KR20190099158A - 지능형 냉장 장치 및 이를 제어하기 위한 방법 - Google Patents

지능형 냉장 장치 및 이를 제어하기 위한 방법 Download PDF

Info

Publication number
KR20190099158A
KR20190099158A KR1020190095534A KR20190095534A KR20190099158A KR 20190099158 A KR20190099158 A KR 20190099158A KR 1020190095534 A KR1020190095534 A KR 1020190095534A KR 20190095534 A KR20190095534 A KR 20190095534A KR 20190099158 A KR20190099158 A KR 20190099158A
Authority
KR
South Korea
Prior art keywords
fruit
information
zone
user
temperature
Prior art date
Application number
KR1020190095534A
Other languages
English (en)
Other versions
KR102225439B1 (ko
Inventor
이명희
김성진
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190095534A priority Critical patent/KR102225439B1/ko
Publication of KR20190099158A publication Critical patent/KR20190099158A/ko
Priority to US16/555,981 priority patent/US20190390897A1/en
Application granted granted Critical
Publication of KR102225439B1 publication Critical patent/KR102225439B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F25D29/003—Arrangement or mounting of control or safety devices for movable devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W56/00—Synchronisation arrangements
    • H04W56/001—Synchronization between nodes
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D11/00—Self-contained movable devices, e.g. domestic refrigerators
    • F25D11/02—Self-contained movable devices, e.g. domestic refrigerators with cooling compartments at different temperatures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D25/00—Charging, supporting, and discharging the articles to be cooled
    • F25D25/02—Charging, supporting, and discharging the articles to be cooled by shelves
    • F25D25/021—Charging, supporting, and discharging the articles to be cooled by shelves combined with trays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D25/00—Charging, supporting, and discharging the articles to be cooled
    • F25D25/02—Charging, supporting, and discharging the articles to be cooled by shelves
    • F25D25/024—Slidable shelves
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D25/00—Charging, supporting, and discharging the articles to be cooled
    • F25D25/04—Charging, supporting, and discharging the articles to be cooled by conveyors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2500/00—Problems to be solved
    • F25D2500/04—Calculation of parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2500/00—Problems to be solved
    • F25D2500/06—Stock management
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2600/00—Control issues
    • F25D2600/02—Timing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2600/00—Control issues
    • F25D2600/06—Controlling according to a predetermined profile
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/06—Sensors detecting the presence of a product
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/04—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J11/00—Orthogonal multiplex systems, e.g. using WALSH codes
    • H04J11/0069—Cell search, i.e. determining cell identity [cell-ID]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0001—Arrangements for dividing the transmission path
    • H04L5/0003—Two-dimensional division
    • H04L5/0005—Time-frequency
    • H04L5/0007—Time-frequency the frequencies being orthogonal, e.g. OFDM(A), DMT
    • H04L5/0012—Hopping in multicarrier systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/0001—Arrangements for dividing the transmission path
    • H04L5/0014—Three-dimensional division
    • H04L5/0023—Time-frequency-space
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

지능형 냉장 장치를 개시한다. 본 발명의 일 실시예에 따른 지능형 냉장 장치는 냉장실; 사용자의 식사 패턴정보, 과일 소비 패턴정보 및 최고당도 온도정보를 저장하는 메모리; 상기 냉장실 내부에 과일이 보관되는 트레이; 상기 트레이의 하단부에 구비되어 상기 트레이의 제1 구역과 제2 구역 사이에서 상기 과일의 이동을 제어하는 레일; 및 상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 과일 소비 패턴정보에 기초하여 선택된 과일이 상기 제1 구역에서 제2 구역으로 이동되도록 상기 레일의 움직임을 제어하는 제어부; 를 포함하고, 상기 제2 구역은 상기 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 온도가 제어되는 공간이다.
본 발명은 자율 주행 차량, 사용자 단말기 및 서버 중 하나 이상이 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

