KR20190103085A - 지능형 진단 디바이스 - Google Patents

지능형 진단 디바이스 Download PDF

Info

Publication number
KR20190103085A
KR20190103085A KR1020190099972A KR20190099972A KR20190103085A KR 20190103085 A KR20190103085 A KR 20190103085A KR 1020190099972 A KR1020190099972 A KR 1020190099972A KR 20190099972 A KR20190099972 A KR 20190099972A KR 20190103085 A KR20190103085 A KR 20190103085A
Authority
KR
South Korea
Prior art keywords
refrigerator
image
processor
diagnosis
frame
Prior art date
Application number
KR1020190099972A
Other languages
English (en)
Inventor
한준수
양영훈
엄용환
정준성
한초록
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 KR1020190099972A priority Critical patent/KR20190103085A/ko
Publication of KR20190103085A publication Critical patent/KR20190103085A/ko
Priority to US16/677,235 priority patent/US11574445B2/en

Links

Images

Classifications

    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G06F9/453—Help systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0608—Height gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/31—Programming languages or programming paradigms
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • H04L5/0044—Arrangements for allocating sub-channels of the transmission path allocation of payload
    • 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
    • H04L5/0051—Allocation of pilot signals, i.e. of signals known to the receiver of dedicated pilots, i.e. pilots destined for a single user or terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
    • H04N5/2257—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Abstract

