KR20190086626A - 로봇에 포함된 전지를 충전하는 방법 및 그 장치 - Google Patents

로봇에 포함된 전지를 충전하는 방법 및 그 장치 Download PDF

Info

Publication number
KR20190086626A
KR20190086626A KR1020190071810A KR20190071810A KR20190086626A KR 20190086626 A KR20190086626 A KR 20190086626A KR 1020190071810 A KR1020190071810 A KR 1020190071810A KR 20190071810 A KR20190071810 A KR 20190071810A KR 20190086626 A KR20190086626 A KR 20190086626A
Authority
KR
South Korea
Prior art keywords
discharge
robot
charging
charge
battery
Prior art date
Application number
KR1020190071810A
Other languages
English (en)
Other versions
KR102650175B1 (ko
Inventor
김선옥
박재민
서영정
안병교
조영규
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 KR1020190071810A priority Critical patent/KR102650175B1/ko
Publication of KR20190086626A publication Critical patent/KR20190086626A/ko
Priority to US16/555,234 priority patent/US11233280B2/en
Application granted granted Critical
Publication of KR102650175B1 publication Critical patent/KR102650175B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/443—Methods for charging or discharging in response to temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/005—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators using batteries, e.g. as a back-up power source
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/64—Optimising energy costs, e.g. responding to electricity rates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M10/4257—Smart batteries, e.g. electronic circuits inside the housing of the cells or batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/46—Accumulators structurally combined with charging apparatus
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
    • H02J7/00036—Charger exchanging data with battery
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0069—Charging or discharging for charge maintenance, battery initiation or rejuvenation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
    • H02J7/007182—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters in response to battery voltage
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
    • H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
    • H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
    • H02J7/007194—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature of the battery
    • H02J7/0091—
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Transportation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Robotics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

작업 과정에서 일정하게 충전 및 방전을 수행하는 로봇에 포함된 전지를 충전하는 방법에 있어서, 주변 온도, 충방전율 및 방전 심도(Depth of Discharge)에 기초하여 표준 열화 비용에 대한 정보를 미리 결정하여 저장하는 단계; 로봇의 주변 온도 및 로봇의 작업 과정에서의 충방전율에 기초하여 저장된 표준 열화 비용에 대한 정보 중 하나를 결정하는 단계; 결정된 하나의 표준 열화 비용에 대한 정보에 기초하여, 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정하는 단계; 및 적어도 하나의 방전 심도에 기초한 충방전 방식으로 전지를 충전 및 방전시키는 과정을 반복함으로써 작업을 수행하는 단계를 포함하는 로봇에 포함된 전지 충전 방법이 제공될 수 있다. 또 다른 일 실시예에 따라 상술한 전지 충전 방법을 수행할 수 있는 로봇이 제공될 수 있으며, 전지 충전 방법을 수행하는 컴퓨터 프로그램이 수록된 비휘발성 컴퓨터 판독 가능 기록매체가 제공될 수도 있다.

Description

로봇에 포함된 전지를 충전하는 방법 및 그 장치{METHOD FOR CHARGING BATTERY INCLUDED IN ROBOT AND APPARATUS THEREOF}
본 발명은 로봇이 작업을 위해 충전 및 방전 작업을 일정하게 수행해야 하는 환경에서 전지의 반복되는 충전 및 방전 과정을 효율적으로 수행할 수 있는 로봇에 대한 것이다.
로봇은 의료산업, 우주 항공, 조선업, 농업용 등의 산업용 로봇에서 다양하게 제작되어 운용되고 있다. 최근에는 일반 가정용 로봇도 제작됨으로써 일반 가정에서 까지 로봇을 이용하여 소정의 작업할 수 있도록 로봇 제어 및 제작 기술이 진화하고 있다.
상기 가정용 로봇으로서는 로봇 청소기, 잔디 깎이 로봇 등이 있을 수 있으며 이러한 가정용 로봇은 사용자의 지시에 따라 작업을 수행하기도 하며, 사용자의 작업 수행 지시가 없더라도 정기적으로 작업을 개시할 수도 있다. 가정용 로봇은 자동적으로 작업을 수행하며 또한 무선으로 작업이 수행됨이 바람직할 수 있으므로 이러한 가정용 로봇에는 2차 전지로 일컬어지는 이러한 충전 가능한 전지가 포함된다. 이러한 충전 및 방전이 과정이 반복적으로 수행될 수 밖에 없는 작업 환경에서 전지의 수명 단축 또는 노후화는 필연적이다.
일반적으로 자동으로 운행되는 로봇의 경우, 작업이 완료되었다고 판단되거나 또는 잔여 전력량이 소정량 이하로 감소하게 되는 경우, 충전 스테이션(station)으로 되돌아와 바로 충전을 시작하게 된다. 특히 완전 충전된 전지의 전력량으로는 한 번에 모든 작업을 완료하기 어려울 정도로 작업량이 많은 경우에는, 완전 충전된 상태에서 완전 방전된 상태로 반복적으로 충전 및 방전 과정이 수행된다. 하지만 이러한 충전 방법은 2차 전지의 수명에 매우 해로운 충전 방식에 해당되며 전지의 수명이 급격하게 감소한다는 문제점이 있다.
이에 따라 가정용 또는 산업용 로봇에 포함되는 2차 전지의 노후화에 의해 일정 수준 이하의 전력량만 이용 가능한 상태로 되면, 사용자로서는 로봇의 사용 가능 시간을 더 확보하기 위해 일정 비용을 지불하여 노후화된 전지를 새로운 전지로 교체한다.
2차 전지의 경우 전지의 용량에 비례하여 가격이 급격하게 상승하게 되는데, 최근에는 가정에서 사용되는 로봇의 경우에도 다양한 작업을 수행하기 위한 로봇이 제공됨에 따라 삽입되는 전지의 용량 또한 커지면서 전지의 교체비용도 상승하게 되었다.
한편 작업 환경(예를 들면, 작업을 수행 중인 로봇의 주변 온도 또는 충전 및 방전 시의 전류 크기 등)에 따라 일정한 조건이 유지되고 있을 경우 전지의 노후화 정도를 측정할 수 있다. 다만 전지의 전력량(즉, State of Charge, SoC)은 로봇이 작업을 수행하거나 충전 과정 중인 경우에 계속 변하는 것이므로, 전지의 전력량을 기준으로 전지의 노후화 정도를 추정하기 곤란하다.
본 발명은 사용자의 전지 교체비용에 대한 부담을 줄이기 위하여 로봇에 포함된 2차 전지가 충전 및 방전되는 과정을 통해 노후화되는 속도를 최소화하여 로봇에 포함된 전지의 수명을 증가시키기 위한 것을 목적으로 한다.
본 발명은 로봇이 일정하게 충전 및 방전을 반복하면서 작업을 수행해야 하는 작업 환경 속에서 전지의 노후화 정도를 추정하기 위해 전지의 전력량(SoC) 대신 방전 심도(Depth of Discharge, DoD)에 이용함으로써, 전지의 노후화 속도를 감소시키고 전지의 수명을 증가시키는 것을 목적으로 한다.
본 발명은 실질적으로 로봇이 작업에 필요한 시간을 방해하지 않는 범위 내에서 충전을 효율적으로 수행할 수 있도록, 로봇이 작업하지 않는 시간 중 노후화 방지에 효율적인 시간 동안 충전을 수행하기 위한 것을 목적으로 한다.
본 발명은 인공지능을 이용하여 어느 정도의 전력량까지만 충전하고 어느 정도의 전력량일 때 충전해야 하는지 실질적으로 로봇이 작업하는 환경을 고려하여 결정할 수 있고 그에 따라 로봇의 작업환경에서 가장 효율적인 전지 충전 및 방전 방식을 제공하는 것을 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적은 당업자가 용이하게 이해할 수 있는 범위 내에서 후술할 다양한 실시예를 통해 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해가능하다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상술한 기술적 과제를 해결하기 위해, 일 실시예에 따라 작업 과정에서 일정하게 충전 및 방전을 수행하는 로봇에 포함된 전지를 충전하는 방법에 있어서, 주변 온도, 충방전율 및 방전 심도(Depth of Discharge)에 기초하여 표준 열화 비용에 대한 정보를 미리 결정하여 저장하는 단계; 로봇의 주변 온도 및 로봇의 작업 과정에서의 충방전율에 기초하여 저장된 표준 열화 비용에 대한 정보 중 하나를 결정하는 단계; 결정된 하나의 표준 열화 비용에 대한 정보에 기초하여, 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정하는 단계; 및 적어도 하나의 방전 심도에 기초한 충방전 방식으로 전지를 충전 및 방전시키는 과정을 반복함으로써 작업을 수행하는 단계를 포함하는 로봇에 포함된 전지 충전 방법이 제공될 수 있다.
상술한 기술적 과제를 해결하기 위해, 또 다른 일 실시예에 따른 작업 과정에서 일정하게 충전 및 방전을 수행하는 로봇에 있어서, 충전이 가능한 전지; 전지를 충전하기 위해 구성되는 충전부; 주변 온도, 충방전율 및 방전 심도에 기초하여 표준 열화 비용에 대한 정보를 미리 결정하고, 로봇의 주변 온도 및 로봇의 작업 과정에서의 충방전율에 기초하여 저장된 표준 열화 비용에 대한 정보 중 하나를 결정하고, 결정된 하나의 표준 열화 비용에 대한 정보에 기초하여 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정하고, 적어도 하나의 방전 심도에 기초한 충방전 방식으로 전지를 충전 및 방전시키는 과정을 반복하도록 충전부를 제어함으로써 작업을 수행하도록 로봇을 제어하도록 구성되는 프로세서; 및 미리 결정된 표준 열화 비용에 대한 정보를 저장하도록 구성되는 메모리를 포함하는, 로봇이 제공될 수 있다.
상술한 기술적 과제를 해결하기 위해, 또 다른 일 실시예에 따른 전지 충전 방법을 수행하기 위한 컴퓨터 프로그램을 수록한 비일시적 컴퓨터 판독 가능 기록매체가 제공될 수 있다.
본 발명의 일 실시예를 통해, 반복적으로 충전 및 방전되는 작업 환경 속에서 작업에 필요한 전력량 이상으로 전지가 충전되는 상황을 방지할 수 있으며, 이에 따라 불필요한 전력 소모를 방지할 수 있다.
또한, 본 발명의 일 실시예를 통해, 동일한 방전 심도로 로봇이 구동되는 경우라고 하더라도 작업량 당 노후화 속도를 늦출 수 있는 최적의 충방전 개시 전력을 결정하고 이에 기초하여 충전 및 방전 개시 전력에 도달한 시간을 결정할 수 있다.
또한, 본 발명의 일 실시예를 통해, 반복되는 충전 및 방전 과정에서 획득 가능한 소정의 정보를 기계학습된 인공 신경망에 입력하여 작업 환경이나 전지의 상태 등에 최적화된 충방전 개시 전력을 출력하고 출력 정보에 기초하여 방전 및 충전을 개시할 수 있다. 이후 전지의 충전 및 방전 결과에 따라 다시 인공 신경망을 기계학습 시킴으로써 로봇이 처해질 수 있는 다양한 작업 환경마다 최적화된 충전 및 방전 전략을 결정할 수 있으므로 작업환경에 적응적인 방진 개시 전력량 및 충전 개시 전력량 의 결정 과정을 수행할 수 있다.
도 1은 일 실시예에 따라 소정의 작업 환경 속에서 로봇이 작업의 미완료 상태에서 충전을 필요로 하는 과정을 도시한다.
도 2는 일 실시예에 따라 작업 수행을 위해 반복적으로 전지의 충전 및 방전 과정을 수행할 수 있는 로봇 및 로봇고정부의 블록도 및 상호관계를 도시한다.
도 3은 일 실시예에 따라 전지 충전 방법이 수행되는 과정을 시간 순서에 따라 나타낸 것이다.
도 4는 일 실시예에 따라 로봇(200)의 전지(210)를 충전 및 방전시키는 과정에 대한 흐름도를 도시한다.
도 5는 일 실시예에 따라 소정의 방전 심도, 충전 개시 전력 및 방전 개시 전력을 기준으로 반복 충방전 되는 전지(210)의 노후화 정도를 나타내는 그래프이다.
도 6은 일 실시예에 따라 적어도 하나의 방전 심도에 관련된 방전 개시 전력 및 충전 개시 전력 중 노후화 정보가 가장 낮은 값을 가지는 방전 개시 전력 및 충전 개시 전력을 선택하여 전지(210)를 충전 및 방전시키는 방법에 대한 흐름도를 도시한다.
도 7은 일 실시예에 따라 로봇(200)은 미리 결정되지 못한 표준 열화 비용에 대한 정보를 결정하기 위한 외삽 또는 보간 처리 과정을 나타낸다.
도 8은 일 실시예에 따라 인공 신경망을 이용하여 작업 환경에서 표준 열화 비용을 최소화 하는 방전 심도를 결정하는 과정을 설명하기 위한 흐름도이다.
도 9는 일 실시예에 따라 표준 열화 비용을 최소화 하는 방전 심도를 결정하고 목표 방전량만큼 전력을 소진 하는 데 소요되는 시간을 최소화 하는 충방전 개시 전력을 결정하는 과정에 대한 흐름도이다.
도 10(a) 및 10(b)는 일 실시예에 따라 로봇(200)이 전지(210)를 충전할 때 정전류 방식만 이용하거나 정전압 방식도 함께 이용하는 경우를 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 AI 장치를 나타낸다.
도 12는 일 실시예에 따른 AI 서버를 나타낸다.
도 13은 일 실시예에 따른 AI 시스템을 나타낸다.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 임의의 구성요소 간 "연결", "결합" 또는 "접속"된다고 기재된 경우, 임의의 구성요소 간에 직접적으로 연결되거나 또는 접속될 수 있고 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
본 개시에서, "포함한다", "구성된다" 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.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
본 발명의 다양한 실시예들을 설명함에 앞서, 주요 용어를 설명하면 다음과 같다.
"로봇"(Robot)은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절 암(arm)을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한 특히, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
"주변 온도"는 로봇이 작업 중인 환경의 온도로서, 주변 온도에 기초하여 전지의 노후화 속도에 대한 추정이 가능하다. 전지의 노후화 속도는 실질적으로 전지 자체의 온도에 기초하여 결정될 수 있을 것이나 본 발명은 로봇이 작업하는 환경에 적응적인 전지의 노후화 속도의 판단을 위한 발명인 점을 고려하여 로봇의 주변 온도는 전지의 온도에 대응되는 것임을 전제로 이하 설명하도록 한다.
"충방전율"(Current-rate, C-rate) 안전하게 전지를 방전시킬 수 있는 전류의 최대값으로 정의될 수 있으며, 충방전 전류로 지칭될 수도 있다. 예를 들면, 1C는 1시간에 전지에 포함된 전력량을 방전시킬 수 있는 전류량으로 이해될 수 있다.
"방전 심도"(Depth of Discharge)는 전지의 잔여 전력량(State of Charge)과는 구분되는 개념으로서, 암페어 시(Ah)의 단위로 표현되거나 백분율 수치로 표현 가능하다. 예를 들면 완전 충전된 상태에서 완전 방전된 상태로 전지가 방전된 경우 방전 심도는 100%일 수 있으며, 30%의 잔여 전력량이 남을 때까지 방전된 경우 방전 심도는 70%일 수 있다. 즉, 방전 심도는 방전으로 인해 전지의 잔여 전력량이 얼마나 감소되었는지를 나타낼 수 있다.
"충방전 개시 전력"은 충전 개시 전력 및 방전 개시 전력을 포함하는 정보로서 정의될 수 있다. 충전 개시 전력은 로봇이 작업 도중 충전을 위해 작업을 중단할 것으로 결정될 수 있는 임계 전력량이고, 충전 개시 전력은 그 개념 상 방전 중단 (End of Discharge, EoD)전력으로도 지칭될 수도 있다. 방전 개시(Start of Discharge, SoD) 전력은 로봇이 충전 도중 방전(즉, 작업)을 개시하기 위해 충전을 중단할 것으로 결정될 수 있는 임계 전력량이다. 즉, 충방전 개시 전력은 로봇이 수행할 수 있는 충전 또는 방전을 개시하는 전력을 나타내는 충전 개시 전력 및 방전 개시 전력에 대한 정보로서 이해될 수 있다.
"충방전 방식"은 작업을 완료하기 위해 반복적으로 충전 및 방전을 수행하는 방식으로 정의될 수 있다. 일 실시예에 따라 로봇이 할당된 작업량을 한 번의 충전만으로 완료하기 어려운 경우, 작업을 완료하기 위해 복수의 충전 및 방전 과정을 수행할 수 있다. 충방전 방식은 이러한 복수의 충전 및 방전 과정을 수행하는 방식을 나타낼 수 있으며 미리 결정된 것일 수 있다. 예를 들면, 충방전 방식은 충방전 개시 전력을 참조하여, 소정의 전력량에 전지의 잔여 전력량이 도달한 경우 충전을 개시하거나 방전을 개시한다는 것을 나타낼 수 있다. 일 실시예에 따라 작업을 완료하기 위해 수행될 수 있는 복수의 충전 및 방전 과정이란 작업 도중에 충전 과정을 수행하고 다시 방전 과정을 수행하는 횟수가 적어도 1회인 경우를 포함한다.
"노후화 정보"는 로봇이 소정의 작업량 당(즉, 소정의 방전 전력량 당) 전지의 초기 충전가능 전력량에 비해 감소된 충전가능 전력량의 비율로 정의될 수 있다. 반복되는 충전 및 방전 과정을 통해 노후화된 전지는 초기 충전가능 전력량에 비해 더 적은 전력량만이 충전될 수 있으며, 이 경우 사용자로서는 전지가 완전 충전되었다고 인지하더라도 실제로 사용가능한 전력량은 초기 상태의 전지보다 상대적으로 적을 수 있다. 예를 들면 방전 전력량이 전지의 완전 충전 전력량의 24배만큼 누적된 경우 전지의 충전가능 전력량이 초기 충전가능 전력량의 86프로로 감소된 경우, 노후화 정보는 (100-86)/24와 같이 계산될 수 있으므로, 1회 완전 충전으로부터 완전 방전될 때까지의 약 0.058만큼 노후화 된 것으로 정의할 수 있다. 즉, 노후화 정보는 다양한 충방전 방식들 간에 동일한 누적 방전량만큼 소진하였을 때 얼마나 전지가 빨리 노후화 될 것으로 추정되는 정도를 나타내는 정보일 수 있다.
"표준 열화 비용"은 전지의 가격을 전지의 충전가능 전력량, 방전 심도, 충방전 사이클 회수, 충방전 효율(round-trip efficiency)로 나눈 값으로 정의된다. 즉, 표준 열화 비용은 전력량 당 비용으로 이해될 수 있으며, 표준 열화 비용이 낮을수록 효율적으로 전력을 이용할 수 있는 것이다. 따라서 전지의 가격이 저렴하더라도 표준 열화 비용이 높다면 해당 전지는 저렴한 가격에도 불구하고 경제적인 전력 소비가 상대적으로 어렵다고 볼 수 있다.
"인공 지능"(A.I.: Artificial Intellegent)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, "머신 러닝"(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
"인공 신경망"(ANN: Artificial Neural Network)은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
인공지능은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
"자율 주행" (Self-Driving, Autonomous-Driving)은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
"확장 현실" (XR: eXtended Reality)은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
이하에서는 본 발명의 다양한 실시예들을 도면과 함께 설명하도록 한다.
도 1은 일 실시예에 따라 소정의 작업 환경(10) 속에서 로봇(100)이 작업의 미완료 상태에서 충전을 필요로 하는 과정을 도시한다.
가정용 또는 산업용 로봇의 경우 다양한 환경 속에서 소정의 작업을 수행할 수 있다. 이러한 다양한 분야에서 활동하는 로봇(100) 경우 무선으로 작업을 수행하게 됨에 따라 작업 환경(10) 속에서 자유롭게 이동하면서 작업을 수행할 수 있는 장점이 있는 반면, 반복적으로 충전을 시켜주어야 하는 단점도 있다. 특히, 작업 환경(10) 내에서의 작업 요구량이 많아서 로봇(100)이 한 번의 전지의 충전으로는 작업을 완료할 수 없는 경우, 로봇(100)은 전력이 부족한 것으로 판단되는 위치(150)에서 작업을 일시 중단하고 충전을 위해 전력을 공급해줄 수 있는 로봇고정부(예를 들면, 110)로 이동하여 전력을 공급받을 수 있으며 충전 과정이 종료된 이후 다시 작업을 재개할 수 있게 된다. 이러한 로봇고정부(110)는 로봇이 활동하는 작업 환경에 포함되거나 인접한 곳에 위치할 수 있으며, 로봇(100)은 잔여 전력량이 낮아서 전력 공급이 필요하다고 판단되는 경우 용이하게 로봇고정부(110)로 자동적으로 이동하여 로봇고정부(110)에 포함된 전력공급부를 통해 전력을 공급받을 수도 있고 사용자에 의해 수동적으로 작업을 종료하고 로봇고정부(110)에서 전력을 공급받을 수도 있다.
한 번의 작업 수행을 위해서 충전 및 방전 횟수가 여러 번 요구되는 작업 환경(10)에서 종래에는 작업 시 실질적으로 완전 방전된 상태로 될 때까지 작업을 수행한 후에 충전과정을 통해 완전 충전될 때까지 충전을 개시한 후 다시 작업을 개시하는 방식으로 충전 및 방전 과정이 이용되어 왔다. 종래의 이러한 방식은 충전 및 방전의 횟수는 적었지만 이로 인해 전지의 급격한 노후화가 초래될 수 밖에 없었다. 본 발명은 이러한 작업 환경(10) 속에서 로봇(100)의 전지를 충전 및 방전시키는 방식을 수정함으로써 전지의 노후화를 방지할 수 있다.
도 2는 일 실시예에 따라 작업 수행을 위해 반복적으로 전지의 충전 및 방전 과정을 수행할 수 있는 로봇(200) 및 로봇고정부(222)의 블록도 및 상호관계를 도시한다.
일 실시예에 따라 도 2의 로봇(200) 및 로봇고정부(222)는 도 1의 로봇(100) 및 로봇고정부(110)에 대응되는 것일 수 있다. 일 실시예에 따라 로봇고정부(222)는 작업 환경(10) 내에 복수 개 포함된 것일 수도 있다.
도 2를 참조하면, 일 실시예에 따라 로봇(200)에 포함된 다양한 부품에 필요한 전력을 공급할 수 있는 전지(210), 전력공급부(223)로부터 공급되는 전력을 전지(210)로 공급하여 충전을 수행할 수 있는 충전부(220) 및 로봇(200)에 포함된 부품들의 동작을 제어할 수 있는 프로세서(230) 및 표준 열화 비용에 대한 정보를 저장할 수 있는 메모리(240)가 로봇(200)에 포함될 수 있다.
일 실시예에 따라 전지(210)는 방전 후 충전 가능한 2차 전지일 수 있다. 따라서 본 발명에서 사용되는 전지(210)는 리튬 이온 전지, 니켈 수소 전지 및 니켈 카드뮴 전지 등을 포함하는 다양한 형태의 충전 가능한 2차 전지를 포함할 수 있다.
일 실시예에 따라 충전부(220)는 전력공급부(223)로부터 전력을 공급받아 전지(210)를 충전시킬 수 있다. 일 실시예에 따라 전력공급부(223)로부터의 전력을 충전부(220)를 통해 전지(210)로 전력을 공급하기 위한 로봇(200) 및 전력공급부(223) 간의 연결 관계는 전력선을 통해 유선으로 이루어질 수 있을 뿐만 아니라 무선 충전 방식을 통해서도 이루어질 수 있다.
일 실시예에 따라 프로세서(230)는 로봇(200)에 포함된 다양한 구성들에 의해 수행될 수 있는 다양한 실시예들을 수행하도록 로봇(200)에 포함된 구성들을 제어할 수 있다. 즉, 이하에서 설명되는 다양한 실시예에서 로봇(200)의 동작은 프로세서(230)에 의한 제어 동작에 기반한 것으로 이해될 수 있다. 일 실시예에 따라 프로세서(230)는 RAM, ROM, CPU, GPU(Graphic Processing Unit) 및 버스(BUS) 중 적어도 하나를 포함 할 수 있으며 이는 서로 연결될 수 있다.
프로세서(230)는 로봇(200)에 포함된 메모리(240)에 액세스하여, 메모리(240)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고, 메모리(240)에 저장된 각종 프로그램, 컨텐츠, 데이터, 소정의 정보 등을 이용하여 다양한 동작을 수행한다.
일 실시예에 따라 프로세서(230)는 출력부(미도시)를 통해 본 발명에서 로봇(200)에 의해 수행되는 방법에 포함되는 각 단계의 수행 결과에 대하여 시각적, 청각적 또는 촉각적으로 출력함으로써 로봇(200)에 의해 소정의 과정이 수행된 결과를 사용자에게 알릴 수 있다.
도 2의 로봇(200)에 의해 수행될 수 있는 다양한 동작은 해당 기술분야의 통상의 기술자에 의해 이하의 다양한 실시예들로부터 이해될 수 있을 것이다.
도 3은 일 실시예에 따라 전지 충전 방법이 수행되는 과정을 시간 순서에 따라 나타낸 것이다. 도 3을 통해, 로봇(200)이 작업을 수행한 후 전지(210)를 충전하기 위해 로봇고정부(222)로 돌아오는 시점, 작업에 의해 소모된 전력량을 충전하기 시작하는 시점 및 본 발명에 따른 충전 방식에 따라 충전이 완료되고 난 후 다음 작업을 개시하는 시점 등을 쉽게 이해할 수 있다.
일 실시예에 따라 로봇(200)이 작업을 개시(즉, 방전을 개시)하는 시간(310)으로부터 충전을 개시하는 시간(320)까지 전지(210)는 방전되므로 이는 방전 시간(315)으로 지칭될 수 있다. 일 실시예에 따라 충전 중인 로봇(200)은 방전을 개시하는 시간(310)이 도래하였는지 판단하기 위해 전지(210)의 잔여 전력량이 방전 개시 전력과 동일한지 여부를 판단할 수 있다. 즉, 전지(210)의 전력량이 방전 개시 전력 이상인 것으로 판단되는 경우, 로봇(200)은 충전 과정을 중단한 후 방전을 개시함으로써 작업을 다시 시작할 수 있다. 일 실시예에 따라 로봇(200)은 방전 과정 중 전지(210)의 잔여 전력량이 충전 개시 전력 이하로 감소하는지를 판단하여 충전을 개시할 수 있다.
종래 기술에 따르면 충전 개시 시점의 전지(210)의 잔여 전력량이 실질적으로 완전 방전 상태일 수 있으며, 이 경우 충전 개시 시점(322)은 본 발명의 충전 개시 시간(320)보다 이후 시간일 수 있으므로 작업 수행 시간을 더 연장시킬 수 있는 것처럼 보인다. 다만, 충전 및 방전 횟수가 적더라도 작업을 완료하는 데 소요되는 전체 시간이 더 짧은 것은 아닐 수 있을 뿐만 아니라 전지(210)의 노후화에도 좋지 않다. 본 발명은 이러한 종래 기술의 이러한 문제점들을 고려하여 달리 전지(210)가 완전 방전되지 않도록 전지(210)의 전력량이 소정의 전력량 이하일 때를 충전 개시 시간(320)으로 결정할 수 있다.
일 실시예에 따라 충전 개시 전력에 도달한 시간(320) 이후로부터 충전을 수행하는 로봇(200)은 전지(210)의 전력량이 방전 개시 전력 이상인지 판단된 시간(330)에 다시 작업을 개시할 수 있다.
종래 기술에 따르면 방전 개시 전력에 도달한 시간의 전지(210)의 잔여 전력량이 실질적으로 완전 방전 상태일 수 있으며, 이 경우 방전 개시 전력에 도달한 시간(342)은 본 발명의 방전 개시 전력에 도달한 시간(330)보다 이후 시간일 수 있으므로 더 많은 전력량을 포함하는 전지(210)를 이용하여 작업을 개시할 수는 있을 것이나, 전술한 바 대로 이러한 완전 충전 상태에 기초한 작업 수행은 작업을 완료하는 데 더 많은 시간이 소요될 수 있으며, 전지(210)의 노후화에도 좋지 않다. 본 발명은 이러한 종래 기술의 이러한 문제점들을 고려하여 달리 전지(210)가 완전 충전 또는 과충전되지 않도록 전지(210)의 전력량이 소정의 전력량 이상일 때를 방전 개시 시간(320)으로 결정할 수 있다.
일 실시예에 따라 로봇(200)은 로봇고정부(222)에 연결되어 전력공급부(223)로부터 전력을 공급받을 수 있으며, 충전 시간(325)은 충전 개시 전력 개시 전력에 도달한 시간(320)으로부터 방전 개시 전력에 도달한 시간(330) 사이의 시간일 수 있다. 로봇(200)은 방전 개시 전력에 도달한 시간(330) 이후에는 다음 방전 시간(335)동안 작업을 수행할 수 있고 그 후 다시 충전 개시 전력에 도달한 시간(340)에 로봇고정부(222)로 되돌아와 충전을 개시한다.
도 4는 일 실시예에 따라 로봇(200)의 전지(210)를 충전 및 방전시키는 과정에 대한 흐름도를 도시한다.
S410단계에서 로봇(200)은 일 실시예에 따라 주변 온도, 충방전율 및 방전 심도에 기초하여 표준 열화 비용에 대한 정보를 미리 결정하여 저장할 수 있다. 일 실시예에 따라 표준 열화 비용에 대한 정보란 주변 온도, 충방전율 및 방전 심도에 따라 결정되는 다수의 표준 열화 비용을 나타내는 것일 수 있다. 즉, 전지(210)의 표준 열화 비용은 주변 온도, 충방전율 및 방전 심도 등을 포함하는 다양한 요인에 의해 달라질 수 있다. 따라서, 로봇(200)은 주변 온도, 충방전율 및 방전 심도에 따른 표준 열화 비용에 대한 정보를 미리 결정하여 작업 환경에 따른 최저 표준 열화 비용으로 전지(210)가 충전 및 방전되도록 제어할 수 있다.
일 실시예에 따라 주변 온도가 낮을수록 전지(210)에서는 방전 과정에서 내부 저항의 증가로 인한 단자 전압의 저하가 발생되며 이에 따라 방전 가능 전력량도 감소하게 된다. 이에 반해 주변 온도가 높을수록 전지(210)에서는 전해질 내부 압력이 증가함에 따라 분자 간 결합력이 약해져서 전해질의 분해를 촉진시키게 되므로 전지(210)의 노후화가 가속화될 수 있다. 이에 따라 주변 온도는 전지의 열화 및 노후화에 영향을 미친다는 점이 고려될 수 있으며 로봇(200)은 전지의 열화가 최소화 되는 온도 구간을 결정하고 이에 따른 최적화된 충방전 방식을 결정함으로써 전지(210)의 열화를 최소화 할 수 있다.
일 실시예에 따라 일정한 주변 온도에서 충방전율이 낮아질수록 전지(210)가 완전 충전된 상태에서의 전력량은 더 커질 수 있다.
일 실시예에 따라 로봇(200)은 작업 환경에 따라 결정되는 주변 온도 및 충방전율을 판단할 수 있으며, 이러한 조건이 일정하게 유지된 상태에서의 전지(210)의 노후화 정도를 판단할 수 있다. 다만 로봇(200)은 계속적으로 충전 및 방전을 반복하면서 작업을 수행하기 때문에 전지(210)의 전력량을 나타내는 값은 계속적으로 변하게 되므로, 전력량을 나타내는 SoC값을 노후화 속도를 추정하는 기준으로서 이용하는 것은 적절하지 않을 수 있다. 따라서 본 발명의 로봇(200)은 충전 및 방전 과정에 따라 계속적으로 변화하는 SoC 대신 일정하게 유지되는 방전 심도를 기준으로 전지(210)의 노후화 속도를 추정할 수 있다.
일 실시예에 따라 로봇(200)은 소정의 작업을 완료하기 위해 복수의 충전 및 방전을 일정한 간격으로 수행하는 작업 환경에서 노후화 속도를 추정하기 위해 주변 온도, 충방전율 및 방전 심도를 고려할 수 있다.
일 실시예에 따라 로봇(200)은 주변 온도, 충방전율 및 방전 심도를 기반으로 미리 결정된 표준 열화 비용을 저장하고 있을 수 있다. 일 실시예에 따라 로봇(200)은 미리 결정된 표준 열화 비용에 대한 정보를 저장하고 있으면서, 현재 로봇(200)의 주변 온도 및 충방전율과 같은 작업 환경에서 어느 방전 심도로 충전 또는 방전을 수행하는 경우 표준 열화 비용이 최소인지 결정할 수 있다. 이에 따라 로봇(200)은 작업 환경에 적응적으로 표준 열화 비용을 최소로 하는 방전 심도를 결정할 수 있다.
다만 로봇(200)이 모든 경우의 수를 고려한 다양한 작업 환경에서 표준 열화 비용에 대한 정보를 저장한다는 것은 비효율적이거나 극히 어려울 수 있다. 일 실시예에 따라 로봇(200)이 이미 저장되어 있는 표준 열화 비용에 대한 정보 이외에 추가적인 정보를 산출하여 활용하기 위한 과정을 더 수행할 수 있다. 이에 대해서는 자세히 후술하도록 한다.
S420단계에서 로봇(200)은 로봇의 주변 온도 및 로봇의 작업 과정에서의 충방전율에 기초하여, 저장된 표준 열화 비용에 대한 정보 중 하나와 관련된 표준 열화 비용에 대한 정보를 결정할 수 있다. S410단계에서 미리 결정하여 저장된 표준 열화 비용에 대한 정보는 주변 온도와 충방전율과 같은 로봇(200)이 처해진 다양한 작업 환경을 고려하여 결정된 것일 수 있다. 따라서 작업 환경에서의 로봇(200)의 주변 온도에 대한 정보 및 로봇(200)의 작업 과정에서 획득될 수 있는 충방전율에 대한 정보를 이용하여 저장된 표준 열화 비용에 대한 정보 중 하나를 결정할 수 있고 이에 기초하여 충방전 방식에 이용될 수 있는 방전 심도를 결정할 수 있다.
S430단계에서 로봇(200)은 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정할 수 있다. 일 실시예에 따라 로봇(200)은 표준 열화 비용이 낮은 순서대로 소정의 개수만큼의 방전 심도를 적어도 하나의 방전 심도로서 결정할 수 있다. 일 실시예에 따라 로봇(200)은 소정의 값 이하의 표준 열화 비용을 가지는 방전 심도를 적어도 하나의 방전 심도로서 결정할 수 있다. 일 실시예에 따라 로봇(200)은 표준 열화 비용을 최소로 하는 방전 심도를 결정할 수도 있다. 이와 같이 로봇(200)은 작업 환경에서 낮은 표준 열화 비용을 가지는 방전 심도를 결정함으로써 전지(210)의 노후화를 늦출 수 있다.
S440단계에서 로봇(200)은 일 실시예에 따라 적어도 하나의 방전 심도에 기초한 충방전 방식으로 전지를 충전 및 방전시키는 과정을 반복함으로써 작업을 수행할 수 있다. 일 실시예에 따라 로봇(200)은 적어도 하나의 방전 심도 중 소정의 기준에 부합하는 하나의 방전 심도를 이용하여 충전 및 방전 과정을 수행할 수 있고 이에 기초하여 작업을 수행할 수 있다. 로봇(200)의 적어도 방전 심도 중 하나를 결정하는 과정에 대해서는 후술하도록 한다.
도 5는 일 실시예에 따라 소정의 방전 심도, 충전 개시 전력 및 방전 개시 전력을 기준으로 반복 충방전 되는 전지(210)의 노후화 정도를 나타내는 그래프이다.
일 실시예에 따라 전지(210)는 충전 및 방전 과정이 반복되면서 충전 가능 전력량이 줄어드는 노후화가 진행되며, 초기 충전가능 전력량의 소정 비율(예를 들면, 80프로) 이하의 전력량만 충전 가능한 경우에는 전지(210)의 수명이 다한 것으로 볼 수 있다.
일 실시예에 따라 로봇(200)은 작업 환경에 따라 방전 심도를 달리하여 충전 및 방전 과정을 수행할 수 있다. 도 5는 로봇(200)이 수행할 수 있는 다섯가지의 충방전 방식에 따라 충전 및 방전을 반복하는 경우 전지(210)가 노후화 되는 정도를 도시한다. 도 5를 참조하면 로봇(200)은 방전 심도가 55%, 65% 및 75%인 충방전 방식에 기초하여 충전 및 방전 과정을 수행할수록 전지(210)가 노후화 되면서 충전 가능 전력량이 감소하는 것을 알 수 있으며, 전지(210)가 노후화되는 속도는 55%일 때가 가장 느리고 75%일 때가 가장 빠르다는 것을 알 수 있다. 즉, 충전 및 방전 과정의 수행 횟수가 A2라고 가정하였을 때 전지(210)의 충전 가능 전력량은 방전 심도가 큰 충방전 방식을 이용할수록 초기 충전 가능 전력량에 비해 많이 감소하였으며, 이에 따라 전지(210)의 노후화 속도는 방전 심도가 클수록 빠르다는 것을 알 수 있다.
일 실시예에 따라, 방전 심도가 동일한 경우에 있어서도 전지(210)의 노후화 속도는 달라질 수 있다. 도 5를 참조하면, 방전 심도가 55%인 경우라고 하더라도 충전 개시 전력이 45%이고 방전 개시 전력이 100%인 경우(이하, 제1 충방전 방식)와, 충전 개시 전력이 30%이고 방전 개시 전력이 85%인 경우(이하, 제2 충방전 방식)의 노후화 속도를 비교해보면 제2 충방전 방식이 더 빠르다는 것을 알 수 있다. 나아가 다시 도 5를 참조하면 방전 심도가 65%인 경우라고 하더라도 충전 개시 전력이 20%이고 방전 개시 전력이 85%인 경우(이하, 제3 충방전 방식)와, 충전 개시 전력이 35%이고 방전 개시 전력이 100%인 경우(이하, 제4 충방전 방식)의 노후화 속도를 비교해보면 제4 충방전 방식이 더 빠르다는 것을 알 수 있다. 즉, 방전 심도가 동일한 경우라도 충전 개시 전력 및 방전 개시 전력이 어떤 값이냐에 따라 노후화 속도가 달라질 수 있다.
일 실시예에 따라 로봇(200)은 방전 심도뿐만 아니라, 해당 방전 심도와 관련된 충전 개시 전력 및 방전 개시 전력도 함께 고려하여 노후화 속도가 낮은 충방전 방식을 결정할 수 있다. 동일한 방전 심도를 기준으로 충방전 개시 전력(충전 개시 전력 및 방전 개시 전력)을 달리한 경우에, 다음 표와 같이 노후화 속도의 차이가 생길 수 있다.
방전 심도 충전 개시 전력 방전 개시 전력 충방전 횟수 충전가능 전력량(%) 노후화 정도(%) 1K 충방전 시 노후화 정도
65 100 35 2500 82 18 7.2
65 85 20 2500 88 12 4.8
일 실시예에 따라 도 5를 참조하면, 방전 심도 별 및 충방전 개시 전력에 기초하여 산출될 수 있는 노후화 정보는 소정의 주변온도 또는 충방전율에 기초하여 결정될 수 있으며, 이에 더 나아가 로봇(200)은 다양한 주변 온도 또는 충방전율에서 작업하는 환경을 고려하기 위해 다양한 주변 온도 또는 충방전율 각각에서의 방전 심도 및 충방전 개시 전력에 기초하여 전지(210)의 노후화 정보를 결정할 수 있다.
도 6은 일 실시예에 따라 적어도 하나의 방전 심도에 관련된 방전 개시 전력 및 충전 개시 전력 중 노후화 정보가 가장 낮은 값을 가지는 방전 개시 전력 및 충전 개시 전력을 선택하여 전지(210)를 충전 및 방전시키는 방법에 대한 흐름도를 도시한다.
S610 단계 내지 S630단계에 대한 특징은 도 4의 S410단계 내지 S430단계에 대한 특징과 동일하거나 유사할 수 있으므로 자세한 설명은 생략한다.
S640단계에서 로봇(200)은 일 실시예에 따라 적어도 하나의 방전 심도 각각에 관련된 방전 개시 전력 및 충전 개시 전력을 포함하는 적어도 하나의 충방전 개시 전력을 결정할 수 있다. 일 실시예에 따라 로봇(200)은 적어도 하나의 방전 심도 각각에 관련된 충전 개시 전력 및 방전 개시 전력을 포함하는 적어도 하나의 충방전 개시 전력을 결정할 수 있으며, 이에 따라 로봇(200)은 방전 심도가 동일하더라도 충전 개시 전력 및 방전 개시 전력에 따른 전지(210)의 노후화 정보를 판단할 수 있다.
S650단계에서 로봇(200)은 일 실시예에 따라 적어도 하나의 충방전 개시 전력 중 전지(210)가 노후화된 정도를 나타내는 노후화 정보가 가장 낮은 충방전 개시 전력을 결정할 수 있다. 일 실시예에 따라 로봇(200)은 적어도 하나의 방전 심도 각각에 대응되는 적어도 하나의 충방전 개시 전력을 결정할 수 있으며, 이에 따라 로봇(200)이 동일한 방전 심도를 이용하더라도 충전 개시 전력 및 방전 개시 전력이 달라짐에 따라 전지(210)의 노후화될 것으로 추정되는 정도를 결정할 수 있다. 즉, 로봇(200)은 S630단계에서 결정된 방전 심도의 종류가 하나인 경우 해당 방전 심도와 관련된 적어도 하나의 충방전 개시 전력에 기초하여 노후화 정보가 가장 낮은 값을 갖도록 하는 충방전 개시 전력을 결정할 수 있다. 나아가 S630단계에서 결정된 방전 심도의 종류가 복수개인 경우, 복수개의 방전 심도 각각에 관련된 적어도 하나의 충방전 개시 전력에 기초하여 노후화 정보가 가장 낮은 값을 갖도록 하는 충방전 개시 전력을 결정할 수 있다.
일 실시예에 따라 로봇(200)은 복수의 방전 심도의 충방전 개시 전력 중 노후화 정보가 가장 낮은 값을 갖도록 하는 충방전 개시 전력을 결정할 수 있고, 또는 가장 낮은 노후화 정보로부터 소정 범위 내에 있는 충방전 개시 전력 중 작업 완료 시간이 가장 짧은 충방전 개시 전력을 결정할 수도 있다. 이에 따라 로봇(200)은 노후화 속도가 가장 느린 충방전 방식을 선택함으로써 노후화된 전지의 교체비용을 절감할 수 있을 뿐만 아니라, 노후화 속도가 소정 범위 내에서 느리게 하는 한편 작업을 완료하는 데 소요되는 시간이 가장 빠른 충방전 방식을 결정함으로써 사용자가 로봇(200)을 이용하여 실질적으로 작업을 수행하도록 하는 실사용 과정에서의 불편함을 줄일 수 있도록 할 수도 있다.
S660단계에서 로봇(200)은 일 실시예에 따라 S650단계에서 결정된 충방전 개시 전력에 기초한 충방전 방식으로 전지를 충전 및 방전 시키는 과정을 반복함으로써 작업을 수행할 수 있다. 로봇(200)은 S650단계에서 결정된 충방전 개시 전력을 이용하여 작업을 완료할 때까지 충전 및 방전 과정을 반복할 수 있다. 일 실시예에 따라 로봇(200)은 현재 수행 중인 작업이 완료된 것으로 판단된 경우 방전 과정을 종료하고 로봇고정부(222)로 되돌아갈 수 있다.
일 실시예에 따라 로봇(200)은 표준 열화 비용을 미리 결정하여 저장하고 있을 수 있고 이는 다양한 작업 환경에서 표준 열화 비용이 가장 낮은 방전 심도를 결정하기 위한 것이다. 따라서 로봇(200)은 다양한 작업 환경에 대한 표준 열화 비용에 대한 정보를 미리 결정하여 저장하고 있을수록 더 적절한 방전 심도를 결정할 수 있을 것이나, 실제로 모든 작업 환경에 대한 표준 열화 비용에 대한 정보를 저장하고 있는 것은 곤란할 뿐만 아니라 비효율적일 수 있다. 따라서 로봇(200)은 저장된 표준 열화 비용에 대한 정보 사이에 저장되어 있지 않은 표준 열화 비용에 대한 정보는 소정의 방법을 통해 보완할 수 있다.
일 실시예에 따라 로봇(200)은 표준 열화 비용을 미리 결정하여 저장하기 위하여, 주변 온도, 충방전율 및 방전 심도 중 적어도 하나가 미리 결정된 표준 열화 비용에 대한 정보에 대응되는 못하는 경우, 미리 결정된 표준 열화 비용에 대한 정보에 기초한 보간(interpolation) 또는 외삽(extrapolation) 처리를 통해 미리 결정되지 못한 표준 열화 비용에 대한 정보를 결정하여 저장할 수 있다. 이러한 보간 또는 외삽 처리는 수치해석 분야에서 이용되는 다양한 방법 중 하나로서 이용되는 것일 수 있다.
일 실시예에 따라 외삽 처리는 이미 결정된 값이나 확실한 정보를 넘어서 확장한 것에 기초한 정보 추정하는 방법이다. 즉, 외삽법은 기존 정보에서 명시적으로 언급되지 않은 것을 추론하는 방법일 수 있다. 일 실시예에 따라 외삽법으로는 리차드슨 외삽법 등 통상의 기술자가 이용할 수 있는 다양한 방식의 외삽법이 포함될 수 있다. 보간법은 일련의 정보 중 두 개의 알려진 정보 사이에서 값을 추정하는 방법이다. 일 실시예에 따라 보간법으로는 선형 보간법, 다항식 보간법, 스플라인 보간법 등 다양한 종류의 보간법이 포함될 수 있다. 따라서 정보들 사이에 갭(gap)이 포함되어 있지만 갭의 양방향 또는 갭 내의 특정 지점에서 데이터를 사용할 수 있는 경우 보간법을 사용하면 갭 내의 정보를 추정할 수 있다.
따라서 로봇(200)은 미리 결정되어 저장되어 있는 표준 열화 비용에 대한 정보를 이용함으로써 미리 결정되지 못한 표준 열화 비용에 대한 정보를 보완함으로써, 보다 다양한 작업 환경에서의 표준 열화 비용이 가장 낮은 방전 심도를 결정할 수 있다.
도 7은 일 실시예에 따라 로봇(200)은 미리 결정되지 못한 표준 열화 비용에 대한 정보를 결정하기 위한 외삽 또는 보간 처리 과정을 나타낸다.
도 7의 S710단계, S720단계 내지 S740단계의 특징은 도 4의 S410단계 내지 S440단계의 특징과 동일하거나 유사한 특징일 수 있으므로 자세한 설명은 생략한다.
S712단계에서 로봇(200)은 현재 작업 환경의 주변 온도 및 충방전율에 대응되는 표준 열화 비용에 대한 정보가 저장된 상태인지 결정할 수 있다. 일 실시예에 따라 로봇(200)이 모든 실제 작업 환경에서의 표준 열화 비용에 대한 정보를 저장하고 있을 수는 없기 때문에, 미리 결정된 표준 열화 비용에 대한 정보 사이에 미리 결정되지 못한 정보가 존재할 수 있다.
S713단계에서 로봇(200)은 저장되지 않은 표준 열화 비용에 대한 정보의 양쪽에 저장된 표준 열화 비용에 대한 정보가 저장되어 있는지 여부를 결정할 수 있다. 일 실시예에 따라 저장되지 않은 표준 열화 비용에 대한 정보의 양쪽이란, 표준 열화 비용에 대한 정보가 결정되는 요인인 주변 온도, 충방전율 또는 방전 심도의 증가 방향 또는 감소 방향으로 이해될 수 있다.
일 실시예에 따라 저장되지 않은 표준 열화 비용에 대한 정보의 양쪽에 저장된 표준 열화 비용에 대한 정보가 저장된 것으로 결정되는 경우, 로봇(200)은 S714단계에서 보간 처리를 통해 현재 작업 환경에서의 표준 열화 비용에 대한 정보를 결정하여 저장할 수 있다.
일 실시예에 따라 저장되지 않은 표준 열화 비용에 대한 정보의 양쪽에 저장된 표준 열화 비용에 대한 정보가 저장되지 않은 것으로 결정되는 경우, 로봇(200)은 S715단계에서 외삽 처리를 통해 현재 작업 환경에서의 표준 열화 비용에 대한 정보를 결정하여 저장할 수 있다.
일 실시예에 따라 로봇(200)은 미리 결정되지 않았던 표준 열화 비용에 대한 정보를 보간 또는 내삽 처리함으로써 결정한 후 저장하여 S720단계 이후의 과정에서 이용할 수 있다.
도 8은 일 실시예에 따라 인공 신경망을 이용하여 작업 환경에서 표준 열화 비용을 최소화 하는 방전 심도를 결정하는 과정을 설명하기 위한 흐름도이다.
일 실시예에 따라 로봇(200)은 인공 신경망을 이용한 소정의 정보 출력과정을 수행할 수 있다. 일 실시예에 따라 인공 신경망의 기능은 프로세서(230)에 의해 소프트웨어를 구동함으로써 구현될 수도 있으며, 프로세서(230)와 구분되는 별도의 구성(예를 들면, NPU(Neural Processing Unit)을 통해 인공 신경망의 기능이 구현될 수도 있다.
S810단계 내지 S860단계의 특징은 도 6의 S610 단계 내지 S660단계의 특징과 동일하거나 유사할 수 있으므로 자세한 설명은 생략한다.
S870단계에서 로봇(200)은 인공 신경망에 주변 온도, 충방전율, 작업 수행에 사용되는 충방전 개시 전력을 인공 신경망의 입력정보로서 입력할 수 있다. 일 실시예에 따라 인공 신경망에 입력되는 주변 온도, 충방전율에 대한 정보는 현재 로봇(200)의 작업 환경에 적합한 표준 열화 비용을 도출하기 위한 정보로 이해될 수 있다. 일 실시예에 따라 입력된 정보에 기초하여 인공 신경망으로부터 충방전 개시 전력이 출력될 수 있다.
S880단계에서 로봇(200)은 일 실시예에 따라 S870단계에서 출력된 충방전 개시 전력에 기초하여 저장된 표준 열화 비용에 대한 정보를 수정할 수 있다. 일 실시예에 따라 출력된 충방전 개시 전력은 입력된 충방전 개시 전력에 비해 상대적으로 더 낮은 표준 열화 비용에 기초한 충전 및 방전 과정을 가능하게 하므로, 입력된 충방전 개시 전력에 비해 전지(210)의 노후화를 감소시킬 수 있다. 따라서 로봇(200)은 인공 신경망으로부터의 출력 정보에 기초하여 표준 열화 비용에 대한 정보를 수정하고 다음 충전 및 방전 과정에서 이를 이용할 수 있다.
일 실시예에 따라 인공 신경망으로부터의 출력정보에 기초하여 수정된 표준 열화 비용에 대한 정보는 로봇(200)의 작업이 완료된 이후로부터 다시 작업이 개시될 때 참조될 수 있다.
일 실시예에 따라 인공 신경망으로부터의 출력정보에 기초하여 수정된 표준 열화 비용에 대한 정보는 로봇(200)이 현재 수행 중인 작업 중간에 수행되는 충전 및 방전 과정에서 참조될 수도 있다. 로봇(200)은 S870단계에서 출력된 충방전 개시 전력이 입력된 충방전 개시 전력과 차이가 있는지 결정하여, 차이가 있는 것으로 결정된 경우에 한해 출력정보에 기초하여 표준 열화 비용에 대한 정보를 수정한 후 현재 수행 중인 작업 중간에 수행되는 충전 및 방전 과정에서 참조할 수 있다.
일 실시예에 따라 로봇(200)은 저장된 표준 열화 비용에 대한 정보의 외삽 또는 보간 처리의 결과에 기초하여, 인공 신경망의 입력 및 출력 과정을 수행하고 저장된 표준 열화 비용에 대한 정보를 수정할 수 있다.
일 실시예에 따라 로봇(200)의 인공 신경망의 기계학습을 위해서는 온라인으로부터 기계학습되는 모델을 이용하거나 오프라인 상에서 수집되는 정보들을 이용하여 오프라인 상에서 기계학습 되는 모델을 이용하거나 양자를 모두 이용할 수 있다. 로봇(200)이 인공 신경망을 이용하는 특징에 대한 자세한 내용은 이하의 도 11 내지 도 13을 통해 자세히 후술하도록 한다.
도 9는 일 실시예에 따라 표준 열화 비용을 최소화 하는 방전 심도를 결정하고 목표 방전량만큼 전력을 소진 하는 데 소요되는 시간을 최소화 하는 충방전 개시 전력을 결정하는 과정에 대한 흐름도이다. 도 9의 S910단계 내지 S920단계 및 S950단계에 대한 특징은 도 4의 S410단계 내지 S420단계 및 S440단계에 대한 특징과 동일하거나 유사할 수 있으므로 자세한 설명은 생략한다.
일 실시예에 따라 로봇(200)은 작업을 완료하기 위해 복수의 충전 및 방전 과정을 수행할 수 있으며, 이에 따라 최종적으로 작업이 완료되는 것으로 결정되었을 때의 누적 방전량은 해당 작업을 개시한 이후로부터 수행된 복수의 방전 과정에서 방전된 전력량을 모두 고려하여 결정된 값일 수 있다. 일 실시예에 따라 로봇(200)이 작업을 개시한 이후부터 종료할 때까지 누적된 방전 전력량은 로봇(200)에 의해 개시된 작업을 완료하는 데 요구되는 방전량(즉, 목표 방전량)으로 볼 수 있으므로, 로봇(200)이 목표 방전량만큼 전력을 소진하였다는 것은 작업을 종료한 것이라고 이해될 수 있다.
S930단계에서 로봇(200)은 일 실시예에 따라 현재 주변 온도 및 작업 과정에서의 충방전율에 기초하여, S920단계에서 결정된 하나의 표준 열화 비용에 대한 정보에 기초하여 표준 열화 비용이 가장 낮은 방전 심도를 결정할 수 있다.
S940단계에서 로봇(200)은 일 실시예에 따라 S930단계에서 결정된 방전 심도에 기초하여, 로봇(200)의 목표 방전량만큼 소진하기 위한 최소 시간과 관련된 충방전 개시 전력을 결정할 수 있다. 즉, 동일한 방전 심도인 경우라도 충방전 개시 전력은 다를 수 있으므로, 로봇(200)은 방전 심도를 결정함과 더불어 충방전 개시 전력을 고려함으로써 노후화 속도가 가장 낮은 충방전 방식 중에서도 작업 완료까지 소요되는 시간이 가장 짧은 충방전 방식을 이용할 수 있다. 이에 따라, 로봇(200)은 전지(210)의 노후화 정도 및 작업 속도를 함께 고려한 충방전 방식을 결정하여 사용자의 실사용 상의 불편함을 초래하지 않는 범위 내에서 전지(210)의 노후화를 효과적으로 방지할 수 있다.
일 실시예에 따라 로봇(200)은 작업을 완료하는 데 소요되는 시간을 단축 시키기 위하여 소정의 충전 방식에 기초한 충방전 방식을 이용할 수 있다. 일 실시예에 따라 로봇(200)이 이용할 수 있는 충전 방식과 관련된 충전 속도는 "충전 프로파일(Profile)"에 기초하여 달라질 수 있다. 일 실시예에 따라, 충전 프로파일은 선형(linear)적으로 전력량이 증가하는 정전류(Constant Current)충전 및 지수적으로 전력이 증가하는 정전압(Constant Voltage)충전 방식을 포함할 수 있으며, 로봇(200)은 두 방식 중 적어도 하나를 이용하여 충전을 수행할 수 있다.
일 실시예에 따라 로봇(200)은 노후화 속도를 줄이는 동시에 작업 완료에 소요되는 시간을 최소로 하기 위해 정전류 방식으로만 전지(210)가 충전되도록 충방전 개시 전력을 결정할 수 있다.
일 실시예에 따라 정전류 방식은 일정한 전류를 이용하여 충전하기 때문에, 정전류 방식에 따른 충전 시 전지(210)의 전력량은 선형(linear)적으로 증가하게 된다. 일 실시예에 따라 정전압 방식은 일정한 전압을 이용하여 충전하며, 이 경우 전지(210)의 전력량은 지수적으로 증가하는 경향을 보일 수 있다. 일 실시예에 따라 로봇(200)은 전지(210)가 정전류 방식에 기초하여 방전 개시 전력까지 충전되도록 충전부(220)를 제어할 수 있다. 이를 통해, 로봇(200)은 충전 개시 전력 내지 방전 개시 전력의 범위 내에서 정전류 방식으로 충전을 수행하여 빠르게 전지(210)가 충전될 수 있게 할 수 있다. 일 실시예에 따라 정전류 방식으로 수행되기 위한 전지(210)의 개로 전압 또는 이에 대응되는 잔여 전력량은 사용자에 의해 설정될 수 있거나, 또는 미리 설정된 값일 수 있다.
일 실시예에 따라 로봇(200)은 적어도 하나의 방전 심도를 결정하는 과정에서 정전류 방식으로 충전될 수 있는지 여부를 더 고려하여 적어도 하나의 방전 심도를 결정할 수 있다. 예를 들면, 도 4의 S430단계에서 로봇(200)은 주변 온도 및 작업 과정에서의 충방전율에 기초하는 것에 더하여, 정전류 방식으로 충전 가능한 방전 개시 전력으로 설정 가능한지 여부에 더 기초함으로써 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정할 수 있다.
일 실시예에 따라 노후화 속도가 최저 노후화 속도로부터 소정의 범위를 벗어나는 경우, 정전류 방식 및 정전압 방식으로 전지(210)가 충전되도록 충방전 개시 전력을 결정할 수도 있다.
일 실시예에 따라 정전류 방식으로 충전 시 전지(210)의 전력량은 선형적으로 증가하게 되는 반면 전지(210)의 잔여 전력량이 낮을수록 전압이 급격하게 상승하는 경향을 보일 수 있다. 일 실시예에 따라 정전압 방식은 일정한 전압을 이용하여 충전하며, 이 경우 전지(210)의 전력량은 지수적으로 증가하는 경향을 보일 수 있다. 일 실시예에 따라 로봇(200)은 정전류 방식으로 전지(210)의 충전을 수행하다가, 전지(210)의 전압이 일정 값을 나타내게 되는 경우 정전압 방식으로 충전되도록 충전 프로파일을 변경할 수 있다. 이를 통해, 로봇(200)은 충전 개시 당시의 잔여 전력량이 낮은 전지(210)에 충전 전류를 일정하게 공급해주기 위해 정전류 방식으로 충전하면서 전지(210)의 전압을 증가시킨 후, 어느 정도 전압이 증가한 이후에는 정전압 방식으로 전지(210)를 충전할 수 있다. 이러한 충전 방법을 이용함으로써 로봇(200)은 전지(210)를 빠르게 충전할 수 있을 뿐만 아니라, 전지(210)와 전력공급부(223)의 양단 전압차로 인해 전지(210)가 파손되는 것을 방지할 수 있다.
도 10(a) 및 10(b)는 일 실시예에 따라 로봇(200)이 전지(210)를 충전할 때 정전류 방식만 이용하거나 정전압 방식도 함께 이용하는 경우를 설명하기 위한 도면이다.
일 실시예에 따라 도 10(a)는 정전류 방식으로 전지(210)가 충전된 후 방전될 때의 전지(210)의 전력량의 변화를 나타낸다. 도 10(a)를 살펴보면, 로봇(200)이 충전 시간(1010)동안 전지(210)를 정전류 방식으로 충전함에 따라 전지(210)의 잔여 전력량은 선형적으로 증가하는 것을 알 수 있다. 로봇(200)은 전지(210)의 잔여 전력량이 방전 개시 전력까지 도달한 경우 정전류 방식으로 충전하는 과정을 멈추고 방전을 개시한다. 방전 시간(1020) 동안 로봇(200)은 충전 시간(1010)동안 충전된 전력량에 기초하여 작업을 수행할 수 있으며, 방전 시간(1020) 동안의 잔여 전력량 감소 경향은 선형적일 수 있다.
일 실시예에 따라 도 10(b)는 정전류 방식 및 정전압 방식으로 전지(210)가 충전된 후 방전될 때의 전지(210)의 전력량의 변화를 나타낸다. 도 10(b)를 살펴보면, 로봇(200)이 전지(210)를 충전 시간(1060)은 정전류 방식으로 충전하는 시간(1070) 및 정전압 방식으로 충전하는 시간(1080)이 포함되어 있다. 정전류 방식으로 충전 시와는 달리 정전압 방식으로 충전 시에는 전지(210)의 잔여 전력량이 선형적으로 증가하지는 않고 완만하게 증가하게 되며 이에 따라 충전 시간(1060) 내에서의 시간당 충전 전력량은 정전압 방식으로 충전하는 시간(1080)이 정전류 방식으로 충전하는 시간(1070)보다 낮다. 로봇(200)은 전지(210)의 잔여 전력량이 방전 개시 전력까지 도달한 경우 정전압 방식으로 충전하는 과정을 멈추고 방전을 개시한다. 방전 시간(1090) 동안 로봇(200)은 충전 시간(1060)동안 충전된 전력량에 기초하여 작업을 수행할 수 있다. 일 실시예에 따라 방전 시간(1090) 동안의 잔여 전력량 감소 경향은 선형적일 수 있으며 잔여 전력량의 감소 속도는 도 10(a)의 경우와 동일하거나 실질적으로 동일할 수 있다. 일 실시예에 따라 정전류 방식 및 정전압 방식으로 전지(210)가 충전되는 충방전 방식이 결정될 수 있는 경우에 대해서는 상술하였으므로 자세한 설명은 생략한다.
도 11은 본 발명의 일 실시 예에 따른 AI 장치(1100)를 나타낸다.
도 11의 AI장치(1100)는 도 2의 로봇(200)에 대응되는 장치일 수 있으며, 도 11의 구성 중 도 2의 로봇(200)에 포함되지 않은 구성은 본 발명의 실시예를 구현할 수 있는 범위 내에서 선택적으로 채택될 수 있다.
AI 장치(1100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 11을 참조하면, AI장치(1100)는 통신부(1110), 입력부(1120), 러닝 프로세서(1130), 센싱부(1140), 출력부(1150), 메모리(1170) 및 프로세서(1180) 등을 포함할 수 있다.
통신부(1110)는 유무선 통신 기술을 이용하여 다른 AI 장치(1300a 내지 1300e)나 AI 서버(1200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(1110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(1110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(1120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(1120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(1120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(1120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(1180) 또는 러닝 프로세서(1130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(1130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(1130)는 AI 장치(1100)의 러닝 프로세서(1130)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(1130)는 AI 장치(1100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(1130)는 메모리(1170), AI 장치(1100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(1140)는 다양한 센서들을 이용하여 AI 장치(1100) 내부 정보, AI 장치(1100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(1140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더, 온도 센서 등이 있다.
출력부(1150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(1150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(1170)는 AI 장치(1100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(1170)는 입력부(1120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(1180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(1100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(1180)는 AI 장치(1100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(1180)는 러닝 프로세서(1130) 또는 메모리(1170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(1100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(1180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(1180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(1180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(1130)에 의해 학습된 것이나, AI 서버(1200)의 러닝 프로세서(1240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(1180)는 AI 장치(1100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(1170) 또는 러닝 프로세서(1130)에 저장하거나, AI 서버(1200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(1180)는 메모리(1170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(1100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(1180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(1100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 12는 본 발명의 일 실시 예에 따른 AI 서버(1200)를 나타낸다.
도 12를 참조하면, AI 서버(1200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(1200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(1200)는 AI 장치(1100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(1200)는 통신부(1210), 메모리(1230), 러닝 프로세서(12040) 및 프로세서(1260) 등을 포함할 수 있다.
통신부(1210)는 AI 장치(1100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(1230)는 모델 저장부(1231)를 포함할 수 있다. 모델 저장부(1231)는 러닝 프로세서(1240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망(1231a))을 저장할 수 있다.
러닝 프로세서(1240)는 학습 데이터를 이용하여 인공 신경망(1231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(1200)에 탑재된 상태에서 이용되거나, AI 장치(1100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(1230)에 저장될 수 있다.
프로세서(1260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 13은 본 발명의 일 실시 예에 따른 AI 시스템(1300)을 나타낸다.
도 13을 참조하면, AI 시스템(1300)은 AI 서버(1200), 로봇(1300a), 자율 주행 차량(1300b), XR 장치(1300c), 스마트폰(1300d) 또는 가전(1300e) 중에서 적어도 하나 이상이 클라우드 네트워크(1310)와 연결된다. 여기서, AI 기술이 적용된 로봇(1300a), 자율 주행 차량(1300b), XR 장치(1300c), 스마트폰(1300d) 또는 가전(1300e) 등을 AI 장치(1300a 내지 1100e)라 칭할 수 있다.
클라우드 네트워크(1310)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(1310)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1300)을 구성하는 각 장치들(1300a 내지 1300e, 1200)은 클라우드 네트워크(1310)를 통해 서로 연결될 수 있다. 특히, 각 장치들(1300a 내지 1300e, 1200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(1200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(1200)는 AI 시스템(1300)을 구성하는 AI 장치들인 로봇(1300a), 자율 주행 차량(1300b), XR 장치(1300c), 스마트폰(1300d) 또는 가전(1300e) 중에서 적어도 하나 이상과 클라우드 네트워크(1310)을 통하여 연결되고, 연결된 AI 장치들(1300a 내지 1300e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(1200)는 AI 장치(1300a 내지 1100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(1300a 내지 1100e)에 전송할 수 있다.
이때, AI 서버(1200)는 AI 장치(1300a 내지 1100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(1300a 내지 1100e)로 전송할 수 있다.
또는, AI 장치(1300a 내지 1100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(1300a 내지 1300e)의 다양한 실시 예들을 설명한다. 여기서, 도 13에 도시된 AI 장치(1300a 내지 1300e)는 도 11에 도시된 AI 장치(1100)의 구체적인 실시 예로 볼 수 있다.
로봇(1300a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(1300a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(1300a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(1300a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(1300a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(1300a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(1300a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(1300a)에서 직접 학습되거나, AI 서버(1200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(1300a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(1300a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(1300a)을 주행시킬 수 있다.
맵 데이터에는 로봇(1300a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(1300a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(1300a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
자율 주행 차량(1300b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(1300b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(1300b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(1300b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(1300b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(1300b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(1300b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(1300a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(1300b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(1300b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(1300b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(1300b)에서 직접 학습되거나, AI 서버(1200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(1300b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(1300b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(1300b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(1300b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(1300b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(1300b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(1300c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(1300c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(1300c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(1300c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(1300c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(1300c)에서 직접 학습되거나, AI 서버(1200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(1300c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(1300a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(1300a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(1300b)과 상호작용하는 로봇(1300a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(1300a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(1300a) 및 자율 주행 차량(1300b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(1300a) 및 자율 주행 차량(1300b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(1300b)과 상호작용하는 로봇(1300a)은 자율 주행 차량(1300b)과 별개로 존재하면서, 자율 주행 차량(1300b)의 내부 또는 외부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(1300b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(1300b)과 상호작용하는 로봇(1300a)은 자율 주행 차량(1300b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(1300b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(1300b)에 제공함으로써, 자율 주행 차량(1300b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(1300b)과 상호작용하는 로봇(1300a)은 자율 주행 차량(1300b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(1300b)의 기능을 제어할 수 있다. 예컨대, 로봇(1300a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(1300b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(1300b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(1300a)이 제어하는 자율 주행 차량(1300b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(1300b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(1300b)과 상호작용하는 로봇(1300a)은 자율 주행 차량(1300b)의 외부에서 자율 주행 차량(1300b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(1300a)은 스마트 신호등과 같이 자율 주행 차량(1300b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(1300b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
로봇(1300a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(1300a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(1300a)은 XR 장치(1300c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(1300a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(1300a) 또는 XR 장치(1300c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(1300c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(1300a)은 XR 장치(1300c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(1300c) 등의 외부 장치를 통해 원격으로 연동된 로봇(1300a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(1300a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
자율 주행 차량(1300b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(1300b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(1300b)은 XR 장치(1300c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(1300b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(1300b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(1300b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(1300b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(1300b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(1300b) 또는 XR 장치(1300c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(1300c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(1300b)은 XR 장치(1300c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
상기에서 설명한 본 발명에 대한 전지 충전 방법은, 컴퓨터에서 실행시키기 위한 프로그램으로 컴퓨터로 읽을 수 있는 기록매체에 기록하여 제공될 수 있다.
본 발명의 전지 충전 방법은 소프트웨어를 통해 실행될 수 있다. 소프트웨어로 실행될 때, 본 발명의 구성 수단들은 필요한 작업을 실행하는 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 프로세서 판독 가능 매체에 저장될 수 있다.
컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는, ROM, RAM, CD-ROM, DVD±ROM, DVD-RAM, 자기 테이프, 플로피 디스크, 하드 디스크(hard disk), 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어 본 발명의 기술적사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 또한 본 문서에서 설명된 실시예들은 한정되게 적용될 수 있는 것이 아니라, 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims (13)

