KR20190098936A - 쿠킹 로봇 시스템 및 그 제어 방법 - Google Patents

Abstract

본 발명은 쿠킹 로봇 시스템 및 그 제어 방법에 관한 것이다. 본 발명은, 사물의 이미지를 인식하여 동작을 구현하는 서버 기반의 인공지능 쿠킹 로봇을 이용한 모션 학습 시스템에 있어서, 상기 사물의 이미지를 센싱부를 통해 획득하여 이미지 데이터를 생성하여 서버로 전송하거나 상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력부로부터 입력 받아 시연 데이터를 생성하여 상기 서버로 전송하며, 상기 이미지 데이터 또는 상기 시연 데이터에 대응되는 동작 데이터에 의해 상기 사물에 대한 동작을 구현하는 로봇; 및 상기 사물에 대한 동작 데이터를 검출하고, 상기 이미지 데이터에 대응되는 동작을 웹서버를 통해 검색하여 상기 동작 데이터를 생성하거나 상기 시연 데이터에 대응되는 동작 데이터를 생성하여 상기 로봇을 제어하는 서버를 포함하는 쿠킹 로봇 시스템 및 그 제어 방법을 제공한다.

Description

쿠킹 로봇 시스템 및 그 제어 방법{SYSTEM AND METHOD FOR COOKING ROBOT}

본 발명은 쿠킹 로봇 시스템 및 그 제어 방법에 관한 것이다.

일반적으로 로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계로서, 로봇의 응용분야는 대체로 산업용, 의료용, 우주용, 해저용 등 다양한 분야로 분류된다. 최근에는 음성이나 제스쳐 등을 통해 인간과 커뮤니케이션이나 인터랙션을 수행할 수 있는 커뮤니케이션 로봇이 증가되는 추세이다.

이러한 커뮤니케이션 로봇은 특정 장소에 배치되어 이용자에게 각종 정보를 안내하는 안내 로봇이나, 가정에 구비되는 홈 로봇 등 다양한 종류의 로봇을 포함할 수 있다. 또한, 커뮤니케이션 로봇은 학습자와의 인터랙션을 통해 상기 학습자의 학습을 지도하거나 보조하는 교육용 로봇을 포함할 수 있다.

커뮤니케이션 로봇은 다양한 구성들을 이용하여 사용자나 학습자 등과의 인터랙션을 수행하도록 구현될 수 있다. 예컨대, 커뮤니케이션 로봇은 로봇 주변에서 발생하는 사운드를 획득하는 마이크로폰이나, 로봇 주변의 이미지를 획득하는 카메라를 포함할 수 있다.

한편, 대량으로 음식을 제조하거나, 정밀한 레시피에 따라 요리를 만드는 경우 로봇이 그 역할을 대신하는 상황이 점점 늘어나고 있는 추세이다. 특히, 로봇의 관절이나 팔 또는 머리 부분에 부착된 카메라를 이용하여 음식물의 조리 상태를 추적하고, 그 경과에 따라 조리를 진행하는 방식의 로봇이 개발되고 실제 적용되고 있는 실정이다.

이와 관련, 종래의 미국등록특허 US9,815,191(METHODS AND SYSTEMS FOR FOOD PREPARATION IN A ROBOTIC COOKING KITCHEN)는 제안된 로봇은 녹화된 파일로부터 쉐프의 움직임과 타이밍을 정확히 재현해내어 요리를 수행하는 로봇을 개시하고 있다.

다만, 실제로 요리를 수행함에 있어, 정확한 위치에 정확한 모양의 용기가 배치되어 있다고 가정하여 로봇을 제어하기 때문에 기 저장되지 않은 용기나 설정된 동작이 아닌 경우 로봇을 제어할 수 없는 제약이 있다.

본 발명은 사물의 동작을 로봇에게 제공함에 있어서 기존의 인식된 사물이 아니라도 그 사물에 대한 동작을 제공하는 모션 학습 시스템 및 그 제어 방법을 제공하는 것을 일 목적으로 한다.

또한, 본 발명은 동작을 재현함에 있어 사용자가 입력을 하거나 로봇 스스로 웹서버를 검색하여 로봇을 제어하는 쿠킹 로봇 시스템 및 그 제어 방법을 제공하는 것을 다른 목적으로 한다.

상기 목적을 달성하기 위하여 본 발명은, 사물의 이미지를 인식하여 동작을 구현하는 서버 기반의 인공지능 쿠킹 로봇을 이용한 모션 학습 시스템에 있어서, 상기 사물의 이미지를 센싱부를 통해 획득하여 이미지 데이터를 생성하여 서버로 전송하거나 상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력부로부터 입력 받아 시연 데이터를 생성하여 상기 서버로 전송하며, 상기 이미지 데이터 또는 상기 시연 데이터에 대응되는 동작 데이터에 의해 상기 사물에 대한 동작을 구현하는 로봇; 및 상기 사물에 대한 동작 데이터를 검출하고, 상기 이미지 데이터에 대응되는 동작을 웹서버를 통해 검색하여 상기 동작 데이터를 생성하거나 상기 시연 데이터에 대응되는 동작 데이터를 생성하여 상기 로봇을 제어하는 서버를 포함하는 서버 기반의 인공지능 쿠킹 로봇을 이용한 모션 학습 시스템을 제공한다.