지능형 진단 디바이스를 개시한다. 본 발명의 지능형 진단 디바이스는 설치된 냉장고를 촬영하는 카메라와 상기 카메라에 촬영된 제1 냉장고 영상을 기설정된 진단 프레임의 영역 내에 위치시키고, 상기 제1 냉장고 영상과 상기 진단 프레임을 비교하고, 비교되는 결과에 따라 상기 냉장고에 대한 단차여부를 진단하고, 진단된 결과에 대응되는 해결 방법을 학습하여 사용자에게 제공하는 프로세서를 포함한다.
본 발명의 지능형 진단 디바이스는 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 진단 디바이스{Intelligent inspection devices}
본 발명은 지능형 진단 디바이스에 관한 것으로, 더욱 자세하게는 냉장고에서 발생되는 소음을 집음하고, 집음된 소음을 정상 동작음과 비교 학습하여 인공지능형 학습 결과에 따라 냉장고의 고장여부를 진단할 수 있는 지능형 진단 디바이스에 관한 것이다.
냉장고란 냉동사이클을 이용하여 생성된 냉기를 저장실에 공급하여 저장실의 온도를 상온보다 낮추어, 저온상태 에서 저장물을 보관하는 장치를 말한다.
저장실은 내부 온도의 차이에 따라서 영하의 온도를 유지하는 냉동실과 냉동실보다 높은 온도를 유지하는 냉장실로 구비된다.
냉장고는 그 형태에 따라 냉동실이 상측에 구비되는 탑프리져 타입(Top Freezer Type)과 냉동실이 하측에 구비 되는 바텀프리져 타입(Bottom Freezer Type)과 냉동실, 냉장실이 좌우에 구비되는 사이드바이사이드 타입(Side by Side Type)과 상측은 사이드바이사이드타입에 하측에 냉동실을 구비하는 프렌치도어 타입(French Door Type)등으로 구분될 수 있다.
사이드바이사이드 타입이 적용되는 냉장고는 일반적으로 외관을 이루는 캐비닛과 캐비닛 내부에 구비된 저장실과 저장실을 개폐하는 좌측과 우측도어를 포함한다.
냉장고는 좌측도어와 우측도어 사이에 앞뒤 또는 전후로 튀어나온 정도가 달라 좌우도어간 앞뒤 단차(d)가 발생하였다. 이러한 단차는 냉장고 제작 공정에 따른 도어의 미세한 뒤틀림, 캐비닛의 조립공차 등이 원인이 되거나 설치되는 공간에 의해 발생되었다.
한편, 좌우도어간 앞뒤 단차(d)는 제품 외관의 불량으로 이어지며, 냉장고 전체의 외관의 미감을 해치게 되었다. 소비자가 냉장고를 사용함에 따라 좌우 도어의 앞뒤 단차가 발생한 경우 이를 해소하기 위하여 A/S를 받아야 하는 문제가 있었다.
본 발명은 전술한 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 좌우 도어 간의 앞뒤 단차를 진단하고, 진단된 결과에 따라 각각의 사용자에 대응되는 단차 조정 방법을 제공할 수 있는 지능형 진단 디바이스를 제공하는데 그 목적이 있다.
또한, 본 발명은 사용자에게 적합한 단차 조정 방법을 제공함으로써, 사용자가 혼자서도 냉장고의 단차를 손쉽게 조정할 수 있는 지능형 진단 디바이스를 제공하는데 그 목적이 있다.
또한, 본 발명은 손숩게 냉장고의 단차를 해결함으로써, 외관 불량을 해소할 수 있는 지능형 진단 디바이스를 제공하는데 그 목적이 있다.
본 발명의 일 실시 예에 따른 지능형 진단 디바이스는 설치된 냉장고를 촬영하는 카메라;와 상기 카메라에 촬영된 제1 냉장고 영상을 기설정된 진단 프레임의 영역 내에 위치시키고, 상기 제1 냉장고 영상과 상기 진단 프레임을 비교하고, 비교되는 결과에 따라 상기 냉장고에 대한 단차여부를 진단하고, 진단된 결과에 대응되는 해결 방법을 학습하여 사용자에게 제공하는 프로세서;를 포함한다.
또한, 상기 프로세서는, 상기 제1 냉장고 영상에서 상기 냉장고에 대한 기준모델을 추출하고, 추출된 상기 기준모델에 기초하여 상기 진단 프레임을 설정하는 진단설정부; 상기 진단설정부에서 설정된 상기 진단 프레임에 상기 제1 냉장고 영상을 위치하도록 제어하는 진단위치부; 상기 진단위치부에 의해 상기 진단 프레임 내에 위치된 상기 제1 냉장고 영상을 상기 진단 프레임과 비교하고, 비교되는 결과에 따라 상기 냉장고에 대한 단차여부를 진단하는 진단제어부; 및 상기 진단제어부에서 진단된 결과에 대응되는 상기 해결 방법을 학습하여 사용자에게 제공하는 진단해결부;를 포함할 수 있다.
상기 프로세서는, 상기 제1 냉장고 영상을 전처리하고, 전처리된 상기 제1 냉장고 영상으로부터 특징값을 추출하는 것을 포함할 수 있다.
상기 프로세서는, 상기 제1 냉장고 영상을 흑백화(grayscale), 흐리게 하기(blurring), 선명하게 하기(shappning), 외각선 추출(canny), 이진화(threshold), 침식, 팽창(morphology), 노이즈 제거 중 하나를 이용하여 전처리하는 것을 포함할 수 있다.
상기 프로세서는, 상기 제1 냉장고 영상이 진단 프레임 내에 위치하지 않을 경우, 상기 제1 냉장고 영상의 크기, 또는 위치를 조정하여 상기 제1 냉장고 영상을 상기 진단 프레임 내에 위치하도록 제어하는 것을 포함할 수 있다.
상기 진단 프레임은, 상기 진단 프레임의 상측에 형성되는 제1 기준라인, 상기 제1 기준라인과 상하방향으로 이격되고, 상기 진단 프레임의 하측에 형성되는 제2 기준라인, 상기 진단 프레임의 좌측에 형성되는 제3 기준라인, 상기 제3 기준라인과 좌우방향으로 이격되고, 상기 진단 프레임의 우측에 형성되는 제4 기준라인을 포함할 수 있다.
상기 프로세서는, 상기 냉장고의 좌도어 상측 또는 상기 냉장고의 우도어 상측을 상기 제1 기준라인과 비교하거나, 상기 냉장고의 좌도어 하측 또는 상기 냉장고의 우도어 하측을 상기 제2 기준라인과 비교 분석하고, 비? 분석된 결과를 학습하여 상기 냉장고의 단차여부를 인식하는 것을 포함할 수 있다.
상기 프로세서는, 디스플레이부를 더 포함하고, 상기 진단제어부에서 진단된 결과에 대응되는 상기 해결 방법을 학습하여 상기 디스플레이부를 통해 사용자에게 제공하는 것을 포함할 수 있다.
상기 프로세서는, 상기 진단제어부에서 진단된 결과에 대응되는 상기 해결 방법을 학습하고, 학습된 상기 해결 방법을 증강현실 전자 디바이스에 전송하는 것을 포함할 수 있다.
상기 증강현실 전자 디바이스는, 현실의 이미지인 상기 냉장고를 디스플레이하면서 동시에 가상 이미지로 생성된 냉장고의 단차를 수리할 영역과 도구 이미지를 겹쳐서 하나의 영상으로 디스플레이하는 것을 포함할 수 있다.
상기 증강현실 전자 디바이스는, 상기 냉장고의 단차를 수리하는 과정을 순차적으로 디스플레이하는 것을 포함할 수 있다.
상기 증강현실 전자 디바이스는, 상기 냉장고의 단차를 수리하는 과정을 일정한 시간 간격을 유지하면서 디스플레이하는 것을 포함할 수 있다.
상기 프로세서는, 상기 지능형 진단 디바이스에서 진단되는 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 진단되는 상기 결과 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 포함할 수 있다.
상기 프로세서는, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 진단되는 상기 결과 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 포함할 수 있다.
상기 프로세서는, 상기 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고, 상기 AI 프로세싱된 정보는, 상기 냉장고의 단차여부를 판단한 정보인 것을 포함할 수 있다.
본 발명에 따른 지능형 진단 디바이스의 효과에 대해 설명하면 다음과 같다.
또한, 본 발명은 사용자에게 적합한 단차 조정 방법을 제공함으로써, 사용자가 셀프로 냉장고의 단차를 손쉽게 조정할 수 있다.
또한, 본 발명은 사용자 셀프로 손쉽게 냉장고의 단차를 해결함으로써, 외관 불량을 해소할 수 있다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 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 일실시 예에 따른 지능형 진단 디바이스를 설명하기 위한 도이다.
도 5는 본 발명의 일실시 예에 따라 진단 프레임을 설명하기 위한 도이다.
도 6은 본 발명의 일실시 예에 따른 AI 장치의 블록도이다.
도 7은 본 발명의 일실시 예에 따른 지능형 진단 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 8은 본 발명의 일실시 예에 따른 지능형 진단 디바이스를 이용하여 냉장고를 진단하는 방법을 설명하기 위한 순서도이다.
도 9는 본 발명의 일실시 예에서 지능형 진단 디바이스를 이용하여 단차를 수리하는 예를 설명하기 위한 도면이다.
도 10은 본 발명의 일실시 예에서 냉장고의 단차여부 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
도 11은 본 발명의 일실시 예에 따라 지능형 진단 디바이스를 이용하여 냉장고 단차를 진단하는 일예를 보여주는 도이다.
도 12는 본 발명의 일실시 예에 따른 가상현실 전자 디바이스의 사시도이다.
도 13은 도 12의 가상현실 전자 디바이스를 사용하는 모습을 나타낸다.
도 14는 본 발명의 일실시 예에 따른 증강현실 전자 디바이스의 사시도이다.
도 15는 본 발명의 일실시 예에 따른 제어부를 설명하기 위한 분해사시도이다.
도 16은 본 발명의 일실시 예에 따른 증강현실 전자 디바이스를 이용하여 냉장고의 단차를 수리하는 예를 도시한 도이다.
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.
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.
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(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(920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI(Artificial Intelligence) 장치 등일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트폰(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. 도 1을 참고하면, 제1 통신 장치(910)와 제2 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 모듈(915)은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)은 각각의 안테나(926)를 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(제1 통신 장치에서 제2 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(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)은 각각의 안테나(926)를 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.
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 요청 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 보고를 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)를 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)로 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, 제1 주파수 자원에서 제2 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)을 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 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 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 일실시 예에 따라 지능형 진단 디바이스를 설명하기 위한 도이다.
