KR20190100108A - 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 - Google Patents

인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 Download PDF

Info

Publication number
KR20190100108A
KR20190100108A KR1020190097388A KR20190097388A KR20190100108A KR 20190100108 A KR20190100108 A KR 20190100108A KR 1020190097388 A KR1020190097388 A KR 1020190097388A KR 20190097388 A KR20190097388 A KR 20190097388A KR 20190100108 A KR20190100108 A KR 20190100108A
Authority
KR
South Korea
Prior art keywords
refrigerator
article
goods
state information
processor
Prior art date
Application number
KR1020190097388A
Other languages
English (en)
Other versions
KR102234691B1 (ko
Inventor
한종우
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 KR1020190097388A priority Critical patent/KR102234691B1/ko
Publication of KR20190100108A publication Critical patent/KR20190100108A/ko
Priority to US16/561,740 priority patent/US20190392382A1/en
Application granted granted Critical
Publication of KR102234691B1 publication Critical patent/KR102234691B1/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
    • F25D29/008—Alarm devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • 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
    • F25D29/005—Mounting of control devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/6201—
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Tourism & Hospitality (AREA)
  • Thermal Sciences (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)

Abstract

본 발명의 일 실시 예에 따른 인공 지능을 이용하여, 물품을 관리하는 냉장고는 다른 냉장고와 통신을 수행하는 통신부와 상기 냉장고의 내부를 촬영하는 카메라 및 상기 카메라를 통해 촬영된 영상에 기초하여, 상기 물품의 입고 또는 출고를 감지한 경우, 상기 통신부를 통해 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 획득하고, 상기 획득된 물품의 비축 상태 정보에 기초하여, 상기 물품의 관리 가이드를 출력하는 프로세서를 포함할 수 있다.

Description

인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법{REFRIGERATOR FOR MANAGING ITEM USING ARTIFICIAL INTELLIGENCE AND OPERATING METHOD THEREOF}
본 발명은 인공 지능을 이용하여, 물품을 관리하는 냉장고에 관한 것이다.
일반적으로, 냉장고라 함은 음식물 및 물품을 저장하는 저장 공간이 있어, 냉매를 순환시켜 열 교환을 하는 냉장 싸이클에 의하여 음식물 및 물품을 저온으로 저장하여 장기 보관할 수 있도록 하는 저장고를 말한다.
최근의 냉장고는 음식물 및 물품을 저장하고 보존하는 한정된 기능만을 수행했었던 것과는 달리 여러 가지 부가기능, 즉 입력기능, 디스플레이 기능 및 인터넷 기능 등을 구비하고 있다.
특히, 냉장고는 IoT 서비스와 연계되어, 물품의 비축 상태를 파악하고, 물품의 구매를 추천하는 기능도 등장하고 있다. 또한, 댁 내에는 메인 냉장고, 김치 냉장고, 소형 냉장고 등, 2개 이상의 냉장고가 구비되고 있는 경우가 많다.
그러나, 종래에는, 각 냉장고가 자신이 비축하고 있는 물품에 대한 관리만을 수행할 뿐, 다른 냉장고가 비축하고 있는 물품의 비축 상태를 파악하지는 못했다.
이에 따라, 물품 관리가 효율적으로 이루어 지지 않는 문제가 있었다.
본 발명은 댁 내 복수의 냉장고들이 구비된 경우, 복수의 냉장고들이 자신의 물품 비축 상태를 공유하여, 물품을 관리하는 것을 그 목적으로 한다.
본 발명은 물품의 출고 또는 입고의 감지 시, 다른 냉장고와의 해당 물품의 비축 상태를 고려하여, 물품의 관리를 효율적으로 수행하는 냉장고의 제공을 그 목적으로 한다.
본 발명의 일 실시 예에 따른 인공 지능을 이용하여, 물품을 관리하는 냉장고는 다른 냉장고와 통신을 수행하는 통신부와 상기 냉장고의 내부를 촬영하는 카메라 및 상기 카메라를 통해 촬영된 영상에 기초하여, 상기 물품의 입고 또는 출고를 감지한 경우, 상기 통신부를 통해 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 획득하고, 상기 획득된 물품의 비축 상태 정보에 기초하여, 상기 물품의 관리 가이드를 출력하는 프로세서를 포함할 수 있다.
본 발명의 또 다른 실시 예에 따른 인공 지능을 이용하여, 물품을 관리하는 냉장고의 물품 관리 방법은 상기 냉장고의 내부를 촬영하는 단계와 상기 카메라를 통해 촬영된 영상에 기초하여, 상기 물품의 입고 또는 출고를 감지한 경우, 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 획득하는 단계 및 상기 획득된 물품의 비축 상태 정보에 기초하여, 상기 물품의 관리 가이드를 출력하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따르면, 사용자는 별다른 개입 없이, 각 냉장고의 물품 비축 상태를 자동으로 반영한, 물품 관리 가이드를 제공 받을 수 있다.
이에 따라, 사용자는 손쉽게, 냉장고의 물품 관리를 수행할 수 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 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 냉장고의 물품 관리 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 냉장 시스템의 물품 관리 방법을 설명하는 래더 다이어 그램이다.
도 7 및 도 8은 본 발명의 실시 예에 따른 물품이 출고되는 경우, 냉장 시스템의 물품 관리 방법에 대한 구체적인 시나리오를 설명하는 도면들이다.
도 9는 본 발명의 또 다른 실시 예에 따른 냉장 시스템의 물품 관리 방법을 설명하는 래더 다이어 그램이다.
도 10은 본 발명의 실시 예에 따라 물품이 입고되는 경우, 냉장 시스템의 물품 관리 방법에 대한 구체적인 시나리오를 설명하는 도면이다.
도 11은 본 발명의 일 실시 예에 따라, 제1 냉장고 및 제2 냉장고가 사용자의 개입 없이, 자동으로, 물품 관리를 수행하는 예를 설명하는 도면이다.
<인공 지능(AI: Artificial Intelligence)>
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.
<로봇(Robot)>
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 주행(Self-Driving)>
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 현실(XR: eXtended Reality)>
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 관리하여, 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.
<AI+로봇>
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.
<AI+자율주행>
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.
<AI+XR>
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.
<AI+로봇+자율주행>
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.
<AI+로봇+XR>
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.
<AI+자율주행+XR>
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 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 냉장고의 물품 관리 방법을 설명하기 위한 흐름도이다.
도 5에서, 설명하는 냉장고는 도 4의 구성 요소들을 모두 포함할 수 있다.
냉장고는 도 3의 가진 기기(100e)의 일 예일 수 있다.
