KR20190086630A - 로봇에 포함된 전지를 충전하는 방법 및 그 장치 - Google Patents

로봇에 포함된 전지를 충전하는 방법 및 그 장치 Download PDF

Info

Publication number
KR20190086630A
KR20190086630A KR1020190079538A KR20190079538A KR20190086630A KR 20190086630 A KR20190086630 A KR 20190086630A KR 1020190079538 A KR1020190079538 A KR 1020190079538A KR 20190079538 A KR20190079538 A KR 20190079538A KR 20190086630 A KR20190086630 A KR 20190086630A
Authority
KR
South Korea
Prior art keywords
charging
robot
amount
battery
charge
Prior art date
Application number
KR1020190079538A
Other languages
English (en)
Inventor
조영규
김선옥
박재민
서영정
안병교
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 KR1020190079538A priority Critical patent/KR20190086630A/ko
Publication of KR20190086630A publication Critical patent/KR20190086630A/ko
Priority to US16/550,852 priority patent/US20190379212A1/en

Links

Images

Classifications

    • H02J7/0052—
    • 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
    • B60L53/10—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 characterised by the energy transfer between the charging station and the vehicle
    • B60L53/14—Conductive energy transfer
    • 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
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • 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
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B60L58/13—Maintaining the SoC within a determined range
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/80—Time limits
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/20—Drive modes; Transition between modes
    • B60L2260/32—Auto pilot mode
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • 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
    • H02J7/0042—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by the mechanical construction
    • H02J7/0044—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by the mechanical construction specially adapted for holding portable devices containing batteries
    • 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
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • 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
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • 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
    • 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
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Fuzzy Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