도 4를 참조하면, 본 발명의 일실시 예에 따른 지능형 진단 디바이스(100)는 무선 통신부(110), 입력부(120), 센싱부(130), 출력부(140), 인터페이스부(150), 메모리(160), 프로세서(170) 및 전원 공급부(180)를 포함할 수 있다. 도 4에 도시된 구성요소들은 지능형 진단 디바이스(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 발명 상에서 설명되는 지능형 진단 디바이스(100)는 위에서 열거된 구성요소들 보다 많거나, 적은 구성요소들을 가질 수 있다. 지능형 진단 디바이스(100)는 전자 디바이스라 칭할 수 있다.
무선 통신부(110)는 지능형 진단 디바이스(100)와 무선 통신 시스템 사이, 지능형 진단 디바이스(100)와 다른 지능형 진단 디바이스 사이, 또는 지능형 진단 디바이스(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 무선 통신부(110)는 지능형 진단 디바이스(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 무선 통신부(110)는 방송 수신 모듈, 이동통신 모듈, 무선 인터넷 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone), 또는 오디오 입력부, 사용자로부터 정보를 입력받기 위한 사용자 입력부(예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
센싱부(130)는 지능형 진단 디바이스(100) 내 정보, 지능형 진단 디바이스(100)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(130)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 촬영수단), 마이크로폰(microphone), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 발명에 개시된 지능형 진단 디바이스는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(140)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(190), 음향 출력부, 햅팁 모듈, 광 출력부 중 적어도 하나를 포함할 수 있다. 디스플레이부(190)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 증강현실 전자 디바이스와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력수단으로써 기능함과 동시에, 증강현실 전자 디바이스와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
인터페이스부(150)는 지능형 진단 디바이스(100)에 연결되는 다양한 종류의 외부장치와의 통로 역할을 수행할 수 있다. 인터페이스부(150)를 통해 지능형 진단 디바이스(100)는 외부장치로부터 가상현실 또는 증강현실 컨텐츠를 제공받을 수 있고, 다양한 입력 신호, 센싱 신호, 데이터를 주고받음으로써, 상호 인터랙션을 수행할 수 있다.
예를 들어, 인터페이스부(150)는 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다.
또한, 메모리(160)는 지능형 진단 디바이스(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(160)는 지능형 진단 디바이스(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 지능형 진단 디바이스(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 지능형 진단 디바이스(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 지능형 진단 디바이스상에 존재할 수 있다.
프로세서(170)는 응용 프로그램과 관련된 동작 외에도, 통상적으로 지능형 진단 디바이스(100)의 전반적인 동작을 제어할 수 있다. 프로세서(170)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리할 수 있다.
또한, 프로세서(170)는 메모리(160)에 저장된 응용 프로그램을 구동함으로써 구성요소들 중 적어도 일부를 제어하여 사용자에게 적절한 정보를 제공하거나 기능을 처리할 수 있다. 나아가, 프로세서(170)는 응용 프로그램의 구동을 위하여 지능형 진단 디바이스(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
또한, 프로세서(170)는 센싱부(130)에 포함된 자이로스코프 센서, 중력 센서, 모션 센서 등을 이용하여 지능형 진단 디바이스(100)나 사용자의 움직임을 감지할 수 있다. 또는 프로세서(170)는 센싱부(130)에 포함된 근접센서, 조도센서, 자기센서, 적외선 센서, 초음파 센서, 광 센서 등을 이용하여 지능형 진단 디바이스(100)나 사용자 주변으로 다가오는 대상체를 감지할 수도 있다. 그 밖에도, 프로세서(170)는 지능형 진단 디바이스(100)와 연동하여 동작하는 컨트롤러에 구비된 센서들을 통해서도 사용자의 움직임을 감지할 수 있다.
또한, 프로세서(170)는 메모리(160)에 저장된 응용 프로그램을 이용하여 지능형 진단 디바이스(100)의 동작(또는 기능)을 수행할 수 있다.
프로세서(170)는 입력부(120)를 통해 제1 냉장고 영상을 입력받을 수 있다. 즉, 프로세서(170)는 카메라를 통해 촬영된 제1 냉장고 영상을 기설정된 진단 프레임의 영역 내에 위치시키고, 제1 냉장고 영상과 진단 프레임을 비교하고, 비교되는 결과에 따라 냉장고에 대한 단차여부를 진단하고, 진단된 결과에 대응되는 해결 방법을 학습하여 사용자에게 제공할 수 있다.
프로세서(170)는 진단설정부(171), 진단위치부(172), 진단제어부(173) 및 진단해결부(174)를 포함할 수 있다.
진단설정부(171)는 제1 냉장고 영상에서 냉장고에 대한 기준모델을 인식하고, 인식된 기준모델에 기초하여 진단 프레임(미도시)을 설정할 수 있다. 진단설정부(171)는 촬영되거나 입력된 제1 냉장고 영상에서 냉장고에 대한 특징값 등을 추출하여 이에 대한 기준모델을 인식하거나 예측할 수 있다. 진단설정부(171)는 인식된 기준모델의 전체적인 크기를 고려하여 이에 대응되는 진단 프레임을 설정할 수 있다. 진단 프레임은 디스플레이되는 화면에 표시될 수 있다.
진단위치부(172)는 진단설정부(171)에서 설정된 진단 프레임에 제1 냉장고 영상을 위치하도록 제어할 수 있다. 진단위치부(172)는 진단 프레임이 설정되면, 진단 프레임 내에 제1 냉장고 영상이 위치하도록 제1 냉장고 영상에 대한 위치를 정밀하게 조정할 수 있다. 예를 들어, 진단위치부(172)는 진단 프레임의 기준라인에 제1 냉장고 영상의 아랫 부분이 대응되어 위치하도록 조정할 수 있다. 진단 프레임의 기준라인은 제1 기준라인 내지 제4 기준라인을 포함할 수 있다.
진단제어부(173)는 진단위치부(172)에 의해 진단 프레임 내에 위치된 제1 냉장고 영상을 진단 프레임과 비교하고, 비교되는 결과에 따라 냉장고에 대한 단차여부를 진단할 수 있다. 진단위치부(172)에 의해 제1 냉장고 영상에서 냉장고의 좌우 도어 각각을 제1 기준라인 또는 제2 기준라인에 대응하면, 진단제어부(173)는 제1 기준라인 또는 제2 기준라인 중 하나를 선택하고, 선택된 기준라인을 기준으로 냉장고 도어의 단차를 측정할 수 있다. 예를 들어, 진단제어부(173)는 냉장고의 좌 도어 상측과 제1 기준라인을 선택할 경우, 냉장고의 우 도어 상측과 제1 기준라인 간의 간격 또는 이격된 거리를 측정함으로써, 냉장고 도어의 단차여부를 진단할 수 있다. 진단제어부(173)는 측정된 간격 또는 이격된 거리가 기설정된 오차범위를 벗어날 경우 단차가 있다고 진단할 수 있다. 또는 진단제어부(173)는 측정된 간격 또는 이격된 거리가 기설정된 오차범위를 벗어나지 않을 경우 단차가 없다고 진단할 수 있다.
진단해결부(174)는 진단제어부(173)에서 진단된 결과에 대응되는 해결 방법을 학습하여 사용자에게 제공할 수 있다. 진단해결부(174)는 진단된 결과에 따라 서로 다른 해결 방법을 학습할 수 있다. 진단해결부(174)는 설치된 냉장고의 주변 환경, 설치 공간, 수리하고자 하는 사용자의 연령과 성별 등을 고려하여, 각각의 사용자에 적합한 해결 방법을 제공할 수 있다. 예를 들어, 진단해결부(174)는 시간이 소요되더라도 작은 힘으로 냉장고의 단차를 조정할 수 있는 방법을 제공하거나, 큰 힘으로 빠르게 냉장고의 단차를 조정할 수 있는 방법을 제공할 수 있다. 즉, 진단해결부(174)는 남녀노소에 따라 서로 다른 도구를 추천하도록 학습함으로써, 사용자가 쉽고 편하게 냉장고의 단차를 조정할 수 있다.
전원 공급부(180)는 프로세서(170)의 제어 하에서, 외부의 전원 또는 내부의 전원을 인가받아 전자 디바이스(20)에 포함된 각 구성요소들에 전원을 공급한다. 전원 공급부(180)는 배터리를 포함하며, 배터리는 내장형 또는 교체가능한 형태로 마련될 수 있다.
위 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 지능형 진단 디바이스(100)의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 지능형 진단 디바이스의 동작, 제어, 또는 제어방법은 메모리(160)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 지능형 진단 디바이스(100) 상에서 구현될 수 있다.
도 5는 본 발명의 일실시 예에 따라 진단 프레임을 설명하기 위한 도이다.
도 5를 살펴보면, 본 발명의 일실시 예에 따른 지능형 진단 디바이스(100)는 디스플레이부(190)에서 진단 프레임(191)을 디스플레이할 수 있다.
진단 프레임(191)은 일정한 폭을 가지는 라인으로 형성되는 사각형 형상일 수 있다. 예를 들어, 진단 프레임(191)의 기준라인은 제1 기준라인(191a) 내지 제4 기준라인(191d)을 포함할 수 있다. 제1 기준라인(191a)은 진단 프레임(191)의 윗측 또는 상측에 형성되는 라인으로 정의될 수 있다. 제1 기준라인(191a)은 상측기준라인이라 칭할 수 있다. 제2 기준라인(191b)은 진단 프레임(191)의 아랫측 또는 하측에 형성되는 라인으로 정의될 수 있다. 제2 기준라인(191b)은 하측기준라인이라 칭할 수 있다.
제1 기준라인(191a)과 제2 기준라인(191b)은 상하방향으로 서로 이격되어 배치될 수 있다. 제1 기준라인(191a)과 제2 기준라인(191b)은 좌우방향으로 한쪽으로 기울어지지 않고 평형을 이루는 수평상태일 수 있다.
제3 기준라인(191c)은 진단 프레임(191)의 좌측에 형성되는 라인으로 정의될 수 있다. 제3 기준라인(191c)은 좌측기준라인이라 칭할 수 있다. 제4 기준라인(191d)은 진단 프레임(191)의 우측에 형성되는 라인으로 정의될 수 있다. 제4 기준라인(191d)은 우측기준라인이라 칭할 수 있다.
제3 기준라인(191c)과 제4 기준라인(191d)은 좌우방향으로 서로 이격되어 배치될 수 있다. 제3 기준라인(191c)과 제4 기준라인(191d)은 상하방향으로 한쪽으로 기울어지지 않고 평형을 이루는 수직상태일 수 있다.
진단위치부(172)는 제1 냉장고 영상 중 냉장고(10)의 좌측 도어의 상측 또는 우측 도어의 상측을 제1 기준라인(191a)에 위치되도록 조정할 수 있다. 또는 진단위치부(172)는 제1 냉장고 영상 중 냉장고(10)의 좌측 도어의 하측 또는 우측 도어의 하측을 제2 기준라인(191b)에 위치되도록 조정할 수 있다.
진단위치부(172)는 제1 냉장고 영상 중 냉장고(10)의 좌측 도어의 하단 또는 우측 도어의 하단을 진단 프레임(191)의 기준라인에 위치되도록 조정할 수 있다.