도 5를 참조하면, 냉장고의 프로세서(180)는 물품의 입고 또는 출고를 감지한다(S501).
일 실시 예에서, 냉장고의 내부에는 카메라(121)가 구비될 수 있다. 카메라(121)는 냉장고의 내부를 촬영할 수 있다. 프로세서(180)는 촬영된 영상에 기반하여, 물품의 입고 또는 출고를 감지할 수 있다.
프로세서(180)는 영상 인식 모델을 이용하여, 특정 물품의 입고 또는 출고를 감지할 수 있다.
영상 인식 모델은 영상 데이터를 이용하여, 영상에 포함된 물품을 식별하는 모델일 수 있다.
영상 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 기반의 모델일 수 있다. 영상 인식 모델은 지도 학습을 통해 학습될 수 있다.
영상 인식 모델의 학습용 데이터는 영상 데이터 및 이에 레이블된 물품을 식별하는 식별 데이터를 포함할 수 있다.
영상 데이터로부터 입력 특징 벡터가 추출되어, 영상 인식 모델에 입력되면, 대상 특징 벡터가 출력될 수 있다.
영상 인식 모델은 대상 특징 벡터를 나타내는 추론 결과와 레이블링 데이터인 물품 식별 데이터 간의 차이를 나타내는 비용 함수를 최소화시키도록 학습될 수 있다.
영상 인식 모델은 메모리(170)에 저장될 수 있다.
또 다른 실시 예에서, 냉장고는 냉장고 내부를 촬영한 영상을 AI 서버(200)에 전송할 수 있다. AI 서버(200)는 메모리(230)에 영상 인식 모델을 저장하고 있을 수 있다.
AI 서버(200)는 영상 인식 모델을 이용하여, 냉장고로부터 수신된 영상으로부터, 물품을 인식할 수 있다. AI 서버(200)는 인식된 물품을 식별하는 식별 데이터를 냉장고에 전송할 수 있다.
프로세서(180)는 물품이 입고 또는 출고되기 전 상태와 물품이 입고 또는 출고된 후 상태를 비교하여, 어떠한 물품이 입고 또는 출고 되었는지를 파악할 수 있다.
프로세서(180)는 물품의 입고 또는 출고가 감지됨에 따라 다른 냉장고의 해당 물품에 대한 축분 상태 정보를 획득한다(S503).
프로세서(180)는 물품의 입고 또는 출고가 감지된 경우, 통신부(110)를 통해 댁 내 구비된 다른 냉장고에, 해당 물품의 비축 상태 정보를 요청할 수 있다.
냉장고의 통신부(110)는 근거리 무선 통신 모듈을 구비할 수 있고, 근거리 무선 통신 모듈을 이용하여, 다른 냉장고와 정보를 교환할 수 있다.
프로세서(180)는 다른 냉장고로부터, 해당 물품의 비축 상태 정보를 수신할 수 있다.
비축 상태 정보는 해당 물품의 수량, 해당 물품의 출고 빈도, 물품의 재 입고 빈도 중 하나 이상을 포함할 수 있다.
물품의 출고 빈도는 해당 물품이 일정 기간 동안, 출고되는 량을 나타낼 수 있다.
물품의 입고 빈도는 해당 물품이 일정 기간 동안 입고되는 량을 나타낼 수 있다.
프로세서(180)는 해당 물품에 대한 자신의 비축 상태 정보와 다른 냉장고의 비축 상태 정보를 비교한다(S505).
프로세서(180)는 비교 결과에 따라 해당 물품의 관리를 가이드하는 관리 가이드를 출력한다(S507).
프로세서(180)는 물품의 관리 가이드를 디스플레이부(151) 또는 음향 출력부(152)를 통해 출력할 수 있다.
물품의 관리 가이드는 물품의 부족함을 나타내는 알림, 물품의 충분함을 나타내는 알림, 다른 냉장고로부터, 물품을 이동시키라는 알림, 물품의 구매가 필요함을 나타내는 알림 중 하나 이상을 포함할 수 있다.
일 실시 예에서, 프로세서(180)는 물품이 출고됨을 감지한 상태에서, 해당 물품의 비축분이 없고, 다른 냉장고에 해당 물품의 비축분이 있는 경우, 다른 냉장고에 물품의 비축분이 있음을 나타내는 관리 가이드를 출력할 수 있다. 이 경우, 관리 가이드는 해당 물품을 다른 냉장고로부터, 냉장고로 이동시키라는 알림을 포함할 수 있다.
또 다른 예로, 프로세서(180)는 물품이 출고됨을 감지한 상태에서, 자신의 냉장고 및 다른 냉장고에 물품의 비축분이 없는 경우, 물품의 구매가 필요함을 나타내는 알림을 출력할 수 있다.
이하에서는, 도 5의 실시 예를 보다 상세히 설명한다.
도 6은 본 발명의 일 실시 예에 따른 냉장 시스템의 물품 관리 방법을 설명하는 래더 다이어 그램이다.
도 6에서, 냉장 시스템은 제1 냉장고(100-1) 및 제2 냉장고(100-2)를 포함할 수 있다. 그러나, 냉장 시스템은 이에 한정될 필요는 없고, 더 많은 냉장고를 포함할 수도 있다.
제1 냉장고(100-1) 및 제2 냉장고(100-2) 각각은 도 4의 구성 요소들을 모두 포함할 수 있다.
도 6을 참조하면, 제1 냉장고(100-1)의 프로세서(180)는 물품의 출고를 감지한다(S601).
프로세서(180)는 영상 인식 모델을 이용하여, 카메라(121)로 촬영된 영상으로부터, 출고된 물품을 식별할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 출고된 물품이 제1 냉장고(100-1) 내에서, 부족한 물품 부족 상태인지를 판단한다(S603).
프로세서(180)는 제1 냉장고(100-1)의 비축 상태 정보를 메모리(170)에 주기적으로 저장하고 있을 수 있다. 프로세서(180)는 카메라(121)를 통해 촬영된 영상에 기초하여, 각 물품의 수량, 물품의 출고 빈도, 물품의 입고 빈도를 주기적으로, 획득할 수 있다.
프로세서(180)는 출고된 물품이 기 설정된 수량 이하만큼, 존재하는 경우, 해당 물품의 상태를 물품 부족 상태로 결정할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 물품 부족 상태로 판단한 경우, 통신부(110)를 통해 제2 냉장고(100-2)에 물품의 비축 상태 정보를 요청한다(S605).
프로세서(180)는 출고된 물품의 상태가 물품 부족 상태인 경우, 통신부(110)를 통해 댁 내 구비된 하나 이상의 다른 냉장고에 해당 물품의 비축 상태 정보를 요청할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 제2 냉장고(100-2)로부터, 물품의 비축 상태 정보를 수신한다(S607).
제2 냉장고(100-2)는 제1 냉장고(100-1)로부터 수신된 요청에 응답하여, 자신의 고 내 존재하는 물품의 비축 상태 정보를 제1 냉장고(100-1)에 전송할 수 있다.
물품의 비축 상태 정보는 현재 제2 냉장고(100-2)에 비축된 물품의 수량, 해당 물품의 예상 소진 시기를 포함할 수 있다. 물품의 예상 소진 시기는 해당 물품의 출고 빈도에 의해 결정될 수 있다.
예를 들어, 특정 물품이 1일에 3개 출고되고 있고, 현재 남아 있는 물품의 수량이 6개인 경우, 예상 소진 시기는 현재 시점으로부터 2일 후일 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 자신의 비축 상태 정보와 제2 냉장고(100-2)로부터 수신된 비축 상태 정보를 비교한다(S609).
제1 냉장고(100-1)의 프로세서(180)는 비교 결과에 따라 물품의 구매가 필요한 상황인지를 판단한다(S611).
프로세서(180)는 출고된 물품의 수량이 제1 냉장고(100-1)의 내에 기 설정된 수량 이하만큼 존재하고, 제2 냉장고(100-2)의 고 내에 기 설정된 수량 이하만큼 존재한 경우, 물품의 구매가 필요한 상황으로 판단할 수 있다.
프로세서(180)는 제2 냉장고(100-2)의 고 내에 기 설정된 수량을 초과하는 수량만큼 존재하는 경우, 물품의 구매가 불필요한 상황으로 판단할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 물품의 구매가 필요한 상황이라고 판단한 경우, 물품의 구매가 필요함을 나타내는 알림을 출력한다(S613).
한편, 프로세서(180)는 제2 냉장고(100-2)에 구비된 물품의 수량 및 제1 냉장고(100-1)에 구비된 물품의 수량에 기초하여, 물품의 예상 구매 시기를 획득할 수 있다.
예를 들어, 제1 냉장고(100-1)에 구비된 물품이 0개이고, 제2 냉장고(100-2)에 구비된 물품이 6개이고, 물품의 출고 빈도가 1일에 3개인 경우, 프로세서(180)는 현재 시점으로부터, 2일 전에 물품의 구매가 필요함을 나타내는 알림을 출력할 수도 있다.
제1 냉장고(100-1)의 프로세서(180)는 물품의 구매가 불필요한 상황이라고 판단한 경우, 제2 냉장고(100-2)에 물품이 비축되어 있음을 나타내는 알림을 출력한다(S615).
프로세서(180)는 물품의 구매가 불필요한 상황이라고 판단한 경우, 제2 냉장고(100-2)로부터, 해당 물품을 제1 냉장고(100-1)로 이동시키라는 알림을 추가적으로 출력할 수 있다.
도 6의 실시 예에 대해서는 도 7 및 도 8을 참조하여 설명한다.
도 7 및 도 8은 본 발명의 실시 예에 따른 물품이 출고되는 경우, 냉장 시스템의 물품 관리 방법에 대한 구체적인 시나리오를 설명하는 도면들이다.
도 7을 참조하면, 사용자는 제1 냉장고(100-1)로부터, 주스(700)를 출고했음을 가정한다.
제1 냉장고(100-1)는 내부에 구비된 카메라(121)를 통해 촬영된 영상에 기반하여, 주스(700)의 출고를 감지할 수 있다. 제1 냉장고(100-1)는 영상 인식 모델을 이용하여, 영상으로부터, 주스(700)가 출고되었음을 감지할 수 있다.
제1 냉장고(100-1)는 도어 센서(미 도시)를 통해 도어가 오픈 된 경우, 카메라(121)를 활성화시켜, 영상을 촬영할 수 있다. 제1 냉장고(100-1)는 촬영된 영상으로부터, 출고된 물품을 감지할 수 있다.
제1 냉장고(100-1)는 자신의 비축 상태 정보에 기초하여, 출고된 주스(700)의 상태가 부족 상태인지를 판단할 수 있다.
제1 냉장고(100-1)는 주스(700)가 제1 냉장고(100-1) 내에 기 설정된 수량 이하만큼 비축된 경우, 주스(700)의 비축 상태가 부족 상태인 것으로 판단할 수 있다.
제1 냉장고(100-1)는 제2 냉장고(100-2)에 주스(700)의 비축 상태 정보를 요구하는 요청 메시지를 전송할 수 있다.
제1 냉장고(100-1)는 제2 냉장고(100-2)에 전송한 요청 메시지에 응답하여, 제2 냉장고(100-2)로부터, 주스(700)의 비축 상태 정보를 수신할 수 있다.
제1 냉장고(100-1)는 수신된 주스(700)의 비축 상태 정보에 기초하여, 주스(700)의 구매가 필요한 상황인지를 판단할 수 있다. 제1 냉장고(100-1)는 주스(700)가 제2 냉장고(100-2) 내에 기 설정된 수량 이하만큼 비축된 경우, 주스(700)의 구매가 필요한 상황임을 나타내는 알림(710)을 출력할 수 있다.
한편, 제1 냉장고(100-1)는 주스(700)가 제2 냉장고(100-2) 내에 기 설정된 수량을 초과하는 수량만큼 비축된 경우, 주스(700)의 구매가 불 필요한 상황으로, 판단할 수 있다.
이 경우, 제1 냉장고(100-1)는 도 8에 도시된 바와 같이, 제2 냉장고(100-2)에 주스(700)가 충분히 비축되어 있으니, 제2 냉장고(100-2)로부터, 주스(700)를 제1 냉장고(100-1)로 옮겨 놓으라는 알림(810)을 출력할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 사용자는 냉장고 내 물품의 비축 상태를 직접 파악할 필요 없이, 물품의 이동에 대한 가이드를 제공받을 수 있다.
이에 따라, 사용자의 고 내 물품의 관리가 손쉽게 이루어질 수 있다.
다음으로, 도 9를 설명한다.
도 9는 본 발명의 또 다른 실시 예에 따른 냉장 시스템의 물품 관리 방법을 설명하는 래더 다이어 그램이다.
도 9를 참조하면, 제1 냉장고(100-1)의 프로세서(180)는 물품의 입고를 감지한다(S901).
프로세서(180)는 영상 인식 모델을 이용하여, 카메라(121)를 통해 촬영된 영상으로부터, 물품을 식별할 수 있다.
프로세서(180)는 물품이 식별되고, 물품이 고 내로 새롭게 비축된 경우, 물품이 입고된 것으로 감지할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 입고가 감지된 물품의 비축 상태가 물품 충분 상태인지를 판단한다(S903).
프로세서(180)는 물품이 기 설정된 수량 이상 비축된 경우, 물품의 비축 상태를 물품 충분 상태로 판단할 수 있다.
또 다른 예로, 프로세서(180)는 물품이 물품의 소진 빈도를 고려하여, 물품이 특정 시점까지 기 설정된 수량 이상 구비될 것으로 예상되는 경우, 물품의 비축 상태를 물품 충분 상태로 판단할 수 있다.
물품의 소진 빈도는 물품이 하루에 출고되는 수량일 수 있다. 예를 들어, 물품의 소진 빈도가 하루에 3개이고, 현재 비축 수량이 30개이고, 일주일 후, 비축 수량이 5 이상인 경우, 프로세서(180)는 물품의 비축 상태를 물품 충분 상태로 판단할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 물품의 비축 상태가 물품 충분 상태인 것으로 판단된 경우, 통신부(110)를 통해 제2 냉장고(100-2)에 물품의 비축 상태 정보를 요청한다(S905).
프로세서(180)는 통신부(110)를 통해, 입고된 물품의 비축 상태를 파악하기 위해, 제2 냉장고(100-2)의 해당 물품의 비축 상태 정보를 요청하는 요청 메시지를 전송할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 통신부(110)를 통해 제2 냉장고(100-2)로부터, 물품의 비축 상태 정보를 수신한다(S907).
제1 냉장고(100-1)의 프로세서(180)는 제2 냉장고(100-2)로부터 수신된 물품의 비축 상태 정보에 기초하여, 물품의 이동이 필요한 상황인지를 판단한다(S909).
일 실시 예에서, 프로세서(180)는 제2 냉장고(100-2)에 비축된 물품의 수량이 기 설정된 수량 이하인 경우, 제2 냉장고(100-2)로의 물품 이동이 필요한 상황이라고 판단할 수 있다.
제1 냉장고(100-1)의 프로세서(180)는 물품의 이동이 필요한 상황이라고 판단된 경우, 제2 냉장고(100-2)로 물품의 이동이 필요함을 나타내는 알림을 출력한다(S911).
프로세서(180)는 제2 냉장고(100-2)로의 물품의 이동이 필요함을 나타내는 알림을 디스플레이부(151) 상에 표시하거나, 음향 출력부(152)를 통해 오디오 형태로 출력할 수 있다.
프로세서(180)는 제1 냉장고(100-1)에 구비된 물품의 비축 상태 정보 및 제2 냉장고(100-2)로부터 수신된 물품의 비축 상태 정보에 기반하여, 제2 냉장고(100-2)로 이동할 수량을 출력할 수도 있다.
예를 들어, 기 설정된 수량이 10개이고, 제1 냉장고(100-1)에 해당 물품이 20개 비축된 경우, 프로세서(180)는 10개를 제2 냉장고(100-1)로 이동하라는 알림을 출력할 수 있다.
도 10은 본 발명의 실시 예에 따라 물품이 입고되는 경우, 냉장 시스템의 물품 관리 방법에 대한 구체적인 시나리오를 설명하는 도면이다.
도 10을 참조하면, 사용자는 제1 냉장고(100-1)에 사과(1000)를 입고 했음을 가정한다.
제1 냉장고(100-1)는 영상 인식 모델을 이용하여, 내부에 구비된 카메라(121)를 통해 촬영된 영상으로부터, 사과(1000)를 식별할 수 있다.
제1 냉장고(100-1)는 식별된 사과(1000)가 비축된 경우, 사과(1000)가 입고되었음을 감지할 수 있다.
제1 냉장고(1000-1)는 사과(1000)가 제1 냉장고(100-1) 내에 기 설정된 수량 이상만큼 비축된 경우, 사과(1000)의 비축 상태가 충분 상태인 것으로 판단할 수 있다.
제1 냉장고(100-1)는 사과(1000)의 비축 상태가 충분 상태인 것으로 판단된 경우, 제2 냉장고(100-2)에 사과의 비축 상태 정보를 요청할 수 있다.
제1 냉장고(100-1)는 제2 냉장고(100-2)로부터 수신된 사과의 비축 상태 정보에 기초하여, 제2 냉장고(100-2)에 사과가 기 설정된 수량 미만의 수량만큼 비축된 경우, 사과의 이동이 필요한 상황임을 인지할 수 있다.
제1 냉장고(100-1)는 사과의 이동이 필요한 상황으로 판단된 경우, 제2 냉장고(100-2)로 사과를 입고하라는 알림(1010)을 출력할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 사용자는 냉장고 내 물품의 비축 상태를 직접 파악할 필요 없이, 물품의 이동에 대한 가이드를 제공받을 수 있다.
이에 따라, 사용자의 고 내 물품의 관리가 손쉽게 이루어질 수 있다.
도 11은 본 발명의 일 실시 예에 따라, 제1 냉장고 및 제2 냉장고가 사용자의 개입 없이, 자동으로, 물품 관리를 수행하는 예를 설명하는 도면이다.
제1 냉장고(100-1) 및 제2 냉장고(100-2)는 근거리 무선 통신 모듈을 통해 서로, 물품의 비축 상태 정보를 교환할 수 있다.
제1 냉장고(100-1) 및 제2 냉장고(100-2) 각각은 자신들의 상태를 관리하는 IoT 서버(미도시)에 의해 연결되어 있을 수 있다.
제1 냉장고(100-1) 및 제2 냉장고(100-2)는 주기적으로, 복수의 물품들 각각에 대한 비축 상태를 교환할 수 있다.
제1 냉장고(100-1) 및 제2 냉장고(100-2)는 교환된 비축 상태에 기초하여, 물품을 관리하기 위한 물품 관리 가이드를 출력할 수 있다.
예를 들어, 제1 냉장고(100-1)에 특정 물품이 기 설정된 수량 이상만큼 비축되어 있고, 제2 냉장고(100-2)에 특정 물품이 기 설정된 수량 미만만큼 비축되어 있는 경우, 제1 냉장고(100-1) 또는 제2 냉장고(100-2)는 제1 냉장고(100-1)에서, 제2 냉장고(100-2)로 특정 물품의 이동을 알리는 알림을 출력할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 사용자의 개입 없이, 냉장고들이 물품의 비축 상태를 교환하여, 물품의 소진 또는 이동에 대한 관리를 사용자에게 자동으로 가이드할 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 있다. 또한, 상기 컴퓨터는 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims (16)

  1. 인공 지능을 이용하여, 물품을 관리하는 냉장고에 있어서,
    다른 냉장고와 통신을 수행하는 통신부;
    상기 냉장고의 내부를 촬영하는 카메라; 및
    상기 카메라를 통해 촬영된 영상에 기초하여, 상기 물품의 입고 또는 출고를 감지한 경우, 상기 통신부를 통해 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 획득하고, 상기 획득된 물품의 비축 상태 정보에 기초하여, 상기 물품의 관리 가이드를 출력하는 프로세서를 포함하는
    냉장고.
  2. 제1항에 있어서,
    상기 물품의 비축 상태 정보는
    상기 물품이 상기 다른 냉장고 내에 비축된 수량, 상기 물품의 입고 빈도, 상기 물품의 출고 빈도 중 하나 이상을 포함하는
    냉장고.
  3. 제2항에 있어서,
    상기 프로세서는
    상기 물품의 출고를 감지한 경우, 상기 냉장고 내에, 상기 물품의 비축 상태가 부족 상태인지를 판단하고, 상기 비축 상태가 상기 부족 상태인 경우, 상기 다른 냉장고에 상기 물품의 비축 상태 정보를 요청하고, 상기 요청에 따라 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 수신하는
    냉장고.
  4. 제3항에 있어서,
    상기 프로세서는
    상기 수신된 물품의 비축 상태 정보에 기초하여, 상기 물품의 구매가 필요한 상황인 것으로 판단된 경우, 상기 물품의 구매가 필요함을 나타내는 제1 알림을 출력하는
    냉장고.
  5. 제4항에 있어서,
    상기 프로세서는
    상기 수신된 물품의 비축 상태 정보에 기초하여, 상기 물품의 구매가 불필요한 상황인 것으로 판단된 경우, 상기 다른 냉장고에 상기 물품이 비축되었음을 나타내는 제2 알림을 출력하는
    냉장고.
  6. 제5항에 있어서,
    상기 프로세서는
    상기 다른 냉장고로부터, 상기 냉장고로 상기 물품을 이동시키라는 제3 알람을 더 출력하는
    냉장고.
  7. 제2항에 있어서,
    상기 프로세서는
    상기 물품의 입고를 감지한 경우, 상기 물품의 비축 상태가 충분 상태인지를 판단하고, 상기 물품의 비축 상태가 충분 상태인 경우, 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 수신하는
    냉장고.
  8. 제7항에 있어서,
    상기 프로세서는
    상기 수신된 비축 상태 정보에 기초하여, 상기 물품이 상기 다른 냉장고로 이동이 필요한 것으로 판단한 경우, 상기 물품을 상기 다른 냉장고로 이동하라는 알림을 출력하는
    냉장고.
  9. 인공 지능을 이용하여, 물품을 관리하는 냉장고의 물품 관리 방법에 있어서,
    상기 냉장고의 내부를 촬영하는 단계;
    상기 카메라를 통해 촬영된 영상에 기초하여, 상기 물품의 입고 또는 출고를 감지한 경우, 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 획득하는 단계; 및
    상기 획득된 물품의 비축 상태 정보에 기초하여, 상기 물품의 관리 가이드를 출력하는 단계를 포함하는
    냉장고의 물품 관리 방법
  10. 제9항에 있어서,
    상기 물품의 비축 상태 정보는
    상기 물품이 상기 다른 냉장고 내에 비축된 수량, 상기 물품의 입고 빈도, 상기 물품의 출고 빈도 중 하나 이상을 포함하는
    냉장고의 물품 관리 방법
  11. 제10항에 있어서,
    상기 물품의 출고를 감지한 경우, 상기 냉장고 내에, 상기 물품의 비축 상태가 부족 상태인지를 판단하는 단계;
    상기 비축 상태가 상기 부족 상태인 경우, 상기 다른 냉장고에 상기 물품의 비축 상태 정보를 요청하는 단계; 및
    상기 요청에 따라 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 수신하는 단계를 더 포함하는
    냉장고의 물품 관리 방법
  12. 제11항에 있어서,
    상기 관리 가이드를 출력하는 단계는
    상기 수신된 물품의 비축 상태 정보에 기초하여, 상기 물품의 구매가 필요한 상황인 것으로 판단된 경우, 상기 물품의 구매가 필요함을 나타내는 제1 알림을 출력하는 단계를 포함하는
    냉장고의 물품 관리 방법
  13. 제12항에 있어서,
    상기 관리 가이드를 출력하는 단계는
    상기 수신된 물품의 비축 상태 정보에 기초하여, 상기 물품의 구매가 불필요한 상황인 것으로 판단된 경우, 상기 다른 냉장고에 상기 물품이 비축되었음을 나타내는 제2 알림을 출력하는 단계를 더 포함하는
    냉장고의 물품 관리 방법
  14. 제13항에 있어서,
    상기 관리 가이드를 출력하는 단계는
    상기 다른 냉장고로부터, 상기 냉장고로 상기 물품을 이동시키라는 제3 알람을 출력하는 단계를 더 포함하는
    냉장고의 물품 관리 방법
  15. 제10항에 있어서,
    상기 물품의 입고를 감지한 경우, 상기 물품의 비축 상태가 충분 상태인지를 판단하는 단계; 및
    상기 물품의 비축 상태가 충분 상태인 경우, 상기 다른 냉장고로부터, 상기 물품의 비축 상태 정보를 수신하는 단계를 더 포함하는
    냉장고의 물품 관리 방법
  16. 제15항에 있어서,
    상기 관리 가이드를 출력하는 단계는
    상기 수신된 비축 상태 정보에 기초하여, 상기 물품이 상기 다른 냉장고로 이동이 필요한 것으로 판단한 경우, 상기 물품을 상기 다른 냉장고로 이동하라는 알림을 출력하는 단계를 포함하는
    냉장고의 물품 관리 방법
KR1020190097388A 2019-08-09 2019-08-09 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법 KR102234691B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190097388A KR102234691B1 (ko) 2019-08-09 2019-08-09 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법
US16/561,740 US20190392382A1 (en) 2019-08-09 2019-09-05 Refrigerator for managing item using artificial intelligence and operating method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190097388A KR102234691B1 (ko) 2019-08-09 2019-08-09 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법

Publications (2)

Publication Number Publication Date
KR20190100108A true KR20190100108A (ko) 2019-08-28
KR102234691B1 KR102234691B1 (ko) 2021-04-02

Family

ID=67775330

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190097388A KR102234691B1 (ko) 2019-08-09 2019-08-09 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법

Country Status (2)

Country Link
US (1) US20190392382A1 (ko)
KR (1) KR102234691B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468909A (zh) * 2020-03-30 2021-10-01 海信集团有限公司 物品管理方法、装置及智能冰箱

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102273192B1 (ko) * 2020-01-03 2021-07-05 엘지전자 주식회사 인공 지능 냉장고 및 그의 동작 방법
US11599742B2 (en) * 2020-04-22 2023-03-07 Dell Products L.P. Dynamic image recognition and training using data center resources and data
US11965691B2 (en) * 2022-01-06 2024-04-23 Haier Us Appliance Solutions, Inc. Refrigerator appliance with smart drawers
US20230308611A1 (en) * 2022-03-28 2023-09-28 Haier Us Appliance Solutions, Inc. Multi-camera vision system in a refrigerator appliance

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010003969A (ko) * 1999-06-26 2001-01-15 윤종용 냉장고 및 냉장고의 저장물 관리방법
JP2003077022A (ja) * 2001-09-05 2003-03-14 Toshiba Corp コンビニエンスストアシステム、店舗側装置、本部側装置、及び車載装置
KR20130082528A (ko) * 2011-12-07 2013-07-22 삼성에스디에스 주식회사 창고 관리 시스템 및 창고 관리 방법
KR20150001921A (ko) * 2013-06-28 2015-01-07 엘지전자 주식회사 전기제품
KR20170023465A (ko) * 2015-08-24 2017-03-06 인하대학교 산학협력단 네트워크를 통해 냉장고의 관리 정보를 제공하기 위한 냉장고 제어 시스템 및 그 방법
KR20170077403A (ko) * 2015-12-28 2017-07-06 삼성전자주식회사 냉장고 및 그 제어 방법
KR20190023981A (ko) * 2017-08-30 2019-03-08 삼성전자주식회사 냉장고 및 그 제어 방법

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9691114B2 (en) * 2008-10-23 2017-06-27 Whirlpool Corporation Consumables inventory management method
US10438276B2 (en) * 2014-04-16 2019-10-08 Ebay Inc. Smart recurrent orders
EP3234931A1 (en) * 2014-12-19 2017-10-25 Elstat Limited Method for maintenance of a vending machine
US9911290B1 (en) * 2015-07-25 2018-03-06 Gary M. Zalewski Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts
US10474987B2 (en) * 2015-08-05 2019-11-12 Whirlpool Corporation Object recognition system for an appliance and method for managing household inventory of consumables
US9784497B2 (en) * 2016-02-03 2017-10-10 Multimedia Image Solution Limited Smart refrigerator
US9965798B1 (en) * 2017-01-31 2018-05-08 Mikko Vaananen Self-shopping refrigerator
US11537980B2 (en) * 2017-04-04 2022-12-27 OrderGroove, Inc. Consumable usage sensors and applications to facilitate automated replenishment of consumables via an adaptive distribution platform
US10936993B2 (en) * 2017-11-08 2021-03-02 International Business Machines Corporation Automated inventory replenishment
US11244279B2 (en) * 2017-11-08 2022-02-08 International Business Machines Corporation Automated inventory replenishment
US20190205821A1 (en) * 2018-01-03 2019-07-04 International Business Machines Corporation Automated identification, status monitoring and notification of stored items
KR102455056B1 (ko) * 2018-02-01 2022-10-17 삼성전자주식회사 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법
US11386621B2 (en) * 2018-12-31 2022-07-12 Whirlpool Corporation Augmented reality feedback of inventory for an appliance
US20200226535A1 (en) * 2019-01-11 2020-07-16 Koji Yoden Smart purchase and delivery of consumable items
US10997231B2 (en) * 2019-01-17 2021-05-04 International Business Machines Corporation Image-based ontology refinement using clusters
KR20210134092A (ko) * 2019-03-29 2021-11-09 엘지전자 주식회사 냉장고 및 냉장고의 물품 관리 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010003969A (ko) * 1999-06-26 2001-01-15 윤종용 냉장고 및 냉장고의 저장물 관리방법
JP2003077022A (ja) * 2001-09-05 2003-03-14 Toshiba Corp コンビニエンスストアシステム、店舗側装置、本部側装置、及び車載装置
KR20130082528A (ko) * 2011-12-07 2013-07-22 삼성에스디에스 주식회사 창고 관리 시스템 및 창고 관리 방법
KR20150001921A (ko) * 2013-06-28 2015-01-07 엘지전자 주식회사 전기제품
KR20170023465A (ko) * 2015-08-24 2017-03-06 인하대학교 산학협력단 네트워크를 통해 냉장고의 관리 정보를 제공하기 위한 냉장고 제어 시스템 및 그 방법
KR20170077403A (ko) * 2015-12-28 2017-07-06 삼성전자주식회사 냉장고 및 그 제어 방법
KR20190023981A (ko) * 2017-08-30 2019-03-08 삼성전자주식회사 냉장고 및 그 제어 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468909A (zh) * 2020-03-30 2021-10-01 海信集团有限公司 物品管理方法、装置及智能冰箱

Also Published As

Publication number Publication date
KR102234691B1 (ko) 2021-04-02
US20190392382A1 (en) 2019-12-26

Similar Documents

Publication Publication Date Title
KR102234691B1 (ko) 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR102658966B1 (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR102245911B1 (ko) 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR20190100085A (ko) 인공 지능을 이용하여, 위험 상황을 감지할 수 있는 로봇 및 그의 동작 방법
KR20210077482A (ko) 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR20210004487A (ko) 환기 상황을 자동으로 파악할 수 있는 인공 지능 장치 및 그의 동작 방법
KR20190096871A (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20210070634A (ko) 인공 지능 장치 및 그의 동작 방법
KR20210070623A (ko) 사용자의 관심사를 추출하는 인공 지능 장치 및 그 방법
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
KR20190104488A (ko) 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법
KR20190096857A (ko) 로봇의 경로를 결정하는 인공 지능 서버 및 그 방법
KR20190104264A (ko) 차량에 탑재되는 인공 지능 장치 및 그 방법
KR20190096879A (ko) 인공지능 기반의 세탁물 데이터 분석 장치
KR20210097336A (ko) 제품 냉동을 위한 인공 지능 장치 및 그 방법
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20190098930A (ko) 사용자에게 음식을 제공하는 방법 및 그 장치
KR20190102141A (ko) 와인 냉장고에 탑재된 인공 지능 장치

Legal Events

Date Code Title Description
A201 Request for examination
G15R Request for early publication
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right