KR20180058511A

KR20180058511A - 이동 로봇 및 그 제어방법

Info

Publication number: KR20180058511A
Application number: KR1020160157552A
Authority: KR
Inventors: 노동기; 백승면; 백승민; 이성훈
Original assignee: 엘지전자 주식회사
Priority date: 2016-11-24
Filing date: 2016-11-24
Publication date: 2018-06-01
Also published as: TW201825037A; US20220265106A1; EP3950234A1; US11737635B2; WO2018097574A1; KR102662949B1; TWI660703B; US11330948B2; AU2017363769B2; EP3546139A1; US20190320867A1; EP3950234B1; EP3546139A4; EP3546139B1; AU2017363769A1

Abstract

본 발명의 일 측면에 따른 이동 로봇은, 본체를 이동시키는 주행부, 본체 주변의 영상을 획득하는 영상획득부, 이동 중 장애물을 감지하는 하나 이상의 센서를 포함하는 센서부, 센서부가 장애물을 감지하면, 영상획득부가 획득하는 영상에 기초하여 감지된 장애물의 속성을 인식하고, 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 제어부, 및, 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 기설정된 음향을 출력하는 음향 출력부를 포함함으로써, 안정성, 사용자의 편의성, 운전 효율, 청소 효율을 향상시킬 수 있다.

Description

이동 로봇 및 그 제어방법{Moving robot and control method thereof}

본 발명은 이동 로봇 및 그 제어방법에 관한 것으로서, 더욱 상세하게는 이동 가능한 장애물 등 장애물을 인식하여 회피주행을 수행할 수 있는 이동 로봇 및 그 제어 방법에 관한 것이다.

로봇은 산업용으로 개발되어 공장 자동화의 일 부분을 담당하여 왔다. 최근에는 로봇을 응용한 분야가 더욱 확대되어, 의료용 로봇, 우주 항공 로봇 등이 개발되고, 일반 가정에서 사용할 수 있는 가정용 로봇도 만들어지고 있다. 이러한 로봇 중에서 자력으로 주행이 가능한 것을 이동 로봇이라고 한다.

가정에서 사용되는 이동 로봇의 대표적인 예는 로봇 청소기로, 로봇 청소기는 일정 영역을 스스로 주행하면서, 주변의 먼지 또는 이물질을 흡입함으로써, 해당 영역을 청소하는 기기이다.

이동 로봇은, 스스로 이동이 가능하여 이동이 자유롭고, 주행중 장애물 등을 피하기 위한 다수의 센서가 구비되어 장애물을 피해 주행할 수 있다.

일반적으로 이동 로봇의 장애물 감지를 위해 적외선 센서 또는 초음파 센서가 이용된다. 적외선 센서는 장애물에 반사되어 돌아오는 반사광의 광량 또는 수신되는 시간을 통해 장애물의 존재와 거리를 판단하고, 초음파 센서는 소정 주기를 가지는 초음파를 발산하여 장애물에 의해 반사되는 초음파가 있을 경우 초음파 발산 시간과 장애물에 반사되어 되돌아오는 순간의 시간차를 이용하여 장애물과의 거리를 판단한다.

한편, 장애물 인식 및 회피는 이동 로봇의 주행 성능 뿐만 아니라 청소 성능에 큰 영향을 미치므로, 장애물 인식 능력의 신뢰성 확보가 요구된다.

종래 기술(등록특허공보 10-0669892호)은 적외선 센서와 초음파 센서를 조합하여 신뢰성 높은 장애물 인식 기술을 구현하는 기술을 개시한다.

하지만, 종래 기술(등록특허공보 10-0669892호)은 장애물의 속성을 판별하지 못한다는 문제점이 있다.

도 1은 종래의 이동 로봇의 장애물 감지 및 회피 방법에 관한 설명에 참조되는 도면이다.

도 1을 참조하면, 로봇 청소기는 이동하면서 먼지 및 이물질을 흡입하며 청소를 수행한다(S11).

초음파 센서에서 장애물에 의해 반사되는 초음파 신호를 감지하여 장애물의 존재를 인식하고(S12), 인식된 장애물의 높이가 넘을 수 있는 높이 인지 여부를 판단하게 된다(S13).

로봇 청소기는, 넘을 수 있는 높이라고 판단되면 직진으로 이동하고(S14), 그렇지 않은 경우에는 90도 회전(S15)하여 이동할 수 있다.

예를 들어, 장애물이 낮은 문턱인 경우. 로봇 청소기는, 문턱을 인식하고, 인식 결과, 통과할 수 있다고 판단하면, 문턱을 넘어서 이동한다.

하지만, 넘을 수 있는 높이라고 판단한 장애물이 전선이라면 로봇 청소기는 전선을 넘어가다가 전선에 걸려 구속될 수 있다.

또한, 선풍기의 받침대는 문턱과 비슷하거나 낮은 높이를 가지므로, 로봇 청소기는 넘을 수 있는 장애물이라고 판단할 수 있다. 이 경우에, 로봇 청소기는 선풍기의 받침대를 타고 올라가다가 바퀴가 헛돌면서 구속될 수 있다.

또한, 이동 가능한 장애물, 예를 들어, 사람이나 반려동물이 움직이는 경우에, 로봇 청소기의 회피 주행시 로봇 청소기와 충돌할 수 있다.

또한, 사용자가 로봇 청소기의 이동을 보면서 피하는데, 오히려 로봇 청소기가 사용자의 이동 방향으로 이동하여, 사용자의 이동을 방해할 수 있다.

따라서, 전방 장애물의 속성을 파악하여 속성에 맞게 이동 패턴을 변경할 수 있는 방안이 요구된다.

한편, 최근에는 인공지능과 딥러닝 등 머신 러닝에 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.

또한, 인공지능과 머신 러닝을 다양한 제품, 서비스에 이용하기 위한 연구가 증가하고 있다.

등록특허공보 10-0669892호 (등록일자 2007. 1. 10.)

본 발명의 목적은, 장애물의 속성을 판단하고, 장애물 속성에 따라 주행 패턴을 조정할 수 있어, 신뢰성 높은 장애물 인식 및 회피 동작을 수행할 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 장애물 속성 인식의 정확성을 높일 수 있는 영상 데이터를 획득할 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 장애물의 인식 결과에 따라 전진, 후퇴, 정지, 우회 등의 동작을 수행함으로써 이동 로봇 자체의 안정성 및 사용자의 편의성을 제고하고, 운전 효율, 청소 효율을 향상시킬 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 머신 러닝에 기반하여 장애물의 속성을 정확하게 인식할 수 있는 이동 로봇 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 효율적으로 머신 러닝을 수행할 수 있고, 장애물 속성 인식에 사용할 수 있는 데이터를 추출하는 이동 로봇 및 그 제어방법을 제공함에 있다.

상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 이동 로봇은, 본체를 이동시키는 주행부, 본체 주변의 영상을 획득하는 영상획득부, 이동 중 장애물을 감지하는 하나 이상의 센서를 포함하는 센서부, 센서부가 장애물을 감지하면, 영상획득부가 획득하는 영상에 기초하여 감지된 장애물의 속성을 인식하고, 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 제어부, 및, 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 기설정된 음향을 출력하는 음향 출력부를 포함함으로써, 안정성, 사용자의 편의성, 운전 효율, 청소 효율을 향상시킬 수 있다.

또한, 상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 이동 로봇의 제어방법은, 센서부를 통하여, 이동 중 장애물을 감지하는 단계, 센서부가 장애물을 감지하면, 영상획득부가 획득하는 영상에 기초하여 감지된 장애물의 속성을 인식하는 단계, 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 기설정된 음향을 출력하는 단계, 및, 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 단계를 포함할 수 있다.

본 발명의 실시예들 중 적어도 하나에 의하면, 이동 로봇이, 장애물의 속성을 판단하고, 장애물 속성에 따라 주행 패턴을 조정할 수 있어, 신뢰성 높은 장애물 인식 및 회피 동작을 수행할 수 있다.

또한, 본 발명의 실시예들 중 적어도 하나에 의하면, 장애물 속성 인식의 정확성을 높일 수 있는 영상 데이터를 획득할 수 있다.

또한, 본 발명의 실시예들 중 적어도 하나에 의하면, 장애물의 인식 결과에 따라 전진, 후퇴, 정지, 우회 등의 동작을 수행함으로써 이동 로봇 자체의 안정성 및 사용자의 편의성을 제고하고, 운전 효율, 청소 효율을 향상시킬 수 있는 이동 로봇 및 그 제어방법을 제공할 수 있다.

또한, 본 발명의 실시예들 중 적어도 하나에 의하면, 머신 러닝에 기반하여 장애물의 속성을 정확하게 인식할 수 있는 이동 로봇 및 그 제어방법을 제공할 수 있다.

또한, 본 발명의 실시예들 중 적어도 하나에 의하면, 이동 로봇이, 효율적으로 머신 러닝을 수행할 수 있고, 장애물 속성 인식에 사용할 수 있는 데이터를 추출할 수 있다.

도 1은 종래의 이동 로봇의 장애물 감지 및 회피 방법에 관한 설명에 참조되는 도면이다.
도 2는 본 발명의 일 실시예에 따른 이동 로봇 및 이동 로봇을 충전시키는 충전대를 도시한 사시도이다.
도 3은 도 2에 도시된 이동 로봇의 상면부를 도시한 도이다.
도 4는 도 2에 도시된 이동 로봇의 정면부를 도시한 도이다.
도 5는 도 2에 도시된 이동 로봇의 저면부를 도시한 도이다.
도 6은 본 발명의 일 실시예에 따른 이동 로봇의 주요 구성들 간의 제어관계를 도시한 블록도이다.
도 7은 본 발명의 일 실시예에 따른 서버의 간략한 내부 블록도의 일예이다.
도 8은 본 발명의 일 실시예에 따른 이동 로봇과 서버의 동작 방법에 관한 설명에 참조되는 도면이다.
도 9 내지 도 11은 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.
도 12와 도 13은 장애물 인식에 관한 설명에 참조되는 도면이다.
도 14는 본 발명의 일 실시예에 따른 이동 로봇의 사시도이다.
도 15는 도 14에 도시된 이동 로봇의 장애물 감지 센서의 전면도와 측면도이다.
도 16 내지 도 18은 도 14에 도시된 이동 로봇의 장애물 감지 센서의 동작에 관한 설명에 참조되는 도면이다.
도 19와 도 20은 본 발명의 일 실시예에 따른 이동 로봇의 장애물 감지 센서 유닛을 도시한 도면이다.
도 21은 도 19와 도 20에 도시된 센서 유닛의 장애물 또는 거리 감지 원리를 설명하는데 참조되는 도면이다.
도 22는 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 23은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.
도 24 내지 도 32는 본 발명의 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.

이하에서는 첨부한 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. 그러나 본 발명이 이러한 실시예에 한정되는 것은 아니며 다양한 형태로 변형될 수 있음은 물론이다.

도면에서는 본 발명을 명확하고 간략하게 설명하기 위하여 설명과 관계없는 부분의 도시를 생략하였으며, 명세서 전체를 통하여 동일 또는 극히 유사한 부분에 대해서는 동일한 도면 참조부호를 사용한다.

한편, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.

본 발명의 일 실시예에 따른 이동 로봇(100)은 바퀴 등을 이용하여 스스로 이동이 가능한 로봇을 의미하고, 가정 도우미 로봇 및 로봇 청소기 등이 될 수 있다. 이하에서는, 도면들을 참조하여, 이동 로봇 중 청소 기능을 가지는 로봇 청소기를 예로 들어 설명하나, 본 발명은 이에 한정되지 않는다.

도 2는 본 발명의 일 실시예에 따른 이동 로봇 및 이동 로봇을 충전시키는 충전대를 도시한 사시도이다.

도 3은 도 2에 도시된 이동 로봇의 상면부를 도시한 도이며, 도 4는 도 2에 도시된 이동 로봇의 정면부를 도시한 도이고, 도 5는 도 2에 도시된 이동 로봇의 저면부를 도시한 도이다.

도 6은 본 발명의 일 실시예에 따른 이동 로봇의 주요 구성들 간의 제어관계를 도시한 블록도이다.

도 2 내지 도 6을 참조하면, 이동 로봇(100)은, 본체(110)와, 본체(110) 주변의 영상을 획득하는 영상획득부(120, 120a, 120b)를 포함한다.

이하, 본체(110)의 각부분을 정의함에 있어서, 주행구역 내의 천장을 향하는 부분을 상면부(도 3 참조)로 정의하고, 주행구역 내의 바닥을 향하는 부분을 저면부(도 5 참조)로 정의하며, 상면부와 저면부 사이에서 본체(110)의 둘레를 이루는 부분 중 주행방향을 향하는 부분을 정면부(도 4 참조)라고 정의한다.

이동 로봇(100)은 본체(110)를 이동시키는 주행부(160)를 포함한다. 주행부(160)는 본체(110)를 이동시키는 적어도 하나의 구동 바퀴(136)를 포함한다. 주행부(160)는 구동 바퀴(136)에 연결되어 구동 바퀴를 회전시키는 구동 모터(미도시)를 포함한다. 구동 바퀴(136)는 본체(110)의 좌, 우 측에 각각 구비될 수 있으며, 이하, 각각 좌륜(136(L))과 우륜(136(R))이라고 한다.

좌륜(136(L))과 우륜(136(R))은 하나의 구동 모터에 의해 구동될 수도 있으나, 필요에 따라 좌륜(136(L))을 구동시키는 좌륜 구동 모터와 우륜(136(R))을 구동시키는 우륜 구동 모터가 각각 구비될 수도 있다. 좌륜(136(L))과 우륜(136(R))의 회전 속도에 차이를 두어 좌측 또는 우측으로 본체(110)의 주행방향을 전환할 수 있다.

본체(110)의 저면부에는 공기의 흡입이 이루어지는 흡입구(110h)가 형성될 수 있으며, 본체(110) 내에는 흡입구(110h)를 통해 공기가 흡입될 수 있도록 흡입력을 제공하는 흡입장치(미도시)와, 흡입구(110h)를 통해 공기와 함께 흡입된 먼지를 집진하는 먼지통(미도시)이 구비될 수 있다.

본체(110)는 이동 로봇(100)을 구성하는 각종 부품들이 수용되는 공간을 형성하는 케이스(111)를 포함할 수 있다. 케이스(111)에는 상기 먼지통의 삽입과 탈거를 위한 개구부가 형성될 수 있고, 개구부를 여닫는 먼지통 커버(112)가 케이스(111)에 대해 회전 가능하게 구비될 수 있다.

흡입구(110h)를 통해 노출되는 솔들을 갖는 롤형의 메인 브러시(134)와, 본체(110)의 저면부 전방측에 위치하며, 방사상으로 연장된 다수개의 날개로 이루어진 솔을 갖는 보조 브러시(135)가 구비될 수 있다. 이들 브러시(134, 135)들의 회전에 의해 주행구역 내 바닥으로부터 먼지들이 분리되며, 이렇게 바닥으로부터 분리된 먼지들은 흡입구(110h)를 통해 흡입되어 먼지통에 모인다.

배터리(138)는 구동 모터뿐만 아니라, 이동 로봇(100)의 작동 전반에 필요한 전원을 공급한다. 배터리(138)가 방전될 시, 이동 로봇(100)은 충전을 위해 충전대(200)로 복귀하는 주행을 실시할 수 있으며, 이러한 복귀 주행 중, 이동 로봇(100)은 스스로 충전대(200)의 위치를 탐지할 수 있다.

