KR20190096878A

KR20190096878A - 인공지능 기반의 공기조화기

Info

Publication number: KR20190096878A
Application number: KR1020190093565A
Authority: KR
Inventors: 문곤수; 김동인; 신광휴
Original assignee: 엘지전자 주식회사
Priority date: 2019-07-05
Filing date: 2019-07-31
Publication date: 2019-08-20
Also published as: US11397020B2; US20210215370A1; WO2021006368A1

Abstract

본 발명은 인공지능 기반의 공기조화기에 관한 것이다. 본 발명은, 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 상기 구성원을 구별할 수 있는 구성원 데이터를 포함하는 이미지를 수신하는 통신부; 및 수신된 이미지로부터 상기 구성원 데이터를 인식하고, 인식된 구성원 데이터에 기초하여 상기 구성원이 원하는 공기조화기의 동작 조건이 포함된 동작 데이터를 획득하고, 상기 구성원 데이터 및 상기 동작 데이터를 포함하는 구성원 정보를 데이터베이스에 저장하고, 상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 구성원 정보로부터, 적어도 하나의 구성원 각각에 대해 상기 구성원이 원하는 공기조화기의 동작 조건을 획득 및 분석하는 프로세서를 포함하고, 상기 프로세서의 제어로 상기 공기조화기를 자율 구동하는 것을 특징으로 하는 인공지능 기반의 공기조화기를 제공한다.
본 발명에 따르면, 스스로 구성원을 학습하여 최적의 상태로 활동을 제어하여 소비전력을 절감하고, 각 구성원에게 설정된 동작 데이터에 따른 동작 조건에 따라 가동되어 구성원 개인의 편리성이 증대되는 이점이 있다.

Description

인공지능 기반의 공기조화기{AI-BASED AIR-CONDITIONER}

본 발명은 인공지능 기반의 공기조화기에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 최근에는 인공지능을 가전에 적용하여 여러 목적에 맞게 운용하는 기술들이 시도되고 있다. 사람이 개입하지 않고 자동으로 목적에 맞게 프로그램 된 형태로 가전 기기가 제어되는 것이다. 일 예로, 인공지능이 적용된 공기조화기의 경우 자동으로 풍향과 풍속을 조절하고, 온도를 자동으로 제어하여 사용자에게는 편리성을 부여하는 동시에 전력손실을 줄여주는 효과를 가져올 수 있다.

이와 관련, 한국공개특허공보 제2001-0011492호(에어컨의 운전제어방법)는 에어컨이 설치된 실내온도를 외부의 온도를 측정하여 실내 외 온도 차와 설정된 실내온도를 복합적으로 비교하여 건강을 유지시킬 수 있도록 제어하는 방법을 개시하고 있다.

다만, 종래의 기술은 실제 에어컨을 사용하는 구성원에 대한 구분 없이, 일괄적인 전력손실 만을 실내 외의 온도에 의해 제어하기 때문에, 실내 공간에 구성원들을 고려하지 않는다. 이 경우, 내부의 구성원 수와 위치와는 관계 없이 온도만을 고려하여, 여전히 전력 손실이 예상되는 문제점이 있다.

본 발명이 해결하고자 하는 과제는, 공기조화기를 사용하는 구성원을 자동으로 파악하고, 편리성 측면에서 해당 구성원의 특성에 맞게 조절될 수 있는 인공지능 기반의 공기조화기를 제공하는 것이다.

본 발명이 해결하고자 하는 과제는, 공기조화기를 사용하는 구성원을 자동으로 파악하고, 경제성 측면에서 전력 손실을 절감하기 위한 인공지능 기반의 공기조화기를 제공하는 것이다.

본 발명의 실시 예에 따른 인공지능 기반의 공기조화기는, 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 상기 구성원을 구별할 수 있는 구성원 데이터를 포함하는 이미지를 수신하는 통신부; 및 수신된 이미지로부터 상기 구성원 데이터를 인식하고, 인식된 구성원 데이터에 기초하여 상기 구성원이 원하는 공기조화기의 동작 조건이 포함된 동작 데이터를 획득하고, 상기 구성원 데이터 및 상기 동작 데이터를 포함하는 구성원 정보를 데이터베이스에 저장하고, 상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 구성원 정보로부터, 적어도 하나의 구성원 각각에 대해 상기 구성원이 원하는 공기조화기의 동작 조건을 획득 및 분석하는 프로세서를 포함하고, 상기 프로세서의 제어로 상기 공기조화기를 자율 구동할 수 있다.

실시 예에 따라, 상기 공기조화기는 머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 구성원 데이터를 인식하기 위한 구성원 데이터 인식 모델을 저장하는 메모리를 더 포함할 수 있다.

상기 프로세서는, 상기 이미지 획득 장치로부터 수신된 이미지를 상기 구성원 데이터 인식 모델의 입력 데이터로서 입력하고, 상기 구성원 데이터 인식 모델로부터 인식되는 상기 구성원 데이터를 획득하고, 상기 이미지 및 상기 구성원 데이터에 기초하여 상기 구성원이 누구인지 추출할 수 있다.

실시 예에 따라, 상기 구성원 데이터는, 상기 구성원 각각을 구별할 수 있는 얼굴 형태, 체형 또는 음성 중 적어도 어느 하나 이상에 관한 정보를 더 포함할 수 있다.

실시 예에 따라, 상기 얼굴 형태 또는 체형은, 상기 구성원의 움직임에 따라 적어도 하나 이상의 각도에서 수집된 정지 영상 또는 동영상으로부터 추출될 수 있다.

실시 예에 따라, 구성원 데이터는 생체 정보를 더 포함하고, 상기 생체 정보는, 상기 구성원의 맥박 정보, 체온 정보 또는 얼굴 표정 정보 중 적어도 어느 하나를 포함할 수 있다.

실시 예에 따라, 상기 구성원 데이터는 상기 구성원 주변의 환경 정보를 더 포함하고, 상기 환경 정보는, 상기 구성원의 위치 정보, 시간 정보 또는 실내 온도 정보 중 적어도 어느 하나를 포함할 수 있다.

실시 예에 따라, 상기 동작 데이터는, 상기 공기조화기의 리모콘을 조작하는 사용자의 동작 패턴을 분석하여 얻어질 수 있다.

상기 동작 데이터는, 상기 사용자가 원하는 공기조화기의 동작 종류와 상기 동작 종류에 따른 각각의 동작 값의 리워드를 부여하여 레이블링 될 수 있다.

상기 동작 데이터는, 상기 구성원이 원하는 온도 또는 풍속을 포함하고, 상기 구성원의 요청에 따라 실시간으로 업데이트 될 수 있다.

상기 동작 데이터는, 상기 구성원의 음성을 인식하고, 상기 음성의 단어를 분석하여 상기 동작 종류에 해당하는 경우 상기 리워드를 업데이트 할 수 있다.

실시 예에 따라, 상기 프로세서는, 상기 사용자가 상기 공기조화기를 이용하는 동안, 다른 구성원에게는 각 구성원에게 기 설정된 동작 데이터에 따른 동작 조건에 따라 자율 구동될 수 있다.

실시 예에 따라, 공기조화기는 상기 공기조화기에서 소비되는 전력을 저장하는 외부 서버와 연결되고, 상기 외부 서버는, 상기 데이터베이스에 저장된 구성원 또는 세대별로 기 설정된 기간 동안의 소비한 전력량을 전기요금으로 계산하여 실시간으로 상기 프로세서로 전송할 수 있다.

상기 프로세서는, 상기 전기요금을 기반으로 추후 사용될 전기 사용량에 대한 예측 정보를 추론할 수 있다.

본 발명의 실시 예에 따르면, 공기조화기는 스스로 구성원을 학습하여 최적의 상태로 활동을 제어하여 소비전력을 절감하는 이점이 있다.

또한, 공기조화기는 각 구성원에게 설정된 동작 데이터에 따른 동작 조건에 따라 가동되어 구성원 개인의 편리성이 증대되는 이점이 있다.

또한, 공기조화기는 이미지 획득 장치 또는 음성 인식을 통해 리워드를 업데이트 하여 사용자의 설정 조작 없이 자동으로 각 구성원의 동작 조건을 업데이트하는 편리성이 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 일 실시 예에 따른 인공지능 기반의 공기조화기의 블록도를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 공기조화기의 제어 동작에 관한 순서도를 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 구성원 정보를 획득하는 동작을 보다 상세히 설명하는 순서도를 나타낸다.
도 7은 본 발명의 일 실시 예에 따라 이미지 획득 장치를 이용하여 구성원 정보를 획득하는 모습을 나타낸다.
도 8은 도 7의 실시 예에 따른 이미지 획득 장치와 공기조화기의 연동으로 구성원 데이터를 획득하는 모습을 나타낸다.
도 9는 본 발명의 일 실시 예에 따라 구성원의 동작 조건을 추출하는 순서도를 나타낸다.
도 10은 도 9의 동작 조건에 대한 리워드를 설정하는 모습을 나타낸다.
도 11은 본 발명의 제2 실시 예에 따라 음성 인식을 통해 동작 조건을 업데이트 하는 모습을 나타내다.
도 12는 본 발명의 제3 실시 예에 따라 기존의 소비 전력에 따른 전기요금을 기반으로 추후 사용될 소비전력 및 전기 요금을 포함하는 전기 사용량에 대한 예측 정보를 추론하는 모습을 나타낸다.

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 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.

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 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 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.

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.

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.

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.

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.

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.

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 인공지능 기반의 공기조화기(300)의 블록도를 나타낸다.

도 4를 참조하면, 공기조화기(300)는 통신부(210), 프로세서(260) 및 메모리를 포함할 수 있다. 또한 공기조화기(300)는 이미지 획득 장치(400), 데이터베이스(500) 및 외부 서버(600)와 연동될 수 있다.

통신부(210)는, 적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치(400)로부터, 상기 구성원을 구별할 수 있는 구성원 데이터를 포함하는 이미지를 수신할 수 있다.

통신부(210)는, 도 1에서 설명한 통신부(110)와 마찬가지로 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.

통신부(210)는, 이미지 획득 장치(400)로부터 구성원 개개인의 이미지를 전송 받고, 가공된 구성원 데이터와 구성원 정보를 외부 서버(600) 또는 데이터베이스(500)에 송신할 수 있다.

이때, 통신부(210)는, 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) 방식으로 송수신 할 수 있다.

프로세서(260)는, 수신된 이미지로부터 상기 구성원 데이터를 인식하고, 인식된 구성원 데이터에 기초하여 상기 구성원이 원하는 공기조화기의 동작 조건이 포함된 동작 데이터를 획득할 수 있다.

프로세서(260)는, 획득된 상기 구성원 데이터 및 상기 동작 데이터를 획득하여 가공된 구성원 정보를 데이터베이스(500)에 저장하고, 상기 데이터베이스(500)에 저장된 상기 그룹에 대응하는 복수의 구성원 정보로부터, 적어도 하나의 구성원 각각에 대해 상기 구성원이 원하는 공기조화기의 동작 조건을 획득 및 분석할 수 있다.

프로세서(260)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 동작을 결정하고 동작을 수행할 수 있다. 이를 위해, 프로세서(260)는 러닝 프로세서 또는 메모리의 데이터를 요청, 검색, 수신 또는 활용할 수 있다.

프로세서(260)는 사용자의 프로그램 변경으로 상응하는 의도 정보를 획득하거나 또는 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.

메모리는, 머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 구성원 데이터를 인식하기 위한 구성원 데이터 인식 모델을 저장할 수 있다.

메모리는 프로세서(260)가 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집할 수 있고, 통신부(210)를 통해 외부 서버(600) 또는 데이터베이스(500)에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

도 5는 본 발명의 일 실시 예에 따른 공기조화기(300)의 제어 동작에 관한 순서도를 나타낸다.

도 5를 참조하면, 공기조화기(300)는, 그룹의 구성원 정보를 누적 획득하는 단계(S10); 그룹의 구성원 별 동작 조건을 획득하고 분석하는 단계(S20); 및 프로세서(260)의 제어로 동작 조건에 따라 공기조화기를 자율 구동하는 단계(S30)를 포함할 수 있다.

공기조화기는 누적 획득되는 구성원 정보로부터 정규화된 분포를 갖는 데이터를 구축할 수 있으며, 구성원 별 동작 조건을 세분화할 수 있는 이점이 있다.

그룹의 구성원 정보를 누적 획득하는 단계(S10)는 이하 도 6의 상세한 순서도를 통해 설명한다.

도 6은 본 발명의 일 실시 예에 따른 구성원 정보를 획득하는 동작을 보다 상세히 설명하는 순서도를 나타낸다.

도 6을 참조하면, 구성원 정보는, 이미지 획득 장치(400)로부터 구성원 데이터를 포함하는 이미지를 수신하는 단계(S11); 수신된 이미지로부터 구성원 데이터를 인식하는 단계(S12); 해당 구성원의 동작 데이터를 획득하는 단계(S13); 및 인식된 구성원 데이터 및 획득된 동작 데이터를 포함하는 구성원 정보를 데이터베이스(500)에 저장하는 단계(S14)를 포함할 수 있다.

이미지 획득 장치(400)로부터 구성원 데이터를 포함하는 이미지를 수신하는 단계(S11) 및 수신된 이미지로부터 구성원 데이터를 인식하는 단계(S12)는, 도 7 및 도 8을 덧붙여 설명한다.

도 5 및 도 6의 공기정화기의 경우, 공기조화기는 각 구성원에게 설정된 동작 데이터에 따른 동작 조건에 따라 가동되어 구성원 개인의 편리성이 증대되는 이점이 있다.

도 7은 본 발명의 일 실시 예에 따라 이미지 획득 장치(400)를 이용하여 구성원 정보를 획득하는 모습을 나타내고, 도 8은 도 7의 실시 예에 따른 이미지 획득 장치(400)와 공기조화기(300)의 연동으로 구성원 데이터를 획득하는 모습을 나타낸다.

도 7을 참조하면, 이미지 획득 장치(400)로부터 구성원 데이터를 포함하는 이미지를 수신하는 단계(S11)는 이미지 획득 장치(400)가 관여한다. 이미지 획득 장치(400)는 구성원 데이터를 추출하기 위해 구성원이 움직이는 동선을 따라 연속 촬영을 하여, 동일한 사람의 다양한 각도의 모습을 저장할 수 있다.

이 경우, 구성원이 공기정화기에 대한 의식 없이 내부에서 자유롭게 활동하더라도, 자연스럽게 이미지를 획득하기 때문에, 구성원의 활동을 제한하거나 구성원 등록을 위한 시간을 별도로 내야 하는 번거로움을 피할 수 있다.

도 8을 참고하면, 구성원 데이터를 획득하는 모습을 나타낸다. 수신된 이미지로부터 구성원 데이터를 인식하는 단계(S12)는, 이미지 획득 장치(400)로부터 획득된 구성원의 이미지를 분석하여 본 발명의 실시 예에 따른 프로세서(260)가 구성원을 추출할 수 있다.

프로세서(260)는, 상기 이미지 획득 장치(400)로부터 수신된 이미지를 상기 구성원 데이터 인식 모델의 입력 데이터로서 입력하고, 상기 구성원 데이터 인식 모델로부터 인식되는 상기 구성원 데이터를 획득하고, 상기 이미지 및 상기 구성원 데이터에 기초하여 상기 구성원이 누구인지 추출할 수 있다.

구성원 데이터 인식 모델은 이미지 획득 장치(400)로부터 획득된 정지 영상 또는 동영상에서 얼굴을 검출하고, 검출된 얼굴을 고유값으로 레이블링하여 인물을 인식할 수 있으며, 본 발명의 실시 예에 따라 인식된 인물에 대한 관계 빈도 행렬 등을 통해 인물들간 군집화를 수행할 수 있다.

구성원 데이터 인식 모델은 상기 관계 빈도 행렬과 군집화된 데이터를 이용하여 다수의 인물들 간의 관계를 추정할 수 있으며, 구성원 데이터에 대한 정확도를 높이기 위해 상술한 과정을 반복 수행할 수 있다.

구성원 데이터는, 상기 구성원 각각을 구별할 수 있는 얼굴 형태, 체형 또는 음성 중 적어도 어느 하나 이상에 관한 정보를 더 포함할 수 있으며, 얼굴 형태 또는 체형은, 상기 구성원의 움직임에 따라 적어도 하나 이상의 각도에서 수집된 정지 영상 또는 동영상으로부터 추출될 수 있다.

상기 구성원 데이터는 생체 정보와 환경 정보를 더 포함할 수 있고, 상기 생체 정보는 상기 구성원의 맥박 정보, 체온 정보 또는 얼굴 표정 정보 중 적어도 어느 하나를 포함하며, 상기 환경 정보는, 상기 구성원의 위치 정보, 시간 정보 또는 실내 온도 정보 중 적어도 어느 하나를 포함할 수 있다.

해당 구성원의 동작 데이터를 획득하는 단계(S13)는, 해당 구성원이 공기조화기를 조작하는 평소 행동에 대한 데이터를 누적하여 획득할 수 있다. 즉, 구성원 정보는 구성원 데이터와 동작 데이터로 구분될 수 있고, 구성원 데이터는 구성원이 누구인지 식별하기 위한 정보이고, 동작 데이터는 해당 구성원이 평소 공기조화기를 운영하는 방식에 대한 데이터를 말한다. 동작 데이터는 동작 조건을 포함할 수 있으며, 동작 조건에 대해서는 도 9에서 후술한다.

인식된 구성원 데이터 및 획득된 동작 데이터를 포함하는 구성원 정보를 데이터베이스(500)에 저장하는 단계(S14)는, 메모리와 통신부(210)를 통해 이루어질 수 있다. 구성원 데이터와 동작 데이터를 매칭시켜 해당 구성원의 동작 방식이 결정된 구성원 정보를 메모리에 저장하거나 메모리로부터 열람이 가능하고, 이를 통신부(210)를 통해 외부 서버(600) 또는 데이터베이스(500)와 송수신 할 수 있다.

그룹의 구성원 별 동작 조건을 획득하고 분석하는 단계(S20)는, 동작 데이터에 포함된 공기조화기 설정 방식을 획득하고 분석하는 단계이다. 동작 조건은 프로세서(260)에 의해 구성원의 사용 방식에 대한 학습을 통해 얻을 수 있는데, 평소 사용자가 주로 설정을 변경하는 항목을 추론하여 동작 데이터를 구성할 수 있고, 그로부터 각 항목에 따라 동작 조건을 추출할 수 있다.

아래 표 1을 참조하면, 구성원 데이터에 따른 동작 데이터와 동작 조건을 추출하고, 각 리워드 값을 추론할 수 있다. 동작 데이터는 구성원이 주로 설정하는 온도, 풍속, 풍향 등 카테고리에 대한 데이터를 말하고, 동작 조건은 그 해당 값 들을 말하며, 리워드는 동작 조건의 각각의 카테고리에 대응되는 값으로 정의될 수 있다. 즉, 리워드는 20℃ 또는 1m/s와 같은 특정 값들을 정의한다.

구성원 데이터	동작 데이터	동작 조건
구성원 A	온도, 풍속, 풍향	20℃, 1m/s, 2°회전
구성원 B	온도, 풍속	23℃, 2m/s
구성원 C	풍향, 체감온도	15°회전, 27℃

위와 같이 구성원 정보를 외부 서버(600) 또는 데이터베이스(500)에 저장하여 관리함으로써, 프로세서(260)에서 관리 및 업데이트를 체계적으로 할 수 있는 이점이 있다.도 9는 본 발명의 일 실시 예에 따라 구성원의 동작 조건을 추출하는 순서도를 나타낸다.

도 9를 참조하면, 상술한 바와 같이 이미지 획득 장치(400)로부터 구성원 데이터를 포함하는 이미지 수신(S21) 이후, 구성원 데이터를 추출(S22)하고, 해당 구성원이 기존 구성원인지 판단(S23)하여, 기존 구성원이라면 동작 데이터를 추출하는 과정(S26)을 거칠 수 있다.

다만, 기존 구성원이 아니라면, 해당 구성원에 대하여 새로운 식별번호를 부여(S24)하고, 동작 데이터를 추출하기 위해 동작 데이터를 누적하는 과정(S25)을 추가로 거칠 수 있다.

동작 데이터 추출(S26) 이후에는 동작 조건을 상술한 바와 같이 추출하여, 리워드를 부여하고, 동작 조건에 따라 공기조화기 제어(S27)가 가능하다.

도 10은 도 9의 동작 조건에 대한 리워드를 설정하는 모습을 나타낸다.

도 10을 참조하면, 상기 동작 데이터는, 상기 공기조화기의 리모콘을 조작하는 사용자의 동작 패턴을 분석하여 얻어질 수 있으며, 상기 동작 데이터는, 상기 사용자가 원하는 공기조화기의 동작 종류와 상기 동작 종류에 따른 각각의 동작 값의 리워드를 부여하여 레이블링 될 수 있다.

실시 예에 따라, 구성원 1의 경우 리모컨 사용자로서, 리모컨을 통해 입력하는 값으로 구성원 1에 대해 조절하고, 나머지 구성원 2와 3의 경우 리모컨을 통해 입력이 불가하므로, 기존 학습 과정을 거친 구성원 정보를 통해 기 설정된 동작 데이터로 가동이 가능하다. 동작 데이터의 동작 조건과 각각의 리워드 값은 상술한 표 1에서 설명한 바와 같다.

실시 예에 따라, 집안의 아버지는 시원하고 쾌적한 바람(23도)을 원하지만 어머니는 5살난 아이가 냉방병에 걸릴 것을 우려하여 적정온도(26도)를 유지 하길 원할 수 있기 때문에, 이 경우 바람 방향은 아버지를 향하여 쾌적도를 높이며, 아이 및 어머니는 간접 풍향을 통해 체감 온도가 26도에 머물 수 있게 공기조화기 세기를 조절할 수 있다.

공기조화기는 이미지 획득 장치 또는 음성 인식을 통해 리워드를 업데이트 하여 사용자의 설정 조작 없이 자동으로 각 구성원의 동작 조건을 업데이트하는 편리성이 있다.

도 11은 본 발명의 제2 실시 예에 따라 음성 인식을 통해 동작 조건을 업데이트 하는 모습을 나타내다.

도 11을 참조하면, 구성원의 음성을 인식하여 동작 조건을 업데이트 할 수 있다.

동작 조건을 업데이트 하는 과정은, 음성 인식 단계(S41), 음성 분석 단계(S42), 구성원 데이터와 관련여부 판단 단계(S43)를 거쳐 구성원을 추출(S45)하고, 온도 증가(S46)를 통해 동작 조건을 업데이트 할 수 있다.

음성 인식을 통해 음성을 분석하고, 관련된 구성원이 있는지 판단하여 어떤 동작 조건을 업데이트 할 지 결정할 수 있다. 만약 구성원 데이터와 관련이 없다면 기존 동작 조건 유지(S44)가 가능하다.

동작 데이터 또는 동작 조건은, 상기 구성원의 요청에 따라 실시간으로 업데이트 될 수 있는 모든 방법을 포함할 수 있다. 예를 들어, 구성원 2(어머니)가 공기조화기에 “애들 춥다”라고 하면 클러스터링 결과에서 신장이 130cm 미만인 사람들에 대한 리워드를 업데이트하여 공기조화기 온도 조절에 반영할 수 있다.

이 경우, 필요하다면 리워드에 대한 업데이트도 추가적인 음성 인식을 통해 구현할 수 있다. 예를 들어, 동작 조건을 업데이트하는 과정에서, 구체적인 리워드가 입력되는지 확인하는 과정을 추가할 수 있고, 그에 따라 각 동작 조건에 따른 리워드에 대한 재설정하는 과정도 포함할 수 있다.

도 12는 본 발명의 제3 실시 예에 따라 기존의 소비 전력에 따른 전기요금을 기반으로 추후 사용될 소비전력 및 전기 요금을 포함하는 전기 사용량에 대한 예측 정보를 추론하는 모습을 나타낸다.

도 12를 참조하면, 공기조화기(300)는 소비되는 전력을 저장하는 외부 서버(600)와 연결되고, 상기 외부 서버(600)는, 상기 데이터베이스(500)에 저장된 구성원 또는 세대별로 기 설정된 기간 동안의 소비한 전력량을 전기요금으로 계산하여 실시간으로 상기 프로세서(260)로 전송할 수 있다.

실시 예에 따라, 1월과 2월의 소비 전력량 및 전기 요금을 바탕으로 다음 달의 소비 전력량과 전기 요금을 프로세서(260)를 통해 추정할 수 있다. 상기 프로세서(260)는, 상기 전기요금을 기반으로 추후 사용될 전기 사용량에 대한 예측 정보를 추론할 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.

본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

적어도 하나의 구성원(member)을 포함하는 그룹에 대응하는 이미지 획득 장치로부터, 상기 구성원을 구별할 수 있는 구성원 데이터를 포함하는 이미지를 수신하는 통신부; 및
수신된 이미지로부터 상기 구성원 데이터를 인식하고,
인식된 구성원 데이터에 기초하여 상기 구성원이 원하는 공기조화기의 동작 조건이 포함된 동작 데이터를 획득하고,
상기 구성원 데이터 및 상기 동작 데이터를 포함하는 구성원 정보를 데이터베이스에 저장하고,
상기 데이터베이스에 저장된 상기 그룹에 대응하는 복수의 구성원 정보로부터, 적어도 하나의 구성원 각각에 대해 상기 구성원이 원하는 공기조화기의 동작 조건을 획득 및 분석하는 프로세서를 포함하고,
상기 프로세서의 제어로 자율 구동되는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 1 항에 있어서,
머신 러닝 또는 딥 러닝 알고리즘을 이용하여 학습되고, 상기 이미지로부터 상기 구성원 데이터를 인식하기 위한 구성원 데이터 인식 모델을 저장하는 메모리를 더 포함하는 인공지능 기반의 공기조화기.
제 2 항에 있어서,
상기 프로세서는,
상기 이미지 획득 장치로부터 수신된 이미지를 상기 구성원 데이터 인식 모델의 입력 데이터로서 입력하고,
상기 구성원 데이터 인식 모델로부터 인식되는 상기 구성원 데이터를 획득하고,
상기 이미지 및 상기 구성원 데이터에 기초하여 상기 구성원이 누구인지 추출하는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 3 항에 있어서,
상기 구성원 데이터는,
상기 구성원 각각을 구별할 수 있는 얼굴 형태, 체형 또는 음성 중 적어도 어느 하나 이상에 관한 정보를 더 포함하는 인공지능 기반의 공기조화기.
제 4 항에 있어서,
상기 얼굴 형태 또는 체형은,
상기 구성원의 움직임에 따라 적어도 하나 이상의 각도에서 수집된 정지 영상 또는 동영상으로부터 추출될 수 있는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 1 항에 있어서,
상기 구성원 데이터는 생체 정보를 더 포함하고,
상기 생체 정보는,
상기 구성원의 맥박 정보, 체온 정보 또는 얼굴 표정 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 1 항에 있어서,
상기 구성원 데이터는 상기 구성원 주변의 환경 정보를 더 포함하고,
상기 환경 정보는,
상기 구성원의 위치 정보, 시간 정보 또는 실내 온도 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 1 항에 있어서,
상기 동작 데이터는,
상기 공기조화기의 리모콘을 조작하는 사용자의 동작 패턴을 분석하여 얻어지는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 8 항에 있어서,
상기 동작 데이터는,
상기 사용자가 원하는 공기조화기의 동작 종류와 상기 동작 종류에 따른 각각의 동작 값의 리워드를 부여하여 레이블링 되는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 8 항에 있어서,
상기 프로세서는,
상기 사용자가 상기 공기조화기를 이용하는 동안, 다른 구성원에게는 각 구성원에게 기 설정된 동작 데이터에 따른 동작 조건에 따라 자율 구동되는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 8 항에 있어서,
상기 동작 데이터는,
상기 구성원이 원하는 온도 또는 풍속을 포함하고, 상기 구성원의 요청에 따라 실시간으로 업데이트 되는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 9 항에 있어서,
상기 동작 데이터는,
상기 구성원의 음성을 인식하고, 상기 음성의 단어를 분석하여 상기 동작 종류에 해당하는 경우 상기 리워드를 업데이트 하는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 1 항에 있어서,
상기 공기조화기에서 소비되는 전력을 저장하는 외부 서버와 연결되고,
상기 외부 서버는,
상기 데이터베이스에 저장된 구성원 또는 세대별로 기 설정된 기간 동안의 소비한 전력량을 전기요금으로 계산하여 실시간으로 상기 프로세서로 전송하는 것을 특징으로 하는 인공지능 기반의 공기조화기.
제 13 항에 있어서,
상기 프로세서는,
상기 전기요금을 기반으로 추후 사용될 전기 사용량에 대한 예측 정보를 추론하는 것을 특징으로 하는 인공지능 기반의 공기조화기.