지능형 냉장 장치 및 이를 제어하기 위한 방법{Intelligent refrigerating apparatus and method for controlling same}
본 발명은 지능형 냉장 장치 및 이를 제어하기 위한 방법 관한 것으로서, 보다 구체적으로는 사용자에게 제공되는 과일이 가장 높은 당도 값을 갖도록 하기 위한 지능형 냉장 장치 및 이를 제어하기 위한 방법에 관한 것이다.
냉장고는 식품을 저온에 보관하여 부패, 변질을 방지하는 장치로서, 고내에서 식품을 냉장보관 또는 냉동 보관할 수 있다. 냉장고의 고내는 일반적으로 냉장실과 냉동실로 나뉠 수 있고, 냉장고는 고내에 냉기를 공급하는 열교 환기를 포함한다.
냉장고의 내부에 공급되는 냉기는 열교환기에서의 냉매 열교환 작용에 의해서 생성된다. 다시 말해, 냉기는 열 교환기에서의 압축-응축-팽창-증발의 사이클(Cycle)의 반복에 의해 생성되고, 냉장고의 내부로 공급된다. 공급 된 냉기는 대류에 의해서 냉장고 내부에 고르게 전달되어 냉장고 내부의 음식물을 원하는 온도로 저장할 수 있게 된다.
한편, 일반적으로 상기 냉장고 본체는 전면이 개구된 직육면체 형상이며, 상기 본체의 내부에는 냉장실과 냉동 실이 제공될 수 있다. 그리고, 상기 본체의 전면에는 개구부를 선택적으로 차폐하기 위한 냉장실 도어와 냉동실 도어가 구비될 수 있으며, 상기 냉장고 내부의 저장 공간에는 다양한 음식물들을 최적의 상태에서 보관할 수 있도록 하는 다수의 서랍과 선반 및 수납박스 등이 구비될 수 있다.
종래에는 냉장고 사용자가 상기 냉장고 내부의 저장 공간에 보관된 과일들을 소비하는 시점에서 과일의 온도가 불필요하게 낮은 온도에 있게 됨으로써, 과일을 소비하는 사용자에게 제공되는 과일이 최고의 당도 값을 가질 수 없다. 따라서, 상기 사용자는 최고의 당도 값을 가지는 상태에서 과일을 소비하기 위해서, 과일 소비 이전에 과일을 냉장고 외부로 꺼내놓아야만 하는 불편함이 있다.
이러한 불편함을 해소시키기 위해, 본 발명은 냉장고 사용자가 냉장고에 보관된 과일을 소비하는 시점에 맞추어 최고의 당도를 갖는 과일을 제공하기 위한 인공지능 (Artificial Intelligence: AI) 장치를 이용한 과일 보관 방법을 제공한다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하는 방법을 구현하는 것을 목적으로 한다.
또한, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식사 패턴을 학습하는 방법을 구현하는 것을 목적으로 한다.
또한, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식후 과일소비 패턴을 학습하는 방법을 구현하는 것을 목적으로 한다.
또한, 본 발명은 사용자의 식사 패턴 및 사용자의 식후 과일소비 패턴에 기초하여 최고의 당도 값을 갖는 과일을 제공하는 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 지능형 냉장 장치는 냉장실; 사용자의 식사 패턴정보, 과일 소비 패턴정보 및 최고당도 온도정보를 저장하는 메모리; 상기 냉장실 내부에 과일이 보관되는 트레이; 상기 트레이의 하단부에 구비되어 상기 트레이의 제1 구역과 제2 구역 사이에서 상기 과일의 이동을 제어하는 레일; 및 상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 과일 소비 패턴정보에 기초하여 선택된 과일이 상기 제1 구역에서 제2 구역으로 이동되도록 상기 레일의 움직임을 제어하는 제어부; 를 포함하고, 상기 제2 구역은 상기 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 온도가 제어되는 공간이다.
상기 식사 패턴정보는 상기 사용자의 식사 시작시점, 식사 종료시점 및 식사 소요시간이 끼니 별로 기록된 정보가 특정 일자 별로 목록화된 정보를 포함할 수 있다.
상기 과일소비 패턴 정보는 상기 사용자가 특정 과일을 소비한 날짜 정보, 상기 특정 과일의 종류 정보 및 상기 특정 과일의 소비 개수 정보 중 적어도 하나를 포함할 수 있다.
상기 최고당도 온도정보는 특정 과일이 최대 당도 값을 가지는 온도를 과일 종류별로 목록화된 정보를 포함할 수 있다.
상기 제1 구역은 상기 과일의 보관 기간이 최대가 되도록 온도가 제어되는 공간인 것을 특징으로 하는 지능형 냉장 장치.
상기 메모리는 특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보를 더 저장하고, 및 상기 제어부는 상기 최대 당도 값 도달 시간 정보에 기초하여 상기 과일이 상기 제1 구역에서의 온도에서 최대 당도 값을 가지는 온도에 도달하는데 필요한 최대 당도 값 도달 시간을 계산할 수 있다.
상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 짧은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 늦을 수 있다.
상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 긴 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 빠를 수 있다.
상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간과 같은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점과 같을 수 있다.
상기 사용자의 식사 시작을 감지하는 카메라; 를 더 포함할 수 있다.
상기 제어부는 상기 제 2 구역으로 이동된 상기 과일의 종류를 파악할 수 있다.
상기 제어부는 상기 과일의 종류를 상기 과일 소비 패턴 정보에 기초하여 파악할 수 있다.
과일 인식 센서; 를 더 포함하되, 상기 제어부는 상기 과일 인식 센서가 상기 과일의 종류를 파악하도록 제어할 수 있다.
상기 제어부는 상기 사용자가 식사 종료시점 후 일정 시간 동안 상기 과일이 소비하지 않은 경우, 상기 제 2 구역의 상기 과일을 상기 제 1 구역으로 이동 시키도록 상기 레일을 제어할 수 있다.
통신부; 를 더 포함하되, 상기 제어부는 상기 과일의 종류에 대한 정보 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하도록 상기 통신부를 제어하고, 상기 과일의 종류에 대한 정보는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
상기 제어부는 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하도록 상기 통신부를 제어하고, 상기 과일의 종류에 대한 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS(Dedicated Demodulation Reference Signal)는 QCL(Quasi Co-Location) type D에 대해 QCL될 수 있다.
상기 제어부는 상기 과일의 종류에 대한 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 및 상기 제어부는 상기 AI 프로세서로부터 상기 과일의 종류에 대한 정보가 AI 프로세싱된 상기 최고당도 온도정보를 수신하도록 상기 통신부를 제어할 수 있다.
본 발명의 다른 일 양상에 따른 인공지능 장치를 이용한 과일 보관 방법은, 사용자의 과일 소비 패턴 정보에 기초하여 냉장실 내부에 과일이 보관되는 트레이의 제1 구역에서 제2 구역으로 이동시킬 특정 과일을 선택하는 단계; 상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 특정과일을 상기 트레이의 하단부에 구비된 레일을 통하여 상기 제1 구역에서 상기 제2 구역으로 이동시키는 단계; 및 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 상기 제2 구역의 온도를 설정하는 단계; 를 포함한다.
특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보에 기초하여 상기 특정 과일이 상기 제1 구역에서의 온도에서 최대 당도 값을 가지는 온도에 도달하는데 필요한 최대 당도 값 도달 시간을 계산하는 단계; 를 더 포함할 수 있다.
상기 사용자가 식사 종료시점 후 일정 시간 동안 상기 특정 과일을 소비하지 않은 경우, 상기 특정 과일을 상기 제 2 구역에서 상기 제 1 구역으로 이동 시키는 단계; 를 더 포함할 수 있다.
본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공할 수 있는 효과가 있다.
또한, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식사 패턴을 학습할 수 있다.
또한, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식후 과일소비 패턴을 학습할 수 있다.
또한, 본 발명은 사용자의 식사 패턴 및 사용자의 식후 과일소비 패턴에 기초하여 최고의 당도 값을 갖는 과일을 제공할 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 일 실시예에 따른 냉장고의 일 예를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법을 수행하는 냉장고의 블록도의 일 예를 나타낸다.
도 7은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 9는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 10은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 11은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 12는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 또 다른 일 예를 나타낸 도이다.
도 13은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 14는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 또 다른 일 예를 나타낸 도이다.
도 15는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
도 16은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸다.
도 17은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
도 18은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 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 5는 본 발명의 일 실시예에 따른 냉장고를 나타낸 도면이다.