실시 예에 따라, 상기 로봇은, 상기 사물에 대한 이미지를 획득하여 이미지 데이터를 생성하는 센싱부; 및 상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력 받아 시연 데이터를 생성하는 입력부를 포함할 수 있다.

실시 예에 따라, 상기 로봇은, 상기 센싱부와 상기 입력부에서 획득된 데이터를 상기 서버로 전송하는 통신부를 더 포함할 수 있다.

실시 예에 따라, 상기 센싱부는, 상기 사물을 인식하여 이미지 데이터를 생성하기 위해 RGB 센서 또는 Depth 센서 중 적어도 어느 하나를 사용하고, 상기 시연 데이터를 생성하기 위해 RGBD 레코더를 사용할 수 있다.

실시 예에 따라, 상기 로봇은, 스피커 또는 표시장치를 구비하여 상기 로봇의 현재 상태 또는 진행 과정을 상기 로봇의 외부로 음성 또는 영상으로 알려주는 출력부를 더 포함할 수 있다.

실시 예에 따라, 상기 서버는, 상기 사물에 대한 상기 이미지 데이터, 상기 시연 데이터 또는 상기 동작 데이터 중 적어도 어느 하나를 저장하는 데이터베이스; 및 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스에서 검색하여 비교하고, 매칭되는 데이터가 없으면 상기 로봇에게 상기 시연 데이터를 요청하며, 상기 동작 데이터를 전송하여 상기 로봇을 제어하는 프로세서를 포함할 수 있다.

실시 예에 따라, 상기 서버는, 상기 센싱부와 상기 입력부에서 획득된 데이터를 수신하고 상기 동작 데이터를 상기 로봇에게 전송하는 통신 모듈을 더 포함할 수 있다.

실시 예에 따라, 상기 프로세서는, 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스에서 검색하여 비교하는 검색부; 상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 추정하는 연산부; 및 상기 연산부에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 생성하는 변환부를 더 포함할 수 있다.

또한 본 발명은, 로봇의 센싱부를 통해 획득된 사물의 이미지 데이터를 수신한 서버의 프로세서가 데이터베이스에서 상기 이미지 데이터를 검색하여 비교하는 제1 단계; 상기 데이터베이스에 저장되지 않은 새로운 이미지 데이터라고 판단한 경우 웹서버에서 새로운 사물에 대한 동작을 나타내는 시연 데이터를 검색하고, 상기 시연 데이터가 없는 경우 사용자에게 새로운 사물에 대한 시연 데이터를 요청하는 제2 단계; 및 상기 프로세서가 상기 새로운 사물에 대한 시연 데이터를 수신하여 상기 데이터베이스에 저장하고 상기 이미지 데이터에 대응하는 동작 데이터를 생성하여 상기 로봇에게 전송하며, 상기 로봇이 상기 사물에 대한 동작을 수행하는 제3 단계를 포함하는 서버 기반의 인공지능 쿠킹 로봇을 이용한 모션 학습 시스템의 제어 방법을 제공한다.

실시 예에 따라, 상기 제1 단계는, 상기 데이터베이스에 상기 이미지 데이터에 매칭되는 시연 데이터가 있는 경우 상기 시연 데이터로부터 동작 데이터를 생성하고 상기 동작 데이터를 상기 로봇으로 전송하여 상기 사물에 대한 동작을 수행하는 단계를 더 포함할 수 있다.

실시 예에 따라, 상기 제2 단계는, 상기 프로세서가 상기 웹서버에서 상기 이미지 데이터에 매칭되는 동영상을 추출하는 단계; 및 상기 동영상에서 상기 사물에 대한 동작을 추출하여 동작 데이터를 생성하는 단계를 더 포함할 수 있다.

실시 예에 따라, 상기 제2 단계는, 상기 이미지 데이터에 매칭되는 동영상이 상기 웹서버에 없는 경우 상기 사용자에게 상기 시연 데이터를 요청하는 단계를 더 포함할 수 있다.

실시 예에 따라, 상기 제3 단계는, 상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 연산부를 통해 추정하는 단계; 및 상기 연산부에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 변환부에서 생성하는 단계를 더 포함할 수 있다.

상기 제3 단계는, 상기 로봇의 동작이 변환이 되지 않는 경우, 상기 웹서버에서 동영상을 재 검색하는 단계를 더 포함할 수 있다.

상기 제3 단계는, 상기 이미지 데이터, 시연 데이터 또는 동작 데이터 중 적어도 어느 하나를 상기 데이터베이스에 누적시켜, 상기 사물에 대한 상기 로봇의 동작 모델을 생성하는 단계를 더 포함할 수 있다.

전술한 바와 같은 구성을 갖는 본 발명에 따르면, 상용 용기의 이미지와 연관성이 높은 동영상 검색하고, 해당 영상으로부터 상용 식재료 용기 뚜껑을 여는 부분, 덜어내는 부분 또는 닫는 부분 등을 추출(action recognition)하여, 동영상을 자동으로 검색할 수 있는 이점이 있다.

또한, 본 발명에 따르면, 검색된 영상으로부터 pose/skeleton정보 추출하고(DNN), 여러 영상을 사용함으로써 pose/skeleton 정보의 신뢰도 높일 수 있으며, 추출된 skeleton의 연속 동작 정보를 로봇 하드웨어에 맞는 모션으로의 변환을 통해 다양한 종류의 상용 소스 용기에 대한 로봇을 이용한 모션 학습 시스템을 구축할 수 있는 이점이 있다.

또한, 본 발명에 따르면, 학습된 내용을 이용하여 재현하기 때문에 식재료를 정해진 식재료를 정해진 용기에 담지 않아도 되고, 식재료가 담겨있는 용기의 형태가 변하더라도 용기로부터 식재료를 덜어내어 사용 가능한 이점이 있다.

도 1은 본 발명의 일 실시 예에 따른 로봇을 포함하는 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 로봇과 연결되는 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 로봇을 포함하는 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 쿠킹 로봇 시스템의 블록도를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 데이터베이스에 시연 데이터 및 동작 데이터가 저장되는 모습을 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 쿠킹 로봇 시스템의 제어 방법에 대한 순서도를 나타낸다.
도 7은 본 발명의 일 실시 예에 따른 쿠킹 로봇 시스템의 제어 방법에 대한 상세한 순서도를 나타낸다.
도 8은 본 발명의 일 실시 예에 따른 서버와 로봇 그리고 사용자 간의 제어와 데이터 이동 순서를 나타낸다.
도 9는 본 발명의 일 실시 예에 따른 제1 단계의 이미지 데이터를 생성하는 모습을 나타낸다.
도 10(a)는 본 발명의 일 실시 예에 따른 제2 단계의 시연 데이터를 추출하는 모습이고, 도 10(b)는 본 발명의 일 실시 예에 따른 제2 단계의 사용자로부터 입력 받아 시연데이터를 생성하는 모습을 나타낸다.
도 11은 본 발명의 일 실시 예에 따른 동작 데이터를 통한 로봇을 제어하는 모습을 나타낸다.

이하, 첨부된 도면들에 기재된 내용들을 참조하여 본 발명을 상세히 설명한다. 다만, 본 발명이 예시적 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일 참조부호는 실질적으로 동일한 기능을 수행하는 부재를 나타낸다.

본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해 질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.

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.

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.

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.

본 발명의 로봇과 서버는 각각 도 1과 도 2에 개시된 AI 장치와 AI 서버에 대응될 수 있으며, 그 하위 구성들은 상술한 AI 장치(100) 및 AI 서버(200)의 일 예에 해당할 수 있다. 즉, 도 1의 AI 장치(100)에 포함된 구성과 도 2의 AI 서버(200)에 포함된 구성들은 본 발명의 로봇과 서버에 각각 포함될 수 있다.

도 4는 본 발명의 일 실시 예에 따른 쿠킹 로봇 시스템의 블록도를 나타낸다.

도 4를 참조하면, 로봇은 통신부(110a), 입력부(120a), 센싱부(140a) 및 출력부(150a)를 포함하고, 서버는 프로세서(260a), 통신 모듈 및 데이터베이스(230a)를 포함할 수 있다.

로봇의 센싱부(140a)는 RGB 센서, Depth 센서를 포함하고, 출력부(150a)는 스피커와 디스플레이를 포함할 수 있으며, 서버의 프로세서(260a)는 검색부(261a), 연산부(262a) 및 변환부(263a)를 포함할 수 있다.

로봇은, 사물의 이미지를 인식하여 동작을 구현하는 서버 기반의 인공지능 쿠킹 로봇을 이용한 쿠킹 로봇 시스템에 있어서, 상기 사물의 이미지를 센싱부(140a)를 통해 획득하여 이미지 데이터를 생성하여 서버로 전송할 수 있다.

로봇의 센싱부(140a)는, 상기 사물에 대한 이미지를 획득하여 이미지 데이터를 생성할 수 있으며, 상기 사물을 인식하여 이미지 데이터를 생성하기 위해 RGB 센서 또는 Depth 센서 중 적어도 어느 하나를 사용하고, 상기 시연 데이터를 생성하기 위해 RGBD 레코더를 사용할 수 있다.

센싱부(140a)는 RGB-D(Red/Green/Blue-Depth) 디바이스를 사용하여 공간과 객체의 깊이 정보를 바탕으로 객체 인식을 하는 기술로, 실시 예에 따라 사물은 소스를 담는 용기가 될 수 있다.

센싱부(140a)는 이러한 용기를 정확하게 배경에서 분리하기 위한 RGB-D 영상 기반으로 영역을 추출하고, 해당 영역에 입력되는 RGB 영상과 깊이 영상을 정합하여 정합된 RGB-D 영상데이터를 출력할 수 있다.

센싱부(140a)는 정합된 RGB-D 영상 데이터로부터 배경 이미지를 제거하고, 배경 이미지가 제거된 영상으로부터 용기의 대략적인 영역과 상기 영역에 기 설정된 3차원 모델을 적용시켜 관심 영역을 추출할 수 있다.

센싱부(140a)는, 추출된 관심 영역에 대하여 정합된 RGB-D 영상 데이터의 유사도를 분석하여 깊이 영상을 보정할 수도 있다.

센싱부(140a)에서는 위 과정을 거쳐 이미지 데이터를 생성하고 통신부(110a)를 통해 이를 서버로 전송할 수 있다. 서버에서는 이미지 데이터를 통해 해당 용기와 관련 있는 시연 데이터가 있는지 검색할 수 있다.

로봇은, 상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력부(120a)로부터 입력 받아 시연 데이터를 생성하여 상기 서버로 전송하며, 상기 이미지 데이터 또는 상기 시연 데이터에 대응되는 동작 데이터에 의해 상기 사물에 대한 동작을 구현할 수 있다.

프로세서(260a)는 센싱부(140a)의 이미지 데이터를 기 저장된 자료와 비교하여 해당 용기와 관련된 동작이 있는지 검색할 수 있다. 본 발명의 실시 예에 따라 동작은 동작 데이터와 유사한 개념으로 볼 수 있으며, 동작을 프로세서(260a)나 컴퓨터가 인식 가능하도록 구현된 데이터가 동작 데이터라고 볼 수 있다.

동작 데이터는 용기와 그 용기를 제어하는 동작이 매칭된 데이터로, 실시 예에 따라 여러 형태가 될 수 있으며, 로봇의 동작을 제어하는 모든 데이터를 포함할 수 있다.

본 발명의 일 실시 예에 따라, 프로세서(260a)는 센싱부(140a)에서 전송된 이미지 데이터를 검색하고, 검색된 데이터가 없는 경우 웹서버에서 검색하거나 사용자에게 이미지 데이터에 대응하는 시연 데이터를 전송할 것을 요청할 수 있다.

서버는 상기 사물에 대한 동작 데이터를 검출하고, 상기 이미지 데이터에 대응되는 동작을 웹서버를 통해 검색하여 상기 동작 데이터를 생성하거나 상기 시연 데이터에 대응되는 동작 데이터를 생성하여 상기 로봇을 제어할 수 있다.

로봇의 입력부(120a)는, 상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력 받아 시연 데이터를 생성할 수 있다. 로봇의 입력부(120a)는 사용자가 입력한 동영상을 통해 특징점을 추출하여 동작 수행을 예측할 수 있다.

사용자는 용기와 해당 용기에 어울리는 동작이 포함된 영상을 입력하고, 로봇은 이를 통해 이미지 데이터를 생성할 수 있다.

로봇의 통신부(110a)는, 상기 센싱부(140a)의 이미지 데이터 또는 상기 입력부(120a)에서 획득된 시연 데이터를 서버로 전송하고, 프로세서(260a)는 이를 통해 동작 데이터를 생성할 수 있다.

통신부(110a)는 유선 통신 또는 무선 통신을 포함하며, 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다.

실시 예에 따라 무선 통신은, WiFi(wireless fidelity), LiFi(light fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다.

실시 예에 따라 유선 통신은, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다.

실시 예에 따라 네트워크는 텔레커뮤니케이션 네트워크, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.

로봇의 출력부(150a)는, 스피커 또는 표시장치를 구비하여 상기 로봇의 현재 상태 또는 진행 과정을 상기 로봇의 외부로 음성 또는 영상으로 알려줄 수 있다.

실시 예에 따라 현재 상태는, 이미지 데이터를 생성하거나, 자료 요청을 송수신 하거나, 동작을 수행하는 등 현재 진행되는 상태를 말하며, 진행 과정은 서버 또는 사용자와의 송신이나 수신 진행 등 통신 상황 등을 나타낼 수 있다.

서버의 데이터베이스(230a)는, 상기 사물에 대한 상기 이미지 데이터, 상기 시연 데이터 또는 상기 동작 데이터 중 적어도 어느 하나를 저장할 수 있다. 데이터베이스(230a)에 대해서는 도 6에서 후술하기로 한다.

서버의 프로세서(260a)는, 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스(230a)에서 검색하여 비교하고, 매칭되는 데이터가 있는 경우 그 데이터에 대응되는 동작 데이터에 따라 로봇을 제어할 수 있다.

서버의 프로세스는 검색부(261a)를 포함하며, 검색부(261a)는 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스(230a)에서 검색하여 비교할 수 있다. 검색부(261a)는 1차적으로 데이터베이스(230a)에서 이미지 데이터를 검색하며, 검색 데이터가 없는 경우, 인터넷과 같은 웹서버에서 상기 용기에 해당하는 검색어 도출을 통해 검색을 진행하여 상기 이미지 데이터에 대응되는 용기에 관한 자료를 검색할 수 있다.

검색부(261a)에서 검색되지 않는 경우, 로봇으로 시연 데이터를 요청하게 되며, 이에 따라 로봇은 사용자에게 시연 영상을 요청하고, 로봇은 입력부(120a)를 통해 입력 받은 영상으로 시연 데이터를 생성하여 서버로 전송할 수 있다.

서버의 프로세서(260a)는, 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스(230a)에서 검색하여 비교하고, 매칭되는 데이터가 없으면 인터넷과 같은 웹서버를 통해 시연 데이터를 검색할 수 있다.

서버의 프로세서(260a)는, 상기 로봇에게 상기 시연 데이터를 요청할 수 있으며, 상기 동작 데이터를 전송하여 상기 로봇을 제어할 수 있다.

상술한 과정을 통해, 프로세서(260a)의 연산부(262a)에서는 검색된 시연 데이터 또는 상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 추정할 수 있다.

프로세서(260a)는 동영상 분류 모델을 학습시킬 시연 데이터를 수신하고, 수신한 시연 데이터의 라벨 정보에 기반하여 시연 데이터의 특징을 추출하며, 추출된 특징에 기반하여 동영상 분류 모델을 학습시키도록 설정될 수 있다.

실시 예에 따라, 시연 데이터는 동영상 데이터일 수 있다. 일 실시 예에서 시연 데이터는 분류가 완료된 동영상 데이터일 수 있으며, 분류가 완료된 동영상 데이터는 라벨링이 수행된 동영상 데이터일 수 있다.

다른 실시 예에 따라, 라벨은 동영상 데이터의 내용(주제, 장르) 또는 형식 중 적어도 어느 하나에 따라 결정된 하나 이상의 카테고리 또는 속성일 수 있다. 라벨은 하나의 동영상에 대응하는 하나 이상의 카테고리 혹은 속성일 수 있다.

서버의 통신 모듈은, 상기 센싱부(140a)와 상기 입력부(120a)에서 획득된 데이터를 수신하고 상기 동작 데이터를 상기 로봇에게 전송할 수 있다.

이 과정에서, 프로세서(260a)의 변환부(263a)는, 상기 연산부(262a)에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 생성할 수 있다.

프로세서(260a)는, 이미지 데이터에 대응되는 검색된 영상이나 사람의 동작을 기반으로 생성된 시연 데이터이기 때문에 로봇에 적용되는데 어려움이 있을 수 있다. 이 경우, 변환부(263a)를 통해 로봇의 움직임에 맞는 로봇을 구동하는 프로그램의 언어로 구현된 동작 데이터를 생성할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 데이터베이스(230a)에 시연 데이터 및 동작 데이터가 저장되는 모습을 나타낸다.

도 5를 참조하면, 데이터베이스(230a)는 상기 사물에 대한 상기 이미지 데이터, 상기 시연 데이터 또는 상기 동작 데이터 중 적어도 어느 하나를 저장할 수 있다.

데이터베이스(230a)는, 각 용기를 분류하고 각 용기에 대해 수행할 움직임을 저장할 수 있다. 각 용기에 대해 시연 데이터를 1차적으로 분류하고, 로봇의 움직임을 제어할 수 있도록 시연 데이터에 매칭되는 동작 데이터를 2차적으로 분류하여 저장할 수 있다.

상술한 쿠킹 로봇 시스템을 이용하여 인공지능 쿠킹 로봇을 제어하는 쿠킹 로봇 시스템의 제어 방법에 대해 후술한다.

도 6은 본 발명의 일 실시 예에 따른 쿠킹 로봇 시스템의 제어 방법에 대한 순서도를 나타낸다.

도 6을 참조하면, 쿠킹 로봇 시스템의 제어 방법은, 데이터베이스(230a)에서 이미지 데이터를 검색하여 비교하는 제1 단계(S10); 시연 데이터를 추출하거나 또는 시연 데이터를 요청하는 제2 단계(S20); 및 동작 데이터를 생성하여 동작을 수행하는 제3 단계(S30)를 포함할 수 있다.

제1 단계(S10)는, 상기 데이터베이스(230a)에 상기 이미지 데이터에 매칭되는 시연 데이터가 있는 경우 상기 시연 데이터로부터 동작 데이터를 생성하고 상기 동작 데이터를 상기 로봇으로 전송하여 상기 사물에 대한 동작을 수행하는 과정을 포함할 수 있다.

제2 단계(S20)는, 상기 프로세서(260a)가 상기 웹서버에서 상기 이미지 데이터에 매칭되는 동영상을 추출하는 단계; 상기 동영상에서 상기 사물에 대한 동작을 추출하여 동작 데이터를 생성하는 단계; 및 상기 이미지 데이터에 매칭되는 동영상이 상기 웹서버에 없는 경우 상기 사용자에게 상기 시연 데이터를 요청하는 단계를 포함할 수 있다.

제3 단계(S30)는, 상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 연산부(262a)를 통해 추정하는 단계; 및 상기 연산부(262a)에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 변환부(263a)에서 생성하는 단계를 포함할 수 있다.

상술한 제1 단계(S10) 내지 제3 단계(S30)에 대해서는 도 7 및 도 8에서 자세히 후술하기로 한다.

도 7은 본 발명의 일 실시 예에 따른 쿠킹 로봇 시스템의 제어 방법에 대한 상세한 순서도를 나타낸다.

도 7을 참조하면, 제1 단계(S10) 내지 제3 단계(S30)의 자세한 과정을 알 수 있다. 참고로 도 8을 참조하면, 로봇과 서버의 데이터 송수신 과정을 통해 좀 더 명확하게 본 발명을 이해할 수 있다.

제1 단계(S10)는, 로봇의 센싱부(140a)를 통해 획득된 사물의 이미지 데이터를 수신한 서버의 프로세서(260a)가 데이터베이스(230a)에서 상기 이미지 데이터를 검색하여 비교하는 과정이다.

서버의 프로세서(260a)는, 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스(230a)에서 검색하여 비교하고, 매칭되는 데이터가 있는 경우 그 데이터에 대응되는 동작 데이터에 따라 로봇을 제어할 수 있다.

서버의 프로세스는 검색부(261a)를 포함하며, 검색부(261a)는 상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스(230a)에서 검색하여 비교할 수 있다. 검색부(261a)는 1차적으로 데이터베이스(230a)에서 이미지 데이터를 검색하며, 검색 데이터가 없는 경우, 인터넷과 같은 웹서버에서 상기 용기에 해당하는 검색어 도출을 통해 검색을 진행하여 상기 이미지 데이터에 대응되는 용기에 관한 자료를 검색할 수 있다.

제2 단계(S20)는, 상기 데이터베이스(230a)에 저장되지 않은 새로운 이미지 데이터라고 판단한 경우 웹서버에서 새로운 사물에 대한 동작을 나타내는 시연 데이터를 검색하고, 상기 시연 데이터가 없는 경우 사용자에게 새로운 사물에 대한 시연 데이터를 요청하는 과정이다.

검색부(261a)에서 검색되지 않는 경우, 로봇으로 시연 데이터를 요청하게 되며, 이에 따라 로봇은 사용자에게 시연 영상을 요청하고, 로봇은 입력부(120a)를 통해 입력 받은 영상으로 시연 데이터를 생성하여 서버로 전송할 수 있다.

사용자는 로봇의 요청에 의해 로봇의 입력부(120a)에 접속하여 영상을 입력할 수 있는데, 즉, 로봇은 사용자에게 시연 영상을 요청하고, 로봇은 입력부(120a)를 통해 입력 받은 영상으로 시연 데이터를 생성하여 서버로 전송할 수 있다.

프로세서(260a)는 검색된 시연 데이터 또는 상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 추정할 수 있다. 여기서 상기 로봇의 동작이 변환이 되지 않는 경우, 상기 웹서버에서 동영상을 재 검색하는 단계를 더 포함할 수 있다.

이 과정에서 프로세서(260a)의 연산부(262a)가 그 기능을 하며 연산부(262a)는 동영상 분류 모델을 학습시킬 시연 데이터를 수신하고, 수신한 시연 데이터의 라벨 정보에 기반하여 시연 데이터의 특징을 추출할 수 있다.

제3 단계(S30)는, 상기 프로세서(260a)가 상기 새로운 사물에 대한 시연 데이터를 수신하여 상기 데이터베이스(230a)에 저장하고 상기 이미지 데이터에 대응하는 동작 데이터를 생성하여 상기 로봇에게 전송하며, 상기 로봇이 사물에 대한 동작을 수행하는 과정이다.

이 과정에서, 프로세서(260a)의 변환부(263a)는, 상기 연산부(262a)에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 생성할 수 있다.

프로세서(260a)는, 이미지 데이터에 대응되는 검색된 영상이나 사람의 동작을 기반으로 생성된 시연 데이터의 경우 로봇에 적용되는데 어려움이 있을 수 있다. 이 경우, 변환부(263a)를 통해 로봇의 움직임에 맞는 로봇을 구동하는 프로그램의 언어로 구현된 동작 데이터를 생성할 수 있다.

도 8은 본 발명의 일 실시 예에 따른 서버와 로봇 그리고 사용자 간의 제어와 데이터 이동 순서를 나타낸다.

도 8을 참조하면, 도 7의 각 단계를 레더 다이어그램으로 표시한 것으로, 서버와 로봇 그리고 사용자에 대한 주체를 기준으로 각 단계의 수행 과정을 표시한다.

본 발명의 실시 예에 따라 로봇은 사물, 즉 용기에 대한 영상을 취득하여 이미지 데이터를 생성하고 이를 서버로 전송하며, 서버는 검출 영역의 용기에 해당하는 이미지 데이터를 기반으로 데이터베이스(230a)에서 1차적으로 검색 후 웹서버에서 2차적으로 검색을 실행한다.

서버는, 동영상이 검색되지 않는 경우, 로봇에 시연 데이터를 요청하고, 로봇은 사용자에게 시연 데이터를 입력할 것을 요청할 수 있다.

사용자는, 시연된 영상을 로봇의 입력부(120a)를 통해 입력하고, 로봇은 이에 대한 시연 데이터를 생성하여 서버로 전송할 수 있다. 서버는 시연 데이터를 수신 받아 해당 용기에 대응되는 동작을 추정 및 추출할 수 있다.

서버는 프로세서(260a)의 변환부(263a)를 통해 로봇의 움직임에 맞는 로봇을 구동하는 프로그램의 언어로 구현된 동작 데이터를 생성할 수 있다. 동작 데이터를 로봇에게 전송하여 로봇의 제어를 진행할 수 있다.

상술한 제1 단계 내지 제3 단계를 통해, 상기 이미지 데이터, 시연 데이터 또는 동작 데이터 중 적어도 어느 하나를 상기 데이터베이스(230a)에 누적시켜, 상기 사물에 대한 상기 로봇의 동작 모델을 생성할 수 있다.

로봇의 동작 모델은, 기존의 용기인 경우에는 저장된 동작 데이터에 따라 동작을 수행하고, 새로운 용기인 경우에는 위 과정을 거쳐 데이터를 누적시켜 결국 로봇의 동작을 수행할 수 있게 한다.

도 9는 본 발명의 일 실시 예에 따른 제1 단계의 이미지 데이터를 생성하는 모습을 나타낸다.

도 9를 참조하면, 로봇은 내부의 카메라 등으로 용기의 검출 영역을 확보하고 해당 영역에서 용기를 인식하여 이미지 데이터 생성 후 서버에 전송하며, 여기에 대응되는 시연데이터 또는 동작 데이터 등을 해당 용기에 매칭시켜 데이터베이스(230a)에 저장하게 된다.

도 10(a)는 본 발명의 일 실시 예에 따른 제2 단계의 시연 데이터를 추출하는 모습이고, 도 10(b)는 본 발명의 일 실시 예에 따른 제2 단계의 사용자로부터 입력 받아 시연데이터를 생성하는 모습을 나타낸다.

도 10(a)를 참조하면, 이미지 데이터를 데이터베이스(230a)에서 검색하여 해당 영상이 없는 경우, 웹서버에 연결하여 해당 영상을 추출하는 모습을 나타낸다. 프로세서(260a)는 용기에 맞는 검색어를 생성하고, 상기 검색어로 인터넷이나 검색 엔진을 통해 관련된 영상을 검출할 수 있다.

도 10(b)를 참조하면, 시연 데이터를 생성하는 모습으로, 프로세서(260a)의 연산부(262a)에서는 검색된 시연 데이터 또는 상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 추정할 수 있다.

프로세서(260a)는 동영상 분류 모델을 학습시킬 시연 데이터를 수신하고, 수신한 시연 데이터의 라벨 정보에 기반하여 시연 데이터의 특징을 추출하며, 추출된 특징에 기반하여 동영상 분류 모델을 학습시키도록 설정될 수 있다.

실시 예에 따라, 시연 데이터는 동영상 데이터일 수 있다. 일 실시 예에서 시연 데이터는 분류가 완료된 동영상 데이터일 수 있으며, 분류가 완료된 동영상 데이터는 라벨링이 수행된 동영상 데이터일 수 있다.

도 11은 본 발명의 일 실시 예에 따른 동작 데이터를 통한 로봇을 제어하는 모습을 나타낸다.

도 11을 참조하면, 각 용기에 맞게 동작 데이터를 생성하여 각 용기에 대해 동작을 수행하는 로봇의 모습을 알 수 있다. 프로세서(260a)의 연산부(262a)에서는 검색된 시연 데이터 또는 상기 로봇으로부터 수신된 상기 시연 데이터로부터 동작 데이터를 생성하고 로봇을 제어할 수 있다.

본 발명은, 상용 용기의 이미지와 연관성이 높은 동영상 검색하고, 해당 영상으로부터 상용 식재료 용기 뚜껑을 여는 부분, 덜어내는 부분 또는 닫는 부분 등을 추출(action recognition)하여, 동영상을 자동으로 검색할 수 있다.

검색된 영상으로부터 pose/skeleton정보 추출하고(DNN), 여러 영상을 사용함으로써 pose/skeleton 정보의 신뢰도 높일 수 있으며, 추출된 skeleton 의 연속 동작 정보를 로봇 하드웨어에 맞는 모션으로의 변환을 통해 다양한 종류의 상용 소스 용기에 대한 로봇을 이용한 쿠킹 로봇 시스템을 구축할 수 있다.

또한, 본 발명은 학습된 내용을 이용하여 재현하기 때문에, 식재료를 정해진 식재료를 정해진 용기에 담지 않아도 되고, 식재료가 담겨있는 용기의 형태가 변하더라도 용기로부터 식재료를 덜어내어 사용 가능한 이점이 있다.

이상에서 대표적인 실시예를 통하여 본 발명을 상세하게 설명하였으나, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리 범위는 설명한 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 특허청구범위와 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태에 의하여 정해져야 한다.

Claims (17)

1. 사물의 이미지를 인식하여 동작을 구현하는 서버 기반의 쿠킹 로봇 시스템에 있어서,
   상기 사물의 이미지를 센싱부를 통해 획득하여 이미지 데이터를 생성하여 서버로 전송하거나 상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력부로부터 입력 받아 시연 데이터를 생성하여 상기 서버로 전송하며, 상기 이미지 데이터 또는 상기 시연 데이터에 대응되는 동작 데이터에 의해 상기 사물에 대한 동작을 구현하는 로봇; 및
   상기 사물에 대한 동작 데이터를 검출하고, 상기 이미지 데이터에 대응되는 동작을 웹서버를 통해 검색하여 상기 동작 데이터를 생성하거나 상기 시연 데이터에 대응되는 동작 데이터를 생성하여 상기 로봇을 제어하는 서버를 포함하는 쿠킹 로봇 시스템.
   
2. 제 1 항에 있어서,
   상기 쿠킹 로봇 시스템은 인공지능 서버와 연동되며,
   상기 사물의 이미지를 자동으로 인식하여 상기 동작 데이터를 생성하도록 인공지능 기반으로 구현되는 것을 특징으로 하는 쿠킹 로봇 시스템.
   
3. 제 1 항에 있어서,
   상기 로봇은,
   상기 사물에 대한 이미지를 획득하여 이미지 데이터를 생성하는 센싱부; 및
   상기 서버의 요청에 의해 상기 사물에 대한 사용자의 동작을 입력 받아 시연 데이터를 생성하는 입력부를 포함하는 쿠킹 로봇 시스템.
   
4. 제 3 항에 있어서,
   상기 로봇은,
   상기 센싱부와 상기 입력부에서 획득된 데이터를 상기 서버로 전송하는 통신부를 더 포함하는 쿠킹 로봇 시스템.
   
5. 제 3 항에 있어서,
   상기 센싱부는,
   상기 사물을 인식하여 이미지 데이터를 생성하기 위해 RGB 센서 또는 Depth 센서 중 적어도 어느 하나를 사용하고,
   상기 시연 데이터를 생성하기 위해 RGBD 레코더를 사용하는 것을 특징으로 하는 쿠킹 로봇 시스템.
   
6. 제 3 항에 있어서,
   상기 로봇은,
   스피커 또는 표시장치를 구비하여 상기 로봇의 현재 상태 또는 진행 과정을 상기 로봇의 외부로 음성 또는 영상으로 알려주는 출력부를 더 포함하는 것을 특징으로 하는 쿠킹 로봇 시스템.
   
7. 제 2 항에 있어서,
   상기 서버는,
   상기 사물에 대한 상기 이미지 데이터, 상기 시연 데이터 또는 상기 동작 데이터 중 적어도 어느 하나를 저장하는 데이터베이스; 및
   상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스에서 검색하여 비교하고, 매칭되는 데이터가 없으면 상기 로봇에게 상기 시연 데이터를 요청하며, 상기 동작 데이터를 전송하여 상기 로봇을 제어하는 프로세서를 포함하는 쿠킹 로봇 시스템.
   
8. 제 7 항에 있어서,
   상기 서버는,
   상기 센싱부와 상기 입력부에서 획득된 데이터를 수신하고 상기 동작 데이터를 상기 로봇에게 전송하는 통신 모듈을 더 포함하는 쿠킹 로봇 시스템.
   
9. 제 7 항에 있어서,
   상기 프로세서는,
   상기 로봇으로부터 수신된 상기 이미지 데이터를 상기 데이터베이스에서 검색하여 비교하는 검색부;
   상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 추정하는 연산부; 및
   상기 연산부에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 생성하는 변환부를 더 포함하는 쿠킹 로봇 시스템.
   
10. 로봇의 센싱부를 통해 획득된 사물의 이미지 데이터를 수신한 서버의 프로세서가 데이터베이스에서 상기 이미지 데이터를 검색하여 비교하는 제1 단계;
    상기 데이터베이스에 저장되지 않은 새로운 이미지 데이터라고 판단한 경우 웹서버에서 새로운 사물에 대한 동작을 나타내는 시연 데이터를 검색하고, 상기 시연 데이터가 없는 경우 사용자에게 새로운 사물에 대한 시연 데이터를 요청하는 제2 단계; 및
    상기 프로세서가 상기 새로운 사물에 대한 시연 데이터를 수신하여 상기 데이터베이스에 저장하고 상기 이미지 데이터에 대응하는 동작 데이터를 생성하여 상기 로봇에게 전송하며, 상기 로봇이 상기 사물에 대한 동작을 수행하는 제3 단계를 포함하는 쿠킹 로봇의 제어 방법.
    
11. 제 10 항에 있어서,
    상기 쿠킹 로봇은 인공지능 서버와 연동되며,
    상기 사물의 이미지를 자동으로 인식하여 상기 동작 데이터를 생성하도록 인공지능 기반으로 구현되는 것을 특징으로 하는 쿠킹 로봇의 제어 방법.
    
12. 제 11 항에 있어서,
    상기 제1 단계는,
    상기 데이터베이스에 상기 이미지 데이터에 매칭되는 시연 데이터가 있는 경우 상기 시연 데이터로부터 동작 데이터를 생성하고 상기 동작 데이터를 상기 로봇으로 전송하여 상기 사물에 대한 동작을 수행하는 단계를 더 포함하는 쿠킹 로봇의 제어 방법.
    
13. 제 11 항에 있어서,
    상기 제2 단계는,
    상기 프로세서가 상기 웹서버에서 상기 이미지 데이터에 매칭되는 동영상을 추출하는 단계; 및
    상기 동영상에서 상기 사물에 대한 동작을 추출하여 동작 데이터를 생성하는 단계를 더 포함하는 쿠킹 로봇의 제어 방법.
    
14. 제 13 항에 있어서,
    상기 제2 단계는,
    상기 이미지 데이터에 매칭되는 동영상이 상기 웹서버에 없는 경우 상기 사용자에게 상기 시연 데이터를 요청하는 단계를 더 포함하는 쿠킹 로봇의 제어 방법.
    
15. 제 11 항에 있어서,
    상기 제3 단계는,
    상기 로봇으로부터 수신된 상기 시연 데이터에서 상기 사용자의 동작을 연산부를 통해 추정하는 단계; 및
    상기 연산부에서 추정된 동작을 상기 로봇의 동작으로 변환시키기 위한 동작 데이터를 변환부에서 생성하는 단계를 더 포함하는 쿠킹 로봇의 제어 방법.
    
16. 제 15 항에 있어서,
    상기 제3 단계는
    상기 로봇의 동작이 변환이 되지 않는 경우, 상기 웹서버에서 동영상을 재 검색하는 단계를 더 포함하는 쿠킹 로봇의 제어 방법.
    
17. 제 11 항에 있어서,
    상기 제3 단계는,
    상기 이미지 데이터, 시연 데이터 또는 동작 데이터 중 적어도 어느 하나를 상기 데이터베이스에 누적시켜, 상기 사물에 대한 상기 로봇의 동작 모델을 생성하는 단계를 더 포함하는 쿠킹 로봇의 제어 방법.

Images