KR20190099169A - 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법 - Google Patents

인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법 Download PDF

Info

Publication number
KR20190099169A
KR20190099169A KR1020190095681A KR20190095681A KR20190099169A KR 20190099169 A KR20190099169 A KR 20190099169A KR 1020190095681 A KR1020190095681 A KR 1020190095681A KR 20190095681 A KR20190095681 A KR 20190095681A KR 20190099169 A KR20190099169 A KR 20190099169A
Authority
KR
South Korea
Prior art keywords
information
time
wake
user
bedtime
Prior art date
Application number
KR1020190095681A
Other languages
English (en)
Inventor
최일환
이수진
박성현
윤문호
홍진화
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 KR1020190095681A priority Critical patent/KR20190099169A/ko
Publication of KR20190099169A publication Critical patent/KR20190099169A/ko
Priority to US16/568,021 priority patent/US11604959B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72522—
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—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
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2201/00—Electronic components, circuits, software, systems or apparatus used in telephone systems
    • H04M2201/34—Microprocessors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2250/00—Details of telephonic subscriber devices
    • H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은, 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법에 관한 것이다. 본 발명은, 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신하는 통신부; 상기 사용 정보를 저장하는 메모리; 및 상기 메모리로부터 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하고, 상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 프로세서를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법을 제공한다.
본 발명의 실시 예에 따르면, 기상 또는 취침 시간에 사용자가 해야 할 일들에 대한 서비스를 제공하여 사용자에게 편리성을 제공하는 이점이 있다.

Description

인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법{AI-BASED APPARATUS AND METHOD FOR PROVIDING WAKE-UP TIME AND BED TIME INFORMATION}
본 발명은 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 최근에는 인공지능을 가전에 적용하여 여러 목적에 맞게 운용하는 기술들이 시도되고 있다. 사람이 개입하지 않고 자동으로 목적에 맞게 프로그램 된 형태로 가전 기기가 제어되는 것이다. 일 예로, 인공지능이 적용된 에어컨의 경우 자동으로 풍향과 풍속을 조절하고, 온도를 자동으로 제어하여 사용자에게는 편리성을 부여하는 동시에 전력손실을 줄여주는 효과를 가져올 수 있다.
이와 관련, 한국공개특허공보 제10-2004-0051344호(휴대정보 단말기의 취침기능 제어 방법)는 사용자가 원하지 않은 상태에서 휴대정보 단말기의 취침 모드 동작을 방지하고, 취침 시간 이외에도 사용자가 원하면 취침 모드로 동작하는 휴대정보 단말기의 취침기능 제어방법을 개시하고 있다.
다만, 종래의 기술은 사용자가 입력한 취침 시간 기반으로 서비스를 제공하기 때문에, 사용자의 생활 패턴을 반영하여 자동으로 시간을 설정하지 않는 문제점이 있다.
또한, 설정된 모드나 시간들은 고정 값이기 때문에 주말, 주중, 휴가 기간 등이 반영 되기 어려운 문제점이 있다.
본 발명은, 사용자가 사용하는 모바일을 통해 사용 정보를 추출하여 생활 패턴을 분석하고 사용자의 기상 또는 취침 시간을 정확히 예측하는 것이다.
본 발명은, 예측된 사용자의 기상 또는 취침 시간을 활용하여 사용자의 주변 기기를 제어하거나 절전 기능을 제공하여 사용자에게 편리성을 제공하는 것이다.
본 발명의 실시 예에 따른 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신하는 통신부; 상기 사용 정보를 저장하는 메모리; 및 상기 메모리로부터 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하고, 상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 프로세서를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치를 제공한다.
실시 예에 따라, 상기 프로세서는, 상기 기상 또는 취침 시간에 따라 상기 사용자의 주변 기기를 피드백 제어할 수 있다.
실시 예에 따라, 상기 사용 정보는, 상기 사용자가 모바일을 사용한 시간과 해당 시간에 사용한 앱의 종류를 나타내는 모바일 정보, 상기 모바일의 물리적인 움직임 시간을 나타내는 모션 정보, 또는 상기 사용자가 사용하는 네트워크와 연동되어 IOT 기반으로 작동되는 전자 기기의 사용 정보를 나타내는 주변 기기 사용 정보 중, 적어도 어느 하나를 포함할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 모바일 정보로부터 상기 사용자가 사용하는 앱을 정렬하고, 상기 앱의 사용 시간 또는 종료 시간을 추출하여 상기 기상 또는 취침 시간을 예측할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 앱 사용의 종료 시간 및 사용 시간의 차이가 기 설정된 평균 수면 시간 이상인 경우, 상기 앱 사용의 종료 시간을 상기 취침 시간으로 인식하고, 상기 앱 사용의 사용 시간을 기상 시간으로 예측할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 모션 정보로부터 상기 모바일의 움직임이 종료된 시간을 취침 시간으로 인식하고, 상기 모바일의 움직임이 시작된 시간을 기상 시간으로 인식할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 주변 기기 사용 정보로부터, 사용 종료된 시간을 취침 시간으로 인식하고, 사용 시작된 시간을 기상 시간으로 인식할 수 있다.
실시 예에 따라, 상기 프로세서는, 상기 사용 정보에 포함된 모바일 정보, 모션 정보 또는 주변 기기 사용 정보 중 적어도 어느 하나에 해당하는 사용자의 사용 시작 시간 및 종료 시간을 추출하고, 상기 시작 시간 및 종료 시간을 비교 또는 분석하여 상기 기상 또는 취침 시간을 예측할 수 있다.
실시 예에 따라, 상기 프로세서는, 예측된 기상 또는 취침 시간에 대응하여 상기 주변 기기의 작동을 제어할 수 있다.
또한 본 발명은, 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신하여 저장하는 단계; 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하는 단계; 및 상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 기상 또는 취침 시간에 따라 상기 사용자의 주변 기기를 피드백 제어하는 단계를 더 포함할 수 있다.
실시 예에 따라, 상기 사용 정보는, 상기 사용자가 모바일을 사용한 시간과 해당 시간에 사용한 앱의 종류를 나타내는 모바일 정보, 상기 모바일의 물리적인 움직임 시간을 나타내는 모션 정보, 또는 상기 사용자가 사용하는 네트워크와 연동되어 IOT 기반으로 작동되는 전자 기기의 사용 정보를 나타내는 주변 기기 사용 정보 중, 적어도 어느 하나를 포함할 수 있다.
실시 예에 따라, 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는, 상기 모바일 정보로부터 상기 사용자가 사용하는 앱을 정렬하는 단계; 상기 앱 사용의 종료 시간 및 사용 시간의 차이가 기 설정된 평균 수면 시간 이상인지 판단하는 단계; 및 상기 앱의 사용 시간 또는 종료 시간을 추출하여 상기 기상 또는 취침 시간을 예측하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는, 상기 모션 정보로부터 상기 모바일의 움직임이 종료된 시간을 취침 시간으로 인식하고, 상기 모바일의 움직임이 시작된 시간을 기상 시간으로 인식할 수 있다.
실시 예에 따라, 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는, 상기 사용 정보에 포함된 모바일 정보, 모션 정보 또는 주변 기기 사용 정보 중 적어도 어느 하나에 해당하는 사용자의 사용 시작 시간 및 종료 시간을 추출하는 단계; 및 상기 시작 시간 및 종료 시간을 비교 또는 분석하여 상기 기상 또는 취침 시간을 예측하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 시작 시간 및 종료 시간을 비교 또는 분석하는 단계는, 상기 모바일 정보와 상기 모션 정보로부터 기상 또는 취침 시간을 예측하는 단계; 및 상기 모바일 정보와 상기 모션 정보로부터 예측된 기상 또는 취침 시간을 상기 주변 기기 사용 정보로부터 예측된 기상 또는 취침 시간과 비교하는 단계를 더 포함할 수 있다.
본 발명의 실시 예에 따르면, 다양한 사용 정보를 기반으로 더욱 정확한 기상 또는 취침 시간을 예측할 수 있다.
또한, 본 발명은, 예측된 기상 또는 취침 시간을 이용하여 다양한 서비스를 제공하기 때문에 사용자에게 편리성을 제공하는 이점이 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 기반의 기상 및 취침 시간 정보 제공 장치의 구성도를 나타낸다.
도 5는 본 발명의 일 실시 예에 따라 수집된 사용 정보로부터 기상 및 취침 시간의 추정 과정을 나타낸다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 기반의 기상 및 취침 시간 정보 제공 방법의 순서도를 나타낸다.
도 7은 본 발명의 일 실시 예에 따른 사용 정보로부터 취침 시간을 예측하는 과정의 순서도를 나타낸다.
도 8은 본 발명의 일 실시 예에 따른 사용 정보로부터 기상 시간을 예측하는 과정의 순서도를 나타낸다.
도 9는 본 발명의 일 실시 예에 따라 예측된 기상 또는 취침 시간을 이용하여 주변 기기를 제어하는 모습을 나타낸다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 기반의 기상 및 취침 시간 정보 제공 장치의 구성도를 나타낸다.
도 4를 참조하면, 인공지능 기반의 기상 및 취침 시간 정보 제공 장치는 통신부(210a), 프로세서(260a) 및 메모리(230a)를 포함할 수 있다.
통신부(210a)는, 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신할 수 있다.
통신부(210a)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(210a)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(210a)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
메모리(230a)는 상기 사용 정보를 저장할 수 있다.
메모리(230a)는 AI 장치(100a)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(230a)는 획득한 사용 정보를 저장하여 프로세서(260a)로 제공할 수 있으며, 이 외에도 다른 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(260a)는, 상기 메모리(230a)로부터 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하고, 상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측할 수 있다.