일 실시예에 따른 로봇에 포함된 전지를 충전하는 방법에 있어서, 로봇에 의해 수행되는 작업으로 인해 로봇의 전지가 충전되어야 하는 필요충전량을 결정하는 단계; 필요충전량에 기초하여 충전 소요 시간을 결정하는 단계; 충전 소요 시간 및 로봇의 다음 작업 개시 시간에 기초하여 충전 개시 시간을 결정하는 단계; 및 충전 개시 시간이 도래하면 전지의 충전을 개시하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법이 제공될 수 있다. 또 다른 일 실시예에 따라 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 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 로봇의 대표적인 예는 로봇 청소기로서, 일정 영역을 스스로 주행하면서 주변의 먼지 또는 이물질을 흡입하여 청소하는 가전기기의 일종이다. 이는 사용자가 직접 이용하여 청소작업을 수행하는 일반 스틱형 청소기의 활용 방식과는 달리 자동으로 청소를 시작 및 종료하게 된다. 따라서 이러한 로봇 청소기는 일반적으로 유선 형이 아닌 충전 가능한 전지를 구비함으로써 무선으로 운행 가능하다.
따라서 2차 전지로 일컬어지는 이러한 충전 가능한 전지는 충전 및 방전이 과정이 반복적으로 수행될 수 밖에 없으며, 이러한 과정 속에서 진행되는 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. 이러한 충전 과정이 개시된 이후에는 다음 작업의 개시 전까지 계속적으로 충전 과정이 수행되며, 그 결과 완전 충전된 상태(즉, SoC(State of Charge)가 100%인 상태)에서 계속적으로 충전이 수행되며 로봇은 다음 작업의 개시 시점에서는 항상 완전 충전된 상태로부터 작업을 개시하게 된다. 하지만 이러한 충전 방법은 2차 전지의 수명에 매우 해로운 충전 방식에 해당되며 전지의 수명이 급격하게 감소한다는 문제점이 있다.
“Impact of dynamic driving loads and regenerative braking on the aging of lithium-ion batteries in electric vehicles”라는 논문(P.　Keil,　A.　Jossen, Journal of The Electrochemical Society,　2017)에서는 리튬이온 전지의 노후화는 사용의존적 사이클 노후화 및 사용독립적 캘린더 노후화가 있으며, 일반적으로 리튬이온 전지는 낮은 양극 전위에 대응하는 높은 SoC에 해당해서는 안 된다는 점을 언급하고 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.
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 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 로봇이 작업하는 환경에서 실질적으로 충전에 필요한 시간이 어느 정도인지를 산출할 수 있고 그에 따라 로봇의 작업환경에서 가장 효율적인 전지 충전 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 따른 로봇에 포함된 전지를 충전하는 방법에 있어서, 상기 로봇에 의해 수행되는 작업으로 인해 상기 로봇의 상기 전지가 충전되어야 하는 필요충전량을 결정하는 단계; 상기 필요충전량에 기초하여 충전 소요 시간을 결정하는 단계; 상기 충전 소요 시간 및 상기 로봇의 다음 작업 개시 시간에 기초하여 충전 개시 시간을 결정하는 단계; 및 상기 충전 개시 시간이 도래하면 상기 전지의 충전을 개시하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법이 제공될 수 있다.
상술한 기술적 과제를 해결하기 위해, 또 다른 일 실시예에 따른 작업을 수행하는 로봇에 있어서, 충전 가능한 전지; 전력을 공급받아 상기 전지를 충전할 수 있는 충전부; 및 상기 로봇의 의해 수행되는 작업으로 인해 상기 전지가 충전되어야 하는 필요충전량을 결정하고, 상기 필요충전량에 기초하여 충전 소요 시간을 결정하고, 상기 충전 소요 시간 및 상기 로봇의 다음 작업 개시 시간에 기초하여 충전 개시 시간을 결정하고, 상기 충전 개시 시간이 도래하면 상기 전지의 충전을 개시하도록 상기 충전부를 제어하는 프로세서를 포함하는, 로봇이 제공될 수 있다.
상술한 기술적 과제를 해결하기 위해, 또 다른 일 실시예에 따른 전지 충전 방법을 수행하기 위한 컴퓨터 프로그램을 수록한 컴퓨터 판독 가능 기록매체가 제공될 수 있다.
상술한 기술적 과제를 해결하기 위해, 또 다른 일 실시예에 따른 로봇에 포함된 전지를 충전하는 방법에 있어서, 로봇이 수행하던 작업을 종료하고 충전 스테이션으로 이동하는 단계; 로봇이 충전 스테이션으로 이동한 후 소정의 시간동안 대기하는 단계; 및 소정의 시간이 경과한 후부터 로봇이 충전 스테이션을 통해 전력을 공급받아 로봇의 전지를 충전하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법이 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, 완전 충전되는 전지의 충전 방식을 변경함으로써 작업에 필요할 것으로 예상되는 필요충전량만큼만 충전시킬 수 있고 이에 따라 전지의 노후화 속도를 줄일 수 있다.
또한, 본 발명의 일 실시예를 통해, 충전이 개시되는 시점의 잔여 전력량마다 다음 작업에 필요한 전력량이 얼마인지를 고려한 충전 소요 시간을 결정함으로써 전지의 상태에 따른 최적화된 충전 방식을 채택할 수 있으며 이에 따라 전지의 노후화 속도를 줄일 수 있다.
또한, 본 발명의 일 실시예를 통해, 반복되는 충전 및 방전 과정에서 획득가능한 소정의 정보를 기계학습된 인공 신경망에 입력하여 작업 환경이나 전지의 상태 등에 최적화된 충전 소요 시간을 출력하고 해당 시간만큼 충전을 수행할 수 있다. 이후 충전 수행 결과에 따라 다시 인공 신경망을 기계학습 시킴으로써 로봇이 처해질 수 있는 다양한 환경마다 최적화된 충전 소요 시간을 출력할 수 있으므로 획일화된 충전 소요 시간의 결정 과정이 아닌 작업환경에 적응적인 충전 소요 시간의 결정 과정을 수행할 수 있다.
도 1은 일 실시예에 따라 소정의 작업 환경 속에서 다양한 종류의 무선 로봇이 작업을 수행하고난 뒤 다시 충전되는 과정을 도시한다.
도 2는 일 실시예에 따라 작업에 의해 방전된 전지를 충전할 수 있는 로봇 및 충전 스테이션의 블록도 및 상호관계를 도시한다.
도 3은 일 실시예에 따라 전지 충전 방법이 수행되는 과정을 시간 순서에 따라 나타낸 것이다.
도 4는 일 실시예에 따른 전지 충전 방법이 수행되는 과정을 나타내는 흐름도이다.
도 5는 일 실시예에 따라 현재 작업에 의한 필요충전량을 결정하기 위해, 현재 작업에 따른 전력소모량 및 그 전까지의 전력소모량의 평균인 직전 평균 전력소모량을 현재 평균 전력소모량을 결정한 후 필요충전량을 결정하기 위해 이용하는 과정을 나타내는 흐름도이다.
도 6은 일 실시예에 따라 필요충전량 및 전지의 잔여 전력량에 기초하여 전지의 충전 속도를 결정하고, 결정된 충전 속도에 기초하여 충전 소요 시간을 결정하는 흐름도이다.
도 7은 일 실시예에 따라 충전시간 대 전력량 또는 충전시간 대 개로 전압(Open Circuit Voltage, OCV)의 관계를 나타내는 도면이다.
도 8은 일 실시예에 따라 전지 충전 결과에 따라 인공 신경망을 기계학습시켜서 다음 전지 충전 방법이 수행될 때 학습된 인공 신경망을 이용함으로써 작업 환경에 적합한 충전 소요 시간을 결정하기 위한 전지 충전 방법의 흐름도이다.
도 9는 일 실시예에 따른 AI 장치를 나타낸다.
도 10은 일 실시예에 따른 AI 서버를 나타낸다.
도 11은 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. 또한특히, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
"필요충전량"은 로봇이 수행한 작업에 의해 전지의 전력량이 감소한 경우, 다음 작업을 위해 필요한 것으로 예상되는 전력량을 계산한 결과에 따라 현재 작업 종료 이후로부터 다음 작업의 개시 이전까지 충전되어야 하는 전력량으로 정의된다.
"충전 소요 시간"은 로봇이 다음 작업 개시 전까지 충전될 것을 필요로 하는 전력량인 필요충전량만큼 전지를 충전시키기 위해 소요되는 예상 시간으로 정의된다. 충전 소요 시간은 동일한 필요충전량이 충전되는 경우라도 충전되는 전지(210)의 주변 온도, 전지의 잔여 전력량 등에 기초하여 달라질 수 있다. 본 발명의 일 실시예에 따르면 충전이 개시되는 시간으로부터 충전 소요 시간만큼만 충전이 수행된다.
"작업 개시 시간"은 로봇에 의해 수행되는 작업이 개시되는 시간으로 정의될 수 있다. 일 실시예에 따라 로봇에 의해 수행되는 작업은 정기적인 작업, 즉, 미리 정해진 시간 간격마다 수행되는 작업이 개시되는 시간일 수 있다. 또 다른 일 실시예에 따라 사용자에 의해 수동적으로 작업이 수행되는 경우, 작업이 개시되는 것으로 예상되는 시간을 결정하여 작업 개시 시간으로서 활용할 수 있으며, 개시될 것으로 예상되는 시간은 누적된 작업 개시 시간에 기초하여 결정된 평균 작업 개시 시간에 대응될 수 있다. 일 실시예에 따라 본 발명의 작업 개시 시간은, 충전 개시 시간으로부터 충전 소요 시간만큼 경과한 시점으로도 정의될 수 있다.
"충전 개시 시간"은 로봇의 전지가 충전되기 시작하는 시간으로서, 다음 작업 개시 시간 이전에 필요충전량만큼 전지가 충전될 수 있을 시간에 대응되는 것일 수 있다. 일 실시예에 따라 충전 개시 시간은 로봇이 충전을 위한 스테이션과 같은 충전 스테이션(110)에 도킹(docking) 또는 연결되는 시간과는 구별되는 상이한 시간일 수 있다. 즉, 충전 스테이션(110)에 포함된 전력공급부로부터 전력을 공급받는 시간이 충전 개시 시간일 수 있다.
"평균 전력소모량"은 로봇에 의해 반복적으로 수행되는 각 작업에 의해 소모되는 전력소모량의 평균으로 정의된다. 평균 전력소모량은 작업이 수행될 때마다 누적된 정보에 기초하여 결정된 직전 평균 전력소모량을 현재 작업에 의해 소모된 전력소모량에 기초하여 갱신할 수 있으며, 갱신 결과로서 현재 평균 전력소모량이 결정될 수 있다. 현재 평균 전력소모량은 다음 작업이 수행된 이후에는 직전 평균 전력소모량으로서 활용될 수 있다.
"누적 충전 전류량" 충전 과정에서 로봇의 전지로 유입된 전류량을 누적한 양으로 정의될 수 있으며 "누적 방전 전류량"은 로봇의 작업에 의해 유출된 전류량을 누적한 양으로 정의될 수 있다. 일 실시예에 따라 누적 방전 전류량은 누적 충전 전류량에 비해 적은 양일 수 있으며, 누적 충전 전류량 대 누적 방전 전류량의 비(ratio)에 대응되는 계수를 전지의 필요충전량의 결정 과정에서 활용할 수 있다.
"충전 속도"는 로봇의 전지를 충전하는 과정에서 전지의 전력량의 증가 속도로 정의될 수 있다. 이러한 충전 속도는 "충전 프로파일(Profile)"에 기초하여 달라질 수 있으며, 충전 프로파일은 선형(linear)적으로 전력량이 증가하는 정전류(Constant Current)충전 및 지수적으로 전력이 증가하는 정전압(Constant Voltage)충전 방식을 포함할 수 있으며, 로봇은 두 방식 중 적어도 하나를 이용하여 충전을 수행할 수 있다.
