KR20190094313A - 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법 - Google Patents

인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법 Download PDF

Info

Publication number
KR20190094313A
KR20190094313A KR1020190089847A KR20190089847A KR20190094313A KR 20190094313 A KR20190094313 A KR 20190094313A KR 1020190089847 A KR1020190089847 A KR 1020190089847A KR 20190089847 A KR20190089847 A KR 20190089847A KR 20190094313 A KR20190094313 A KR 20190094313A
Authority
KR
South Korea
Prior art keywords
robot
external
information
robots
processor
Prior art date
Application number
KR1020190089847A
Other languages
English (en)
Inventor
이인호
이준민
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
Priority to PCT/KR2019/007318 priority Critical patent/WO2020256169A1/ko
Priority to WOPCT/KR2019/007318 priority
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20190094313A publication Critical patent/KR20190094313A/ko

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/029Location-based management or tracking services
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00Manipulators not otherwise provided for
    • B25J11/008Manipulators for service tasks
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00Controls for manipulators
    • B25J13/003Controls for manipulators by means of an audio-responsive input
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00Controls for manipulators
    • B25J13/08Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02Sensing devices
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1602Programme controls characterised by the control system, structure, architecture
    • B25J9/161Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1656Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291Fleet control
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06K9/6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
    • G06K9/6257Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting characterised by the organisation or the structure of the process, e.g. boosting cascade
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/20Scenes; Scene-specific elements in augmented reality scenes
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/024Guidance services
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1628Programme controls characterised by the control loop
    • B25J9/163Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00Programme-controlled manipulators
    • B25J9/16Programme controls
    • B25J9/1679Programme controls characterised by the tasks executed
    • B25J9/1682Dual arm manipulator; Coordination of several manipulators
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2201/00Application
    • G05D2201/02Control of position of land vehicles
    • G05D2201/0211Vehicle in an office environment, e.g. for delivering mail or for videoconferencing
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/023Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds

Abstract

본 발명의 일 실시 예에 따른 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇은 통신부 및 제1 구역에 위치하는 복수의 외부 로봇들 각각과 상기 로봇 간의 거리를 측정하고, 측정된 거리에 기반하여, 일정 거리 내에 있는 외부 로봇의 개수가 일정 개수 이상인 경우, 상기 복수의 외부 로봇들 중 하나 이상의 외부 로봇을 상기 제1 구역과 다른 위치에 있는 제2 구역으로 이동시키는 명령을 상기 통신부를 통해 상기 하나 이상의 외부 로봇에 전송하는 프로세서를 포함할 수 있다.

Description

인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법{ROBOT PROVIDING GUIDE SERVICE USING ARTIFICIAL INTELLIGENCE AND OPERATING METHOD THEREOF}
본 발명은 로봇에 관한 것으로, 인공 지능을 이용하여, 안내 서비스를 제공할 수 있는 로봇에 관한 발명이다.
최근 공항 이용객의 폭발적인 증가 추세 및 스마트 공항으로의 도약을 위한 노력으로, 공항 내에서 로봇을 통해 서비스를 제공하는 방안이 논의되고 있다.
공항에 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, 로봇들이 업무를 수행하여 주행하는 도중, 특정 구역에만 집중되어 있는 경우, 사용자의 이동 불편을 초래할 수 있고, 로봇이 없는 구역에서는, 안내 기능을 충실히 수행할 수 없는 문제가 있었다.
본 발명은 복수의 로봇들이 특정 장소에 밀집되어 있는 현상을 방지하기 위한 것에 그 목적이 있다.
본 발명은 다양한 구역들에 로봇들을 분산시켜, 안내 서비스를 효과적으로 제공할 수 있도록 하는 것에 그 목적이 있다.
본 발명은 안내 서비스가 필요한 상황에 있는 구역에 외부 로봇을 이동시킬 수 있는 것에 그 목적이 있다.
본 발명의 실시 예에 따른 로봇은 외부 로봇들 각각 간의 거리를 측정하고, 측정된 거리에 기반하여, 로봇이 특정 영역에 밀집된 것으로 판단한 경우, 일부 외부 로봇을 밀집되지 않은 다른 영역으로 이동시킬 수 있다.
본 발명의 실시 예에 따른 로봇은 로봇의 개수가 적은 영역 또는 사용자가 수가 많은 영역으로, 외부 로봇을 이동시킬 수 있다.
본 발명의 실시 예에 따른 로봇은 사용자의 상황 정보 및 위치 정보를 획득하고, 상황 정보에 기반하여, 안내 필요 상황이 발생한 경우, 해당 위치로, 외부 로봇을 이동시킬 수 있다.
본 발명의 실시 예에 따르면, 복수의 로봇들이 특정 장소에 밀집된 현상이 방지되어, 로봇의 업무가 효율적으로 수행될 수 있다.
본 발명의 실시 예에 따르면, 안내 서비스가 필요한 상황을 감지하여, 빠르게 안내 서비스를 제공할 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 로봇 시스템의 구성을 보여주는 도면이다.
도 6은 본 발명의 일 실시 예에 따른 AI 시스템의 동작 방법을 설명하기 위한 래더다이어 그램이다.
도 7은 본 발명의 일 실시 예에 따라, 업무 수행이 완료된 외부 로봇이 이동할 구역을 결정하는 과정을 설명하는 도면이다.
*도 8은 본 발명의 일 실시 예에 따른 복수의 구역들에 각각에 대해 설정된 우선 순위를 설명하는 도면이다.
도 9는 본 발명의 또 다른 실시 예에 따른 AI 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.
도 10은 본 발명의 또 다른 실시 예에 따른 복수의 구역들 각각에 대해 설정된 우선 순위를 설명하는 도면이다.
<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 AI 시스템의 동작 방법을 설명하기 위한 래더 다이어 그램이다.
본 발명의 실시 예에 따른 AI 시스템은 로봇(100a), 하나 이상의 외부 로봇들 및 AI 서버(200)를 포함할 수 있다.
로봇(100a) 및 외부 로봇들 각각은 도 4의 구성 요소들을 모두 포함할 수 있다.
특히, 도 5는 복수의 로봇들이 특정 구역 내에 밀집해 있을 경우, 일부 로봇을 다른 로봇으로 이동시킬 수 있는 것에 관한 내용이다.
도 5를 참조하면, 로봇(100a)의 프로세서(180)는 복수의 외부 로봇들 각각과 자신 간의 거리를 측정한다(S501).
일 실시 예에서, 프로세서(180)는 전송 신호에 응답하는 응답 신호가 수신되기까지 걸리는 시간에 기초하여, 로봇(100a)과 외부 로봇 간의 거리를 측정할 수 있다. 이를 위해, 각 로봇에는 거리 센서(미도시)가 구비될 수 있다.
상기 전송 신호 및 상기 응답 신호 각각은 비 가청 주파수 대역에 삽입된 신호일 수 있다.
로봇(100a)의 거리 센서는 전송 신호를 전송하고, 전송 신호에 응답한 응답 신호를 수신할 수 있고, 전송 신호가 전송된 시점과 응답 신호를 수신한 시점 간의 차이를 계산할 수 있다.
프로세서(180)는 미리 알고 있는 신호의 속도 및 상기 차이를 이용하여, 로봇(100a)과 외부 로봇의 거리를 측정할 수 있다.
또 다른 예로, 프로세서(180)는 GPS 모듈(미도시)을 이용하여, 로봇(100a)과 각 외부 로봇 간의 거리를 측정할 수 있다.
로봇(100a)의 GPS 모듈은 자신의 제1 위치 좌표를 획득하고, 외부 로봇의 GPS 모듈은 외부 로봇의 제2 위치 좌표를 획득할 수 있다.
로봇(100a)은 외부 로봇으로부터 제2 위치 좌표를 수신할 수 있고, 제1 위치 좌표와 제2 위치 좌표 간의 거리를 계산하여, 로봇(100a)과 외부 로봇 간의 거리를 측정할 수 있다.
또 다른 예로, 프로세서(180)는 카메라(121)를 통해 촬영된 영상 정보를 이용하여, 로봇(100a)과 외부 로봇 간의 거리를 측정할 수 있다.
프로세서(180)는 카메라(121)를 통해 촬영된 영상 정보로부터, 로봇에 대응하는 오브젝트를 추출할 수 있다. 프로세서(180)는 추출된 오브젝트의 크기를 획득하고, 획득된 크기에 대응하는 거리를 계산할 수 있다.
이를 위해, 메모리(170)는 복수의 오브젝트 크기들 각각에 대응하는 복수의 거리들 각각을 저장하고 있을 수 있다.
프로세서(180)는 메모리(170)로부터 오브젝트의 크기에 매칭되는 거리를 로봇(100a)과 외부 로봇 간의 거리로 획득할 수 있다.
로봇(100a)의 프로세서(180)는 측정된 거리에 기반하여 , 일정 거리 내에 있는 외부 로봇의 개수가 일정 대수 이상인지를 판단한다(S503).
프로세서(180)는 복수의 외부 로봇들 각각과 자신 간의 거리가 일정 거리 내에 있는 외부 로봇이 위치해 있는지를 판단할 수 있다.
일정 거리는 3m이고, 일정 대수는 3개일 수 있으나, 이는 예시에 불과한 수치이다.
이에 대해서는, 도 6을 참조하여 설명한다.
도 6은 본 발명의 실시 예에 따라, 로봇이 자신으로부터, 일정 거리 내에 있는 외부 로봇을 검출하는 예를 설명하는 도면이다.
도 6을 참조하면, 로봇(100a)은 일정 거리(d1) 내에 있는 외부 로봇들(100-1 내지 100-4) 각각과 자신 간의 거리를 측정할 수 있다.
로봇(100a)은 일정 거리(d1)를 반지름으로 하는 원 형태의 구역(600)을 획득할 수 있고, 구역(600) 내에 위치한 외부 로봇들(100-1 내지 100-4) 각각과 자신의 거리를 측정할 수 있다.
로봇(100a)과 외부 로봇 간의 거리를 측정하는 방법에 대해서는 도 5의 S501의 단계에서 설명한 것으로 대체한다.
로봇(100a)은 제1 외부 로봇(100-1)과의 거리를 x1으로, 제2 외부 로봇(100-2)과의 거리를 x2로, 제3 외부 로봇(100-3)과의 거리를 x3으로, 제4 외부 로봇(100-4)과의 거리를 x4로, 각각 획득할 수 있다.
로봇(100a)을 일정 거리(d1) 내에 있는 외부 로봇의 개수를 4개로 결정할 수 있다.
다시, 도 5를 설명한다.
로봇(100a)의 프로세서(180)는 일정 거리 내에 있는 외부 로봇의 개수가 일정 대수 이상인 경우 , 외부 로봇들 각각의 업무 상황 정보를 획득한다(S505).
프로세서(180)는 통신부(110)를 통해 외부 로봇들 각각에 업무 상황 정보를 요청하고, 외부 로봇들 각각으로부터, 업무 상황 정보를 수신할 수 있다.
이를 위해, 통신부(110)는 근거리 통신 모듈(미도시)을 포함할 수 있고, 근거리 통신 모듈은 와이파이, 블루투스 등과 같은, 근거리 무선 통신 규격을 이용하는 모듈을 포함할 수 있다.
업무 상황 정보는 외부 로봇이 업무를 수행 중인지, 업무를 완료하였는지를 나타내는 정보를 포함할 수 있다.
업무 상황 정보는 업무 수행 정도를 더 포함할 수 있다. 업무 수행 정도는 주어진 업무를 어느 정도 수행했는지를 나타내는 지표일 수 있다.
로봇(100a)의 프로세서(180)는 획득된 업무 상황 정보에 기초하여, 업무 수행이 완료된 외부 로봇이 존재하는지를 판단한다(S507).
프로세서(180)는 업무 수행이 완료된 외부 로봇을 다른 구역으로 이동시키기 위해, 업무 수행이 완료된 외부 로봇의 존재를 판단할 수 있다.
로봇(100a)의 프로세서(180)는 업무 수행이 완료된 외부 로봇이 존재하는 경우, 통신부(110)를 통해 AI 서버(200)에 구역 정보를 요청한다(S509).
프로세서(180)는 업무 수행이 완료된 외부 로봇을 외부 로봇의 활동이 적은 구역으로 이동시키기 위한 정보를 획득하기 위해, AI 서버(200)에 구역 정보를 요청할 수 있다.
구역 정보는 복수의 구역들 각각의 위치 및 각 구역 내에 배치된 로봇의 개수를 포함할 수 있다.
구역 정보는 각 구역 내 배치된 로봇의 개수 대비 사용자의 수 비율을 더 포함할 수 있다. 예를 들어, 특정 구역에 배치된 로봇의 개수가 2이고, 사용자의 수가 10이면, 비율은 1:5가 될 수 있다.
AI 서버(200)는 복수의 로봇들이 배치된 전체 구역을 복수의 구역들로 구분하고, 구분된 각 구역 내에 배치된 로봇의 개수를 수집할 수 있다.
AI 서버(200)는 전체 구역에 배치된 다수의 카메라들로부터, 수집된 영상들을 이용하여, 구분된 각 구역 내에 배치된 로봇의 개수를 결정할 수 있다.
로봇(100a)의 프로세서(180)는 AI 서버(200)로부터 구역 정보를 수신한다(S511).
로봇(100a)의 프로세서(180)는 수신된 구역 정보에 기반하여 , 업무 수행이 완료된 외부 로봇이 이동할 구역을 결정한다(S513).
프로세서(180)는 수신된 구역 정보에 포함된 복수의 구역들 각각에 배치된 로봇의 개수에 기반하여, 업무 수행을 완료한 하나 이상의 외부 로봇이 이동할 구역을 결정할 수 있다.
일 예로, 프로세서(180)는 복수의 구역들 중 로봇이 가장 적게 배치된 구역을 외부 로봇의 이동 구역으로 결정할 수 있다.
이에 대해서는, 도 7을 참조하여 설명한다.
도 7은 본 발명의 일 실시 예에 따라, 업무 수행이 완료된 외부 로봇이 이동할 구역을 결정하는 과정을 설명하는 도면이다.
도 7을 참조하면, 로봇(100a)은 일정 거리(d1) 내에 위치한 복수의 외부 로봇들(100-1 내지 100-4) 각각으로부터 업무 상황 정보를 수신할 수 있다.
로봇(100a)은 수신된 업무 상황 정보에 기반하여, 복수의 외부 로봇들(100-1 내지 100-4) 중 업무 수행이 완료된 제3 외부 로봇(100-3) 및 제4 외부 로봇(100-4)을 이동시킬 대상으로 결정할 수 있다.
로봇(100a)은 AI 서버(200)로부터 수신된 구역 정보에 포함된 제1 외부 구역(710)의 정보 및 제2 외부 구역(730)의 정보를 수신할 수 있다.
로봇(100a)은 제1 외부 구역(710) 내에 배치된 로봇의 대수 및 제2 외부 구역(730) 내에 배치된 로봇의 대수를 파악할 수 있다.
로봇(100a)은 제1 외부 구역(710)에 배치된 로봇의 대수가 0대이고, 제2 외부 구역(730)에 배치된 로봇의 대수가 1대인 경우, 제2 외부 구역(730)을 제3 외부 로봇(100-3) 및 제4 외부 로봇(100-4)을 이동시킬 구역으로 결정할 수 있다.
다시, 도 5를 설명한다.
또 다른 예로, 프로세서(180)는 복수의 구역들 중, 로봇의 대수 및 사용자의 수 비율이 가장 큰 구역을 외부 로봇의 이동 구역으로 결정할 수 있다. 이 경우에는, 해당 구역에 외부 로봇이 많다고 하더라도, 사용자를 돕기 위해, 로봇의 추가 배치가 필요하기 때문이다.
또 다른 예로, 프로세서(180)는 복수의 구역들 각각에 우선 순위를 두어, 외부 로봇이 이동할 구역을 결정할 수 있다.
프로세서(180)는 복수의 구역들 중 우선 순위가 가장 높은 구역을 외부 로봇이 이동할 구역으로 결정할 수 있다.
이에 대해서는, 도 8을 참조하여 설명한다.
도 8은 본 발명의 일 실시 예에 따른 복수의 구역들에 각각에 대해 설정된 우선 순위를 설명하는 도면이다.
도 8을 참조하면, 로봇의 대수 대비 사용자의 수 비율이 가장 큰 구역은 제1 우선 순위를 가질 수 있다.
로봇의 대수가 가장 적은 구역은 제2 우선 순위를 가질 수 있다.
로봇의 대수가 가장 적고, 로봇의 대수 대비 사용자의 수 간 비율이 가장 작은 구역은 제3 우선 순위를 가질 수 있다.
프로세서(180)는 AI 서버(200)로부터 수신한 구역 정보에 기초하여, 복수의 구역들 각각에 우선 순위를 할당할 수 있다.
프로세서(180)는 우선 순위의 할당 결과에 따라 가장 우선 순위가 높은 구역을 외부 로봇이 이동할 구역으로 결정할 수 있다.
다시, 도 5를 설명한다.
로봇(100a)의 프로세서(180)는 업무 수행이 완료된 외부 로봇에게 결정된 구역으로 이동하라는 명령을 통신부(110)를 통해 전송한다(S515).
예를 들어, 프로세서(180)는 도 7에 도시된 제3 외부 로봇(100-3) 및 제4 외부 로봇(100-4)에 제2 외부 구역(730)으로 이동을 요구하는 명령을 통신부(110)을 통해 전송할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 특정 장소에 로봇들이 밀집되어 있는 경우, 일부 로봇이 다른 장소로 이동됨에 따라, 로봇이 몰려 있는 상황이 방지될 수 있다.
이에 따라, 사용자에게 도움을 주는 로봇의 가이드 역할이 효율적으로 수행될 수 있다.
도 9는 본 발명의 또 다른 실시 예에 따른 AI 시스템의 동작 방법을 설명하기 위한 래더 다이어그램이다.
도 9에서 설명하는 AI 시스템 또한, 로봇(100a), 외부 로봇들 및 AI 서버(200)를 포함할 수 있다.
도 9를 참조하면, 로봇(100a)의 프로세서(180)는 사용자의 상황 정보 및 위치 정보를 획득한다(S901).
일 실시 예에서, 사용자의 상황 정보는 사용자가 발화하는 음성 정보, 사용자의 행위 정보 중 하나 이상을 포함할 수 있다.
프로세서(180)는 마이크로폰(122)을 통해 사용자가 발화하는 음성 정보를 획득할 수 있다.
사용자의 행위 정보는 사용자가 어떠한 액션을 취하고 있는지를 나타내는 정보일 수 있다. 예를 들어, 사용자의 행위는 길을 찾는 액션, 안내판을 보고 있는 액션 등을 포함할 수 있다.
프로세서(180)는 카메라(121)를 통해 영상을 촬영하고, 촬영된 영상에 기반하여, 사용자의 행위 정보를 획득할 수 있다.
프로세서(180)는 영상 인식 모델을 이용하여, 사용자의 행위를 결정할 수 있다.
영상 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여 학습된 인공 신경망 모델일 수 있다.
영상 인식 모델은 지도 학습을 통해 학습될 수 있다.
영상 인식 모델은 AI 서버(200)로부터 수신되거나, 로봇(100a)의 러닝 프로세서(130)에 의해 학습된 모델일 수 있다.
영상 인식 모델은 영상 데이터 및 영상 데이터에 라벨링된 사용자 행위를 학습데이터로 하여, 사용자의 행위를 추론하는 모델일 수 있다.
또 다른 예로, 프로세서(180)는 AI 서버(200)로부터, 사용자의 행위를 수신할 수 있다. 이 경우, AI 서버(200)는 곳곳에 배치된 카메라로부터, 사용자의 영상을 수신하고, 수신된 영상 및 영상 인식 모델을 이용하여, 사용자의 행위를 결정할 수 있다.
결정된 사용자의 행위는 로봇(100a)에 전송될 수 있다.
사용자의 위치 정보는 전체 구역 중 사용자가 위치한 구역을 나타낼 수 있다. 사용자의 위치 정보는 AI 서버(200)로부터 수신할 수 있다.
사용자의 위치 정보에 포함된 사용자가 위치한 구역은 로봇(100a)이 위치한 구역과 다른 구역일 수 있다.
프로세서(180)는 사용자의 상황 정보에 기반하여 , 사용자에게 안내가 필요한 상황인지를 판단한다(S903).
프로세서(180)는 사용자가 발화한 음성 정보를 분석하고, 분석 결과에 따라 사용자에게 안내가 필요한 안내 필요 상황인지를 판단할 수 있다.
예를 들어, 사용자가 발화한 음성 정보가 <특정 게이트로 가는 방법 아세요>와 같이, 길 찾기를 질문하는 의도인 경우, 프로세서(180)는 사용자의 상황이 안내 필요 상황인 것으로 판단할 수 있다.
프로세서(180)는 사용자가 발화한 음성 정보를 텍스트 정보로 변환하고, 변환된 텍스트 정보를 자연어 처리 엔진을 이용하여, 의도를 분석할 수 있다.
프로세서(180)는 영상 인식 모델에 기반하여, 카메라(121)를 통해 획득한 영상으로부터, 사용자의 행위를 결정할 수 있다.
프로세서(180)는 결정된 사용자의 행위가 안내가 필요한 상황인지를 판단할 수 있다.
프로세서(180)는 메모리(170)에 안내의 필요 상황과 관련된 행위 정보를 저장하고 있을 수 있다. 행위 정보는 사용자의 행위가 길을 찾는 모습 또는 안내판을 일정 시간 주시하고 있는 모습을 나타내는 정보일 수 있다.
예를 들어, 프로세서(180)는 결정된 사용자의 행위가 길을 찾는 모습 또는 안내판을 일정 시간 주시하고 있는 모습으로 결정된 경우, 사용자의 상황이 안내 필요 상황인 것으로 판단할 수 있다.
프로세서(180)는 사용자의 상황 정보에 기반하여, 안내가 시급한 정도를 나타내는 우선 순위를 사용자가 위치한 구역에 할당할 수 있다.
도 10은 본 발명의 또 다른 실시 예에 따른 복수의 구역들 각각에 대해 설정된 우선 순위를 설명하는 도면이다.
도 10을 참조하면, 사용자의 음성 정보의 의도가 길 찾기를 나타내는 경우, 해당 사용자가 위치한 구역은 제1 우선 순위를 가질 수 있다.
또한, 사용자의 행위가 안내 판을 보고 있는 액션인 경우, 해당 사용자가 위치한 구역은 제2 우선 순위를 가질 수 있다.
또한, 사용자의 행위가 두리번거리고 있는 액션인 경우, 해당 사용자가 위치한 구역은 제3 우선 순위를 가질 수 있다.
*프로세서(180)는 사용자의 상황 정보로부터, 사용자의 상황을 결정하고, 결정된 상황에 상응하는 사용자의 위치에 우선 순위를 할당할 수 있다.
프로세서(180)는 우선 순위가 가장 높은 사용자의 상황에 대응하는 사용자의 위치로 외부 로봇을 이동시키는 명령을 외부 로봇에 전송할 수 있다.
다시, 도 9를 설명한다.
프로세서(180)는 사용자에게 안내가 필요한 상황이라고 판단한 경우, 복수의 외부 로봇들 각각과 자신 간의 거리를 측정한다(S905).
거리를 측정하는 방법에 대해서는 도 5의 단계 S501의 설명으로 대체한다.
프로세서(180)는 측정된 거리에 기반하여 , 자신으로부터 일정 거리 내에 있는 외부 로봇의 개수가 일정 개수 이상인지를 판단한다(S907).
프로세서(180)는 자신으로부터 일정 거리 내에 있는 로봇의 개수가 일정 개수 이상인 경우 , 해당 외부 로봇들 각각의 업무 상황 정보를 획득한다(S909).
프로세서(180)는 획득된 업무 상황 정보에 기반하여 , 업무 수행이 완료된 외부 로봇이 존재하는지를 판단한다(S911).
업무 상황 정보에 대한 설명은 도 5의 단계 S505의 설명으로 대체한다.
프로세서(180)는 업무 수행이 완료된 외부 로봇이 존재하는 경우, 해당 외부 로봇에 획득된 사용자의 위치 정보에 대응하는 구역으로, 외부 로봇을 이동시키는 명령을 전송한다(S913).
프로세서(180)는 사용자의 상황이 안내 필요 상황이므로, 업무 수행이 완료된 외부 로봇에게 사용자 안내를 위해, 사용자가 위치한 구역으로, 이동하도록 하는 명령을 통신부(110)를 통해 전송할 수 있다.
상기 명령을 수신한 외부 로봇은 사용자가 위치한 구역으로 이동하여, 사용자가 발화한 음성의 의도에 맞는 안내 음성을 출력할 수 있다.
또 다른 예로, 외부 로봇은 사용자에게 어떤 길 찾기 정보를 원하는지를 질문하는 음성을 출력할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 로봇들이 밀집되어 있고, 다른 구역에, 사용자의 안내가 필요한 상황인 경우, 외부 로봇이 사용자가 위치한 구역으로 이동될 수 있다. 이에 따라, 사용자는 원하는 정보를 빠르게 얻을 수 있다.
또한, 로봇들이 밀집됨에 따라 발생할 수 있는 혼잡도가 줄어들 수 있고, 보다 효과적인 로봇의 업무 수행이 가능해질 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 (15)

  1. 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇에 있어서,
    통신부; 및
    제1 구역에 위치하는 복수의 외부 로봇들 각각과 상기 로봇 간의 거리를 측정하고, 측정된 거리에 기반하여, 일정 거리 내에 있는 외부 로봇의 개수가 일정 개수 이상인 경우, 상기 복수의 외부 로봇들 중 하나 이상의 외부 로봇을 상기 제1 구역과 다른 위치에 있는 제2 구역으로 이동시키는 명령을 상기 통신부를 통해 상기 하나 이상의 외부 로봇에 전송하는 프로세서를 포함하는
    로봇.
  2. 제1항에 있어서,
    상기 프로세서는
    상기 복수의 외부 로봇들 각각으로부터, 업무 상황 정보를 수신하고, 수신된 업무 상황 정보에 기반하여, 업무 수행이 완료된 외부 로봇이 존재하는 경우, 업무 수행이 완료된 외부 로봇을 상기 제2 구역으로 이동시키는 상기 명령을 전송하는
    로봇.
  3. 제2항에 있어서,
    상기 프로세서는
    상기 통신부를 통해 외부 서버에 구역 정보를 요청하고, 상기 요청에 따라 상기 구역 정보를 수신하고,
    상기 구역 정보는 복수의 구역들 각각의 위치 및 상기 복수의 구역들 각각에 배치된 로봇의 개수를 포함하는
    로봇.
  4. 제3항에 있어서,
    상기 프로세서는
    상기 복수의 구역들 중 로봇의 개수가 가장 적은 구역을 상기 제2 구역으로 결정하는
    로봇.
  5. 제3항에 있어서,
    상기 프로세서는
    상기 복수의 구역들 중 로봇의 개수 대비 사용자의 수 간의 비율이 가장 큰 구역을 상기 제2 구역으로 결정하는
    로봇.
  6. 제1항에 있어서,
    상기 통신부를 통해 외부 로봇에 전송되는 전송 신호와, 상기 전송 신호에 응답하는 응답 신호 간의 시간 차이를 측정하는 거리 센서를 더 포함하고,
    상기 프로세서는
    상기 측정된 시간 차이에 기반하여, 상기 각 외부 로봇과 상기 로봇 간의 거리를 측정하는
    로봇.
  7. 제1항에 있어서,
    GPS 모듈을 더 포함하고,
    상기 프로세서는
    상기 GPS 모듈을 통해 상기 로봇의 제1 위치 좌표를 획득하고, 외부 로봇으로부터 제2 위치 좌표를 수신하고, 상기 제1 위치 좌표 및 상기 제2 위치 좌표 간의 거리를 상기 각 외부 로봇과 상기 로봇 간의 거리를 측정하는
    로봇.
  8. 제1항에 있어서,
    상기 프로세서는
    사용자의 상황 정보 및 상기 사용자의 위치 정보를 획득하고,
    획득된 상황 정보에 기반하여, 상기 사용자에게 안내가 필요한 상황으로 판단한 경우, 획득된 위치 정보에 대응하는 구역으로, 상기 하나 이상의 외부 로봇에 전송하는
    로봇.
  9. 제8항에 있어서,
    상기 상황 정보는
    상기 사용자가 발화한 음성 정보, 상기 사용자의 행위 정보 중 하나 이상을 포함하는
    로봇.
  10. 제9항에 있어서,
    상기 프로세서는
    획득된 영상 및 영상 인식 모델을 이용하여, 상기 영상으로부터, 사용자의 행위를 결정하고, 결정된 사용자의 행위가 기 저장된 행위인 경우, 상기 안내가 필요한 상황으로 판단하고,
    상기 영상 인식 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 학습된 인공 신경망 모델인
    로봇.
  11. 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇의 동작 방법에 있어서,
    제1 구역에 위치하는 복수의 외부 로봇들 각각과 상기 로봇 간의 거리를 측정하는 단계;
    측정된 거리에 기반하여, 일정 거리 내에 있는 외부 로봇의 개수가 일정 개수 이상인지 판단하는 단계; 및
    외부 로봇의 개수가 일정 개수 이상인 경우, 상기 복수의 외부 로봇들 중 하나 이상의 외부 로봇을 상기 제1 구역과 다른 위치에 있는 제2 구역으로 이동시키는 명령을 상기 하나 이상의 외부 로봇에 전송하는 단계를 포함하는
    로봇의 동작 방법.
  12. 제11항에 있어서,
    상기 복수의 외부 로봇들 각각으로부터, 업무 상황 정보를 수신하는 단계를 더 포함하고,
    상기 전송하는 단계는
    수신된 업무 상황 정보에 기반하여, 업무 수행이 완료된 외부 로봇이 존재하는 경우, 업무 수행이 완료된 외부 로봇을 상기 제2 구역으로 이동시키는 상기 명령을 전송하는 단계를 포함하는
    로봇의 동작 방법.
  13. 제12항에 있어서,
    외부 서버에 구역 정보를 요청하는 단계; 및
    상기 요청에 따라 상기 구역 정보를 수신하는 단계를 더 포함하고,
    상기 구역 정보는 복수의 구역들 각각의 위치 및 상기 복수의 구역들 각각에 배치된 로봇의 개수를 포함하는
    로봇의 동작 방법.
  14. 제13항에 있어서,
    상기 복수의 구역들 중 로봇의 개수가 가장 적은 구역을 상기 제2 구역으로 결정하는 단계를 더 포함하는
    로봇의 동작 방법.
  15. 제13항에 있어서,
    상기 복수의 구역들 중 로봇의 개수 대비 사용자의 수 간의 비율이 가장 큰 구역을 상기 제2 구역으로 결정하는 단계를 더 포함하는
    로봇의 동작 방법.
KR1020190089847A 2019-06-18 2019-07-24 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법 KR20190094313A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2019/007318 WO2020256169A1 (ko) 2019-06-18 2019-06-18 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WOPCT/KR2019/007318 2019-06-18

Publications (1)

Publication Number Publication Date
KR20190094313A true KR20190094313A (ko) 2019-08-13

Family

ID=67624344

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190089847A KR20190094313A (ko) 2019-06-18 2019-07-24 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법

Country Status (3)

Country Link
US (1) US20210373574A1 (ko)
KR (1) KR20190094313A (ko)
WO (1) WO2020256169A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021040104A1 (ko) * 2019-08-30 2021-03-04 엘지전자 주식회사 로봇
KR102284694B1 (ko) * 2021-02-08 2021-08-03 주식회사 마루에이치알 자율주행로봇을 이용한 안내 서비스 제공 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4616664B2 (ja) * 2005-02-22 2011-01-19 本田技研工業株式会社 ロボット制御装置、ロボット制御方法およびロボット制御プログラム、ならびに移動ロボット
KR101132713B1 (ko) * 2009-09-30 2012-04-06 한국과학기술연구원 이동로봇의 이동 제어장치, 이를 구비하는 이동로봇 시스템 및 이동로봇의 이동 제어방법
KR101193950B1 (ko) * 2010-11-09 2012-10-24 재단법인대구경북과학기술원 군집 로봇 및 그를 위한 대형 구성 방법
KR20180031153A (ko) * 2016-09-19 2018-03-28 엘지전자 주식회사 공항 로봇 및 그와 연결되는 서버의 동작 방법
KR102348041B1 (ko) * 2017-03-28 2022-01-05 엘지전자 주식회사 복수의 이동 로봇을 포함하는 로봇 시스템의 제어 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021040104A1 (ko) * 2019-08-30 2021-03-04 엘지전자 주식회사 로봇
KR102284694B1 (ko) * 2021-02-08 2021-08-03 주식회사 마루에이치알 자율주행로봇을 이용한 안내 서비스 제공 시스템

Also Published As

Publication number Publication date
WO2020256169A1 (ko) 2020-12-24
US20210373574A1 (en) 2021-12-02

Similar Documents

Publication Publication Date Title
US20200019779A1 (en) Robot capable of detecting dangerous situation using artificial intelligence and method of operating the same
KR20190096307A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11383379B2 (en) Artificial intelligence server for controlling plurality of robots and method for the same
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
US10872438B2 (en) Artificial intelligence device capable of being controlled according to user&#39;s gaze and method of operating the same
KR102303785B1 (ko) 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법
US20190377362A1 (en) Artificial intelligence device installed in vehicle and method therefor
KR20190094313A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
KR102231922B1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 인공 지능 서버
KR20190098934A (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
US20190360717A1 (en) Artificial intelligence device capable of automatically checking ventilation situation and method of operating the same
KR20190095193A (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
KR102263159B1 (ko) 로봇의 경로를 결정하는 인공 지능 서버 및 그 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR20190094304A (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20190094312A (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR102259429B1 (ko) 로봇의 배치 구역을 결정하는 인공 지능 서버 및 그 방법
US20210173614A1 (en) Artificial intelligence device and method for operating the same
KR20210073252A (ko) 인공 지능 장치 및 그의 동작 방법
KR20190095194A (ko) 사용자의 동선을 결정하는 인공 지능 장치 및 그 방법
KR20190095195A (ko) 사용자의 동선에 기초한 서비스를 제공하는 인공 지능 장치 및 그 방법

Legal Events

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