충전대(200)는 소정의 복귀 신호를 송출하는 신호 송출부(미도시)를 포함할 수 있다. 복귀 신호는 초음파 신호 또는 적외선 신호일 수 있으나, 반드시 이에 한정되는 것은 아니다.

이동 로봇(100)은 복귀 신호를 수신하는 신호 감지부(미도시)를 포함할 수 있다. 충전대(200)는 신호 송출부를 통해 적외선 신호를 송출하고, 신호 감지부는 적외선 신호를 감지하는 적외선 센서를 포함할 수 있다. 이동 로봇(100)은 충전대(200)로부터 송출된 적외선 신호에 따라 충전대(200)의 위치로 이동하여 충전대(200)와 도킹(docking)한다. 이러한 도킹에 의해 이동 로봇(100)의 충전 단자(133)와 충전대(200)의 충전 단자(210) 간에 충전에 이루어진다.

영상획득부(120)는 주행구역을 촬영하는 것으로, 카메라 모듈을 포함할 수 있다. 상기 카메라 모듈은 디지털 카메라를 포함할 수 있다. 디지털 카메라는 적어도 하나의 광학렌즈와, 광학렌즈를 통과한 광에 의해 상이 맺히는 다수개의 광다이오드(photodiode, 예를 들어, pixel)를 포함하여 구성된 이미지센서(예를 들어, CMOS image sensor)와, 광다이오드들로부터 출력된 신호를 바탕으로 영상을 구성하는 디지털 신호 처리기(DSP: Digital Signal Processor)를 포함할 수 있다. 디지털 신호 처리기는 정지영상은 물론이고, 정지영상으로 구성된 프레임들로 이루어진 동영상을 생성하는 것도 가능하다.

바람직하게, 영상획득부(120)는, 본체(110) 전방의 영상을 획득하도록 구비되는 전면 카메라(120a)와 본체(110)의 상면부에 구비되어, 주행구역 내의 천장에 대한 영상을 획득하는 상부 카메라(120b)를 구비하나, 영상획득부(120)의 위치와 촬영범위가 반드시 이에 한정되어야 하는 것은 아니다.

본 실시예의 경우, 이동 로봇의 일부 부위(ex, 전방, 후방, 저면)에 카메라가 설치되어 있으며, 청소 시에 촬상영상을 지속적으로 획득할 수 있다. 이러한 카메라는 촬영 효율을 위해 각 부위별로 여러 개가 설치될 수도 있다. 카메라에 의해 촬상된 영상은 해당 공간에 존재하는 먼지, 머리카락, 바닥 등과 같은 물질의 종류 인식, 청소 여부, 또는 청소 시점을 확인하는데 사용할 수 있다.

전면 카메라(120a)는 이동 로봇(100)의 주행 방향 전면에 존재하는 장애물 또는 청소 영역의 상황을 촬영할 수 있다.

본 발명의 일 실시예에 따르면, 상기 영상획득부(120)는 본체(110) 주변을 연속적으로 촬영하여 복수의 영상을 획득할 수 있고, 획득된 복수의 영상은 저장부(150)에 저장될 수 있다.

이동 로봇(100)은 복수의 영상을 이용하여 장애물 인식의 정확성을 높이거나, 복수의 영상 중 하나 이상의 영상을 선택하여 효과적인 데이터를 사용함으로써 장애물 인식의 정확성을 높일 수 있다.

또한, 이동 로봇(100)은 이동 로봇의 동작, 상태와 관련된 각종 데이터를 센싱하는 센서들을 포함하는 센서부(170)를 포함할 수 있다.

예를 들어, 상기 센서부(170)는 전방의 장애물을 감지하는 장애물 감지 센서(131)를 포함할 수 있다. 또한, 상기 센서부(170)는 주행구역 내 바닥에 낭떠러지의 존재 여부를 감지하는 낭떠러지 감지센서(132)와, 바닥의 영상을 획득하는 하부 카메라 센서(139)를 더 포함할 수 있다.

도 2와 도 4를 참조하면, 상기 장애물 감지 센서(131)는 이동 로봇(100)의 외주면에 일정 간격으로 설치되는 복수의 센서를 포함할 수 있다.

예를 들어, 상기 센서부(170)는, 상기 본체(110)의 전면에 배치되는 제1 센서, 상기 제1 센서로부터 좌, 우로 이격되도록 배치되는 제2 센서 및 제3 센서를 포함할 수 있다.

상기 장애물 감지 센서(131)는, 적외선 센서, 초음파 센서, RF 센서, 지자기 센서, PSD(Position Sensitive Device) 센서 등을 포함할 수 있다.

한편, 상기 장애물 감지 센서(131)에 포함되는 센서의 위치와 종류는 이동 로봇의 기종에 따라 달라질 수 있고, 상기 장애물 감지 센서(131)는 더 다양한 센서를 포함할 수 있다.

상기 장애물 감지 센서(131)는 실내의 벽이나 장애물과의 거리를 감지하는 센서로, 본 발명은 그 종류에 한정되지 않으나, 이하에서는 초음파 센서를 예시하여 설명하고, 도 14 내지 도 21을 참조하여 예시적인 다른 방식의 장애물 감지 방식을 설명한다.

상기 장애물 감지 센서(131)는 이동 로봇의 주행(이동) 방향에 존재하는 물체, 특히 장애물을 감지하여 장애물 정보를 제어부(140)에 전달한다. 즉, 상기 장애물 감지 센서(131)는, 이동 로봇의 이동 경로, 전방이나 측면에 존재하는 돌출물, 집안의 집기, 가구, 벽면, 벽 모서리 등을 감지하여 그 정보를 제어 유닛에 전달할 수 있다.

이때, 제어부(140)는 초음파 센서를 통해 수신된 적어도 2 이상의 신호에 기초하여 장애물의 위치를 감지하고, 감지된 장애물의 위치에 따라 이동 로봇(100)의 움직임을 제어할 수 있다.

실시예에 따라서는, 케이스(110)의 외측면에 구비되는 장애물 감지 센서(131)는 발신부와 수신부를 포함하여 구성될 수 있다.

예를 들어, 초음파 센서는 적어도 하나 이상의 발신부 및 적어도 2 이상의 수신부가 서로 엇갈리도록 구비될 수 있다. 이에 따라, 다양한 각도로 신호를 방사하고, 장애물에 반사된 신호를 다양한 각도에서 수신할 수 있다.

실시예에 따라서는, 장애물 감지 센서(131)에서 수신된 신호는, 증폭, 필터링 등의 신호 처리 과정을 거칠 수 있고, 이후 장애물까지의 거리 및 방향이 산출될 수 있다.

한편, 상기 센서부(170)는 본체(110)의 구동에 따른 이동 로봇(100)의 동작을 감지하고 동작 정보를 출력하는 동작 감지 센서를 더 포함할 수 있다. 예를 들어, 동작 감지 센서로는, 자이로 센서(Gyro Sensor), 휠 센서(Wheel Sensor), 가속도 센서(Acceleration Sensor) 등을 사용할 수 있다.

자이로 센서는, 이동 로봇(100)이 운전 모드에 따라 움직일 때 회전 방향을 감지하고 회전각을 검출한다. 자이로 센서는, 이동 로봇(100)의 각속도를 검출하여 각속도에 비례하는 전압 값을 출력한다. 제어부(140)는 자이로 센서로부터 출력되는 전압 값을 이용하여 회전 방향 및 회전각을 산출한다.

휠 센서는, 좌륜(136(L))과 우륜(136(R))에 연결되어 바퀴의 회전수를 감지한다. 여기서, 휠 센서는 로터리 엔코더(Rotary Encoder)일 수 있다. 로터리 엔코더는 좌륜(136(L))과 우륜(136(R))의 회전수를 감지하여 출력한다.

제어부(140)는 회전수를 이용하여 좌, 우측 바퀴의 회전 속도를 연산할 수 있다. 또한, 제어부(140)는 좌륜(136(L))과 우륜(136(R))의 회전수 차이를 이용하여 회전각을 연산할 수 있다.

가속도 센서는, 이동 로봇(100)의 속도 변화, 예를 들어, 출발, 정지, 방향 전환, 물체와의 충돌 등에 따른 이동 로봇(100)의 변화를 감지한다. 가속도 센서는 주 바퀴나 보조바퀴의 인접 위치에 부착되어, 바퀴의 미끄러짐이나 공회전을 검출할 수 있다.

또한, 가속도 센서는 제어부(140)에 내장되어 이동 로봇(100)의 속도 변화를 감지할 수 있다. 즉, 가속도 센서는 속도 변화에 따른 충격량을 검출하여 이에 대응하는 전압 값을 출력한다. 따라서, 가속도 센서는 전자식 범퍼의 기능을 수행할 수 있다.

제어부(140)는 동작 감지 센서로부터 출력된 동작 정보에 기초하여 이동 로봇(100)의 위치 변화를 산출할 수 있다. 이러한 위치는 영상 정보를 이용한 절대 위치에 대응하여 상대 위치가 된다. 이동 로봇은 이러한 상대 위치 인식을 통해 영상 정보와 장애물 정보를 이용한 위치 인식의 성능을 향상시킬 수 있다.

한편, 이동 로봇(100)은 충전 가능한 배터리(138)를 구비하여 로봇 청소기 내로 전원을 공급하는 전원 공급부(미도시)를 포함할 수 있다.

상기 전원 공급부는 이동 로봇(100)의 각 구성 요소들에 구동 전원과, 동작 전원을 공급하며, 전원 잔량이 부족하면 충전대(200)에서 충전 전류를 공급받아 충전될 수 있다.

이동 로봇(100)은 배터리(138)의 충전 상태를 감지하고, 감지 결과를 제어부(140)에 전송하는 배터리 감지부(미도시)를 더 포함할 수 있다. 배터리(138)는 배터리 감지부와 연결되어 배터리 잔량 및 충전 상태가 제어부(140)에 전달된다. 배터리 잔량은 출력부(180)의 디스플레이(182)에 표시될 수 있다.

또한, 이동 로봇(100)은 온/오프(On/Off) 또는 각종 명령을 입력할 수 있는 조작부(137)를 포함한다. 조작부(137)를 통해 이동 로봇(100)의 작동 전반에 필요한 각종 제어명령을 입력받을 수 있다.

또한, 이동 로봇(100)은 출력부(180)를 포함하여, 예약 정보, 배터리 상태, 동작모드, 동작상태, 에러상태 등을 이미지로 표시하거나 음향으로 출력할 수 있다.

출력부(180)는 오디오 신호를 출력하는 음향 출력부(181)를 포함할 수 있다. 음향 출력부(181)는 제어부(140)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지 등을 음향으로 출력할 수 있다. 음향 출력부(181)는, 제어부(140)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 스피커 등을 구비할 수 있다.

또한, 출력부(180)는 예약 정보, 배터리 상태, 동작모드, 동작상태, 에러상태 등을 이미지로 표시하는 디스플레이(182)를 더 포함할 수 있다.

도 6을 참조하면, 이동 로봇(100)은 현재 위치를 인식하는 등 각종 정보를 처리하고 판단하는 제어부(140), 및 각종 데이터를 저장하는 저장부(150)를 포함한다. 또한, 이동 로봇(100)은 외부 단말기와 데이터를 송수신하는 통신부(190)를 더 포함할 수 있다.

외부 단말기는 이동 로봇(100)을 제어하기 위한 애플리케이션을 구비하고, 애플리케이션의 실행을 통해 이동 로봇(100)이 청소할 주행구역에 대한 맵을 표시하고, 맵 상에 특정 영역을 청소하도록 영역을 지정할 수 있다. 외부 단말기는 맵 설정을 위한 애플리케이션(application)이 탑재된 리모콘, PDA, 랩탑(laptop), 스마트 폰, 태블릿 등을 예로 들 수 있다.

외부 단말기는 이동 로봇(100)과 통신하여, 맵과 함께 이동 로봇의 현재 위치를 표시할 수 있으며, 복수의 영역에 대한 정보가 표시될 수 있다. 또한, 외부 단말기는 이동 로봇의 주행에 따라 그 위치를 갱신하여 표시한다.

제어부(140)는 이동 로봇(100)를 구성하는 영상획득부(120), 조작부(137), 주행부(160) 등을 제어하여, 이동 로봇(100)의 동작 전반을 제어한다.

저장부(150)는 이동 로봇(100)의 제어에 필요한 각종 정보들을 기록하는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 기록 매체는 마이크로 프로세서(micro processor)에 의해 읽힐 수 있는 데이터를 저장한 것으로, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등을 포함할 수 있다.

또한, 저장부(150)에는 주행구역에 대한 맵(Map)이 저장될 수 있다. 맵은 이동 로봇(100)과 유선 또는 무선 통신을 통해 정보를 교환할 수 있는 외부 단말기, 서버 등에 의해 입력된 것일 수도 있고, 이동 로봇(100)이 스스로 학습을 하여 생성한 것일 수도 있다.

맵에는 주행구역 내의 방들의 위치가 표시될 수 있다. 또한, 이동 로봇(100)의 현재 위치가 맵 상에 표시될 수 있으며, 맵 상에서의 이동 로봇(100)의 현재의 위치는 주행 과정에서 갱신될 수 있다. 외부 단말기는 저장부(150)에 저장된 맵과 동일한 맵을 저장한다.

상기 저장부(150)는 청소 이력 정보를 저장할 수 있다. 이러한 청소 이력 정보는 청소를 수행할 때마다 생성될 수 있다.

상기 저장부(150)에 저장되는 주행구역에 대한 맵은, 청소 중 주행에 사용되는 내비게이션 맵(Navigation map), 위치 인식에 사용되는 SLAM(Simultaneous localization and mapping) 맵, 장애물 등에 부딪히면 해당 정보를 저장하여 학습 청소시 사용하는 학습 맵, 전역 위치 인식에 사용되는 전역 위치 맵, 인식된 장애물에 관한 정보가 기록되는 장애물 인식 맵 등일 수 있다.

한편, 상술한 바와 같이 용도별로 상기 저장부(150)에 맵들을 구분하여 저장, 관리할 수 있지만, 맵이 용도별로 명확히 구분되지 않을 수도 있다. 예를 들어, 적어도 2 이상의 용도로 사용할 수 있도록 하나의 맵에 복수의 정보를 저장할 수도 있다.

제어부(140)는 주행제어모듈(141), 위치인식모듈(142), 지도생성모듈(143) 및 장애물인식모듈(144)을 포함할 수 있다.

도 2 내지 도 6을 참조하면, 주행제어모듈(141)은 이동 로봇(100)의 주행을 제어하는 것으로, 주행 설정에 따라 주행부(160)의 구동을 제어한다. 또한, 주행제어모듈(141)은 주행부(160)의 동작을 바탕으로 이동 로봇(100)의 주행경로를 파악할 수 있다. 예를 들어, 주행제어모듈(141)은 구동 바퀴(136)의 회전속도를 바탕으로 이동 로봇(100)의 현재 또는 과거의 이동속도, 주행한 거리 등을 파악할 수 있으며, 각 구동 바퀴(136(L), 136(R))의 회전 방향에 따라 현재 또는 과거의 방향 전환 과정 또한 파악할 수 있다. 이렇게 파악된 이동 로봇(100)의 주행 정보를 바탕으로, 맵 상에서 이동 로봇(100)의 위치가 갱신될 수 있다.

지도생성모듈(143)은 주행구역의 맵을 생성할 수 있다. 지도생성모듈(143)은 영상획득부(120)를 통해 획득한 영상을 처리하여 맵을 작성할 수 있다. 즉, 청소 영역과 대응되는 청소 맵을 작성할 수 있다.

또한, 지도생성모듈(143)은 각 위치에서 영상획득부(120)를 통해 획득한 영상을 처리하여 맵과 연계시켜 전역위치를 인식할 수 있다.

위치인식모듈(142)은 현재 위치를 추정하여 인식한다. 위치인식모듈(142)은 영상획득부(120)의 영상 정보를 이용하여 지도생성모듈(143)과 연계하여 위치를 파악함으로써, 이동 로봇(100)의 위치가 갑자기 변경되는 경우에도 현재 위치를 추정하여 인식할 수 있다.

이동 로봇(100)은 위치인식모듈(142)을 통해 연속적인 주행 중에 위치 인식이 가능하고 또한, 위치인식모듈(142) 없이 지도생성모듈(143) 및 장애물인식모듈(144)을 통해, 맵을 학습하고 현재 위치를 추정할 수 있다.

이동 로봇(100)이 주행하는 중에, 영상획득부(120)는 이동 로봇(100) 주변의 영상들을 획득한다. 이하, 영상획득부(120)에 의해 획득된 영상을 '획득영상'이라고 정의한다.

획득영상에는 천장에 위치하는 조명들, 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들이 포함된다.

지도생성모듈(143)은 획득영상들 각각으로부터 특징을 검출한다. 컴퓨터 비전(Computer Vision) 기술 분야에서 영상으로부터 특징을 검출하는 다양한 방법(Feature Detection)이 잘 알려져 있다. 이들 특징의 검출에 적합한 여러 특징검출기(feature detector)들이 알려져 있다. 예를 들어, Canny, Sobel, Harris&Stephens/Plessey, SUSAN, Shi&Tomasi, Level curve curvature, FAST, Laplacian of Gaussian, Difference of Gaussians, Determinant of Hessian, MSER, PCBR, Grey-level blobs 검출기 등이 있다.

지도생성모듈(143)은 각 특징점을 근거로 디스크립터를 산출한다. 지도생성모듈(143)은 특징 검출을 위해 SIFT(Scale Invariant Feature Transform) 기법을 이용하여 특징점을 디스크립터(descriptor)로 변환할 수 있다. 디스크립터는 n차원 벡터(vector)로 표기될 수 있다.

SIFT는 촬영 대상의 스케일(scale), 회전, 밝기변화에 대해서 불변하는 특징을 검출할 수 있어, 같은 영역을 이동 로봇(100)의 자세를 달리하며 촬영하더라도 불변하는(즉, 회전 불변한(Rotation-invariant)) 특징을 검출할 수 있다. 물론, 이에 한정되지 않고 다른 다양한 기법(예를 들어, HOG: Histogram of Oriented Gradient, Haar feature, Fems, LBP:Local Binary Pattern, MCT:Modified Census Transform)들이 적용될 수도 있다.

지도생성모듈(143)은 각 위치의 획득영상을 통해 얻은 디스크립터 정보를 바탕으로, 획득영상마다 적어도 하나의 디스크립터를 소정 하위 분류규칙에 따라 복수의 군으로 분류하고, 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환할 수 있다.

다른 예로, 실(room)과 같이 소정 구역내의 획득영상 들로부터 모인 모든 디스크립터를 소정 하위 분류규칙에 따라 복수의 군으로 분류하여 상기 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환할 수도 있다.

지도생성모듈(143)은 이 같은 과정을 거쳐, 각 위치의 특징분포를 구할 수 있다. 각 위치 특징분포는 히스토그램 또는 n차원 벡터로 표현될 수 있다. 또 다른 예로, 지도생성모듈(143)은 소정 하위 분류규칙 및 소정 하위 대표규칙을 거치지 않고, 각 특징점으로부터 산출된 디스크립터를 바탕으로 미지의 현재위치를 추정할 수 있다.

또한, 위치 도약 등의 이유로 이동 로봇(100)의 현재 위치가 미지의 상태가 된 경우에, 기 저장된 디스크립터 또는 하위 대표 디스크립터 등의 데이터를 근거로 현재 위치를 추정할 수 있다.

이동 로봇(100)은, 미지의 현재 위치에서 영상획득부(120)를 통해 획득영상을 획득한다. 영상을 통해 천장에 위치하는 조명들, 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들이 확인된다.

위치인식모듈(142)은 획득영상으로부터 특징들을 검출한다. 컴퓨터 비전 기술 분야에서 영상으로부터 특징을 검출하는 다양한 방법 및 이들 특징의 검출에 적합한 여러 특징검출기들에 대한 설명은 상기한 바와 같다.

위치인식모듈(142)은 각 인식 특징점을 근거로 인식 디스크립터 산출단계를 거쳐 인식 디스크립터를 산출한다. 이때 인식 특징점 및 인식 디스크립터는 위치인식모듈(142)에서 수행하는 과정을 설명하기 위한 것으로 지도생성모듈(143)에서 수행하는 과정을 설명하는 용어와 구분하기 위한 것이다. 다만, 이동 로봇(100)의 외부 세계의 특징이 각각 다른 용어로 정의되는 것에 불과하다.

위치인식모듈(142)은 본 특징 검출을 위해 SIFT(Scale Invariant Feature Transform) 기법을 이용하여 인식 특징점을 인식 디스크립터로 변환할 수 있다. 인식 디스크립터는 n차원 벡터(vector)로 표기될 수 있다.

SIFT는 앞서 설명한 바와 같이, 획득영상에서 코너점 등 식별이 용이한 특징점을 선택한 후, 각 특징점 주변의 일정한 구역에 속한 픽셀들의 밝기 구배(gradient)의 분포 특성(밝기 변화의 방향 및 변화의 급격한 정도)에 대해, 각 방향에 대한 변화의 급격한 정도를 각 차원에 대한 수치로 하는 n차원 벡터(vector)를 구하는 영상인식기법이다.

위치인식모듈(142)은 미지의 현재 위치의 획득영상을 통해 얻은 적어도 하나의 인식 디스크립터 정보를 근거로, 소정 하위 변환규칙에 따라 비교대상이 되는 위치 정보(예를 들면, 각 위치의 특징분포)와 비교 가능한 정보(하위 인식 특징분포)로 변환한다.

소정 하위 비교규칙에 따라, 각각의 위치 특징분포를 각각의 인식 특징분포와 비교하여 각각의 유사도를 산출할 수 있다. 각각의 위치에 해당하는 상기 위치 별로 유사도(확률)를 산출하고, 그 중 가장 큰 확률이 산출되는 위치를 현재위치로 결정할 수 있다.

이와 같이, 제어부(140)는 주행구역을 구분하고 복수의 영역으로 구성된 맵을 생성하거나, 기저장된 맵을 바탕으로 본체(110)의 현재 위치를 인식할 수 있다.

제어부(140)는 맵이 생성되면, 생성된 맵을 통신부(190)를 통해 외부 단말기, 서버 등으로 전송할 수 있다. 또한, 제어부(140)는 앞서 설명한 바와 같이, 외부 단말기, 서버 등으로부터 맵이 수신되면, 저장부에 저장할 수 있다.

또한 제어부(140)는 주행 중 맵이 갱신되는 경우 갱신된 정보를 외부 단말기로 전송하여 외부 단말기와 이동 로봇(100)에 저장되는 맵이 동일하도록 한다. 외부 단말기와 이동 로봇(100)에 저장된 맵이 동일하게 유지됨에 따라 이동 단말기로부터의 청소명령에 대하여, 이동 로봇(100)이 지정된 영역을 청소할 수 있으며, 또한, 외부 단말기에 이동 로봇의 현재 위치가 표시될 수 있도록 하기 위함이다.

이때, 맵은 청소 영역을 복수의 영역으로 구분되고, 복수의 영역을 연결하는 연결통로가 포함하며, 영역 내의 장애물에 대한 정보를 포함할 수 있다.

제어부(140)는 청소명령이 입력되면, 맵 상의 위치와 이동 로봇의 현재위치가 일치하는지 여부를 판단한다. 청소명령은 리모컨, 조작부 또는 외부 단말기로부터 입력될 수 있다.

제어부(140)는 현재 위치가 맵 상의 위치와 일치하지 않는 경우, 또는 현재 위치를 확인할 수 없는 경우, 현재 위치를 인식하여 이동 로봇(100)의 현재 위치를 복구한 한 후, 현재 위치를 바탕으로 지정영역으로 이동하도록 주행부(160)를 제어할 수 있다.

현재 위치가 맵 상의 위치와 일치하지 않는 경우 또는 현재 위치를 확인 할 수 없는 경우, 위치인식모듈(142)은 영상획득부(120)로부터 입력되는 획득영상을 분석하여 맵을 바탕으로 현재 위치를 추정할 수 있다. 또한, 장애물인식모듈(144) 또는 지도생성모듈(143) 또한, 같은 방식으로 현재 위치를 인식할 수 있다.

위치를 인식하여 이동 로봇(100)의 현재 위치를 복구한 후, 주행제어모듈(141)은 현재 위치로부터 지정영역으로 주행경로를 산출하고 주행부(160)를 제어하여 지정영역으로 이동한다.

서버로부터 청소 패턴 정보를 수신하는 경우, 주행제어모듈(141)은 수신한 청소 패턴 정보에 따라, 전체 주행구역을 복수의 영역으로 나누고, 하나 이상의 영역을 지정영역으로 설정할 수 있다.

또한, 주행제어모듈(141)은 수신한 청소 패턴 정보에 따라 주행경로를 산출하고, 주행경로를 따라 주행하며, 청소를 수행할 수 있다.

제어부(140)는 설정된 지정영역에 대한 청소가 완료되면, 청소기록을 저장부(150)에 저장할 수 있다.

또한, 제어부(140)는 통신부(190)를 통해 이동 로봇(100)의 동작상태 또는 청소상태를 소정 주기로 외부 단말기, 서버로 전송할 수 있다.

그에 따라 외부 단말기는 수신되는 데이터를 바탕으로, 실행중인 애플리케이션의 화면상에 맵과 함께 이동 로봇의 위치를 표시하고, 또한 청소 상태에 대한 정보를 출력한다.

본 발명의 실시예에 따른 이동 로봇(100)은 일방향으로 장애물이나 벽면이 감지될 때까지 이동하다가, 장애물인식모듈(144)이 장애물을 인식하면, 인식된 장애물의 속성에 따라 직진, 회전 등 주행 패턴을 결정할 수 있다.

예를 들어, 인식된 장애물의 속성이 넘어갈 수 있는 종류의 장애물이면, 이동 로봇(100)은 계속 직진할 수 있다. 또는, 인식된 장애물의 속성이 넘어갈 수 없는 종류의 장애물이면, 이동 로봇(100)은 회전하여 일정거리 이동하고, 다시 최초 이동 방향의 반대방향으로 장애물이 감지되는 거리까지 이동하여 지그재그(zigzag) 형태로 주행할 수 있다.

한편, 제어부(140)는 인식된 장애물의 속성이 사람, 반려동물 등 이동 가능한 장애물인 경우에, 음향 출력부(181)가 기설정된 음향을 출력하도록 제어할 수 있다.

상기 기설정된 음향은, 경고음 또는 상기 이동 가능한 장애물의 이동을 안내하는 메시지일 수 있다.

예를 들어, 제어부(140)는 사람의 발, 손 등 신체 중 적어도 일부가 인식되면, 비켜달라는 메시지를 출력하도록 음향 출력부(181)를 제어할 수 있다.

또한, 제어부(140)는 개, 고양이 등 반려동물이 인식되면, 반려동물이 소리에 반응하여 이동할 수 있도록 경고음을 출력하도록 음향 출력부(181)를 제어할 수 있다.

한편, 제어부(140)는 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 상기 본체의 이동을 정지하도록 주행부(160)를 제어할 수 있다.

또한, 제어부(140)는 경고음 또는 상기 이동 가능한 장애물의 이동을 안내하는 메시지를 출력하고, 소정 대기 시간 동안 이동 가능한 장애물이 이동하는 것을 기다릴 수 있다.

제어부(140)는 이동 가능한 장애물의 경우에는 소정 대기 시간 후에 이동 가능한 장애물의 이동 여부에 따라 다르게 주행하도록 제어할 수 있다.

이 경우에, 제어부(140)는 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되면, 기존의 이동을 재개하도록 제어할 수 있다.

즉, 이동 가능한 장애물이 소정 대기 시간 이내에 이동하면, 이동 로봇(100)의 이동에 제약 사항이 없어진 것으로 기존의 주행 패턴에 따른 이동을 재개할 수 있다.

만약, 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되지 않으면, 제어부(140)는 상기 이동 가능한 장애물에 대한 회피주행을 수행하도록 제어할 수 있다.

즉, 이동 가능한 장애물이 소정 대기 시간 이내에 이동하지 않으면, 이동 로봇(100)은 장애물에 대한 회피주행을 수행할 수 있다.

한편, 제어부(140)는, 상기 본체(110)가 소정 거리 범위 내에서 후진과 직진을 반복하도록 제어할 수 있다.

바람직하게는 제어부(140)는 이동 가능한 장애물의 이동할 때까지 대기하는 대기 시간 동안에 상기 본체(110)가 움찔거리는 것처럼 소정 거리 범위 내에서 후진과 직진을 반복하도록 제어할 수 있다. 이에 따라, 사용자는 안내 메시지 외에도 이동 로봇(100)의 움찔거리는 동작으로 자신의 이동을 이동 로봇(100)이 기다리고 있음을 직관적으로 알 수 있다.

한편, 제어부(140)는 인식된 장애물의 속성에 기초하여 다른 패턴으로 회피주행을 수행하도록 제어할 수 있다. 제어부(140)는 비위험 장애물(일반 장애물), 위험 장애물, 이동 가능한 장애물 등 장애물의 속성에 따라 다른 패턴으로 회피 주행하도록 제어할 수 있다.

예를 들어, 제어부(140)는 위험 장애물은 더 긴 거리의 안전 거리를 확보한 상태에서 우회하여 회피하도록 제어할 수 있다.

또한, 제어부(140)는 이동 가능한 장애물의 경우에 소정 대기 시간 후에도 장애물이 이동하지 않으면, 일반 장애물에 대응하는 회피 주행 또는 위험 장애물에 대응하는 회피 주행을 수행하도록 제어할 수 있다. 또는, 제어부(140)는 이동 가능한 장애물에 대응하는 회피 주행 패턴이 별도로 설정된 경우에는 이에 따라 주행하도록 제어할 수 있다.

본 발명의 실시예에 따른 이동 로봇(100)은, 머신 러닝(machine learning) 기반의 장애물 인식 및 회피를 수행할 수 있다.

상기 제어부(140)는, 입력 영상에서 머신 러닝(machine learning)으로 기학습된 장애물을 인식하는 장애물인식모듈(144)과 상기 인식된 장애물의 속성에 기초하여, 상기 주행부(160)의 구동을 제어하는 주행제어모듈(141)을 포함할 수 있다.

본 발명의 실시예에 따른 이동 로봇(100)은, 머신 러닝으로 장애물의 속성이 학습된 장애물인식모듈(144)을 포함할 수 있다.

머신 러닝은 컴퓨터에게 사람이 직접 로직(Logic)을 지시하지 않아도 데이터를 통해 컴퓨터가 학습을 하고 이를 통해 컴퓨터가 알아서 문제를 해결하게 하는 것을 의미한다.

딥러닝(Deep Learning)은. 인공지능을 구성하기 위한 인공신경망(Artificial Neural Networks: ANN)에 기반으로 해 컴퓨터에게 사람의 사고방식을 가르치는 방법으로 사람이 가르치지 않아도 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술이다.

상기 인공신경망(ANN)은 소프트웨어 형태로 구현되거나 칩(chip) 등 하드웨어 형태로 구현될 수 있다.

장애물인식모듈(144)은 장애물의 속성이 학습된 소프트웨어 또는 하드웨어 형태의 인공신경망(ANN)을 포함할 수 있다.

예를 들어, 장애물인식모듈(144)은 딥러닝(Deep Learning)으로 학습된 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(Deep Neural Network: DNN)을 포함할 수 있다.

딥러닝(Deep Learning)에 대해서는 도 9 내지 도 11 등을 참조하여 상세히 후술한다.

장애물인식모듈(144)은 상기 심층신경망(DNN)에 포함된 노드들 사이의 가중치(weight)들에 기초하여 입력되는 영상 데이터에 포함되는 장애물의 속성을 판별할 수 있다.

한편, 이동 로봇(100)이 이동 중 센서부(170)가 장애물을 감지하면, 제어부(140)는 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출하도록 제어할 수 있다.

상기 영상획득부(120), 특히 전면 카메라(120a)는 상기 이동 로봇(100)의 이동 방향에서 소정 각도 범위 내의 영상을 획득할 수 있다.

상기 제어부(140)는, 상기 영상획득부(120), 특히 전면 카메라(120a)가 획득한 영상 전체를 사용하는 것이 아니라 일부 영역만을 사용하여 이동 방향에 존재하는 장애물의 속성을 판별할 수 있다.

도 6의 실시예를 참조하면, 상기 제어부(140)는, 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출하는 영상처리모듈(145)을 더 포함할 수 있다.

또는, 이동 로봇(100)은, 상기 센서부(170)가 감지하는 장애물의 방향에 대응하여 상기 영상획득부(120)가 획득하는 영상의 일부 영역을 추출하는 별도의 영상처리부를 더 포함하거나, 상기 영상획득부(120)가 직접 영상을 처리할 수 있다.

상기 머신 러닝으로 학습된 장애물인식모듈(144)은 그 특성상 학습한 대상이 입력 영상 데이터에서 많은 부분을 차지할수록 인식률이 높다.

따라서, 본 발명은 초음파 센서 등 센서부(170)가 감지하는 장애물의 방향에 따라 영상획득부(120)가 획득한 영상 중 다른 영역을 추출하여 인식용 데이터로 사용함으로써, 인식률을 높일 수 있다.

상기 장애물인식모듈(144)은 영상획득부(120)가 획득한 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식할 수 있다.

더욱 바람직하게는 상기 장애물인식모듈(144)은 영상획득부(120)가 획득한 영상에서 추출된 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식할 수 있다.

한편, 상기 주행제어모듈(141)은 상기 인식된 장애물의 속성에 기초하여 상기 주행부(160)의 구동을 제어할 수 있다.

한편, 상기 제어부(140)는, 상기 장애물이 상기 본체 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 우측 하단 영역을 추출하고, 상기 장애물이 상기 본체 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 좌측 하단 영역을 추출하며, 상기 장애물이 상기 본체 전면 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 중앙(center) 하단 영역을 추출하도록 제어할 수 있다.

또한, 상기 제어부(140)는, 상기 영상획득부(120)가 획득하는 영상에서의 추출 대상 영역을, 상기 감지되는 장애물의 방향에 대응하도록 이동(shift)시켜 추출하도록 제어할 수 있다.

상기 영상획득부(120)가 획득한 영상 중 일부 영역을 잘라내어(cropping) 추출하는 구성에 대해서는 도 27 내지 도 30 등을 참조하여 상세히 후술한다.

또한, 이동 로봇(100)이 이동 중 센서부(170)가 장애물을 감지하면, 제어부(140)는 상기 본체(110)의 이동 방향과 이동 속도에 기초하여, 상기 영상획득부(120)가 획득하는 연속된 복수의 영상 중 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택하도록 제어할 수 있다.

센서부(170)의 장애물 감지 시점을 트리거(trigger) 신호로 하여, 영상획득부(120)가 영상을 획득하는 경우에는, 이동 로봇이 계속 이동하고 있어, 장애물이 획득영상에 포함되지 않거나 작게 포함될 수 있다.

따라서, 본 발명의 일 실시예는, 상기 본체(110)의 이동 방향과 이동 속도에 기초하여, 상기 영상획득부(120)가 획득하는 연속된 복수의 영상 중 상기 센서부(170)의 장애물 감지 시점 이전의 특정 시점 영상을 선택하여, 장애물 인식용 데이터로 사용할 수 있다.

상기 영상획득부(120)가 획득한 영상 중 특정 시점 영상을 선택하여, 장애물 인식용 데이터로 사용하는 구성에 대해서는 도 31, 도 32 등을 참조하여 상세히 후술한다.

한편, 장애물인식모듈(144)은, 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 상기 선택된 특정 시점 영상에 포함되는 장애물의 속성을 인식할 수 있다.

한편, 저장부(150)에는 장애물 속성 판별을 위한 입력 데이터, 상기 심층신경망(DNN)을 학습하기 위한 데이터가 저장될 수 있다.

저장부(150)에는 영상획득부(120)가 획득한 원본 영상과 소정 영역이 추출된 추출 영상들이 저장될 수 있다.

또한, 실시예에 따라서는, 저장부(150)에는 상기 심층신경망(DNN) 구조를 이루는 웨이트(weight), 바이어스(bias)들이 저장될 수 있다.

또는, 실시예에 따라서는, 상기 심층신경망 구조를 이루는 웨이트(weight), 바이어스(bias)들은 장애물인식모듈(144)의 임베디드 메모리(embedded memory)에 저장될 수 있다.

한편, 상기 장애물인식모듈(144)은 상기 영상획득부(120)가 영상을 획득하거나 영상의 일부 영역을 추출할 때마다 소정 영상을 트레이닝(training) 데이터로 사용하여 학습 과정을 수행하거나, 소정 개수 이상의 영상이 획득된 후 학습 과정을 수행할 수 있다.

즉, 상기 장애물인식모듈(144)은 장애물을 인식할 때마다 인식 결과를 추가하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트(update)하거나, 소정 횟수의 트레이닝 데이터가 확보된 후에 확보된 트레이닝 데이터로 학습 과정을 수행하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트할 수 있다.

또는, 이동 로봇(100)은 통신부(190)를 통하여 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신할 수 있다.

이 경우에, 이동 로봇(100)은, 상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 장애물인식모듈(141)을 업데이트(update)할 수 있다.

한편, 이동 로봇(100)은 영상획득부(120)가 획득하는 영상 또는 추출 영상을 통신부(190)를 통하여 소정 서버로부터 송신할 수 있다.

도 7은 본 발명의 일 실시예에 따른 서버의 간략한 내부 블록도의 일예이다.

도 7을 참조하면, 서버(70)는, 통신부(720), 저장부(730), 학습모듈(740), 및 프로세서(710)를 구비할 수 있다.

프로세서(710)는, 서버(70)의 전반적인 동작을 제어할 수 있다.

한편, 서버(70)는, 상기 이동 로봇(100) 등 홈 어플라이언스 제조사가 운영하는 서버 또는 서비스 제공자가 운영하는 서버일 수 있고, 일종의 클라우드(Cloud) 서버일 수 있다.

통신부(720)는, 휴대 단말기, 이동 로봇(100) 등 홈 어플라이언스, 게이트웨이 등으로부터 상태 정보, 동작 정보, 조작 정보 등 각종 데이터를 수신할 수 있다.

그리고 통신부(720)는 수신되는 각종 정보에 대응하는 데이터를 휴대 단말기, 이동 로봇(100) 등 홈 어플라이언스, 게이트웨이 등으로 송신할 수 있다.

이를 위해, 통신부(720)는 인터넷 모듈, 이동 통신 모듈 등 하나 이상의 통신 모듈을 구비할 수 있다.

저장부(730)는, 수신되는 정보를 저장하고, 이에 대응하는 결과 정보 생성을 위한 데이터를 구비할 수 있다.

또한, 저장부(730)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

학습모듈(740)은 상기 이동 로봇(100) 등 홈 어플라이언스의 학습기 역할을 수행할 수 있다.

상기 학습모듈(740)에는 인공신경망, 예를 들어, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(Deep Neural Network: DNN)을 포함될 수 있고, 심층신경망을 학습할 수 있다.

상기 학습모듈(740)의 학습 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.

한편, 상기 제어부(810)는 설정에 따라 학습 후 상기 이동 로봇(100) 등 홈 어플라이언스의 인공신경망 구조를 학습된 인공신경망 구조로 업데이트시키도록 제어할 수 있다.

도 8은 본 발명의 일 실시예에 따른 이동 로봇과 서버의 동작 방법에 관한 설명에 참조되는 도면이다.

도 8을 참조하면, 이동 로봇(100)의 제어부(140), 더욱 상세하게는 장애물인식모듈(144)에는 CNN(Convolutional Neural Network) 등 심층신경망(DNN) 구조(144a)가 탑재될 수 있다.

기학습된 심층신경망(DNN) 구조(144a)는 인식용 입력 데이터를 입력받고, 입력 데이터에 포함된 장애물의 속성을 인식하여, 그 결과를 출력할 수 있다.

심층신경망(DNN) 구조(144a)가 인식하지 못하는 데이터(unknown data)는 저장부(150) 또는 장애물인식모듈(144) 내의 자체 저장공간(144b)에 저장될 수 있다.

한편, 장애물인식모듈(144)이 인식하지 못하는 데이터(unknown data)는 통신부(190)를 통하여 서버(70)로 전송될 수 있다. 또한, 장애물인식모듈(144)이 인식에 성공한 데이터도 서버(70)로 전송될 수 있다.

서버(70)는 학습된 웨이트(weight)들의 구성을 생성할 수 있고, 서버(70)는 심층신경망(DNN) 구조를 트레이닝(training) 데이터를 사용하여 학습할 수 있다.

서버(70)는 수신한 데이터에 기초하여, 심층신경망(DNN)을 학습시킨 후, 업데이트된 심층신경망(DNN) 구조 데이터를 이동 로봇(100)으로 전송하여 업데이트하게 할 수 있다.

도 9 내지 도 11은 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.

머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.

딥러닝(Deep learning)은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)를 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성될 수 있다

도 9를 참조하면, 인공신경망(ANN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

도 10을 참조하면, 컴퓨터(머신)는 투입된 입력 데이터(1010)로부터 일정한 패턴을 발견해 특징맵(Feature Map)을 형성한다. 컴퓨터(머신)는 하위레벨 특징(1020)부터, 중간레벨 특징(1030), 상위레벨 특징(1040)까지 추출하여, 대상을 인식하고 그 결과를 출력(1050)할 수 있다.

인공신경망은 다음 순서의 레이어로 갈수록 더욱 상위레벨의 특징으로 추상화할 수 있다.

도 9와 도 10을 참조하면, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다.

임의의 노드, 예를 들어, 하위레벨 특징(1020)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(1030)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(1030)의 노드는 하위레벨 특징(1020)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

이 때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다.

또한, 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다.

한편, 임의의 노드, 예를 들어, 중간레벨 특징(1030)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징(1040)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징(1040)의 노드는 중간레벨 특징(1030)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

인공신경망은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있다. 인공신경망은 순차적으로 추상화하여, 가장 상위 레벨의 특징 정보를 활용하여 소정 대상을 인식할 수 있다.

예를 들어, 딥러닝에 의한 얼굴인식 과정을 살펴보면, 컴퓨터는 입력 영상으로부터, 픽셀의 밝기에 따라 밝은 픽셀과 어두운 픽셀을 구분하고, 테두리, 에지 등 단순한 형태를 구분한 후, 조금 더 복잡한 형태와 사물을 구분할 수 있다. 최종적으로 컴퓨터는 인간의 얼굴을 규정하는 형태를 파악할 수 있다.

본 발명에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등일 수 있다.

RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.

CNN(Convolutional Neural Network)은, 특히 객체 인식 분야에서 많이 사용되는 구조로써, 도 11을 참조하여 설명한다.

CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.

도 11은 CNN(Convolutional Neural Network) 구조를 도시한 도면이다.

CNN(Convolutional Neural Network)도 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다.

입력 레이어(Input Layer)에는 소정 이미지(1100)가 입력된다.

도 11을 참조하면, 히든 레이어(Hiddent Layer)는 복수의 레이어로 구성되고, 컨볼루션 레이어(convolution layer)와 서브-샘플링 레이어(sub-sampling layer)를 포함할 수 있다.

CNN(Convolutional Neural Network)에서는 기본적으로 컨볼루션(convolution) 연산을 통해 영상의 특징을 추출하기 위한 다양한 필터와 비선형적인 특성을 더하기 위한 풀링(pooling) 또는 비선형 활성화(non-linear activation) 함수 등이 함께 사용된다.

컨볼루션(convolution)은 영상 처리 분야에서 주로 필터 연산에 사용되며 영상으로부터 특징(feature)을 추출하기 위한 필터를 구현하는데 사용된다.

예를 들어, 3X3 윈도우를 이동하면서 영상 전체에 대해서 컨볼루션 연산을 반복적으로 수행하게 되면 윈도우의 가중치(weight) 값에 따라 적정한 결과를 얻을 수 있다.

컨볼루션 레이어(convolution layer)는 미리 정한 크기의 필터를 이용하여 이전 레이어에서 추출된 정보를 필터링하는 컨볼루션 필터링을 수행하는데 사용할 수 있다.

컨볼루션 레이어(convolution layer)는 컨볼루션 필터를 이용하여 입력된 영상 데이터(1100, 1102)에 컨볼루션 연산을 수행하고, 입력 이미지(1100)의 특징이 표현된 특징맵(1101, 1103)을 생성한다.

컨볼루션 필터링의 결과로서, 컨볼루션 레이어(convolution layer)에 포함된 필터의 개수에 따라 필터 개수만큼의 필터링 영상들이 생성될 수 있다. 컨볼루션 레이어는 필터링 영상들에 포함된 노드들로 구성될 수 있다.

또한, 컨볼루션 레이어(convolution layer)와 쌍을 이루는 서브-샘플링 레이어(sub-sampling layer)는 쌍을 이루는 컨볼루션 레이어(convolution layer)와 동일한 수의 특징맵들을 포함할 수 있다.

서브-샘플링 레이어(sub-sampling layer)는 샘플링 또는 풀링(pooling)을 통해 특징맵(1101, 1103)의 차원을 감소시킨다.

출력 레이어(Output Layer)는 특징맵(1104)에 표현된 다양한 특징을 조합하여 입력 이미지(1100)를 인식한다.

본 발명에 따른 이동 로봇의 장애물 인식 모듈은 상술한 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 본 발명이 한정되는 것은 아니나, 영상 내 객체 인식에서 많이 사용되고 있는 CNN(Convolutional Neural Network) 구조를 이용할 수 있다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정함으로써 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.

도 12와 도 13은 장애물 인식에 관한 설명에 참조되는 도면이다.

도 12를 참조하면, 장애물인식모듈(144)은, 장애물들을 선풍기, 홈씨어터, 멀티탭, 램프받침, 둔턱, 사람(발), 사람(손), 반려동물 등 클래스(class)로 분류하고 구분하여 인식할 수 있다.

또한, 장애물인식모듈(144)은, 선풍기, 홈씨어터, 멀티탭, 램프받침 등의 클래스는 상위 개념으로 위험 장애물 슈퍼-클래스(Super-class)로 분류하고 구분하여 인식할 수 있다.

또한, 장애물인식모듈(144)은, 둔턱 등의 직진 주행 가능한 장애물을 비위험 장애물 슈퍼-클래스(Super-class)로 분류하고 구분하여 인식할 수 있다.

또한, 장애물인식모듈(144)은, 사람(발), 사람(손), 반려동물 등의 이동 가능한 장애물을 이동 가능한 장애물 슈퍼-클래스(Super-class)로 분류하고 구분하여 인식할 수 있다.

도 13의 (a)를 참조하면, 장애물인식모듈(144)은, 입력된 영상을 인식하여, 선풍기는 0.95의 신뢰값(confidence), 홈씨어터는 0.7의 신뢰값을 가지는 인식 결과를 얻을 수 있다. 이 경우에, 장애물인식모듈(144)은, 더 높은 신뢰값을 가지는 인식 결과인 선풍기를 입력 영상에 대한 인식 결과로 출력할 수 있다.

한편, 신뢰값(confidence)은 0.0 내지 1.0의 범위로 정규화될 수 있다.

도 13의 (b)를 참조하면, 장애물인식모듈(144)은, 입력된 영상을 인식하여, 선풍기는 0.35의 신뢰값, 홈씨어터는 0.4의 신뢰값을 가지는 인식 결과를 얻을 수 있다.

예를 들어, 0.6 이하의 신뢰값은 인정하지 않도록 설정된 경우, 장애물인식모듈(144)은, 두 인식 결과의 신뢰값들이 모두 기준치보다 낮으므로 특정 인식 결과를 선택하지 않고, unknown data로 판정할 수 있다.

도 13의 (c)를 참조하면, 장애물인식모듈(144)은, 입력된 영상을 인식하여, 선풍기는 0.95의 신뢰값, 홈씨어터는 0.9의 신뢰값을 가지는 인식 결과를 얻을 수 있다.

예를 들어, 0.9 이상의 신뢰값을 가지는 인식 결과를 최종 인식 결과로 선택하도록 설정된 경우에, 장애물인식모듈(144)은, 두 인식 결과의 신뢰값들이 모두 기준치보다 높으므로 특정 인식 결과를 선택하지 않고, 상위 개념인 위험 장애물로 판정할 수 있다.

또는, 신뢰값의 차이가 0.15 이상인 경우에 가장 높은 신뢰값의 인식 결과를 인정하도록 설정된 경우에도, 상위 개념인 위험 장애물로 판정할 수 있다.

한편, 위험 장애물로 판단한 경우에도, 주행제어모듈(141)은 위험 장애물을 회피하여 이동하도록 구동부(160)를 제어할 수 있다.

도 14는 본 발명의 일 실시예에 따른 이동 로봇의 사시도이다.

도 15는 도 14에 도시된 이동 로봇의 장애물 감지 센서의 전면도와 측면도이고, 도 16 내지 도 18은 도 14에 도시된 이동 로봇의 장애물 감지 센서의 동작에 관한 설명에 참조되는 도면이다.

도 14 내지 도 18을 참조하면, 본 발명의 일 실시예에 따른 이동 로봇(100)은 하나 이상의 광 패턴(P1, P2)를 이용하여 장애물을 감지하는 장애물 감지 센서(171)를 포함할 수 있다.

상기 광 패턴(P1, P2)은 수평선(Ph) 패턴일 수 있다. 경우에 따라서는, 상기 광 패턴(P1, P2)의 일부는 수직선(Pv) 패턴을 더 포함할 수 있다.

광 패턴을 이용하는 장애물 감지 센서(171)는 제1 패턴 조사부(1520), 제2 패턴 조사부(1530) 및 패턴 인식부(1540)를 포함할 수 있고, 제1 패턴 조사부(1520), 제2 패턴 조사부(1530) 및 패턴 인식부(1540)는 베이스부(1510) 상에 배치될 수 있다.

도 15는 장애물 감지 센서(171)의 전면도와 측면도이다. 도 16은 장애물 감지 센서(171)의 조사 범위와 장애물 탐지 범위를 도시한 것이다.

도 15의 (a)는 장애물 감지 센서(171)의 전면도이고, 도 15의 (b)는 측면도이다.

도 15의 (a)와 (b)에 도시된 바와 같이, 장애물 감지 센서(171)의 제1, 2 패턴 조사부(1520, 1530)는 광원과, 광원으로부터 조사된 광이 투과됨으로써 소정의 패턴을 생성하는 패턴생성자(OPPE: Optical Pattern Projection Element)를 포함할 수 있다. 광원은 레이저 다이오드(Laser Diode, LD), 발광 다이오드(Light Emitteing Diode, LED) 등 일 수 있다. 레이저 광은 단색성, 직진성 및 접속 특성에 있어 다른 광원에 비해 월등해, 정밀한 거리 측정이 가능하며, 특히, 적외선 또는 가시광선은 대상체의 색상과 재질 등의 요인에 따라 거리 측정의 정밀도에 있어서 편차가 크게 발생되는 문제가 있기 때문에, 광원으로는 레이저 다이오드가 바람직하다. 패턴생성자는 렌즈, DOE(Diffractive optical element)를 포함할 수 있다. 각각의 패턴 조사부(1520, 1530)에 구비된 패턴 생성자의 구성에 따라 다양한 패턴의 광이 조사될 수 있다.

제1 패턴 조사부(1520)는 제1 패턴의 광(P1, 이하, 제1 패턴 광이라고 함.)을 본체(110)의 전방 하측을 향해 조사할 수 있다. 따라서, 제1 패턴 광(P1)은 청소구역의 바닥에 입사될 수 있다.

제1 패턴 광(P1)은 수평선(Ph)의 형태로 구성될 수 있다. 또한, 제1 패턴 광(P1)은 수평선(Ph)과 수직선(Pv)이 교차하는 십자 패턴의 형태로 구성되는 것 또한 가능하다.

제1 패턴 조사부(1520), 제2 패턴 조사부(1530) 및 패턴 인식부(1540)는 수직으로, 일렬 배치될 수 있다. 패턴 인식부(1540)는, 제1 패턴 조사부(1520)와 제2 패턴 조사부(1530)의 하부에 배치되나, 반드시 이에 한정되는 것은 아니며,제1 패턴 조사부(1520)와 제2 패턴 조사부(1530)의 상부에 배치될 수도 있다.

실시예에서, 제1 패턴 조사부(1520)는 상측에 위치하여 전방을 향해 하방으로 제1 패턴 광(P1)을 조사하여, 제1 패턴 조사부(1520) 보다 하측에 위치하는 장애물을 감지하고, 제2 패턴 조사부(1530)는 제1 패턴 조사부(1520)의 하측에 위치하여 전방을 향해 상방으로 제2 패턴의 광(P2, 이하, 제2 패턴 광이라고 함.)을 조사할 수 있다. 따라서, 제2 패턴 광(P2)은 벽면이나, 청소구역의 바닥으로부터 적어도 제2 패턴 조사부(1530) 보다 높이 위치하는 장애물 또는 장애물의 일정 부분에 입사될 수 있다.

제2 패턴 광(P2)은 제1 패턴 광(P1)과 다른 패턴으로 이루어질 수 있고, 바람직하게는 수평선을 포함하여 구성된다. 여기서, 수평선은 반드시 연속한 선분이어야 하는 것은 아니고, 점선으로 이루어질 수도 있다.

제1 패턴 조사부(1520)와 제2 패턴 조사부(1530)의 수평 조사각은, 바람직하게는, 130˚ 내지 140˚ 범위에서 정해질 수 있다.

패턴 인식부(1540)는 본체(도 1의 110) 전방의 영상을 획득할 수 있다. 특히, 패턴 인식부(1540)에 의해 획득된 영상에는 패턴 광(P1, P2)이 나타나며, 이하, 획득된 영상에 나타난 패턴 광(P1, P2)의 상을 광 패턴이라고 하고, 이는 실질적으로 실제 공간 상에 입사된 패턴 광(P1, P2)이 이미지 센서에 맺힌 상이기 때문에, 패턴 광들(P1, P2)과 같은 도면 부호를 부여하여, 제1 패턴 광(P1) 및 제2 패턴 광(P2)과 각각 대응하는 상들을 제1 광 패턴(P1) 및 제2 광 패턴(P2)이라고 하기로 한다.

패턴 인식부(1540)는 피사체의 상을 전기적 신호로 변환시킨 후 다시 디지털 신호로 바꿔 메모리소자에 기억시키는 디지털 카메라를 포함할 수 있으며, 디지털 카메라는 이미지센서(미도시)와 영상처리부(미도시)를 포함할 수 있다.

이미지센서는 광학 영상(image)을 전기적 신호로 변환하는 장치로, 다수개의 광 다이오드(photo diode)가 집적된 칩으로 구성되며, 광 다이오드로는 픽셀(pixel)을 예로 들 수 있다. 렌즈를 통과한 광에 의해 칩에 맺힌 영상에 의해 각각의 픽셀들에 전하가 축적되며, 픽셀에 축적된 전하들은 전기적 신호(예를 들어, 전압)로 변환된다. 이미지센서로는 CCD(Charge Coupled Device), CMOS(Complementary Metal Oxide Semiconductor) 등이 잘 알려져 있다.

영상처리부는 이미지센서로부터 출력된 아날로그 신호를 바탕으로 디지털 영상을 생성한다. 영상처리부는 아날로그 신호를 디지털 신호로 변환하는 AD컨버터와, AD컨버터로부터 출력된 디지털 신호에 따라 일시적으로 디지털 정보(digital data)를 기록하는 버퍼 메모리(buffer memory)와, 버퍼 메모리에 기록된 정보를 처리하여 디지털 영상을 구성하는 디지털 신호처리기(DSP:Digital Signal Processor)를 포함할 수 있다.

제어부(도 6의 140)는 획득된 영상을 구성하는 소정의 픽셀들에 대해 점, 선, 면 등의 특징을 검출(feature detection)하고, 이렇게 검출된 특징을 바탕으로 광 패턴(P1, P2) 또는 광 패턴(P1, P2)을 구성하는 점, 선, 면 등을 검출할 수 있다.

예를 들어, 획득된 영상 주변보다 밝은 픽셀들이 연속됨으로써 구성되는 선분들을 추출하여, 제1 광 패턴(P1)을 구성하는 수평선(Ph), 제2 광 패턴(P2)을 구성하는 수평선을 추출할 수 있다.

그러나 이에 한정되지 않고, 디지털 영상으로부터 원하는 형태의 패턴을 추출하는 다양한 기법들이 이미 알려져 있는바, 패턴검출부(210)는 이들 공지된 기술들을 이용하여 제1 광 패턴(P1)과 제2 광 패턴(P2)을 추출할 수 있다.

도 7에 도시된 바와 같이, 제1 패턴 조사부(1520)와 제2 패턴 조사부(1530)는 대칭으로 배치될 수 있다. 제1 패턴 조사부(1520)와 제2 패턴 조사부(1530)는 거리 h3 만큼 떨어져 상하로 배치되어 제1 패턴 조사부는 하부로 제1 패턴 광을 조사하고, 제2 패턴 조사부는 상부로 제2 패턴 광을 조사하여 상호 패턴 광이 교차된다.

패턴 인식부(1540)는 제2 패턴 조사부로부터 거리 h2 만큼 떨어진 하부에 위치하여, 상하방향에 대하여 화각 θs로 로 본체(110)의 전방의 영상을 촬영한다. 패턴 인식부(1540)는 바닥면으로부터 거리 h1의 위치에 설치된다. 패턴 인식부(1540)는 이동 로봇(1)의 본체(110)의 전면부 하단을 구성하는 범퍼(미도시), 또는 주행 또는 청소를 위한 구조물의 형태를 고려하여, 전방을 촬영하는데 방해되지 않는 위치에 설치되는 것이 바람직하다.

제1 패턴 조사부(1520) 또는 제2 패턴 조사부(1530)는 각각의 패턴 조사부(1520, 1350)를 구성하는 렌즈들의 주축(Optical axis)이 향하는 방향이 일정 조사각을 형성하도록 설치된다.

제1 패턴 조사부(1520)는 제1 조사각(θr1)으로 제1 패턴 광(P1)을 하부에 조사하고, 제2 패턴 조사부(1530)는 제2 조사각(θr2)으로 제2 패턴 광(P2)을 상부에 조사한다. 이때, 제1 조사각과 제2 조사각은 상이한 것을 기본으로 하나 경우에 따라 동일하게 설정될 수 있다. 제1 조사각과 제2 조사각은, 바람직하게는 50˚ 내지 75˚ 범위에서 정해지나 반드시 이에 한정되어야 하는 것을 아니다. 예를 들어 제1 조사각은 60 내지 70도 제2 조사각은 50 내지 55도로 설정될 수 있다. 이동 로봇의 하부 범퍼의 구조 또는 하부 물체감지 거리, 그리고 감지하고자 하는 상부의 높이에 따라 변경될 수 있다.

제1 패턴 조사부(1520) 및/또는 제2 패턴 조사부(1530)로부터 조사된 패턴 광이 장애물에 입사되었을 시, 장애물이 제1 패턴 조사부(1520)로부터 떨어진 위치에 따라, 획득된 영상에서 광 패턴(P1, P2)의 위치가 달라진다. 예를 들어, 제1 패턴 광(P1)과 제2 패턴 광(P2)이 소정의 장애물에 입사되었을 시, 장애물이 이동 로봇(100)으로부터 가깝게 위치한 것일수록, 획득된 영상에서 제1 광 패턴(P1)이 높은 위치에 표시되며, 반대로, 제2 광 패턴(P2)은 낮은 위치에 표시된다. 즉, 패턴 인식부(1540)에 의해 생성되는 영상을 구성하는 행(횡방향으로 배열된 픽셀들로 이루어진 선)에 대응하는 장애물까지의 거리 데이터를 미리 저장하였다가, 패턴 인식부(1540)를 통해 획득된 영상에서 검출된 광 패턴(P1, P2)이 소정의 행에서 검출되면, 그 행에 대응하는 장애물까지의 거리 데이터로부터 장애물의 위치가 추정될 수 있다.

패턴 인식부(1540)는 렌즈의 주축이 수평한 방향을 향하도록 정렬되고, 도 16에 표시된 θs는 패턴 인식부(1540)의 화각을 표시한 것으로, 100˚ 이상의 값으로 설정되고, 바람직하게는 100˚ 내지 110˚이나, 반드시 이에 한정되어야 하는 것을 아니다.

또한, 청소구역의 바닥으로부터 패턴 인식부(1540)까지의 거리는 대략 60mm 내지 70mm 사이에서 정해질 수 있고, 이 경우, 패턴 인식부(1540)가 획득한 영상에서 청소구역의 바닥은 패턴 인식부(1540)로부터 D1 이후부터 나타나며, D2는 획득된 영상에 나타난 바닥 중에서 제1 광 패턴(P1)이 표시되는 위치이다. 이때, D2에 장애물이 위치하는 경우, 패턴 인식부(1540)에 의해 장애물에 제1 패턴 광(P1)이 입사된 영상이 획득될 수 있다. 장애물이 D2보다 이동 로봇(100)에 근접한 경우 입사된 제1 패턴 광(P1)에 대응하여 제1 광 패턴은 기준위치(ref1)보다 상측에 표시된다.

여기서, 본체(110)로부터 D1까지의 거리는 바람직하게는 100mm 내지 150mm로 이고, D2까지의 거리는 바람직하게는 180mm 내지 280mm 이나, 반드시 이에 한정되는 것은 아니다. 한편, D3는 본체의 전면부 중 가장 돌출된 부분부터 제2 패턴 광이 입사되는 위치까지의 거리를 나타낸 것으로, 본체는 이동중에 장애물을 감지하므로, 장애물에 충돌하지 않고 전방(상부)의 장애물을 감지할 수 있는 최소한의 거리이다. D3는 대략 23mm 내지 30mm 로 설정될 수 있다.

한편, 제어부(140)는 본체(110)가 주행하는 중, 획득된 영상에 나타난 제1 광 패턴(P1)이 정상상태에서 사라지는 경우 또는 제1 광 패턴의 일부만 표시되는 경우, 이동 로봇(100)의 주변에 낭떠러지가 존재하는 것으로 판단한다.

제어부(140)는 획득된 영상에 제1 광 패턴이 표시되지 않는 경우, 이동 로봇(100)의 전방에 위치하는 낭떠러지를 인식할 수 있다. 이동 로봇(100)의 전방에 낭떠러지(예를 들어, 계단)가 존재하는 경우, 제1 패턴 광이 바닥에 입사되지 않으므로, 획득영상에서 제1 광 패턴(P1)이 사라지게 된다.

제어부(140)는 D2의 길이를 바탕으로, 본체(110)로부터 D2 만큼 떨어진 전방에 낭떠러지가 있는 것으로 판단할 수 있다. 이때, 제1 패턴 광(P1)이 십자 형상인 경우에는 수평선은 사라지고 수직선만 표시됨에 따라 낭떠러지를 판단할 수 있다.

또한, 제어부(140)는 제1 광 패턴의 일부가 표시되지 않는 경우, 이동 로봇(100)의 좌측 또는 우측에 낭떠러지가 존재하는 것으로 판단할 수 있다. 제1 광 패턴의 우측 일부가 표시되지 않는 경우, 낭떠러지가 우측에 존재하는 것으로 판단할 수 있다.

따라서, 제어부(140)는 파악된 낭떠러지 정보를 바탕으로, 이동 로봇(100)이 낭떠러지에 빠지지 않는 경로를 따라 주행될 수 있도록 주행부(도 6의 160)를 제어할 수 있다.

또한, 제어부(140)는 전방에 낭떠러지가 존재하는 경우, 일정거리, 예를 들어 D2 또는 그 이하로 전진하여, 본체의 하부에 설치된 낭떠러지센서를 이용하여, 낭떠러지인지 여부를 다시 한번 확인할 수 있다. 이동 로봇(100)은 획득된 영상을 통해 낭떠러지를 1차 확인하고, 일정거리 주행하여 낭떠러지 센서를 통해 2차 확인할 수 있다.

도 17은 제1 패턴 조사부에 의해 조사되는 패턴의 광을 도시한 도이다.

제어부(140)는 패턴 인식부(1540)로부터 획득된 영상으로부터 제1 광 패턴 또는 제2 광 패턴을 검출하고, 제1 광 패턴 또는 제2 광 패턴을 분석하여 제1 광 패턴의 위치를 정해진 기준위치(ref1)와 비교하여 장애물을 판단한다.

도 17의 (a)에 도시된 바와 같이, 제1 광 패턴(P1)의 수평선이 기준위치(ref1)에 위치하는 경우, 정상상태로 판단한다. 이때 정상상태란, 바닥이 높낮이가 없고 고른, 평편한 상태이고, 전방에 장애물이 존재하지 않아 계속 주행 가능한 상태이다.

제2 광 패턴(P2)은, 전방의 상부에 장애물이 존재하는 경우 장애물에 입사되어 획득된 영상에 나타나므로, 정상상태에서는 제2 광 패턴(P2)은 나타나지 않는 것이 일반적이다.

도 17의 (b)에 도시된 바와 같이, 제1 광 패턴(P1)의 수평선이 기준위치(ref1)보다 상부에 위치하는 경우, 제어부(140)는 전방에 장애물이 존재하는 것으로 판단한다.

제어부(140)는 도시된 바와 같이 장애물이 감지되면, 장애물을 회피하여 주행하도록 주행부(160)를 제어할 수 있다.

한편, 제어부(140)는 제1 광 패턴(P1) 및 제2 광 패턴의 위치와 제2 광 패턴의 표시 여부에 대응하여 감지된 장애물의 위치와 크기를 판단할 수 있다. 또한, 제어부(140)는 주행중에 획득된 영상에 표시되는 제1 광 패턴과 제2 광 패턴의 변화에 대응하여 장애물의 위치와 크기를 판단할 수 있다.

제어부(140)는 인식된 장애물에 대하여 계속 주행할 수 있는지 또는 회피하여 주행할지 여부를 판단하여 주행부(160)를 제어한다. 예를 들어 제어부(140)는 장애물의 높이가 일정 높이 이하로 낮은 경우, 또는 장애물과 바닥 사이에 공간에 진입 가능한 경우에는 주행이 가능하다고 판단한다.

도 17의 (c)에 도시된 바와 같이, 제1 광 패턴(P1)이 기준위치(ref1)보다 낮은 위치에 표시될 수 있다. 제어부(140)는 제1 광 패턴(P1)이 기준위치보다 낮은 위치에 나타나는 경우, 내리막 경사로가 존재하는 것으로 판단한다. 낭떠러지의 경우 제1 광 패턴(P1)이 사라지므로 낭떠러지와는 구분될 수 있다.

도 17의 (d)에 도시된 바와 같이, 제어부(140)는 제1 광 패턴이 표시되지 않는 경우 주행방향에 낭떠러지가 존재하는 것으로 판단한다.

또한, 도 17의 (e)와 같이, 제1 광 패턴의 일부가 표시되지 않는 경우, 제어부(140)는 좌측 또는 우측에 낭떠러지가 존재하는 것으로 판단할 수 있다.

한편, 제1 광 패턴(P1)이 십자형상인 경우에는 수평선의 위치와, 수직선의 길이를 모두 고려하여 장애물을 판단할 수 있다.

도 18은 본 발명의 일실시예에 따른 이동 로봇에 있어서 장애물에 조사되는 패턴의 형태를 도시한 예시도이다.

도 18에 도시된 바와 같이, 장애물 감지 센서(171)로부터 조사되는 패턴 광이 장애물에 조사되어, 촬영된 영상에 나타남에 따라 제어부(140)는 장애물의 위치, 크기, 형태를 판단할 수 있다.

도 18의 (a)에 도시된 바와 같이, 주행 중 전방에 벽면이 존재하는 경우, 제1 패턴 광은 바닥에 입사되고 제2 패턴 광은 벽면에 입사된다. 그에 따라 획득된 영상에는 제1 광 패턴(P1)과 제2 광 패턴(P2)이 두 개의 수평선으로 표시된다. 이때 벽면과의 거리가 D2보다 먼 경우 제1 광 패턴(P1)은 기준위치(ref1)에 표시되나 제2 광 패턴이 표시됨에 따라 제어부(140)는 장애물이 존재하는 것을 판단할 수 있다.

한편, 본체(110)와 벽면과의 거리가 D2 미만으로 근접하는 경우, 제1 패턴 광이 바닥이 아닌 벽면에 입사되므로, 획득영상에는 제1 광 패턴이 기준위치(ref1)보다 상측에 표시되고, 그 상측에 제2 광 패턴이 표시된다. 제2 광 패턴은 장애물에 근접할수록 그 위치가 하측에 표시되므로, 벽면과 본체(110)의 거리가 D2보다 먼 경우보다는 하측에 표시된다. 단, 제2 패턴 광은 기준위치 및 제1 광 패턴보다는 상측에 표시된다.

그에 따라 제어부(140)는 제1 광 패턴과 제2 광 패턴을 통해 장애물인 벽면까지의 거리를 산출할 수 있다.

도 18의 (b)에 도시된 바와 같이, 침대, 서랍장 등의 장애물이 전방에 존재하는 경우, 제1 패턴 광(P1)과 제2 패턴 광(P2)이 두개의 수평선으로 바닥과 장애물에 각각 입사된다.

제어부(140)는 제1 광 패턴과 제2 광 패턴을 바탕으로 장애물을 판단한다. 제2 광 패턴의 위치 및 장애물에 접근하는 중 나타나는 제2 광 패턴의 변화를 바탕으로 장애물의 높이를 판단할 수 있다. 그에 따라 제어부(140)는 장애물의 하부 공간에 진입 가능한지 여부를 판단하여 주행부(160)를 제어한다.

예를 들어 청소구역 내에 침대와 같이 바닥과의 사이에 소정의 공간이 형성되는 장애물이 위치하는 경우, 공간을 인지할 수 있으며, 바람직하게는 공간의 높이를 파악하여 장애물을 통과할 것인지, 회피할 것인지를 판단할 수 있다. 공간의 높이가 본체(110)의 높이보다 낮다고 판단된 경우, 제어부(140)는 본체(110)가 장애물을 회피하여 주행하도록 주행부(160)를 제어할 수 있다. 반대로, 공간의 높이가 본체(110)의 높이보다 높다고 판단된 경우, 제어부(140)는 본체(110)가 공간 내로 진입 또는 공간을 통과하도록 주행부(160)를 제어하는 것도 가능하다.

이때, 전술한 도 18의 (a)에도 제1 광 패턴과 제2 광 패턴이 두개의 수평선으로 표시되기는 하나, 제어부(140)는 제1 광 패턴과 제2 광 패턴 사이의 거리가 상이하므로 이를 구분할 수 있다. 또한, 도 18의 (a)의 경우, 장애물에 근접할수록 제1 광 패턴의 위치가 기준위치보다 위에 표시되나, 도 18의 (b)와 같이, 상부에 위치한 장애물의 경우에는 일정거리 근접하더라도 제1 광 패턴(P1)은 기준위치(ref1)에 표시되고, 제2 광 패턴(P2)의 위치가 변경되므로, 제어부(140)는 장애물의 종류를 구분할 수 있다.

도 18의 (c)와 같이, 침대 또는 서랍장 모서리의 경우, 제1 패턴 광(P1)은 바닥에 수평선으로 조사되고, 제2 패턴 광(P2)은 장애물의 모서리에 조사됨에 따라 그 일부는 수평선으로 나타나고 나머지 일부는 사선으로 장애물에 입사되어 나타난다. 제2 광 패턴은 본체(110)로부터 멀수록 상승하므로, 장애물의 측면의 경우, 전면에 조사되는 수평선보다 상측으로 꺾어지는 사선이 된다.

도 18의 (d)에 도시된 바와 같이, 본체(110)가 벽면 모서리에 일정거리 이상 근접한 경우, 제1 패턴 광(P1)은 일부가 기준위치보다 상측에 수평선으로 표시되고, 모서리의 측면에 일부가 조사되어 하부로 꺾어지는 사선으로 표시되며, 바닥면에 대해서는 기준위치에서 수평선으로 표시된다.

한편, 제2 패턴 광은 전술한 도 18의 (c)와 같이 일부는 수평선으로 표시되고, 모서리의 측면에 조사되는 일부는 상부로 꺾어지는 사선으로 입사되어 나타난다.

또한, 도 18의 (e)와 같이, 벽면으로부터 돌출된 장애물에 대하여, 제1 광 패턴은 기준위치(ref1)에 수평선으로 표시되고, 제2 광 패턴(P2)은 돌출면에 일부가 수평선으로 표시되고, 일부는 돌출면의 측면에 조사되어 상부로 꺾어지는 사선으로 표시되며, 나머지 일부는 벽면에 조사되어 수평선으로 나타난다.

그에 따라 제어부(140)는 제1 패턴 광과 제2 패턴 광의 위치 및 형태를 바탕으로 장애물의 위치, 형태, 크기(높이)를 판단한다.

도 19와 도 20은 본 발명의 일 실시예에 따른 이동 로봇의 장애물 감지 센서 유닛을 도시한 도면이고, 도 21은 도 19와 도 20에 도시된 센서 유닛의 장애물 또는 거리 감지 원리를 설명하는데 참조되는 도면이다.

도 19와 도 20을 참조하면, 장애물 감지 센서 유닛(172)은 광(L1)을 출사하여 장애물의 위치 또는 거리를 감지한다. 장애물 감지 센서 유닛(172)은 본체에 회전 및 승강 가능하게 구비된다. 장애물 감지 센서 유닛(172)은 발광부(2021), 수광부(2022), 그리고 베이스(2023)를 포함할 수 있다.

장애물 감지 센서 유닛(172)은, 장애물 감지 센서 유닛(172)을 상하 이동시키는 승강구동부(미도시), 장애물 감지 센서 유닛(172)의 센싱 각도를 조절하는 틸트구동부(미도시), 회전시키는 회전구동부(미도시)를 포함할 수 있다.

발광부(2021)는 광(L1)을 출사하는 것으로, 광원과, 광원으로부터 출사된 광이 평행하게 조사되도록 굴절시키는 콜리메이트 렌즈(collimate lens)를 포함할 수 있다. 광원으로는 적외선이나 가시광선을 발광시키는 발광체, 예를 들어, 적외선 또는 가시광선 발광 다이오드(LED)가 적용될 수도 있으나, 레이저 광을 출사하는 발광체가 바람직하다.

수광부(2022)는 장애물로부터 반사 또는 산란된 빛(L2)의 스팟이 맺히는 이미지 센서를 포함할 수 있다. 이미지 센서는 nXm의 매트릭스 형태로 배열된 복수개의 단위 픽셀들의 집합체이다. 각 단위 픽셀들은 CdS(CADMIUM SULFIDE CELL, 황화 카드뮴 셀), 광 다이오드(PHOTO DIODE), 광 트랜지스터(PHOTO TRANSISTOR), 태양전지(SOLAR CELL), 광전관(PHOTOELECTRIC TUBE) 등의 다양한 방식의 수광소자로 구현 수 있으며, 이러한 수광소자들은 광에 의한 광학신호를 전기신호로 변환시킨다. 또한, 수광부(2022)는 수광 렌즈를 포함할 수 있으며, 장애물로부터 반사 또는 산란된 광이 수광 렌즈를 통과하며 굴절되어 이미지 센서에 맺힌다. 수광 렌즈는 복수의 렌즈로 구성될 수 있다.

베이스(2023)는 발광부(2021)와 수광부(2022)를 지지하며, 본체로부터 회전 및 승강 가능하게 구비된다. 발광부(2021)와 이미지 센서는 베이스 상에서 일정한 간격을 유지하며 배치될 수 있다.

한편, 장애물 감지 센서 유닛(172)을 지지하기 위한 서포터(2025)가 더 구비될 수 있으며, 서포터(2025)에는 베이스(2023)가 회전 가능하게 지지될 수 있다. 서포터(2025)는 하부 본체(도 1의 110)에 나사나 볼트 등의 체결부재에 의해 고정될 수 있으며, 이 경우, 후술하는 승강 구동부는 베이스(2023)를 승강시킨다. 그러나, 이에 한정되지 않고, 실시예에 따라 서포터는 승강 구동부에 의해 하부 본체(110)에 대하여 상하로 승강 가능하게 구비될 수도 있다.

베이스 커버(2024)는 베이스(2023)에 결합되어, 베이스와 일체로 회전된다. 베이스 커버와 베이스 사이에는 발광부(2021)로부터 출사된 광(L1)이 통과되는 송광통로와, 수광부로 수신되는 광이 통과되는 수광통로가 형성될 수 있다.

승강 구동부는 장애물 감지 센서 유닛(172)을 승강시키는 것이다. 승강 구동부는 선형 또는 회전 모터를 포함할 수 있다. 장애물 감지 센서 유닛(172)이 승강 운동할 수 있도록, 승강 구동부와 장애물 감지 센서 유닛(172) 간의 동력 전달 또는 전환을 매개하는 동력 전달수단이 구비될 수 있으며, 이러한 동력전달 수단은 기어, 풀리(2042), 밸트(2043) 등을 이용하여 다양하게 실시될 수 있다. 예를 들어, 승강 구동부로 회전 모터가 사용되는 경우, 동력 전달수단으로는 상기 모터에 의해 회전되는 구동 피니언과, 베이스에 고정 배치되어 상기 구동 피니언과 치합되는 레크를 포함할 수 있다.

장애물 감지 센서 유닛(172)은 본체 상부에 형성된 승강 홀(미도시)을 통해 승강될 수 있다. 장애물 감지 센서 유닛(172)이 상하로 승강하는 경우, 장애물 감지 센서 유닛(172)이 하강 위치에 있을 시에는 장애물 감지 센서 유닛(172)의 발광부(2021)로부터 출사된 광(L1)은 장애물 감지 센서 유닛(172)에 설치되는 투명부재를 통해 본체의 전방을 향하고, 장애물로부터 반사 또는 산란된 광(L2)은 투명부재를 통과하여 수광부(2022)로 입사된다.

장애물 감지 센서 유닛(172)이 상승 위치에 있을 시에는, 장애물 감지 센서 유닛(172)이 승강 홀을 통해 본체의 상측으로 돌출된 상태이고, 발광부(2021)와 수광부(2022)도 본체의 상측에서 위치된다.

도 21은 물체까지의 거리를 측정하는 원리를 설명하기 위한 도면이다. 도 21을 참조하면, 장애물 감지 센서 유닛(172)을 통해 물체의 위치 감지가 이루어지는 기본 원리는 삼각 측량법을 이용한 것이다.

광원(2110)으로부터 출사된 광은 수광 렌즈(2130)의 주축(C)과 소정의 각도(θ)를 갖는다. 특히, 각도는 물체까지의 거리 측정의 정확성과 밀접한 관련을 갖는 것으로, 그 값이 너무 작으면 근거리에 있는 물체까지의 거리를 측정하는데 곤란함이 생길 수 있으며, 반대로 그 값이 너무 크면 원거리에 있는 물체까지의 거리를 측정하는데 곤란함이 생길 수 있다. 따라서, 각도는 적절한 값을 가져야 하며, 바람직하게는 0.1m 부터 4m에 위치한 물체까지의 거리를 측정하는데 문제가 없어야 한다.

광원(2110)으로부터 이격되어 이미지 센서(2120)가 배치되어 있고, 이미지 센서(2120)와 상기 물체 또는 장애물(300) 사이에는 수광 렌즈(2130)가 배치되어 있다. 이때, 장애물과 수광 렌즈(2130) 사이의 거리를 물체 거리 'L'로 정의하며, 물체 거리 'L'은 하기의 수학식 1로 계산된다.

여기서, f는 초점거리, g는 광원과 렌즈 사이 간격, θ는 광원(2110)으로부터 출사된 광과 수광 렌즈(2130)의 주축(C)이 이루는 각도, p는 물체에서 반사 또는 산란된 광이 이미지 센서(2120)에 맺히는 스팟의 위치를 이미지 센서(2120)의 중심(o)을 기준으로 표시한 것이다.

한편, 출사된 광이 투명부재(2132)를 통과한 경우에만 이미지 센서(2120)에 스팟이 맺히기 때문에, 청소구역을 매핑하는데 이용되는 위치정보들은 투명부재(2132)의 프로파일(profile)에 대응하는 구간, 예를 들어, 0도에서 180도 사이의 구간에서 구해진 것들이 이용될 수 있다.

이하에서는 초음파 센서로 장애물을 감지하는 경우를 예시하여 설명하지만 본 발명은 이에 한정되지 않는다. 예를 들어, 도 14 내지 도 21을 참조하여 예시한 다른 방식의 장애물 감지 방식을 이용할 수 있음은 자명할 것이다.

도 22는 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도이다.

도 2 내지 도 6, 및, 도 22를 참조하면, 먼저, 이동 로봇(100)은 명령 또는 설정에 따라서 이동하며 청소를 수행할 수 있다(S2210).

센서부(170)는 장애물감지센서(131, 171, 172)를 포함하며, 이동 중 장애물을 감지할 수 있다.

이동 중에 센서부(170)를 통하여 장애물이 감지되면(S2220), 영상획득부(120)는 본체(110) 전방의 영상을 획득할 수 있다(S2230).

또는, 영상획득부(120)가 획득하고 있는 영상 중에서 센서부(170)가 장애물을 감지하는 시점에 대응하는 영상 또는 센서부(170)가 장애물을 감지하는 시점이전의 영상을 선택하여 장애물 인식용 영상으로 사용할 수도 있다.

상기 센서부(170)가 장애물을 감지하면, 영상획득부(120)가 획득하는 영상에 기초하여 상기 감지된 장애물의 속성을 인식할 수 있다(S2240).

더욱 바람직하게는, 장애물인식모듈(144)은 상기 영상획득부(120)가 획득하는 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식할 수 있다(S2240).

장애물인식모듈(144)은 머신 러닝으로 장애물의 종류 등 속성을 인식하도록 학습된 인공신경망을 포함할 수 있고, 기학습된 데이터에 기초하여 장애물의 속성을 인식할 수 있다.

예를 들어, 장애물인식모듈(144)에는 딥러닝 구조 중 하나인 CNN(Convolutional Neural Network)이 탑재되고, 기학습된 CNN(Convolutional Neural Network)은 입력 데이터에 포함된 장애물의 속성을 인식하여 그 결과를 출력할 수 있다.

따라서, 본 발명의 일 실시예에 따르면, 센서부(170)가 감지하는 장애물의 방향에 따라 영상획득부(120)가 획득한 영상 중 일부 영역을 추출하여 인식용 데이터로 사용함으로써, 인식률을 높일 수 있다.

한편, 주행제어모듈(141)은, 상기 인식된 장애물의 속성에 기초하여, 주행부(160)의 구동을 제어할 수 있다(S2290).

예를 들어, 주행제어모듈(141)은 상기 인식된 장애물이 넘을 수 없는 높이의 장애물인 경우에, 장애물을 우회하여 주행하도록 제어할 수 있다.

또한, 주행제어모듈(141)은 낮은 높이의 둔턱과 같이 상기 인식된 장애물이 넘을 수 있는 높이의 장애물인 경우에, 계속해서 직진 주행하도록 제어할 수 있다.

또한, 주행제어모듈(141)은 선풍기의 받침대, 멀티탭, 전선 등 낮은 높이의 장애물이라도 이동시 구속 가능성이 있는 위험 장애물이 인식되면, 장애물을 우회하여 주행하도록 제어할 수 있다.

한편, 제어부(140)는, 상기 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 기설정된 음향을 출력하도록 음향 출력부(181)를 제어할 수 있다(S2270).

여기서, 상기 이동 가능한 장애물은, 사람의 신체 중 일부이거나 반려동물일 수 있고, 상기 기설정된 음향은, 경고음 또는 상기 이동 가능한 장애물의 이동을 안내하는 메시지일 수 있다.

한편, 제어부(140)는 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 상기 본체의 이동을 정지하여 대기하도록 주행부(160)를 제어할 수 있다(S2260).

한편, 도 22에서는 대기(S2260) 이후에 음향을 출력(S2270)하는 순서를 예시하였으나, 본 발명은 이에 한정되지 않는다. 예를 들어, 음향을 출력하고, 본체의 이동을 정지하거나, 이동을 정지하면서 음향을 출력할 수도 있다.

한편, 제어부(140)는 경고음 또는 상기 이동 가능한 장애물의 이동을 안내하는 메시지를 출력하고(S2270), 소정 대기 시간 동안 이동 가능한 장애물이 이동하는 것을 기다릴 수 있다(S2260).

한편, 센서부(170)는 상기 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동하는 지 여부를 감지할 수 있다(S2280). 제어부(140)는 이동 가능한 장애물의 경우에는 소정 대기 시간 동안에 이동 가능한 장애물의 이동 여부를 판별하고, 이에 따라 다르게 주행하도록 제어할 수 있다.

제어부(140)는 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되면(S2280), 상기 본체의 정지(S2260) 전 이동을 변경 사항 없이 재개하도록 제어할 수 있다.

만약, 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되지 않으면(S2280), 제어부(140)는 상기 이동 가능한 장애물에 대한 회피주행을 수행하도록 제어할 수 있다(S2290).

통상적으로 가족 구성원 중 어느 하나가 청소할 때, 댁내 구성원이 청소구역을 발로 막고 있으면, 발을 치우라고 말하는 것이 다수의 반응이다.

본 발명을 이러한 사용자들의 통상적인 행동을 반영하여 이동 로봇(100)도 사람의 발, 손 등 이동가능한 장애물을 감지하면 "청소 중이니 발을 비켜주세요." 등의 음성을 출력할 수 있다.

이에 따라, 사용자가 이동 로봇(100)이 사용자의 발을 인식한다는 것을 직접적으로 인지할 수 있고, 이동 로봇(100)의 신뢰성이 높아질 수 있다.

또한, 가족 구성원이 청소시 이동 가능한데도 불필요하게 회피주행함으로써 발생할 수 있는 미 청소 영역을 감소시킴으로써 청소 효율을 향상시킬 수 있다.

도 23은 본 발명의 일 실시예에 따른 이동 로봇의 제어 방법을 도시한 순서도로, 센서부(170)가 초음파 센서를 이용하여 사람의 발을 인식하는 구체적인 경우를 예시한 것이다.

도 23을 참조하면, 먼저, 이동 로봇(100)은 명령 또는 설정에 따라서 기설정된 패턴으로 이동할 수 있다(S2310). 예를 들어, 이동 로봇(100)은 지그재그 패턴으로 주행하며 청소를 수행할 수 있다(S2310).

센서부(170)가 초음파 센서를 포함하는 경우에, 반사되는 초음파 신호를 감지함으로써 장애물의 존재를 감지하고, 제어부(140)는 영상획득부(120)가 획득하는 영상에 기초하여 장애물의 속성을 인식할 수 있다(S2320).

한편, 영상획득부(120)는 지속적으로 이동 로봇(100) 전방 및 주변을 촬영하거나, 상기 센서부(170)의 장애물 감지에 따라 전방 및 주변을 촬영하여 영상을 획득할 수 있다.

한편, 제어부(140)는 인식된 장애물의 속성에 따라 이동 로봇(100)이 주행하도록 제어할 수 있다.

예를 들어, 제어부(140)는 인식된 장애물이 일반 장애물(비위험 장애물)이면(S2331), 일반 장애물 회피주행하도록 제어할 수 있다(S2341).

또한, 제어부(140)는 인식된 장애물이 위험 장애물이면(S2332), 위험 장애물 회피주행하도록 제어할 수 있다(S2342).

여기서, 일반 장애물 회피주행과 위험 장애물 회피주행은, 회피 주행시 확복하는 장애물과의 거리, 이동 로봇의 회전 각도, 회피 주행 패턴 중 적어도 하나가 상이할 수 있다.

또한, 제어부(140)는, 인식된 장애물이 사람의 발이면(S2334), 음향 출력부(181)를 통하여 음향이 출력되도록 제어할 수 있다(S2350).

예를 들어, 음향 출력부(181)는,“청소 중이니 비켜주세요.”등 음성 알림(Notice)을 사용자에게 제공할 수 있다. 즉, 사람 발 인식 시 사용자에게 인지했다는 것을 확인시켜줄 수 있고, 사용자가 청소 영역에서 회피할 수 있도록 정보를 줄 수 있다.

또한, 제어부(140)는, 이동 로봇(100)의 이동을 정지하고(S2360), 소정 대기 시간 내에 사람이 이동하는지 판별할 수 있다(S2370, S2380).

한편, 제어부(140)는 소정 대기 시간 도과 여부를 판별하기 위하여 타이머를 구동(Timer on)할 수 있다. 타이머는 제어부(140) 내에 구비되거나 제어부(140) 외부에 별도로 구비될 수 있다.

예를 들어, 초음파 센서에서 감지되는 장애물이 이동하면 반사되는 초음파 신호가 클리어(clear)되므로, 초음파 신호의 클리어(clear) 여부로 이동 가능한 장애물의 이동 여부를 판별할 수 있다.

초음파 신호의 클리어(clear) 되면(S2370), 전방에 사람이 비켰다고 판단할 수 있으므로 지그재그 패턴의 기존 이동을 재개할 수 있다(S2310).

소정 대기 시간 동안, 장애물의 이동이 판별되지 않아, 대기 시간이 타임 아웃(time out)되면(S2380), 제어부(140)는 기설정된 회피 동작을 수행하도록 제어할 수 있다.

예를 들어, 대기 시간이 타임 아웃되면(S2380), 제어부(140)는 위험 장애물 회피주행하도록 제어할 수 있다(S2342).

도 24 내지 도 32는 본 발명의 실시예에 따른 이동 로봇의 제어 방법에 관한 설명에 참조되는 도면이다.

도 24를 참조하면, 본 발명의 일 실시예에 따른 이동 로봇(100)은, 주행 시 사람(발) 등 이동 가능한 장애물이 인식되면, "청소중이니 비켜주세요." 등 알람을 주고, 정지 후 일정 시간 이내 비키면 청소를 계속하고, 비키지 않으면 장애물 회피로 동작할 수 있다.

이에 따라, 이동 로봇(100)과 사용자 간의 충돌을 방지할 수 있고, 청소 효율을 높일 수 있다.

또한, 집에서 가족 구성원이 바닥에 앉아서 팔을 지지하고 기대어 있는 경우도 매우 많다.

따라서, 도 25와 같이, 이동 로봇(100)은, 주행 시 사람의 손 또는 팔이 인식되면, "팔을 치워주세요." 등 알람을 사용자에게 제공할 수 있다.

또한, 사람의 '발', '손', '팔' 등 인식된 신체의 특정 부위를 정확하게 사용자에게 알리면, 사용자의 신뢰성을 높일 수 있다.

도 26은, 대기 시간 동안에 이동 로봇(100)이 소정 거리 범위 내에서 후진과 직진을 반복하는 예를 도시한 것이다.

도 26을 참조하면, 이동 가능한 장애물의 이동을 기다리는 동안에 이동 로봇(100)은, 제1 거리(D11)만큼 전진했다가 제2 거리(D12)만큼 후진, 다시 제1 거리(D11)만큼 전진했다가 제2 거리(D12)만큼 후진함으로써, 이동 로봇(100)이 사용자의 이동을 기다리고 있음을 알릴 수 있다.

한편, 상기 제1 거리(D11)는 이동 로봇(100)이 장애물에 너무 접근하지 않도록 충분히 작은 값으로 설정되는 것이 바람직하고, 상기 제2 거리(D12)는 상기 제1 거리(D11)에 대응하여 설정될 수 있다.

바람직하게는, 이동 로봇(100)은, 제2 거리(D12)만큼 후진하고, 다시 제2 거리(D12)만큼만 전진하여, 최초 정지 위치 앞으로 전진하지 않음으로써, 장애물에 접근하지 않을 수 있다. 즉, 이동 로봇(100)은 제2 거리(D12)만큼의 후진, 전진, 후진, 전진을 반복하는 것이 더욱 바람직하다.

도 27 내지 도 30은 영상획득부(120)가 획득한 영상 중 일부 영역을 잘라내어(cropping) 추출하는 구체적인 예들을 도시한 것이다.

도 27을 참조하면, 이동 로봇(100)은 센서부(170)를 통하여 이동 중에 사람의 발 등 장애물(2700)을 감지할 수 있다. 도 27은 장애물(2700)이 이동 로봇(100)의 이동 방향 중앙에서 감지되는 경우를 예시한다.

이동 로봇(100)이 이동 중에 장애물(2700)의 존재를 감지하면, 도 28의 (a)와 같이, 영상획득부(120)는 이동 로봇(100)의 전방을 촬영하여 장애물(2700)의 적어도 일부가 포함되는 영상(2800)을 획득할 수 있다.

제어부(140)는 상기 센서부(170)가 감지하는 장애물(2700)의 방향에 대응하여 영상획득부(120)가 획득한 영상(2800) 중 일부 영역(2810)을 추출하도록 제어할 수 있다.

도 27과 도 28을 참조하면, 제어부(140)는 상기 장애물(2700)이 본체(110) 전면 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 중앙(center) 하단 영역(2810)을 추출하도록 제어할 수 있다.

한편, 제어부(140)는, 도 28의 (b)와 같이 추출된 영상(2820)을 장애물의 속성을 인식하기 위한 입력 데이터로 사용할 수 있다.

장애물인식모듈(144)은 머신러닝으로 기학습된 데이터에 기초하여 상기 장애물(2700)이 사람의 발이라는 것을 인식할 수 있다. 예를 들어, 장애물인식모듈(144)에는 딥러닝 구조 중 하나인 CNN(Convolutional Neural Network)이 탑재되고, 기학습된 CNN(Convolutional Neural Network)은 입력 데이터에 포함된 장애물의 속성을 인식하여 그 결과를 출력할 수 있다.

한편, 주행제어모듈(141)은 상기 감지된 장애물이 진행해도 되는 장애물이 아닌 경우에, 회전 후 진행 등 회피 동작을 수행하도록 주행부(160)를 제어할 수 있다.

한편, 상기 추출된 영상(2820)은 저장부(150)에 저장될 수 있다. 또한, 영상획득부(120)가 획득한 원본 영상(2800)도 상기 저장부(150)에 저장될 수 있다.

상기 저장부(150)에 저장된 추출된 영상(2820)은 트레이닝 데이터로 활용될 수 있다.

한편, 제어부(140)는 장애물이 본체(110) 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 우측 하단 영역을 추출하고, 장애물이 상기 본체(110) 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부(120)가 획득하는 영상의 좌 측하단 영역을 추출하도록 제어할 수 있다.,

도 29는 장애물(2700)이 이동 로봇(100)의 이동 방향 우측에서 감지되는 경우를 예시한다.

도 30의 (a)를 참조하면, 장애물(2700)이 본체(110) 전면의 우측 방향에서 감지되는 경우에, 제어부(140)는 상기 영상획득부(120)가 획득하는 영상(3000)의 우측하단 영역(3010)을 추출하도록 제어할 수 있다.

제어부(140)는, 도 30의 (b)와 같이 추출된 영상(3020)을 장애물의 속성을 인식하기 위한 입력 데이터로 사용할 수 있다.

본 발명은 단순히 전체 영상의 중심 영역을 기준으로 미리 설정된 크기로 크로핑(cropping)하는 것이 아니라, 장애물이 감지되는 방향에 기초하여, 영상 중 중앙, 좌측, 우측 영역을 추출할 수 있다.

이에 따라, 인식을 위한 입력 데이터에 장애물이 최대한 많이 포함될 수 있다. 머신은 영상 내 비중이 가장 많은 것을 인식하므로, 장애물의 속성 인식률을 향상시킬 수 있다.

한편, 이동 로봇(100)은 소정 공간의 바닥에서 주행하므로 획득영상의 하단부를 추출하여 인식을 위한 입력 데이터에 장애물이 더 많이 포함되도록 할 수 있다.

본 발명의 일 실시예에 따른 센서부(170)는, 이동 로봇(100)의 본체 전면에 배치되는 제1 센서, 상기 제1 센서로부터 좌, 우로 이격되도록 배치되는 제2 센서 및 제3 센서를 포함할 수 있다.

이 경우에, 상기 제1 센서는 발신부로 동작하고, 제2 센서 및 제3 센서는 수신부로 동작할 수 있다. 예를 들어, 상기 제1 센서는 초음파 신호를 방사하고, 제2 센서 및 제3 센서는 장애물에 반사된 신호를 수신할 수 있다. 장애물에 반사된 신호를 수신하면, 공지된 초음파를 이용한 인식 방법들을 이용하여 장애물이 있는 방향, 장애물과의 거리를 판단할 수 있다.

예를 들어, 감지되는 장애물과 상기 제2 센서 사이의 거리와 상기 감지되는 장애물과 상기 제3 센서 사이의 거리가 동일하면, 장애물이 이동 로봇(100)의 전면 방향 중앙에서 감지된 것으로 판단할 수 있다.

이 경우에, 영상획득부(120)가 획득한 원본 영상 전체의 중앙(center) 하단에서 소정 영역을 추출할 수 있다.

한편, 감지되는 장애물과 상기 제2 센서 사이의 거리가 상기 감지되는 장애물과 상기 제3 센서 사이의 거리보다 크면, 장애물이 이동 로봇(100)의 전면 우측 방향에서 감지된 것으로 판단할 수 있다.

이 경우에, 영상획득부(120)가 획득한 원본 영상 전체의 우측 하단에서 소정 영역을 추출할 수 있다.

제어부(140)는, 상기 영상획득부(120)가 획득하는 영상에서의 추출 대상 영역을, 상기 감지되는 장애물과 상기 제2 센서 사이의 거리와 상기 감지되는 장애물과 상기 제3 센서 사이의 거리 차이에 비례하도록 이동(shift)시켜 추출하도록 제어할 수 있다.

한편, 본 발명의 일 실시예에 따른 이동 로봇은, 상기 추출된 영상을 트레이닝(training) 데이터로 사용하여 학습 과정을 수행함으로써, 인공신경망(ANN), 심층신경망(DNN) 구조를 지속적으로 업데이트할 수 있다.

또는, 상기 추출된 영상을 소정 서버로 전송하고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신할 수 있다. 이후, 이동 로봇은, 상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 상기 장애물인식모듈을 업데이트(update)할 수 있다.

도 31과 도 32는 영상획득부(120)가 획득한 영상 중 특정 시점 영상을 선택하여, 장애물 인식용 데이터로 사용하는 구체적인 예를 도시한 것이다.

도 31은 장애물(3100)이 이동 로봇(100)의 전면 방향에서 감지되는 경우를 예시한다.

도 31을 참조하면, 이동 로봇(100)이 주행하면서, 영상획득부(120)가 계속해서 촬영하여 복수의 영상을 획득할 수 있다. 이동 로봇(100)은 제1 위치(3110)에서 제1 영상(3111)을 획득하고, 제2 위치(3120)에서 제2 영상(3121)을 획득하고, 제3 위치(3130)에서 제3 영상(3131)을 획득할 수 있다.

도 32를 참조하면, 저장부(150)에는 소정 개수의 영상이 저장될 수 있다. 또한, 설정된 개수 이상의 영상이 획득되면, 가장 앞선 시점의 영상을 삭제하고, 새로 획득된 영상을 저장할 수 있다.

이동 로봇(100)은, 초음파 신호 감지에 의한 트리거(Trigger) 신호에 따라 영상 인식을 시작할 수 있다.

하지만, 트리거(Trigger) 신호로 사용하는 초음파 센서의 경우 레인지(Range)가 짧기 때문에, 장애물(3100)이 감지되어 트리거(Trigger)될 때 획득된 영상(3131)을 보면 인식 대상의 특징이 사라질 수 있다.

따라서, 본 발명은 저장부(150)에 연속되는 영상들을 저장하고, 진행 방향이 직진 주행인지 판단 후 트리거(Trigger) 시 제3 영상(3131)을 사용하지 않고 제1 영상(3111)을 사용하여 장애물 인식을 수행할 수 있다.

이동 로봇(100)은 일정한 속도로 주행하는 경우가 많기 때문에 직진 주행 여부만을 판단하여 소정 시점의 영상, 예를 들어, 센서부(170)의 장애물 감지 시점보다 2 프레임 앞선 과거 시점의 영상을 선택하여 장애물 인식을 수행할 수 있다.

또한, 제어부(140)는 센서부(170)의 감지 범위, 성능, 장애물 인식 과정의 처리 속도 등도 고려하여, 센서부(170)의 장애물 감지 시점보다 얼마나 앞선 과거 시점의 영상을 선택할 지 결정할 수 있다.

한편, 실시예에 따라서는, 선택된 시점의 영상 전체를 장애물 인식 입력 데이터로 사용하지 않고, 선택된 시점의 영상 중 일부 영역을 추출하여 인식함으로써 인식률을 높일 수 있다.

본 발명에 따른 이동 로봇은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

한편, 본 발명의 실시예에 따른 이동 로봇의 제어 방법은, 프로세서가 읽을 수 있는 기록매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 기록매체는 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 프로세서가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한, 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함한다. 또한, 프로세서가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

본체: 110
영상획득부: 120
전면 카메라: 120a
상부 카메라: 120b
조작부: 137
제어부: 140
저장부: 150
주행부: 160
센서부: 170
출력부: 180
음향 출력부: 181
디스플레이: 182
통신부: 190

Claims

본체를 이동시키는 주행부;
상기 본체 주변의 영상을 획득하는 영상획득부;
상기 이동 중 장애물을 감지하는 하나 이상의 센서를 포함하는 센서부;
상기 센서부가 장애물을 감지하면, 상기 영상획득부가 획득하는 영상에 기초하여 상기 감지된 장애물의 속성을 인식하고, 상기 인식된 장애물의 속성에 기초하여, 상기 주행부의 구동을 제어하는 제어부; 및,
상기 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 기설정된 음향을 출력하는 음향 출력부;를 포함하는 이동 로봇.
제1항에 있어서,
상기 이동 가능한 장애물은, 사람의 신체 중 일부이거나 반려동물인 것을 특징으로 이동 로봇.
제1항에 있어서,
상기 제어부는,
상기 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 상기 본체의 이동을 정지하도록 제어하는 것을 특징으로 하는 이동 로봇.
제3항에 있어서,
상기 제어부는,
소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되면, 기존의 이동을 재개하도록 제어하는 것을 특징으로 이동 로봇.
제3항에 있어서,
상기 제어부는,
소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되지 않으면, 상기 이동 가능한 장애물에 대한 회피주행을 수행하도록 제어하는 것을 특징으로 이동 로봇.
제3항에 있어서,
상기 제어부는,
상기 본체가 소정 거리 범위 내에서 후진과 직진을 반복하도록 제어하는 것을 특징으로 이동 로봇.
제1항에 있어서,
상기 제어부는,
상기 인식된 장애물의 속성에 기초하여 다른 패턴으로 회피주행을 수행하도록 제어하는 것을 특징으로 이동 로봇.
제1항에 있어서,
상기 기설정된 음향은, 경고음 또는 상기 이동 가능한 장애물의 이동을 안내하는 메시지인 것을 특징으로 이동 로봇.
제1항에 있어서,
상기 제어부는,
상기 영상획득부가 획득하는 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식하는 장애물인식모듈과
상기 인식된 장애물의 속성에 기초하여, 상기 주행부의 구동을 제어하는 주행제어모듈을 포함하는 이동 로봇.
제10항에 있어서,
소정 서버로부터 머신 러닝과 관련된 데이터를 수신하는 통신부;를 더 포함하고, 상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 상기 장애물인식모듈을 업데이트(update)하는 것을 특징으로 하는 이동 로봇.
제1항에 있어서,
상기 제어부는,
상기 센서부가 감지하는 장애물의 방향에 대응하여 상기 영상획득부가 획득하는 영상의 일부 영역을 추출하도록 제어하는 것을 특징으로 이동 로봇.
제11항에 있어서,
상기 제어부는,
상기 장애물이 상기 본체 전면의 우측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 우측 하단 영역을 추출하고,
상기 장애물이 상기 본체 전면의 좌측 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 좌측 하단 영역을 추출하며,
상기 장애물이 상기 본체 전면 방향에서 감지되는 경우에, 상기 영상획득부가 획득하는 영상의 중앙(center) 하단 영역을 추출하도록 제어하는 것을 특징으로 하는 이동 로봇.
제1항에 있어서,
상기 영상획득부가 획득하는 연속된 복수의 영상을 저장하는 저장부;를 더 포함하고,
상기 제어부는,
상기 센서부가 장애물을 감지하면, 상기 본체의 이동 방향과 이동 속도에 기초하여, 상기 연속된 복수의 영상 중 상기 센서부의 장애물 감지 시점 이전의 특정 시점 영상을 선택하고, 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 상기 선택된 특정 시점 영상에 포함되는 장애물의 속성을 인식하는 것을 특징으로 이동 로봇.
제13항에 있어서,
상기 제어부는,
상기 이동 속도가 느릴수록 상기 센서부의 장애물 감지 시점을 기준으로 더 과거 시점의 영상을 선택하는 것을 특징으로 하는 이동 로봇.
센서부를 통하여, 이동 중 장애물을 감지하는 단계;
상기 센서부가 장애물을 감지하면, 영상획득부가 획득하는 영상에 기초하여 상기 감지된 장애물의 속성을 인식하는 단계;
상기 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 기설정된 음향을 출력하는 단계; 및,
상기 인식된 장애물의 속성에 기초하여, 주행부의 구동을 제어하는 단계;를 포함하는 이동 로봇의 제어방법.
제15항에 있어서,
상기 이동 가능한 장애물은, 사람의 신체 중 일부이거나 반려동물인 것을 특징으로 이동 로봇의 제어방법.
제15항에 있어서,
상기 장애물의 속성을 인식하는 단계는, 상기 영상획득부가 획득하는 영상에서 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 장애물을 인식하는 것을 특징으로 이동 로봇의 제어방법.
제15항에 있어서,
상기 인식된 장애물의 속성이 이동 가능한 장애물인 경우, 상기 본체의 이동을 정지하는 단계;를 더 포함하는 이동 로봇의 제어방법.
제18항에 있어서,
상기 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동하는 지 여부를 감지하는 단계;를 더 포함하고,
상기 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되면, 상기 본체의 정지 전 이동을 재개하도록 제어하는 것을 특징으로 하는 이동 로봇의 제어방법.
제18항에 있어서,
상기 소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동하는 지 여부를 감지하는 단계;를 더 포함하고,
소정 대기 시간 이내에 상기 이동 가능한 장애물의 이동이 감지되지 않으면, 상기 인식된 장애물의 속성에 기초하여 상기 주행부의 구동을 제어하는 단계는, 상기 이동 가능한 장애물에 대한 회피주행을 수행하도록 제어하는 것을 특징으로 이동 로봇.