프로세서(260a)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100a)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(260a)는 AI 장치(100a)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(260a)는 러닝 프로세서(260a) 또는 메모리(230a)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100a)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(260a)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(260a)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
프로세서(260a)는 상기 기상 또는 취침 시간에 따라 상기 사용자의 주변 기기를 피드백 제어할 수 있다.
피드백 제어란, 사용 정보로부터 예측된 기상 또는 취침 시간을 이용하여 다시 사용자의 주변 기기를 제어한다는 것으로, 사용자의 사용 정보를 통해 사용자를 제어한다는 의미이다.
프로세서(260a)는 사용 정보로부터 기상 또는 취침 시간을 예측하기도 하지만, 예측된 시간을 통해, 사용자의 기상 또는 취침 시간을 재설정하거나, 요일 별, 휴일 별 또는 주중과 주말을 나눠서 자동으로 기상 또는 취침 시간을 재설정하도록 변경이 가능하다.
프로세서(260a)는 사용자로부터 사용 정보를 입력 받고, 사용 정보를 통해 시간을 예측할 수 있다.
사용 정보는, 상기 사용자가 모바일을 사용한 시간과 해당 시간에 사용한 앱의 종류를 나타내는 모바일 정보, 상기 모바일의 물리적인 움직임 시간을 나타내는 모션 정보, 또는 상기 사용자가 사용하는 네트워크와 연동되어 IOT 기반으로 작동되는 전자 기기의 사용 정보를 나타내는 주변 기기 사용 정보 중, 적어도 어느 하나를 포함할 수 있다.
모바일 정보는, 사용자가 사용한 앱을 일자 별, 시간 별로 목록화 한 자료를 말하며, 앱 이외에도 사용자가 모바일을 on/off 하거나 충전 시간 등을 포함할 수 있다.
프로세서(260a)는, 상기 모바일 정보로부터 상기 사용자가 사용하는 앱을 정렬하고, 상기 앱의 사용 시간 또는 종료 시간을 추출하여 상기 기상 또는 취침 시간을 예측할 수 있다.
즉, 프로세서(260a)는, 상기 앱 사용의 종료 시간 및 사용 시간의 차이가 기 설정된 평균 수면 시간 이상인 경우, 상기 앱 사용의 종료 시간을 상기 취침 시간으로 인식하고, 상기 앱 사용의 사용 시간을 기상 시간으로 예측할 수 있다.
모션 정보는, 사용자가 모바일을 움직인 시간 정보를 담은 데이터를 말한다. 본 발명의 실시 예에 따라, 사용자가 모바일을 움직이는 경우는 활동이 있는 시간으로 분류가 가능하고, 움직이지 않는 시간은 다른 행동을 하거나 취침 시간으로도 볼 수 있다.
즉, 프로세서(260a)는, 상기 모션 정보로부터 상기 모바일의 움직임이 종료된 시간을 취침 시간으로 인식하고, 상기 모바일의 움직임이 시작된 시간을 기상 시간으로 인식할 수 있다.
프로세서(260a)는 모션 정보를 통해, 사용자의 활동 사항을 알 수 있고, 모바일 정보와 비교하여 실제로 기상인지 취침인지 판별할 수 있다.
주변 기기 사용 정보는, 사용자의 기상 또는 취침 시간을 예측하기 위해 모바일 이외에 사용자의 주변에 있는 전자 기기의 사용 정보를 수집하는 과정을 말한다.
주변 기기 사용 정보는, 사용자의 모바일 이외의 전자 기기를 말하지만, 네트워크에 접속되어 인식될 수 있는 IOT 기반의 전자 기기를 모두 포함할 수 있다.
프로세서(260a)는 상기 주변 기기 사용 정보로부터, 사용 종료된 시간을 취침 시간으로 인식하고, 사용 시작된 시간을 기상 시간으로 인식할 수 있으며, 모바일 정보와 모션 정보와의 비교를 통해 실제 기상 또는 취침 시간을 예측하는 하나의 요소가 될 수 있다.
프로세서(260a)는, 상기 사용 정보에 포함된 모바일 정보, 모션 정보 또는 주변 기기 사용 정보 중 적어도 어느 하나에 해당하는 사용자의 사용 시작 시간 및 종료 시간을 추출하고, 상기 시작 시간 및 종료 시간을 비교 또는 분석하여 상기 기상 또는 취침 시간을 예측할 수 있다.
프로세서(260a)는 각 사용 정보의 모든 시간을 목록화하고, 일자, 시간, 주중, 주말 등 모든 고려 요소를 통해 사용자의 생활 패턴을 도출할 수 있다. 사용자는 이러한 데이터의 수집 기간을 임의로 설정할 수 있으며, 설정된 기간 내의 데이터를 통해 평균적인 기상 또는 취침 시간을 예측할 수 있다.
또한, 프로세서(260a)는, 예측된 기상 또는 취침 시간에 대응하여 상기 주변 기기의 작동을 제어할 수 있다.
주변 기기의 제어는, 주변 기기의 on/off 제어 또는 절전 모드 제어를 할 수 있고, 이에 한정되지 않고 기상 또는 취침 시간과 관련하여 주변 기기를 제어하는 모든 방법을 포함할 수 있다.
도 5는 본 발명의 일 실시 예에 따라 수집된 사용 정보로부터 기상 및 취침 시간의 추정 과정을 나타낸다.
도 5를 참조하면, 모바일 정보로부터 앱 사용 기록을 추출하고, 모바일 정보만 고려하여 앱 사용이 없는 시간을 1차적으로 취침 시간으로 가정할 수 있다.
본 발명의 실시 예에 따라, 기본적인 취침 시간은 4시간으로 본다면, 앱 사용 중지와 시작하는 시간이 4시간이 넘는다면 사용자는 취침한 것으로 볼 수 있다. 물론 낮 시간에도 동일한 현상이 나타날 수 있지만, 평균적으로 중복되는 횟수를 고려한다면 이 부분에 대한 데이터는 제외시킬 수 있다.
도 4에서 1~1', 2~2', 3~3'은 각각 특정 앱을 사용한 시간을 나타내며, 예를 들어 새벽 3시를 기준으로 마지막 앱 사용이 종료된 시간인 1'을 취침시간으로 볼 수 있고, 2를 기상 시간으로 볼 수 있다. 다만 2 - 1 ' 시간이 4시간을 초과하지 않는다면 이는 취침 및 기상 시간으로 볼 수 없다.
이 경우, 다른 앱 중지 시간과 앱 시작 시간이 있는 2'과 3을 비교할 수 있고, 이렇게 순차적으로 비교를 할 수 있다. 여기서 각각의 윈도윙 구간은 앱 사용의 목록화 순서에 따라 0시부터 24시까지 비교를 할 수 있다.
모바일 정보만으로는 시간 예측의 한계가 있기 때문에 모션 정보와 주변 기기 사용 정보도 비교할 수 있다.
취침 시간으로 예측되었으나, 해당 시간에 앱은 사용하지 않았으나 모바일이 움직였다면 사실 취침시간으로 볼 수 없을 것이다. 따라서 이 경우, 예측된 취침 시간과 모바일의 모션 정보가 종료된 시점을 비교하여 마지막 움직임까지 없는 시간을 고려하여 취침 시간으로 예측할 수 있을 것다.
예를 들어, 기상은 했는데 앱 사용을 하지 않는 경우, 모션 정보를 이용할 수 있고, 모션은 없는데 TV 시청하느라 1시간 뒤에 취침한 경우는 주변 기기 사용 정보를 통해 취침 시간을 예측하는 등, 상술한 사용 정보를 통해 좀 더 정확한 기상 또는 취침 시간의 예측을 할 수 있다.
프로세서(260a)는 사용자가 모바일을 항상 휴대하고 다닌다는 점을 가정했으며, 이러한 사용자의 사용 정보를 나열하는 경우 어느 정도 일정한 생활 패턴을 도출할 수 있다는 가정하에 본 발명의 실시 예가 적용될 수 있다. 이를 통해 주변 기기를 제어하는 과정은 이하 도 9와 더불어 설명한다.
상술한 장치를 이용하여 기상 및 취침 시간의 정보를 제공하는 방법에 대하여 이하 설명한다.
도 6은 본 발명의 일 실시 예에 따른 인공지능 기반의 기상 및 취침 시간 정보 제공 방법의 순서도를 나타낸다.
도 6을 참조하면, 인공지능 기반의 기상 및 취침 시간 정보 제공 방법은, 사용 정보를 수신하여 저장하는 단계(S10), 생활 패턴을 추출하는 단계(S20), 평균 기상 또는 취침 시간을 예측하는 단계(S30) 및 주변 기기를 피드백 제어하는 단계(S40)를 포함할 수 있다.
사용 정보를 수신하여 저장하는 단계(S10)는, 사용자가 사용하는 전자 기기로부터 상기 전자 기기의 사용 이력을 수신하는 과정이다.
이 과정에서, 통신부(210a)는, 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신할 수 있다.
또한, 통신부(210a)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(210a)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
메모리(230a)는 상기 사용 정보를 저장할 수 있으며, 프로세서(260a)는, 상기 메모리(230a)로부터 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하고, 상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측할 수 있다.
생활 패턴을 추출하는 단계(S20)는, 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하는 과정이다.
사용 정보는, 상기 사용자가 모바일을 사용한 시간과 해당 시간에 사용한 앱의 종류를 나타내는 모바일 정보, 상기 모바일의 물리적인 움직임 시간을 나타내는 모션 정보, 또는 상기 사용자가 사용하는 네트워크와 연동되어 IOT 기반으로 작동되는 전자 기기의 사용 정보를 나타내는 주변 기기 사용 정보 중, 적어도 어느 하나를 포함할 수 있다.
평균적인 기상 또는 취침 시간을 예측하는 단계(S30)는, 상술한 사용 정보를 통해 사용자의 생활 패턴을 목록화하고, 시간을 비교 분석하여 기상 또는 취침 시간을 예측하는 과정이다.
사용 정보는, 모바일 정보, 모션 정보 또는 주변 기기 사용 정보를 포함할 수 있다.
모바일 정보로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계(S30)는, 상기 모바일 정보로부터 상기 사용자가 사용하는 앱을 정렬하는 단계; 상기 앱 사용의 종료 시간 및 사용 시간의 차이가 기 설정된 평균 수면 시간 이상인지 판단하는 단계; 및 상기 앱의 사용 시간 또는 종료 시간을 추출하여 상기 기상 또는 취침 시간을 예측하는 단계를 포함할 수 있다.
프로세서(260a)는 모바일 정보로부터 사용자가 사용하는 앱을 전달 받고, 상기 앱을 일자, 시간, 주중, 주말 등으로 분류하여 정렬할 수 있다. 평균 수면 시간은 사용자가 입력하여 설정할 수 있으며, 이 외에도 모바일 정보로부터 추출될 수도 있다.
모바일 정보에서 각 일자 별로, 앱을 사용하지 않는 최대 시간이 대부분 취침 시간이 될 수 있으며, 데이터가 수집되는 기간 내에서 일반적인 수면 시간에 해당하는 6~8시간의 공백 시간이 있는 시간을 수면 시간으로 산출할 수 있다.
모션 정보로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는, 상기 모션 정보로부터 상기 모바일의 움직임이 종료된 시간을 취침 시간으로 인식하고, 상기 모바일의 움직임이 시작된 시간을 기상 시간으로 인식하는 과정을 포함할 수 있다.
프로세서(260a)는 주로 모바일 정보로 1차적으로 예측 시간 필터링을 수행하고, 모션 정보를 2차적으로, 주변 기기 제어 정보를 3차적으로 우선 순위를 부여하여 제어할 수 있다. 다만 이에 한정되는 것은 아니고, 사용자마다 그 설정 순위의 변경이 가능하다. 예를 들어 모바일보다 주변 기기를 더 많이 사용하는 사용자라면 주변 기기 제어 정보를 기준으로 1차적으로 필터링이 가능하다.
도 7은 본 발명의 일 실시 예에 따른 사용 정보로부터 취침 시간을, 도 8은 기상 시간을 예측하는 과정(S301, S302)의 순서도를 나타낸다.
도 7 및 도 8을 참조하면, 사용 정보로부터 평균 기상 또는 취침 시간을 예측하는데, 이 과정에서 모바일 정보, 모션 정보 및 주변 기기 제어 정보를 상호 비교하여, 기상 또는 취침 시간을 예측할 수 있다.
도 7의 경우, 각 사용 정보에서 가장 활동성이 늦은 시간을 취침 시간으로 예측하고, 도 8의 경우, 가장 활동성이 빠른 시간을 기상 시간으로 예측하는 과정을 보여 준다.
프로세서는 각 사용 정보의 시작 시간 및 종료 시간을 비교 또는 분석하고, 이 단계는, 모바일 정보와 모션 정보로부터 기상 또는 취침 시간을 예측하는 단계 및 모바일 정보와 모션 정보로부터 예측된 기상 또는 취침 시간을 주변 기기 사용 정보로부터 예측된 기상 또는 취침 시간과 비교하는 단계를 포함할 수 있다.
각 과정에서는 최소 값 또는 최대 값을 도출하는 알고리즘을 적용하여, 사용자의 활동성에 대한 정보를 바탕으로 기상 또는 취침 시간을 산출할 수 있다.
프로세서(260a)는, 사용 정보에 포함된 모바일 정보, 모션 정보 또는 주변 기기 사용 정보 중 적어도 어느 하나에 해당하는 사용자의 사용 시작 시간 및 종료 시간을 추출할 수 있으며, 만약 주변 기기가 없거나 모바일이 없는 경우는 어느 하나의 정보를 제거하고 산출할 수 있다. 다만, 대부분의 사용자가 모바일과 주변 기기가 있기 때문에 특별한 경우를 제외하고는 본 발명의 실시 예에 따라 실시가 가능하다.
프로세서(260a)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 동작을 결정하고 동작을 수행할 수 있다. 이를 위해, 프로세서(260a)는 러닝 프로세서 또는 메모리(230a)의 데이터를 요청, 검색, 수신 또는 활용할 수 있다.
프로세서(260a)는, 이러한 사용 정보를 통해 사용자의 생활 패턴을 학습하는 것도 가능하며, 본 발명의 실시 예에서는 기상 및 취침 시간 정보만을 예측하지만 사용자가 사용하는 주변의 전자 기기를 제어하는 것도 가능하다.
도 9는 본 발명의 일 실시 예에 따라 예측된 기상 또는 취침 시간을 이용하여 주변 기기를 제어(S40)하는 모습을 나타낸다.
도 9를 참조하면, 본 발명의 실시 예에 따라 프로세서(260a)가 예측된 기상 또는 취침 시간을 모바일에 설정하고, 모바일과 연동되는 사용 기기를 자동으로 제어하도록 설정할 수 있다. 다만, 이에 한정되는 것은 아니고, 프로세서(260a)에서 각 기기를 직접적으로 제어하도록 설정하는 것도 가능하다.
사용자의 주변에 있는 조명, 스타일러, 공청기, 세탁기 등이 있으며, 이에 한정되는 것은 아니고, 네트워크에 연동되는 IOT 기반의 전자 기기를 모두 포함할 수 있다.
프로세서(260a)는 전자 기기의 on/off 제어 뿐만 아니라, 각 전자 기기의 모드 변경도 가능하며, 이는 모바일을 통해서 수행하거나 직접적으로 제어도 가능하다.
프로세서(260a)는, 예상 기상 또는 출근에 맞춰 천천히 조명을 밝게 하여 자연스러운 기상을 유도하거나, 기상 시간에 맞춰 스타일러를 제어하거나, 세탁기, 정수기, TV 등을 제어할 수 있다.
본 발명의 실시 예에 따라 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법은, 다양한 사용 정보를 기반으로 더욱 정확한 기상 또는 취침 시간을 예측할 수 있고, 예측된 기상 또는 취침 시간을 이용하여 다양한 서비스를 제공하기 때문에 사용자에게 편리성을 제공하는 이점이 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (16)

  1. 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신하는 통신부;
    상기 사용 정보를 저장하는 메모리; 및
    상기 메모리로부터 상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하고,
    상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 프로세서를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    상기 기상 또는 취침 시간에 따라 상기 사용자의 주변 기기를 피드백 제어하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  3. 제 1 항에 있어서,
    상기 사용 정보는,
    상기 사용자가 모바일을 사용한 시간과 해당 시간에 사용한 앱의 종류를 나타내는 모바일 정보,
    상기 모바일의 물리적인 움직임 시간을 나타내는 모션 정보, 또는
    상기 사용자가 사용하는 네트워크와 연동되어 IOT 기반으로 작동되는 전자 기기의 사용 정보를 나타내는 주변 기기 사용 정보 중,
    적어도 어느 하나를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  4. 제 3 항에 있어서,
    상기 프로세서는,
    상기 모바일 정보로부터 상기 사용자가 사용하는 앱을 정렬하고, 상기 앱의 사용 시간 또는 종료 시간을 추출하여 상기 기상 또는 취침 시간을 예측하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  5. 제 4 항에 있어서,
    상기 프로세서는,
    상기 앱 사용의 종료 시간 및 사용 시간의 차이가 기 설정된 평균 수면 시간 이상인 경우,
    상기 앱 사용의 종료 시간을 상기 취침 시간으로 인식하고, 상기 앱 사용의 사용 시간을 기상 시간으로 예측하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  6. 제 3 항에 있어서,
    상기 프로세서는,
    상기 모션 정보로부터 상기 모바일의 움직임이 종료된 시간을 취침 시간으로 인식하고, 상기 모바일의 움직임이 시작된 시간을 기상 시간으로 인식하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  7. 제 3 항에 있어서,
    상기 프로세서는,
    상기 주변 기기 사용 정보로부터, 사용 종료된 시간을 취침 시간으로 인식하고, 사용 시작된 시간을 기상 시간으로 인식하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  8. 제 3 항에 있어서,
    상기 프로세서는,
    상기 사용 정보에 포함된 모바일 정보, 모션 정보 또는 주변 기기 사용 정보 중 적어도 어느 하나에 해당하는 사용자의 사용 시작 시간 및 종료 시간을 추출하고,
    상기 시작 시간 및 종료 시간을 비교 또는 분석하여 상기 기상 또는 취침 시간을 예측하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  9. 제 2 항에 있어서,
    상기 프로세서는,
    예측된 기상 또는 취침 시간에 대응하여 상기 주변 기기의 작동을 제어하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 장치.
  10. 사용자가 사용하는 전자 기기로부터 상기 전자 기기에 대한 사용 정보를 수신하여 저장하는 단계;
    상기 사용 정보를 로딩하고 상기 전자 기기에 대한 사용 시간을 분석하여 상기 사용자의 생활 패턴을 추출하는 단계; 및
    상기 생활 패턴으로부터 상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
  11. 제 10 항에 있어서,
    상기 기상 또는 취침 시간에 따라 상기 사용자의 주변 기기를 피드백 제어하는 단계를 더 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
  12. 제 10 항에 있어서,
    상기 사용 정보는,
    상기 사용자가 모바일을 사용한 시간과 해당 시간에 사용한 앱의 종류를 나타내는 모바일 정보,
    상기 모바일의 물리적인 움직임 시간을 나타내는 모션 정보, 또는
    상기 사용자가 사용하는 네트워크와 연동되어 IOT 기반으로 작동되는 전자 기기의 사용 정보를 나타내는 주변 기기 사용 정보 중,
    적어도 어느 하나를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
  13. 제 12 항에 있어서,
    상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는,
    상기 모바일 정보로부터 상기 사용자가 사용하는 앱을 정렬하는 단계;
    상기 앱 사용의 종료 시간 및 사용 시간의 차이가 기 설정된 평균 수면 시간 이상인지 판단하는 단계; 및
    상기 앱의 사용 시간 또는 종료 시간을 추출하여 상기 기상 또는 취침 시간을 예측하는 단계를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
  14. 제 12 항에 있어서,
    상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는,
    상기 모션 정보로부터 상기 모바일의 움직임이 종료된 시간을 취침 시간으로 인식하고, 상기 모바일의 움직임이 시작된 시간을 기상 시간으로 인식하는 것을 특징으로 하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
  15. 제 12 항에 있어서,
    상기 사용자의 평균적인 기상 또는 취침 시간을 예측하는 단계는,
    상기 사용 정보에 포함된 모바일 정보, 모션 정보 또는 주변 기기 사용 정보 중 적어도 어느 하나에 해당하는 사용자의 사용 시작 시간 및 종료 시간을 추출하는 단계; 및
    상기 시작 시간 및 종료 시간을 비교 또는 분석하여 상기 기상 또는 취침 시간을 예측하는 단계를 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
  16. 제 15 항에 있어서,
    상기 시작 시간 및 종료 시간을 비교 또는 분석하는 단계는,
    상기 모바일 정보와 상기 모션 정보로부터 기상 또는 취침 시간을 예측하는 단계; 및
    상기 모바일 정보와 상기 모션 정보로부터 예측된 기상 또는 취침 시간을 상기 주변 기기 사용 정보로부터 예측된 기상 또는 취침 시간과 비교하는 단계를 더 포함하는 인공지능 기반의 기상 및 취침 시간 정보 제공 방법.
KR1020190095681A 2019-08-06 2019-08-06 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법 KR20190099169A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190095681A KR20190099169A (ko) 2019-08-06 2019-08-06 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법
US16/568,021 US11604959B2 (en) 2019-08-06 2019-09-11 Artificial intelligence-based apparatus and method for providing wake-up time and bed time information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095681A KR20190099169A (ko) 2019-08-06 2019-08-06 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20190099169A true KR20190099169A (ko) 2019-08-26

Family

ID=67807978

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095681A KR20190099169A (ko) 2019-08-06 2019-08-06 인공지능 기반의 기상 및 취침 시간 정보 제공 장치 및 방법

Country Status (2)

Country Link
US (1) US11604959B2 (ko)
KR (1) KR20190099169A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210026260A (ko) * 2019-08-29 2021-03-10 최희재 명상 추천 시스템
KR20220061048A (ko) * 2020-11-05 2022-05-12 에스케이에코플랜트(주) Ai 스위치와 ai 생활 정보기를 활용한 상황 기반 인공지능 스마트 홈 시스템

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4757105B2 (ja) * 2006-06-14 2011-08-24 トヨタホーム株式会社 住宅内監視システム及び住宅
US9332498B2 (en) * 2009-06-24 2016-05-03 Telefonaktiebolaget Lm Ericsson (Publ) Energy efficient base station entering sleep mode
WO2011111348A1 (ja) * 2010-03-08 2011-09-15 パナソニック株式会社 利用開始区間予測装置及び利用開始区間予測方法
KR20120087250A (ko) * 2010-12-15 2012-08-07 한국전자통신연구원 개인 정보 보호를 보장하는 맞춤형 서비스 제공 방법
WO2015107681A1 (ja) * 2014-01-17 2015-07-23 任天堂株式会社 情報処理システム、情報処理サーバ、情報処理プログラム、および情報提供方法
CN104503255A (zh) * 2014-12-25 2015-04-08 广东美的厨房电器制造有限公司 智能厨房系统及其控制方法和服务器
US10200824B2 (en) * 2015-05-27 2019-02-05 Apple Inc. Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device
US10491708B2 (en) * 2015-06-05 2019-11-26 Apple Inc. Context notifications
US10108150B1 (en) * 2015-08-28 2018-10-23 Google Llc Waking user up in time to arrive at appointment by calculating bed-to-door time
US10216551B1 (en) * 2016-03-01 2019-02-26 Intertrust Technologies Corporation User information determination systems and methods
KR101845301B1 (ko) * 2016-05-25 2018-04-04 (주)드림플래너 사용자 단말에 의해 수집된 사용자 정보를 아바타를 통해 제공하는 방법, 서버 및 컴퓨터 판독가능 기록매체
US10083397B2 (en) * 2016-08-25 2018-09-25 TCL Research America Inc. Personalized intelligent wake-up system and method based on multimodal deep neural network
KR102585230B1 (ko) * 2016-11-15 2023-10-05 삼성전자주식회사 통화 요청에 대한 알림 메시지를 제공하는 디바이스 및 방법
US10547729B2 (en) * 2017-03-27 2020-01-28 Samsung Electronics Co., Ltd. Electronic device and method of executing function of electronic device
KR102423754B1 (ko) * 2017-09-19 2022-07-21 삼성전자주식회사 디바이스 사용 문의에 대한 응답을 제공하는 디바이스 및 방법
US11097079B2 (en) * 2017-11-28 2021-08-24 International Business Machines Corporation Cognitively inducing sleep cycles by leveraging wearables
US10872024B2 (en) * 2018-05-08 2020-12-22 Apple Inc. User interfaces for controlling or presenting device usage on an electronic device
KR20200013152A (ko) * 2018-07-18 2020-02-06 삼성전자주식회사 이전에 대화를 수집한 결과를 기반으로 인공 지능 서비스를 제공하는 전자 장치 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210026260A (ko) * 2019-08-29 2021-03-10 최희재 명상 추천 시스템
KR20220061048A (ko) * 2020-11-05 2022-05-12 에스케이에코플랜트(주) Ai 스위치와 ai 생활 정보기를 활용한 상황 기반 인공지능 스마트 홈 시스템

Also Published As

Publication number Publication date
US11604959B2 (en) 2023-03-14
US20200005121A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
US11397020B2 (en) Artificial intelligence based apparatus and method for forecasting energy usage
US11605379B2 (en) Artificial intelligence server
KR20190104263A (ko) 인공지능 기반의 음성 인식 서비스 제공 장치 및 방법
US10872438B2 (en) Artificial intelligence device capable of being controlled according to user's gaze and method of operating the same
KR102353103B1 (ko) 인공 지능 장치 및 그의 동작 방법
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
KR20190101333A (ko) 음성 인식 장치 및 음성 인식 방법
US20200020339A1 (en) Artificial intelligence electronic device
KR20190101330A (ko) 음성 처리 장치 및 음성 처리 방법
KR20190098102A (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR20190104925A (ko) 엔진 소음 제거 장치 및 엔진 소음 제거 방법
US11604952B2 (en) Artificial intelligence apparatus using sound signal classification and method for the same
US11211045B2 (en) Artificial intelligence apparatus and method for predicting performance of voice recognition model in user environment
KR20190095186A (ko) 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템
US11604959B2 (en) Artificial intelligence-based apparatus and method for providing wake-up time and bed time information
US11511439B2 (en) Method for managing modular robot and robot thereof
US10931813B1 (en) Artificial intelligence apparatus for providing notification and method for same
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20190095190A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20190094312A (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 관제 시스템
US11927931B2 (en) Artificial intelligence-based air conditioner
US11345023B2 (en) Modular robot and operation method thereof
US11116027B2 (en) Electronic apparatus and operation method thereof
US11739464B2 (en) Washing machine providing fitted default washing options for user using learning method based on artificial intelligence and a system including the same
US12021719B2 (en) Artificial intelligence apparatus and method for providing target device manual thereof

Legal Events

Date Code Title Description
G15R Request for early publication
E902 Notification of reason for refusal
E90F Notification of reason for final refusal