이하, 본 발명의 일 예로서 설명되는 지능형 진단 디바이스(100)는 스마트 폰(smart phone)에 적용되는 실시 예를 기준으로 설명한다. 그러나 본 발명에 따른 지능형 디바이스(100)의 실시 예에는 휴대폰, 스마트 기기, 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), HMD(Head Mounted Display) 및 웨어러블 디바이스(wearable device) 등이 포함될 수 있다. 웨어러블 디바이스에는 HMD 이외에도 워치형 단말기(smart watch)와 컨택트 렌즈(Contact lens) 등이 포함될 수 있다.
도 6은 본 발명의 일실시 예에 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 도 4에 도시된 지능형 진단 디바이스(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 4에 도시된 지능형 진단 디바이스(100)의 구동과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 지능형 진단 디바이스(100)는 센싱 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 지능형 진단 디바이스(100)는 냉장고 내에 구비된 다른 전자 기기와의 인터랙션(interaction)을 통해 획득되는 데이터를 AI 프로세싱 하여 냉장실의 단차여부를 진단할 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 냉장고의 단차진단과 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 냉장고의 단차진단과 관련 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 일실시 예에 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 냉장고의 단차여부에 관한 단차 데이터, 진단된 결과에 대응되는 해결 방법에 대한 해결 데이터 등을 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. 이때 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 메모리(25)에 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, 제1 냉장고 영상 또는 진단 프레임에서 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 사용자의 스마트 기기로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 지능형 진단 디바이스와 통신하는 다른 사용자의 스마트 기기 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 지능형 진단 디바이스 내에 구비된 AI 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 AI 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 6에 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 7은 본 발명의 실시 예에 따른 지능형 진단 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7을 참조하면, 지능형 진단 디바이스(100)는 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 지능형 진단 디바이스로 전송할 수 있다. AI 장치(20)는 도 6에 설명한 내용을 참조할 수 있다.
지능형 진단 디바이스(100)는 무선 통신부(110), 입력부(120), 센싱부(130), 출력부(140), 인터페이스부(150), 메모리(160), 프로세서(170) 및 전원 공급부(180)를 포함할 수 있다. 프로세서(170)는 AI 프로세서(175)를 더 구비할 수 있다.
지능형 진단 디바이스(100)의 구성요소인 무선 통신부(110), 입력부(120), 센싱부(130), 출력부(140), 인터페이스부(150), 메모리(160), 프로세서(170) 및 전원 공급부(180)에 대한 설명은 도 4에서 충분히 설명하였으므로, 이에 대한 설명은 생략하기로 한다.
AI 프로세서(175)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 냉장고(10)의 단차여부에 대한 상태 데이터를 생성할 수 있다. 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는, 제1 냉장고 영상 또는 진단 프레임에서 포함된 객체에 대한 데이터 중 적어도 하나를 포함할 수 있다.
지능형 진단 디바이스(100)는 적어도 하나의 센서를 통해 획득된 센싱 데이터를 무선 통신부를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 냉장고의 단차여부에 대한 데이터 또는 냉장고의 단차를 해결할 수 있는 해결방법에 대한 데이터 또는 정보를 지능형 진단 디바이스(100)에 전송할 수 있다.
일실시 예에 따라, AI 프로세서(175)는 센싱부(120)에서 센싱되는 복수의 데이터에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 냉장고(10)의 단차를 해결할 수 있는 다양한 방법을 제공할 수 있다.
이상, 본 발명의 일실시 예에 따른 냉장고의 단차여부를 감지하고, 이를 해결하는 방법을 구현하기 위하여 필요한 5G 통신 및 상기 5G 통신을 적용하여 AI 프로세싱을 수행하고, AI 프로세싱 결과를 송수신하기 위한 개략적인 내용을 살펴보았다.
이하, 본 발명의 일실시 예에 따라 촬영된 제1 냉장고 영상을 진단 프레임 내에 위치시켜 냉장고의 위치, 각도 등을 고려하여 냉장고의 단차여부를 감지하고 이를 해결할 수 있는 방법에 대하여 필요한 도면들을 참조하여 설명한다.
도 8은 본 발명의 일실시 예에 따른 지능형 진단 디바이스를 이용하여 냉장고를 진단하는 방법을 설명하기 위한 순서도이다.
도 8을 참조하면, 본 발명의 지능형 진단 디바이스는 냉장고의 단차를 아래와 같은 순서로 진단할 수 있다.
먼저, 지능형 진단 디바이스는 진단 앱 또는 진단 프로그램을 실행시킬 수 있다(S110). 지능형 진단 디바이스는 진단 앱이 실행되면, 디스플레이부를 통해 진단 프레임이 디스플레이될 수 있다.
지능형 진단 디바이스는 내장된 카메라를 이용하여 소정의 영역에 설치된 냉장고를 촬영할 수 있다. 지능형 진단 디바이스는 디스플레이되는 진단 프레임과 연동되는 카메라를 이용하여 제1 냉장고 영상이 촬영되도록 제어할 수 있다(S120).
지능형 진단 디바이스는 진단 프레임 내에 제1 냉장고 영상이 위치하는지 여부를 판단할 수 있다(S130). 지능형 진단 디바이스는 제1 냉장고 영상이 진단 프레임 내에 위치할 경우 다음 단계로 진행할 수 있다.
이와 달리, 제1 냉장고 영상이 진단 프레임 내에 위치하지 않을 경우 지능형 진단 디바이스는 제1 냉장고 영상의 크기, 또는 위치 등을 체크함으로써, 제1 냉장고 영상이 진단 프레임 내에 위치하도록 조정할 수 있다.
제1 냉장고 영상이 진단 프레임 내에 위치하면, 지능형 진단 디바이스는 제1 냉장고 영상을 전처리할 수 있다(S140). 지능형 진단 디바이스는 프로세서를 이용하여 제1 냉장고 영상을 흑백화(grayscale), 흐리게 하기(blurring), 선명하게 하기(shappning), 외각선 추출(canny), 이진화(threshold), 침식, 팽창(morphology), 노이즈 제거 중 하나를 이용하여 전처리할 수 있다.
프로세서는 제1 냉장고 영상을 전처리함으로써, 제1 냉장고 영상에서의 특징값을 추출할 수 있다. 예를 들어, 특징값은 냉장고 도어의 외각선에 대한 데이터일 수 있다.
지능형 진단 디바이스는 전처리된 제1 냉장고 영상과 진단 프레임의 기준라인을 비교 분석하고, 비교 분석된 결과를 학습하여 이들의 단차여부를 인식할 수 있다(S150).
냉장고의 단차여부를 인식하면, 지능형 진단 디바이스는 주변 환경, 인식된 단차여부, 사용자의 정보 등을 고려하여 단차를 해결할 수 있는 가이드를 제공할 수 있다(S160). 예를 들어, 지능형 진단 디바이스는 디스플레이부를 통해 냉장고의 단차를 해결할 수 있는 도구 사용법 등에 관한 동영상을 디스플레이할 수 있다.
도 9는 본 발명의 일실시 예에서 지능형 진단 디바이스를 이용하여 단차를 수리하는 예를 설명하기 위한 도면이다.
도 9를 참조하면, 프로세서는 냉장고의 단차여부를 인식하기 위하여 전처리된 제1 냉장고 영상으로부터 특징값들을 추출할 수 있다(S151).
예를 들어, 프로세서는 제1 냉장고 영상을 전처리하면서 특징값을 추출할 수 있다. 특징값은 냉장고 도어의 외각선에 대한 것으로, 냉장고의 좌도어의 상측, 하측, 좌측 및 우측에 대한 외각선과 냉장고의 우도어의 상측, 하측, 좌측 및 우측에 대한 외각선과 같이 구체적으로 나타내는 것으로 산출된 것이다.
프로세서는 특징값들을 냉장고의 단차여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S152).
프로세서는 추출된 특징값이 결합되어 냉장고에 대한 단차 상태를 생성할 수 있다. 냉장고에 대한 단차 상태는, 추출된 특징값과 진단 프레임 간의 간격, 이격된 거리 등을 기초하여 냉장고의 단차 여부 상태를 구별하도록 트레이딩된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서는 인공 신경망의 출력값을 분석하고(S153), 인공 신경망 출력값에 기초하여 냉장고의 단차 여부 상태를 판단 또는 인식할 수 있다(S154). 프로세서는 인공 신경망 분류기의 출력으로부터 냉장고의 단차 여부를 판별 또는 인식할 수 있다.
한편, 도 9에서는 AI 프로세싱을 통해 냉장고의 단차 여부 상태를 식별하는 동작이 지능형 진단 디바이스의 프로세싱에서 구현되는 예를 설명하였으나, 본 발명은 이에 한정되지 않는다. 예를 들어, AI 프로세싱은 지능형 진단 디바이스로부터 수신된 센싱 정보에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 10은 본 발명의 일실시 예에서 냉장고의 단차여부 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
프로세서는 상기 냉장고의 단차 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 프로세서는 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어할 수 있다.
상기 AI 프로세싱된 정보는, 냉장고의 단차여부를 판단한 정보일 수 있다.
한편, 지능형 진단 디바이스는 5G 네트워크로 냉장고의 단차여부 정보를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 지능형 진단 디바이스는 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 지능형 진단 디바이스는 무선 통신부를 통해 프로세서 제어하에 전처리된 제1 냉장고의 영상에 의한 냉장고의 단차여부 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서는 DCI에 기초하여 냉장고의 단차여부 정보를 네트워크로 전송할 수 있다.
냉장고의 단차여부 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 10을 참조하면, 지능형 진단 디바이스는 냉장고의 단차여부를 인식하기 위하여 전처리된 제1 냉장고 영상으로부터 추출된 특징값들을 5G 네트워크로 전송할 수 있다(S310).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 전처리된 제1 냉장고 영상 또는 전처리된 제1 냉장고 영상에서 추출된 특징값에 기초하여 AI 프로세싱을 수행할 수 있다(S320).
AI 시스템은, 지능형 진단 디바이스로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S321). AI 시스템은, ANN 출력값을 분석하고(S322), 상기 ANN 출력값으로부터 냉장고의 단차여부를 판단할 수 있다(S323). 5G 네트워크는 AI 시스템에서 판단한 냉장고의 단차여부 정보를 무선 통신부를 통해 냉장고 또는 지능형 진단 디바이스로 전송할 수 있다.
여기서 냉장고의 단차여부 정보는, 냉장고의 도어에 대한 단차여부 등을 포함할 수 있다.
AI 시스템은, 냉장고가 단차인 상태로 판단한 경우(S324), 이에 수리할 수 있는 방법을 디스플레이할 수 있다. 이에 대한 자세한 설명은 후술하기로 한다.
AI 시스템은 냉장고가 단차인 상태로 판단한 경우, 지능형 진단 디바이스에서 플레이 또는 실행될 수 있는 도구 사용법 가이드를 제공하는 것에 대해 결정할 수 있다(S325). 또한, AI 시스템은 도구 사용법 가이드에 대한 정보를 지능형 진단 디바이스로 전송할 수 있다(S340).
한편, 상기 지능형 진단 디바이스는 전처리된 제1 냉장고 영상만을 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 상기 전처리된 제1 냉장고 영상으로부터 냉장고의 단차여부를 판단하기 위한 인공 신경망의 입력으로 이용될 단차 검출 입력에 대응하는 특징값을 추출할 수도 있다.
도 11은 본 발명의 일실시 예에 따라 지능형 진단 디바이스를 이용하여 냉장고 단차를 진단하는 일예를 보여주는 도이다.
도 11을 살펴보면, 지능형 진단 디바이스는 진단 프레임에 제1 냉장고 영상이 위치시킬 수 있다. 지능형 진단 디바이스는 촬영된 제1 냉장고 영상을 전처리하고, 전처리된 제1 냉장고 영상에서 특징값을 추출할 수 있다. 지능형 진단 디바이스는 추출된 특징값을 진단 프레임의 기준라인과 비교 분석하고, 분석된 결과에 기초하여 냉장고의 단차여부를 인식할 수 있다. 냉장고의 단차여부가 인식될 경우, 지능형 진단 디바이스는 냉장고의 단차를 사용자가 셀프로 수리할 수 있는 도구 사용법 가이드에 대한 정보를 결정할 수 있다.
도 11의 (a)에 도시된 바와 같이, 지능형 진단 디바이스는 냉장고의 도어 중 수리할 영역(192)을 디스플레이부에 디스플레이할 수 있다. 지능형 진단 디바이스는 수리할 영역(192)을 다른 영역과 다른 색으로 디스플레이할 수 있다.
도 11의 (b)에 도시된 바와 같이, 지능형 진단 디바이스는 수리할 영역(192)만을 확대하여 디스플레이부의 센터 영역에 표시할 수 있다. 지능형 진단 디바이스는 확대된 수리할 영역(192)과 함께 냉장고의 단차를 수리할 수 있는 도구를 디스플레이할 수 있다. 지능형 진단 디바이스는 도구를 이용하여 냉장고의 단차를 수리하는 영상을 디스플레이할 수 있다.
지금까지는 본 발명의 일실시 예에 따른 지능형 진단 디바이스는 디스플레이부를 통해 도구를 이용하여 냉장고의 단차를 수리할 수 있는 영상을 제공하는 것을 설명하였으나, 이에 한정되는 것은 아니며, AR 기기를 통해 냉장고의 단차를 수리할 수 있다.
확장현실(XR: eXtended Reality)은 가상현실(VR: Virtual Reality), 증강현실(AR: Augmented Reality), 혼합현실(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.
이하에서는 본 발명의 실시 예에 따른 확장현실을 제공하는 전자 디바이스에 대해 설명하기로 한다.
이하, 본 발명의 일 예로서 설명되는 전자 디바이스는 HMD(Head Mounted Display)에 적용되는 실시 예를 기준으로 설명한다. 그러나 본 발명에 따른 전자 디바이스의 실시 예에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 및 웨어러블 디바이스(wearable device) 등이 포함될 수 있다. 웨어러블 디바이스에는 HMD 이외에도 워치형 단말기(smart watch)와 컨택트 렌즈(Contact lens) 등이 포함될 수 있다.
도 12는 본 발명의 일실시 예에 따른 가상현실 전자 디바이스의 사시도이고, 도 13은 도 12의 가상현실 전자 디바이스를 사용하는 모습을 나타낸다.
도 12를 참조하면, 가상현실 전자 디바이스는 사용자의 머리에 장착되는 박스 타입의 전자 디바이스(30)와, 사용자가 파지하여 조작할 수 있는 컨트롤러(40: 40a, 40b)를 포함할 수 있다.
전자 디바이스(30)는 인체의 두부에 착용되어 지지되는 헤드유닛(31)과, 헤드유닛(31)에 결합되어 사용자의 눈 앞에 가상의 이미지 또는 영상을 표시하는 디스플레이유닛(32)을 포함한다. 도면에는 헤드유닛(31)과 디스플레이유닛(32)이 별개의 유닛으로 구성되어 서로 결합되는 것으로 도시되지만, 이와 달리 디스플레이유닛(32)은 헤드유닛(31)에 일체로 구성될 수도 있다.
헤드유닛(31)은 중량감이 있는 디스플레이유닛(32)의 무게를 분산시킬 수 있도록 사용자의 머리를 감싸는 구조를 채택할 수 있다. 그리고 각기 다른 사용자의 두상 크기에 맞출 수 있도록 길이 가변되는 밴드 등이 구비될 수 있다.
디스플레이유닛(32)은 헤드유닛(31)에 결합되는 커버부(32a)와 디스플레이 패널을 내측에 수용하는 디스플레이부(32b)를 구성한다.
커버부(32a)는 고글 프레임이라고도 불리며, 전체적으로 터브 형상(tub shape)일 수 있다. 커버부(32a)는 내부에 공간이 형성되고 전면에 사용자의 안구의 위치에 대응되는 개구가 형성된다.
디스플레이부(32b)는 커버부(32a)의 전면 프레임에 장착되고, 사용자의 양 안에 대응되는 위치에 마련되어 화면정보(영상 또는 이미지 등)를 출력한다. 디스플레이부(32b)에서 출력되는 화면정보는 가상현실 컨텐츠뿐만 아니라, 카메라 등 촬영수단을 통해 수집되는 외부 이미지를 포함한다.
그리고 디스플레이부(32b)에 출력되는 가상현실 컨텐츠는 전자 디바이스(30) 자체에 저장된 것이거나 또는 외부장치(60)에 저장된 것일 수 있다. 예를 들어, 화면정보가 전자 디바이스(30)에 저장된 가상 공간 영상인 경우, 전자 디바이스(30)는 상기 가상 공간의 영상을 처리하기 위한 이미지 프로세싱 및 렌더링 처리를 수행하고, 이미지 프로세싱 및 렌더링 처리 결과 생성된 화상 정보를 디스플레이부(32b)를 통해 출력할 수 있다. 반면, 외부장치(60)에 저장된 가상 공간 영상인 경우, 외부장치(60)가 이미지 프로세싱 및 렌더링 처리를 수행하고, 그 결과 생성된 화상 정보를 전자 디바이스(30)에 전송해줄 수 있다. 그러면 전자 디바이스(30)는 외부장치(60)로부터 수신된 3D 화상 정보를 디스플레이부(32b)를 통해 출력할 수 있다.
디스플레이부(32b)는 커버부(32a)의 개구 전방에 마련되는 디스플레이 패널을 포함하고, 디스플레이 패널은 LCD 또는 OLED 패널일 수 있다. 또는 디스플레이부(32b)는 스마트폰의 디스플레이부일 수 있다. 즉, 커버부(32a)의 전방에 스마트폰이 탈착될 수 있는 구조를 채택할 수 있다.
그리고 디스플레이유닛(32)의 전방에는 촬영수단과 각종 센서류가 설치될 수 있다.
촬영수단(예를 들어, 카메라)는 전방의 영상을 촬영(수신, 입력)하도록 형성되고, 특히 사용자가 바라보는 장면을 영상으로 획득할 수 있다. 촬영수단은 디스플레이부(32b)의 중앙 위치에 한 개 마련되거나, 서로 대칭되는 위치에 두 개 이상 마련될 수 있다. 복수의 촬영수단을 구비하는 경우 입체 영상을 획득할 수도 있다. 촬영수단으로부터 획득되는 외부 이미지에 가상 이미지를 결합한 이미지가 디스플레이부(32b)를 통해 표시될 수 있다.
센서류는 자이로스코프 센서, 모션 센서 또는 IR 센서 등을 포함할 수 있다. 이에 대해서는 뒤에서 자세히 설명하기로 한다.
그리고 디스플레이유닛(32)의 후방에는 안면패드(facial pad, 33)가 설치될 수 있다. 안면패드(33)는 사용자의 안구 주위에 밀착되고, 쿠션감이 있는 소재로 마련되어 사용자의 얼굴에 편안한 착용감을 제공한다. 그리고 안면패드(33)는 사람의 얼굴 전면 윤곽에 대응하는 형상을 지니면서도 플렉서블한 소재로 마련되어 각기 다른 사용자의 얼굴 형상에도 안면에 밀착될 수 있어 외부 빛이 눈으로 침입하는 것을 차단할 수 있다.
그 밖에도 전자 디바이스(30)는 제어명령을 입력 받기 위하여 조작되는 사용자 입력부, 그리고 음향 출력부와 제어부가 구비될 수 있다. 이에 대한 설명은 전과 동일하므로 생략한다.
또한, 가상현실 전자 디바이스는 박스 타입의 전자 디바이스(30)를 통해 표시되는 가상 공간 영상과 관련된 동작을 제어하기 위한 컨트롤러(40: 40a, 40b)가 주변장치로 구비될 수 있다.
컨트롤러(40)는 사용자가 양손에 쉽게 그립(grip)할 수 있는 형태로 마련되고, 외측면에는 사용자 입력을 수신하기 위한 터치패드(또는 트랙패드), 버튼 등이 구비될 수 있다.
컨트롤러(40)는 전자 디바이스(200)와 연동하여 디스플레이부(32b)에 출력되는 화면을 제어하는데 사용될 수 있다. 컨트롤러(40)는 사용자가 쥐는(grip) 그립부와, 그립부로부터 연장되며 다양한 센서들과 마이크로 프로세서가 내장된 헤드부를 포함하여 구성될 수 있다. 그립부는 사용자가 쉽게 쥘 수 있도록 세로로 긴 바 형태로 이루어지고 헤드부는 링 형태로 이루어질 수 있다.
그리고 컨트롤러(40)는 IR 센서, 모션 추적 센서, 마이크로 프로세서, 및 입력부를 포함할 수 있다. 예를 들어, IR 센서는 후술하는 위치추적장치(50)로부터 방사되는 빛을 수신하여서, 사용자 동작을 추적하는데 사용된다. 모션 추적 센서는 3축의 가속도 센서와, 3축의 자이로스코프, 디지털 모션 프로세서를 하나의 집합체로 포함하여 구성될 수 있다.
그리고 컨트롤러(40)의 그립부에는 사용자 입력부가 마련될 수 있다. 사용자 입력부는 예를 들어, 그립부의 내측에 배치된 키들과, 그리부의 외측에 구비된 터치패드(트랙 패드), 트리거 버튼 등을 포함할 수 있다.
한편, 컨트롤러(40)는 전자 디바이스(30)의 프로세서(170)로부터 수신되는 신호에 대응하는 피드백을 수행할 수 있다. 예를 들어, 컨트롤러(40)는 진동, 소리, 또는 광 등을 통해 사용자에게 피드백 신호를 전달할 수 있다.
또한, 사용자는 컨트롤러(40) 조작을 통해 전자 디바이스(200)에 구비된 카메라를 통해 확인되는 외부 환경 이미지에 접그날 수 있다. 즉, 사용자는 가상 공간 체험 중에도 전자 디바이스(30)를 벗지 않고 컨트롤러(40)의 조작을 통해 외부 환경을 즉시 확인할 수 있다.
또한, 가상현실 전자 디바이스는 위치추적장치(50)를 더 포함할 수 있다. 위치추적장치(50)는 라이트하우스(lighthouse) 시스템라는 위치추적(positional tracking) 기술을 적용하여 전자 디바이스(30) 또는 컨트롤러(40)의 위치를 검출하고, 이를 이용하여 사용자의 360도 모션을 추적하는데 도움을 준다.
위치추적시스템은 닫힌 특정 공간내에 하나 이상의 위치추적장치(50: 50a, 50b)를 설치함으로써 구현될 수 있다. 복수의 위치추적장치(50)는 인식 가능한 공간 범위가 극대화될 수 있는 위치, 예를 들어 대각선 방향으로 서로 마주보는 위치에 설치될 수 있다.
전자 디바이스(30) 또는 컨트롤러(40)는 복수의 위치추적장치(50)에 포함된 LED 또는 레이저 방출기들로부터 방사되는 빛을 수신하고, 해당 빛이 수신된 위치와 시간 간의 상관관계에 기초하여, 닫힌 특정 공간 내에서의 사용자의 위치를 정확하게 판단할 수 있다. 이를 위해, 위치추적장치(50)에는 IR 램프와 2축의 모터가 각각 포함될 수 있으며, 이를 통해 전자 디바이스(30) 또는 컨트롤러(40)와 신호를 주고받는다.
또한, 전자 디바이스(30)는 외부장치(60)(예를 들어, PC, 스마트폰, 또는 태블릿 등)와 유/무선 통신을 수행할 수 있다. 전자 디바이스(30)는 연결된 외부장치(60)에 저장된 가상 공간 영상을 수신하여 사용자에게 표시할 수 있다.
한편, 이상 설명한 컨트롤러(40)와 위치추적장치(50)는 필수 구성은 아니므로, 본 발명의 실시 예에서는 생략될 수 있다. 예를 들어, 전자 디바이스(30)에 설치된 입력장치가 컨트롤러(40)를 대신할 수 있고, 전자 디바이스(30)에 설치된 센서류로부터 자체적으로 위치 정보를 판단할 수 있다.
도 14는 본 발명의 일실시 예에 따른 증강현실 전자 디바이스의 사시도이다.
도 14에 도시된 바와 같이, 본 발명의 일실시 예에 따른 전자 디바이스는 프레임(200), 제어부(300) 및 디스플레이부(400)를 포함할 수 있다.
전자 디바이스는 글라스 타입(smart glass)으로 마련될 수 있다. 글라스 타입의 전자 디바이스는 인체의 두부에 착용 가능하도록 구성되며, 이를 위한 프레임(케이스, 하우징 등)(100)을 구비할 수 있다. 프레임(200)은 착용이 용이하도록 플렉서블 재질로 형성될 수 있다.
프레임(200)은 두부에 지지되며, 각종 부품들이 장착되는 공간을 마련한다. 도시된 바와 같이, 프레임(200)에는 제어부(300), 사용자 입력부(130) 또는 음향 출력부(140) 등과 같은 전자부품이 장착될 수 있다. 또한, 프레임(200)에는 좌안 및 우안 중 적어도 하나를 덮는 렌즈가 착탈 가능하게 장착될 수 있다.
프레임(200)은 도면에 도시된 바와 같이, 사용자의 신체 중 안면에 착용되는 안경 형태를 가질 수 있으나, 이에 반드시 한정되는 것은 아니고, 사용자의 안면에 밀착되어 착용되는 고글 등의 형태를 가질 수도 있다.
이와 같은 프레임(200)은 적어도 하나의 개구부를 구비하는 전면 프레임(210)과 전면 프레임(210)과 교차하는 제1 방향(y)으로 연장되어 서로 나란한 한 쌍의 측면 프레임(220)을 포함할 수 있다.
제어부(300)는 전자 디바이스에 구비되는 각종 전자부품을 제어하도록 마련된다.
제어부(300)는 사용자에게 보여지는 이미지 또는 이미지가 연속되는 영상을 생성할 수 있다. 제어부(300)는 이미지를 발생시키는 이미지 소스 패널과 이미지 소스 패널에서 발생된 빛을 확산 및 수렴하는 복수의 렌즈 등을 포함할 수 있다.
제어부(300)는 두 측면 프레임(220) 중 어느 하나의 측면 프레임(220)에 고정될 수 있다. 예를 들어, 제어부(300)는 어느 하나의 측면 프레임(220) 내측 또는 외측에 고정되거나, 어느 하나의 측면 프레임(220)의 내부에 내장되어 일체로 형성될 수 있다. 또는 제어부(300)가 전면 프레임(210)에 고정되거나 전자 디바이스와 별도로 마련될 수도 있다.
디스플레이부(400)는 헤드 마운티드 디스플레이(Head Mounted Display, HMD) 형태로 구현될 수 있다. HMD 형태란, 두부에 장착되어, 사용자의 눈 앞에 직접 영상을 보여주는 디스플레이 방식을 말한다. 사용자가 전자 디바이스를 착용하였을 때, 사용자의 눈 앞에 직접 영상을 제공할 수 있도록, 디스플레이부(400)는 좌안 및 우안 중 적어도 하나에 대응되게 배치될 수 있다. 본 도면에서는, 사용자의 우안을 향하여 영상을 출력할 수 있도록, 디스플레이부(400)가 우안에 대응되는 부분에 위치한 것을 예시하고 있다.
디스플레이부(400)는 사용자가 외부 환경을 시각적으로 인지하면서, 동시에 제어부(300)에서 생성된 이미지가 사용자에게 보이도록 사용자할 수 있다. 예를 들어, 디스플레이부(400)는 프리즘을 이용하여 디스플레이 영역에 이미지를 투사할 수 있다.
그리고 디스플레이부(400)는 투사된 이미지와 전방의 일반 시야(사용자가 눈을 통하여 바라보는 범위)가 동시에 보이도록 하기 위해 투광성으로 형성될 수 있다. 예를 들어, 디스플레이부(400)는 반투명일 수 있으며, 글라스(glass)를 포함하는 광학 소자로 형성될 수 있다.
그리고 디스플레이부(400)는 전면 프레임(210)에 포함된 개구부에 삽입되어 고정되거나, 개부구의 배면[즉 개구부와 사용자 사이]에 위치하여, 전면 프레임(210)에 고정될 수 있다. 도면에는 디스플레이부(400)가 개구부의 배면에 위치하여, 전면 프레임(210)에 고정된 경우를 일 예로 도시하였지만, 이와 달리 디스플레이부(400)는 프레임(200)의 다양한 위치에 배치 및 고정될 수 있다.
전자 디바이스는 도 14에 도시된 바와 같이, 제어부(300)에서 이미지에 대한 이미지 광을 디스플레이부(400)의 일측으로 입사시키면, 이미지광이 디스플레이부(400)를 통하여 타측으로 출사되어, 제어부(300)에서 생성된 이미지를 사용자에게 보이도록 할 수 있다.
이에 따라, 사용자는 프레임(200)의 개구부를 통하여 외부 환경을 보면서 동시에 제어부(300)에서 생성된 이미지를 함께 볼 수 있게 된다. 즉, 디스플레이부(400)를 통하여 출력되는 영상은 일반 시야와 오버랩(overlap)되어 보일 수 있다. 전자 디바이스는 이러한 디스플레이 특성을 이용하여 현실의 이미지나 배경에 가상 이미지를 겹쳐서 하나의 영상으로 보여주는 증강현실(Augmented Reality, AR)을 제공할 수 있다.
도 15는 본 발명의 일실시 예에 따른 제어부를 설명하기 위한 분해사시도이다.
도 15를 참조하면, 제어부(300)는 내부의 구성 소자를 보호하고, 제어부(300)의 외형을 형성하는 제1 커버(307)와 제2 커버(325)를 구비하고, 제1 커버(307)와 제2 커버(325)의 내부에는 구동부(301), 이미지 소스 패널(303), 편광빔 스플리터 필터(Polarization Beam Splitter Filter, PBSF, 311), 미러(309), 복수의 렌즈(313, 315, 317, 321), 플라이아이 렌즈(Fly Eye Lens, FEL, 319), 다이크로익 필터(Dichroic filter, 327) 및 프리즘 프로젝션 렌즈(Freeform prism Projection Lens, FPL, 323)를 구비할 수 있다.
제1 커버(307)와 제2 커버(325)는 구동부(301), 이미지 소스 패널(303), 편광빔 스플리터 필터(311), 미러(309), 복수의 렌즈(313, 315, 317, 321), 플라이아이 렌즈(319) 및 프리즘 프로젝션 렌즈(323)가 내장될 수 있는 공간을 구비하고, 이들을 패키징하여, 양 측면 프레임(220) 중 어느 하나에 고정될 수 있다.
구동부(301)는 이미지 소스 패널(303)에서 디스플레이되는 영상 또는 이미지를 제어하는 구동 신호를 공급할 수 있으며, 제어부(300) 내부 또는 제어부(300) 외부에 구비되는 별도의 모듈 구동칩에 연동될 수 있다. 이와 같은 구동부(301)는 일 예로, 연성 인쇄회로기판(Flexible Printed Circuits Board, FPCB) 형태로 구비될 수 있고, 연성 인쇄회로기판에는 구동 중 발생하는 열을 외부로 방출시키는 방열판(heatsink)이 구비될 수 있다.
이미지 소스 패널(303)은 구동부(301)에서 제공되는 구동 신호에 따라 이미지를 생성하여 발광할 수 있다. 이를 위해 이미지 소스 패널(303)은 LCD(liquid crystal display) 패널이 이용되거나 LED(Organic Light Emitting Diode) 패널이 이용될 수 있다.
편광빔 스플리터 필터(311)는 이미지 소스 패널(303)에서 생성된 이미지에 대한 이미지 광을 회전 각도에 따라 분리하거나 일부를 차단하고 일부는 통과시킬 수 있다. 따라서, 예를 들어, 이미지 소스 패널(303)에서 발광되는 이미지 광이 수평광인 P파와 수직광인 S파를 구비한 경우, 편광빔 스플리터 필터(311)는 P파와 S파를 서로 다른 경로로 분리하거나, 어느 하나의 이미지 광은 통과시키고 나머지 하나의 이미지 광은 차단할 수 있다. 이와 같은 편광빔 스플리터 필터(311)는 일실시 예로, 큐브(cube) 타입 또는 플레이트(plate) 타입으로 구비될 수 있다.
큐브(cube) 타입으로 구비되는 편광빔 스플리터 필터(311)는 P파와 S파로 형성되는 이미지 광을 필터링하여 서로 다른 경로로 분리할 수 있으며, 플레이트(plate) 타입으로 구비되는 편광빔 스플리터 필터(311)는 P파와 S파 중 어느 하나의 이미지 광을 통과시키고 다른 하나의 이미지 광을 차단할 수 있다.
미러(Mirror, 209)는 편광빔 스플리터 필터(311)에서 편광되어 분리된 이미지 광을 반사하여 다시 모아 복수의 렌즈(313, 315, 317, 321)로 입사시킬 수 있다.
복수의 렌즈(313, 315, 317, 321)는 볼록 렌즈와 오목 렌즈 등을 포함할 수 있으며, 일 예로, I타입의 렌즈와 C 타입의 렌즈를 포함할 수 있다. 이와 같은 복수의 렌즈(313, 315, 317, 321)는 입사되는 이미지 광을 확산 및 수렴을 반복하도록 하여, 이미지 광의 직진성을 향상시킬 수 있다.
플라이아이 렌즈(219)는 복수의 렌즈(313, 315, 317, 321)를 통과한 이미지 광을 입사받아 입사광의 조도 균일성(uniformity)이 보다 향상되도록 이미지 광을 출사할 수 있으며, 이미지 광이 균일한 조도를 갖는 영역을 확장시킬 수 있다.
다이크로익 필터(327)는 복수의 필름층 또는 렌즈층을 포함할 수 있으며, 플라이아이 렌즈(319)로부터 입사되는 이미지 광 중 특정 파장 대역의 빛은 투과시키고, 나머지 특정 파장 대역의 빛은 반사시켜, 이미지 광의 색감을 보정할 수 있다. 이와 같은 다이크로익 필터(327)를 투과한 이미지 광은 프리즘 프로젝션 렌즈(323)를 통하여 디스플레이부(400)로 출사될 수 있다.
디스플레이부(400)는 제어부(300)에서 출사되는 이미지 광을 입사받아, 사용자가 눈으로 볼 수 있도록 사용자의 눈이 위치한 방향으로 입사된 이미지 광을 출사할 수 있다.
한편, 앞에서 설명한 구성 외에도 전자 디바이스는 하나 이상의 찰영수단(미도시)을 포함할 수 있다. 촬영수단은 좌안 및 우안 중 적어도 하나에 인접하게 배치되어, 전방의 영상을 촬영할 수 있다. 또는 측방/후방 영상을 촬영할 수 있도록 배치될 수도 있다.
촬영수단이 눈에 인접하여 위치하므로, 촬영수단은 사용자가 바라보는 장면을 영상으로 획득할 수 있다. 촬영수단은 상기 프레임(200)에 설치될 수도 있으며, 복수 개로 구비되어 입체 영상을 획득하도록 이루어질 수도 있다.
전자 디바이스는 제어명령을 입력 받기 위하여 조작되는 사용자 입력부(미도시)를 구비할 수 있다. 사용자 입력부(미도시)는 터치, 푸시 등 사용자가 촉각으로 느끼면서 조작하게 되는 방식(tactile manner), 직접 터치하지 않은 상태에서 사용자의 손의 움직임을 인식하는 제스처 방식(gesture manner), 또는 음성 명령을 인식하는 방식을 포함하여 다양한 방식이 채용될 수 있다. 본 도면에서는, 프레임(200)에 사용자 입력부(미도시)가 구비된 것을 예시하고 있다.
또한, 전자 디바이스는 사운드를 입력 받아 전기적인 음성 데이터로 처리하는 마이크로폰 및 음향을 출력하는 음향 출력부(미도시)를 구비할 수 있다. 음향 출력부(미도시)는 일반적인 음향 출력 방식 또는 골전도 방식으로 음향을 전달하도록 이루어질 수 있다. 음향 출력부(미도시)가 골전도 방식으로 구현되는 경우, 사용자가 전자 디바이스를 착용시, 음향 출력부(미도시)는 두부에 밀착되며, 두개골을 진동시켜 음향을 전달하게 된다.
이하에서는 디스플레이부(400)의 다양한 형태와 입사된 이미지 광이 출사되는 다양한 방식에 대해 설명한다.
도 16은 본 발명의 일실시 예에 따른 증강현실 전자 디바이스를 이용하여 냉장고의 단차를 수리하는 예를 도시한 도이다.
도 16의 (a)를 살펴보면, 사용자는 증강현실 전자 디바이스를 착용할 수 있다. 증강현실 전자 디바이스는 지능형 진단 디바이스로부터 냉장고의 단차여부 정보를 비롯하여 도구를 사용하여 냉장고의 단차를 수리할 수 있는 가이드에 대한 수리 정보 등을 전송받을 수 있다.
도 16의 (b)와 같이, 증강현실 전자 디바이스를 착용한 상태에서 사용자가 냉장고에 접근하면, 사용자는 증강현실 전자 디바이스를 통해 냉장고를 보면서 동시에 제어부에서 생성된 냉장고의 단차를 수리할 영역(192)과 도구 이미지를 함께 볼 수 있다. 즉, 디스플레이부(400)를 통하여 출력되는 영상은 일반 시야와 오버랩(overlap)되어 보일 수 있다. 증강현실 전자 디바이스는 이러한 디스플레이 특성을 이용하여 현실의 이미지나 배경에 가상 이미지를 겹쳐서 하나의 영상으로 보여주는 증강현실(Augmented Reality, AR)을 제공할 수 있다.
이에 도 16의 (c)와 같이, 증강현실 전자 디바이스를 착용한 사용자는 디스플레이부(400)에서 제공되는, 냉장고의 단차를 수리하는 증강현실(Augmented Reality, AR)을 먼저 경험할 수 있다. 이후, 도 16의 (d)와 같이, 사용자는 증강현실을 따라 냉장고의 단차를 수리할 수 있다.
증강현실 전자 디바이스는 냉장고의 단차를 수리하는 과정을 순차적으로 디스플레이하되, 일정한 시간 간격으로 디스플레이함으로써, 사용자가 가상 영상을 따라 순차적으로 냉장고의 단차를 수리할 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.

Claims (15)

  1. 설치된 냉장고를 촬영하는 카메라;와
    상기 카메라에 촬영된 제1 냉장고 영상을 기설정된 진단 프레임의 영역 내에 위치시키고, 상기 제1 냉장고 영상과 상기 진단 프레임을 비교하고, 비교되는 결과에 따라 상기 냉장고에 대한 단차여부를 진단하고, 진단된 결과에 대응되는 해결 방법을 학습하여 사용자에게 제공하는 프로세서;
    를 포함하는 지능형 진단 디바이스.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 냉장고 영상에서 상기 냉장고에 대한 기준모델을 추출하고, 추출된 상기 기준모델에 기초하여 상기 진단 프레임을 설정하는 진단설정부;
    상기 진단설정부에서 설정된 상기 진단 프레임에 상기 제1 냉장고 영상을 위치하도록 제어하는 진단위치부;
    상기 진단위치부에 의해 상기 진단 프레임 내에 위치된 상기 제1 냉장고 영상을 상기 진단 프레임과 비교하고, 비교되는 결과에 따라 상기 냉장고에 대한 단차여부를 진단하는 진단제어부; 및
    상기 진단제어부에서 진단된 결과에 대응되는 상기 해결 방법을 학습하여 사용자에게 제공하는 진단해결부;
    를 포함하는 지능형 진단 디바이스.
  3. 제2 항에 있어서,
    상기 프로세서는,
    상기 제1 냉장고 영상을 전처리하고, 전처리된 상기 제1 냉장고 영상으로부터 특징값을 추출하는 지능형 진단 디바이스.
  4. 제3 항에 있어서,
    상기 프로세서는,
    상기 제1 냉장고 영상을 흑백화(grayscale), 흐리게 하기(blurring), 선명하게 하기(shappning), 외각선 추출(canny), 이진화(threshold), 침식, 팽창(morphology), 노이즈 제거 중 하나를 이용하여 전처리하는 지능형 진단 디바이스.
  5. 제2 항에 있어서,
    상기 프로세서는,
    상기 제1 냉장고 영상이 진단 프레임 내에 위치하지 않을 경우,
    상기 제1 냉장고 영상의 크기, 또는 위치를 조정하여 상기 제1 냉장고 영상을 상기 진단 프레임 내에 위치하도록 제어하는 지능형 진단 디바이스.
  6. 제2 항에 있어서,
    상기 진단 프레임은,
    상기 진단 프레임의 상측에 형성되는 제1 기준라인,
    상기 제1 기준라인과 상하방향으로 이격되고, 상기 진단 프레임의 하측에 형성되는 제2 기준라인,
    상기 진단 프레임의 좌측에 형성되는 제3 기준라인,
    상기 제3 기준라인과 좌우방향으로 이격되고, 상기 진단 프레임의 우측에 형성되는 제4 기준라인을 포함하는 지능형 진단 디바이스.
  7. 제6 항에 있어서,
    상기 프로세서는,
    상기 냉장고의 좌도어 상측 또는 상기 냉장고의 우도어 상측을 상기 제1 기준라인과 비교하거나,
    상기 냉장고의 좌도어 하측 또는 상기 냉장고의 우도어 하측을 상기 제2 기준라인과 비교 분석하고, 비? 분석된 결과를 학습하여 상기 냉장고의 단차여부를 인식하는 지능형 진단 디바이스.
  8. 제2 항에 있어서,
    상기 프로세서는,
    디스플레이부를 더 포함하고,
    상기 진단제어부에서 진단된 결과에 대응되는 상기 해결 방법을 학습하여 상기 디스플레이부를 통해 사용자에게 제공하는 지능형 진단 디바이스.
  9. 제2 항에 있어서,
    상기 프로세서는,
    상기 진단제어부에서 진단된 결과에 대응되는 상기 해결 방법을 학습하고,
    학습된 상기 해결 방법을 증강현실 전자 디바이스에 전송하는 지능형 진단 디바이스.
  10. 제9 항에 있어서,
    상기 증강현실 전자 디바이스는,
    현실의 이미지인 상기 냉장고를 디스플레이하면서 동시에 가상 이미지로 생성된 냉장고의 단차를 수리할 영역과 도구 이미지를 겹쳐서 하나의 영상으로 디스플레이하는 지능형 진단 디바이스.
  11. 제10 항에 있어서,
    상기 증강현실 전자 디바이스는,
    상기 냉장고의 단차를 수리하는 과정을 순차적으로 디스플레이하는 지능형 진단 디바이스.
  12. 제11 항에 있어서,
    상기 증강현실 전자 디바이스는,
    상기 냉장고의 단차를 수리하는 과정을 일정한 시간 간격을 유지하면서 디스플레이하는 지능형 진단 디바이스.
  13. 제1 항에 있어서,
    상기 프로세서는,
    상기 지능형 진단 디바이스에서 진단되는 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고,
    진단되는 상기 결과 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 지능형 진단 디바이스.
  14. 제13 항에 있어서,
    상기 프로세서는,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고,
    진단되는 상기 결과 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 지능형 진단 디바이스.
  15. 제13 항에 있어서,
    상기 프로세서는,
    상기 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고,
    상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고,
    상기 AI 프로세싱된 정보는,
    상기 냉장고의 단차여부를 판단한 정보인 지능형 진단 디바이스.
KR1020190099972A 2019-08-15 2019-08-15 지능형 진단 디바이스 KR20190103085A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190099972A KR20190103085A (ko) 2019-08-15 2019-08-15 지능형 진단 디바이스
US16/677,235 US11574445B2 (en) 2019-08-15 2019-11-07 Intelligent inspection devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190099972A KR20190103085A (ko) 2019-08-15 2019-08-15 지능형 진단 디바이스

Publications (1)

Publication Number Publication Date
KR20190103085A true KR20190103085A (ko) 2019-09-04

Family

ID=67950835

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190099972A KR20190103085A (ko) 2019-08-15 2019-08-15 지능형 진단 디바이스

Country Status (2)

Country Link
US (1) US11574445B2 (ko)
KR (1) KR20190103085A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112857212A (zh) * 2020-12-30 2021-05-28 张东昱 一种大型结构多点位移和转动响应同步监测系统及其数据分析方法

Families Citing this family (3)

* 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
US11467405B2 (en) * 2019-08-30 2022-10-11 Lg Electronics Inc. Wearable electronic device on head
US11501502B2 (en) * 2021-03-19 2022-11-15 International Business Machines Corporation Augmented reality guided inspection

Family Cites Families (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09312859A (ja) * 1996-05-23 1997-12-02 Sony Corp カラー表示装置の画質測定装置及び画質測定方法
US6947587B1 (en) * 1998-04-21 2005-09-20 Hitachi, Ltd. Defect inspection method and apparatus
JP3927353B2 (ja) * 2000-06-15 2007-06-06 株式会社日立製作所 比較検査における画像の位置合せ方法、比較検査方法及び比較検査装置
US7065243B2 (en) * 2001-06-28 2006-06-20 Eastman Kodak Company Method and system for creating dental models from imagery
JP4175234B2 (ja) * 2003-10-07 2008-11-05 セイコーエプソン株式会社 表示制御装置、携帯型情報端末及び表示制御方法
JP2005140922A (ja) * 2003-11-05 2005-06-02 Ricoh Co Ltd 光走査装置、画像形成装置及び位置ずれ補正方法
US7609893B2 (en) * 2004-03-03 2009-10-27 Trw Automotive U.S. Llc Method and apparatus for producing classifier training images via construction and manipulation of a three-dimensional image model
KR100589584B1 (ko) * 2004-06-24 2006-06-14 주식회사 대우일렉트로닉스 Ｈｄｄｓ 시스템에서 픽셀 비 매칭 이미지 보상방법
WO2006073647A2 (en) * 2004-12-03 2006-07-13 Sarnoff Corporation Method and apparatus for unsupervised learning of discriminative edge measures for vehicle matching between non-overlapping cameras
TWI342043B (en) * 2005-08-30 2011-05-11 Camtek Ltd A pipelined inspection system and method for inspecting a diced wafer
EP1949334B1 (en) * 2005-10-28 2019-01-02 Connaught Electronics Limited A method and apparatus for calibrating an image capturing device, and a method and apparatus for outputting image frames from sequentially captured image frames with compensation for image capture device offset
KR101195942B1 (ko) * 2006-03-20 2012-10-29 삼성전자주식회사 카메라 보정 방법 및 이를 이용한 3차원 물체 재구성 방법
US7697724B1 (en) * 2006-05-23 2010-04-13 Hewlett-Packard Development Company, L.P. Displacement determination system and method using separated imaging areas
US8531745B2 (en) * 2006-11-27 2013-09-10 Canon Kabushiki Kaisha Image formation density correction in image forming apparatus
JP5153593B2 (ja) * 2008-12-02 2013-02-27 株式会社Ｐｆｕ 画像処理装置および画像処理方法
US8526705B2 (en) * 2009-06-10 2013-09-03 Apple Inc. Driven scanning alignment for complex shapes
WO2011018655A2 (en) * 2009-08-13 2011-02-17 Bae Systems Plc Head up display system
GB2473248A (en) * 2009-09-04 2011-03-09 Sony Corp Determining image misalignment by comparing image characteristics at points along a line
KR101616874B1 (ko) * 2009-09-23 2016-05-02 삼성전자주식회사 다중 영상 합성 방법 및 그 장치
US9055227B2 (en) * 2010-03-17 2015-06-09 Texas Instruments Incorporated Scene adaptive brightness/contrast enhancement
US9613258B2 (en) * 2011-02-18 2017-04-04 Iomniscient Pty Ltd Image quality assessment
JP4918167B1 (ja) * 2011-03-31 2012-04-18 パナソニック株式会社 画像処理装置およびこれを備えた原稿読取システム
JP2013073598A (ja) * 2011-09-29 2013-04-22 Sony Corp 画像処理装置、画像処理方法、及びプログラム
KR101657526B1 (ko) * 2012-01-11 2016-09-19 한화테크윈 주식회사 특징점 검사영역 설정기와 설정 방법 및 이를 구비하는 영상 안정화 장치
US10171734B2 (en) * 2012-02-27 2019-01-01 Ovio Technologies, Inc. Rotatable imaging system
US9383132B2 (en) * 2012-12-03 2016-07-05 Whirlpool Corporation Refrigerator providing air flow to door
US20140192210A1 (en) * 2013-01-04 2014-07-10 Qualcomm Incorporated Mobile device based text detection and tracking
CN104969493B (zh) * 2013-02-06 2018-03-27 Lg电子株式会社 用于在无线通信系统中设置用于检测下行链路控制信息的搜索区域的方法和用于其的装置
US9082015B2 (en) * 2013-03-15 2015-07-14 State Farm Mutual Automobile Insurance Company Automatic building assessment
US10114368B2 (en) * 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
AU2013222016A1 (en) * 2013-08-30 2015-03-19 Canon Kabushiki Kaisha Method, system and apparatus for determining a property of an image
JP2017067442A (ja) * 2013-12-27 2017-04-06 株式会社日立ハイテクノロジーズ パターン測定装置、及びパターン測定のためのコンピュータープログラム
CN104915965A (zh) * 2014-03-14 2015-09-16 华为技术有限公司 一种摄像机跟踪方法及装置
US20150356802A1 (en) * 2014-06-10 2015-12-10 Center For Integrated Smart Sensors Foundation Low Power Door-Lock Apparatus Based On Battery Using Face Recognition
KR20160031274A (ko) * 2014-09-12 2016-03-22 삼성전자주식회사 레티클 검사 장치 및 방법
US9959610B2 (en) * 2014-10-30 2018-05-01 Applied Materials, Inc. System and method to detect substrate and/or substrate support misalignment using imaging
US10937168B2 (en) * 2015-11-02 2021-03-02 Cognex Corporation System and method for finding and classifying lines in an image with a vision system
US9904995B2 (en) * 2015-12-09 2018-02-27 Applied Materials Israel, Ltd. System and method for patch based inspection
WO2017169725A1 (ja) * 2016-03-28 2017-10-05 ソニー株式会社 画像処理装置および方法
JP2017208619A (ja) * 2016-05-16 2017-11-24 株式会社リコー 画像処理装置、画像処理方法、プログラム及び撮像システム
JP6798163B2 (ja) * 2016-07-05 2020-12-09 セイコーエプソン株式会社 プロジェクションシステム、及び、プロジェクションシステムの調整方法
WO2018020560A1 (ja) * 2016-07-25 2018-02-01 オリンパス株式会社 画像処理装置、画像処理方法およびプログラム
US20180068451A1 (en) * 2016-09-08 2018-03-08 Qualcomm Incorporated Systems and methods for creating a cinemagraph
JP6814977B2 (ja) * 2016-10-07 2021-01-20 パナソニックＩｐマネジメント株式会社 画像処理装置、検知装置、学習装置、画像処理方法、および画像処理プログラム
US10380763B2 (en) * 2016-11-16 2019-08-13 Seiko Epson Corporation Hybrid corner and edge-based tracking
US10288405B2 (en) * 2016-12-22 2019-05-14 Whirlpool Corporation Alignment gauge and method of use
US10176616B2 (en) * 2017-01-19 2019-01-08 Adobe Inc. Automatic capture and refinement of a digital image of a group of people without user intervention
US11094043B2 (en) * 2017-09-25 2021-08-17 The Regents Of The University Of California Generation of high dynamic range visual media
JP6958202B2 (ja) * 2017-10-03 2021-11-02 コニカミノルタ株式会社 動態画像処理装置及びプログラム
US10706505B2 (en) * 2018-01-24 2020-07-07 GM Global Technology Operations LLC Method and system for generating a range image using sparse depth data
JP6836561B2 (ja) * 2018-09-20 2021-03-03 ファナック株式会社 画像処理装置及び画像処理方法
US11099634B2 (en) * 2019-01-25 2021-08-24 Apple Inc. Manipulation of virtual objects using a tracked physical object
US11024090B2 (en) * 2019-06-28 2021-06-01 Adobe Inc. Virtual frame for guided image composition

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112857212A (zh) * 2020-12-30 2021-05-28 张东昱 一种大型结构多点位移和转动响应同步监测系统及其数据分析方法

Also Published As

Publication number Publication date
US11574445B2 (en) 2023-02-07
US20200090410A1 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
US11734546B2 (en) Method and apparatus for recommending food and drink based on artificial intelligence-based user status
KR102201858B1 (ko) 인공지능 기반 영상 편집 방법 및 지능형 디바이스
US11574445B2 (en) Intelligent inspection devices
KR102246659B1 (ko) 지능형 디바이스 및 지능형 디바이스의 영상 보정 방법
US20200005081A1 (en) Method and apparatus for recognizing handwritten characters using federated learning
CN112468655B (zh) 智能电子装置
US11073541B2 (en) Intelligent method for controlling home appliance, apparatus and intelligent computing device for controlling home appliance
US20210327447A1 (en) Audio zoom based on speaker detection using lip reading
US20200026362A1 (en) Augmented reality device and gesture recognition calibration method thereof
US11057750B2 (en) Intelligent device controlling method, mobile terminal and intelligent computing device
KR20190108086A (ko) 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스
US11952701B2 (en) Door open monitoring for intelligent device
US11423696B2 (en) Method for recognizing face using intelligent electronic device
US20200120199A1 (en) Method of providing notification according to surrounding situation of intelligent terminal and device for the same
US20200043241A1 (en) Artificial device and method for controlling the same
KR20220005106A (ko) 증강현실 전자기기의 제어방법
US20210125478A1 (en) Intelligent security device
KR20210087792A (ko) 사용자 인증
US10936062B2 (en) Intelligent device and method of information displaying with projection type using the same
KR20210121472A (ko) 인공지능 기반의 음질개선
US11514725B2 (en) Intelligence device and user selection method thereof
KR20210007776A (ko) 인공 지능 기반 상품명 그룹핑 방법 및 이를 지원하기 위한 장치

Legal Events

Date Code Title Description
A201 Request for examination