  1. 작업 과정에서 일정하게 충전 및 방전을 수행하는 로봇에 포함된 전지를 충전하는 방법에 있어서,
    주변 온도, 충방전율 및 방전 심도(DoD)에 기초하여 표준 열화 비용에 대한 정보를 미리 결정하여 저장하는 단계;
    상기 로봇의 주변 온도 및 상기 로봇의 작업 과정에서의 충방전율에 기초하여 상기 저장된 표준 열화 비용에 대한 정보 중 하나를 결정하는 단계;
    상기 결정된 하나의 표준 열화 비용에 대한 정보에 기초하여, 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정하는 단계; 및
    상기 적어도 하나의 방전 심도에 기초한 충방전 방식으로 상기 전지를 충전 및 방전시키는 과정을 반복함으로써 상기 작업을 수행하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  2. 제 1 항에 있어서,
    상기 작업을 수행하는 단계는,
    상기 적어도 하나의 방전 심도 각각에 관련된 방전 개시 전력 및 충전 개시 전력을 포함하는 적어도 하나의 충방전 개시 전력을 결정하는 단계;
    상기 적어도 하나의 충방전 개시 전력 중, 방전량 당 전지가 노후화될 것으로 추정되는 정도를 나타내는 노후화 정보가 가장 낮은 충방전 개시 전력을 결정하는 단계; 및
    상기 결정된 충방전 개시 전력에 기초한 충방전 방식으로 상기 전지를 충전 및 방전시키는 과정을 반복하면서 상기 작업을 수행하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  3. 제 2 항에 있어서,
    상기 주변 온도, 상기 충방전율, 및 상기 결정된 충방전 개시 전력을 입력정보로서 인공 신경망에 입력하는 단계;
    상기 인공 신경망으로부터 출력정보로서의 충방전 개시 전력을 획득하는 단계; 및
    상기 획득된 충방전 개시 전력을 이용하여 상기 저장된 표준 열화 비용을 수정하는 단계를 더 포함하고,
    상기 인공 신경망은 상기 출력정보로서의 충방전 개시 전력을 상기 입력정보로서 이용하여 기계학습(machine learning)되는, 로봇에 포함된 전지 충전 방법.
  4. 제 1 항에 있어서,
    상기 표준 열화 비용을 미리 결정하여 저장하는 단계는,
    상기 주변 온도, 상기 충방전율 및 상기 방전 심도 중 적어도 하나가 상기 미리 결정된 표준 열화 비용에 대한 정보에 대응되는 못하는 경우, 상기 미리 결정된 표준 열화 비용에 대한 정보에 기초한 보간(interpolation) 또는 외삽(Extrapolation) 처리를 통해 미리 결정되지 못한 표준 열화 비용에 대한 정보를 결정하여 저장하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  5. 제 1 항에 있어서,
    상기 적어도 하나의 방전 심도를 결정하는 단계는,
    상기 로봇의 상기 주변 온도 및 상기 로봇의 작업 과정에서의 충방전율에 기초하여, 상기 표준 열화 비용을 최소화 하는 방전 심도를 결정하는 단계를 포함하고,
    상기 작업을 수행하는 단계는,
    상기 방전 심도에 기초하여, 상기 로봇의 목표 방전량만큼 소진하기 위한 최소 시간과 관련된 충방전 개시 전력을 결정하는 단계; 및
    상기 최소 시간과 관련된 상기 충방전 개시 전력에 기초한 충방전 방식으로 상기 전지를 충전 및 방전시키는 과정을 반복하면서 상기 작업을 수행하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  6. 제 1 항에 있어서,
    상기 적어도 하나의 방전 심도를 결정하는 단계는,
    상기 전지가 정전류(Constant Current) 방식에 따라 충전되는 범위 내에서 충전 과정이 수행되는 상기 적어도 하나의 방전 심도를 결정하는 단계를 더 포함하는, 로봇에 포함된 전지 충전 방법.
  7. 작업 과정에서 일정하게 충전 및 방전을 수행하는 로봇에 있어서,
    충전이 가능한 전지;
    상기 전지를 충전하기 위해 구성되는 충전부;
    주변 온도, 충방전율 및 방전 심도에 기초하여 표준 열화 비용에 대한 정보를 미리 결정하고, 상기 로봇의 주변 온도 및 상기 로봇의 작업 과정에서의 충방전율에 기초하여 상기 저장된 표준 열화 비용에 대한 정보 중 하나를 결정하고, 상기 결정된 하나의 표준 열화 비용에 대한 정보에 기초하여 표준 열화 비용이 소정의 임계치 이하인 적어도 하나의 방전 심도를 결정하고, 상기 적어도 하나의 방전 심도에 기초한 충방전 방식으로 상기 전지를 충전 및 방전시키는 과정을 반복하도록 상기 충전부를 제어함으로써 상기 작업을 수행하도록 상기 로봇을 제어하도록 구성되는 프로세서; 및
    상기 미리 결정된 표준 열화 비용에 대한 정보를 저장하도록 구성되는 메모리를 포함하는, 로봇.
  8. 제 7 항에 있어서, 상기 프로세서는,
    상기 적어도 하나의 방전 심도 각각에 관련된 방전 개시 전력 및 충전 개시 전력을 포함하는 적어도 하나의 충방전 개시 전력을 결정하고, 상기 적어도 하나의 충방전 개시 전력 중, 방전량 당 전지가 노후화될 것으로 추정되는 정도를 나타내는 노후화 정보를 가장 낮은 충방전 개시 전력을 결정하고, 상기 결정된 충방전 개시 전력에 기초한 충방전 방식으로 상기 전지를 충전 및 방전시키는 과정을 반복하면서 상기 작업을 수행하도록 구성되는, 로봇.
  9. 제 8 항에 있어서, 상기 프로세서는,
    상기 주변 온도, 상기 충방전율, 및 상기 결정된 충방전 개시 전력을 입력정보로서 인공 신경망에 입력하고, 상기 인공 신경망으로부터 출력정보로서의 충방전 개시 전력을 획득하고, 상기 획득된 충방전 개시 전력을 이용하여 상기 저장된 표준 열화 비용을 수정하도록 상기 메모리를 제어하도록 더 구성되고,
    상기 인공 신경망은 상기 출력정보로서의 충방전 개시 전력을 상기 입력정보로서 이용하여 기계학습(machine learning)되는, 로봇.
  10. 제 7 항에 있어서, 상기 프로세서는,
    상기 주변 온도, 상기 충방전율 및 상기 방전 심도 중 적어도 하나가 상기 미리 결정된 표준 열화 비용에 대한 정보에 대응되는 못하는 경우, 상기 미리 결정된 표준 열화 비용에 대한 정보에 기초한 보간(interpolation) 또는 외삽(Extrapolation) 처리를 통해 미리 결정되지 못한 표준 열화 비용에 대한 정보를 결정하고 상기 결정된 표준 열화 비용에 대한 정보를 저장하도록 상기 메모리를 제어하도록 구성되는, 로봇.
  11. 제 7 항에 있어서, 상기 프로세서는
    상기 로봇의 상기 주변 온도 및 상기 로봇의 작업 과정에서의 충방전율에 기초하여, 상기 표준 열화 비용을 최소화 하는 방전 심도를 결정하고, 상기 방전 심도에 기초하여, 상기 로봇의 목표 방전량만큼 소진하기 위한 최소 시간과 관련된 충방전 개시 전력을 결정하고, 상기 최소 시간과 관련된 상기 충방전 개시 전력에 기초한 충방전 방식으로 상기 전지를 충전 및 방전시키는 과정을 반복하면서 상기 작업을 수행하도록 구성되는, 로봇.
  12. 제 7 항에 있어서, 상기 프로세서는,
    상기 전지가 정전류(Constant Current) 방식에 따라 충전되는 범위 내에서 충전 과정이 수행되는 상기 적어도 하나의 방전 심도를 결정하도록 구성되는, 로봇.
  13. 제 1 항의 로봇에 포함된 전지 충전 방법을 수행하기 위한 컴퓨터 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체.
KR1020190071810A 2019-06-17 2019-06-17 로봇에 포함된 전지를 충전하는 방법 및 그 장치 KR102650175B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190071810A KR102650175B1 (ko) 2019-06-17 2019-06-17 로봇에 포함된 전지를 충전하는 방법 및 그 장치
US16/555,234 US11233280B2 (en) 2019-06-17 2019-08-29 Method for charging battery included in robot and apparatus thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190071810A KR102650175B1 (ko) 2019-06-17 2019-06-17 로봇에 포함된 전지를 충전하는 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20190086626A true KR20190086626A (ko) 2019-07-23
KR102650175B1 KR102650175B1 (ko) 2024-03-22

Family

ID=67439756

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190071810A KR102650175B1 (ko) 2019-06-17 2019-06-17 로봇에 포함된 전지를 충전하는 방법 및 그 장치

Country Status (2)

Country Link
US (1) US11233280B2 (ko)
KR (1) KR102650175B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112805899A (zh) * 2018-10-01 2021-05-14 Tvs电机股份有限公司 充电器装置以及使用所述充电器装置进行充电的方法
US20210031817A1 (en) * 2019-07-31 2021-02-04 Transportation Ip Holdings, Llc Control system and method for a vehicle system
CN111142026B (zh) * 2019-12-31 2021-12-24 联想(北京)有限公司 一种数据处理方法、装置及电子设备
US11413467B2 (en) * 2020-10-14 2022-08-16 Hearthero, Inc. Automated external defibrillator systems with operation adjustment features according to temperature and methods of use

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006197765A (ja) * 2005-01-17 2006-07-27 Toyota Motor Corp 移動体の価格設定システムおよび価格設定方法
KR20170060499A (ko) * 2015-11-24 2017-06-01 현대자동차주식회사 배터리의 출력을 제어하는 방법
KR101846913B1 (ko) * 2016-11-01 2018-04-09 현대자동차 주식회사 하이브리드 차량의 배터리 충전 제어 장치 및 충전 제어 방법
KR20180071638A (ko) * 2016-12-20 2018-06-28 현대자동차주식회사 차량용 배터리 관리 시스템 및 방법과 이를 위한 차량
KR20190000445A (ko) * 2017-06-23 2019-01-03 이정환 전기자동차용 배터리의 열화 발생을 저감하면서 고속충전과 최대방전을 수행하기 위한 방법 및 그 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1450173A3 (de) * 2003-02-24 2009-07-22 Daimler AG Verfahren zur Ermittlung der Alterung einer Batterie
US9720478B2 (en) * 2012-03-19 2017-08-01 Panasonic Intellectual Property Management Co., Ltd. Storage battery monitoring method, storage battery monitoring system, and storage battery system
JP2013253991A (ja) * 2012-11-30 2013-12-19 Gs Yuasa Corp 蓄電素子の劣化後容量推定装置、劣化後容量推定方法及び蓄電システム
JPWO2014185163A1 (ja) * 2013-05-16 2017-02-23 日本電気株式会社 電池状態推定装置、電池状態管理システム、電池、電池状態推定方法、及び、プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006197765A (ja) * 2005-01-17 2006-07-27 Toyota Motor Corp 移動体の価格設定システムおよび価格設定方法
KR20170060499A (ko) * 2015-11-24 2017-06-01 현대자동차주식회사 배터리의 출력을 제어하는 방법
KR101846913B1 (ko) * 2016-11-01 2018-04-09 현대자동차 주식회사 하이브리드 차량의 배터리 충전 제어 장치 및 충전 제어 방법
KR20180071638A (ko) * 2016-12-20 2018-06-28 현대자동차주식회사 차량용 배터리 관리 시스템 및 방법과 이를 위한 차량
KR20190000445A (ko) * 2017-06-23 2019-01-03 이정환 전기자동차용 배터리의 열화 발생을 저감하면서 고속충전과 최대방전을 수행하기 위한 방법 및 그 장치

Also Published As

Publication number Publication date
US20190386351A1 (en) 2019-12-19
KR102650175B1 (ko) 2024-03-22
US11233280B2 (en) 2022-01-25

Similar Documents

Publication Publication Date Title
KR20190086630A (ko) 로봇에 포함된 전지를 충전하는 방법 및 그 장치
KR102650175B1 (ko) 로봇에 포함된 전지를 충전하는 방법 및 그 장치
US11518648B2 (en) Robot system and operation method thereof
US20210060801A1 (en) Method and system for charging robot
US11511634B2 (en) Charging system for robot and control method thereof
KR102353103B1 (ko) 인공 지능 장치 및 그의 동작 방법
US11138844B2 (en) Artificial intelligence apparatus and method for detecting theft and tracing IoT device using same
KR102658966B1 (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
EP3410070B1 (en) Information processing apparatus and information processing method
US11498427B2 (en) Transporting robot and method for operating the same, system for controlling the transporting robot
US11383379B2 (en) Artificial intelligence server for controlling plurality of robots and method for the same
US11372418B2 (en) Robot and controlling method thereof
KR20190109324A (ko) 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
US11507825B2 (en) AI apparatus and method for managing operation of artificial intelligence system
US10931813B1 (en) Artificial intelligence apparatus for providing notification and method for same
US20200012293A1 (en) Robot and method of providing guidance service by the robot
US20210335344A1 (en) Artificial intelligence device capable of controlling other devices based on device information
US11524413B2 (en) Emergency stop of robot
US11511439B2 (en) Method for managing modular robot and robot thereof
KR20210095359A (ko) 로봇, 로봇의 제어 방법 및 로봇을 제어하기 위한 서버
US20200042823A1 (en) Artificial intelligence apparatus using sound signal classification and method for the same
US11604959B2 (en) Artificial intelligence-based apparatus and method for providing wake-up time and bed time information
US11575159B2 (en) Wireless battery system, method of operating wireless battery system, and robot with application of wireless battery system
JP2020134448A (ja) 充電施設案内システムおよび充電施設案内プログラム
US20210086367A1 (en) Robot and operation method for robot

Legal Events

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