14 Google Llc Infant monitoring system with observation-based system control and feedback loops

Also Published As

Publication number Publication date
US20190368103A1 (en) 2019-12-05
US10787762B2 (en) 2020-09-29
KR20190092329A (ko) 2019-08-07

Similar Documents

Publication Publication Date Title
KR102868898B1 (ko) 가전기기 및 이를 제어하기 위한 방법
KR102618721B1 (ko) 공기 청정기 및 이의 동작 방법
US11189284B2 (en) Apparatus for communicating with voice recognition device, apparatus with voice recognition capability and controlling method thereof
US10931758B2 (en) Utilizing context information of environment component regions for event/activity prediction
US11050577B2 (en) Automatically learning and controlling connected devices
KR102639900B1 (ko) 공기 조화기
KR102786647B1 (ko) 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템
US10535349B2 (en) Controlling connected devices using a relationship graph
CN111334972B (zh) 洗涤调度装置及其方法
KR102824614B1 (ko) 노이즈 관리가 가능한 전자기기 및 이의 제어 방법
KR102826066B1 (ko) 로봇 청소기 및 이를 동작시키기 위한 방법
US9869484B2 (en) Predictively controlling an environmental control system
US11539546B2 (en) Home appliances and method for controlling home appliances
US20160201933A1 (en) Predictively controlling an environmental control system
KR20190101924A (ko) 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법
US10605470B1 (en) Controlling connected devices using an optimization function
CN111334982A (zh) 洗涤物处理装置及其操作方法
WO2019199365A2 (en) Utilizing context information of environment component regions for event/activity prediction
KR100809659B1 (ko) 지능형 홈 서비스 제공 시스템 및 방법
Sultana et al. DyCoDe: Dynamic Context Detection from Voice Commands and Conversations in Smart Homes
CN120126466A (zh) 离线语音交互控制方法及装置
KR20230083472A (ko) Ai 이동 로봇을 탑재한 이동식 세발기 시스템

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

PN2301 Change of applicant

St.27 status event code: A-3-3-R10-R13-asn-PN2301

St.27 status event code: A-3-3-R10-R11-asn-PN2301

A201 Request for examination
PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

R17-X000 Change to representative recorded

St.27 status event code: A-3-3-R10-R17-oth-X000

PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

E90F Notification of reason for final refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

D22 Grant of ip right intended

Free format text: ST27 STATUS EVENT CODE: A-1-2-D10-D22-EXM-PE0701 (AS PROVIDED BY THE NATIONAL OFFICE)

PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

F11 Ip right granted following substantive examination

Free format text: ST27 STATUS EVENT CODE: A-2-4-F10-F11-EXM-PR0701 (AS PROVIDED BY THE NATIONAL OFFICE)

PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

U11 Full renewal or maintenance fee paid

Free format text: ST27 STATUS EVENT CODE: A-2-2-U10-U11-OTH-PR1002 (AS PROVIDED BY THE NATIONAL OFFICE)

Year of fee payment: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

Q13 Ip right document published

Free format text: ST27 STATUS EVENT CODE: A-4-4-Q10-Q13-NAP-PG1601 (AS PROVIDED BY THE NATIONAL OFFICE)