"잔여 전력량"은 전지에 아직 남아있는 전력량으로서, 이는 개로 전압과 잔여 전력량과의 상관관계에 기초하여 결정될 수 있다. 일 실시예에 따라 개로 전압의 측정은 전지의 사용 중지 후 소정의 시간(예를 들면, 약 3시간)이 지난 후의 안정화된 전지의 전압을 측정함으로써 수행될 수 있다. 이러한 잔여 전력량과 개로 전압과의 상관관계를 나타내는 관계표를 미리 결정하여 잔여 전력량의 결정 과정에 이용할 수 있다. 일 실시예에 따라 잔여 전력량과 개로 전압의 상관관계를 나타내는 관계표는 전지의 주변 온도, 전지의 노후화 상태마다의 상관관계를 나타내는 것일 수 있다.
"노후화 상태정보"는 전지의 초기 충전가능 전력량에 비해 현재 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. 일 실시예에 따라 노후화 상태 정보가 임계치(예를 들면, 0.8) 이하를 나타내는 경우 전지의 수명을 다 한 것으로 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 다양한 종류의 무선 로봇(100)이 작업을 수행하고 난 뒤 다시 충전되는 과정을 도시한다.
가정용 또는 산업용 로봇의 경우 다양한 환경 속에서 소정의 작업을 수행할 수 있다. 이러한 다양한 분야에서 활동하는 로봇(예를 들면, 100_1, 100_2, 100_3 등, 이하에서는 설명 상 편의를 위해 100으로 지칭)의 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. 따라서 충전을 위해서는 전력을 공급해줄 수 있는 충전 스테이션(예를 들면, 110)로 로봇(100)이 이동함으로써 전력을 공급받을 수 있고, 이에 다시 작업을 수행할 수 있게 된다. 이러한 충전 스테이션(110)는 로봇이 활동하는 작업 환경에 포함되거나 인접한 곳에 위치할 수 있으며, 로봇(100)은 작업이 완료되었거나 잔여 전력량이 낮아서 전력 공급이 필요하다고 판단되는 경우 용이하게 충전 스테이션(110)로 자동적으로 이동하여 충전 스테이션(110)에 포함된 전력공급부를 통해 전력을 공급받을 수도 있고 사용자에 의해 수동적으로 작업을 종료하고 충전 스테이션(110)에서 전력을 공급받을 수도 있다.
종래에는 이러한 로봇(100)이 충전을 위해 충전 스테이션(110)로 이동하여 도킹 또는 연결되는 시간 이후로, 다음 작업의 개시를 위해 전력공급부로부터 로봇(100)이 제거될 때까지 계속하여 전력이 공급되어야만 하였고, 이로 인해 전지의 급격한 노후화가 초래될 수 밖에 없었다. 본 발명은 이러한 작업 환경 속에서 로봇(100)의 전지를 충전하는 전략을 수정함으로써 전지의 노후화를 방지할 수 있다.
도 2는 일 실시예에 따라 작업에 의해 방전된 전지를 충전할 수 있는 로봇(200) 및 충전 스테이션(222)의 블록도 및 상호관계를 도시한다.
일 실시예에 따라 도 2의 로봇(200) 및 충전 스테이션(222)는 도 1의 로봇(100) 및 충전 스테이션(110)에 대응되는 것일 수 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)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(미도시)에 액세스하여, 메모리(미도시)에 저장된 O/S를 이용하여 부팅을 수행한다. 그리고, 메모리(미도시)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
일 실시예에 따라 프로세서(230)는 출력부(미도시)를 통해 본 발명에서 로봇(200)에 수행되는 전지 충전 방법의 각 단계의 수행 결과에 대하여 시각적, 청각적 또는 촉각적으로 출력함으로써 전지 충전 방법의 소정의 과정이 수행된 결과에 대해 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 전력공급부(223)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.
도 3을 참조하면, 로봇(200)은 제1 시점(310)에 제1 작업을 개시할 수 있고, 제1 시간(315)동안 제1 작업을 수행할 수 있다. 이러한 제1 작업을 통해 일정 전력량이 소모되면 로봇(200)은 제1 시점(320)에 충전 스테이션(222)에 포함된 전력공급부(223)로 이동하여 전력을 공급받음으로써 전지(210)를 충전시킬 수 있다. 전력공급부(223)로부터 전지(210)를 충전하는 것은 다음 작업인 제2 작업에 이용되기 위한 전력을 미리 공급하기 위한 과정일 수 있다. 로봇(200)은 제2 작업이 개시되기 전까지는 계속 전력공급부(223)에 연결되어 있으며, 이에 따라 종래에는 제1 작업이 종료된 이후에 수행되는 전지(210)의 충전 과정은 제1 시점(320)에 시작하여 제2 작업이 개시되는 제2 시점(340)까지 계속될 수 밖에 없었다. 이에 따라 제1 시점(320)과 제2 시점(340) 사이의 대기 시간(350)이 길수록 제2 시점(340)의 전지(210)의 잔여 전력량은 많을 수밖에 없었으며 심지어 완전 충전된 상태에서 장시간 동안 계속 전지(210)로 전력이 공급되는 상황이 초래되었고, 이로 인해 전지(210)의 노후화가 빨라지게 되었다.
본 발명은 로봇(200)이 전력공급부(223)에 연결된 제1 시점(320)으로부터 바로 충전을 개시되지 않도록, 제1 시점(320) 이후에 일정 시간(325)이 도과한 후 충전이 개시되는 시점인 충전 개시 시간(330)을 결정하고, 제2 작업을 위해 전지(210)에 얼마나 충전이 필요한지를 결정함으로써 충전 소요 시간(335)을 결정할 수 있다. 본 발명에 따르면 충전 개시 시간(330)을 제1 시점(320) 이후로 결정하고 제2 작업이 개시되는 제2 시점(340)의 직전까지만 충전 과정을 수행하도록 함으로써 불필요하게 전지(210)가 과충전 되는 것이 방지될 수 있다. 즉, 본 발명의 로봇(200)은 작업이 종료된 후 충전 스테이션(222)으로 이동하더라도, 충전 스테이션(222)의 전력공급부(223)로부터 곧바로 전력을 공급받아 전지(210)를 충전 시키는 것이 아니라, 소정의 시간(예를 들면, 325)동안 충전을 하지 않는 상태로 대기하고 있거나 또는 충전할 때 공급되는 전력량 보다 적은 전력량으로 전지를 충전하면서 대기하고 있을 수 있다. 이와 같이 충전 스테이션(222)으로 되돌아온 로봇(200)이 소정의 시간동안 대기하는 시간을 둠으로써 불필요하게 전지(210)가 과충전 되는 것을 방지할 수 있다.
이하에서는 로봇(200)이 본 발명의 전지 충전 방법을 수행하기 위해 필요한 필요충전량, 충전 소요 시간, 충전 개시 시간, 충전 속도 등을 결정하는 상세한 과정에 대해 설명하도록 한다.
도 4는 일 실시예에 따른 전지 충전 방법이 수행되는 과정을 나타내는 흐름도이다.
로봇(200)은 S410단계에서 로봇(200)에 의해 수행되는 작업으로 인해 로봇(200)의 전지(210)가 충전되어야 하는 필요충전량을 결정할 수 있다. 일 실시예에 따라 필요충전량은 S410단계 이전에 완료된 작업 또는 현재 수행 중인 작업에 의해 소모된 전력량에 기초하여 다음 작업에 필요할 것으로 예상되는 전력량일 수 있다. 로봇(200)이 수행하는 필요충전량의 결정 과정은 결정된 필요충전량에 기초하여 충전이 개시되는 시간 이전에 수행되는 것으로 이해될 수 있다. 예를 들면, 로봇(200)은 현재 진행 중인 작업을 종료한 후 전력공급부(223)에 연결되는 시점에 필요충전량을 결정하거나, 진행된 작업이 종료된 직후로부터 전지(210)가 소정의 시간(예를 들면, 전지(210)가 안정화되는 데 소요되는 시간 또는 사용자에 의해 설정된 시간) 이후에 필요충전량을 결정할 수 있다. 일 실시예에 따라 필요충전량의 결정 과정은 직전 충전 개시 시간에 기초하여 수행될 수도 있다. 예를 들면, 로봇(200)은 직전 충전 개시 시간에, 또는 직전 충전 개시 시간으로부터 소정의 시간 이전 시간에 S410단계를 수행할 수 있다.
일 실시예에 따라 로봇(200)은 현재 완료된 작업이 개시되기 직전의 잔여 전력량에 기초하여 필요충전량을 결정할 수 있다. 일 실시예에 따라 로봇(200)은 전지(210)를 완전 충전 상태가 아닌 실질적으로 최적의 전력량만을 충전하기 위한 필요충전량을 결정할 수 있으며, 이러한 필요충전량은 로봇(200)의 작업환경, 전지(210)의 주변 온도 등에 기초하여 미리 결정된 최적의 잔여 전력량만큼 충전되기 위해 필요한 전력량이다. 일 실시예에 따라 최적의 잔여 전력량은 사용자에 의해 미리 설정된 값일 수도 있으며, 로봇(200)에 미리 저장된 정보에 기초하여 결정되는 값일 수도 있고, 로봇(200)에 의해 자동적으로 결정된 최적화된 값일 수도 있다.
S420단계에서 로봇(200)은 일 실시예에 따라 S410단계에서 결정된 필요충전량에 기초하여 충전 소요 시간을 결정할 수 있다. 일 실시예에 따라 충전 소요 시간은 전지(210)의 잔여 전력량에 기초하여 결정될 수 있다. 나아가 충전 소요 시간은 전지(210)의 잔여 전력량뿐만 아니라 전지(210)의 노후화 상태정보에 기초하여 결정될 수도 있으며, 이에 따라 전지(210)의 현재 상태에 기반하여 실질적 충전 소요 시간이 결정될 수 있다.
일 실시예에 따라 로봇(200)은 충전 프로파일에 기초하여 달라지는 충전 속도를 이용하여 충전 소요 시간을 결정할 수 있다. 일 실시예에 따라, 충전 속도를 결정할 수 있는 충전 프로파일로는 정전압 충전방식 또는 정전류 충전방식이 포함될 수 있으며, 충전 과정에서 정전압 충전방식 및 정전류 충전방식이 혼합되어 사용될 수 있다. 이러한 충전 프로파일에 따른 충전 소요 시간의 결정 방식은 이후 도 7을 통해 후술하도록 한다.
S430단계에서 로봇(200)은 일 실시예에 따라 S420단계에서 결정된 충전 소요 시간 및 로봇(200)의 다음 작업 개시 시간에 기초하여 충전 개시 시간을 결정할 수 있다. 일 실시예에 따라 충전 개시 시간은 다음 작업 개시 시간으로부터 기산하여 충전 소요 시간만큼 이전 시간인 것으로 결정될 수 있으며, 이 경우 로봇(200)은 다음 작업이 개시됨으로써 충전 과정을 종료하게 된다. 일 실시예에 따라 충전 개시 시간은 다음 작업 개시 시간으로부터 소정의 시간 이전의 시간으로부터 기산하여 충전 소요 시간만큼 이전 시간인 것으로 결정될 수도 있다.
일 실시예에 따라 S410단계 내지 S430단계에 대한 특징 중 적어도 일부는 로봇(200)이 충전을 시작하기 전까지 대기하는 소정의 시간 이전에 결정될 수 있다. 다른 일 실시예에 따라 S410단계 내지 S430단계에 대한 특징 중 적어도 일부는 로봇(200)이 충전을 시작하기 전까지 대기하는 소정의 시간 내에 결정될 수도 있다.
S440단계에서 로봇(200)은 일 실시예에 따라 S430단계에서 결정된 충전 개시 시간이 도래하면 전지의 충전을 개시할 수 있다. 즉, 로봇(200)은 일 실시예에 따라 작업 종료 후 충전 스테이션(222)로 돌아온 직후부터 충전 개시 시간까지는 전력공급부(223)로부터 전력을 공급받지 않으며, 충전 개시 시간이 도래하였을 때야 비로소 충전부(220)가 전력공급부(223)로부터 전력을 공급받아 전지(210)를 충전할 수 있다.
일 실시예에 따라, 로봇(200)이 충전 스테이션(222)으로 이동한 후 충전 개시 시간 이전에 소정의 시간 동안 충전 스테이션(222)에서 대기하는 단계에서, 로봇(200)은 전력 공급부(223)로부터 충전 개시 시간동안 공급받는 전력보다 낮은 전력량에 기초하여 전지(210)를 충전할 수 있다. 다른 일 실시예에 따라 로봇(200)이 충전 스테이션(222)으로 이동한 후 충전 개시 시간 이전에 소정의 시간 동안 충전 스테이션(222)에서 대기하는 단계에서, 로봇(200)은 전력 공급부(223)로부터 전력을 공급받지 않을 수 있다.일 실시예에 따라 로봇(200)은 소정의 시간 이후에 충전을 개시하고, 다음 작업 개시 시간까지 전지(210)를 충전 시킬 수 있다.
도 5는 일 실시예에 따라 현재 작업에 의한 필요충전량을 결정하기 위해, 현재 작업에 따른 전력소모량 및 그 전까지의 전력소모량의 평균인 직전 평균 전력소모량을 현재 평균 전력소모량을 결정한 후 필요충전량을 결정하기 위해 이용하는 과정을 나타내는 흐름도이다.
S500단계에서 로봇(200)은 일 실시예에 따라 작업을 수행할 수 있으며, 이는 n번째 작업이라고 지칭될 수 있다. 이러한 작업은 로봇(200)에 의해 반복적으로 일정한 시간 간격으로 수행되는 것일 수 있다.
S510단계에서 로봇(200)은 일 실시예에 따라 n번째로 수행된 작업에 소모된 전력량 및 작업 종료 전까지의 직전 평균 전력소모량에 기초하여 로봇(200)이 작업에서 소모하는 전력량의 평균인 현재 평균 전력소모량을 결정할 수 있다.
일 실시예에 따라 로봇(200)은 필요충전량을 계산하기 위하여, 현재 진행중인 작업에 의해 소모된 전력량 및, 각각의 작업에 필요한 전력소모량의 평균(즉, 직전 평균 전력소모량)을 이용할 수 있다. 즉, 로봇(200)은 현재 진행중인 작업이 종료된 이후에 소모된 전력량을 결정한 후, 직전 평균 전력소모량과의 연산을 통해 현재 완료된 작업에 의한 전력소모량에 대한 정보가 반영된 현재 평균 전력소모량을 결정할 수 있다. 일 실시예에 따라 로봇(200)은 필요충전량을 결정하기 위해 다음과 같은 수학식 1을 이용할 수 있다.
Figure pat00001
여기서, ei는 i번째의 작업에서 소모된 전력량을 의미하고, En-1 및 En 각각 n-1번째 및 n번째 작업이 완료되었을 시점에서의 평균 전력소모량을 의미한다. 따라서 n번째 작업이 완료되었을 시점에서의 직전 평균 전력소모량은 En-1일 수 있고, 현재 평균 전력소모량은 En일 수 있다.
일 실시예에 따라 로봇(200)은 필요충전량을 결정함에 있어서 수학식 1의 결과를 산출하는 과정을 수행할 수 있으며, 나아가 수학식 1에 의해 산출된 결과에 더하여 다음과 같은 수학식 2를 통해 산출 가능한 소정의 계수를 이용하여 실질적으로 충전에 필요한 전류량을 보정할 수 있다.
Figure pat00002
일 실시예에 따라 Qcharge는 누적 충전 전류량, Qdischarge는 누적 방전 전류량으로 정의될 수 있고, 위 수학식 2에서의
Figure pat00003
는 n번째 작업을 마치고 충전하기 전인 현 시점까지의 누적된 충전 전류량 및 방전 전류량의 비로서 정의될 수 있으며 충전 계수(charge factor)로 지칭될 수도 있다. 여기서 이러한 계수를 이용함으로써 실질적으로 충전 과정에 필요한 전류량에 따른 전력량과 실질적으로 전지(210)에 충전된 전력량의 차이가 보완될 수 있으며, 이러한 보완 결과가 이후 충전 소요 시간 결정과정에서 이용될 수 있다.
S520단계에서 로봇(200)은 일 실시예에 따라 S510단계에서 결정된 현재 평균 전력소모량에 기초하여 필요충전량을 결정할 수 있다. 로봇(200)은 현재 평균 전력소모량에 대응되도록 필요충전량을 결정할 수도 있으며, 소정의 전처리를 통해 필요충전량을 가공할 수도 있다.
일 실시예에 따라 로봇(200)은 작업 수행 전 잔여 전력량과 현재 잔여 전력량의 차이값이 현재 평균 전력소모량의 임계값 이상의 차이를 보이는 경우, 필요충전량을 결정하기 위하여 작업 수행 전 잔여 전력량과 현재 잔여 전력량의 차이값을 필요충전량으로서 결정할 수 있다. 반복되는 작업 이외의 별도의 작업을 수행하도록 사용자로부터 지시를 받은 경우, 로봇(200)은 기존의 작업과는 다른 작업량을 소화해야하므로, 평소보다 많은 전력량을 소모하였을 것이며 이 경우 작업 종료 후 잔여 전력량이 일반적인 반복 작업이 종료된 후 잔여 전력량과 일부 차이를 보일 수 있다. 이러한 경우에는 로봇(200)은 추가작업으로 인한 일시적 전력 소모 상태로부터 원래의 반복작업을 위한 전지(210)의 상태로 회복시키기 위해, 해당 작업 직전의 잔여 전력량으로 전지(210)를 충전시킬 수 있다.
S530단계 내지 S550단계의 특징은 각각 상술한 도 4의 S420단계 내지 S440단계의 특징과 동일하거나 유사한 것일 수 있으므로 자세한 설명은 생략한다.
도 6은 일 실시예에 따라 필요충전량 및 전지(210)의 잔여 전력량에 기초하여 전지(210)의 충전 속도를 결정하고, 결정된 충전 속도에 기초하여 충전 소요 시간을 결정하는 흐름도이다.
S610단계에서 로봇(200)은 로봇(200)에 의해 수행되는 작업으로 인하여 로봇의 전지가 충전되어야 하는 필요충전량을 결정할 수 있다. S610단계의 특징은 도 4의 S410단계의 특징과 동일하거나 유사한 것일 수 있으므로 자세한 설명은 생략한다.
S620단계에서 로봇(200)은 S610단계에서 결정된 필요충전량 및 전지(210)의 잔여 전력량에 기초하여, 전지(210)의 충전 속도를 결정한다. 로봇(200)은 전지(210)의 잔여 전력량을 결정하기 위해서는 개로전압과 잔여 전력량과의 상호관계를 이용할 수 있다. 다만 로봇(200)이 잔여 전력량을 측정하기 위해 사용될 수 있는 기술에는 다양한 잔여 전력량 측정 기술이 포함될 수 있는 것으로 이해될 수 있다. 일 실시예에 따라 로봇(200)은 전지(210)의 잔여 전력량으로부터 필요충전량만큼 충전하는 경우, 충전과정에 적용될 충전 속도를 결정할 수 있다. 일 실시예에 따라 로봇(200)은 잔여 전력량 및 필요충전량에 기초하여 충전 시 어떤 충전 프로파일이 이용될지에 대하여 결정될 수 있다. 이와 관련해서는 이하의 도 7과 관련하여 자세히 설명하도록 한다.
도 7은 일 실시예에 따라 충전시간 대 전력량 또는 충전시간 대 개로전압의 관계를 나타내는 도면이다.
도 7을 참조하면, 로봇(200)이 잔여 전력량(731a)으로부터 필요충전량(735)만큼 전지(210)를 충전과정에서의 전지(210)의 충전 시간에 대한 전압 또는 전력량의 관계를 살펴볼 수 있다. 로봇(200)은 정전압 방식 또는 정전류 방식을 이용하여 전지(210)를 충전할 수 있다. 일 실시예에 따라 정전류 방식은 일정한 전류를 이용하여 충전하며, 이 경우 전지(210)의 전력량은 선형(linear)적으로 증가하게 되며, 다만 전지(210)의 전압은 잔여 전력량(731a)이 낮을수록 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 전지(210)가 완전 방전된 상태에서 완전 충전 상태가 될 때까지 충전되는 경우, 로봇(200)은 정전류 방식으로 충전을 개시하고, 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 전력량(731a)이 낮은 전지(210)에 충전 전류를 일정하게 공급해주기 위해 정전류 방식 충전 구간(710) 동안 전지(210)의 전압을 증가시킨 후, 어느 정도 전압이 증가한 이후에는 정전압 방식 충전 구간(720) 동안 전지(210)의 전압을 지속적으로 상승시켜줄 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.
일 실시예에 따라, 로봇(200)의 프로세서(230)는 잔여 전력량(731a) 및 필요충전량(735)이 어느 정도인지에 따라서는 정전류 방식 또는 정전압 방식 만을 통해 전지(210)를 충전하도록 충전부(220)를 제어할 수 있으며, 정전류 방식 및 정전압 방식을 순차적으로 이용하도록 충전부(220)를 제어할 수 있다. 일 실시예에 따라 정전류 방식 및 정전압 방식이 모두 이용되는 충전 과정이 수행되는 경우 전지(210)의 충전 속도가 일정하지는 않으므로, 동일한 필요충전량(735)를 충전한다고 하더라도 전지 잔여 전력량(731a)이 어느 정도인지에 따라 충전 소요 시간(730)은 달라질 수 있다.
S630단계에서 로봇(200)은 일 실시예에 따라 충전 속도에 기초하여 충전 소요 시간을 결정할 수 있다.
도 7을 참조하면, 현재 잔여 전력량(731a)에 대응되는 개로 전압은 3.6V에 해당하며, 로봇(200)은 정전류 방식을 통해 충전을 개시할 수 있다. 충전을 통해 전압이 상승하여 임계 전압값(예를 들면, 4.2V)에 도달하게 되면, 로봇(200)은 정전압 방식을 통해 전지(210)를 충전할 수 있다. 로봇(200)은 정전류 방식 및 정전압 방식 중 적어도 하나를 이용하여 필요충전량(735)만큼 충전하는 데 소요되는 충전 소요 시간을 결정할 수 있다. 예를 들면, 로봇(200)이 정전류 방식 및 정전압 방식을 이용하여 전지(210)를 충전하는 경우, 로봇(200)은 잔여 전력량(731a)로부터 충전을 시작하여, 정전류 방식을 통해 충전될 수 있는 전력량 및 정전압 방식으로 충전될 수 있는 전력량을 고려함으로써, 필요충전량(735)만큼 충전하는 데 소요되는 시간을 결정할 수 있다. 즉, 이 경우 전지(210)가 정전류 방식으로 충전되는 시간과 정전압 방식으로 충전되는 시간의 합은 충전 소요 시간(730)과 동일할 수 있다. 로봇(200)은 충전 소요 시간(730)이 지나면 충전을 종료할 수 있으며, 로봇(200)은 전력량(731b) 및 개로 전압(732b)을 가지게 되는 전지(210)를 이용하여 다음 작업을 개시할 수 있다.
S640단계 및 S650단계에 대한 특징은 도 4의 S430단계 및 S440단계에 대한 특징과 동일하거나 유사한 것일 수 있으므로 자세한 설명은 생략한다.
도 8은 일 실시예에 따라 전지 충전 결과에 따라 인공 신경망을 기계학습시켜서 다음 전지 충전 방법이 수행될 때 학습된 인공 신경망을 이용함으로써 작업 환경에 적합한 충전 소요 시간을 결정하기 위한 전지 충전 방법의 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.
S810단계에서 로봇(200)은 일 실시예에 따라 로봇(200)에 의해 수행되는 작업으로 인해 로봇(200)의 전지(210)가 충전되어야 하는 필요충전량을 결정할 수 있다. S810단계의 특징은 도 4의 S410단계의 특징과 동일하거나 유사한 것일 수 있으므로 자세한 설명은 생략한다.
S820단계에서 로봇(200)은 인공신경망에 개로 전압, 전지(210)의 노후화 상태정보, 전지(210)의 주변 온도 및 필요충전량을 입력할 수 있다.
일 실시예에 따라 입력 정보로서의 개로 전압은 전지(210)의 잔여 전력량에 대응되는 정보로서, 인공신경망에 입력함으로써 현재 전지(210)의 잔여 전력량이 얼마인지를 인공신경망이 알 수 있게 한다.
일 실시예에 따라 입력 정보로서의 노후화 상태정보는 현재 전지(210)의 잔여 전력량 대비 초기의 전지(210)의 잔여 전력량의 비율일 수 있다. 로봇(200)은 인공신경망에 노후화 상태 정보를 입력함으로써, 명목상의 전력량 증가(즉, 사용자가 눈으로 확인할 수 있는 수치적 증가)를 위한 충전 소요 시간을 출력하기 보다는 전지(210)의 노후화 상태에 기반한 실질적인 필요충전량을 위한 충전 소요 시간을 출력할 수 있다.
일 실시예에 따라 입력 정보로서의 전지(210)의 주변 온도에 대한 정보는, 현재 전지(210)의 주변 온도에 따라 충전 또는 방전 효율이 달라진다는 점을 고려하여 작업환 경에 최적화된 충전 소요 시간을 산출하기 위한 정보일 수 있다. 일 실시예에 따라 전지(210)의 효율이 높은 전지(210)의 주변 온도는 15 °C 내지 35° C 사이 일 수 있다. 그 외의 온도 범위에서는 전지(210)의 효율성이 줄어들 수 있다. 즉, 일 실시예에 따라 로봇(200)의 작업 환경에서의 방전 효율 및 충전 효율을 고려하여, 로봇(200)이 작업을 수행하는 데 필요한 전력량을 산출하고 해당 전력량만큼 충전하는 데 소요되는 충전 소요 시간이 출력될 수 있다.
S830단계에서 로봇(200)은 일 실시예에 따라 입력 정보가 입력된 인공신경망으로부터 출력정보에 출력받아 전지(210)의 충전 소요 시간을 결정할 수 있다. 즉, 로봇(200)은 입력된 입력 정보를 인공 신경망에 입력함으로써 로봇(200)의 작업 환경에 따른 충전 소요 시간을 출력할 수 있다.
S840단계 내지 S850단계의 특징은 도 4의 S430단계 내지 S440단계의 특징과 동일하거나 유사한 것일 수 있으므로 자세한 설명은 생략한다.
S860단계에서 로봇(200)은 일 실시예에 따라 전지(210)의 충전 결과에 기초하여 인공 신경망을 기계학습 시킬 수 있다. 즉, S860단계는 S850단계에서 충전이 개시된 이후 다음 작업 개시 시간을 통해 충전이 완료된 이후의 임의의 시간에 수행될 수 있다. 일 실시예에 따라, 로봇(200)은 S810단계 내지 S850단계를 거쳐 전지(210)의 충전 전지(210)의 주변 온도와 전지(210)의 노후화 상태정보, 작업 완료 후의 잔여 전력량 및 그에 따른 필요충전량에 기초하여 충전 소요 시간이 결정됨으로써 충전 과정이 수행 및 완료되었다면, 그 결과에 기초하여 기계학습을 수행할 수 있다. 예를 들면, 인공 신경망은 출력된 충전 소요 시간에 기초하여 충전이 완료된 다음 작업이 수행됨으로써 다시 필요충전량을 계산해야 하는 경우, 직전 필요충전량과 비교하여 더 바람직한 충전 소요 시간을 출력하도록 학습될 수 있다. 일 실시예에 따라, 로봇(200)이 미리 작성된 잔여 전력량 및 개로 전압 간의 상관관계에 대한 관계표를 획득하고 있더라도, 다양한 모든 작업 환경 내에서의 상관관계를 포함하고 있지는 않기 때문에, 로봇(200)은 기계학습을 통해 사용자의 작업 환경에 적합하게 인공 신경망을 학습시킴으로써 사용자의 작업 환경에 더 적합한 충전 소요 시간을 추정할 수 있다.
일 실시예에 따라 S820단계에서 인공 신경망의 입력 정보로서의 필요충전량은 다음 작업 개시 전까지 전지(210)가 충전되어야 하는 양이다. 일 실시예에 따라 로봇(200)은 입력 정보로서의 필요충전량을 인공 신경망에 입력하기 위하여, 소정의 수학식을 통해 전처리된 정보를 입력 정보로서 인공 신경망에 전달할 수 있다.
Figure pat00004
일 실시예에 따라 E는 작업의 개시 시점에서의 전지(210)의 잔여 전력량, Elow는 전지(210)가 안정되기 위한 최저 전력량, Ecurrent는 전지(210)의 잔여 전력량, 및 Et는 수학식 3를 통해 소정의 처리를 거친 필요충전량으로 정의될 수 있다. 일 실시예에 따라 로봇(200)은 필요충전량(즉, Et)을 인공 신경망의 입력 정보로서 이용할 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 9 내지 도 11을 통해 자세히 서술하도록 한다.
도 9는 본 발명의 일 실시 예에 따른 AI 장치(900)를 나타낸다.
도 9의 AI 장치(900)는 도 2의 로봇(200)에 대응되는 장치일 수 있으며, 도 9의 구성 중 도 2의 로봇(200)에 포함되지 않은 구성은 본 발명의 실시예를 구현할 수 있는 범위 내에서 선택적으로 채택될 수 있다.
AI 장치(900)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 9를 참조하면, AI 장치(900)는 통신부(910), 입력부(920), 러닝 프로세서(930), 센싱부(940), 출력부(950), 메모리(970) 및 프로세서(980) 등을 포함할 수 있다.
통신부(910)는 유무선 통신 기술을 이용하여 다른 AI 장치(1100a 내지 1100e)나 AI 서버(1000) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(910)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(910)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(920)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(920)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(920)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(920)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(980) 또는 러닝 프로세서(930)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(930)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(930)는 AI 장치(900)의 러닝 프로세서(930)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(930)는 AI 장치(900)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(930)는 메모리(970), AI 장치(900)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(940)는 다양한 센서들을 이용하여 AI 장치(900) 내부 정보, AI 장치(900)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(940)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(950)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(950)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(970)는 AI 장치(900)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(970)는 입력부(920)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(980)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(900)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(980)는 AI 장치(900)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(980)는 러닝 프로세서(930) 또는 메모리(970)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(900)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(980)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(980)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(980)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(930)에 의해 학습된 것이나, AI 서버(1000)의 러닝 프로세서(1040)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(980)는 AI 장치(900)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(970) 또는 러닝 프로세서(930)에 저장하거나, AI 서버(1000) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(980)는 메모리(970)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(900)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(980)는 상기 응용 프로그램의 구동을 위하여, AI 장치(900)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 10은 본 발명의 일 실시 예에 따른 AI 서버(1000)를 나타낸다.
도 10을 참조하면, AI 서버(1000)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(1000)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(1000)는 AI 장치(900)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(1000)는 통신부(1010), 메모리(1030), 러닝 프로세서(1040) 및 프로세서(1060) 등을 포함할 수 있다.
통신부(1010)는 AI 장치(900) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(1030)는 모델 저장부(1031)를 포함할 수 있다. 모델 저장부(1031)는 러닝 프로세서(1040)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망(1031a))을 저장할 수 있다.
러닝 프로세서(1040)는 학습 데이터를 이용하여 인공 신경망(1031a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(1000)에 탑재된 상태에서 이용되거나, AI 장치(900) 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(1030)에 저장될 수 있다.
프로세서(1060)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 11은 본 발명의 일 실시 예에 따른 AI 시스템(1100)을 나타낸다.
도 11을 참조하면, AI 시스템(1100)은 AI 서버(1000), 로봇(1100a), 자율 주행 차량(1100b), XR 장치(1100c), 스마트폰(1100d) 또는 가전(1100e) 중에서 적어도 하나 이상이 클라우드 네트워크(1110)와 연결된다. 여기서, AI 기술이 적용된 로봇(1100a), 자율 주행 차량(1100b), XR 장치(1100c), 스마트폰(1100d) 또는 가전(1100e) 등을 AI 장치(1100a 내지 1100e)라 칭할 수 있다.
클라우드 네트워크(1110)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(1110)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1100)을 구성하는 각 장치들(1100a 내지 1100e, 1000)은 클라우드 네트워크(1110)를 통해 서로 연결될 수 있다. 특히, 각 장치들(1100a 내지 1100e, 1000)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(1000)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(1000)는 AI 시스템(1100)을 구성하는 AI 장치들인 로봇(1100a), 자율 주행 차량(1100b), XR 장치(1100c), 스마트폰(1100d) 또는 가전(1100e) 중에서 적어도 하나 이상과 클라우드 네트워크(1110)을 통하여 연결되고, 연결된 AI 장치들(1100a 내지 1100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(1000)는 AI 장치(1100a 내지 1100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(1100a 내지 1100e)에 전송할 수 있다.
이때, AI 서버(1000)는 AI 장치(1100a 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(1100a 내지 1100e)로 전송할 수 있다.
또는, AI 장치(1100a 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(1100a 내지 1100e)의 다양한 실시 예들을 설명한다. 여기서, 도 11에 도시된 AI 장치(1100a 내지 1100e)는 도 9에 도시된 AI 장치(900)의 구체적인 실시 예로 볼 수 있다.
로봇(1100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(1100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(1100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(1100a)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(1100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(1100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(1100a)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(1100a)에서 직접 학습되거나, AI 서버(1000) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(1100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1000) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(1100a)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(1100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(1100a)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(1100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(1100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
자율 주행 차량(1100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(1100b)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(1100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(1100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(1100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(1100b)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(1100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(1100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(1100b)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(1100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(1100b)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(1100b)에서 직접 학습되거나, AI 서버(1000) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(1100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1000) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(1100b)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(1100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(1100b)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(1100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(1100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(1100c)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(1100c)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(1100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(1100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(1100c)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(1100c)에서 직접 학습되거나, AI 서버(1000) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(1100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(1000) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(1100a)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(1100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(1100b)과 상호작용하는 로봇(1100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(1100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(1100a) 및 자율 주행 차량(1100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(1100a) 및 자율 주행 차량(1100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(1100b)과 상호작용하는 로봇(1100a)은 자율 주행 차량(1100b)과 별개로 존재하면서, 자율 주행 차량(1100b)의 내부 또는 외부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(1100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(1100b)과 상호작용하는 로봇(1100a)은 자율 주행 차량(1100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(1100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(1100b)에 제공함으로써, 자율 주행 차량(1100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(1100b)과 상호작용하는 로봇(1100a)은 자율 주행 차량(1100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(1100b)의 기능을 제어할 수 있다. 예컨대, 로봇(1100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(1100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(1100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(1100a)이 제어하는 자율 주행 차량(1100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(1100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(1100b)과 상호작용하는 로봇(1100a)은 자율 주행 차량(1100b)의 외부에서 자율 주행 차량(1100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(1100a)은 스마트 신호등과 같이 자율 주행 차량(1100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(1100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
로봇(1100a)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(1100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(1100a)은 XR 장치(1100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(1100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(1100a) 또는 XR 장치(1100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(1100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(1100a)은 XR 장치(1100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(1100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(1100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(1100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
자율 주행 차량(1100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(1100b)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(1100b)은 XR 장치(1100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(1100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(1100b)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(1100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(1100b)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(1100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(1100b) 또는 XR 장치(1100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(1100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(1100b)은 XR 장치(1100c) 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 (20)

  1. 로봇에 포함된 전지를 충전하는 방법에 있어서,
    상기 로봇에 의해 수행되는 작업으로 인해 상기 로봇의 상기 전지가 충전되어야 하는 필요충전량을 결정하는 단계;
    상기 필요충전량에 기초하여 충전 소요 시간을 결정하는 단계;
    상기 충전 소요 시간 및 상기 로봇의 다음 작업 개시 시간에 기초하여 충전 개시 시간을 결정하는 단계; 및
    상기 충전 개시 시간이 도래하면 상기 전지의 충전을 개시하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  2. 제 1 항에 있어서, 상기 충전 개시 시간을 결정하는 단계는,
    상기 다음 작업 개시 시간으로부터 상기 충전 소요 시간만큼 이전 시간을 충전 개시 시간으로서 결정하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  3. 제 1 항에 있어서, 상기 필요충전량을 결정하는 단계는,
    상기 작업 종료 후, 상기 작업에 소모된 전력량 및 상기 작업 종료 전까지의 직전 평균 전력소모량에 기초하여 상기 로봇이 상기 작업에서 소모하는 전력량의 평균인 현재 평균 전력소모량을 결정하는 단계; 및
    상기 현재 평균 전력소모량에 기초하여 상기 필요충전량을 결정하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  4. 제 3 항에 있어서, 상기 필요충전량을 결정하는 단계는,
    상기 로봇의 누적 충전 전류량 및 누적 방전 전류량에 기초하여 소정의 계수를 결정하는 단계; 및
    상기 계수에 기초하여 상기 현재 평균 전력소모량을 보정함으로써 상기 필요충전량을 결정하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  5. 제 1 항에 있어서, 상기 충전 소요 시간을 결정하는 단계는,
    상기 필요충전량 및 상기 전지의 잔여 전력량에 기초하여, 상기 전지의 충전 속도를 결정하는 단계; 및
    상기 충전 속도에 기초하여 상기 충전 소요 시간을 결정하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  6. 제 5 항에 있어서, 상기 충전 속도를 결정하는 단계는,
    상기 잔여 전력량으로부터 상기 필요충전량만큼 충전하기 위해 사용될 수 있는 충전 프로파일에 기초하여 상기 충전 속도를 결정하는 단계를 포함하고,
    상기 충전 프로파일은 일정 전류로 충전하는 방식 또는 일정 전압으로 충전하는 방식을 나타내는, 로봇에 포함된 전지 충전 방법.
  7. 제 1 항에 있어서, 상기 충전 소요 시간을 결정하는 단계는,
    개로 전압(open circuit voltage), 상기 전지의 노후화 상태정보, 주변 온도, 상기 필요충전량을 포함하는 입력정보를 인공 신경망에 입력하여 출력되는 상기 충전 소요 시간을 결정하는 단계를 포함하고,
    상기 인공 신경망은 상기 로봇의 반복되는 충전 과정에서 획득되는 상기 입력정보에 기초하여 기계학습(machine learning)되고,
    상기 필요충전량은 상기 전지가 안정되는 최저전력량에 기초하여 보정된 후 상기 입력정보로서 상기 인공 신경망에 입력되는, 로봇에 포함된 전지 충전 방법.
  8. 작업을 수행하는 로봇에 있어서,
    충전 가능한 전지;
    전력을 공급받아 상기 전지를 충전할 수 있는 충전부; 및
    상기 로봇의 의해 수행되는 작업으로 인해 상기 전지가 충전되어야 하는 필요충전량을 결정하고, 상기 필요충전량에 기초하여 충전 소요 시간을 결정하고, 상기 충전 소요 시간 및 상기 로봇의 다음 작업 개시 시간에 기초하여 충전 개시 시간을 결정하고, 상기 충전 개시 시간이 도래하면 상기 전지의 충전을 개시하도록 상기 충전부를 제어하는 프로세서를 포함하는, 로봇.
  9. 제 8 항에 있어서,
    상기 프로세서는 상기 다음 작업 개시 시간으로부터 상기 충전 소요 시간만큼 이전 시간을 충전 개시 시간으로서 결정하는, 로봇.
  10. 제 8 항에 있어서,
    상기 프로세서는 상기 작업 종료 후, 상기 작업에 소모된 전력량 및 상기 작업 종료 전까지의 직전 평균 전력소모량에 기초하여 상기 로봇이 상기 작업에서 소모하는 전력량의 평균인 현재 평균 전력소모량을 결정하고, 상기 현재 평균 전력소모량에 기초하여 상기 필요충전량을 결정하는, 로봇.
  11. 제 10 항에 있어서,
    상기 프로세서는 상기 로봇의 누적 충전 전류량 및 누적 방전 전류량에 기초하여 소정의 계수를 결정하고, 상기 계수에 기초하여 상기 현재 평균 전력소모량을 보정함으로써 상기 필요충전량을 결정하는, 로봇.
  12. 제 8 항에 있어서,
    상기 프로세서는 상기 필요충전량 및 상기 전지의 잔여 전력량에 기초하여, 상기 전지의 충전 속도를 결정하고, 상기 충전 속도에 기초하여 상기 충전 소요 시간을 결정하는, 로봇.
  13. 제 12 항에 있어서,
    상기 프로세서는 상기 잔여 전력량으로부터 상기 필요충전량만큼 충전하기 위해 사용될 수 있는 충전 프로파일에 기초하여 상기 충전 속도를 결정하고,
    상기 충전 프로파일은 일정 전류로 충전하는 방식 또는 일정 전압으로 충전하는 방식을 나타내는, 로봇.
  14. 제 8 항에 있어서,
    상기 프로세서는 개로 전압, 상기 전지의 노후화 상태정보, 주변 온도, 상기 필요충전량을 포함하는 입력정보를 인공 신경망에 입력하여 출력되는 상기 충전 소요 시간을 결정하고,
    상기 인공 신경망은 상기 로봇의 반복되는 충전 과정에서 획득되는 상기 입력정보에 기초하여 기계학습 되고,
    상기 필요충전량은 상기 전지가 안정되는 최저전력량에 기초하여 보정된 후 상기 입력정보로서 상기 인공 신경망에 입력되는, 로봇.
  15. 제 1 항의 전지 충전 방법을 수행하기 위한 컴퓨터 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체.
  16. 로봇에 포함된 전지를 충전하는 방법에 있어서,
    상기 로봇이 수행하던 작업을 종료하고 충전 스테이션으로 이동하는 단계;
    상기 로봇이 상기 충전 스테이션으로 이동한 후 소정의 시간동안 대기하는 단계; 및
    상기 소정의 시간이 경과한 후부터 상기 로봇이 상기 충전 스테이션을 통해 전력을 공급받아 상기 로봇의 전지를 충전하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  17. 제 16 항에 있어서, 상기 소정의 시간동안 대기하는 단계는,
    상기 로봇의 의해 수행된 작업으로 인해 상기 전지가 충전되어야 하는 필요충전량에 기초하여 결정되는 충전 소요 시간을 고려하여 상기 소정의 시간을 결정하는 단계; 및
    상기 소정의 시간동안 대기하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  18. 제 17 항에 있어서, 상기 소정의 시간을 결정하는 단계는,
    상기 충전 소요 시간 및 상기 작업이 개시되는 작업 개시 시간을 고려하여 상기 소정의 시간을 결정하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  19. 제 16 항에 있어서, 상기 소정의 시간동안 대기하는 단계는,
    상기 로봇의 전지를 충전하는 단계에 공급되는 전력량 보다 적은 전력량으로 상기 전지를 충전하면서 상기 소정의 시간 동안 대기하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.
  20. 제 16 항에 있어서, 상기 소정의 시간동안 대기하는 단계는,
    상기 전지를 충전하지 않으면서 상기 소정의 시간 동안 대기하는 단계를 포함하는, 로봇에 포함된 전지 충전 방법.

KR1020190079538A 2019-07-02 2019-07-02 로봇에 포함된 전지를 충전하는 방법 및 그 장치 KR20190086630A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190079538A KR20190086630A (ko) 2019-07-02 2019-07-02 로봇에 포함된 전지를 충전하는 방법 및 그 장치
US16/550,852 US20190379212A1 (en) 2019-07-02 2019-08-26 Method for charging battery included in robot and apparatus thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190079538A KR20190086630A (ko) 2019-07-02 2019-07-02 로봇에 포함된 전지를 충전하는 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR20190086630A true KR20190086630A (ko) 2019-07-23

Family

ID=67439881

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190079538A KR20190086630A (ko) 2019-07-02 2019-07-02 로봇에 포함된 전지를 충전하는 방법 및 그 장치

Country Status (2)

Country Link
US (1) US20190379212A1 (ko)
KR (1) KR20190086630A (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11760221B2 (en) * 2017-06-27 2023-09-19 A9.Com, Inc. Charging systems and methods for autonomous carts
KR20210016795A (ko) * 2019-08-05 2021-02-17 주식회사 엘지화학 에너지 허브 장치 및 에너지 관리 방법
CN113497468A (zh) * 2020-03-20 2021-10-12 华为技术有限公司 一种充电管控方法及电子设备
JP7487552B2 (ja) * 2020-05-20 2024-05-21 セイコーエプソン株式会社 充電方法および充電システム
EP4228742A4 (en) * 2020-10-14 2024-04-03 Hearthero Inc AUTOMATED EXTERNAL DEFIBRILLATOR SYSTEMS AND METHODS OF USE
US11422199B1 (en) * 2021-06-17 2022-08-23 Hong Kong Applied Science and Technology Research Institute Company Limited State of health evaluation of retired lithium-ion batteries and battery modules
FR3130040A1 (fr) * 2021-12-03 2023-06-09 Psa Automobiles Sa Procede d’estimation du temps de charge d’une batterie electrique d’un vehicule

Also Published As

Publication number Publication date
US20190379212A1 (en) 2019-12-12

Similar Documents

Publication Publication Date Title
KR20190086630A (ko) 로봇에 포함된 전지를 충전하는 방법 및 그 장치
US11449045B2 (en) Artificial intelligence device and method of diagnosing malfunction using operation log and artificial intelligence model
US11397020B2 (en) Artificial intelligence based apparatus and method for forecasting energy usage
US11518648B2 (en) Robot system and operation method thereof
KR20190086626A (ko) 로봇에 포함된 전지를 충전하는 방법 및 그 장치
US11138844B2 (en) Artificial intelligence apparatus and method for detecting theft and tracing IoT device using same
US11513522B2 (en) Robot using an elevator and method for controlling the same
US11383379B2 (en) Artificial intelligence server for controlling plurality of robots and method for the same
KR20190109324A (ko) 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
US11482210B2 (en) Artificial intelligence device capable of controlling other devices based on device information
KR102353103B1 (ko) 인공 지능 장치 및 그의 동작 방법
US20210072758A1 (en) Robot and controlling method thereof
US11507825B2 (en) AI apparatus and method for managing operation of artificial intelligence system
KR20190086628A (ko) 모바일 로봇을 무빙워크에 진입시키는 방법 및 그 모바일 로봇
US11511634B2 (en) Charging system for robot and control method thereof
US20200020339A1 (en) Artificial intelligence electronic device
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
US11604952B2 (en) Artificial intelligence apparatus using sound signal classification and method for the same
US11211045B2 (en) Artificial intelligence apparatus and method for predicting performance of voice recognition model in user environment
US11314263B2 (en) Robot system and control method of the same
US11524408B2 (en) Method and apparatus for providing food to user
US11455529B2 (en) Artificial intelligence server for controlling a plurality of robots based on guidance urgency
US10931813B1 (en) Artificial intelligence apparatus for providing notification and method for same
US11604959B2 (en) Artificial intelligence-based apparatus and method for providing wake-up time and bed time information
US11392936B2 (en) Exchange service robot and exchange service method using the same

Legal Events

Date Code Title Description
G15R Request for early publication
A201 Request for examination