본 발명의 일 실시예에 따른 냉장고(1)는 냉장고 고내(room, 10) 및 냉장고용 제빙 장치(30)를 포함할 수 있다. 냉장고(1)는 냉장고 고내(10)에 냉기를 공급하기 위해, 냉각부(미도시)를 포함할 수 있다. 이러한 냉각부는 일 예로, 증발기, 압축기 및 응축기를 포함할 수 있다. 증발기를 통해 주변공기와 열교환된 고온의 냉매가스가 압 축기로 보내져 압축되고, 압축기를 통해 압축된 냉매는 응축기를 거치면서 응축열을 외부로 방열시키면서 액화 된다. 이러한 응축기를 거친 액화냉매는 증발기로 보내진다. 증발기로 보내진 액화냉매는 주변공기와의 열교환 에 의해 기화되면서 주변의 열을 흡수한다. 증발기의 액화냉매는 주변공기로부터 열을 전달받고, 증발기의 액화 냉매의 전부 또는 일부가 기체 상태의 냉매로 바뀐다. 이후, 기체상태의 냉매가 액체상태의 냉매로부터 분리되 어 다시 압축기로 유입된다. 증발기에서는 냉매가 증발기 외부 공기의 열을 흡수한다. 이러한 열전달을 통해 증 발기는 냉장고의 공기를 냉각시킨다. 증발기에서 냉각된 공기는 냉장고 고내(10)로 전달되어 냉장고 고내(10)를 냉각시킨다.
종래에는 냉장고 사용자가 상기 냉장고 내부의 저장 공간에 보관된 과일들을 소비하는 시점에서 과일의 온도가 불필요하게 낮은 온도에 있게 됨으로써, 과일을 소비하는 사용자에게 제공되는 과일이 최고의 당도 값을 가질 수 없다. 따라서, 상기 사용자는 최고의 당도 값을 가지는 상태에서 과일을 소비하기 위해서, 과일 소비 이전에 과일을 냉장고 외부로 꺼내놓아야만 하는 불편함이 있다.
이러한 불편함을 해소시키기 위해, 본 발명은 냉장고 사용자가 냉장고에 보관된 과일을 소비하는 시점에 맞추어 최고의 당도를 갖는 과일을 제공하기 위한 인공지능 (Artificial Intelligence: AI) 장치를 이용한 과일 보관 방법을 제공한다.
보다 구체적으로, 본 발명은 냉장고 사용자에게 최고의 당도를 갖는 과일을 제공하기 위해 필요한 정보들을 학습을 통하여 획득하고, 획득된 정보에 기초하여 최고의 당도를 갖는 과일을 제공하기 위해 별도로 구비된 과일 보관 공간에 과일을 이동시키고, 상기 별도로 구비된 과일 보관 공간의 온도를 적절히 설정함으로써, 냉장고 사용자가 냉장고에 보관된 과일을 소비하는 시점에 맞추어 최고의 당도를 갖는 과일을 제공할 수 있는 AI 장치를 이용한 과일 보관 방법을 제공한다.
이하에서, 본 발명이 제공하는 인공지능(Artificial Intelligence: AI) 장치를 이용한 과일 보관 방법에 대하여 구체적으로 살펴본다.
도 6은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법을 수행하는 냉장고의 블록도의 일 예를 나타낸다.
본 발명의 일 실시예에 따른 AI 장치를 이용한 냉장고(600)는 제어부(610), 전원부(620), 학습부(630), 과일 이동부(640), 온도 제어부(650), 냉장실/냉동실(660) 및 통신부(670)를 포함한다.
제어부(610)는 학습부(630), 과일 이동부(640), 온도 제어부(650) 및 냉장실/냉동실(660)를 제어한다. 전원부(620)은 식기 세척기에 전원을 공급한다.
학습부는(630)는 AI 프로세서를 포함할 수 있으며, AI 프로세서를 이용하여 본 발명이 제공하는 AI 장치를 이용한 과일 보관 방법이 수행되기 위해 필요한 정보들을 학습한다.
또한, 과일 이동부(640)는 냉장고에 구비된 과일 보관을 위한 트레이(Tray)의 특정 구역에 보관된 과일 중 일부를 상기 트레이의 다른 특정 구역으로 이동시킨다. 상기 과일 이동부는 과일을 이동시키기 위해서 이동용 레일을 이용할 수 있으며, 그 외에 과일을 이동시키기 위한 수단을 구비할 수 있다.
또한, 온도 제어부(650)는 최고의 당도 값을 갖는 과일을 제공하기 위해서 필요한 적절한 온도를 설정한다. 과일 종류별로 최고의 당도 값을 갖는 온도는 다르므로, 상기 온도 제어부는 과일 종류에 따라서 최고의 당도 값을 갖도록 하기 위해서, 과일의 종류에 따라 최고의 당도 값을 갖는 온도와 관련된 정보를 사용할 수 있다.
또한, 냉장실/냉동실(660)는 냉장고에 보관되는 음식물들을 냉장/냉동한다. 특히, 냉장부의 내부는 본 발명이 제공하는 AI 장치를 이용한 과일 보관 방법을 수행하기 위해서, 각각 다른 온도를 설정할 수 있는 적어도 하나 이상의 구역으로 구분될 수 있다. 예를 들어, 과일의 신선도 유지를 위해 필요한 온도 설정이 유지되는 제 1 구역 및 최고의 당도를 갖는 과일을 제공하기 위해 필요한 온도 설정이 유지되는 제 2 구역을 포함할 수 있다. 또한, 여러 종류의 과일을 동시에 최고의 당도를 갖도록 보관하기 위해서, 상기 제 2 구역은 복수의 구역으로 또 다시 구분될 수도 있다.
마지막으로, 통신부(670)는 외부 네트워크와 통신할 수 있다. 구체적으로, 냉장고는 보관된 과일의 종류를 파악하고, 파악된 종류와 관련된 정보를 상기 외부 네트워크로 통신부를 통하여 전송할 수 있다. 상기 네트워크는 상기 종류와 관련된 정보를 AI 프로세싱하고, 프로세싱이 수행된 결과 생성된 정보를 통신부를 통해 네트워크로부터 수신할 수 있다.
도 7은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
도 7은 본 발명이 제공하는 AI 장치를 이용한 과일 보관 방법이 세척기에서 수행되는 단계를 개략적으로 나타낸다.
먼저, 제어부는 최상의 당도를 갖는 과일 제공에 필요한 정보를 학습한다. (S710). 상기 필요한 정보는 냉장고 사용자의 평소 식사 습관과 관련된 사용자의 식사 패턴 정보, 상기 사용자가 평소 식사 후에 과일을 소비하는 습관과 관련된 사용자의 식후 과일소비 패턴 정보 및 과일 종류별로 특정 과일이 가장 높은 당도를 갖는 온도와 관련된 온도 정보를 포함할 수 있다. 상기 제어부는 상기 정보들을 학습을 통해 획득하고 저장할 수 있다.
다음, 상기 제어부는 필요한 정보에 기초하여, 최고의 당도를 갖는 과일을 제공하기 위해 필요한 온도가 설정되는 냉장고 내부의 특정 구역으로 사용자에게 제공할 과일을 이동시킨다(S720).
다음, 상기 제어부는 이동된 상기 과일이 보관되는 냉장고의 특정구역의 온도를 상기 과일의 당도가 최고 값을 갖는 온도가 되도록 온도를 설정한다(S730).
이하에서, 도 8 내지 도 14를 참조하여 도 7의 S710 내지 S730에 대해서 구체적으로 살펴보도록 한다.
설명의 편의를 위해 이하에서, 특정 과일이 최고의 당도를 갖는 온도를 '최고 당도 온도'라고 표현한다. 또한, 냉장고 내부의 과일 보관을 위한 트레이는 특정 구역으로 구분될 수 있는데, 상기 특정 구역 중 과일의 신선도를 유지하기 위해서, 즉, 과일의 보관기간이 최장 기간이 되도록 과일을 보관하는 구역을 '제 1 구역'이라고 표현한다. 또한, 최고 당도를 갖는 과일을 제공하기 위해서 과일이 보관되는 구역을 '제 2 구역'이라고 표현하도록 한다.
또한, 상기 제 2 구역은 다른 종류의 과일이 각각 최고의 당도를 가질 수 있도록 하는 온도가 각각 다르게 설정될 수 있는 또 다른 여러 개의 구역으로 구분될 수 있고, 이를 '제 3 구역'이라고 표현하기로 한다.
상기 제 1 구역은 과일의 신선도를 유지하기 위해 필요한 온도가 설정되고, 상기 제 2 구역은 상기 최고 당도 온도가 설정된다.
도 8은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 8은 제어부가 냉장고 사용자의 식사 패턴을 학습하여 사용자의 식사 패턴 정보를 획득하고, 상기 식사 패턴 정보에 기초하여 사용자의 식사 소요시간을 예측하는 과정을 구체적으로 나타낸다.
도 8에 상기 제어부가 학습한 냉장고 사용자의 식사 패턴 정보(800)가 도시되어 있다. 식사 패턴 정보는 냉장고 사용자가 식사한 날짜, 식사의 종류, 과일의 종류, 과일 소비 개수에 관한 정보를 목록화하여 저장한 정보일 수 있다.
또한, 도 8에 도시되어있지는 않지만, 식사 패턴 정보는 냉장고 사용자의 식사시작 시간 및 식사종료 시간에 대한 정보를 더 포함할 수 있다.
도 8의 802은 상기 제어부가 식사 패턴 정보에 기초하여 사용자의 식사 소요시간을 예측하는 과정을 나타낸다. 801에서 식사 패턴 정보가 입력(input)으로 입력되고, 입력 받은 식사 패턴 정보에 기초하여 특징 추출기(feature extractor)가 사용자의 식사 패턴과 관련된 특징들(features)을 추출한다. 추출된 특징들을 데이터 분류 알고리즘인 SVM_kNN random_forest SGD(830)을 거쳐 분류 모델(classifier moderl, 810)에 입력하면, 그 결과로 식사 패턴 정보에 기초한 사용자의 식사 소요 시간이 예측된 결과 정보가 획득된다(820).
식사 패턴 정보에 기초하여 예측된 사용자의 식사 소요 시간 예측 결과(830)는 1월 8일 아침식사(breakfast)에서 사용자의 식사에 19분이 소요될 것이라는 것을 나타낸다.
도 8에 도시되어 있지는 않지만, 상기 식사 소요 시간 예측 결과는 사용자의 식사 시작시간 및 식사 종료시간에 대한 정보를 포함할 수 있다. 또는, 식사 시작시간과 식사 소요시간이 포함되고, 식사 종료시간은 식사 시작시간에 예측된 식사 소요시간을 더하여 획득될 수도 있다.
위와 같은 학습 및 예측 과정은 냉장고 내부의 학습부가 AI 장치를 이용하여 수행할 수 있다.
도 9는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 9는 제어부가 냉장고 사용자의 과일소비 패턴을 학습하여 사용자의 과일소비 패턴 정보를 획득하고, 상기 과일소비 패턴 정보에 기초하여 사용자가 소비하는 과일 종류와 소비하는 과일의 갯수를 예측하는 과정을 구체적으로 나타낸다.
도 9에 상기 제어부가 학습한 냉장고 사용자의 과일소비 패턴 정보(900)가 도시되어 있다. 과일소비 패턴 정보는 냉장고 사용자가 과일을 소비한 날짜, 사용자가 소비한 과일의 종류, 사용자가 소비한 과일 갯수에 관한 정보를 목록화하여 저장한 정보일 수 있다.
또한, 도 9에 도시되어있지는 않지만, 과일소비 패턴 정보는 날짜 별로 아침 식사, 점심 식사 및 저녁 식사에 대하여 사용자가 소비한 과일의 종류 및 사용자가 소비한 과일 개수에 관한 정보를 포함할 수 있다.
도 9의 902은 상기 제어부가 과일소비 패턴 정보에 기초하여 사용자가 특정 일자에 소비할 과일의 종류와, 사용자가 특정 일자에 소비할 과일의 갯수를 예측하는 과정을 나타낸다. 901에서 과일소비 패턴 정보가 입력(input)으로 입력되고, 입력 받은 과일소비 패턴 정보에 기초하여 특징 추출기(feature extractor)가 사용자의 과일소비 패턴과 관련된 특징들(features)을 추출한다. 추출된 특징들을 데이터 분류 알고리즘인 SVM_kNN random_forest SGD(930)을 거쳐 902의 분류 모델(910)에 입력하면, 그 결과로 과일소비 패턴 정보에 기초한 사용자가 특정 일자에 소비할 과일의 종류 및 소비할 과일의 갯수가 예측된 결과 정보가 획득된다(920). 과일소비 패턴 정보에 기초하여 예측된 사용자의 과일소비 예측 결과(930)는 1월 8일에 사용자는 귤을 5개 소비할 것을 나타낸다.
도 9에 도시되어 있지는 않지만, 상기 과일소비 예측 결과는 끼니 별로(아침 식사, 점심 식사 및 저녁 식사)로 사용자가 소비할 과일의 종류 및 개수에 대한 정보를 포함할 수 있다. 또한, 사용자는 한 가지 종류 이상의 과일을 소비할 수 있으므로, 여러 종류 과일에 대한 소비 개수 정보를 포함할 수 있다.
위와 같은 학습 및 예측 과정은 냉장고 내부의 학습부가 AI 장치를 이용하여 수행할 수 있다.
도 10은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 10 제어부가 온도의 변화에 따른 특정 과일의 당도 변화를 과일의 종류별로 학습하여 최고 당도 온도 정보를 획득하고, 상기 최고 당도 온도 정보에 기초하여 냉장고 내부 과일 보관 트레이의 제 2 구역의 온도를 최고 당도 온도에 맞추어 설정하는 과정을 구체적으로 나타낸다.
도 10에 최고 당도 온도 정보(900)가 도시되어 있다. 최고 당도 온도 정보는 과일 종류 및 온도에 따른 당도에 관한 정보가 목록화되어 저장된 정보일 수 있다.
도 10의 1002은 냉장고가 최고 당도 온도 정보에 기초하여 냉장고 내부의 과일 보관 트레이의 제 2 구역의 온도가 설정되는 과정을 나타낸다. 1001에서, 최고 당도 온도 정보가 입력(input)으로 입력되고, 입력 받은 최고 당도 온도 정보에 기초하여 특징 추출기(feature extractor)가 과일 종류별로 최고 당도를 갖는 온도와 관련된 특징들(features)을 추출한다. 추출된 특징들을 데이터 분류 알고리즘인 SVM_kNN random_forest SGD(1030)을 거쳐 1002의 분류 모델(1010)에 입력하면, 그 결과로 과일 종류 별로 최고 당도를 갖는 온도를 나타내는 결과 정보가 획득된다(1020). 최고 당도 온도 정보에 기초하여 획득된 결과 정보(1030)는 귤의 최고 당도 온도는 23도이고, 사과의 최고 당도 온도는 20도이며, 배의 최고 당도 온도는 21도이고, 감의 최고 당도 온도는 21도 임을 나타낸다.
상기 최고 당도 온도 정보 및 상기 결과 정보는 하나의 예시이며, 다른 과일 종류별 최고 당도 온도에 대한 정보를 더 포함할 수 있다.
최고 당도 온도 정보는 냉장고 내부의 학습부가 AI 장치를 이용하여 획득할 수 있으며, 과일의 당도를 측정하기 위해서 과일 당도 측정 센서가 사용될 수 있다. 또한, 냉장고는 상기 최고 당도 온도 정보를 외부 네트워크로부터 수신하여 저장할 수 있다.
이하에서는, 도 7의 냉장고 내부 과일 보관 트레이의 제 1 구역에 보관된 과일을 제 2 구역으로 이동하는 단계(S720) 및 이동된 과일이 보관된 트레이의 온도를 설정하는 단계(S730)에 대하여 구체적으로 살펴본다.
도 11은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 11은 냉장고 사용자의 식사 소요 시간과 사용자가 소비할 것으로 결정된 과일의 최고 당도 온도 도달에 필요한 냉장 시간에 기초하여 상기 과일이 제 2 구역으로 이동하는 시간이 결정되는 일 예를 나타낸다.
도 11에서, 냉장고 사용자는 식사 종료 즉시 과일을 소비거나, 식사 종류 시점 근방에서 과일을 소비하는 것으로 한다.
또한, 도 11에 도시된 특정 시간(1140)은 냉장고 내부의 과일 보관 트레이의 제 1 구역에 과일 신선도 유지를 위한 특정 온도로 보관되어 있던 특정 종류의 과일이 제 2 구역으로 이동하여 최고 당도 온도에 도달하기 위해 필요한 시간을 의미한다. 예를 들어, 신선도 유지를 위해 제 1 구역에서 5도의 온도를 유지하고 있는 귤이 제 2 구역으로 이동 후 최고 당도 온도인 20도에 도달하기 위해 필요한 시간이 1시간이라면 상기 특정 시간은 1시간이 될 수 있다.
제어부는 상기 특정 시간은 인공지능을 통하여 계산할 수 있다. 구체적으로, 상기 제어부는 메모리에 저장된 특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보를 활용하여 상기 특정 시간을 계산할 수 있다.
도 11은 냉장고 사용자의 식사 소요시간(식사 시간시간(1120)~식사 종료시간(1130))이 상기 특정 시간보다 짧은 경우에 해당한다. 따라서, 냉장고 사용자가 식사 종료 직후 최고 당도 온도에 있는 과일을 소비하기 위해서는, 과일이 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 이동하는 시점(1110)은 사용자의 식사 시작 시점보다 빨라야 한다.
구체적으로, 신선도 유지를 위해 제 1 구역에서 5도의 온도를 유지하고 있는 귤이 제 2 구역으로 이동 후 최고 당도 온도인 20도에 도달하기 위해 필요한 시간이 1시간이고, 냉장고 사용자의 식사 소요 시간이 40분인 경우, 과일 이동 시간은 사용자의 식사 시작 시점보다 20분 빨라야 한다.
이와 같이 사용자의 식사 소요 시간에 기초하여 적절히 과일을 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 이동시킬 수 있다.
도 12는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 또 다른 일 예를 나타낸 도이다.
도 12는 냉장고 사용자의 식사 소요 시간과 사용자가 소비할 것으로 결정된 과일의 최고 당도 온도 도달에 필요한 냉장 시간에 기초하여 상기 과일이 제 2 구역으로 이동하는 시간이 결정되는 또 다른 일 예를 나타낸다.
도 12에서, 냉장고 사용자는 식사 종료 즉시 과일을 소비하거나, 식사 종료 시점 전후로 과일을 소비하는 것으로 한다.
또한, 도 12에 도시된 특정 시간(1240)은 냉장고 내부의 과일 보관 트레이의 제 1 구역에 과일 신선도 유지를 위한 특정 온도로 보관되어 있던 특정 종류의 과일이 제 2 구역으로 이동하여 최고 당도 온도에 도달하기 위해 필요한 시간을 의미한다. 예를 들어, 신선도 유지를 위해 제 1 구역에서 3도의 온도를 유지하고 있는 사과가 제 2 구역으로 이동 후 최고 당도 온도인 15도에 도달하기 위해 필요한 시간이 1시간 30분이라면 상기 특정 시간은 1시간 30분이 될 수 있다.
도 12은 냉장고 사용자의 식사 소요시간(식사 시간시간(1220)~식사 종료(1230)시간)이 상기 특정 시간보다 긴 경우에 해당한다. 따라서, 냉장고 사용자가 식사 종료 직후 최고 당도 온도에 있는 과일을 소비하기 위해서는, 과일이 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 이동하는 시점은 사용자의 식사 시작 시점보다 늦어야 한다.
구체적으로, 신선도 유지를 위해 제 1 구역에서 3도의 온도를 유지하고 있는 사과가 제 2 구역으로 이동 후 최고 당도 온도인 15도에 도달하기 위해 필요한 시간이 1시간 30분이고, 냉장고 사용자의 식사 소요 시간이 1시간 50분인 경우, 과일 이동 시점은 사용자의 식사 시작 시점보다 20분 늦어야 한다.
이와 같이 사용자의 식사 소요 시간에 기초하여 적절히 과일을 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 이동시킬 수 있다.
도 11 및 12의 예시와 달리, 신선도 유지를 위한 특정 온도로 보관되어 있던 특정 종류의 과일이 제 2 구역으로 이동하여 최고 당도 온도에 도달하기 위해 필요한 시간과 냉장고 사용자의 식사 소요 시간이 같을 수 있다. 이러한 경우, 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 과일이 이동하는 시점은, 냉장고 사용자의 식사 시작 시점과 같을 수 있다.
도 13은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸 도이다.
도 13은 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 과일을 이동하고, 이동된 과일이 보관되는 제 2 구역의 온도를 설정하는 일 예를 나타낸다.
도 13의 예시에서는, 냉장고가 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 소비 할 것으로 결정한 과일이 한 종류만 있는 경우를 나타낸다.
도 13에서, 냉장고 내부의 과일 보관 트레이의 제 1 구역(1310)과 제 2 구역(1320)이 도시되어 있다. 제 1 구역은 과일의 신선도 유지를 위한 특정 온도로 설정되어 있고, 상기 특정 온도는 과일의 종류와 상관없이 모든 과일에 동일하게 설정될 수 있다. 제 2 구역은 과일의 최고 당도 도달을 위한 최고 당도 온도로 설정되어 있고, 상기 최고 당도 온도는 과일의 종류에 따라 다르게 설정될 수 있다.
냉장고는 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 소비 할 것으로 결정 된 한 종류의 과일을 특정 개수만큼 냉장고 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 특정 시점에 이동시킨다. 상기 특정 시점은 사용자의 식사 패턴 정보에 기초하여 결정될 수 있다.
상기 과일은 냉장고 내부에 구비된 이동용 레일을 통해서 이동될 수 있다. 단, 본 발명은 과일 이동을 위한 다양한 수단을 포함할 수 있으며, 본 발명이 상기 예시에 한정되는 것은 아니다.
구체적으로, 도 13에서 과일 보관 트레이의 제 1 구역에는 귤과 사과가 보관되어 있는데, 냉장고는 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 귤을 2개 소비 할 것으로 결정하고, 2개의 귤을 냉장고 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 이동시킨다.
제 1 구역에서 제 2 구역으로 과일이 이동된 후, 냉장고는 상기 제 2 구역의 온도를 상기 과일이 최고의 당도 값을 갖도록 하는 최고 당도 온도로 설정하며, 온도 설정은 온도 제어부에 의하여 이루어 질 수 있다.
냉장고가 상기 제 2 구역을 최고 당도 온도로 설정하기 위해, 냉장고의 상기 제 2 구역에는 과일 종류 파악을 위한 과일 인식 센서가 구비될 수 있고, 상기 과일 인식 센서가 과일의 종류를 인식하여 파악함으로써, 상기 제 2 구역의 온도 제어부는 상기 제 2 구역의 온도를 최고 당도 온도로 설정할 수 있다. 이 때, 최고 당도 온도를 설정하기 위해서, 최고 당도 온도 정보가 사용될 수 있다.
최고 당도 온도에 도달하기 위해 필요한 특정 시간에 대한 정보가 상기 최고 당도 온도 정보에 포함될 수 있다. 상기 특정 시간에 대한 정보는 과일 종류별로 포함될 수 있다.
즉, 냉장고는 최고 당도 온도 정보에 포함된 최고 당도 온도에 대한 정보, 사용자의 식사 패턴 정보에 포함된 식사 시작시간 정보 및 사용자의 과일 소비 패턴 정보에 기초하여 과일을 제 1 구역에서 제 2 구역으로 이동시킬 특정 시점을 결정할 수 있다.
또는, 사용자의 과일소비 패턴 정보가 제 2 구역의 온도 제어부로 전달됨으로써, 제 2 구역의 온도 제어부는 상기 과일소비 패턴 정보에 포함된 과일 종류 정보에 기초하여, 제 2 구역으로 이동된 과일을 파악할 수 있고, 파악된 과일 종류에 따라 최고 당도 온도로 제 2 구역의 온도를 설정할 수 있다. 이 때, 최고 당도 온도를 설정하기 위해서, 최고 당도 온도 정보가 사용될 수 있다.
최고 당도 온도에 도달하기 위해 필요한 특정 시간에 대한 정보가 상기 최고 당도 온도 정보에 포함될 수 있다.
도 14는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 또 다른 일 예를 나타낸 도이다.
도 14는 냉장고 내부의 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 과일을 이동하고, 이동된 과일이 보관되는 제 2 구역의 온도를 설정하는 일 예를 나타낸다.
도 14의 예시에서는, 제어부가 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 소비 할 것으로 결정한 과일이 두 종류가 있는 경우를 나타낸다. 도 14의 예시는, 냉장고가 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 소비 할 것으로 결정한 과일이 두 종류가 있는 경우뿐만 아니라, 사용자가 식사 후에 두 종류보다 많은 과일을 소비할 것으로 결정된 경우에도 확장되어 적용될 수 있다.
도 14에서, 냉장고 내부의 과일 보관 트레이의 제 1 구역(1410)과 제 2 구역(1420)이 도시되어 있다. 제 1 구역은 과일의 신선도 유지를 위한 특정 온도로 설정되어 있고, 상기 특정 온도는 과일의 종류와 상관없이 모든 과일에 동일하게 설정될 수 있다.
또한, 제 2 구역은 서로 다른 두 종류의 과일을 보관하고, 서로 다른 두 종류의 과일 별로 서로 다른 최고 당도 온도를 설정하기 위해서 2개의 제 3 구역으로 구분될 수 있다. 2 개의 제 3 구역은 다른 종류의 과일의 최고 당도 도달을 위한 최고 당도 온도로 각각 설정되어 있고, 상기 최고 당도 온도는 과일의 종류에 따라 다르게 설정된다.
상기 제어부는 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 소비 할 것으로 결정 된 두 종류의 과일을 특정 개수만큼 냉장고 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 특정 시점에 이동시킨다. 상기 특정 시점은 사용자의 식사 패턴 정보에 기초하여 결정될 수 있다. 또한, 과일 종류 별로 최고 당도 온도에 도달하기 위한 시간이 다를 수 있으므로, 과일 종류 별로 제 1 구역에서 제 2 구역으로 이동하는 시점은 다를 수 있다.
상기 과일은 냉장고 내부에 구비된 이동용 레일을 통해서 이동될 수 있다. 단, 본 발명은 과일 이동을 위한 다양한 수단을 포함할 수 있으며, 본 발명이 상기 예시에 한정되는 것은 아니다.
구체적으로, 도 14에서 과일 보관 트레이의 제 1 구역에는 귤, 사과 및 멜론이 보관되어 있는데, 상기 제어부는 사용자 과일 소비 패턴 정보에 기초하여 사용자가 식사 후에 귤을 2개 및 사과 2개를 소비할 것으로 결정하고, 2개의 귤과 2개의 사과를 냉장고 과일 보관 트레이의 제 1 구역에서 제 2 구역에 포함된 제 3 구역으로 각각 특정 시점에 각각 이동시킨다. 이 때, 사과와 귤이 신선도 유지를 위한 온도에서 최고 당도 온도에 도달되는 시간은 다를 수 있으므로, 이러한 경우 상기 사과와 귤이 제 3 구역으로 이동되는 특정 시점을 다를 수 있다.
제 1 구역에서 제 2 구역에 포함된 제 3 구역으로 두 종류의 과일이 각각 이동된 후, 상기 제어부는 상기 제 2 구역에 포함된 제 3 구역의 온도를 상기 두 종류의 과일이 최고의 당도 값을 갖도록 하는 최고 당도 온도로 각각 설정하며, 온도 설정은 온도 제어부에 의하여 이루어 질 수 있다.
상기 제어부가 상기 제 2 구역에 포함된 제 3 구역의 온도를 과일의 종류에 기초하여 각각 다른 최고 당도 온도로 설정하기 위해, 냉장고의 상기 제 2 구역에는 과일 종류 파악을 위한 과일 인식 센서가 구비될 수 있다. 상기 과일 인식 센서가 과일의 종류를 인식하여 파악함으로써, 상기 제 2 구역의 온도 제어부는 상기 제 2 구역에 포함된 제 3 구역의 온도를 과일 종류에 기초하여 각각 다른 온도의 최고 당도 온도로 설정할 수 있다. 이 때, 최고 당도 온도를 설정하기 위해서, 최고 당도 온도 정보가 사용될 수 있다.
또는, 사용자의 과일소비 패턴 정보가 제 2 구역의 온도 제어부로 전달됨으로써, 제 2 구역의 온도 제어부는 상기 과일소비 패턴 정보에 포함된 과일 종류 정보에 기초하여, 제 2 구역으로 이동된 과일을 파악할 수 있고, 파악된 과일 종류에 따라 다른 최고 당도 온도로 제 2 구역에 포함된 제 3 구역의 온도를 각각 설정할 수 있다. 이 때, 최고 당도 온도를 설정하기 위해서, 최고 당도 온도 정보가 사용될 수 있다.
도 15는 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
제어부는 과일 보관 트레이의 냉장을 시작한다(S1510).
다음, 상기 제어부는 냉장고에 구비된 카메라를 통하여 냉장고 사용자의 식사 시작을 감지한다(S1520).
냉장고 사용자의 식사 시작을 감지한 상기 제어부는 사용자의 식후 과일 소비 패턴 예측을 수행한다(S1530). 상기 사용자의 식후 과일 소비 패턴은 과일 소비 패턴 정보에 기초하여 예측될 수 있다.
사용자의 식후 과일 소비 패턴을 예측한 결과, 상기 제어부는 사용자가 일정 개수의 특정 과일을 소비할 것이라는 결과를 획득한다.
예측 결과에 기초하여, 상기 특정 과일이 최고 당도 온도에 도달하게 하도록 하기 위해서 상기 제어부는 과일 보관 트레이에 보관된 과일 중 일정 개수의 특정 과일을 상기 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 이동한다(S1540). 이 때, 상기 제어부는 냉장고 사용자가 식사 직후에 즉시 최고의 당도 값을 갖는 과일을 소비할 수 있도록, 사용자의 식사 패턴 정보에 기초하여 결정된 특정 시점에 상기 특정 과일을 제 1 구역에서 제 2 구역으로 이동시킬 수 있다.
다음, 상기 제어부는 제 2 구역으로 이동된 일정 개수의 특정 과일을 최고 당도 온도에 도달하게 하기 위해서, 제 2 구역의 온도를 최고 당도 온도로 설정한다(S1550). 이 때, 상기 제어부는 제 2 구역의 온도를 최고 당도 온도로 설정하기 위해서, 최고 당도 온도 정보를 사용할 수 있다.
상기 제어부는 사용자의 식사가 종료되었는지를 판단한다(S1560). 이 때, 상기 제어부는 냉장고에 구비된 카메라로 촬영한 영상에 기초하여 식사 종료 여부를 판단할 수 있다. 또는, 냉장고 사용자의 식사 패턴 정보에 기초하여, 예상된 종료시간이 경과하면 식사가 종료된 것으로 판단할 수 있다.
식사가 종료되지 않는 것으로 판단된 경우, S1560을 다시 수행한다. 반면, 식사가 종료된 것으로 판단된 경우, 식사 종료 후 냉장고의 과일 보관 트레이의 제 2 구역에 남아있는 과일이 있는지를 판단한다(S1570). 이 때, 상기 제어부는 제 2 구역에 과일이 남아있는 지를 판단하기 위해, 냉장고에 구비된 과일 인식 센서를 사용할 수 있다.
만약, 제 2 구역에 과일이 남아있지 않은 것으로 판단된 경우, 상기 제어부는 S1520단계부터 다시 반복하게 된다.
반대로, 제 2 구역에 과일이 남아있는 것으로 판단된 경우, 상기 제어부는 제 2 구역의 남은 과일을 제 1 구역으로 다시 이동시킨다(S1580).
상기 제어부는 S1500의 절차를 사용자의 식사시간 전후로 매번 수행할 수 있다.
도 16은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법이 수행되는 일 예를 나타낸다.
도 16은 도 15에서 카메라 영상을 통하여 냉장고 사용자의 식사시작을 감지하는 방법을 구체적으로 나타낸다.
제어부는 냉장고에 구비된 카메라를 통하여 식사 중인 냉장고 사용자를 촬영한 화면을 학습할 수 있다. 상기 제어부는 결과에 기초하여, 도 15의 S1520단계에서 냉장고 사용자를 촬영하고, 학습된 결과에 기초하여 현재 냉장고 사용자가 식사를 시작하는 것인지를 판단할 수 있다.
도 17은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
도 17에서, 사용자의 식사 소요시간은 19분이며, 특정 과일이 최고 당도 온도에 도달하기 위해 필요한 시간을 1 시간인 것으로 한다.
제어부는 과일 보관 트레이의 냉장을 시작한다(S1700).
다음, 상기 제어부는 사용자의 식사 패턴 정보에 기초하여, 냉장고 사용자의 식사 소요시간을 예측한다(S1710). 이 때, 상기 제어부는 냉장고 사용자의 예상 식사 시작 시간 및 예상 식사 종료 시간을 예측할 수 있다. 예측 결과, 상기 제어부는 냉장고 사용자가 식사를 위해 19분을 소요하는 것으로 판단한다.
냉장고 사용자의 식사 시작을 감지한 상기 제어부는 사용자의 식후 과일 소비 패턴 예측을 수행한다(S1720). 상기 사용자의 식후 과일 소비 패턴은 과일 소비 패턴 정보에 기초하여 예측될 수 있다.
사용자의 식후 과일 소비 패턴을 예측한 결과, 상기 제어부는 사용자가 일정 개수의 특정 과일을 소비할 것이라는 결과를 획득한다.
상기 S1710 단계와 S1720 단계는 동시에 수행되거나, 순서가 바뀌어 수행될 수 있다.
상기 제어부는 냉장고 사용자가 식사 직후에 즉시 최고의 당도 값을 갖는 과일을 소비할 수 있도록 과일을 제 1 구역에서 제 2 구역으로 이동시킬 특정 시점을 결정한다(S1730). 여기서, 상기 특정 시점을 결정하기 위해서, 상기 제어부는 사용자의 식사 패턴 정보, 과일소비 패턴 정보 및 최고 당도 온도 정보를 사용할 수 있다. 상기 최고 당도 온도 정보는 특정 종류의 과일이 특정한 온도에서 최고 당도 온도에 도달하기 위해 필요한 시간에 대한 정보가 포함될 수 있다.
도 17의 예시에서, 특정 과일의 온도가 신선도 유지를 위한 온도에서 최고 당도 온도로 도달하기 위해 필요한 시간은 1 시간이므로, 상기 제어부는 일정 개수갯 특정 과일을 제 1 구역에서 제 2 구역으로 사용자의 식사시간 41분 전에 이동할 수 있다.
예측 결과에 기초하여, 특정 과일이 사용자의 식사 종료 시점에 맞추어 최고 당도 온도에 도달하게 하도록 하기 위해서 상기 제어부는 과일 보관 트레이에 보관된 과일 중 일정 개수의 특정 과일을 상기 과일 보관 트레이의 제 1 구역에서 제 2 구역으로 사용자의 식사 시작 시간 41분 전에 이동한다(S1740).
다음, 상기 제어부는 제 2 구역으로 이동된 일정 개수의 특정 과일을 최고 당도 온도에 도달하게 하기 위해서, 제 2 구역의 온도를 최고 당도 온도로 설정한다(S1750). 이 때, 상기 제어부는 제 2 구역의 온도를 최고 당도 온도로 설정하기 위해서, 최고 당도 온도 정보를 사용할 수 있다.
상기 제어부는 사용자의 식사가 종료되었는지를 판단한다(S1760). 이 때, 냉장고 사용자의 식사 패턴 정보에 기초하여, 예상된 종료시간이 경과하면 식사가 종료된 것으로 판단할 수 있다.
식사가 종료되지 않는 것으로 판단된 경우, S1760을 다시 수행한다. 반면, 식사가 종료된 것으로 판단된 경우, 식사 종료 후 냉장고의 과일 보관 트레이의 제 2 구역에 남아있는 과일이 있는지를 판단한다(S1770). 이 때, 상기 제어부는 제 2 구역에 과일이 남아있는 지를 판단하기 위해, 냉장고에 구비된 과일 인식 센서를 사용할 수 있다.
만약, 제 2 구역에 과일이 남아있지 않은 것으로 판단된 경우, 상기 제어부는 S1720단계부터 다시 반복하게 된다.
반대로, 제 2 구역에 과일이 남아있는 것으로 판단된 경우, 상기 제어부는 제 2 구역의 남은 과일을 제 1 구역으로 다시 이동시킨다(S1780).
상기 제어부는 S1700의 절차를 사용자의 식사시간 전후로 매번 수행할 수 있다.
도 18은 본 발명의 일 실시예에 따른 AI 장치를 이용한 과일 보관 방법의 일 예를 나타낸 흐름도이다.
먼저, 냉장고의 제어부는 사용자의 과일 소비 패턴 정보에 기초하여 냉장실 내부에 과일이 보관되는 트레이의 제1 구역에서 제2 구역으로 이동시킬 특정 과일을 선택한다(S1810).
다음, 상기 제어부는 상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 특정과일을 상기 트레이의 하단부에 구비된 레일을 통하여 상기 제1 구역에서 상기 제2 구역으로 이동시킨다(S1820).
다음, 상기 제어부는 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 상기 제2 구역의 온도를 설정한다(S1830).
(본 발명이 적용될 수 있는 실시 예)
실시 예 1: 지능형 냉장 장치는 냉장실; 사용자의 식사 패턴정보, 과일 소비 패턴정보 및 최고당도 온도정보를 저장하는 메모리; 상기 냉장실 내부에 과일이 보관되는 트레이; 상기 트레이의 하단부에 구비되어 상기 트레이의 제1 구역과 제2 구역 사이에서 상기 과일의 이동을 제어하는 레일; 및 상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 과일 소비 패턴정보에 기초하여 선택된 과일이 상기 제1 구역에서 제2 구역으로 이동되도록 상기 레일의 움직임을 제어하는 제어부; 를 포함하고, 상기 제2 구역은 상기 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 온도가 제어되는 공간이다.
실시 예 2: 실시 예 1에 있어서, 상기 식사 패턴정보는 상기 사용자의 식사 시작시점, 식사 종료시점 및 식사 소요시간이 끼니 별로 기록된 정보가 특정 일자 별로 목록화된 정보를 포함할 수 있다.
실시 예 3: 실시 예 1에 있어서, 상기 과일소비 패턴 정보는 상기 사용자가 특정 과일을 소비한 날짜 정보, 상기 특정 과일의 종류 정보 및 상기 특정 과일의 소비 개수 정보 중 적어도 하나를 포함할 수 있다.
실시 예 4: 실시 예 1에 있어서, 상기 최고당도 온도정보는 특정 과일이 최대 당도 값을 가지는 온도를 과일 종류별로 목록화된 정보를 포함할 수 있다.
실시 예 5: 실시 예 1에 있어서, 상기 제1 구역은 상기 과일의 보관 기간이 최대가 되도록 온도가 제어되는 공간인 것을 특징으로 하는 지능형 냉장 장치.
실시 예 6: 실시 예 1에 있어서, 상기 메모리는 특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보를 더 저장하고, 및 상기 제어부는 상기 최대 당도 값 도달 시간 정보에 기초하여 상기 과일이 상기 제1 구역에서의 온도에서 최대 당도 값을 가지는 온도에 도달하는데 필요한 최대 당도 값 도달 시간을 계산할 수 있다.
실시 예 7: 실시 예 6에 있어서, 상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 짧은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 늦을 수 있다.
실시 예 8: 실시 예 6에 있어서, 상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 긴 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 빠를 수 있다.
실시 예 9: 실시 예 6에 있어서, 상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간과 같은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점과 같을 수 있다.
실시 예 10: 실시 예 1에 있어서, 상기 사용자의 식사 시작을 감지하는 카메라; 를 더 포함할 수 있다.
실시 예 11: 실시 예 1에 있어서, 상기 제어부는 상기 제 2 구역으로 이동된 상기 과일의 종류를 파악할 수 있다.
실시 예 12: 실시 예 11에 있어서, 상기 제어부는 상기 과일의 종류를 상기 과일 소비 패턴 정보에 기초하여 파악할 수 있다.
실시 예 13: 실시 예 11에 있어서,과일 인식 센서; 를 더 포함하되, 상기 제어부는 상기 과일 인식 센서가 상기 과일의 종류를 파악하도록 제어할 수 있다.
실시 예14: 실시 예 1에 있어서, 상기 제어부는 상기 사용자가 식사 종료시점 후 일정 시간 동안 상기 과일이 소비하지 않은 경우, 상기 제 2 구역의 상기 과일을 상기 제 1 구역으로 이동 시키도록 상기 레일을 제어할 수 있다.
실시 예15: 실시 예 11에 있어서, 통신부; 를 더 포함하되, 상기 제어부는 상기 과일의 종류에 대한 정보 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하도록 상기 통신부를 제어하고, 상기 과일의 종류에 대한 정보는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
실시 예 16: 실시 예 15에 있어서, 상기 제어부는 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하도록 상기 통신부를 제어하고, 상기 과일의 종류에 대한 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS(Dedicated Demodulation Reference Signal)는 QCL(Quasi Co-Location) type D에 대해 QCL될 수 있다.
실시 예 17: 실시 예 15에 있어서, 상기 제어부는 상기 과일의 종류에 대한 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 및 상기 제어부는 상기 AI 프로세서로부터 상기 과일의 종류에 대한 정보가 AI 프로세싱된 상기 최고당도 온도정보를 수신하도록 상기 통신부를 제어할 수 있다.
실시 예18: 인공지능 장치를 이용한 과일 보관 방법은, 사용자의 과일 소비 패턴 정보에 기초하여 냉장실 내부에 과일이 보관되는 트레이의 제1 구역에서 제2 구역으로 이동시킬 특정 과일을 선택하는 단계; 상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 특정과일을 상기 트레이의 하단부에 구비된 레일을 통하여 상기 제1 구역에서 상기 제2 구역으로 이동시키는 단계; 및 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 상기 제2 구역의 온도를 설정하는 단계; 를 포함한다.
실시 예19: 실시 예 18에 있어서, 상기 식사 패턴정보는 상기 사용자의 식사 시작시점, 식사 종료시점 및 식사 소요시간이 끼니 별로 기록된 정보가 특정 일자 별로 목록화된 정보를 포함할 수 있다.
실시 예 20: 실시 예 18에 있어서, 상기 과일소비 패턴 정보는 상기 사용자가 특정 과일을 소비한 날짜 정보, 상기 특정 과일의 종류 정보 및 상기 특정 과일의 소비 개수 정보 중 적어도 하나를 포함할 수 있다.
실시 예 21: 실시 예 18에 있어서, 상기 최고당도 온도정보는 특정 과일이 최대 당도 값을 가지는 온도를 과일 종류별로 목록화된 정보를 포함할 수 있다.
실시 예 22: 실시 예 18에 있어서, 상기 제1 구역은 상기 과일의 보관 기간이 최대가 되도록 온도가 제어되는 공간일 수 있다.
실시 예 23: 실시 예 18에 있어서, 특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보에 기초하여 상기 특정 과일이 상기 제1 구역에서의 온도에서 최대 당도 값을 가지는 온도에 도달하는데 필요한 최대 당도 값 도달 시간을 계산하는 단계; 를 더 포함할 수 있다.
실시 예 24: 실시 예 23에 있어서, 상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 짧은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 늦을 수 있다.
실시 예 25: 실시 예 23 에 있어서, 상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 긴 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 빠른 것을 특징으로 하는 인공지능 장치를 이용한 과일 보관 방법.
실시 예 26: 실시 예 23에 있어서, 상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간과 같은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점과 같을 수 있다.
실시 예 27: 실시 예 18에 있어서, 카메라를 통하여 상기 사용자의 식사 시작을 감지하는 단계; 를 더 포함할 수 있다.
실시 예 28: 실시 예 18에 있어서, 상기 제 2 구역으로 이동된 상기 특정 과일의 종류를 파악하는 단계; 를 더 포함할 수 있다.
실시 예 29: 실시 예 28에 있어서, 상기 특정 과일의 종류는 상기 과일 소비 패턴 정보에 기초하여 파악될 수 있다.
실시 예 30: 실시 예 28에 있어서, 상기 특정 과일의 종류는 과일 인식 센서에 기초하여 파악될 수 있다.
실시 예 31: 실시 예 18에 있어서, 상기 사용자가 식사 종료시점 후 일정 시간 동안 상기 특정 과일을 소비하지 않은 경우, 상기 특정 과일을 상기 제 2 구역에서 상기 제 1 구역으로 이동 시키는 단계; 를 더 포함할 수 있다.
실시 예 32: 실시 예 28에 있어서, 상기 과일의 종류에 대한 정보 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계; 를 더 포함하되, 상기 과일의 종류에 대한 정보는 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
실시 예 33: 실시 예 32에 있어서, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 포함하되, 상기 과일의 종류에 대한 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되고, 및 상기 SSB와 상기 PUSCH의 DM-RS(Dedicated Demodulation Reference Signal)는 QCL(Quasi Co-Location) type D에 대해 QCL될 수 있다.
실시 예 34: 실시 예 32에 있어서, 상기 과일의 종류에 대한 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하는 단계; 및 상기 AI 프로세서로부터 상기 과일의 종류에 대한 정보가 AI 프로세싱된 상기 최고당도 온도정보를 수신하는 단계; 를 더 포함할 수 있다.
본 발명에 따른 지능형 냉장 장치의 효과에 설명하면 다음과 같다. 본 발명의 실시 예 중 적어도 하나에 의하면, 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식사 패턴을 학습할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식후 과일소비 패턴을 학습할 수 있다. 또한, 본 발명의 실시 예 중 적어도 하나에 의하면, 본 발명은 사용자의 식사 패턴 및 사용자의 식후 과일소비 패턴에 기초하여 최고의 당도 값을 갖는 과일을 제공할 수 있다.
본 발명에 따른 인공지능 장치를 이용한 과일 보관 방법의 효과에 설명하면 다음과 같다. 본 발명의 실시 예 중 적어도 하나에 의하면, 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식사 패턴을 학습할 수 있다. 본 발명의 실시 예 중 적어도 하나에 의하면, 본 발명은 냉장고 사용자가 과일을 소비하는 시점 맞추어 최고의 당도 값을 갖는 과일을 제공하기 위해 냉장고 사용자의 식후 과일소비 패턴을 학습할 수 있다. 또한, 본 발명의 실시 예 중 적어도 하나에 의하면, 본 발명은 사용자의 식사 패턴 및 사용자의 식후 과일소비 패턴에 기초하여 최고의 당도 값을 갖는 과일을 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)

  1. 냉장실;
    사용자의 식사 패턴(Pattern)정보, 과일 소비 패턴정보 및 최고당도 온도정보를 저장하는 메모리;
    상기 냉장실 내부에 과일이 보관되는 트레이;
    상기 트레이의 하단부에 구비되어 상기 트레이의 제1 구역과 제2 구역 사이에서 상기 과일의 이동을 제어하는 레일; 및
    상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 과일 소비 패턴정보에 기초하여 선택된 과일이 상기 제1 구역에서 제2 구역으로 이동되도록 상기 레일의 움직임을 제어하는 제어부; 를 포함하고,
    상기 제2 구역은 상기 최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 온도가 제어되는 공간인 것을 특징으로 하는 지능형 냉장 장치.
  2. 제 1 항에 있어서,
    상기 식사 패턴정보는 상기 사용자의 식사 시작시점, 식사 종료시점 및 식사 소요시간이 끼니 별로 기록된 정보가 특정 일자 별로 목록화된 정보를 포함하는 것을 특징으로 하는 지능형 냉장 장치.
  3. 제 1 항에 있어서,
    상기 과일소비 패턴 정보는 상기 사용자가 특정 과일을 소비한 날짜 정보, 상기 특정 과일의 종류 정보 및 상기 특정 과일의 소비 개수 정보 중 적어도 하나를 포함하는 지능형 냉장 장치.
  4. 제 1 항에 있어서,
    상기 최고당도 온도정보는 특정 과일이 최대 당도 값을 가지는 온도를 과일 종류별로 목록화된 정보를 포함하는 것을 특징으로 하는 지능형 냉장 장치.
  5. 제 1 항에 있어서,
    상기 제1 구역은 상기 과일의 보관 기간이 최대가 되도록 온도가 제어되는 공간인 것을 특징으로 하는 지능형 냉장 장치.
  6. 제 1 항에 있어서,
    상기 메모리는 특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보를 더 저장하고, 및
    상기 제어부는 상기 최대 당도 값 도달 시간 정보에 기초하여 상기 과일이 상기 제1 구역에서의 온도에서 최대 당도 값을 가지는 온도에 도달하는데 필요한 최대 당도 값 도달 시간을 계산하는 것을 특징으로 하는 지능형 냉장 장치.
  7. 제 6 항에 있어서,
    상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 짧은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 늦은 것을 특징으로 하는 지능형 냉장 장치.
  8. 제 6 항에 있어서,
    상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간보다 긴 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점보다 빠른 것을 특징으로 하는 지능형 냉장 장치.
  9. 제 6 항에 있어서,
    상기 최대 당도 값 도달 시간이 상기 사용자의 식사 소요시간과 같은 경우, 상기 특정 시점은 상기 사용자의 식사 시작시점과 같은 것을 특징으로 하는 지능형 냉장 장치.
  10. 제 1 항에 있어서,
    상기 사용자의 식사 시작을 감지하는 카메라;
    를 더 포함하는 것을 특징으로 하는 지능형 냉장 장치.
  11. 제 1 항에 있어서,
    상기 제어부는 상기 제 2 구역으로 이동된 상기 과일의 종류를 파악하는 것을 특징으로 하는 지능형 냉장 장치.
  12. 제 11항에 있어서,
    상기 제어부는 상기 과일의 종류를 상기 과일 소비 패턴 정보에 기초하여 파악하는 것을 특징으로 하는 지능형 냉장 장치.
  13. 제 11 항에 있어서,
    과일 인식 센서; 를 더 포함하되,
    상기 제어부는 상기 과일 인식 센서가 상기 과일의 종류를 파악하도록 제어하는 것을 특징으로 하는 지능형 냉장 장치.
  14. 제 1 항에 있어서,
    상기 제어부는 상기 사용자가 식사 종료시점 후 일정 시간 동안 상기 과일이 소비하지 않은 경우, 상기 제 2 구역의 상기 과일을 상기 제 1 구역으로 이동 시키도록 상기 레일을 제어하는 것을 특징으로 하는 지능형 냉장 장치.
  15. 제 11 항에 있어서,
    통신부; 를 더 포함하되,
    상기 제어부는 상기 과일의 종류에 대한 정보 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하도록 상기 통신부를 제어하고,
    상기 과일의 종류에 대한 정보는 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 지능형 냉장 장치.
  16. 제 15 항에 있어서,
    상기 제어부는 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하도록 상기 통신부를 제어하고,
    상기 과일의 종류에 대한 정보는 PUSCH(Physical Uplink Shared Channel)를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS(Dedicated Demodulation Reference Signal)는 QCL(Quasi Co-Location) type D에 대해 QCL되어 있는 것을 특징으로 하는 지능형 냉장 장치.
  17. 제 15 항에 있어서,
    상기 제어부는 상기 과일의 종류에 대한 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 및
    상기 제어부는 상기 AI 프로세서로부터 상기 과일의 종류에 대한 정보가 AI 프로세싱된 상기 최고당도 온도정보를 수신하도록 상기 통신부를 제어하는 것을 특징으로 하는 지능형 냉장 장치.
  18. 사용자의 과일 소비 패턴 정보에 기초하여 냉장실 내부에 과일이 보관되는 트레이의 제1 구역에서 제2 구역으로 이동시킬 특정 과일을 선택하는 단계;
    상기 사용자의 식사 패턴정보에 기초하여 예측된 특정 시점에 상기 특정과일을 상기 트레이의 하단부에 구비된 레일을 통하여 상기 제1 구역에서 상기 제2 구역으로 이동시키는 단계; 및
    최고당도 온도정보에 기초하여 상기 과일이 최대 당도 값을 가지도록 상기 제2 구역의 온도를 설정하는 단계;
    를 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 과일 보관 방법.
  19. 제 18 항에 있어서,
    특정 과일이 특정 온도에서 최대 당도 값을 가지는 온도에 도달하는 시간을 과일 종류별로 목록화한 최대 당도 값 도달 시간 정보에 기초하여 상기 특정 과일이 상기 제1 구역에서의 온도에서 최대 당도 값을 가지는 온도에 도달하는데 필요한 최대 당도 값 도달 시간을 계산하는 단계;
    를 더 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 과일 보관 방법.
  20. 제 18 항에 있어서,
    상기 사용자가 식사 종료시점 후 일정 시간 동안 상기 특정 과일을 소비하지 않은 경우, 상기 특정 과일을 상기 제 2 구역에서 상기 제 1 구역으로 이동 시키는 단계;
    를 더 포함하는 것을 특징으로 하는 인공지능 장치를 이용한 과일 보관 방법.

KR1020190095534A 2019-08-06 2019-08-06 지능형 냉장 장치 및 이를 제어하기 위한 방법 KR102225439B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190095534A KR102225439B1 (ko) 2019-08-06 2019-08-06 지능형 냉장 장치 및 이를 제어하기 위한 방법
US16/555,981 US20190390897A1 (en) 2019-08-06 2019-08-29 Intelligent refrigerator and method for controlling the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095534A KR102225439B1 (ko) 2019-08-06 2019-08-06 지능형 냉장 장치 및 이를 제어하기 위한 방법

Publications (2)

Publication Number Publication Date
KR20190099158A true KR20190099158A (ko) 2019-08-26
KR102225439B1 KR102225439B1 (ko) 2021-03-09

Family

ID=67806495

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095534A KR102225439B1 (ko) 2019-08-06 2019-08-06 지능형 냉장 장치 및 이를 제어하기 위한 방법

Country Status (2)

Country Link
US (1) US20190390897A1 (ko)
KR (1) KR102225439B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190106944A (ko) * 2019-08-30 2019-09-18 엘지전자 주식회사 지능형 냉장고 및 그 제어 방법
KR20220111672A (ko) 2021-02-02 2022-08-09 트루 매뉴팩쳐링 코., 인크. 냉장 가전기기들의 지역적 제어를 가능하게 하는 시스템들, 방법들 및 가전기기들

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010061667A (ko) * 1999-12-28 2001-07-07 구자홍 냉장고 운전제어방법
KR20050003862A (ko) * 2003-07-04 2005-01-12 엘지전자 주식회사 냉장고의 고온저장장치
KR20060111011A (ko) * 2005-04-21 2006-10-26 엘지전자 주식회사 식품 관리형 냉장고
KR100673782B1 (ko) * 2005-05-13 2007-01-24 엘지전자 주식회사 원격 건강관리시스템
KR101400730B1 (ko) * 2012-11-09 2014-05-29 재단법인대구경북과학기술원 지능형 냉장고 및 지능형 냉장고를 제어하는 방법
KR20150036321A (ko) * 2012-10-12 2015-04-07 가부시끼가이샤 도시바 냉장고
KR101812524B1 (ko) * 2016-10-27 2017-12-27 서영빈 인공 지능형 냉장고를 위한 가전 제어용 크라우딩 운영관리 시스템 및 그 구동방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010061667A (ko) * 1999-12-28 2001-07-07 구자홍 냉장고 운전제어방법
KR20050003862A (ko) * 2003-07-04 2005-01-12 엘지전자 주식회사 냉장고의 고온저장장치
KR20060111011A (ko) * 2005-04-21 2006-10-26 엘지전자 주식회사 식품 관리형 냉장고
KR100673782B1 (ko) * 2005-05-13 2007-01-24 엘지전자 주식회사 원격 건강관리시스템
KR20150036321A (ko) * 2012-10-12 2015-04-07 가부시끼가이샤 도시바 냉장고
KR101400730B1 (ko) * 2012-11-09 2014-05-29 재단법인대구경북과학기술원 지능형 냉장고 및 지능형 냉장고를 제어하는 방법
KR101812524B1 (ko) * 2016-10-27 2017-12-27 서영빈 인공 지능형 냉장고를 위한 가전 제어용 크라우딩 운영관리 시스템 및 그 구동방법

Also Published As

Publication number Publication date
KR102225439B1 (ko) 2021-03-09
US20190390897A1 (en) 2019-12-26

Similar Documents

Publication Publication Date Title
US10965489B2 (en) Artificial intelligence refrigerator and method for controlling the same
US20210356158A1 (en) Intelligent air cleaner, indoor air quality control method and control apparatus using intelligent air cleaner
US11511599B2 (en) Method for controlling temperature of refrigerator provided in vehicle
US10964202B2 (en) Home monitoring system
US11245544B2 (en) Intelligent washing machine and method for controlling washing timing using the same
US11629909B2 (en) Artificial intelligent refrigerator
US11614278B2 (en) Intelligent inspection device and refrigerator with the same
US20210125075A1 (en) Training artificial neural network model based on generative adversarial network
US11746457B2 (en) Intelligent washing machine and control method thereof
US11741424B2 (en) Artificial intelligent refrigerator and method of storing food thereof
US20210199371A1 (en) An artificial intelligence enabled food refrigerating device
US20200090643A1 (en) Speech recognition method and device
US20200024788A1 (en) Intelligent vibration predicting method, apparatus and intelligent computing device
KR102225439B1 (ko) 지능형 냉장 장치 및 이를 제어하기 위한 방법
US20230209368A1 (en) Wireless communication method using on-device learning-based machine learning network
US11394896B2 (en) Apparatus and method for obtaining image
US20200007633A1 (en) Intelligent device enrolling method, device enrolling apparatus and intelligent computing device
US11671276B2 (en) Artificial refrigerator and method for controlling temperature of the same
US20210332519A1 (en) Intelligent washing machine and control method thereof
US11486630B2 (en) Refrigerator based on artificial intelligence and method of controlling the same
US11359319B2 (en) Intelligent washing machine and method for controlling ball balancer using the same
US20200012343A1 (en) Intelligent device and method of information displaying with projection type using the same
KR102676434B1 (ko) 인공 지능형 냉장고 및 그 제어 방법
KR102682671B1 (ko) 지능형 세탁기 및 이의 제어방법
EP4083298A1 (en) Moving hanger control on basis of movement of clothing

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant