KR20190095193A

KR20190095193A - 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법

Info

Publication number: KR20190095193A
Application number: KR1020190090544A
Authority: KR
Inventors: 한종우; 최희연
Original assignee: 엘지전자 주식회사
Priority date: 2019-06-07
Filing date: 2019-07-25
Publication date: 2019-08-14
Also published as: US11507825B2; WO2020246647A1; US20210174187A1

Abstract

본 발명의 실시 예는 인공 지능 시스템의 동작을 관리하는 인공 지능 장치에 있어서, 상기 인공 지능 시스템에 포함된 적어도 하나 이상의 멤버 인공 지능 장치들 각각으로부터 상태 정보를 수신하는 통신부; 상기 적어도 하나 이상의 멤버 인공 지능 장치들 각각에 대한 기기 정보를 저장하는 메모리; 및 사용자의 제어 명령을 획득하면 상기 제어 명령을 수행할 대상 멤버 인공 지능 장치를 결정하고, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는지 여부를 판단하고, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는 경우, 상기 대상 멤버 인공 지능 장치에 상기 제어 명령을 전송하고, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없는 경우, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없다는 응답을 출력하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법 {AN ARTIFICIAL INTELLIGENCE APPARATUS FOR MANAGING OPERATION OF ARTIFICIAL INTELLIGENCE SYSTEM AND METHOD FOR THE SAME}

본 발명은 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법 에 관한 것이다. 구체적으로, 본 발명은 하나의 인공 지능 시스템을 구성하는 인공 지능 장치들의 상태를 파악하고, 인공 지능 장치들의 상태에 기초하여 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법에 관한 것이다.

최근 인공 지능 기능이 탑재된 기기들이 증가하고 있다. 그에 따라, 댁 내에 다양한 인공 지능 장치들을 구비하는 사용자들이 많이 늘어나고 있다. 그러나, 현재의 인공 지능 장치들은 서로 개별적으로 동작할 뿐이며, 서로 유기적으로 동작하는 기능을 제공하고 있지 않다.

그리고, 인공 지능 장치는 인공 지능 서버와 통신을 수행하거나, 네트워크 상태가 좋지 않거나, 전원이 꺼져있거나, 소프트웨어를 업데이트하는 등의 사용자와 상호작용을 하기에 부적합한 상황이 많이 있다. 그러나, 종래에는 인공 지능 장치는 이러한 분주한(busy) 상태 또는 불가용(unavailable) 상태에서 응답이 불가능하거나 지연되어, 사용자의 상호작용이 무시되거나 지연될 수 밖에 없었다.

따라서, 복수의 인공 지능 장치들이 서로 유기적으로 동작하며, 사용자의 상호작용 또는 제어의 대상이 되는 인공 지능 장치가 불가용한 경우에는 다른 인공 지능 장치가 대체하여 작업하거나 피드백을 제공하는 방법이 필요하다.

본 발명은 하나의 인공 지능 시스템을 구성하는 특정 인공 지능 장치가 사용자의 제어 명령을 수행할 수 없는 경우에 대체 처리를 통하여 인공 지능 시스템의 동작을 제어하는 인공 지능 장치 및 그 방법을 제공하고자 한다.

또한, 본 발명은 복수의 인공 지능 장치들을 이용하여 사용자가 높은 만족도를 갖는 응답을 출력하는 인공 지능 장치 및 그 방법을 제공하고자 한다.

본 발명의 일 실시 예는 하나의 인공 지능 시스템을 구성하는 적어도 하나 이상의 인공 지능 장치들로부터 상태 정보를 수집하고, 사용자의 제어 명령을 획득하면 대상 인공 지능 장치를 결정하고, 수집한 상태 정보에 기초하여 대상 인공 지능 장치가 사용자의 제어 명령을 수행할 수 있는 상태인지 판단하고, 제어 명령을 수행할 수 없는 경우에는 대상 인공 지능 장치가 제어 명령을 수행할 수 없다는 응답을 출력하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 발명의 일 실시 예는 대상 인공 지능 장치가 사용자의 제어 명령을 수행할 수 없는 경우에 사용자의 제어 명령을 대신하여 수행할 수 있는 대체 인공 지능 장치를 결정하고, 대체 인공 지능 장치에 제어 명령을 전송할 것인 것 여부를 질의하여 대체 동작을 수행하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 발명의 일 실시 예는 대상 인공 지능 장치가 사용자의 제어 명령을 수행할 수 없는 경우에 해당 대상 인공 지능 장치가 사용자의 제어 명령을 수행할 수 있는 시점에 사용자의 제어 명령을 재전송할 것인지 여부를 질의하여 대체 동작을 수행하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 발명의 일 실시 예는 각 인공 지능 장치에서의 주변 소음 레벨, 사용자까지의 거리, 스피커의 출력 레벨에 기초하여 소리 출력시의 사용자 만족도를 산출하고, 가장 높은 사용자 만족도를 갖는 인공 지능 장치에서 응답을 출력하는 인공 지능 장치 및 그 방법을 제공한다.

본 발명의 다양한 실시 예에 따르면, 복수의 인공 지능 장치들로 구성된 인공 지능 시스템에서 특정 인공 지능 장치가 사용자의 제어 명령을 수행할 수 없는 경우라도 사용자에게 알리거나, 대체 인공 지능 장치가 대신하여 제어를 수행하거나 대상 인공 지능 장치에 제어 명령을 다시 전송함으로써, 인공 지능 시스템의 동작 신뢰성을 담보하고 사용자의 만족도를 높일 수 있다.

또한, 본 발명의 다양한 실시 예에 따르면, 복수의 인공 지능 장치들 중에서 소리를 출력하였을 때 가장 사용자 만족도가 높은 인공 지능 장치에서 응답을 출력함으로써, 인공 지능 장치들과의 상호작용에 대한 사용자의 만족도를 높일 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작을 관리하는 방법을 나타낸 동작 흐름도이다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 예시를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 예시를 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작을 관리하는 방법을 나타낸 동작 흐름도이다.
도 10은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 예시를 나타낸 도면이다.
도 11은 도 6에 도시된 출력 인공 지능 장치를 결정하는 단계(S605)의 일 예를 나타낸 동작 흐름도이다.
도 12는 본 발명의 일 실시 예에 따른 만족도 산출 모델의 학습에 이용되는 학습 데이터의 예시를 나타낸 표이다.
도 13은 본 발명의 일 실시 예에 따른 만족도 산출 모델(1301)의 예시를 나타낸 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<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 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(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. 예컨대, 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 시스템(1)을 나타낸 도면이다.

도 5를 참조하면, 본 발명의 일 실시 예에 따른 AI 시스템(1)은 적어도 하나 이상의 멤버 AI 장치(100'), AI 서버(200) 및 메인 AI 장치(100")를 포함할 수 있다.

멤버 AI 장치(100')와 메인 AI 장치(100")를 통칭하여 AI 장치(100)라 칭할 수 있다.

메인 AI 장치(100")는 AI 시스템(1)에 포함된 멤버 AI 장치들(100')에 관련된 통합 기능을 제공하는 메인 에이전트를 의미한다.

즉, 복수의 AI 장치들(100) 중에서 하나가 메인 에이전트의 역할을 하는 메인 AI 장치(100")로서 기능할 수 있다.

예컨대, 메인 AI 장치(100")는 인공 지능 스피커, 인공 지능 TV, 스마트폰 등으로 구현될 수 있다.

이하에서, 메인 AI 장치(100")는 메인 에이전트, 메인 에이전트로 기능하는 AI 장치(100) 등으로 칭할 수 있다. 그리고, AI 장치(100) 중에서 메인 AI 장치(100")가 아닌 장치들을 서브 AI 장치 또는 멤버 AI 장치(100')라 칭할 수 있다.

멤버 AI 장치(100'), AI 서버(200) 및 메인 AI 장치(100") 중에서 적어도 하나 이상은 서로 유무선 통신 기술을 이용하여 서로 통신할 수 있다.

이때, 각 장치들(100', 100", 200)은 기지국, 라우터 등을 통하여 서로 통신할 수도 있지만, 근거리 통신 기술 등을 이용하여 직접 서로 통신할 수도 있다.

예컨대, 각 장치들(100', 100", 200)은 5G(5^th generation) 통신을 이용하여 기지국을 통하거나 또는 직접 서로 통신할 수 있다.

메인 AI 장치(100")는 동일한 AI 시스템(1) 또는 동일한 그룹에 포함되는 멤버 AI 장치들(100')에 대한 기기 정보를 저장할 수 있다.

기기 정보에는 각 멤버 AI 장치들(100')의 종류, 식별 정보, 모델 정보 등이 포함될 수 있다.

또한, 메인 AI 장치(100")는 동일한 AI 시스템(1) 또는 동일한 그룹에 포함되는 멤버 AI 장치들(100')에 대한 기기 위치 정보 또는 각 멤버 AI 장치들(100') 사이의 상대적 위치 정보를 저장할 수 있다.

멤버 AI 장치들(100')에 대한 기기 위치 정보 또는 상대적 위치 정보는 AI 장치들(100)을 그룹화하는데 이용될 수 있다.

여기서, 그룹은 AI 시스템(1)을 자체를 의미할 수도 있고, AI 시스템(1) 내부에서 AI 장치들(100)을 구분하는 AI 시스템(1)보다 작은 단위를 의미할 수도 있다.

예컨대, 메인 AI 장치(100")는 동일한 AI 시스템(1)을 구성하는 적어도 하나 이상의 AI 장치들(100)을 각 기기간 상대적 위치 정보에 기초하여 적어도 하나 이상의 그룹들로 구분할 수 있다. 보다 구체적으로, 메인 AI 장치(100")는 동일한 공간에 위치하는 AI 장치들(100)을 하나의 그룹으로 구성할 수 있다.

또는, 메인 AI 장치(100")는 사용자 입력에 의하여 AI 시스템(1)을 구성하는 적어도 하나 이상의 AI 장치들(100)을 적어도 하나 이상의 그룹들로 구분할 수 있다.

도 5에서는 메인 AI 장치(100")가 멤버 AI 장치(100')의 메인 에이전트로서 기능하도록 구성된 AI 시스템(1)을 도시하고 있으나, 본 발명은 이에 한정되지 않고 각 AI 장치들(100)이 메인 AI 장치(100")나 멤버 AI 장치(100')로 구분되지 않고 모든 기능을 수행하도록 구성될 수도 있다.

도 6은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작을 관리하는 방법을 나타낸 동작 흐름도이다.

도 6을 참조하면, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 동일한 그룹의 적어도 하나 이상의 멤버 인공 지능 장치(100')로부터 동작 상태 정보 및 통신 상태 정보를 수신한다(S601).

동작 상태 정보는 해당 멤버 인공 지능 장치(100')의 동작 상태를 나타내며, 정상 동작 여부, 고장 여부, 전원 상태 정보, 소프트웨어 업데이트 여부 또는 동작 정보 등이 포함될 수 있다.

예컨대, 로봇 청소기의 동작 상태 정보에는 전원이 ON이고, 정상 동작 중이며, 빠른 청소 모드로 거실을 청소 중이라는 내용 등이 포함될 수 있다.

통신 상태 정보는 해당 멤버 인공 지능 장치(100') 통신 상태를 나타내며, 통신 가능 여부, 통신 품질/안정성 상태, 인공 지능 서버(200)와의 통신 여부 또는 데이터 송수신 내용 등이 포함될 수 있다.

데이터 송수신 내용에는 로그 송수신, 소프트웨어 데이터 송수신, 펌웨어(firmware) 데이터 송수신 등이 포함될 수 있다.

나아가, 메인 인공 지능 장치(100")는 적어도 하나 이상의 멤버 인공 지능 장치(100')로부터 로그를 수신할 수 있다.

로그는 동작 상태나 동작에 따른 결과 등에 대한 기록 등을 포함할 수 있다.

이에 따라, 메인 인공 지능 장치(100")는 동일한 그룹에 포함된 멤버 인공 지능 장치들(100') 각각의 상태를 파악할 수 있다.

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 제1 멤버 인공 지능 장치로부터 대상 멤버 인공 지능 장치에 대한 사용자의 제어 명령을 수신한다(S603).

통상적으로 대상 멤버 인공 지능 장치는 제1 멤버 인공 지능 장치와 상이한 경우가 많을 것이나, 대상 멤버 인공 지능 장치가 제1 멤버 인공 지능 장치와 동일한 경우가 존재할 수도 있다.

이때, 대상 멤버 인공 지능 장치는 사용자의 발화 음성 또는 사용자의 제어 명령에서 획득하는 의도 정보 또는 각 인공 지능 장치(100)의 기기 정보 중에서 적어도 하나에 기초하여 결정될 수 있다.

즉, 제어 명령에 대상 장치가 특정된 경우에는, 메인 인공 지능 장치(100")는 해당 멤버 인공 지능 장치를 대상 멤버 인공 지능 장치로 결정할 수 있다.

또는, 제어 명령에 대상 장치가 특정되지는 않더라도 특정 동작을 수행하는 내용이 포함되어 있는 경우, 메인 인공 지능 장치(100")는 멤버 인공 지능 장치들(100')의 기기 정보에 비추어 해당 동작을 수행할 수 있는 기기를 특정할 수 있고, 해당 멤버 인공 지능 장치를 대상 멤버 인공 지능 장치로 결정할 수 있다.

만약, 제1 멤버 인공 지능 장치가 자신에 대한 사용자의 제어 명령을 획득하고, 제1 멤버 인공 지능 장치가 스스로 사용자의 제어 명령을 수행할 수 있는 상태인 경우라면, 제1 멤버 인공 지능 장치가 메인 인공 지능 장치에 획득한 사용자의 제어 명령을 송신하지 않고 직접 사용자의 제어 명령에 따른 응답을 제공할 수 있다.

그러나, 제1 멤버 인공 지능 장치가 자신에 대한 사용자의 제어 명령을 획득하더라도, 해당 제어 명령을 수행할 수 없는 상태(예컨대, 세탁기가 세탁 중인 상황에서 사용자가 해당 세탁기에 다른 세탁 작업을 요청하는 경우)라면, 제1 멤버 인공 지능 장치가 메인 인공 지능 장치에 획득한 사용자의 제어 명령을 송신할 수 있다.

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치를 결정한다(S605).

메인 인공 지능 장치(100")의 프로세서(180)는 메인 인공 지능 장치(100") 또는 각 멤버 인공 지능 장치들(100') 중에서 출력 인공 지능 장치를 결정할 수도 있다. 즉, 메인 인공 지능 장치(100")도 출력 인공 지능 장치로 결정될 수 있다.

나아가, 사용자의 스마트폰 등의 단말기도 출력 인공 지능 장치로 결정될 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치를 사용자의 제어 명령을 획득한 제1 인공 지능 장치로 결정할 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치를 사용자의 제어 명령을 수행하는 멤버 인공 지능 장치로 결정할 수 있다. 사용자의 제어 명령을 수행하는 인공 지능 장치는 대상 멤버 인공 지능 장치뿐만 아니라, 후술하는 대체 멤버 인공 지능 장치가 포함될 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 사용자가 설정한 선호 기기가 존재하는 경우, 사용자가 설정한 선호 기기를 출력 인공 지능 장치로 결정할 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘으로 학습된 출력 장치 결정 모델을 이용하여, 상기 사용자에게 가장 높은 만족도의 출력을 제공할 수 있는 인공 지능 장치(100)를 판단하여 출력 인공 지능 장치를 결정할 수 있다.

출력 장치 결정 모델은 학습 데이터를 이용하여 학습되며, 각 학습 데이터는 입력 특징점으로 주변 소음레벨, 사용자까지의 거리, 스피커의 출력 레벨 등을 포함하며, 라벨 데이터로써 사용자 만족도를 포함할 수 있다.

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 있는지 판단한다(S607).

여기서, 메인 인공 지능 장치(100")의 프로세서(180)는 대상 멤버 인공 지능 장치와 통신이 가능한지, 전원이 켜져 있는지, 사용자의 제어 명령을 수행할 수 있는지 여부 등을 판단할 수 있다.

구체적으로, 메인 인공 지능 장치(100")의 프로세서(180)는 대상 멤버 인공 지능 장치의 전원 공급 상태, 동작 상태, 소프트웨어 업데이트 상태, 데이터 전송 상태 또는 네트워크 상태 중에서 적어도 하나 이상에 기초하여 대상 멤버 인공 지능 장치가 사용자의 제어 명령을 수행할 수 있는지 여부를 판단할 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 사용자의 제어 명령을 수행할 수 있는지 여부를 사용자의 제어 명령을 수행할 수 있는 기능이 있는지 또는 사용자의 제어 명령을 수행할 수 있는 기능은 갖고 있지만 다른 동작으로 인하여 점유 중인지(occupied)인지 여부 등으로 판단할 수 있다.

단계(S607)의 판단 결과, 대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 있는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 상기 사용자의 제어 명령을 대상 멤버 인공 지능 장치에 전송한다(S609).

대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 있는 경우라면, 대상 멤버 인공 지능 장치에 상기 사용자의 제어 명령을 전송함으로써 직접 사용자의 제어 명령을 처리할 수 있도록 한다.

여기서, 대상 멤버 인공 지능 장치가 제1 멤버 인공 지능 장치와 다르고 사용자의 제어 명령을 수행할 수 있는 경우는, 사용자가 대상 멤버 인공 지능 장치와 멀리 떨어져 있는 상태에서 제1 멤버 인공 지능 장치를 통해 대상 멤버 인공 지능 장치에 대한 제어 명령을 입력한 경우를 고려해볼 수 있다.

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 출력 인공 지능 장치에 제어 명령의 수행 결과에 대한 출력 신호를 전송한다(S611).

메인 인공 지능 장치(100")는 출력 인공 지능 장치에서 제어 명령의 수행 결과를 출력할 수 있도록, 출력 인공 지능 장치에 제어 명령의 수행 결과에 대한 출력 신호를 전송할 수 있다. 그리고, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 사용자의 제어 명령의 수행 결과를 출력할 수 있다.

이는, 비록 대상 멤버 인공 지능 장치가 사용자의 제어 명령을 수행할 수 있는 상황이긴 하지만 사용자의 제어 명령이 제1 멤버 인공 지능 장치를 통하여 획득되었으므로, 대상 멤버 인공 지능 장치보다는 다른 인공 지능 장치가 사용자에게 출력하기에 적합할 수 있기 때문이다.

단계(S607)의 판단 결과, 대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 없는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 상기 사용자의 제어 명령을 수행할 수 있는 대체 멤버 인공 지능 장치가 존재하는지 판단한다(S613).

예컨대, 사용자가 세탁을 위한 제어 명령을 입력하였지만, 세탁기가 전원이 꺼져있거나, 세탁기가 소프트웨어 또는 펌웨어를 업데이트 중이거나, 이미 세탁 중인 경우와 같이 사용자의 제어 명령을 수행하기 부적합한 경우에, 메인 인공 지능 장치(100")는 동일한 그룹에 속한 멤버 인공 지능 장치들(100') 중에서 대신 세탁할 수 있는 대체 멤버 인공 지능 장치로서 다른 세탁기나 의류 관리기 등이 존재하는지 판단할 수 있다.

단계(S613)의 판단 결과, 대체 멤버 인공 지능 장치가 존재하는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치에 대체 멤버 인공 지능 장치에 대한 출력 신호를 전송한다(S615).

메인 인공 지능 장치(100")는 출력 인공 지능 장치에서 대체 멤버 인공 지능 장치가 존재한다는 내용을 출력할 수 있도록, 출력 인공 지능 장치에 대체 멤버 인공 지능 장치에 대한 출력 신호를 전송할 수 있다. 그리고, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 대체 멤버 인공 지능 장치에 대한 정보를 출력할 수 있다.

이때, 출력 인공 지능 장치는 사용자의 제어 명령에 대한 대상 멤버 인공 지능 장치가 어떠한 이유로 현재 명령을 수행할 수 없는 지와, 사용자의 제어 명령을 대신하여 수행할 수 있는 대체 멤버 인공 지능 장치가 무엇이며, 대체 멤버 인공 지능 장치를 통해 사용자의 제어 명령을 대신 수행케 할 것인지 여부를 출력할 수 있다.

이후에는, 만약 사용자가 대체 멤버 인공 지능 장치를 통해 제어 명령을 대신 수행하도록 응답한 경우에는, 대체 멤버 인공 지능 장치가 사용자의 제어 명령을 수행하도록 할 수 있다. 반면, 사용자가 대체 멤버 인공 지능 장치를 통해 제어 명령을 대신 수행하지 않도록 응답하거나, 응답 자체를 하지 않은 경우에는, 사용자의 제어 명령을 수행하지 않을 수 있다.

단계(S613)의 판단 결과, 대체 멤버 인공 지능 장치가 존재하지 않는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치에 제어 명령을 수행할 수 없다는 응답을 출력하는 출력 신호를 전송한다(S617).

메인 인공 지능 장치(100")는 출력 인공 지능 장치에서 대상 멤버 인공 지능 장치에서 사용자의 제어 명령을 수행할 수 없다는 내용의 응답을 출력할 수 있도록, 출력 인공 지능 장치에 제어 명령을 수행할 수 없다는 응답을 출력하는 출력 신호를 전송할 수 있다. 그리고, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 사용자의 제어 명령을 수행할 수 없다는 내용을 출력할 수 있다.

이때, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 사용자의 제어 명령에 대한 대상 멤버 인공 지능 장치가 어떠한 이유로 현재 명령을 수행할 수 없는 지와, 현재 사용자의 제어 명령을 수행할 수 없는 상황임을 알리는 알림을 출력할 수 있다.

이때, 출력 인공 지능 장치는 사용자의 사용자의 제어 명령을 대신하여 수행할 수 있는 대체 멤버 인공 지능 장치도 존재하지 않음을 알리는 알림을 출력할 수 있다.

도 7은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 예시를 나타낸 도면이다.

도 7에 도시된 인공 지능 시스템(701)에는 1개의 메인 인공 지능 장치(721)와 5개의 멤버 인공 지능 장치들(711 내지 715)이 포함되어 있다.

도 7을 참조하면, 메인 인공 지능 장치(721)는 인공 지능 기능을 구비한 인공 지능 스피커로 구성될 수 있고, 각 멤버 인공 지능 장치들(711 내지 715)은 인공 지능 기능을 구비한 공기 청정기(711), 로봇 청소기(712), 의류 관리기(713), 세탁기(714) 또는 냉장고(715) 등으로 구성될 수 있다.

메인 인공 지능 장치(721)는 각 멤버 인공 지능 장치들(711 내지 715)의 동작 상태 정보와 통신 상태 정보를 수신하고, 그에 따라 각 멤버 인공 지능 장치들(711 내지 715)의 상태를 파악할 수 있다.

즉, 메인 인공 지능 장치(721)는 공기 청정기(711)가 터보 모드가 켜져있으며, 인공 지능 서버로부터 펌웨어 데이터를 수신 중임을 파악할 수 있다.

또한, 메인 인공 지능 장치(721)는 로봇 청소기(712)가 전원이 꺼져있음을 파악할 수 있다.

또한, 메인 인공 지능 장치(721)는 의류 관리기(713)가 동작 중이지 않으며(또는, 대기 상태이며), 인공 지능 서버와 통신 중이지 않음을 파악할 수 있다.

또한, 메인 인공 지능 장치(721)는 세탁기(714)가 세탁 중이며, 인공 지능 서버와 통신 중이지 않음을 파악할 수 있다.

또한, 메인 인공 지능 장치(721)는 냉장고(715)가 일반 모드로 동작 중이며, 인공 지능 서버에 로그 데이터를 전송 중이라는 것을 파악할 수 있다.

도 8은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 예시를 나타낸 도면이다.

도 8에 도시된 인공 지능 시스템(801)에는 1개의 메인 인공 지능 장치(821)와 5개의 멤버 인공 지능 장치들(811 내지 815)이 포함되어 있다.

도 8을 참조하면, 메인 인공 지능 장치(821)는 인공 지능 기능을 구비한 인공 지능 스피커로 구성될 수 있고, 각 멤버 인공 지능 장치들(811 내지 815)은 인공 지능 기능을 구비한 공기 청정기(811), 로봇 청소기(812), 의류 관리기(813), 세탁기(814) 또는 냉장고(815) 등으로 구성될 수 있다.

사용자(831)가 냉장고(815) 근처에서 음성으로 "LG 트롬?, 세탁해 줘"(841)과 같이 발화한 경우, 냉장고(815)는 직접 또는 인공 지능 서버를 통해 사용자(831)의 발화 음성(841)으로부터 세탁을 수행하는 제어 명령을 생성할 수 있다. 그리고, 냉장고(815)는 생성된 제어 명령을 메인 인공 지능 장치인 인공 지능 스피커(821)에 전송한다.

인공 지능 스피커(821)는 메인 인공 지능 장치로 각 멤버 인공 지능 장치들(811 내지 815)의 상태를 파악하고 있으며, 그에 따라 세탁기(814)가 현재 세탁 중이며, 의류 관리기(813)이 대기 상태임을 파악할 수 있다. 그리고, 인공 지능 스피커(821)는 세탁기(814)가 현재로서는 사용자의 제어 명령을 수행할 수 없음을 파악할 수 있다. 그리고, 인공 지능 스피커(821)는 의류 관리기(813)가 세탁기(814)를 대신하여 사용자의 제어 명령을 수행할 수 있는 것으로 판단할 수 있다.

도 8에서 인공 지능 스피커(821)는 세탁기(814)가 이미 세탁 중이어서 사용자의 제어 명령을 수행할 수 없는 것으로 판단하고 있지만, 세탁기(814)가 소프트웨어/펌웨어 업그레이드 중이거나, 통신 상태가 불안정하거나, 고장이 난 상황에 대하여도 인공 지능 스피커(821)는 세탁기(814)가 사용자의 제어 명령을 수행할 수 없는 것으로 판단할 수 있다.

그리고, 인공 지능 스피커(821)는 냉장고(814)가 제어 명령을 수행할 수 없는 상태이며, 의류 관리기(813)를 통해 제어 명령을 대신 수행할 수 있음을 알리는 출력을 출력 신호를 생성하여 출력 인공 지능 장치로 전송할 수 있다. 도 8의 예시에서는, 출력 인공 지능 장치가 냉장고(815)이다.

그리고, 출력 인공 지능 장치로서의 냉장고(815)는 수신한 출력 신호에 기초하여 "LG 트롬?이 이미 세탁 중입니다. LG 스타일러?에서 대신 세탁할까요?"(842)라는 내용의 음성 또는 화상 메시지 등을 출력할 수 있다.

도 9는 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작을 관리하는 방법을 나타낸 동작 흐름도이다.

도 9를 참조하면, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 동일한 그룹의 적어도 하나 이상의 멤버 인공 지능 장치(100')로부터 동작 상태 정보 및 통신 상태 정보를 수신한다(S901).

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 제1 멤버 인공 지능 장치로부터 대상 멤버 인공 지능 장치에 대한 사용자의 제어 명령을 수신한다(S903).

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치를 결정한다(S905).

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 있는지 판단한다(S907).

단계(S907)의 판단 결과, 대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 있는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 상기 사용자의 제어 명령을 대상 멤버 인공 지능 장치에 전송한다(S909).

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 통신부(110)를 통해 출력 인공 지능 장치에 제어 명령의 수행 결과에 대한 출력 신호를 전송한다(S911).

단계(S907)의 판단 결과, 대상 멤버 인공 지능 장치가 상기 사용자의 제어 명령을 수행할 수 없는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 출력 인공 지능 장치에 제어 명령의 재전송 여부를 묻는 출력 신호를 전송한다(S913).

메인 인공 지능 장치(100")는 출력 인공 지능 장치에서 대상 멤버 인공 지능 장치가 사용자의 제어 명령을 수행할 수 없으며, 대상 멤버 인공 지능 장치를 가용할 수 있는 시점에 제어 명령을 재전송할 것인지 여부를 물어보는 메시지를 출력할 수 있도록, 출력 인공 지능 장치에 출력 신호를 전송할 수 있다. 그리고, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 사용자의 제어 명령을 수행할 수 없으며, 제어 명령의 재전송 여부를 물어보는 내용을 출력할 수 있다.

즉, 메인 인공 지능 장치(100")는 대상 멤버 인공 지능 장치가 현재는 사용자의 제어 명령을 수행할 수 없지만, 차후 사용자의 제어 명령을 수행할 수 있을 것으로 판단되는 경우에는, 대상 멤버 인공 지능 장치가 추후에 사용자의 제어 명령을 수행할 수 있다는 내용의 출력 신호를 출력 인공 지능 장치에 전송할 수도 있다.

이때, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 대상 멤버 인공 지능 장치가 현재는 제어 명령을 수행할 수 없으나 추후에 제어 명령을 수행할 수 있다는 내용을 출력할 수 있다.

이때, 출력 인공 지능 장치는 수신한 출력 신호에 기초하여 대상 멤버 인공 지능 장치가 추후에 제어 명령을 수행할 수 있는 상태가 되면 대상 멤버 인공 지능 장치에 제어 명령을 다시 전송할지 여부를 묻는 내용을 출력할 수 있다.

만약, 사용자가 대상 멤버 인공 지능 장치가 제어 명령을 수행할 수 있는 상태가 되면 제어 명령을 다시 전송하라는 응답을 한 경우, 출력 인공 지능 장치 또는 제1 멤버 인공 지능 장치는 사용자의 응답을 메인 인공 지능 장치(100")에 전송하고, 메인 인공 지능 장치(100")는 대상 멤버 인공 지능 장치가 제어 명령을 수행할 수 있는 상태가 되면 해당 제어 명령을 대상 멤버 인공 지능 장치로 전송할 수 있다.

도 10은 본 발명의 일 실시 예에 따른 인공 지능 시스템의 예시를 나타낸 도면이다.

도 10에 도시된 인공 지능 시스템(1001)에는 1개의 메인 인공 지능 장치(1021)와 5개의 멤버 인공 지능 장치들(1011 내지 1015)이 포함되어 있다.

도 10을 참조하면, 메인 인공 지능 장치(1021)는 인공 지능 기능을 구비한 인공 지능 스피커로 구성될 수 있고, 각 멤버 인공 지능 장치들(1011 내지 1015)은 인공 지능 기능을 구비한 공기 청정기(1011), 로봇 청소기(1012), 의류 관리기(1013), 세탁기(1014) 또는 냉장고(1015) 등으로 구성될 수 있다.

사용자(1031)가 냉장고(1015) 근처에서 음성으로 "LG 트롬?, 세탁해 줘"(1041)과 같이 발화한 경우, 냉장고(1015)는 직접 또는 인공 지능 서버를 통해 사용자(1031)의 발화 음성(1041)으로부터 세탁을 수행하는 제어 명령을 생성할 수 있다. 그리고, 냉장고(1015)는 생성된 제어 명령을 메인 인공 지능 장치인 인공 지능 스피커(1021)에 전송한다.

인공 지능 스피커(1021)는 메인 인공 지능 장치로 각 멤버 인공 지능 장치들(1011 내지 1015)의 상태를 파악하고 있으며, 그에 따라 세탁기(1014)가 소프트웨어 업데이트 중 또는 다른 사용자와 대화 중임을 파악할 수 있다. 그리고, 인공 지능 스피커(1021)는 세탁기(1014)가 현재로서는 사용자의 제어 명령을 수행할 수 없음을 파악할 수 있다.

그리고, 인공 지능 스피커(1021)는 냉장고(1014)가 제어 명령을 수행할 수 없는 상태이며, 이후에 다시 시도할 것을 요청하는 출력 또는 냉장고(1014)가 사용자의 제어 명령을 수행할 수 있을 시점에 사용자의 메시지를 전달할 것인지 여부를 물어보는 출력을 생성하는 출력 신호를 출력 인공 지능 장치로 전송할 수 있다. 도 10의 예시에서는, 출력 인공 지능 장치가 냉장고(1015)이다.

그리고, 출력 인공 지능 장치로서의 냉장고(1015)는 수신한 출력 신호에 기초하여 "LG 트롬TM이 소프트웨어 업데이트 중입니다. 잠시 후에 다시 시도 해주세요."(1042) 또는 "LG 트롬TM이 다른 사용자와 대화 중입니다. 대화가 끝난 후에 메시지를 전달할까요?"라는 내용의 음성 또는 화상 메시지 등을 출력할 수 있다.

도 11은 도 6에 도시된 출력 인공 지능 장치를 결정하는 단계(S605)의 일 예를 나타낸 동작 흐름도이다.

도 11을 참조하면, 메인 인공 지능 장치(100")의 프로세서(180)는 사용자가 설정한 사용자 선호 기기가 존재하는지 판단한다(S1101).

여기서, 사용자 선호 기기는 사용자가 선호하는 출력 인공 지능 장치를 의미할 수 있다.

단계(S1101)의 판단 결과, 사용자가 설정한 사용자 선호의 출력 인공 지능 장치가 존재하는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 사용자 선호 기기를 출력 인공 지능 장치로 결정한다(S1103).

단계(S1101)의 판단 결과, 사용자가 설정한 사용자 선호의 출력 인공 지능 장치가 존재하지 않는 경우, 메인 인공 지능 장치(100")의 프로세서(180)는 각 인공 지능 장치들(100)에서의 소음 레벨을 수집한다(S1105).

여기서, 출력 인공 지능 장치에는 메인 인공 지능 장치(100")도 포함될 수 있으므로, 멤버 인공 지능 장치들(100')뿐만 아니라 메인 인공 지능 장치(100")도 소음 레벨을 수집할 수 있다.

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 각 인공 지능 장치들(100)에서 수집한 사용자의 발화 음성에 상응하는 음성 신호의 강도에 기초하여, 각 인공 지능 장치들(100)로부터 사용자까지의 거리를 계산한다(S1107).

각 인공 지능 장치들(100)에서 수집한 사용자의 발화 음성에 상응하는 음성 신호의 강도를 이용하면 사용자의 위치를 결정할 수 있고, 그에 따라 각 인공 지능 장치들(100)로부터 사용자까지의 거리를 계산할 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 음성 신호의 강도에 기초한 삼각 측량을 통해 사용자의 위치를 결정할 수 있다.

그리고, 메인 인공 지능 장치(100")의 프로세서(180)는 각 인공 지능 장치들(100) 중에서 소리 출력시 가장 높은 만족도를 제공할 것으로 예측되는 것을 출력 인공 지능 장치로 선택한다(S1109).

메인 인공 지능 장치(100")의 프로세서(180)는 각 인공 지능 장치들(100)에서의 소음 레벨, 사용자까지의 거리 및 스피커 출력 레벨에 기초하여 각 인공 지능 장치들(100)에서 소리 출력시의 사용자 만족도를 산출하고, 산출한 사용자 만족도가 가장 높은 인공 지능 장치를 출력 인공 지능 장치로 선택할 수 있다.

여기서, 사용자 만족도는 미리 정해진 범위의 값으로 산출될 수 있다.

예컨대, 사용자 만족도는 0부터 1사이의 실수로 결정될 수도 있고, 0부터 100 사이의 실수로 결정될 수도 있으며, 본 발명이 이에 한정되지는 않는다.

스피커 출력 레벨은 각 인공 지능 장치(100)에 탑재된 스피커의 출력 레벨을 의미한다.

이때, 스피커 출력 레벨은 별도의 볼륨 설정 값이 없다면 스피커의 최대 출력 값을 의미하고, 별도의 볼륨 설정 값이 존재한다면 볼륨 설정 값에 상응하는 스피커의 출력 값을 의미할 수 있다.

이때, 메인 인공 지능 장치(100")의 프로세서(180)는 만족도 산출 모델을 이용하여 각 인공 지능 장치(100)에서의 사용자 만족도를 산출할 수 있다.

만족도 산출 모델은 주변 소음 레벨, 사용자까지의 거리 및 스피커 출력 레벨에 기초하여 사용자 만족도를 산출하는 모델을 의미할 수 있다.

이때, 만족도 산출 모델은 머신 러닝 알고리즘 또는 딥 러닝 알고리즘에 기초 학습되어, 주변 소음 레벨, 사용자까지의 거리 및 스피커 출력 레벨이 입력되었을 때 사용자 만족도를 산출하여 출력할 수 있다.

예컨대, 만족도 산출 모델은 머신 러닝 알고리즘에 기초하여 학습된 회귀 분석 모델(regression analysis model)일 수도 있다. 또는, 만족도 산출 모델은 인공 신경망으로 구성되고, 딥 러닝 알고리즘에 기초하여 학습될 수도 있다.

만족도 산출 모델의 학습에 이용되는 학습 데이터는 입력 특징점들로써 주변 소음 레벨, 사용자까지의 거리 및 스피커 출력 레벨을 포함하며, 사용자 만족도가 라벨링된다.

즉, 만족도 산출 모델은 지도 학습에 기초하여 학습될 수 있다.

이때, 만족도 산출 모델은 인공 지능 장치(100)의 러닝 프로세서(130) 또는 인공 지능 서버(200)의 러닝 프로세서(240)에서 학습될 수 있다.

그리고, 메인 인공 지능 장치(100")는 학습된 만족도 산출 모델을 직접 메모리(170)에 저장하고, 저장된 만족도 산출 모델을 이용하여 각 인공 지능 기기들(100)에서의 사용자 만족도를 산출할 수도 있지만, 인공 지능 서버(200)의 메모리(230) 또는 모델 저장부(231)에 저장된 만족도 산출 모델을 이용하여 각 인공 지능 기기들(100)에서의 각 사용자 만족도를 산출할 수도 있다.

메인 인공 지능 장치(100")는 각 인공 지능 장치들(100)로부터 사용자의 응답으로부터 사용자 만족도를 수집할 수 있으며, 수집한 사용자 만족도를 기초로 갱신용 학습 데이터를 생성할 수 있다.

생성된 갱신용 학습 데이터는 만족도 산출 모델을 재학습 또는 갱신하는데 이용될 수 있다.

사용자 만족도는 인공 지능 장치(100)가 사용자에게 출력을 제공하였을 때, 사용자로부터 명시적으로 만족도 점수를 물어보고 그에 대한 응답을 수집함으로써 획득할 수도 있지만, 사용자의 행동을 기초로 암시적으로 만족도를 추정하여 획득할 수도 있다.

예컨대, 메인 인공 지능 장치(100")는 사용자에게 "이 기기의 응답에 만족하시나요?" 또는 "만족도를 평가해주세요." 등의 응답을 요청하여 사용자가 만족도를 입력하도록 유도하고, 그에 따라 사용자 만족도를 명시적으로 획득할 수 있다.

예컨대, 메인 인공 지능 장치(100")는 사용자가 다른 기기(다른 인공 지능 장치)에서 다시 질문하거나, 사용자의 이용 패턴에 변화가 생기거나, 사용자가 부정적인 반응을 보인 경우와 같이, 사용자가 현재의 출력에 만족하지 못하는 것으로 판단할 만한 행동을 감지하는 경우, 사용자 만족도를 일정 수준 낮출 수 있다.

반면, 메인 인공 지능 장치(100")는 상술한 사용자가 현재의 출력에 만족하지 못하는 것으로 판단할 만한 행동을 보이지 않거나 긍정적인 반응을 보이는 경우와 같이, 사용자가 현재의 출력에 만족하는 것으로 판단할 만한 행동을 감지하는 경우, 사용자의 만족도를 그대로 유지하거나 일정 수준 이상 높일 수 있다.

이때, 만족도 산출 모델은 모든 인공 지능 장치들(100)을 통괄하는 하나만 학습될 수도 있고, 각 인공 지능 장치들(100)마다 하나씩 구분되어 학습될 수도 있다.

특히, 메인 인공 지능 장치(100")는 특정 인공 지능 장치(100)의 사용자 만족도가 일관적으로 높은 것으로 판단되는 경우, 사용자에게 해당 인공 지능 장치(100)를 사용자 선호 기기로 설정할 것인지 물어보는 출력 신호를 생성하고, 해당 인공 지능 장치(100)를 통해 제공할 수 있다.

도 12는 본 발명의 일 실시 예에 따른 만족도 산출 모델의 학습에 이용되는 학습 데이터의 예시를 나타낸 표이다.

도 12를 참조하면, 만족도 산출 모델의 학습에 이용되는 학습 데이터는 입력 특징으로써 주변 소음, 사용자까지의 거리 및 스피커 출력 레벨을 포함하고, 사용자 만족도가 라벨링되어 있다.

각 학습 데이터는 (주변 소음 레벨, 사용자까지의 거리, 스피커 출력 레벨, 라벨링된 사용자 만족도)로 구성될 수 있다.

예컨대, 학습 데이터 1은 (10, 10, 30, 80), 학습 데이터 2는 (5, 5, 30, 100), 학습 데이터 3은 (20, 5, 30, 75), 학습 데이터 4는 (15, 15, 30, 50)일 수 있으며, 그 이외의 더 많은 학습 데이터가 만족도 산출 모델을 학습하는데 이용될 수 있다.

그리고, 상기한 예시에서, 만족도 산출 모델은 특정 인공 지능 장치(100)에서 수집된 소음 레벨이 12dB, 사용자까지의 거리가 13m이고, 스피커 출력 레벨이 30dB인 경우, 해당 인공 지능 장치(100)에서 소리를 출력했을 경우의 사용자 만족도를 76.5로 산출할 수 있다.

도 13은 본 발명의 일 실시 예에 따른 만족도 산출 모델(1301)의 예시를 나타낸 도면이다.

도 13을 참조하면, 본 발명의 일 실시 예에 따른 만족도 산출 모델(1301)은 인공 신경망으로 구성될 수 있다.

그리고, 입력 특징점들 또는 입력 특징 벡터에는 주변 소음 레벨, 사용자까지의 거리, 스피커 출력 레벨이 포함될 수 있다. 즉, 제1 입력 노드(1311)에는 주변 소음 레벨이, 제2 입력 노드(1312)에는 사용자까지의 거리가, 그리고 제3 입력 노드(1313)에는 스피커 출력 레벨이 입력될 수 있다.

여기서, 각 입력 노드들(1311, 1312, 1313)의 순서는 서로 변경될 수 있다.

그리고, 출력 특징점 또는 출력 특징 벡터에는 사용자 만족도가 포함될 수 있다. 즉, 출력 노드(1321)에서 사용자 만족도가 출력될 수 있다.

도 13에 도시된 인공 신경망의 구조는 예시에 불과하며, 은닉층의 개수나 각 은닉층 내부의 노드 개수나, 노드 사이의 연결 관계가 다양하게 변경될 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.

Claims

인공 지능 시스템의 동작을 관리하는 인공 지능 장치에 있어서,
상기 인공 지능 시스템에 포함된 적어도 하나 이상의 멤버 인공 지능 장치들 각각으로부터 상태 정보를 수신하는 통신부;
상기 적어도 하나 이상의 멤버 인공 지능 장치들 각각에 대한 기기 정보를 저장하는 메모리; 및
사용자의 제어 명령을 획득하면 상기 제어 명령을 수행할 대상 멤버 인공 지능 장치를 결정하고, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는지 여부를 판단하고, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는 경우, 상기 대상 멤버 인공 지능 장치에 상기 제어 명령을 전송하고, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없는 경우, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없다는 응답을 출력하는 프로세서
를 포함하는, 인공 지능 장치.
청구항 1에 있어서,
상기 프로세서는
상기 제어 명령 또는 상기 기기 정보 중 적어도 하나에 기초하여 상기 대상 멤버 인공 지능 장치를 결정하는, 인공 지능 장치.
청구항 2에 있어서,
상기 프로세서는
상기 상태 정보에 기초하여 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는지 여부를 판단하고,
상기 상태 정보는
상기 적어도 하나 이상의 멤버 인공 지능 장치들 각각에 대한 동작 상태 정보 또는 통신 상태 정보 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
청구항 3에 있어서,
상기 프로세서는
상기 대상 멤버 인공 지능 장치의 전원 공급 상태, 동작 상태, 소프트웨어 업데이트 상태, 데이터 전송 상태 또는 네트워크 상태 중에서 적어도 하나 이상에 기초하여 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는지 여부를 판단하는, 인공 지능 장치.
청구항 4에 있어서,
상기 프로세서는
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없는 경우, 상기 적어도 하나 이상의 멤버 인공 지능 장치들 중에서 상기 제어 명령을 대신하여 수행할 수 있는 대체 멤버 인공 지능 장치가 있는지 판단하고,
상기 대체 멤버 인공 지능 장치가 존재하는 경우에 상기 대체 멤버 인공 지능 장치를 통해 상기 제어 명령을 대신 수행할 것인지 여부를 질의하는 응답을 출력하는, 인공 지능 장치.
청구항 4에 있어서,
상기 프로세서는
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없는 경우, 상기 대상 멤버 인공 지능 장치에 대하여 상기 제어 명령을 재전송할 것인지 여부를 질의하는 응답을 출력하는, 인공 지능 장치.
청구항 6에 있어서,
상기 프로세서는
상기 사용자가 상기 제어 명령을 재전송하도록 응답한 경우, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는 시점이 도래하면 상기 제어 명령을 상기 대상 멤버 인공 지능 장치에 전송하는, 인공 지능 장치.
청구항 1에 있어서,
상기 프로세서는
상기 제어 명령을 획득하면 상기 적어도 하나 이상의 멤버 인공 지능 장치들 또는 상기 인공 지능 장치 중에서 출력 인공 지능 장치를 결정하고, 상기 출력 인공 지능 장치를 통해 상기 응답을 출력하는, 인공 지능 장치.
청구항 8에 있어서,
상기 프로세서는
만족도 산출 모델을 이용하여 상기 적어도 하나 이상의 멤버 인공 지능 장치들과 상기 인공 지능 장치 각각에서 상기 응답을 소리로 출력하였을 때의 사용자 만족도를 산출하고,
상기 산출된 사용자 만족도가 가장 높은 인공 지능 장치를 상기 출력 인공 지능 장치로 결정하는, 인공 지능 장치.
청구항 9에 있어서,
상기 만족도 산출 모델은
상기 적어도 하나 이상의 멤버 인공 지능 장치들과 상기 인공 지능 장치 각각에 대한 주변 노이즈 레벨, 상기 사용자까지의 거리 및 스피커 출력 레벨이 입력되면, 각 장치들에서의 사용자 만족도를 산출하는 모델인, 인공 지능 장치.
청구항 10에 있어서,
상기 만족도 산출 모델은
학습 데이터를 이용하여 머신 러닝 알고리즘 또는 딥 러닝 알고리즘에 기초하여 지도 학습되는 모델이고,
상기 학습 데이터는
상기 각 장치들에서의 상기 주변 노이즈 레벨, 상기 사용자까지의 거리, 상기 스피커 출력 레벨 및 라벨링된 사용자 만족도를 포함하는, 인공 지능 장치.
인공 지능 시스템의 동작을 관리하는 방법에 있어서,
상기 인공 지능 시스템에 포함된 적어도 하나 이상의 멤버 인공 지능 장치들 각각으로부터 상태 정보를 수신하는 단계;
사용자의 제어 명령을 획득하면 상기 제어 명령을 수행할 대상 멤버 인공 지능 장치를 결정하는 단계;
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는지 여부를 판단하는 단계;
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는 경우, 상기 대상 멤버 인공 지능 장치에 상기 제어 명령을 전송하는 단계; 및
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없는 경우, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없다는 응답을 출력하는 단계
를 포함하는, 방법.
인공 지능 시스템의 동작을 관리하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
상기 인공 지능 시스템의 동작을 관리하는 방법은
상기 인공 지능 시스템에 포함된 적어도 하나 이상의 멤버 인공 지능 장치들 각각으로부터 상태 정보를 수신하는 단계;
사용자의 제어 명령을 획득하면 상기 제어 명령을 수행할 대상 멤버 인공 지능 장치를 결정하는 단계;
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는지 여부를 판단하는 단계;
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 있는 경우, 상기 대상 멤버 인공 지능 장치에 상기 제어 명령을 전송하는 단계; 및
상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없는 경우, 상기 대상 멤버 인공 지능 장치가 상기 제어 명령을 수행할 수 없다는 응답을 출력하는 단계
를 포함하는, 기록 매체.