KR20190094312A

KR20190094312A - 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템

Info

Publication number: KR20190094312A
Application number: KR1020190089830A
Authority: KR
Inventors: 채종훈; 김태현
Original assignee: 엘지전자 주식회사
Priority date: 2019-06-25
Filing date: 2019-07-24
Publication date: 2019-08-13
Also published as: WO2020262721A1; US20220342420A1

Abstract

본 발명의 일 실시 예에 따른 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템은 상기 복수의 로봇들이 배치된 복수의 단위 구역들 각각에 대한 사용자 정보를 수신하는 통신부 및 각 단위 구역에 대한 사용자 정보에 기반하여, 상기 복수의 단위 구역들 각각에 대응하는 복수의 밀집도들을 계산하고, 측정된 복수의 밀집도들을 이용하여, 복수의 그룹 구역들의 평균 밀집도들을 계산하고, 계산된 평균 밀집도들에 기반하여, 복수의 그룹 구역들 각각에 대한 우선 순위를 결정하고, 결정된 우선 순위에 기반하여, 상기 복수의 로봇들 중 하나 이상의 로봇의 이동을 제어할 수 있다.

Description

인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템{CONTROL SYSTEM FOR CONTROLLING A PLURALITY OF ROBOTS USING ARTIFICIAL INTELLIGENCE}

본 발명은 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템에 관한 것이다.

최근 공항 이용객의 폭발적인 증가 추세 및 스마트 공항으로의 도약을 위한 노력으로, 공항이나, 멀티플렉스 내에서 로봇을 통해 서비스를 제공하는 방안이 논의되고 있다.

공항이나 멀티플렉스에 지능형 로봇을 도입하는 경우, 기존의 컴퓨터 시스템이 대체할 수 없었던 사람의 고유 역할을 로봇이 대신 수행할 수 있어, 제공되는 서비스의 양적 및 질적 향상에 기여할 수 있을 것으로 기대된다.

공항 이외에도, 사람들이 많이 모여 있는 곳에서 로봇의 중요한 기능 중 하나는 사용자에게 길을 알려주는 등과 같은 정보를 안내해 주는 것에 있다.

그러나, 일반적으로, 로봇은 자신에게 할당된 구역에만 위치하고 있어, 사람들이 밀집되어, 보다 많은 로봇들의 안내 서비스가 필요한 상황에 능동적으로 대처하지 못하는 문제가 있었다.

본 발명은 복합 공간에 사람의 밀집도가 높은 구역으로, 로봇을 이동시킬 수 있는 것을 그 목적으로 한다.

본 발명은 사람의 밀집도에 따라 구역에 우선 순위를 부여하여, 우선 순위에 따라 로봇의 이동 경로를 제어할 수 있는 것을 목적으로 한다.

인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템의 동작 방법은 상기 복수의 로봇들이 배치된 복수의 단위 구역들 각각에 대한 사용자 정보를 수신하는 단계와 각 단위 구역에 대한 사용자 정보에 기반하여, 상기 복수의 단위 구역들 각각에 대응하는 복수의 밀집도들을 계산하는 단계와 측정된 복수의 밀집도들을 이용하여, 복수의 그룹 구역들의 평균 밀집도들을 계산하는 단계와 계산된 평균 밀집도들에 기반하여, 복수의 그룹 구역들 각각에 대한 우선 순위를 결정하는 단계 및 결정된 우선 순위에 기반하여, 상기 복수의 로봇들 중 하나 이상의 로봇의 이동을 제어하는 단계를 포함할 수 있다.

본 발명의 실시 예에 따르면, 사람이 몰려 있는 곳으로, 하나 이상의 로봇이 즉각적으로, 이동하여, 사용자에게 효율적으로 안내 서비스를 제공할 수 있다.

이에 따라, 안내 서비스를 제공받는 사용자들의 만족도가 향상될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 안내 서비스를 제공하는 AI 서버의 동작 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시 예에 각 따라 단위 구역에서 측정된 밀집도를 보여주는 도면이다.
도 7 내지 도 9는 전체 구역을 복수의 단위 그룹 구역들로 구분하여, 각 단위 그룹 구역의 평균 밀집도를 측정하는 과정을 설명하는 도면이다.
도 10은 본 발명의 실시 예에 따라 그룹 구역의 평균 밀집도가 동일한 경우, 각 그룹 구역의 우선 순위를 결정하는 방법을 설명하는 흐름도이다.
도 11은 본 발명의 일 실시 예에 따라 그룹 구역의 평균 밀집도가 동일한 경우, 우선 순위를 결정하는 실제 예를 보여준다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 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 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.

인공 신경망은 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.

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.

<로봇(Robot)>

로봇은 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 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 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)>

확장 현실은 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.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)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 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)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(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)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(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)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(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)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 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)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(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)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(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)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(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 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(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)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(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)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(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)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(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)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(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)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(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)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(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)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(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 구역이나 일정 거리 이상의 구역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)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(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)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(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)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(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+ XR >

XR 장치(100c)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(100c)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(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)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(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)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(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+ XR >

로봇(100a)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(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+ XR >

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)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(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)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(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)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(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

도 1과 중복되는 설명은 생략한다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

도 5는 본 발명의 일 실시 예에 따른 안내 서비스를 제공하는 AI 서버의 동작 방법을 설명하기 위한 흐름도이다.

AI 서버(200)는 공항이나, 빌딩에 배치된 복수의 로봇들을 제어하기 위한 관제 시스템일 수 있다.

AI 서버(200)의 프로세서(260)는 통신부(210)를 통해, 복수의 단위 구역들 각각에 대한 사용자 정보를 획득한다(S501).

일 실시 예에서, 복수의 단위 구역들은 안내 서비스를 제공하는 복수의 로봇들이 배치된 전체 구역을 구성할 수 있다.

복수의 단위 구역들 각각은 사각형의 형상을 갖는 구역일 수 있으나, 이는 예시에 불과하다. 각 단위 구역의 면적은 서로 동일할 수 있다.

AI 서버(200)의 메모리(230)는 복수의 단위 구역들 각각의 위치를 나타내는 위치 정보를 저장하고 있을 수 있다. 위치 정보는 단위 구역의 좌표일 수 있다.

프로세서(260)는 복수의 로봇들로부터, 통신부(210)를 통해 각 단위 구역에 대응하는 사용자 정보를 수신할 수 있다. 각 단위 구역에 대응하는 사용자 정보는 각 단위 구역을 촬영한 이미지, 각 단위 구역에서 수집된 사용자들이 발화한 음성 데이터를 포함할 수 있다.

프로세서(260)는 각 단위 구역에 배치된 로봇으로부터, 해당 단위 구역을 촬영한 이미지 및 해당 단위 구역에서 수집된 음성 데이터를 수신할 수 있다.

복수의 로봇들 각각은 카메라를 이용하여, 자신이 위치한 단위 구역을 촬영할 수 있고, 촬영된 단위 구역에 대한 이미지를 AI 서버(200)에 전송할 수 있다.

복수의 로봇들 각각은 마이크로폰을 이용하여, 자신이 위치한 단위 구역에서 입력된 사용자의 발화 음성을 수신할 수 있고, 수신된 발화 음성에 대한 음성 데이터를 AI 서버(200)에 전송할 수 있다.

또 다른 예로, 프로세서(260)는 각 단위 구역에 설치된 카메라로부터, 해당 단위 구역을 촬영한 이미지를 수신하고, 각 단위 구역에 설치된 마이크로폰으로부터, 단위 구역에서 수집된 음성 데이터를 수신할 수 있다.

프로세서(260)는 각 단위 구역에 대한 이미지를 이용하여, 이미지에 포함된 사용자의 얼굴을 추출할 수 있다. 프로세서(260)는 추출된 사용자의 얼굴 수만큼 사용자의 수를 획득할 수 있다.

프로세서(260)는 영상 인식 모델을 이용하여, 이미지로부터, 사용자의 얼굴을 추출할 수 있다.

영상 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 학습된 인공 신경망 기반의 모델일 수 있다.

영상 인식 모델은 지도 학습을 통해 학습될 수 있다. 학습을 위해, 사용되는 학습 데이터는 이미지 데이터 및 이미지 데이터에 레이블링된 레이블링 데이터를 포함할 수 있다. 레이블링 데이터는 사용자 얼굴임을 나타내는 정답 데이터일 수 있다.

*영상 인식 모델은 이미지 데이터로부터, 사용자의 얼굴이 존재하는지를 추론하는 모델일 수 있다.

프로세서(260)는 각 단위 구역에 대한 음성 데이터로부터, 복수의 주파수 대역들을 추출하고, 추출된 복수의 주파수 대역들 각각을 사용자의 수로 획득할 수 있다.

획득된 각 단위 구역에 존재하는 사용자의 수는 각 단위 구역의 밀집된 정도를 나타내는 밀집도로 사용될 수 있다.

AI 서버(200)의 프로세서(260)는 획득된 사용자 정보에 기반하여 , 복수의 단위 구역들 각각에 대응하는 복수의 밀집도들을 측정한다(S503).

프로세서(260)는 각 단위 구역에 존재하는 사용자의 수를 해당 단위 구역의 밀집도로 획득할 수 있다. 예를 들어, 하나의 단위 구역 내에 존재하는 사용자의 수가 8인 경우, 해당 단위 구역의 밀집도는 8로 측정될 수 있다.

이에 대해서는 도 6을 참조하여 설명한다.

도 6은 본 발명의 실시 예에 각 따라 단위 구역에서 측정된 밀집도를 보여주는 도면이다.

도 6을 참조하면, 정사각형 형태의 전체 구역(600)이 도시되어 있다.

전체 구역(600)은 복수의 단위 구역들을 포함할 수 있다.

각 단위 구역(601) 또한, 정사각형 형태를 가질 수 있다. 도 6에서, 전체 구역(600)은 5X5 구역으로 표현될 수 있다. 전체 구역(600)은 25개의 단위 구역들을 포함할 수 있다.

각 단위 구역(601)에는 사용자 정보에 기반하여 측정된 밀집도가 기재되어 있다.

예를 들어, 전체 구역(600)의 첫번째 행에는 <1,3,0,2,5>와 같이, 각 단위 구역에서 측정된 밀집도가 기재되어 있다.

메모리(230)는 각 단위 구역(601)의 위치를 나타내는 위치 정보를 저장하고 있을 수 있다. 프로세서(260)는 GPS 모듈 등과 같은 위치 측정 모듈을 이용하여, 각 단위 구역의 좌표를 획득할 수 있다.

각 단위 구역(601)의 위치 정보는 단위 구역의 중심 좌표일 수 있다.

다시, 도 5를 설명한다.

AI 서버(200)의 프로세서(260)는 측정된 복수의 밀집도들을 이용하여, 복수의 그룹 구역들의 평균 밀집도들을 측정한다(S505).

*프로세서(260)는 전체 구역(600)을 복수의 그룹 구역들로 구분하고, 구분된 각 그룹 구역에 포함된 단위 구역들의 밀집도들에 기반하여, 평균 밀집도를 측정할 수 있다.

각 그룹 구역은 4X4 형태의 정사각형 또는 3X3 형태의 정사각형 또는 2X2 형태의 정사각형의 형상을 가질 수 있다.

AI 서버(200)의 프로세서(260)는 평균 밀집도들에 기반하여 , 복수의 그룹 구역들 각각에 대한 우선 순위를 결정한다(S507).

프로세서(260)는 평균 밀집도가 클수록, 해당 그룹 구역에 높은 우선 순위를 부여할 수 있다.

우선 순위는 로봇들을 우선적으로, 해당 그룹 구역에 이동시키기 위해 결정되는 순위일 수 있다.

이에 대해서는, 도 7 내지 9를 참조하여 설명한다.

도 7 내지 도 9는 전체 구역을 복수의 단위 그룹 구역들로 구분하여, 각 단위 그룹 구역의 평균 밀집도를 측정하는 과정을 설명하는 도면이다.

먼저, 도 7을 설명한다.

도 7을 참조하면, 5X5 형태의 전체 구역(600)을 4X4 형태의 단위 그룹 구역으로 구분하여, 각 단위 그룹 구역의 평균 밀집도를 측정한 결과가 도시되어 있다.

즉, 전체 구역(600)은 4개의 단위 그룹 구역들(710 내지 770)으로 구분될 수 있다.

메모리(230)는 각 단위 그룹 구역의 위치를 나타내는 위치 정보가 저장하고 있을 수 있다. 각 단위 그룹 구역의 위치 정보는 각 단위 그룹 구역의 중심 좌표일 수 있다.

각 단위 그룹 구역은 4X4 형태로, 16개의 단위 구역들을 포함할 수 있다.

제1 단위 그룹 구역(710)의 평균 밀집도는 제1 단위 그룹 구역(710)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

즉, 제1 단위 그룹 구역(710)의 평균 밀집도는 (1+3+0+2+4+3+2+1+0+8+2+1+5+3+2+5)/16 = 2.625로 계산될 수 있다.

제2 단위 그룹 구역(730)의 평균 밀집도는 제2 단위 그룹 구역(730)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

같은 방식으로, 제2 단위 그룹 구역(730)의 평균 밀집도는 3.375로 계산될 수 있다.

제3 단위 그룹 구역(750)의 평균 밀집도는 제3 단위 그룹 구역(750)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

제3 단위 그룹 구역(750)의 평균 밀집도는 2.813으로 계산될 수 있다.

제4 단위 그룹 구역(770)의 평균 밀집도는 제4 단위 그룹 구역(770)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

제4 단위 그룹 구역(770)의 평균 밀집도는 3.250으로 계산될 수 있다.

프로세서(260)는 제1 내지 제4 단위 그룹 구역들(710 내지 770)의 평균 밀집도들에 기반하여, 로봇들을 우선적으로 이동시키기 위한 우선 순위를 결정할 수 있다.

프로세서(260)는 평균 밀집도가 클수록 해당 단위 그룹 구역에 높은 우선 순위를 부여할 수 있다.

즉, 제2 단위 그룹 구역(730)이 제1 순위, 제4 단위 그룹 구역(770)이 제2 순위, 제3 단위 그룹 구역(750)이 제3 순위, 제1 단위 그룹 구역(710)이 제4 순위가 될 수 있다.

프로세서(260)는 제1 내지 제4 단위 그룹 구역들(710 내지 770) 중 평균 밀집도가 가장 큰 제2 단위 그룹 구역(730)에 가장 높은 우선 순위를 부여할 수 있다.

프로세서(260)는 가장 높은 우선 순위의 제2 단위 그룹 구역(730)으로, 하나 이상의 로봇을 이동시키는 명령을 하나 이상의 로봇에 전송할 수 있다.

이를 위해, 프로세서(260)는 각 단위 그룹 구역의 위치 정보를 하나 이상의 로봇에 함께 전송할 수 있다.

각 단위 그룹 구역의 위치 정보는 메모리(230)에 미리 저장되어 있을 수 있다.

또 다른 예로, 프로세서(260)는 제2 단위 그룹 구역(730)을 보다 세분화하여, 평균 밀집도를 측정할 수도 있다. 이에 대해서는, 도 8을 참조하여 설명한다.

도 8을 참조하면, 제2 단위 그룹 구역(730)은 복수의 하위 단위 그룹 구역들(810 내지 870)로 구분될 수 있다.

복수의 하위 단위 그룹 구역들(810 내지 870) 각각은 3X3 형태를 가질 수 있다.

각 하위 단위 그룹 구역은 9개의 단위 구역들을 포함할 수 있다.

메모리(230)는 각 하위 단위 그룹 구역의 위치 정보를 저장하고 있을 수 있다. 각 하위 단위 그룹 구역의 위치 정보는 각 하위 단위 그룹 구역의 중심 좌표일 수 있다.

프로세서(260)는 제2 단위 그룹 구역(730) 내에서도, 보다 밀집한 구역을 확인하기 위해, 제2 단위 그룹 구역(730)을 구성하는 복수의 하위 단위 그룹 구역들(810 내지 870) 각각의 평균 밀집도를 측정할 수 있다.

제1 하위 단위 그룹 구역(810)의 평균 밀집도는 제1 하위 단위 그룹 구역(810)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

제1 하위 단위 그룹 구역(810)의 평균 밀집도는 (3+0+2+3+2+1+8+2+1)/9=2.444로 계산될 수 있다.

제2 하위 단위 그룹 구역(830)의 평균 밀집도는 제2 하위 단위 그룹 구역(830)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

같은 방식으로, 제2 하위 단위 그룹 구역(830)의 평균 밀집도는 3.111로 계산될 수 있다.

제3 하위 단위 그룹 구역(850)의 평균 밀집도는 제3 하위 단위 그룹 구역(850)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

제3 하위 단위 그룹 구역(850)의 평균 밀집도는 3.0으로 계산될 수 있다.

제4 하위 단위 그룹 구역(870)의 평균 밀집도는 제4 하위 단위 그룹 구역(870)에 포함된 복수의 단위 구역들 각각에서 측정된 밀집도들의 평균 값일 수 있다.

제4 하위 단위 그룹 구역(870)의 평균 밀집도는 3.333으로 계산될 수 있다.

프로세서(260)는 제1 내지 제4 하위 단위 그룹 구역들(810 내지 870)의 평균 밀집도들에 기반하여, 로봇들을 우선적으로 이동시키기 위한 우선 순위를 결정할 수 있다.

프로세서(260)는 평균 밀집도가 클수록 해당 하위 단위 그룹 구역에 높은 우선 순위를 부여할 수 있다.

즉, 제4 하위 단위 그룹 구역(870)이 제1 순위, 제2 하위 단위 그룹 구역(830)이 제2 순위, 제3 하위 단위 그룹 구역(850)이 제3 순위, 제1 하위 단위 그룹 구역(810)이 제4 순위가 될 수 있다.

프로세서(260)는 평균 밀집도가 가장 큰 제4 하위 단위 그룹 구역(870)에 가장 높은 우선 순위를 부여할 수 있다.

프로세서(260)는 제4 하위 단위 그룹 구역(870)으로 하나 이상의 로봇을 이동시키는 명령을 하나 이상의 로봇에 전송할 수 있다. 해당 명령에는 제4 하위 그룹 단위 구역(870)의 위치 정보도 포함될 수 있다.

프로세서(260)는 제4 하위 단위 그룹 구역(870)을 보다 세분화하여, 평균 밀집도를 측정할 수 있다. 이에 대해서는 도 9를 참조하여 설명한다.

도 9를 참조하면, 제4 하위 단위 그룹 구역(870)은 복수의 최 하위 단위 그룹 구역들(910 내지 970)로 구분될 수 있다.

복수의 최 하위 단위 그룹 구역들(910 내지 970) 각각은 2X2 형태를 가질 수 있다.

각 최 하위 단위 그룹 구역은 4개의 단위 구역들을 포함할 수 있다.

메모리(230)는 각 최 하위 단위 그룹 구역의 위치 정보를 저장하고 있을 수 있다. 각 최 하위 단위 그룹 구역의 위치 정보는 최 하위 단위 그룹 구역의 중심 좌표일 수 있다.

프로세서(260)는 제4 하위 단위 그룹 구역(870) 내에서도, 보다 밀집한 구역을 확인하기 위해, 복수의 최 하위 단위 그룹 구역들(910 내지 970) 각각의 평균 밀집도를 계산할 수 있다.

제1 최 하위 단위 그룹 구역(910)의 평균 밀집도는 제1 최 하위 단위 그룹 구역(910)에 포함된 복수의 단위 구역들 각각의 밀집도들의 평균 값일 수 있다.

제1 최 하위 단위 그룹 구역(910)의 평균 밀집도는 (2+1+2+5)/4=2.5로 계산될 수 있다.

제2 최 하위 단위 그룹 구역(930)의 평균 밀집도는 제2 최 하위 단위 그룹 구역(930)에 포함된 복수의 단위 구역들 각각의 밀집도들의 평균 값일 수 있다.

제2 최 하위 단위 그룹 구역(930)의 평균 밀집도는 3.75로 계산될 수 있다.

제3 최 하위 단위 그룹 구역(950)의 평균 밀집도는 제3 최 하위 단위 그룹 구역(950)에 포함된 복수의 단위 구역들 각각의 밀집도들의 평균 값일 수 있다.

제3 최 하위 단위 그룹 구역(950)의 평균 밀집도는 1.5로 계산될 수 있다.

제4 최 하위 단위 그룹 구역(970)의 평균 밀집도는 제4 최 하위 단위 그룹 구역(970)에 포함된 복수의 단위 구역들 각각의 밀집도들의 평균 값일 수 있다.

제4 최 하위 단위 그룹 구역(970)의 평균 밀집도는 4.25로 계산될 수 있다.

프로세서(260)는 평균 밀집도가 클수록 해당 최 하위 단위 그룹 구역에 높은 우선 순위를 부여할 수 있다.

즉, 제4 최 하위 단위 그룹 구역(970)이 제1 순위, 제2 최 하위 단위 그룹 구역(930)이 제2 순위, 제1 최 하위 단위 그룹 구역(910)이 제3 순위, 제3 최 하위 단위 그룹 구역(950)이 제4 순위가 될 수 있다.

프로세서(260)는 평균 밀집도가 가장 큰 제4 하위 단위 그룹 구역(970)을 사용자들의 안내가 시급한 구역으로 결정할 수 있다.

이와 같이, 본 발명의 실시 예에 따르면, 전체 구역(600)에서 사용자들이 밀집한 구역을 세분화하여, 안내가 필요한 상황에 대해, 즉각적으로 반응할 수 있다.

이에 따라, 로봇들이 사용자들이 밀집한 구역으로, 이동하여, 사용자들이 원하는 안내 서비스를 곧바로 제공할 수 있다.

다시, 도 5를 설명한다.

AI 서버(200)의 프로세서(260)는 최 우선 순위에 대응하는 그룹 구역으로, 하나 이상의 로봇을 이동시키는 명령을 하나 이상의 로봇에 통신부(210)를 통해 전송한다(S509).

프로세서(260)는 복수의 단위 그룹 구역들 중 가장 우선 순위가 높은 구역으로 하나 이상의 로봇을 이동시키도록 하는 명령을 하나 이상의 로봇에 전송할 수 있다.

프로세서(260)는 복수의 하위 단위 그룹 구역들 중 가장 우선 순위가 높은 구역으로, 하나 이상의 로봇을 이동시키도록 하는 명령을 하나 이상의 로봇에 전송할 수 있다.

프로세서(260)는 복수의 최 하위 단위 그룹 구역들 중 가장 우선 순위가 높은 구역으로, 하나 이상의 로봇을 이동시키도록 하는 명령을 하나 이상의 로봇에 전송할 수 있다.

여기서, 하나 이상의 로봇은 업무 수행이 완료된 유휴 로봇일 수 있다.

한편, 프로세서(260)는 우선 순위에 따라 이동시킬 하나 이상의 로봇의 경로를 설정할 수 있다.

도 7을 참조하여 설명한다.

프로세서(260)는 제2 단위 그룹 구역(730), 제4 단위 그룹 구역(770), 제3 단위 그룹 구역(750), 제1 단위 그룹 구역(710)의 순서대로, 하나 이상의 로봇을 이동시키는 명령을 하나 이상의 로봇에 전송할 수 있다.

다음으로, 그룹 구역의 평균 밀집도가 동일한 경우, 우선 순위를 결정하는 과정을 설명한다.

도 10은 본 발명의 실시 예에 따라 그룹 구역의 평균 밀집도가 동일한 경우, 각 그룹 구역의 우선 순위를 결정하는 방법을 설명하는 흐름도이다.

도 10을 참조하면, AI 서버(200)의 프로세서(260)는 도 5의 S505 단계 수행 이후, 각 그룹 구역의 평균 밀집도가 동일한 경우가 있는지를 판단한다(S1001).

만약, 그룹 구역의 평균 밀집도가 동일한 경우, 프로세서(260)는 각 그룹 구역에 대해 하위 그룹 구역들의 하위 평균 밀집도들을 계산한다(S1003).

프로세서(260)는 각 그룹 구역에 대해 계산된 하위 평균 밀집도들의 평균 밀집도를 계산한다(S1005).

이후, 프로세서(260)는 계산된 평균 밀집도에 기반하여 , 그룹 구역의 우선 순위를 결정한다(S507).

도 10의 실시 예에 대해서는 도 11을 참조하여 설명한다.

도 11은 본 발명의 일 실시 예에 따라 그룹 구역의 평균 밀집도가 동일한 경우, 우선 순위를 결정하는 실제 예를 보여준다.

도 11을 참조하면, 전체 구역(600)에 포함된 3X3 형태의 제1 그룹 구역(1110) 및 제2 그룹 구역(1130)이 도시되어 있다.

제1 그룹 구역(1110) 및 제2 그룹 구역(1130) 각각의 평균 밀집도 3.0으로 동일하다.

프로세서(260)는 제1 그룹 구역(1110) 및 제2 그룹 구역(1130) 간의 우선 순위를 결정하기 위해, 제1 그룹 구역(1110)을 구성하는 하위 그룹 구역들 각각에 대응하는 하위 평균 밀집도들 및 제2 그룹 구역(1130)을 구성하는 하위 그룹 구역들 각각에 대응하는 하위 평균 밀집도들을 계산할 수 있다.

각 하위 평균 밀집도는 2X2 형태의 구역에 대한 평균 밀집도일 수 있다.

프로세서(260)는 제1 그룹 구역(1110)을 구성하는 하위 그룹 구역들의 하위 평균 밀집도들의 평균(2.2875)과 제2 그룹 구역(1130)을 구성하는 하위 그룹 구역들의 하위 평균 밀집도들의 평균(3.438)을 비교할 수 있다.

프로세서(260)는 제2 그룹 구역(1130)을 구성하는 하위 그룹 구역들의 하위 평균 밀집도들의 평균(3.438)이 더 크므로, 제1 그룹 구역(1110)보다 제2 그룹 구역(1130)에 더 높은 우선 순위를 부여할 수 있다.

이와 같이, 본 발명의 실시 예에 따르면, 그룹 구역들의 평균 밀집도가 동일한 경우, 각 그룹 구역의 하위 그룹 구역들의 평균 밀집도에 기반하여, 그룹 구역의 우선 순위가 결정될 수 있다.

이에 따라, 안내 서비스를 제공하는 로봇의 이동 위치가 보다 명확히 결정될 수 있다.

한편, 이상의 실시 예에서, 도 5의 스텝들 및 도 10의 스텝들은 AI 서버(200)에 의해 수행되는 것으로, 설명하였으나, 복수의 로봇 중 어느 하나의 로봇(100a)이 수행할 수도 있다.

어느 하나의 로봇(100a)은 다른 로봇들을 제어할 수 있는 마스터 로봇일 수 있고, 마스터 로봇은 기 설정된 로봇일 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims

인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템에 있어서,
상기 복수의 로봇들이 배치된 복수의 단위 구역들 각각에 대한 사용자 정보를 수신하는 통신부; 및
각 단위 구역에 대한 사용자 정보에 기반하여, 상기 복수의 단위 구역들 각각에 대응하는 복수의 밀집도들을 계산하고, 측정된 복수의 밀집도들을 이용하여, 복수의 그룹 구역들의 평균 밀집도들을 계산하고, 계산된 평균 밀집도들에 기반하여, 복수의 그룹 구역들 각각에 대한 우선 순위를 결정하고, 결정된 우선 순위에 기반하여, 상기 복수의 로봇들 중 하나 이상의 로봇의 이동을 제어하는 프로세서를 포함하는
관제 시스템.
제1항에 있어서,
상기 복수의 그룹 구역들 각각은 상기 복수의 단위 구역들 중 일부를 포함하고,
상기 프로세서는
상기 복수의 그룹 구역들 중 최 우선 순위가 부여된 그룹 구역으로, 상기 하나 이상의 로봇을 이동시키는 명령을 전송하는
관제 시스템.
제2항에 있어서,
상기 프로세서는
상기 계산된 평균 밀집도가 클수록, 높은 우선 순위를 그룹 구역에 부여하는
관제 시스템.
제2항에 있어서,
상기 프로세서는
상기 복수의 그룹 구역들은 제1 그룹 구역 및 제2 그룹 구역을 포함하고,
상기 제1 그룹 구역의 제1 평균 밀집도 및 상기 제2 그룹 구역의 제2 평균 밀집도가 동일한 경우, 상기 제1 그룹 구역을 구성하는 하위 그룹 구역들의 평균 밀집도들의 제1 평균과 상기 제2 그룹 구역을 구성하는 하위 그룹 구역들의 평균 밀집도들의 제2 평균을 비교하여, 상기 우선 순위를 결정하는
관제 시스템.
제1항에 있어서,
상기 프로세서는
상기 결정된 우선 순위에 따라 상기 하나 이상의 로봇이 이동할 이동 경로를 설정하고,
설정된 이동 경로로, 상기 하나 이상의 로봇을 이동시키는 명령을 전송하는
관제 시스템.
제5항에 있어서,
상기 프로세서는
상기 우선 순위가 높은 그룹 구역에서 낮은 그룹 구역으로 상기 하나 이상의 로봇을 이동시키는 명령을 전송하는
관제 시스템.
제1항에 있어서,
상기 사용자 정보는
각 단위 구역에 대한 이미지, 각 단위 구역에서 수집된 음성 데이터를 포함하고,
상기 프로세서는
상기 이미지 또는 상기 음성 데이터를 이용하여, 각 단위 구역에 존재하는 사용자의 수를 각 단위 구역의 밀집도로 획득하는
관제 시스템.
제7항에 있어서,
이미지 데이터를 이용하여, 사용자의 얼굴을 인식하는 영상 인식 모델을 저장하는 메모리를 더 포함하고,
상기 영상 인식 모델은
딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 지도 학습된 인공 신경망 기반의 모델이고,
상기 프로세서는
상기 이미지 및 상기 영상 인식 모델을 이용하여, 상기 사용자의 얼굴을 인식하고, 인식된 얼굴의 수를 상기 사용자의 수로 결정하는
관제 시스템.
제1항에 있어서,
상기 복수의 그룹 구역들 각각이 위치한 위치 정보를 저장하는 메모리를 더 포함하고,
상기 프로세서는
상기 우선 순위 및 상기 위치 정보를 이용하여, 상기 하나 이상의 로봇의 이동을 제어하는
관제 시스템.
인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템의 동작 방법에 있어서,
상기 복수의 로봇들이 배치된 복수의 단위 구역들 각각에 대한 사용자 정보를 수신하는 단계;
각 단위 구역에 대한 사용자 정보에 기반하여, 상기 복수의 단위 구역들 각각에 대응하는 복수의 밀집도들을 계산하는 단계;
측정된 복수의 밀집도들을 이용하여, 복수의 그룹 구역들의 평균 밀집도들을 계산하는 단계;
계산된 평균 밀집도들에 기반하여, 복수의 그룹 구역들 각각에 대한 우선 순위를 결정하는 단계; 및
결정된 우선 순위에 기반하여, 상기 복수의 로봇들 중 하나 이상의 로봇의 이동을 제어하는 단계를 포함하는
관제 시스템의 동작 방법.
제10항에 있어서,
상기 복수의 그룹 구역들 각각은 상기 복수의 단위 구역들 중 일부를 포함하고,
상기 제어하는 단계는
상기 복수의 그룹 구역들 중 최 우선 순위가 부여된 그룹 구역으로, 상기 하나 이상의 로봇을 이동시키는 명령을 전송하는 단계를 포함하는
관제 시스템의 동작 방법.
제11항에 있어서,
상기 계산된 평균 밀집도가 클수록, 높은 우선 순위를 그룹 구역에 부여하는 단계를 더 포함하는
관제 시스템의 동작 방법.
제12항에 있어서,
상기 복수의 그룹 구역들은 제1 그룹 구역 및 제2 그룹 구역을 포함하고,
상기 제1 그룹 구역의 제1 평균 밀집도 및 상기 제2 그룹 구역의 제2 평균 밀집도가 동일한 경우, 상기 우선 순위를 결정하는 단계는 상기 제1 그룹 구역을 구성하는 하위 그룹 구역들의 평균 밀집도들의 제1 평균과 상기 제2 그룹 구역을 구성하는 하위 그룹 구역들의 평균 밀집도들의 제2 평균을 비교하여, 상기 우선 순위를 결정하는 단계를 포함하는
관제 시스템의 동작 방법.
제10항에 있어서,
상기 결정된 우선 순위에 따라 상기 하나 이상의 로봇이 이동할 이동 경로를 설정하는 단계; 및
설정된 이동 경로로, 상기 하나 이상의 로봇을 이동시키는 명령을 전송하는 단계를 더 포함하는
관제 시스템의 동작 방법.
제14항에 있어서,
상기 명령을 전송하는 단계는
상기 우선 순위가 높은 그룹 구역에서 낮은 그룹 구역으로 상기 하나 이상의 로봇을 이동시키는 명령을 전송하는 단계를 포함하는
관제 시스템의 동작 방법.