KR20190089795A - 모터출력의 제어가 가능한 청소기 및 그 제어방법 - Google Patents

모터출력의 제어가 가능한 청소기 및 그 제어방법 Download PDF

Info

Publication number
KR20190089795A
KR20190089795A KR1020190084428A KR20190084428A KR20190089795A KR 20190089795 A KR20190089795 A KR 20190089795A KR 1020190084428 A KR1020190084428 A KR 1020190084428A KR 20190084428 A KR20190084428 A KR 20190084428A KR 20190089795 A KR20190089795 A KR 20190089795A
Authority
KR
South Korea
Prior art keywords
head
motor
output
stick
cleaner
Prior art date
Application number
KR1020190084428A
Other languages
English (en)
Inventor
김태현
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 KR1020190084428A priority Critical patent/KR20190089795A/ko
Publication of KR20190089795A publication Critical patent/KR20190089795A/ko
Priority to US16/559,516 priority patent/US11064857B2/en
Priority to EP19219813.3A priority patent/EP3763273B1/en
Priority to CN202010115442.6A priority patent/CN112205924B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L5/00—Structural features of suction cleaners
    • A47L5/12—Structural features of suction cleaners with power-driven air-pumps or air-compressors, e.g. driven by motor vehicle engine vacuum
    • A47L5/22—Structural features of suction cleaners with power-driven air-pumps or air-compressors, e.g. driven by motor vehicle engine vacuum with rotary fans
    • A47L5/24—Hand-supported suction cleaners
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L5/00—Structural features of suction cleaners
    • A47L5/12—Structural features of suction cleaners with power-driven air-pumps or air-compressors, e.g. driven by motor vehicle engine vacuum
    • A47L5/22—Structural features of suction cleaners with power-driven air-pumps or air-compressors, e.g. driven by motor vehicle engine vacuum with rotary fans
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/24—Hoses or pipes; Hose or pipe couplings
    • A47L9/242—Hose or pipe couplings
    • A47L9/244—Hose or pipe couplings for telescopic or extensible hoses or pipes
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805—Parameters or conditions being sensed
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805—Parameters or conditions being sensed
    • A47L9/281—Parameters or conditions being sensed the amount or condition of incoming dirt or dust
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2842—Suction motors or blowers
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2857—User input or output elements for control, e.g. buttons, switches or displays
    • A47L9/2863—Control elements activated by pivoting movement of the upright vacuum cleaner handle
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2894—Details related to signal transmission in suction cleaners
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P7/00—Arrangements for regulating or controlling the speed or torque of electric DC motors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B40/00—Technologies aiming at improving the efficiency of home appliances, e.g. induction cooking or efficient technologies for refrigerators, freezers or dish washers

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Electric Vacuum Cleaner (AREA)
  • Image Analysis (AREA)

Abstract

모터출력의 제어가 가능한 청소기 및 그 제어방법을 개시한다. 청소기는, 외부의 이물질을 흡입하는 헤드, 헤드와 연통되고, 길이조절이 가능하고, 흡입되는 이물질이 이동하는 통로를 제공하는 스틱, 스틱에 장착되어 스틱의 길이변화를 감지하는 길이감지센서, 헤드에 이물질 흡입력을 제공하는 모터, 헤드의 이동속도 및 이동방향을 측정하는 속도측정부, 및 모터의 출력을 제어하는 제어부를 포함할 수 있다. 제어부는, 스틱의 길이변화, 헤드의 이동속도 및 헤드의 이동방향에 관한 정보 중 적어도 하나로부터 이물질 흡입을 위한 모터의 최소출력을 선택하고, 모터가 선택된 최소출력을 가지도록 제어할 수 있다. 청소기는 5G(Generation) 통신에 따라 구축된 이동 통신망 상에서 무선신호를 송수신할 수 있다.

Description

모터출력의 제어가 가능한 청소기 및 그 제어방법{A cleaner capable of controlling motor power and control method thereof}
실시예는, 모터출력의 제어가 가능한 청소기 및 그 제어방법에 관한 것으로, 더욱 상세하게는 인공지능 모델을 학습함으로써, 서로 다른 각각의 사용조건에 맞는 모터출력을 선택하고 모터가 선택된 출력을 가지도록 제어할 수 있는 청소기 및 그 제어방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
청소기를 사용하는 경우, 사용자의 동작에 따라 이물질 흡입량이 달라질 수 있다. 이는 모터출력이 일정한 경우에 청소기는 동일한 이물질 흡입력을 가지지만, 다른 조건에 의해 실제 이물질 흡입량이 달라질 수 있기 때문이다.
예를 들어, 모터출력이 일정한 상태에서 청소기를 빨리 이동시키는 경우, 청소기를 느리게 이동시키는 경우에 비하여, 이물질 흡입량은 감소할 수 있다.
따라서, 청소기의 효율을 증가시키기 위해, 청소기의 사용조건에 따라, 청소기가 적절한 모터출력을 가지도록 제어할 필요가 있다.
한편, 최근 인공지능(Artificial Intelligence, AI)에 관한 기술의 연구 및 개발이 확산되고 있다. 인공 지능은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
청소기의 사용조건에 따라 청소기가 적절한 모터출력을 가지도록 제어하는 것에 있어서, 인공지능 모델 학습을 이용하는 기술이 사용될 수 있다.
한국 공개특허 10-2017-0030197은 청소기의 흡입구에 대한 압력변화를 감지한 후 그 감지된 압력변화로부터 모터의 구동속도를 제어하는 내용을 개시한다.
그러나, 선행기술에는 청소기의 사용조건에 따라 청소기가 적절한 모터출력을 가지도록 제어하는 구성, 인공지능 학습모델을 이용하여 각각의 사용조건에서 모터출력을 도출하고 이러한 모터출력을 가지도록 청소기를 제어하는 구성은 개시되지 않는다.
한국 공개특허 10-2005-0073082는 압전센서에 의해 검출되는 먼지의 밀도를 이용하여 흡입력을 선택하는 구성을 가진 로봇 청소기를 개시한다.
그러나, 마찬가지로, 선행기술에는 청소기의 사용조건에 따라 청소기가 적절한 모터출력을 가지도록 제어하는 구성, 인공지능 학습모델을 이용하여 각각의 사용조건에서 모터출력을 도출하고 이러한 모터출력을 가지도록 청소기를 제어하는 구성은 개시되지 않는다.
실시예에서 해결하고자 하는 과제는 청소기의 사용조건에 따라 청소기가 적절한 모터출력을 가지도록 제어하는 방안을 제시하는 것이다.
실시예에서 해결하고자 하는 또 다른 과제는 인공지능 모델 학습을 이용하여, 각각의 청소기의 사용조건에 맞는 모터출력을 도출하는 방안을 제시하는 것이다.
실시예에서 해결하고자 하는 또 다른 과제는 인공지능 모델 학습을 통해 도출된 모터출력을 가지도록 청소기을 제어하는 방안을 제시하는 것이다.
실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 실시예가 속하는 기술분야에서 통상의 지식을 가진자에게 명확하게 이해될 수 있을 것이다.
전술한 과제를 달성하기 위해, 청소기는 제어부를 구비하고, 제어부는 청소기의 각각의 사용조건에 따라 도출된 이물질 흡입을 위한 모터의 최소출력을 선택하고, 모터가 선택된 최소출력을 가지도록 제어할 수 있다.
이때, 최소출력은 인공지능 모델 학습으로 도출될 수 있다.
청소기는, 외부의 이물질을 흡입하는 헤드, 헤드와 연통되고, 길이조절이 가능하고, 흡입되는 이물질이 이동하는 통로를 제공하는 스틱, 스틱에 장착되어 스틱의 길이변화를 감지하는 길이감지센서, 헤드에 이물질 흡입력을 제공하는 모터, 헤드의 이동속도 및 이동방향을 측정하는 속도측정부, 및 모터의 출력을 제어하는 제어부를 포함할 수 있다.
제어부는, 스틱의 길이변화, 헤드의 이동속도 및 헤드의 이동방향에 관한 정보 중 적어도 하나로부터 이물질 흡입을 위한 모터의 최소출력을 선택하고, 모터가 선택된 최소출력을 가지도록 제어할 수 있다.
제어부는, 길이감지센서로부터 스틱의 길이변화에 관한 정보를 수신하고, 속도측정부로부터 헤드의 이동속도 및 이동방향의 변화에 관한 정보를 수신할 수 있다.
제어부는 모터의 최소출력을 도출하는 프로세서와 연결될 수 있다.
프로세서는, 스틱의 길이변화, 헤드의 이동속도 및 헤드의 이동방향에 관한 정보 중 적어도 하나에 기반한 입력인자를 입력받아 모터의 최소출력을 도출할 수 있다.
입력인자는, 스틱의 길이, 헤드의 이동속도, 헤드의 단위면적 당 체류시간, 및 헤드의 동일 구역에 대한 반복이동 횟수 중 적어도 하나일 수 있다.
헤드의 단위면적 당 체류시간 및 헤드의 동일 구역에 대한 반복이동 횟수는, 속도측정부로부터 감지되는 헤드의 이동속도 및 헤드의 이동방향에 관한 정보로부터 계산될 수 있다.
청소기는 헤드부에 장작되는 위치감지센서를 더 포함할 수 있다.
헤드의 단위면적 당 체류시간 및 헤드의 동일 구역에 대한 반복이동 횟수는, 위치감지센서로부터 감지되는 헤드의 위치변화에 관한 정보로부터 계산될 수 있다.
최소출력은, 청소기의 모터의 최소출력 도출 학습모드 중, 스틱의 길이, 헤드의 이동속도, 헤드의 단위면적 당 체류시간 및 헤드의 동일 구역에 대한 반복이동 횟수 중 적어도 하나가 다른 조건에서 청소기의 이물질 흡입량을 감지하여 학습된, 각각의 조건에서 최소출력일 수 있다.
프로세서는, 학습에 의해 각각의 조건에서 최소출력을 도출할 수 있다.
제어부는, 스틱의 길이가 설정값 이하인 경우, 모터가 선택된 최소출력을 일정하게 유지하도록 모터를 제어할 수 있다.
최소출력은, 청소기의 모터의 최소출력 도출 학습모드 중, 스틱의 길이가 다른 조건에서 청소기의 이물질 흡입량을 감지하여 학습된, 각각의 조건에서 최소출력일 수 있다.
프로세서는, 학습에 의해 각각의 조건에서 최소출력을 도출할 수 있다.
프로세서는 제어부에 구비될 수 있다.
청소기는 서버와 통신을 위한 통신부를 더 포함하고, 프로세서는 서버에 구비될 수 있다.
청소기는 최소출력에 관한 정보를 저장하는 메모리부를 더 포함하고, 제어부는 메모리부에 저장된 최소출력에 관한 정보에 기반하여 최소출력을 선택할 수 있다.
최소출력은, 스틱의 길이가 증가할수록, 또는 헤드의 이동속도가 증가할수록 증가할 수 있다.
전술한 과제를 달성하기 위해, 청소기 제어방법은 청소기의 학습모드와 청소기의 사용모드로 나누어 진행될 수 있다.
청소기의 학습모드에서, 스틱의 길이변화, 헤드의 이동속도 및 헤드의 이동방향에 관한 정보 중 적어도 하나에 기반한 입력인자 중 적어도 하나가 다른 각각의 조건에서 청소기의 이물질 흡입량을 측정하는 단계, 각각의 조건에서 요구되는 모터의 최소출력을 도출하는 단계, 각각의 조건에 대하여 도출된 최소출력에 관한 정보를 저장하는 단계를 포함할 수 있다.
청소기의 사용모드에서, 각각의 조건을 파악하는 단계, 저장된 최소출력에 관한 정보로부터 각각의 조건에 대응하는 최소출력을 선택하는 단계, 및 모터가 선택된 최소출력을 가지도록 제어하는 단계를 포함할 수 있다.
각각의 조건에서 요구되는 모터의 최소출력은, 청소기에 요구되는 최소의 이물질 흡입량을 만족하는 모터의 출력일 수 있다.
실시예에서, 청소기의 사용조건에 따라, 모터의 출력을 적절하게 변경함으로써, 사용자의 편의를 도모하고 전력의 소모를 줄일 수 있는 효과가 있다.
실시예에서, 인공지능 모델 학습을 통해 청소기의 각각의 사용조건에 대응하는 모터의 출력을 도출함으로써, 청소기의 각각의 사용조건이 계속적으로 변화하는 경우에도 모터의 출력을 신속하고 적절하게 변경할 수 있다.
실시예에서, 인공지능 모델 학습을 지속적으로 실시함으로써, 청소기의 사용조건이 급격하게 변경되는 경우에도 변경된 사용조건에 맞는 모터의 출력범위를 신속하게 도출할 수 있다.
도 1은 일 실시예에 따른 모터출력의 제어가 가능한 청소기를 도시한 도면이다.
도 2는 일 실시예에 따른 모터출력의 제어가 가능한 청소기의 구조를 설명하기 위한 도면이다.
도 3은 다른 실시예에 따른 모터출력의 제어가 가능한 청소기의 구조를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 인공지능 신경망을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 모터출력의 제어가 가능한 청소기 제어방법을 설명하기 위한 순서도이다.
이하, 첨부된 도면들을 참조하여 실시예를 상세히 설명한다. 실시예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 실시예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 실시예의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
"제1", "제2" 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용된다. 또한, 실시예의 구성 및 작용을 고려하여 특별히 정의된 용어들은 실시예를 설명하기 위한 것일 뿐이고, 실시예의 범위를 한정하는 것이 아니다.
실시예의 설명에 있어서, 각 element의 "상(위)" 또는 "하(아래)(on or under)"에 형성되는 것으로 기재되는 경우에 있어, 상(위) 또는 하(아래)(on or under)는 두개의 element가 서로 직접(directly)접촉되거나 하나 이상의 다른 element가 상기 두 element사이에 배치되어(indirectly) 형성되는 것을 모두 포함한다. 또한 “상(위)" 또는 "하(아래)(on or under)”로 표현되는 경우 하나의 element를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.
또한, 이하에서 이용되는 "상/상부/위" 및 "하/하부/아래" 등과 같은 관계적 용어들은, 그런 실체 또는 요소들 간의 어떠한 물리적 또는 논리적 관계 또는 순서를 반드시 요구하거나 내포하지는 않으면서, 어느 한 실체 또는 요소를 다른 실체 또는 요소와 구별하기 위해서 이용될 수도 있다.
도 1은 일 실시예에 따른 모터출력의 제어가 가능한 청소기를 도시한 도면이다. 도 2는 일 실시예에 따른 모터출력의 제어가 가능한 청소기의 구조를 설명하기 위한 도면이다. 실시예에 따른 청소기는 모터(400)출력의 제어가 가능하고, 헤드(100), 스틱(200), 길이감지센서(300), 모터(400), 속도측정부(500) 및 제어부(600)를 포함할 수 있다.
헤드(100)는 청소기에서 외부의 이물질을 흡입하는 부분이다. 헤드(100)는 청소를 하려는 공간에서 이물질이 있는 부위에 밀착 또는 근접하여, 모터(400)가 작동하여 발생하는 흡입력에 의해 이물질을 흡입할 수 있다. 사용자의 조작에 의해, 헤드(100)는 이물질이 있는 부위를 이동하면서 이물질을 흡입할 수 있다.
스틱(200)은 상기 헤드(100)와 연통되고, 흡입되는 이물질이 이동하는 통로를 제공할 수 있다. 헤드(100)에 흡입된 이물질은 스틱(200)을 통과하여 이물질 저장장치에 도달할 수 있다. 스틱(200)은 사용자가 청소기를 편하게 사용할 수 있도록, 길이조절이 가능하도록 구비될 수 있다.
길이감지센서(300)는 상기 스틱(200)에 장착되어 상기 스틱(200)의 길이변화를 감지할 수 있다. 예를 들어, 길이감지센서(300)는 스틱(200)의 길이방향으로 복수로 구비되고, 스틱(200)의 길이가 변화함에 따라 복수의 길이감지센서(300) 간 거리를 측정하고, 측정값에 기반하여 스틱(200)의 길이변화를 정확히 측정할 수 있다.
모터(400)는 상기 헤드(100)에 이물질 흡입력을 제공할 수 있다. 모터(400)가 작동하면 헤드(100)에 이물질 흡입력이 발생하고, 이물질은 헤드(100)로 흡입되어 스틱(200)을 통과하고, 상기 이물질 저장장치에 저장될 수 있다.
속도측정부(500)는 상기 헤드(100)의 이동속도 및 이동방향을 측정할 수 있다. 예를 들어, 속도측정부(500)는 헤드(100)에 장착되어 헤드(100)와 함께 이동하면서, 상기 헤드(100)의 이동속도 및 이동방향을 측정할 수 있다.
제어부(600)는 모터(400)와 연결되고, 상기 모터(400)의 출력을 제어할 수 있다. 실시예에서, 모터(400)의 출력은 적절히 제어될 필요가 있다. 만약, 모터(400)의 출력이 부족한 경우, 이물질 흡입력이 낮아져 청소기의 효율일 떨어지거나 청소시간이 증가할 수 있다.
만약, 모터(400)의 출력이 과도한 경우, 필요이상의 전력이 소모될 수 있다. 특히 청소기가 배터리가 내장된 충전식인 경우, 모터(400)의 출력이 과도하면 전력의 소모가 증가하여 배터리의 충전주기가 짧아지고, 사용자에게 불편을 초래할 수 있다.
따라서, 헤드(100)가 충분한 이물질 흡입력을 가지는 동시에, 전력의 소모를 줄일 수 있도록, 모터(400)는 적절한 출력을 가질 필요가 있다. 이하에서 상기 모터(400)의 적절한 출력을 최소출력(minimum power)이라 지칭한다.
실시예에서 최소출력은 청소기에 요구되는 최소의 이물질 흡입량을 만족하는 모터(400)의 출력일 수 있다. 즉, 최소출력은 청소기에 요구되는 최소의 이물질 흡입량을 만족시키기 위해 최소한으로 요구되는 모터(400)의 출력일 수 있다.
이물질 흡입량은, 예를 들어, 모터(400)가 작동하는 시간 즉, 청소시간 동안 상기 청소기가 흡입하는 이물질의 양을 의미할 수 있다. 상기 이물질 흡입량은 모터(400)가 작동하는 상태에서 단위시간에 대한 비율로 나타낼 수 있다.
상기 최소의 이물질 흡입량은 청소기의 종류, 모터(400)의 용량, 청소기의 크기 기타 다양한 요인으로 달라질 수 있다. 그러나, 동일한 제품의 청소기라면 상기 최소의 이물질 흡입량은 동일하다. 따라서 동일한 제품의 청소기에서 상기 최소의 이물질 흡입량은 동일하고 임의로 설정된 값일 수 있다.
청소기의 구조상, 모터(400)의 출력이 일정하다면, 헤드(100)의 이동속도가 빠를수록 이물질 흡입량은 감소할 수 있다. 또한, 모터(400)의 출력이 일정하다면, 스틱(200)의 길이가 짧으면 청소기의 이물질 흡입력이 증가하므로, 스틱(200)의 길이가 짧을수록 이물질 흡입량은 증가할 수 있다.
따라서 실시예에서, 상기 스틱(200)의 길이가 증가할수록 또는 상기 헤드(100)의 이동속도가 증가할수록, 최소출력이 증가하도록 상기 모터(400)를 제어하는 것이 적절하다. 이때, 이러한 경향을 반영한 최소출력값은 후술하는 인공지능 모델을 학습하여 도출될 수 있다.
또한, 모터(400)의 출력이 일정하다면, 헤드(100)의 이동방향에 따라 청소기의 이물질 흡입량은 달라질 수 있다. 헤드(100)의 이동방향의 변화하여 헤드(100)의 단위면적 당 체류시간, 동일 구역에 대한 반복이동 횟수가 달라질 수 있기 때문이다.
이때, 헤드(100)의 단위면적 당 체류시간이 증가하면 이물질 흡입량은 증가할 수 있고, 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수가 증가하면 그 구역에 대한 이물질 흡입량이 증가할 수 있다.
실시예에서는, 헤드(100)의 길이, 헤드(100)의 이동속도 또는 헤드(100)의 이동방향이 달라지더라도, 청소기는 항상 설정된 상기 최소의 이물질 흡입량을 만족할 수 있다. 이를 위해 제어부(600)는 모터(400)의 최소출력을 제어할 수 있다. 물론, 청소기는 헤드(100)의 길이, 헤드(100)의 이동속도 또는 헤드(100)의 이동방향에 따라 모터(400)의 최소출력이 달라질 수 있다.
실시예에서, 헤드(100)의 길이, 헤드(100)의 이동속도 또는 헤드(100)의 이동방향이 달라지면, 청소기는 상기 최소출력의 크기를 조절하여, 설정된 상기 최소의 이물질 흡입량을 유지할 수 있다.
제어부(600)는, 상기 스틱(200)의 길이변화, 상기 헤드(100)의 이동속도 및 상기 헤드(100)의 이동방향에 관한 정보 중 적어도 하나로부터 이물질 흡입을 위한 상기 모터(400)의 최소출력을 선택하고, 상기 모터(400)가 선택된 상기 최소출력을 가지도록 제어할 수 있다.
제어부(600)는, 상기 길이감지센서(300)로부터 상기 스틱(200)의 길이변화에 관한 정보를 수신하고, 상기 속도측정부(500)로부터 상기 헤드(100)의 이동속도 및 이동방향의 변화에 관한 정보를 수신하고, 이들 정보를 기반으로 모터(400)가 최소출력을 가지도록 제어할 수 있다.
이때, 상기 헤드(100)의 단위면적 당 체류시간 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수는, 예를 들어, 상기 속도측정부(500)로부터 감지되는 상기 헤드(100)의 이동속도 및 상기 헤드(100)의 이동방향에 관한 정보로부터 계산될 수 있다.
헤드(100)의 단위면적 당 체류시간은, 예를 들어, 헤드(100)가 일방향으로 이동한 시간과 헤드(100)가 상기 일방향의 반대방향으로 이동한 시간을 고려하여 계산할 수 있다. 헤드(100)의 동일 구역에 대한 반복이동 횟수는, 예를 들어, 헤드(100)가 일방향으로 이동한 횟수와 헤드(100)가 상기 일방향의 반대방향으로 이동한 횟수를 고려하여 계산할 수 있다.
도 3은 다른 실시예에 따른 모터출력의 제어가 가능한 청소기의 구조를 설명하기 위한 도면이다. 청소기는 상기 헤드(100)부에 장작되는 위치감지센서(800)를 더 포함할 수 있다. 위치감지센서(800)는 헤드(100)와 함께 이동하여 헤드(100)의 정확한 이동위치를 감지할 수 있다. 상기 위치감지센서(800)는 예를 들어, 홀센서(Hall sensor), GPS 센서 기타 위치의 변화를 감지하는 다양한 센서로 구비될 수 있다.
상기 헤드(100)의 단위면적 당 체류시간 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수는, 상기 위치감지센서(800)로부터 감지되는 상기 헤드(100)의 위치변화에 관한 정보로부터 계산될 수 있다.
위치감지센서(800)를 사용하여 헤드(100)의 위치변화를 정확히 파악할 수 있으므로, 헤드(100)의 단위면적 당 체류시간 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수를 더욱 정확하게 측정할 수 있다.
도 2 및 도 3을 참조하면, 상기 제어부(600)는 상기 모터(400)의 상기 최소출력을 도출하는 프로세서(700)와 연결될 수 있다. 프로세서(700)는 인공지능 모델을 학습하여 모터(400)의 상기 최소출력을 도출할 수 있다. 프로세스는 인공지능 신경망을 구비하고, 입력인자를 입력받아 이를 기반으로 인공지능 모델을 학습하여 모터(400)의 최소출력을 도출할 수 있다.
이때, 상기 입력인자는, 상기 스틱(200)의 길이, 상기 헤드(100)의 이동속도, 상기 헤드(100)의 단위면적 당 체류시간, 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수 중 적어도 하나일 수 있다.
이때, 상기 입력인자들의 값은 시간에 따라 미세하게 변화할 수 있으므로, 단위시간에 대한 평균값을 상기 입력인자들의 값으로 하는 것이 적절할 수 있다. 따라서, 본 명세서에서는 상기 입력인자들은 단위시간에 대한 평균값을 의미할 수 있다.
한편, 상기 청소기는 서버와 통신을 위한 통신부를 더 포함할 수 있고, 제어부(600)는 통신부를 통해 서버와 통신할 수 있다. 서버는 인공지능 모델을 저장할 수 있고, 인공지능 모델의 학습에 필요한 데이터도 저장할 수 있다. 또한, 서버는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 할 수 있다.
통신부는 이동통신 모듈 및 무선 인터넷 모듈 중에서 적어도 하나를 포함하도록 구성될 수 있다. 그 밖에 통신부는 근거리 통신 모듈을 추가로 포함할 수 있다.
이동통신 모듈은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced), 5G 이동통신 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 청소기에 내장되거나 외장될 수 있다. 무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
청소기는 5G 네트워크를 통해 서버, 각종의 통신가능한 단말과 데이터를 전송하고 수신할 수 있다. 특히 청소기는 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 서버, 단말과 데이터 통신을 할 수 있다.
eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.
URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.
mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.
프로세서(700)는 상기 제어부(600) 또는 상기 서버에 구비될 수 있다. 프로세서(700)가 제어부(600)에 구비되는 경우, 청소기는 서버와 별도의 연결없이 스스로 최소출력 도출을 위한 인공지능 모델 학습을 진행할 수 있다.
서버는 인공지능 모델에 필요한 정보를 상기 프로세서(700)에 전송하거나, 스스로 프로세서(700)를 구비한 경우, 상기 프로세서(700)에 대해 인공지능 모델을 학습시킬 수 있다.
전술한 바와 같이, 실시예에서는 인공지능 모델 학습을 통해 모터(400)에 필요한 최소출력을 도출하므로, 이하에서 인공지능 모델에 대해 설명한다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 4는 일 실시예에 따른 인공지능 신경망을 설명하기 위한 도면이다. 인공지능 신경망은 프로세서(700)에 구비되고, 프로세서(700)는 인공지능 신경망을 통해 인공지능 모델을 학습할 수 있다.
도 4에서 최소출력은, 상기 청소기의 상기 모터(400)의 상기 최소출력 도출 학습모드 중, 상기 스틱(200)의 길이, 상기 헤드(100)의 이동속도, 상기 헤드(100)의 단위면적 당 체류시간 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수 중 적어도 하나가 다른 조건에서 상기 청소기의 이물질 흡입량을 감지하여 학습된, 각각의 조건에서 최소출력일 수 있다. 상기 프로세서(700)는 학습에 의해 각각의 조건에서 상기 최소출력을 도출할 수 있다.
이러한 인공지능 모델 학습은 입력인자가 입력되는 입력 레이어, 최소출력을 도출하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에 있는 복수의 히든 레이어로 구성되는 인공지능 신경망에서 진행될 수 있다.
상기 프로세서(700)는, 상기 스틱(200)의 길이변화, 상기 헤드(100)의 이동속도 및 상기 헤드(100)의 이동방향에 관한 정보 중 적어도 하나에 기반한 입력인자를 입력받아 상기 모터(400)의 상기 최소출력을 도출할 수 있다.
상기 입력인자는, 전술한 바와 같이, 상기 스틱(200)의 길이, 상기 헤드(100)의 이동속도, 상기 헤드(100)의 단위면적 당 체류시간 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수 중 적어도 하나일 수 있다.
서로 다른 조건을 가진 입력인자가 인공 신경망에 입력되면, 프로세서(700)는 인공지능 모델을 학습하여 그 조건에 해당하는 모터(400)의 최소출력을 도출할 수 있다. 최소출력은 청소기에 요구되는 최소의 이물질 흡입량을 만족하는 모터(400)의 출력일 수 있다. 이때, 상기 최소의 이물질 흡입량은 설정된 값일 수 있다.
따라서, 청소기는 입력인자가 다른 각각의 조건에서 이물질 흡입량을 감지하여, 설정된 최소의 이물질 흡입량을 충족하는 모터(400)의 출력을 최소출력으로 도출할 수 있다. 청소기는 이물질 흡입량을 감지하기 위해, 별도의 이물질 감지장치를 구비할 수 있다. 제어부(600)는 상기 이물질 감지장치로부터 이물질 흡입량에 관한 정보를 얻을수 있다.
청소기는 모터(400)의 상기 최소출력 도출을 위해 학습모드를 진행할 수 있다. 학습모드에서 서로 다른 조건을 가진 입력인자가 프로세서(700)의 인공 신경망에 입력되면, 제어부(600)는 모터(400)의 출력을 변화시키고, 모터(400)의 출력 변화와 이에 따른 이물질 흡입량의 변화에 대한 정보를 프로세서(700)에 전달할 수 있다.
프로세서(700)는 입력인자에 대한 각각의 조건에서, 설정된 상기 최소의 이물질 흡입량에 해당하는 모터(400)의 출력을 상기 최소출력으로 도출할 수 있다. 상기 최소출력은 입력인자가 서로 다른 조건에서 서로 다른 값이 될 수 있다.
따라서, 최소출력은 입력인자 중 적어도 하나가 다른 각각의 조건에서, 상기 청소기의 이물질 흡입량을 감지하여 학습된 것일 수 있다.
입력인자 즉, 상기 스틱(200)의 길이, 상기 헤드(100)의 이동속도, 상기 헤드(100)의 단위면적 당 체류시간 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수 중 적어도 하나가 서로 다르면, 상기 최소출력은 각각의 조건에서 학습에 의해 도출될 수 있다. 상기 프로세서(700)는 학습에 의해 각각의 조건에서 상기 최소출력을 도출할 수 있다.
예를 들어, 인공지능 학습모델로 RNN을 이용하는 경우, 서로 다른 조건의 입력인자가 서로 다른 시간에 순차적으로 인공 신경망에 입력되고, 히든 레이어에서 입력인자들의 조합, 연산을 진행하여, 입력인자들이 서로 다른 각각의 조건에서 설정된 최소의 이물질 흡입량에 대응하는 각각의 최소출력이 도출될 수 있다.
스틱(200)의 길이가 짧을수록 헤드(100)의 이물질 흡입력은 증가하므로, 스틱(200)의 길이가 짧아지면 모터(400)의 출력은 감소할 수 있다. 그러나, 스틱(200)의 길이가 짧은 경우, 헤드(100)의 이동이 없거나, 이동속도가 매우 느릴 수 있다.
특정구역을 세밀히 청소하기 위해 사용자가 헤드(100)의 이동속도와 스틱(200)의 길이를 짧게한 경우, 청소기가 일정정도 이상의 모터(400)출력을 가지도록 하여, 사용자의 의도를 따를 필요가 있다. 따라서, 이러한 경우, 사용자 편의를 위해 스틱(200)의 길이가 설정값 이하에서 최소출력이 더이상 감소되지 않고 일정하게 유지되도록 할 필요가 있다.
제어부(600)는, 상기 스틱(200)의 길이가 설정값 이하인 경우, 상기 모터(400)가 선택된 상기 최소출력을 일정하게 유지하도록 상기 모터(400)를 제어할 수 있다. 물론 이 경우에도, 상기 최소출력은, 상기 청소기의 상기 모터(400)의 상기 최소출력 도출 학습모드 중, 상기 스틱(200)의 길이가 다른 조건에서 상기 청소기의 이물질 흡입량을 감지하여 학습된, 각각의 조건에서 최소출력일 수 있다. 마찬가지로, 상기 프로세서(700)는 학습에 의해 각각의 조건에서 상기 최소출력을 도출할 수 있다.
결국, 스틱(200)의 길이가 짧아져서 설정값에 도달하면, 그 설정값에서 학습에 의해 도출된 최소출력이, 스틱(200)의 길이가 더욱 짧아지는 경우에도 그대로 유지되는 것이다.
다시 도 2 및 도 3을 참조하면, 상기 청소기는 상기 최소출력에 관한 정보를 저장하는 메모리부(900)를 더 포함할 수 있다. 상기 최소출력은 프로세서(700)를 통해 입력인자들이 서로 다른 조건에서 학습된 값이다. 즉, 프로세서(700)에서 도출된 최소출력이 메모리부(900)에 저장될 수 있다.
제어부(600)는 상기 메모리부(900)에 저장된 상기 최소출력에 관한 정보에 기반하여 상기 최소출력을 선택할 수 있다. 메모리부(900)에는 입력인자들이 서로 다른 조건에서 각각의 최소출력값이 저장되어 있다. 따라서, 제어부(600)는 메모리에 저장된 정보를 이용하여, 청소기의 현재의 운전조건과 동일한 입력인자들에 대응하는 최소출력을 선택하여, 모터(400)가 선택된 최소출력을 가지도록 제어할 수 있다.
실시예에서, 프로세서(700)는 인공지능 모델을 수시로 학습할 수 있고, 학습결과에 따라 달라진 입력인자 및 최소출력에 관한 정보는 상기 메모리부(900)에 업데이트될 수 있다.
도 5는 일 실시예에 따른 모터(400)출력의 제어가 가능한 청소기 제어방법을 설명하기 위한 순서도이다. 청소기 제어방법은 청소기의 학습모드와 청소기의 사용모드를 포함할 수 있다.
청소기의 학습모드에서는 다음의 과정을 진행할 수 있다. 청소기는, 스틱(200)의 길이변화, 헤드(100)의 이동속도 및 상기 헤드(100)의 이동방향에 관한 정보 중 적어도 하나에 기반한 입력인자 중 적어도 하나가 다른 각각의 조건에서 이물질 흡입량을 측정할 수 있다(S110).
청소기는 이물질 흡입량을 감지하기 위해, 별도의 이물질 감지장치를 구비할 수 있다. 제어부(600)는 상기 이물질 감지장치로부터 이물질 흡입량에 관한 정보를 얻을수 있다.
상기 입력인자는, 전술한 바와 같이, 상기 스틱(200)의 길이, 상기 헤드(100)의 이동속도, 상기 헤드(100)의 단위면적 당 체류시간, 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수 중 적어도 하나일 수 있다.
프로세서(700)는 상기 각각의 조건에서 요구되는 모터(400)의 최소출력을 도출할 수 있다(S120). 상기 모터(400)의 최소출력은, 전술한 바와 같이, 상기 청소기에 요구되는 최소의 이물질 흡입량을 만족하는 상기 모터(400)의 출력일 수 있다.
서로 다른 조건을 가진 입력인자가 프로세서(700)의 인공 신경망에 입력되면, 제어부(600)는 모터(400)의 출력을 변화시키고, 모터(400)의 출력 변화와 이에 따른 이물질 흡입량의 변화에 대한 정보를 프로세서(700)에 전달할 수 있다.
프로세서(700)는 입력인자에 대한 각각의 조건에서, 설정된 최소의 이물질 흡입량에 해당하는 모터(400)의 출력을 상기 최소출력으로 도출할 수 있다. 상기 최소출력은 입력인자가 서로 다른 조건에서 서로 다른 값이 될 수 있다. 프로세서(700)는 학습에 의해, 입력인자가 서로다른 각각의 조건에서 상기 최소출력을 도출할 수 있다. 프로세서(700)의 학습에 대해서는 전술한 바와 같다.
메모리부(900)는 입력인자가 서로다른 각각의 조건에 대하여 도출된 상기 최소출력에 관한 정보를 저장할 수 있다(S130). 이때, 최소출력에 관한 정보는 각각의 입력인자와 이에 대응하는 최소출력일 수 있다.
프로세서(700)가 제어부(600)에 구비되는 경우, 상기 최소출력에 관한 정보는 곧바로 메모리부(900)에 저장될 수 있다. 프로세서(700)가 서버에 구비되는 경우, 청소기는 상기 최소출력에 관한 정보를 서버로부터 전송받아 메모리부(900)에 저장할 수 있다.
상기 청소기의 학습모드는 청소기의 출고 전, 즉 청소기의 최초 사용전에 진행할 수도 있고, 청소기를 실제 사용하는 중에도 수시로 진행할 수도 있다. 학습모드를 수시로 진행한 결과값은 메모리부(900)에 지속적으로 업데이트될 수 있다.
청소기의 사용모드에서는 다음의 과정을 진행할 수 있다. 제어부(600)는 입력인자가 서로다른 각각의 조건을 파악할 수 있다(S140). 청소기를 현재 사용하는 상태에서, 제어부(600)는 입력인자 즉, 청소기의 상기 스틱(200)의 길이, 상기 헤드(100)의 이동속도, 상기 헤드(100)의 단위면적 당 체류시간, 및 상기 헤드(100)의 동일 구역에 대한 반복이동 횟수를 파악할 수 있다.
제어부(600)는 메모리부(900)에 저장된 상기 최소출력에 관한 정보로부터 입력인자가 서로다른 각각의 조건에 대응하는 최소출력을 선택할 수 있다(S150). 즉, 제어부(600)는 현재 사용상태의 입력인자 조건에 대응하는 최소출력을 선택할 수 있다.
제어부(600)는 상기 모터(400)가 선택된 상기 최소출력을 가지도록 제어할 수 있다(S160). 제어부(600)는 입력인자 각각의 조건이 변화함에 따라 상기 최소출력을 변화시킬 수 있다.
실시예에서, 청소기의 사용조건에 따라, 모터(400)의 출력을 적절하게 변경함으로써, 사용자의 편의를 도모하고 전력의 소모를 줄일 수 있는 효과가 있다.
실시예에서, 인공지능 모델 학습을 통해 청소기의 각각의 사용조건에 대응하는 모터(400)의 출력을 도출함으로써, 청소기의 각각의 사용조건이 계속적으로 변화하는 경우에도 모터(400)의 출력을 신속하고 적절하게 변경할 수 있다.
실시예에서, 인공지능 모델 학습을 지속적으로 실시함으로써, 청소기의 사용조건이 급격하게 변경되는 경우에도 변경된 사용조건에 맞는 모터(400)의 출력범위를 신속하게 도출할 수 있다.
이상 설명된 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
실시예와 관련하여 전술한 바와 같이 몇 가지만을 기술하였지만, 이외에도 다양한 형태의 실시가 가능하다. 앞서 설명한 실시예들의 기술적 내용들은 서로 양립할 수 없는 기술이 아닌 이상은 다양한 형태로 조합될 수 있으며, 이를 통해 새로운 실시형태로 구현될 수도 있다.
100: 헤드
200: 스틱
300: 길이감지센서
400: 모터
500: 속도측정부
600: 제어부
700: 프로세서
800: 위치감지센서
900: 메모리부

Claims (17)

  1. 모터출력의 제어가 가능한 청소기로서,
    상기 청소기는,
    외부의 이물질을 흡입하는 헤드;
    상기 헤드와 연통되고, 길이조절이 가능하고, 흡입되는 이물질이 이동하는 통로를 제공하는 스틱;
    상기 스틱에 장착되어 상기 스틱의 길이변화를 감지하는 길이감지센서;
    상기 헤드에 이물질 흡입력을 제공하는 모터;
    상기 헤드의 이동속도 및 이동방향을 측정하는 속도측정부; 및
    상기 모터의 출력을 제어하는 제어부;
    를 포함하고,
    상기 제어부는,
    상기 스틱의 길이변화, 상기 헤드의 이동속도 및 상기 헤드의 이동방향에 관한 정보 중 적어도 하나로부터 이물질 흡입을 위한 상기 모터의 최소출력을 선택하고, 상기 모터가 선택된 상기 최소출력을 가지도록 제어하는,
    모터출력의 제어가 가능한 청소기.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 길이감지센서로부터 상기 스틱의 길이변화에 관한 정보를 수신하고, 상기 속도측정부로부터 상기 헤드의 이동속도 및 이동방향의 변화에 관한 정보를 수신하는, 모터출력의 제어가 가능한 청소기.
  3. 제1항에 있어서,
    상기 제어부는 상기 모터의 상기 최소출력을 도출하는 프로세서와 연결되고,
    상기 프로세서는,
    상기 스틱의 길이변화, 상기 헤드의 이동속도 및 상기 헤드의 이동방향에 관한 정보 중 적어도 하나에 기반한 입력인자를 입력받아 상기 모터의 상기 최소출력을 도출하는, 모터출력의 제어가 가능한 청소기.
  4. 제3항에 있어서,
    상기 입력인자는,
    상기 스틱의 길이, 상기 헤드의 이동속도, 상기 헤드의 단위면적 당 체류시간, 및 상기 헤드의 동일 구역에 대한 반복이동 횟수 중 적어도 하나인, 모터출력의 제어가 가능한 청소기.
  5. 제4항에 있어서,
    상기 헤드의 단위면적 당 체류시간 및 상기 헤드의 동일 구역에 대한 반복이동 횟수는,
    상기 속도측정부로부터 감지되는 상기 헤드의 이동속도 및 상기 헤드의 이동방향에 관한 정보로부터 계산되는, 모터출력의 제어가 가능한 청소기.
  6. 제4항에 있어서,
    상기 헤드부에 장작되는 위치감지센서를 더 포함하고,
    상기 헤드의 단위면적 당 체류시간 및 상기 헤드의 동일 구역에 대한 반복이동 횟수는,
    상기 위치감지센서로부터 감지되는 상기 헤드의 위치변화에 관한 정보로부터 계산되는, 모터출력의 제어가 가능한 청소기.
  7. 제4항에 있어서,
    상기 최소출력은,
    상기 청소기의 상기 모터의 상기 최소출력 도출 학습모드 중, 상기 스틱의 길이, 상기 헤드의 이동속도, 상기 헤드의 단위면적 당 체류시간 및 상기 헤드의 동일 구역에 대한 반복이동 횟수 중 적어도 하나가 다른 조건에서 상기 청소기의 이물질 흡입량을 감지하여 학습된, 각각의 조건에서 최소출력이고,
    상기 프로세서는,
    학습에 의해 각각의 조건에서 상기 최소출력을 도출하는, 모터출력의 제어가 가능한 청소기.
  8. 제3항에 있어서,
    상기 제어부는,
    상기 스틱의 길이가 설정값 이하인 경우, 상기 모터가 선택된 상기 최소출력 을 일정하게 유지하도록 상기 모터를 제어하는, 모터출력의 제어가 가능한 청소기.
  9. 제8항에 있어서,
    상기 최소출력은,
    상기 청소기의 상기 모터의 상기 최소출력 도출 학습모드 중, 상기 스틱의 길이가 다른 조건에서 상기 청소기의 이물질 흡입량을 감지하여 학습된, 각각의 조건에서 최소출력이고,
    상기 프로세서는,
    학습에 의해 각각의 조건에서 상기 최소출력을 도출하는, 모터출력의 제어가 가능한 청소기.
  10. 제3항에 있어서,
    상기 프로세서는 상기 제어부에 구비되는, 모터출력의 제어가 가능한 청소기.
  11. 제3항에 있어서,
    상기 청소기는 서버와 통신을 위한 통신부를 더 포함하고,
    상기 프로세서는 상기 서버에 구비되는, 모터출력의 제어가 가능한 청소기.
  12. 제3항에 있어서,
    상기 청소기는 상기 최소출력에 관한 정보를 저장하는 메모리부를 더 포함하고,
    상기 제어부는 상기 메모리부에 저장된 상기 최소출력에 관한 정보에 기반하여 상기 최소출력을 선택하는, 모터출력의 제어가 가능한 청소기.
  13. 제1항에 있어서,
    상기 최소출력은,
    상기 스틱의 길이가 증가할수록, 또는 상기 헤드의 이동속도가 증가할수록 증가하는, 모터출력의 제어가 가능한 청소기.
  14. 모터출력의 제어가 가능한 청소기 제어방법으로서,
    상기 청소기의 학습모드에서,
    스틱의 길이변화, 헤드의 이동속도 및 상기 헤드의 이동방향에 관한 정보 중 적어도 하나에 기반한 입력인자 중 적어도 하나가 다른 각각의 조건에서 상기 청소기의 이물질 흡입량을 측정하는 단계;
    상기 각각의 조건에서 요구되는 모터의 최소출력을 도출하는 단계;
    상기 각각의 조건에 대하여 도출된 상기 최소출력에 관한 정보를 저장하는 단계;
    상기 청소기의 사용모드에서,
    상기 각각의 조건을 파악하는 단계;
    저장된 상기 최소출력에 관한 정보로부터 상기 각각의 조건에 대응하는 최소출력을 선택하는 단계; 및
    상기 모터가 선택된 상기 최소출력을 가지도록 제어하는 단계
    를 포함하는,
    청소기 제어방법.
  15. 제14항에 있어서,
    상기 입력인자는,
    상기 스틱의 길이, 상기 헤드의 이동속도, 상기 헤드의 단위면적 당 체류시간, 및 상기 헤드의 동일 구역에 대한 반복이동 횟수 중 적어도 하나인, 청소기 제어방법.
  16. 제14항에 있어서,
    상기 각각의 조건에서 요구되는 상기 모터의 최소출력은,
    상기 청소기에 요구되는 최소의 이물질 흡입량을 만족하는 상기 모터의 출력인, 청소기 제어방법.
  17. 컴퓨터를 이용하여 제14항의 방법을 실행시키기 위하여 상기 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020190084428A 2019-07-12 2019-07-12 모터출력의 제어가 가능한 청소기 및 그 제어방법 KR20190089795A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190084428A KR20190089795A (ko) 2019-07-12 2019-07-12 모터출력의 제어가 가능한 청소기 및 그 제어방법
US16/559,516 US11064857B2 (en) 2019-07-12 2019-09-03 Cleaner capable of controlling motor power and control method thereof
EP19219813.3A EP3763273B1 (en) 2019-07-12 2019-12-27 A cleaner capable of controlling motor power and control method thereof
CN202010115442.6A CN112205924B (zh) 2019-07-12 2020-02-25 一种能够控制马达功率的清洁器及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190084428A KR20190089795A (ko) 2019-07-12 2019-07-12 모터출력의 제어가 가능한 청소기 및 그 제어방법

Publications (1)

Publication Number Publication Date
KR20190089795A true KR20190089795A (ko) 2019-07-31

Family

ID=67474198

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190084428A KR20190089795A (ko) 2019-07-12 2019-07-12 모터출력의 제어가 가능한 청소기 및 그 제어방법

Country Status (4)

Country Link
US (1) US11064857B2 (ko)
EP (1) EP3763273B1 (ko)
KR (1) KR20190089795A (ko)
CN (1) CN112205924B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022080597A1 (ko) 2020-10-16 2022-04-21 엘지전자 주식회사 전력선 통신을 수행하는 전자 장치 및 그 동작 방법

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD940413S1 (en) * 2019-01-08 2022-01-04 Suzhou CHO Electric Appliance Co., Ltd. Vacuum cleaner
JP1655533S (ko) * 2019-08-01 2020-03-23
USD1038556S1 (en) * 2019-09-20 2024-08-06 Yihu Zhuo Vacuum
GB2596859B (en) * 2020-07-10 2023-01-04 Dyson Technology Ltd Vacuum cleaner
GB2596860B (en) * 2020-07-10 2023-01-04 Dyson Technology Ltd Vacuum cleaner
GB2596855B (en) * 2020-07-10 2023-01-04 Dyson Technology Ltd Vacuum cleaner
GB2596857B (en) * 2020-07-10 2023-01-04 Dyson Technology Ltd Vacuum cleaner
GB2596861B (en) * 2020-07-10 2023-01-04 Dyson Technology Ltd Vacuum cleaner
US11882985B2 (en) * 2020-11-30 2024-01-30 The Boeing Company Smart industrial vacuum cleaner to reduce foreign object debris
USD924503S1 (en) * 2020-12-30 2021-07-06 Fuzhou Huodan Electronic Technology Co., Ltd. Cyclonic vacuum cleaner
CN113243819A (zh) * 2021-04-07 2021-08-13 北京顺造科技有限公司 清洁设备自动控制方法及清洁设备
CN113243833A (zh) * 2021-04-07 2021-08-13 北京顺造科技有限公司 清洁设备自动控制方法及清洁设备
CN113876233B (zh) * 2021-10-08 2024-08-06 苏州德易仕清洁科技有限公司 一种根据推力改变吸尘功率的吸尘器
CN115336931B (zh) * 2022-08-31 2024-04-02 广东浩海环保设备有限公司 一种吸尘吸水机的功率自适应调控系统及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100641110B1 (ko) 2004-01-08 2006-11-02 엘지전자 주식회사 로봇 청소기의 흡입력 제어장치 및 방법
CN102802488A (zh) * 2009-04-30 2012-11-28 伊莱克斯公司 真空清洁器和用于控制电动马达的方法
JP2011139773A (ja) 2010-01-07 2011-07-21 Panasonic Corp 電気掃除機
KR102139167B1 (ko) * 2014-03-18 2020-07-29 삼성전자주식회사 청소기 및 그 제어방법
DE102014116978A1 (de) * 2014-11-20 2016-05-25 Vorwerk & Co. Interholding Gesellschaft mit beschränkter Haftung Reinigungsgerät mit einem durch einen Motor angetriebenen Gebläse und einem Saugkanal
PL3047772T3 (pl) * 2015-01-20 2017-07-31 Eurofilters Holding N.V. Robot-odkurzacz
US11607095B2 (en) * 2015-01-30 2023-03-21 Sharkninja Operating Llc Removable rotatable driven agitator for surface cleaning head
KR20170030197A (ko) 2015-09-09 2017-03-17 레이캅코리아 주식회사 청소대상물의 표면에 대한 주행력이 확보된 청소기
CN107913024B (zh) * 2016-10-10 2021-04-27 康塔有限公司 真空吸尘器
EP3466310B1 (en) * 2017-10-03 2022-07-27 Black & Decker Inc. Proximity detection
US11395571B2 (en) * 2017-12-18 2022-07-26 Techtronic Floor Care Technology Limited Surface cleaning device with triggerless fluid distribution mechanism

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022080597A1 (ko) 2020-10-16 2022-04-21 엘지전자 주식회사 전력선 통신을 수행하는 전자 장치 및 그 동작 방법
US12009884B2 (en) 2020-10-16 2024-06-11 Lg Electronics Inc. Electronic device performing powerline communication and operation method thereof

Also Published As

Publication number Publication date
US11064857B2 (en) 2021-07-20
EP3763273B1 (en) 2021-11-24
US20190387943A1 (en) 2019-12-26
CN112205924A (zh) 2021-01-12
CN112205924B (zh) 2023-03-31
EP3763273A1 (en) 2021-01-13

Similar Documents

Publication Publication Date Title
KR20190089795A (ko) 모터출력의 제어가 가능한 청소기 및 그 제어방법
US11399685B2 (en) Artificial intelligence cleaner and method of operating the same
KR20210074648A (ko) 조리장치 및 조리장치 제어방법
KR20190082688A (ko) 시선 추적을 이용한 디스플레이 제어방법 및 디스플레이 제어장치
US20200025401A1 (en) Thermo-hygrometer and method of controlling temperature and humidity for adjusting indoor environment
KR20190087352A (ko) 차량에 사용되는 브레이크 제어시스템 및 그 제어방법
US11517168B2 (en) Robot cleaner and operating method of the same
KR20190092333A (ko) 음성 인식 디바이스와 통신하는 장치, 음성 인식 능력을 가진 장치 및 음성 인식 능력을 가진 장치를 제어하는 방법
KR20190108532A (ko) 세탁기/건조기 내의 이물질 감지 방법, 장치 및 시스템
KR102667036B1 (ko) 피가열체의 상태를 추정하기 위한 가열 장치 및 방법
US11422564B2 (en) Method for making space map and moving robot
US11721334B2 (en) Method and apparatus for controlling device located a distance away from a user
US11261554B2 (en) Washing apparatus and control method thereof
Chen et al. Accuracy-based learning classifier systems for multistep reinforcement learning: a fuzzy logic approach to handling continuous inputs and learning continuous actions
US20210103811A1 (en) Apparatus and method for suggesting action item based on speech
KR20230069010A (ko) 정규화를 시행하는 딥 뉴럴 네트워크 학습 장치 및 그 방법
US11466389B2 (en) Washing apparatus and control method thereof
KR20220028344A (ko) 영상 분석 장치 및 이를 이용한 영상 분석 방법
KR20240110586A (ko) 인공 지능 청소기 및 그의 동작 방법
Mouhassine et al. MOS prediction by SDN controller and User Equipment to maintain good quality for VoIP over WiFi
Feng et al. A back-propagation neural network based on a hybrid genetic algorithm and particle swarm optimization for image compression
Cruz Artificial Neural Network-based Localization in Wireless Sensor Networks
Sert An intelligent fuzzy clustering approach for energy-efficient data aggregation in wireless sensor networks
Ma et al. IMOST: Incremental Memory Mechanism with Online Self-Supervision for Continual Traversability Learning

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal