KR20190099157A - 인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 - Google Patents
인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 Download PDFInfo
- Publication number
- KR20190099157A KR20190099157A KR1020190095533A KR20190095533A KR20190099157A KR 20190099157 A KR20190099157 A KR 20190099157A KR 1020190095533 A KR1020190095533 A KR 1020190095533A KR 20190095533 A KR20190095533 A KR 20190095533A KR 20190099157 A KR20190099157 A KR 20190099157A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- washing
- wash
- information
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 160
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 115
- 238000004851 dishwashing Methods 0.000 title claims abstract description 73
- 238000005406 washing Methods 0.000 claims abstract description 211
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 163
- 238000011109 contamination Methods 0.000 claims abstract description 78
- 239000007921 spray Substances 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims description 56
- 230000005540 biological transmission Effects 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 35
- 230000008569 process Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 17
- 238000003062 neural network model Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 230000004044 response Effects 0.000 description 10
- 238000005507 spraying Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L15/00—Washing or rinsing machines for crockery or tableware
- A47L15/42—Details
- A47L15/4295—Arrangements for detecting or measuring the condition of the crockery or tableware, e.g. nature or quantity
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L15/00—Washing or rinsing machines for crockery or tableware
- A47L15/0002—Washing processes, i.e. machine working principles characterised by phases or operational steps
- A47L15/0007—Washing phases
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L15/00—Washing or rinsing machines for crockery or tableware
- A47L15/0018—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control
- A47L15/0021—Regulation of operational steps within the washing processes, e.g. optimisation or improvement of operational steps depending from the detergent nature or from the condition of the crockery
- A47L15/0031—Water discharge phases
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L15/00—Washing or rinsing machines for crockery or tableware
- A47L15/42—Details
- A47L15/4278—Nozzles
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L15/00—Washing or rinsing machines for crockery or tableware
- A47L15/42—Details
- A47L15/4278—Nozzles
- A47L15/4282—Arrangements to change or modify spray pattern or direction
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
- B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
- B05B12/08—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means
- B05B12/12—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means responsive to conditions of ambient medium or target, e.g. humidity, temperature position or movement of the target relative to the spray apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
- H04N13/106—Processing image signals
- H04N13/156—Mixing image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L15/00—Washing or rinsing machines for crockery or tableware
- A47L15/0018—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control
- A47L15/0063—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control using remote monitoring or controlling of the dishwasher operation, e.g. networking systems
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
- A47L2401/04—Crockery or tableware details, e.g. material, quantity, condition
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L2501/00—Output in controlling method of washing or rinsing machines for crockery or tableware, i.e. quantities or components controlled, or actions performed by the controlling device executing the controlling method
- A47L2501/20—Spray nozzles or spray arms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
인공지능 장치를 이용한 식기 세척 방법을 개시한다. 본 발명의 일 실시예에 따른 인공지능 장치를 이용한 식기 세척 방법은, 세척기 내부를 촬영하여 획득된 제1 이미지에 기초하여 3차원의 제2 이미지를 생성하고, 제1 이미지에 기초하여 세척물의 오염도 정보를 획득하여 제2 이미지에 매핑하고, 오염도 정보가 매핑된 제2 이미지에 기초하여 세척수가 세척물에 도달하기 위한 경로를 따라 세척수가 분사되게 하기 위한 살수용 노즐 및 세척수 반사판의 위치를 획득함으로써, 세척물을 세척한다. 이에 따라, 발화자의 음성 명령을 수신인이 수신하지 못하는 경우에도, 발화자의 음성 명령이 성공적으로 수신인에게 전달될 수 있다.
본 발명은 지능형 컴퓨팅 디바이스가 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
본 발명은 지능형 컴퓨팅 디바이스가 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 발명은 인공지능 장치를 이용한 식기 세척 방법에 관한 것으로서, 보다 구체적으로는 세척물의 오염 정보가 반영된 3차원 이미지에 기초한 식기 세척 방법 및 장치에 관한 것이다.
식기 세척기는 식기 세척을 수행하는 장치이다. 식기 세척기는 식기 세척기 내부에 배열된 세척물에 세척수를 분사함으로써 식기를 세척할 수 있다.
종래의 기술에서는 식기 세척기를 이용하여 세척물을 세척하기 위해 세척물들이 식기 세척기의 특정한 내부 구조에 맞추어 식기 세척기의 내부에 배열되어야 한다. 이로 인하여, 식기 세척기 사용자로 하여금 많은 시간과 노력을 요하게 되는 불편함이 초래된다.
따라서, 식기 세척기를 이용하여 세척물을 세척할 때, 세척물들은 식기 세척기의 특정한 내부 구조와 상관없이 식기 세척기의 내부에 배열됨으로써, 식기 세척기 사용자가 식기 세척을 위해 많은 시간과 노력이 필요하게 되는 불편함이 해결되어야 할 필요성이 있다.
이러한 필요성을 충족시키기 위해, 본 발명은 식기 세척기의 내부구조와 상관없이 식기를 세척하기 위한 AI(Artificial Intelligence) 장치를 이용한 식기 세척 방법을 제공한다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 3차원 이미지에 기초하여 식기를 세척하는 방법을 구현하는 것을 목적으로 한다.
또한, 본 발명은 3차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척하는 방법을 구현하는 것을 목적으로 한다.
또한, 본 발명은 식기 세척기 내부의 세척물들의 개별적인 오염 정보가 반영된 3차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척하는 방법을 구현하는 것을 목적으로 한다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 양상에 따른 AI 장치를 이용한 식기 세척 방법은, 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 이미지인 제1 이미지를 생성하는 단계; 상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성하는 단계; 상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득하는 단계; 상기 오염도 정보를 상기 제2 이미지에 매핑하는 단계; 상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하는 단계; 상기 경로를 따라 상기 세척수가 분사되게 하기 위한 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득하는 단계; 및 상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척하는 단계; 를 포함한다.
상기 제2 이미지를 생성하는 단계는, 상기 제1 이미지에 기초하여 적어도 하나의 세척물을 개별적으로 인식하는 단계; 를 더 포함할 수 있다.
개별적으로 인식된 상기 적어도 하나의 세척물에 대한 세척물 인식 정보를 상기 세척기에 포함된 세척물 인식 학습부로 피드백하는 단계를 더 포함하되; 상기 세척물 인식 정보는 개별적으로 인식된 상기 적어도 하나의 세척물중 하나에 대한 형상, 색상 또는 무늬 중 적어도 하나를 포함할 수 있다.
상기 제 2 이미지는 상기 적어도 하나의 세척물의 크기 및 상기 적어도 하나의 배치를 나타낼 수 있다.
상기 오염도 정보를 획득하는 단계는, 상기 제 1 이미지에 기초하여 상기 적어도 하나의 세척물을 개별적으로 인식하는 단계; 및 개별적으로 인식된 상기 적어도 하나의 세척물의 오염도를 각각 예측하는 단계; 를 더 포함할 수 있다.
상기 오염도 정보는 상기 적어도 하나의 세척물의 오염 위치 정보 또는 오염 정도 정보 중 적어도 하나를 포함할 수 있다.
상기 오염도 정보는 상기 적어도 하나의 세척물 각각에 대응될 수 있다.
상기 제2 이미지에 매핑하는 단계는, 상기 적어도 하나의 세척물 각각에 대응되는 상기 오염도 정보를 상기 제 2 이미지에 포함된 상기 적어도 하나의 세척물 각각에 대하여 저장하는 단계; 를 더 포함할 수 있다.
상기 세척물을 세척하는 단계는, 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 살수용 분사 노즐 또는 상기 적어도 하나의 세척수 반사판 중 적어도 하나를 이동시키는 단계; 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 세척수 반사판을 회전시키는 단계; 및 상기 적어도 하나의 분사용 노즐이 세척수를 분사하도록 제어하는 단계; 를 더 포함할 수 있다.
상기 적어도 하나의 살수용 노즐 또는 상기 적어도 하나의 세척수 반사판은 획득된 상기 위치로 이동용 레일상에서 개별적으로 이동할 수 있다.
상기 적어도 하나의 세척수 반사판은 오른쪽 또는 왼쪽 방향으로 일정 값으로 회전할 수 있다.
상기 제1 이미지의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하고, 상기 제1 이미지는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계; 를 더 포함할 수 있다.
상기 제1 이미지를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계; 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계를 더 포함할 수 있다.
본 발명의 다른 양상에 따른 AI 장치를 이용한 음성 처리 방법을 지원하는 지능형 컴퓨팅 디바이스는, 적어도 하나의 센서를 포함하는 센싱부; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어를 포함하는 메모리;를 포함하고, 상기 명령어는, 상기 프로세서가 상기 센싱부에 포함된 카메라를 통해 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 이미지인 제1 이미지를 생성하도록 하고, 상기 프로세서가 상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성하도록 하고, 상기 프로세서가 상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득하도록 하며, 상기 프로세서가 상기 오염도 정보를 상기 제2 이미지에 매핑하도록 하고, 상기 프로세서가 상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하도록 하고, 상기 프로세서가 상기 경로를 따라 상기 세척수가 분사되게 하기 위한 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득하도록 하고, 및 상기 프로세서가, 상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척한다.
상기 프로세서는, 상기 제2 이미지를 생성하기 위해 상기 제1 이미지에 기초하여 적어도 하나의 세척물을 개별적으로 인식할 수 있다.
상기 프로세서는, 개별적으로 인식된 상기 적어도 하나의 세척물에 대한 세척물 인식 정보를 상기 세척기에 포함된 세척물 인식 학습부로 피드백하고, 상기 세척물 인식 정보는 개별적으로 인식된 상기 적어도 하나의 세척물중 하나에 대한 형상, 색상 또는 무늬 중 적어도 하나를 포함하는 AI 장치를 이용한 식기 세척 방법을 지원할 수 있다.
상기 제 2 이미지는 상기 적어도 하나의 세척물의 크기 및 상기 적어도 하나의 배치를 나타낼 수 있다.
상기 프로세서는, 상기 오염도 정보를 획득하기 위해 상기 제 1 이미지에 기초하여 상기 적어도 하나의 세척물을 개별적으로 인식하고, 및 개별적으로 인식된 상기 적어도 하나의 세척물의 오염도를 각각 예측할 수 있다.
상기 오염도 정보는 상기 적어도 하나의 세척물의 오염 위치 정보 또는 오염 정도 정보 중 적어도 하나를 포함할 수 있다.
본 발명은 3차원 이미지에 기초하여 식기를 세척할 수 있는 효과가 있다.
또한, 본 발명은 3차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척할 수 있다.
또한, 본 발명은 식기 세척기 내부의 세척물들의 개별적인 오염 정보가 반영된 3차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 본 발명의 이해를 돕기 위한 식기 세척기의 일 례를 나타낸 도이다.
도 6은 본 발명의 이해를 돕기 위한 식기 세척기의 일 례를 나타낸 도이다.
도 7은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법을 수행하는 식기 세척이기의 블록도의 일 예를 나타낸다.
도 8은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 10은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 12는 본 발명의 일 실시예에 따른 AI 장치를 이용한 음성 처리 방법이 수행되는 일 예를 나타낸 흐름도이다.
도 13은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 14는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 흐름도이다.
도 15는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 16은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 17은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 본 발명의 이해를 돕기 위한 식기 세척기의 일 례를 나타낸 도이다.
도 6은 본 발명의 이해를 돕기 위한 식기 세척기의 일 례를 나타낸 도이다.
도 7은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법을 수행하는 식기 세척이기의 블록도의 일 예를 나타낸다.
도 8은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
도 9는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 10은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 12는 본 발명의 일 실시예에 따른 AI 장치를 이용한 음성 처리 방법이 수행되는 일 예를 나타낸 흐름도이다.
도 13은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 14는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 흐름도이다.
도 15는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 16은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 17은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 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 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 음성 명령 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ?}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 특정 장치 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 본 발명이 제공하는 방과 관련된 모든 동작들을 포함할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 본 발명이 제공하는 방법이 수행되기 위해 필요한 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 본 발명이 제공하는 방법이 수행되기 위해 필요한 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 4에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 5에서와 같이 종래의 기술에서는, 식기 세척기를 이용하여 세척물을 세척할 때, 세척물들은 식기 세척기의 특정한 내부 구조에 맞추어 식기 세척기의 내부에 배열되어야 한다. 이로 인하여, 식기 세척기 사용자로 하여금 많은 시간과 노력을 요하게 되는 불편함이 초래된다.
따라서, 도 6과 같이, 식기 세척기를 이용하여 세척물을 세척할 때, 세척물들은 식기 세척기의 특정한 내부 구조와 상관없이 상기 식기 세척기의 내부에 배열됨으로써, 식기 세척기 사용자가 식기 세척을 위해 많은 시간과 노력이 필요하게 되는 불편함이 해결되어야 할 필요성이 있다.
이러한 필요성을 충족시키기 위해, 본 발명은 식기 세척기의 내부구조와 상관없이 식기를 세척하기 위한 AI(Artificial Intelligence) 장치를 이용한 식기 세척 방법을 제공한다.
보다 구체적으로, 본 발명은 내부 카메라를 통해 세척물들이 임의로 배열되어 있는 식기 세척기 내부 사진을 촬영하고, 촬영된 상기 내부 사진을 통하여 식기 세척기 내부의 3차원 이미지를 생성하고, 촬영된 상기 내부 사진을 통하여 세척물들의 오염 정도를 판단함으로써, 3차원 이미지와 오염 정도에 기초하여 식기 세척기 내부 구조에 구애 받지 않고 세척물들을 세척할 수 있는 AI 장치를 이용한 식기 세척 방법을 제공한다.
이하에서, 본 발명이 제공하는 AI(Artificial Intelligence) 장치를 이용한 식기 세척 방법에 대하여 구체적으로 살펴본다.
도 7은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법을 수행하는 식기 세척이기의 블록도의 일 예를 나타낸다.
본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척기(700)는 제어부(710), 전원부(720), 이미지 생성부(730), 오염도 판단부(740), 세척부(750) 및 통신부(760)를 포함한다.
제어부(710)는 이미지 생성부(730), 오염도 판단부(740) 및 세척부(750)를 제어하고 또는 상호작용 한다. 상호 작용이란 상기 식기 세척기를 구성하는 구성요소간에 필요한 정보들을 주고 받는 것을 의미할 수 있다.
전원부(720)은 식기 세척기에 전원을 공급한다.
이미지 생성부는(730)는 이미지 촬영부(731), 이미지 형성부(732) 및 이미지 저장부(733)를 포함한다.
이미지 생성부는 본 발명이 제공하는 AI 장치를 이용한 식기 세척 방법이 수행되기 위해 필요한 이미지를 생성한다. 필요한 이미지를 생성하기 위해, 이미지 촬영부는 식기 세척기(700) 내부 이미지를 촬영하고, 촬영된 내부 이미지를 이미지 형성부(732) 및 오염도 판단부(740)로 전달한다. 상기 내부 이미지는 사진 또는 영상일 수 있다.
이미지 형성부(732)는 세척물 인식부(732-1), 세척물 인식 학습부(732-2) 및 이미지 구성부(732-3)를 포함하는데, 이미지 형성부는 전달받은 내부 이미지에 기초하여 3차원 이미지를 형성한다. 또한, 이미지 형성부(732)는 형성된 이미지를 이미지 저장부로 전달한다.
세척물 인식부(732-1)는 세척물 인식 학습부(732-2)와 상호 동작하여 이미지 촬영부로부터 전달 받은 내부이미지에 포함된 세척물을 인식하고, 인식된 세척물의 이미지를 이미지 구성부로 전달한다. 세척물 인식 학습부(732-2)는 세척물 인식부(732-1)의 세척물 인식 동작을 돕는다. 상기 세척물 인식 학습부(732-2)는 세척물 인식을 학습할 수 있다. 구체적으로, 인식한 세척물을 학습하고 학습된 정보를 저장할 수 있는데, 이후에 또 다른 세척물을 인식해야 할 때 학습된 정보를 사용할 수 있다. 이미지 구성부(732-3)는 세척물 인식부로부터 전달받은 이미지에 기초하여 3차원 이미지를 생성한다.
이미지 저장부(733)는 이미지 형성부로부터 전달 받은 3차원 이미지를 저장한다. 저장된 상기 3차원 이미지는 식기 세척기(700)의 동작 단계에 따라 변경 될 수 있다.
또한, 오염도 판단부(740)는 오염 인식부(741), 오염도 판단 학습부(742) 및 세척 결과 전달부(743)를 포함하는데, 이미지 촬영부로부터 전달 받은 내부 이미지에 기초하여 세척물들의 오염도를 판단한다.
오염 인식부(741)는 이미지 촬영부로부터 전달 받은 내부 이미지에 기초하여 세척물에 오염이 있다는 것을 인지한다. 오염도 판단 학습부(742)는 오염 인식부(741)이 세척물에 오염이 있는 세척물을 인지한 경우, 상기 인지된 세척물의 오염도를 판단하고, 오염도를 이미지 저장부(733)에 저장된 3차원 이미지에 매핑할 수 있다. 즉, 상기 오염도가 상기 3차원 이미지상에 존재하는 세척물에 적용될 수 있다. 상기 오염도가 3차원 이미지에 적용되면, 3차원 이미지는 상기 오염도가 적용된 3차원 이미지로 업데이트 될 수 있다. 상기 오염도는 오염부분의 면적 또는 오염의 정도 중 적어도 하나에 대한 것일 수 있다.
세척 결과 전달부(743)는 세척 후의 세척 결과와 관련된 정보를 생성하고, 이를 오염도 판단 학습부(742)로 피드백한다. 오염도 판단 학습부(742)는 세척 결과와 관련된 정보를 사용하여 오염도 판단을 학습할 수 있다.
또한, 상기 세척 결과와 관련된 정보는 이미지 저장부(741)로 전달되어, 이미지 저장부(741)에 저장된 3차원 이미지에 적용될 수 있다. 상기 세척 결과가 적용되면, 3차원 이미지는 업데이트 될 수 있다.
또한, 세척부(750)는 살수부(751), 세척수 반사부(752) 및 살수 계산부(753)를 포함한다.
살수 경로 계산부(753)는 세척물에 세척수를 분사할 경로를 계산한다. 경로 계산을 위해, 이미지 저장부(733)에 저장된 3차원 이미지가 사용된다. 또한, 계산된 경로로 세척수가 도달할 수 있도록 적절하게 살수부 및 세척수 반사부의 위치를 결정한다.
세척부(750)는 살수부(751) 및 세척수 반사부(752)를 통하여 계산된 경로에 및위치에 기초하여 세척물을 세척한다.
살수부는 계산된 경로로 세척수를 분사하고, 세척수 반사부는 살수부가 분사한 세척수를 반사함으로써 세척물이 세척되도록 돕는다. 살수부와 세척수 반사부는 상호 연결되어 동작할 수 있다.
통신부(760)는 외부 네트워크와 통신할 수 있다. 구체적으로, 식기 세척기는 촬영된 식기 세척기 내부 이미지를 상기 외부 네트워크로 통신부를 통하여 전송하고, 식기 세척기 내부의 이미지 생성부, 오염도 판단부 및 세척부에서 이루어지는 프로세싱 과정이 상기 외부 네트워크에서 수행되고, 프로세싱 과정이 수행된 결과 생성된 정보(오염도가 적용된 3차원 이미지)를 통신부를 통해 네트워크로부터 수신할 수 있다.
도 8은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
도 8은 본 발명이 제공하는 AI 장치를 이용한 식기 세척 방법이 세척기에서 수행되는 단계를 개략적으로 나타낸다.
먼저, 식기 세척기는 3차원 이미지를 형성한다(S810). 상기 3차원 이미지는 식기 세척기 내부 카메라로 촬영된 영상(내부 이미지)에 기초하여 생성된다.
상기 촬영된 영상은 정지된 사진일 수도 있고 식기 세척기 내부의 실시간 상황을 보여주는 영상일 수 있다. 설명의 편의를 위해 이하에서 촬영된 영상은 식기 세척기 내부의 실시간 상황을 보여주는 영상인 것으로 하나, 본 발명이 이에 한정되는 것은 아니다.
다음, 식기 세척기는 촬영된 영상에 기초하여 세척물의 오염도를 판단한다(S810). 상기 오염도는 세척기 내부에 배열된 세척물에 대하여 개별적으로 판단되고, 상기 오염도에 관한 정보를 포함한 오염도 정보가 세척물에 대하여 개별적으로 생성될 수 있다. 즉, 식기 세척기 내부에 세척물이 5개가 존재한다면, 오염도 정보도 5개가 존재할 수 있다.
마지막으로, 식기 세척기는 3차원 이미지를 사용하여 세척물을 세척한다 (S830). 식기 세척기는 3차원 이미지와 오염도에 기초하여 세척물을 세척할 수 있다.
이하에서, 도 9 내지 도 15을 참조하여 위의 S810 내지 S830에 대해서 구체적으로 살펴보도록 한다.
도 9는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 9는 도 8에서 식기 세척기가 3차원 이미지를 형성하는 단계가 수행되는 과정을 구체적으로 나타낸다.
이미지 생성부(900)는 세척물 인식 학습부(910), 세척물 인식부(920) 및 이미지 구성부(930)를 포함한다.
도 9에 나타난 것처럼, 세척물 인식 학습부는 세척물의 이미지를 학습할 수 있다(S910). 세척물을 1회 세척할 때마다 세척물 인식 학습부는 세척한 세척물들에 대한 특징을 학습하고, 학습된 정보를 저장할 수 있다.
도 9에 도시되어 있지 않지만, 이미지 생성부는 식기 세척기의 내부 영상을 촬영부로부터 전달받는다.
세척물 인식부는 전달받은 내부 영상에 포함된 세척물을 인식하는데(S930), 세척물 인식 학습부는 세척물 인식부가 세척물을 인식할 수 있도록 도울 수 있다. 상기 세척물들은 상기 세척물 인식부에 의하여 개별적으로 인식된다. 예를 들어, 세척물이 10개가 존재한다면, 세척물 인식 학습부는 10개의 세척물 각각을 인식할 수 있다.
세척물 인식부가 세척물을 인식한 결과 세척물 인식 정보가 생성될 수 있다. 세척물 인식부는 상기 세척물 인식 정보를 세척물 인식 학습부로 피드백할 수 있다(S920). 세척물 인식 학습부는 피드백 받은 세척물 인식 정보를 이용하여 세척물 인식을 학습할 수 있다. 상기 세척물 인식 정보는 세척물의 형상, 색상 또는 무늬와 관련된 정보를 포함할 수 있다.
또한, 세척물 인식부는 개별적으로 인식된 세척물들 각각의 이미지를 생성할 수도 있다. 세척물 인식부는 상기 인식된 세척물들 각각의 이미지를 이미지 구성부로 전달할 수 있다.
이미지 구성부는 전달 받은 이미지에 기초하여 3차원 이미지를 생성한다(S940). 상기 3차원 이미지는 세척물의 크기 및 배치를 나타낼 수 있다.
도 10은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
식기 세척기 내부의 이미지 생성부는 촬영부로부터 촬영된 내부 영상을 수신한다(S1010).
수신된 내부 영상에 기초하여, 식기 세척기 내부의 이미지 생성부는 내부영상에 포함된 세척물을 개별적으로 인식한다(S1020).
다음, 식기 세척기 내부의 이미지 생성부는 인식된 세척물들의 특징적인 정보를 파악하고, 특징적인 정보를 이미지 생성부의 세척물 인식 학습부로 전달한다(S1030). 이미지 생성부의 세척물 인식 학습부는 특징적인 정보를 학습할 수 있다.
식기 세척기는 3차원 이미지를 구성한다(S1030). 상기 3차원 이미지는 세척물의 세척에 사용된다.
도 11은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 11는 도 8에서 식기 세척기가 식기 세척기 내부 영상에 기초하여 세척물의 오염도를 판단하는 단계가 수행되는 과정을 구체적으로 나타낸다.
오염도 판단부(1100)는 오염 인식부(1110), 오염도 판단 학습부(1120) 및 세척 결과 정보 전달부(1130)를 포함한다.
도 11에 도시되어 있지는 않지만, 오염 인식부는 내부 촬영 영상을 촬영부로부터 전달받는다.
오염 인식부는 내부 촬영 영상에 포함된 세척물에 오염이 있음을 인식하고, 오염 판단 학습부로 오염도 판단을 요청할 수 있다. 또는, 오염 인식부가 세척물의 오염을 인식하면 자동으로 오염도 판단 학습부는 세척물의 오염도를 판단할 수 있다.
상기 촬영 영상은 세척 전의 세척물을 촬영한 것이므로, 오염 판단 학습부는 촬영 영상에 포함된 세척물 각각의 오염도를 판단할 수 있다(S1110). 판단 결과 세척물 각각의 오염도에 관련된 정보인 오염도 정보가 생성될 수 있다. 구체적으로, 세척물이 10개가 있다면 오염도 정보도 10개가 생성될 수 있다.
오염도 판단부는 저장된 3차원 이미지에 상기 오염도 정보를 저장한다(S1120). 즉, 3차원 이미지에 포함된 각각의 세척물에 상기 오염도 정보를 각각 적용한다.
상기 오염도 정보 적용의 결과로, 3차원 이미지에 포함된 세척물은 오염도 정보가 반영되어 저장되게 된다(S1330).
즉, 만약 오염도 정보가 반영되기 전에는 세척물이 오염되지 않은 상태로 3차원 이미지에 저장되어 있었다면, 상기 오염도 정보가 반영된 후에는 상기 3차원 이미지에 포함된 세척물은 오염된 상태인 것으로 저장되어 있을 수 있다.
도 12는 본 발명의 일 실시예에 따른 AI 장치를 이용한 음성 처리 방법이 수행되는 일 예를 나타낸 흐름도이다.
식기 세척기 내부의 오염도 판단부는 촬영부로부터 촬영된 내부 영상을 수신한다(S1210).
수신된 내부 영상에 기초하여, 식기 세척기 내부의 오염도 판단부는 촬영 영상에 포함된 세척물에 오염이 있음을 인식한다(S1220).
다음, 식기 세척기 내부의 오염도 판단부는 내부영상에 포함된 세척물의 오염도를 판단하고, 오염도를 판단한 결과에 기초하여 세척물 각각에 대한 오염도 정보를 생성한다(S1230).
식기 세척기 내부의 오염도 판단부는 오염도 정보를 이미지 저장부에 저장된 3차원 이미지로 전달한다(S1240).
도 13은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 13는 도 8에서 식기 세척기가 식기 세척기 내부 영상에 기초하여 세척물의 오염도를 판단하는 단계가 수행되는 과정을 구체적으로 나타낸다.
오염도 판단부(1300)는 오염 인식부(1310), 오염도 판단 학습부(1320) 및 세척 결과 정보 전달부(1330)를 포함한다.
도 13에 도시되어 있지는 않지만, 오염 인식부는 내부 촬영 영상을 촬영부로부터 전달받는다.
상기 촬영 영상은 세척 후의 세척물을 촬영한 것이므로, 오염 인식부와 오염 판단 학습부는 세척물의 오염도를 판단하기 위한 동작을 수행하지 않는다.
반면, 세척 결과 정보 전달부는 촬영 영상에 기초하여 세척물 각각에 대한 세척 결과를 파악하고, 세척 결과에 기초하여 세척물 각각의 세척 결과 정보를 생성한다(S1310). 구체적으로, 세척물이 10개가 있다면 세척 결과 정보도 10개가 생성될 수 있다.
세척 결과 정보 전달부는 오염도 판단 학습부로 세척 결과 정보를 전달한다(S1320). 오염도 판단 학습부는 세척 결과 정보를 학습할 수 있다.
또한, 오염도 판단부는 저장된 3차원 이미지에 상기 세척 결과 정보를 저장한다(S1330). 즉, 3차원 이미지에 포함된 각각의 세척물에 상기 세척 결과 정보를 각각 적용한다.
상기 세척 결과 정보 적용의 결과로, 3차원 이미지에 포함된 세척물은 세척 결과 정보가 반영되어 저장되게 된다(S1340).
즉, 만약 오염도 정보가 반영된 세척물이 3차원 이미지에 저장되어 있었다면, 상기 세척 결과 정보가 반영된 후에는 상기 3차원 이미지에 포함된 세척물은 세척 후 오염이 제거된 상태인 것으로 저장되어 있을 수 있다.
도 14는 본 발명의 일 실시예에 따른 AI 장치를 이용한 음성 처리 방법이 수행되는 일 예를 나타낸 흐름도이다.
식기 세척기 내부의 오염도 판단부는 촬영부로부터 촬영된 내부 영상을 수신한다(S1410). 상기 내부 영상은 세척 후의 식기 세척기 내부 영상에 해당한다.
수신된 내부 영상에 기초하여, 식기 세척기 내부의 오염도 판단부는 세척오염이 결과를 판단하고, 세척 결과에 기초하여 세척 결과정보를 생성한다(S1420).
생성된 세척 결과 정보는 오염도 판단부의 오염도 판단 학습부로 피드백 된다(S1420). 피드백 된 세척 결과 정보는 상기 오염도 판단 학습부에 의하여 학습될 수 있다.
식기 세척기 내부의 오염도 판단부는 세척 결과 정보를 이미지 저장부에 저장된 3차원 이미지로 전달한다(S1440).
도 15는 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 15는, 도 8에서 식기 세척기가 생성된 3차원 이미지를 사용하여 세척물을 세척하는 과정을 구체적으로 나타낸다.
살수용 노즐(1510), 살수용 노즐의 이동용 레일(1520), 세척수 반사판(1530), 세척수 반사판 이동용 레일(1540) 및 세척물(1550)이 도시되어 있다. 살수용 노즐 각각은 살수용 노즐 이동용 레일을 따라 개별적으로 이동할 수 있다. 또한, 세척수 반사판 각각은 세척수 반사판 이동용 레일을 따라 개별적으로 이동할 수 있다.
살수용 노즐은 세척수를 분사하여 세척물을 세척할 수 있다. 또한, 살수용 노즐은 반사판으로 세척수를 분사하여, 최종적으로 반사판에 세척수가 반사된 경로를 따라 세척수가 분사될 수 있다.
식기 세척기는 3차원 이미지에 기초하여 세척수가 세척물에 분사되기 위한 경로를 계산하고, 세척수가 계산된 경로를 통하여 세척물에 도달할 수 있도록 하는 살수용 노즐과 세척수 반사판의 위치를 결정할 수 있다.
또한, 반사판은 살수용 노즐이 분사한 세척수를 다양한 방향으로 반사할 수 있도록 회전이 가능하다.
도 16은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법이 수행되는 일 예를 나타낸 도이다.
도 16은 살수용 노즐과 세척수 반사판의 어떻게 상호 동작하는지를 구체적으로 보여준다.
세척물이 위치가 도 16에서의 예시와 같다면, 살수용 노즐이 분사하는 세척수는 세척물의 안쪽에 면에 도달할 수 없다. 이러한 경우에 살수용 노즐은 세척수 반사판으로 세척수를 분사하고, 세척수 반사판은 세척수 반사판으로 분사된 세척수가 반사되어 세척물의 내부를 세척할 수 있도록 한다.
세척수 반사판은 세척수가 반사되어 세척물의 내부에 도달할 수 있도록 적절한 각도다 설정될 수 있다. 식기 세척기는 살수용 노즐과 세척수 반사판이 적절하게 상호동작 할 수 있도록, 살수용 노즐과 세척수 반사판의 관계에 기초하여 일정한 규칙을 설정할 수 있다. 예를 들면, 세척물 위치에 기초한 살수용 노즐의 위치가 정해지면, 세척수 반사판의 위치 및 회전 각도 등은 별도의 계산 없이 살수용 노즐과 세척수 반사판 사이의 일정한 규칙에 따라 정해질 수 있다.
세척을 위해 살수용 노즐과 세척수 반사판을 상호동작하게 함으로써, 적은 수의 살수용 노즐만을 이용하여 효율적으로 세척물을 세척할 수 있는 효과가 있다.
도 17은 본 발명의 일 실시예에 따른 AI 장치를 이용한 식기 세척 방법의 일 예를 나타낸 흐름도이다.
식기 세척기는 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 이미지인 제1 이미지를 생성한다(S1710)
다음, 식기 세척기는 상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성한다(S1720).
다음, 식기 세척기는 상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득한다(S1730).
다음, 식기 세척기는 상기 오염도 정보를 상기 제2 이미지에 매핑한다(S1740).
이후, 식기 세척기는 상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하고, 경로에 기초하여 상기 세척수가 분사되게 하기 위한 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득한다(S1760).
상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척한다(S1770).
실시예 1: AI 장치를 이용한 식기 세척 방법은, 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 이미지인 제1 이미지를 생성하는 단계; 상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성하는 단계; 상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득하는 단계; 상기 오염도 정보를 상기 제2 이미지에 매핑하는 단계; 상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하는 단계; 상기 경로를 따라 상기 세척수가 분사되게 하기 위한 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득하는 단계; 및 상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척하는 단계; 를 포함한다.
실시예 2: 실시예 1에 있어서, 상기 제2 이미지를 생성하는 단계는, 상기 제1 이미지에 기초하여 적어도 하나의 세척물을 개별적으로 인식하는 단계; 를 더 포함할 수 있다.
실시예 3: 실시예 2에 있어서, 개별적으로 인식된 상기 적어도 하나의 세척물에 대한 세척물 인식 정보를 상기 세척기에 포함된 세척물 인식 학습부로 피드백하는 단계를 더 포함하되; 상기 세척물 인식 정보는 개별적으로 인식된 상기 적어도 하나의 세척물중 하나에 대한 형상, 색상 또는 무늬 중 적어도 하나를 포함할 수 있다.
실시예 4: 실시예 1에 있어서, 상기 제 2 이미지는 상기 적어도 하나의 세척물의 크기 및 상기 적어도 하나의 배치를 나타낼 수 있다.
실시예 5: 실시예 1에 있어서, 상기 오염도 정보를 획득하는 단계는, 상기 제 1 이미지에 기초하여 상기 적어도 하나의 세척물을 개별적으로 인식하는 단계; 및 개별적으로 인식된 상기 적어도 하나의 세척물의 오염도를 각각 예측하는 단계; 를 더 포함할 수 있다.
실시예 6: 실시예 5에 있어서, 상기 오염도 정보는 상기 적어도 하나의 세척물의 오염 위치 정보 또는 오염 정도 정보 중 적어도 하나를 포함할 수 있다.
실시예 7: 실시예 1에 있어서, 상기 오염도 정보는 상기 적어도 하나의 세척물 각각에 대응될 수 있다.
실시예 8: 실시예 7에 있어서, 상기 제2 이미지에 매핑하는 단계는, 상기 적어도 하나의 세척물 각각에 대응되는 상기 오염도 정보를 상기 제 2 이미지에 포함된 상기 적어도 하나의 세척물 각각에 대하여 저장하는 단계; 를 더 포함할 수 있다.
실시예 9: 실시예 1에 있어서, 상기 세척물을 세척하는 단계는, 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 살수용 분사 노즐 또는 상기 적어도 하나의 세척수 반사판 중 적어도 하나를 이동시키는 단계; 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 세척수 반사판을 회전시키는 단계; 및 상기 적어도 하나의 분사용 노즐이 세척수를 분사하도록 제어하는 단계; 를 더 포함할 수 있다.
실시예10: 실시예 9에 있어서, 상기 적어도 하나의 살수용 노즐 또는 상기 적어도 하나의 세척수 반사판은 획득된 상기 위치로 이동용 레일상에서 개별적으로 이동할 수 있다.
실시예 11: 실시예 10에 있어서, 상기 적어도 하나의 세척수 반사판은 오른쪽 또는 왼쪽 방향으로 일정 값으로 회전할 수 있다.
실시예 12: 실시예 1에 있어서, 상기 제1 이미지의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하고, 상기 제1 이미지는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
실시예 13: 실시예 12에 있어서, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계; 를 더 포함할 수 있다. AI 장치를 이용한 식기 세척 방법.
실시예 14: 실시예 12에 있어서, 상기 제1 이미지를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계; 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계를 더 포함할 수 있다.
실시예 15: AI 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스는, 적어도 하나의 센서를 포함하는 센싱부; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어를 포함하는 메모리;를 포함하고, 상기 명령어는, 상기 프로세서가 상기 센싱부에 포함된 카메라를 통해 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 이미지인 제1 이미지를 생성하도록 하고, 상기 프로세서가 상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성하도록 하고, 상기 프로세서가 상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득하도록 하며, 상기 프로세서가 상기 오염도 정보를 상기 제2 이미지에 매핑하도록 하고, 상기 프로세서가 상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하도록 하고, 상기 프로세서가 상기 경로를 따라 상기 세척수가 분사되게 하기 위한 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득하도록 하고, 및 상기 프로세서가, 상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척한다.
실시예 16: 실시예 15에 있어서, 상기 프로세서는, 상기 제2 이미지를 생성하기 위해 상기 제1 이미지에 기초하여 적어도 하나의 세척물을 개별적으로 인식할 수 있다.
실시예 17: 실시예 16에 있어서, 상기 프로세서는, 개별적으로 인식된 상기 적어도 하나의 세척물에 대한 세척물 인식 정보를 상기 세척기에 포함된 세척물 인식 학습부로 피드백하고, 상기 세척물 인식 정보는 개별적으로 인식된 상기 적어도 하나의 세척물중 하나에 대한 형상, 색상 또는 무늬 중 적어도 하나를 포함하는 AI 장치를 이용한 식기 세척 방법을 지원할 수 있다.
실시예 18: 실시예 15에 있어서, 상기 제 2 이미지는 상기 적어도 하나의 세척물의 크기 및 상기 적어도 하나의 배치를 나타낼 수 있다.
실시예 19: 실시예 15에 있어서, 상기 프로세서는,
상기 오염도 정보를 획득하기 위해 상기 제 1 이미지에 기초하여 상기 적어도 하나의 세척물을 개별적으로 인식하고, 및 개별적으로 인식된 상기 적어도 하나의 세척물의 오염도를 각각 예측할 수 있다.
실시예 20: 실시예 19에 있어서, 상기 오염도 정보는 상기 적어도 하나의 세척물의 오염 위치 정보 또는 오염 정도 정보 중 적어도 하나를 포함할 수 있다.
실시예 21: 실시예 15에 있어서, 상기 오염도 정보는 상기 적어도 하나의 세척물 각각에 대응될 수 있다.
실시예 22: 실시예 21에 있어서, 상기 프로세서는, 상기 오염도 정보를 상기 제2 이미지에 매핑하기 위해 상기 적어도 하나의 세척물 각각에 대응되는 상기 오염도 정보를 상기 제 2 이미지에 포함된 상기 적어도 하나의 세척물 각각에 대하여 저장할 수 있다.
실시예 23: 실시예 15에 있어서, 상기 프로세서는, 상기 세척물을 세척하기 위해, 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 살수용 분사 노즐 또는 상기 적어도 하나의 세척수 반사판 중 적어도 하나를 이동시키고, 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 세척수 반사판을 회전시키고, 및 상기 적어도 하나의 분사용 노즐이 세척수를 분사할 수 있다.
실시예 24: 실시예 23에 있어서, 상기 적어도 하나의 살수용 노즐 또는 상기 적어도 하나의 세척수 반사판은 획득된 상기 위치로 이동용 레일상에서 개별적으로 이동할 수 있다.
실시예 25: 실시예 24에 있어서, 상기 적어도 하나의 세척수 반사판은 오른쪽 또는 왼쪽 방향으로 일정 값으로 회전할 수 있다.
실시예 26: 실시예 25항에 있어서, 통신부; 를 더 포함하되, 상기 프로세서는, 상기 제1 이미지의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하도록 상기 통신부를 제어하고, 상기 제1 이미지는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
실시예 27: 실시예 26에 있어서, 상기 프로세서는, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행할 수 있다.
실시예 28: 실시예 26에 있어서, 상기 프로세서는, 상기 제1 이미지를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 및 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어할 수 있다.
본 발명에 따른 AI장치를 이용한 식기 세척 방법의 효과에 설명하면 다음과 같다. 본 발명의 실시 예 중 적어도 하나에 의하면, 3차원 이미지에 기초하여 식기를 세척할 수 있는 식기 세척 방법을 제공할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척할 수 있는 식기 세척 방법을 제공할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 식기 세척기 내부의 세척물들의 개별적인 오염 정보가 반영된 3차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척할 수 있는 식기 세척방법을 제공할 수 있다.
본 발명에 따른 지능형 컴퓨팅 디바이스의 효과에 설명하면 다음과 같다. 본 발명의 실시 예 중 적어도 하나에 의하면, 3차원 이미지에 기초하여 식기를 세척할 수 있는 지능형 컴퓨팅 디바이스를 제공할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척할 수 있는 지능형 컴퓨팅 디바이스를 제공할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 식기 세척기 내부의 세척물들의 개별적인 오염 정보가 반영된 3차원 이미지에 기초하여 식기 세척기 내부의 구조에 상관없이 식기를 세척할 수 있는 지능형 컴퓨팅 디바이스를 제공할 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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
상술한 실시예에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의하여 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (20)
- 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 제1 이미지를 생성하는 단계;
상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성하는 단계;
상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득하는 단계;
상기 오염도 정보를 상기 제2 이미지에 매핑하는 단계;
상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하는 단계;
상기 경로를 따라 상기 세척수가 분사되도록 하는 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득하는 단계; 및
상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척하는 단계;
를 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 1 항에 있어서,
상기 제2 이미지를 생성하는 단계는,
상기 제1 이미지에 기초하여 적어도 하나의 세척물을 개별적으로 인식하는 단계;
를 더 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 2 항에 있어서,
개별적으로 인식된 상기 적어도 하나의 세척물에 대한 세척물 인식 정보를 상기 세척기에 포함된 세척물 인식 학습부로 피드백하는 단계;를 더 포함하되
상기 세척물 인식 정보는 개별적으로 인식된 상기 적어도 하나의 세척물중 하나에 대한 형상, 색상 또는 무늬 중 적어도 하나를 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 1 항에 있어서,
상기 제 2 이미지는 상기 적어도 하나의 세척물의 크기 및 상기 적어도 하나의 배치를 나타내는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 1 항에 있어서,
상기 오염도 정보를 획득하는 단계는,
상기 제 1 이미지에 기초하여 상기 적어도 하나의 세척물을 개별적으로 인식하는 단계; 및
개별적으로 인식된 상기 적어도 하나의 세척물의 오염도를 각각 예측하는 단계;
를 더 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 5 항에 있어서,
상기 오염도 정보는 상기 적어도 하나의 세척물의 오염 위치 정보 또는 오염 정도 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 1 항에 있어서,
상기 오염도 정보는 상기 적어도 하나의 세척물 각각에 대응되는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 7 항에 있어서,
상기 제2 이미지에 매핑하는 단계는,
상기 적어도 하나의 세척물 각각에 대응되는 상기 오염도 정보를 상기 제 2 이미지에 포함된 상기 적어도 하나의 세척물 각각에 대하여 저장하는 단계;
를 더 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 1 항에 있어서,
상기 세척물을 세척하는 단계는, 획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 살수용 분사 노즐 또는 상기 적어도 하나의 세척수 반사판 중 적어도 하나를 이동시키는 단계;
획득된 상기 경로 또는 획득된 상기 위치에 기초하여 상기 적어도 하나의 세척수 반사판을 회전시키는 단계; 및
상기 적어도 하나의 분사용 노즐이 세척수를 분사하도록 제어하는 단계;
를 더 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 9 항에 있어서,
상기 적어도 하나의 살수용 노즐 또는 상기 적어도 하나의 세척수 반사판은 획득된 상기 위치로 이동용 레일상에서 개별적으로 이동하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 10 항에 있어서,
상기 적어도 하나의 세척수 반사판은 오른쪽 또는 왼쪽 방향으로 일정 값으로 회전하는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 1 항에 있어서,
상기 제1 이미지의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하고,
상기 제1 이미지는 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 12 항에 있어서,
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;
를 더 포함하는 인공지능 장치를 이용한 식기 세척 방법.
- 제 12 항에 있어서,
상기 제1 이미지를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계; 및
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계;
를 더 포함하는 인공지능 장치를 이용한 식기 세척 방법.
- 적어도 하나의 센서를 포함하는 센싱부;
프로세서; 및
상기 프로세서에 의해 실행 가능한 명령어를 포함하는 메모리;
를 포함하고,
상기 명령어는,
상기 프로세서가 상기 센싱부에 포함된 카메라를 통해 적어도 하나의 세척물을 포함하는 세척기 내부를 촬영하여 상기 세척기 내부의 이미지인 제1 이미지를 생성하도록 하고,
상기 프로세서가 상기 제1 이미지에 기초하여 상기 제1 이미지의 3차원 이미지인 제2 이미지를 생성하도록 하고,
상기 프로세서가 상기 제1 이미지에 기초하여 상기 적어도 하나의 세척물의 오염도 정보를 획득하도록 하며,
상기 프로세서가 상기 오염도 정보를 상기 제2 이미지에 매핑하도록 하고,
상기 프로세서가 상기 오염도 정보가 매핑된 상기 제2 이미지에 기초하여 세척수가 상기 적어도 하나의 세척물에 도달하기 위한 경로를 획득하도록 하고,
상기 프로세서가 상기 경로를 따라 상기 세척수가 분사되게 하기 위한 적어도 하나의 살수용 노즐 및 적어도 하나의 세척수 반사판의 위치를 획득하도록 하고,
상기 프로세서가, 상기 경로 및 상기 위치에 기초하여 상기 적어도 하나의 세척물을 세척하도록 하는 인공지능 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스.
- 제 15 항에 있어서,
상기 프로세서는 상기 제2 이미지를 생성하기 위해 상기 제1 이미지에 기초하여 적어도 하나의 세척물을 개별적으로 인식하는 인공지능 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스.
- 제 16 항에 있어서,
상기 프로세서는 개별적으로 인식된 상기 적어도 하나의 세척물에 대한 세척물 인식 정보를 상기 세척기에 포함된 세척물 인식 학습부로 피드백하고,
상기 세척물 인식 정보는 개별적으로 인식된 상기 적어도 하나의 세척물중 하나에 대한 형상, 색상 또는 무늬 중 적어도 하나를 포함하는 인공지능 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스.
- 제 15 항에 있어서,
상기 제 2 이미지는 상기 적어도 하나의 세척물의 크기 및 상기 적어도 하나의 배치를 나타내는 인공지능 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스.
- 제 15 항에 있어서,
상기 프로세서는 상기 오염도 정보를 획득하기 위해 상기 제 1 이미지에 기초하여 상기 적어도 하나의 세척물을 개별적으로 인식하고, 및
개별적으로 인식된 상기 적어도 하나의 세척물의 오염도를 각각 예측하는인공지능 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스.
- 제 19 항에 있어서,
상기 오염도 정보는 상기 적어도 하나의 세척물의 오염 위치 정보 또는 오염 정도 정보 중 적어도 하나를 포함하는 인공지능 장치를 이용한 식기 세척 방법을 지원하는 지능형 컴퓨팅 디바이스.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190095533A KR20190099157A (ko) | 2019-08-06 | 2019-08-06 | 인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 |
| US16/554,154 US20190380559A1 (en) | 2019-08-06 | 2019-08-28 | Dishwashing method using artificial intelligence device and apparatus therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190095533A KR20190099157A (ko) | 2019-08-06 | 2019-08-06 | 인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190099157A true KR20190099157A (ko) | 2019-08-26 |
Family
ID=67806486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190095533A KR20190099157A (ko) | 2019-08-06 | 2019-08-06 | 인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20190380559A1 (ko) |
| KR (1) | KR20190099157A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110840349A (zh) * | 2019-10-30 | 2020-02-28 | 佛山市百斯特电器科技有限公司 | 一种摆放示意图的生成方法及系统 |
| US20210209207A1 (en) * | 2020-01-03 | 2021-07-08 | Lg Electronics Inc. | User authentication |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11484183B2 (en) | 2019-09-30 | 2022-11-01 | Midea Group Co., Ltd. | Dishwasher with image-based object sensing |
| US11191416B2 (en) | 2019-09-30 | 2021-12-07 | Midea Group Co., Ltd. | Dishwasher with image-based position sensor |
| US11026559B2 (en) | 2019-09-30 | 2021-06-08 | Midea Group Co., Ltd. | Dishwasher with image-based fluid condition sensing |
| US11259681B2 (en) | 2019-09-30 | 2022-03-01 | Midea Group Co., Ltd | Dishwasher with image-based diagnostics |
| US11399690B2 (en) | 2019-09-30 | 2022-08-02 | Midea Group Co., Ltd. | Dishwasher with cam-based position sensor |
| US11464389B2 (en) | 2019-09-30 | 2022-10-11 | Midea Group Co., Ltd. | Dishwasher with image-based detergent sensing |
| US11185209B2 (en) | 2019-11-20 | 2021-11-30 | Midea Group Co., Ltd. | Dishwasher steam generator |
| US11202550B2 (en) | 2019-11-20 | 2021-12-21 | Midea Group Co., Ltd. | Dishwasher thermal imaging system |
| KR20220039059A (ko) * | 2020-09-21 | 2022-03-29 | 엘지전자 주식회사 | 식기 세척기 및 식기 세척기의 3차원 이미지 획득 방법 |
| KR20220043611A (ko) * | 2020-09-29 | 2022-04-05 | 엘지전자 주식회사 | 식기 세척기 및 식기 세척기의 카메라 고장 검출 방법 |
| US11759087B2 (en) | 2020-10-14 | 2023-09-19 | Whirlpool Corporation | Dishwasher paddle wheel assembly |
| CN112869676B (zh) * | 2021-01-11 | 2022-04-26 | 佛山市顺德区美的洗涤电器制造有限公司 | 用于洗碗机的控制方法、控制装置、显示装置及洗碗机 |
| DE102021200715A1 (de) | 2021-01-27 | 2022-07-28 | BSH Hausgeräte GmbH | System mit einer Geschirrspülmaschine, Verfahren und Computerprogrammprodukt |
| US11849901B2 (en) * | 2021-09-01 | 2023-12-26 | Haier Us Appliance Solutions, Inc. | Dishwashing appliance and methods for improved calibration using image recognition |
| DE102022112031A1 (de) | 2022-05-13 | 2023-11-16 | Miele & Cie. Kg | Verfahren zum Reinigen von Spülgut, Verfahren zum Einlernen von Spülparametern, Vorrichtung und Spülgerät |
-
2019
- 2019-08-06 KR KR1020190095533A patent/KR20190099157A/ko not_active Application Discontinuation
- 2019-08-28 US US16/554,154 patent/US20190380559A1/en not_active Abandoned
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110840349A (zh) * | 2019-10-30 | 2020-02-28 | 佛山市百斯特电器科技有限公司 | 一种摆放示意图的生成方法及系统 |
| CN110840349B (zh) * | 2019-10-30 | 2021-12-07 | 佛山市百斯特电器科技有限公司 | 一种摆放示意图的生成方法及系统 |
| US20210209207A1 (en) * | 2020-01-03 | 2021-07-08 | Lg Electronics Inc. | User authentication |
| US11816197B2 (en) * | 2020-01-03 | 2023-11-14 | Lg Electronics Inc. | Method of authenticating user and apparatus thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190380559A1 (en) | 2019-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190099157A (ko) | 인공지능 장치를 이용한 식기 세척 방법 및 이를 위한 장치 | |
| KR102246661B1 (ko) | 음성 인에이블 디바이스 선택 방법 및 장치 | |
| US11189268B2 (en) | Method and apparatus for selecting voice-enabled device and intelligent computing device for controlling the same | |
| US10938464B1 (en) | Intelligent beamforming method, apparatus and intelligent computing device | |
| KR20190075017A (ko) | 인공 지능이 탑재된 차량 단말과 이를 이용한 학습 데이터의 수집 방법 및 인공 지능의 성능을 향상하기 위한 시스템 | |
| KR20190103090A (ko) | 연합학습(Federated learning)을 통한 단말의 POI 데이터를 생성하는 모델의 학습방법 및 이를 위한 장치 | |
| KR20190103083A (ko) | 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치 | |
| US20200085275A1 (en) | Intelligent dishwasher and method for controlling the same | |
| US11245544B2 (en) | Intelligent washing machine and method for controlling washing timing using the same | |
| KR20190106933A (ko) | 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 | |
| KR20190098109A (ko) | 홈 모니터링 시스템 | |
| KR20210048895A (ko) | Gan 기반 인공 신경망 모델의 트레이닝 | |
| US11458623B2 (en) | Control system to control intelligent robot device | |
| KR20190104484A (ko) | 인공지능 기반 수면 분석 방법 및 수면 분석 기능을 구비한 지능형 디바이스 | |
| US11308954B2 (en) | Method for associating an AI device with a device based on a behavior pattern of a user and an apparatus therefor | |
| KR20190094128A (ko) | IoT 기기 정보 제공 방법, IoT 기기 정보 제공 장치 및 지능형 컴퓨팅 디바이스 | |
| US11695464B2 (en) | Method for intelligently transmitting and receiving signal and device l'hereof | |
| US11746457B2 (en) | Intelligent washing machine and control method thereof | |
| KR20190104480A (ko) | 인공지능 기반의 세제량 조절 방법 및 그 장치 | |
| KR20190108086A (ko) | 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스 | |
| US20210362337A1 (en) | Intelligent robot device | |
| US20200024788A1 (en) | Intelligent vibration predicting method, apparatus and intelligent computing device | |
| KR20210017702A (ko) | 딥러닝 기반의 세탁기 결함 검사 방법 및 장치 | |
| US20210125478A1 (en) | Intelligent security device | |
| US11423881B2 (en) | Method and apparatus for updating real-time voice recognition model using moving agent |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |