KR20190104486A - 행동 방향성 인식기반 서비스 요구자 식별 방법 - Google Patents
행동 방향성 인식기반 서비스 요구자 식별 방법 Download PDFInfo
- Publication number
- KR20190104486A KR20190104486A KR1020190102525A KR20190102525A KR20190104486A KR 20190104486 A KR20190104486 A KR 20190104486A KR 1020190102525 A KR1020190102525 A KR 1020190102525A KR 20190102525 A KR20190102525 A KR 20190102525A KR 20190104486 A KR20190104486 A KR 20190104486A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- airport
- information
- intelligent robot
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 230000033001 locomotion Effects 0.000 claims abstract description 130
- 238000004891 communication Methods 0.000 claims abstract description 97
- 230000005540 biological transmission Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 21
- 238000013459 approach Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 133
- 230000003190 augmentative effect Effects 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 40
- 238000005516 engineering process Methods 0.000 description 35
- 210000004027 cell Anatomy 0.000 description 34
- 230000008569 process Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 24
- 238000003062 neural network model Methods 0.000 description 24
- 230000004044 response Effects 0.000 description 20
- 230000003993 interaction Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010295 mobile communication Methods 0.000 description 7
- 230000008054 signal transmission Effects 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 230000009471 action Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 6
- 238000010408 sweeping Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004297 night vision Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/008—Manipulators for service tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0297—Fleet control by controlling means in a control room
-
- G06K9/00778—
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Fuzzy Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
행동 방향성 인식기반 서비스 요구자 식별 방법을 개시한다. 본 발명은 공항 내에 배치되는 복수의 지능형 로봇 디바이스와 상기 복수의 지능형 로봇 디바이스 중 하나 이상의 지능형 로봇 디바이스의 이동을 제어하는 서버를 포함한다. 상기 복수의 지능형 로봇 디바이스는, 공항 내에서 움직이는 공항 이용자의 움직임 정보를 상기 서버로부터 전송하는 통신부; 및 상기 통신부로부터 상기 공항 이용자의 움직임 정보를 제공받아, 상기 공항 이용자의 움직임을 학습하고, 학습된 상기 공항 이용자의 움직임에 기초하여 상기 공항 이용자의 방황 상태를 인식하고, 인식된 결과에 따라 상기 공항 이용자에게 이동하도록 제어하는 프로세서;를 포함한다.
본 발명의 지능형 로봇 디바이스는 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
본 발명의 지능형 로봇 디바이스는 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 발명은 행동 방향성 인식기반 서비스 요구자 식별 방법에 관한 것으로서, 보다 구체적으로는 공항 이용자들의 움직임 정보를 학습하고, 학습된 결과를 기반으로 공항 서비스가 필요한지 여부를 판단하고, 판단된 결과에 따라 공항 서비스가 필요로 하는 공항 이용자에게 먼저 다가감으로써, 공항 이용자에게 최상의 공항 서비스를 제공할 수 있는 행동 방향성 인식기반 서비스 요구자 식별 방법에 관한 것이다.
최근 공항과 같은 공공 장소에서 이용자들에게 각종 서비스를 보다 효과적으로 제공하기 위하여, 로봇 등의 도입이 논의되고 있다. 이용자들은 공항에 배치된 로봇을 통해 공항 내 길 안내 서비스, 탑승 정보 안내 서비스, 기타 멀티미디어 컨텐츠 제공 서비스 등과 같은 각종 서비스를 이용할 수 있다.
그러나, 로봇과 같은 첨단 기기의 경우 단가가 높을 수 밖에 없으므로, 공항 내에 배치되는 공항 로봇의 수는 한정될 수 있다. 따라서, 한정된 수의 공항 로봇을 이용한 보다 효율적인 서비스 제공 방안이 요구될 수 있다.
특히, 공항 내의 길 안내 서비스를 제공하는 공항 로봇들의 경우, 공항 로봇들 각각이 공항 내의 모든 구역을 이동하며 길 안내 서비스를 제공하는 것은 비효율적일 수 있다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 공항 이용자들의 움직임 정보를 학습하고, 학습된 결과를 기반으로 공항 서비스가 필요한지 여부를 판단하고, 판단된 결과에 따라 공항 서비스가 필요로 하는 공항 이용자에게 먼저 다가감으로써, 공항 이용자에게 최상의 공항 서비스를 제공할 수 있는 행동 방향성 인식기반 서비스 요구자 식별 방법을 제공 것을 목적으로 한다.
또한, 본 발명은 AI 프로세싱을 통해 지능형 로봇 디바이스를 제어함으로써, 행동 방향성 인식기반 서비스 요구자 식별 방법의 신뢰성을 향상시키는 것을 목적으로 한다.
본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법은 촬영된 이미지에서 복수의 사용자를 추적하여 상기 복수의 사용자의 움직임 정보를 획득하는 단계; 획득된 상기 복수의 사용자의 움직임 정보를 학습하는 단계; 학습된 상기 사용자의 움직임 정보에 기초하여 상기 사용자의 방황 여부 상태를 판단하는 단계; 및 판단된 상기 사용자의 방황 여부 상태에 따라 상기 사용자에게 지능형 로봇 디바이스의 접근 여부를 결정하는 단계;를 포함한다.
또한, 상기 복수의 사용자는 제1 사용자와 제2 사용자를 포함하고, 학습된 상기 제1 사용자의 움직임 정보와 학습된 상기 제2 사용자의 움직임 정보를 비교하고, 비교된 결과가 기설정된 범위에 포함되면, 상기 제1 사용자와 상기 제2 사용자를 동일한 그룹으로 그룹핑하는 단계;를 포함할 수 있다.
또한, 상기 사용자의 움직임 정보는, 상기 사용자의 방향성, 상기 사용자의 방향값, 상기 사용자의 이동 경로, 상기 사용자의 이동 경로의 기울기, 상기 사용자의 이동 속도 중 적어도 하나를 포함할 수 있다.
또한, 학습된 상기 사용자의 움직임 정보에 기초하여 상기 사용자의 방황 여부 상태를 판단하는 단계는, 상기 사용자의 움직임 정보로부터 특징값들을 추출하는 단계; 상기 특징값들을 상기 사용자가 방황 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및 상기 인공 신경망의 출력으로부터 상기 사용자의 방황 여부 상태를 판단하는 단계;를 포함할 수 있다.
상기 특징값들은, 상기 사용자의 방황 여부 상태를 구분할 수 있는 값들인 것을 포함할 수 있다.
상기 지능형 로봇 디바이스의 접근 여부를 결정하는 단계는, 학습된 결과에 기초하여 상기 사용자가 방황 상태라고 판단되면, 상기 사용자의 주변 또는 상기 사용자에게 접근하도록 제어하는 것을 포함할 수 있다.
또한, 학습된 상기 사용자의 움직임 정보에 기초하여 상기 사용자의 방황 여부 상태를 판단하는 단계는, 추출된 상기 특징값들에 따라 서로 다른 가중치를 부여하는 것을 포함할 수 있다.
또한, 서버로부터 전송되는 상기 사용자의 움직임 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 상기 사용자의 움직임 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 포함할 수 있다.
또한, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 상기 사용자의 움직임 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 포함할 수 있다.
또한, 상기 사용자의 움직임 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고, 상기 AI 프로세싱된 정보는, 상기 사용자의 방황 상태 여부를 판단한 정보인 것을 포함할 수 있다.
상기 지능형 로봇 디바이스는, 공항 내에서 주행하면서 상기 사용자에게 공항 서비스를 제공하는 것을 포함할 수 있다.
본 발명에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 효과에 대해 설명하면 다음과 같다.
또한, 본 발명은 공항 이용자들의 움직임 정보를 학습하고, 학습된 결과를 기반으로 공항 서비스가 필요한지 여부를 판단하고, 판단된 결과에 따라 공항 서비스가 필요로 하는 공항 이용자에게 먼저 다가감으로써, 공항 이용자에게 최상의 공항 서비스를 제공할 수 있다.
또한, 본 발명은 공항 서비스를 필요로 하는 공항 이용자를 추출하고, 추출된 결과에 따라 먼저 공항 이용자에게 다가감으로써. 공항 이용자의 편의를 개선시킬 수 있다.
또한, 본 발명은 AI 프로세싱을 통해 지능형 로봇 디바이스를 제어함으로써, 지능형 로봇 시스템의 신뢰성을 향상시킬 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 AI 장치의 일실시 예를 나타내는 개념도이다.
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 5는 5G 통신을 이용한 로봇 대 로봇 간의 기본 동작의 일 예를 예시한다.
도 6은 본 발명의 일 실시 예에 따라 행동 방향성 인식기반 서비스 요구자 식별 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 AI 장치의 블록도이다.
도 8은 본 발명의 실시 예에 따른 지능형 로봇 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 지능형 로봇 디바이스의 하드웨어 구성을 도시한 블록도이다.
도 10은 본 발명의 다른 일 실시 예에 따른 지능형 로봇 디바이스의 마이컴 및 AP의 구성을 자세하게 도시한 도면이다.
도 11은 본 발명의 일 실시 예에 따라 공항 내에 배치되는 복수의 지능형 로봇 디바이스 및 복수의 카메라를 설명하기 위한 도이다.
도 12는 본 발명의 일 실시 예에 따라 공항 내를 복수의 구역으로 구분하는 것을 설명하기 위한 도이다.
도 13은 본 발명의 일 실시 예에 따라 복수의 카메라가 다양한 위치에 배치되는 것을 설명하기 위한 도면이다.
도 14는 본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 흐름도이다.
도 15는 본 발명의 일실시 예에서 공항 이용자의 방황 상태를 판단하는 예를 설명하기 위한 도면이다.
도 16은 본 발명의 일실시 예에서 공항 이용자의 방황 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
도 17은 본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 일 예를 설명하기 위한 도이다.
도 18은 본 발명의 일실시 예에 따라 공항 이용자의 방향성을 설명하기 위한 도이다.
도 19는 도 18에 도시된 공항 이용자의 방향성을 이동 경로의 기울기로 설명하기 위한 도이다.
도 20 및 도 21은 본 발명의 일실시 예에 따라 방황하는 공항 이용자와 관련된 동행자를 추출하는 방법을 설명하기 위한 도이다.
도 22는 본 발명의 일실시 예에 따라 공항 이용자의 방향성을 추적하여 판단하는 것을 설명하기 위한 도이다.
도 23 내지 도 25는 본 발명의 일실시 예에 따라 공항 이용자의 방향성과 움직임을 조합하여 판단하는 것을 설명하기 위한 도이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 5는 5G 통신을 이용한 로봇 대 로봇 간의 기본 동작의 일 예를 예시한다.
도 6은 본 발명의 일 실시 예에 따라 행동 방향성 인식기반 서비스 요구자 식별 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 AI 장치의 블록도이다.
도 8은 본 발명의 실시 예에 따른 지능형 로봇 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 지능형 로봇 디바이스의 하드웨어 구성을 도시한 블록도이다.
도 10은 본 발명의 다른 일 실시 예에 따른 지능형 로봇 디바이스의 마이컴 및 AP의 구성을 자세하게 도시한 도면이다.
도 11은 본 발명의 일 실시 예에 따라 공항 내에 배치되는 복수의 지능형 로봇 디바이스 및 복수의 카메라를 설명하기 위한 도이다.
도 12는 본 발명의 일 실시 예에 따라 공항 내를 복수의 구역으로 구분하는 것을 설명하기 위한 도이다.
도 13은 본 발명의 일 실시 예에 따라 복수의 카메라가 다양한 위치에 배치되는 것을 설명하기 위한 도면이다.
도 14는 본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 흐름도이다.
도 15는 본 발명의 일실시 예에서 공항 이용자의 방황 상태를 판단하는 예를 설명하기 위한 도면이다.
도 16은 본 발명의 일실시 예에서 공항 이용자의 방황 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
도 17은 본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 일 예를 설명하기 위한 도이다.
도 18은 본 발명의 일실시 예에 따라 공항 이용자의 방향성을 설명하기 위한 도이다.
도 19는 도 18에 도시된 공항 이용자의 방향성을 이동 경로의 기울기로 설명하기 위한 도이다.
도 20 및 도 21은 본 발명의 일실시 예에 따라 방황하는 공항 이용자와 관련된 동행자를 추출하는 방법을 설명하기 위한 도이다.
도 22는 본 발명의 일실시 예에 따라 공항 이용자의 방향성을 추적하여 판단하는 것을 설명하기 위한 도이다.
도 23 내지 도 25는 본 발명의 일실시 예에 따라 공항 이용자의 방향성과 움직임을 조합하여 판단하는 것을 설명하기 위한 도이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 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.
5G의 세 가지 주요 요구 사항 영역은 (1) 개선된 모바일 광대역(Enhanced Mobile Broadband, eMBB) 영역, (2) 다량의 머신 타입 통신(massive Machine Type Communication, mMTC) 영역 및 (3) 초신뢰 및 저 지연 통신(Ultra-reliable and Low Latency Communications, URLLC) 영역을 포함한다.
일부 사용 예(Use Case)는 최적화를 위해 다수의 영역들이 요구될 수 있고, 다른 사용 예는 단지 하나의 핵심 성능 지표(Key Performance Indicator, KPI)에만 포커싱될 수 있다. 5G는 이러한 다양한 사용 예들을 유연하고 신뢰할 수 있는 방법으로 지원하는 것이다.
eMBB는 기본적인 모바일 인터넷 액세스를 훨씬 능가하게 하며, 풍부한 양방향 작업, 클라우드 또는 증강 현실에서 미디어 및 엔터테인먼트 애플리케이션을 커버한다. 데이터는 5G의 핵심 동력 중 하나이며, 5G 시대에서 처음으로 전용 음성 서비스를 볼 수 없을 수 있다. 5G에서, 음성은 단순히 통신 시스템에 의해 제공되는 데이터 연결을 사용하여 응용 프로그램으로서 처리될 것이 기대된다. 증가된 트래픽 양(volume)을 위한 주요 원인들은 콘텐츠 크기의 증가 및 높은 데이터 전송률을 요구하는 애플리케이션 수의 증가이다. 스트리밍 서비스 (오디오 및 비디오), 대화형 비디오 및 모바일 인터넷 연결은 더 많은 장치가 인터넷에 연결될수록 더 널리 사용될 것이다. 이러한 많은 응용 프로그램들은 사용자에게 실시간 정보 및 알림을 푸쉬하기 위해 항상 켜져 있는 연결성이 필요하다. 클라우드 스토리지 및 애플리케이션은 모바일 통신 플랫폼에서 급속히 증가하고 있으며, 이것은 업무 및 엔터테인먼트 모두에 적용될 수 있다. 그리고, 클라우드 스토리지는 상향링크 데이터 전송률의 성장을 견인하는 특별한 사용 예이다. 5G는 또한 클라우드의 원격 업무에도 사용되며, 촉각 인터페이스가 사용될 때 우수한 사용자 경험을 유지하도록 훨씬 더 낮은 단-대-단(end-to-end) 지연을 요구한다. 엔터테인먼트 예를 들어, 클라우드 게임 및 비디오 스트리밍은 모바일 광대역 능력에 대한 요구를 증가시키는 또 다른 핵심 요소이다. 엔터테인먼트는 기차, 차 및 비행기와 같은 높은 이동성 환경을 포함하는 어떤 곳에서든지 스마트폰 및 태블릿에서 필수적이다. 또 다른 사용 예는 엔터테인먼트를 위한 증강 현실 및 정보 검색이다. 여기서, 증강 현실은 매우 낮은 지연과 순간적인 데이터 양을 필요로 한다.
또한, 가장 많이 예상되는 5G 사용 예 중 하나는 모든 분야에서 임베디드 센서를 원활하게 연결할 수 있는 기능 즉, mMTC에 관한 것이다. 2020년까지 잠재적인 IoT 장치들은 204 억 개에 이를 것으로 예측된다. 산업 IoT는 5G가 스마트 도시, 자산 추적(asset tracking), 스마트 유틸리티, 농업 및 보안 인프라를 가능하게 하는 주요 역할을 수행하는 영역 중 하나이다.
URLLC는 주요 인프라의 원격 제어 및 자체-구동 차량(self-driving vehicle)과 같은 초 신뢰 / 이용 가능한 지연이 적은 링크를 통해 산업을 변화시킬 새로운 서비스를 포함한다. 신뢰성과 지연의 수준은 스마트 그리드 제어, 산업 자동화, 로봇 공학, 드론 제어 및 조정에 필수적이다.
다음으로, 다수의 사용 예들에 대해 보다 구체적으로 살펴본다.
5G는 초당 수백 메가 비트에서 초당 기가 비트로 평가되는 스트림을 제공하는 수단으로 FTTH(fiber-to-the-home) 및 케이블 기반 광대역(또는 DOCSIS)을 보완할 수 있다. 이러한 빠른 속도는 가상 현실과 증강 현실뿐 아니라 4K 이상(6K, 8K 및 그 이상)의 해상도로 TV를 전달하는데 요구된다. VR(Virtual Reality) 및 AR(Augmented Reality) 애플리케이션들은 거의 몰입형(immersive) 스포츠 경기를 포함한다. 특정 응용 프로그램은 특별한 네트워크 설정이 요구될 수 있다. 예를 들어, VR 게임의 경우, 게임 회사들이 지연을 최소화하기 위해 코어 서버를 네트워크 오퍼레이터의 에지 네트워크 서버와 통합해야 할 수 있다.
자동차(Automotive)는 차량에 대한 이동 통신을 위한 많은 사용 예들과 함께 5G에 있어 중요한 새로운 동력이 될 것으로 예상된다. 예를 들어, 승객을 위한 엔터테인먼트는 동시의 높은 용량과 높은 이동성 모바일 광대역을 요구한다. 그 이유는 미래의 사용자는 그들의 위치 및 속도와 관계없이 고품질의 연결을 계속해서 기대하기 때문이다. 자동차 분야의 다른 활용 예는 증강 현실 대시보드이다. 이는 운전자가 앞면 창을 통해 보고 있는 것 위에 어둠 속에서 물체를 식별하고, 물체의 거리와 움직임에 대해 운전자에게 말해 주는 정보를 겹쳐서 디스플레이 한다. 미래에, 무선 모듈은 차량들 간의 통신, 차량과 지원하는 인프라구조 사이에서 정보 교환 및 자동차와 다른 연결된 디바이스들(예를 들어, 보행자에 의해 수반되는 디바이스들) 사이에서 정보 교환을 가능하게 한다. 안전 시스템은 운전자가 보다 안전한 운전을 할 수 있도록 행동의 대체 코스들을 안내하여 사고의 위험을 낮출 수 있게 한다. 다음 단계는 원격 조종되거나 자체 운전 차량(self-driven vehicle)이 될 것이다. 이는 서로 다른 자체 운전 차량들 사이 및 자동차와 인프라 사이에서 매우 신뢰성이 있고, 매우 빠른 통신을 요구한다. 미래에, 자체 운전 차량이 모든 운전 활동을 수행하고, 운전자는 차량 자체가 식별할 수 없는 교통 이상에만 집중하도록 할 것이다. 자체 운전 차량의 기술적 요구 사항은 트래픽 안전을 사람이 달성할 수 없을 정도의 수준까지 증가하도록 초저지연과 초고속 신뢰성을 요구한다.
스마트 사회(smart society)로서 언급되는 스마트 도시와 스마트 홈은 고밀도 무선 센서 네트워크로 임베디드될 것이다. 지능형 센서의 분산 네트워크는 도시 또는 집의 비용 및 에너지-효율적인 유지에 대한 조건을 식별할 것이다. 유사한 설정이 각 가정을 위해 수행될 수 있다. 온도 센서, 창 및 난방 컨트롤러, 도난 경보기 및 가전 제품들은 모두 무선으로 연결된다. 이러한 센서들 중 많은 것들이 전형적으로 낮은 데이터 전송 속도, 저전력 및 저비용이다. 하지만, 예를 들어, 실시간 HD 비디오는 감시를 위해 특정 타입의 장치에서 요구될 수 있다.
열 또는 가스를 포함한 에너지의 소비 및 분배는 고도로 분산화되고 있어, 분산 센서 네트워크의 자동화된 제어가 요구된다. 스마트 그리드는 정보를 수집하고 이에 따라 행동하도록 디지털 정보 및 통신 기술을 사용하여 이런 센서들을 상호 연결한다. 이 정보는 공급 업체와 소비자의 행동을 포함할 수 있으므로, 스마트 그리드가 효율성, 신뢰성, 경제성, 생산의 지속 가능성 및 자동화된 방식으로 전기와 같은 연료들의 분배를 개선하도록 할 수 있다. 스마트 그리드는 지연이 적은 다른 센서 네트워크로 볼 수도 있다.
건강 부문은 이동 통신의 혜택을 누릴 수 있는 많은 응용 프로그램을 보유하고 있다. 통신 시스템은 멀리 떨어진 곳에서 임상 진료를 제공하는 원격 진료를 지원할 수 있다. 이는 거리에 대한 장벽을 줄이는데 도움을 주고, 거리가 먼 농촌에서 지속적으로 이용하지 못하는 의료 서비스들로의 접근을 개선시킬 수 있다. 이는 또한 중요한 진료 및 응급 상황에서 생명을 구하기 위해 사용된다. 이동 통신 기반의 무선 센서 네트워크는 심박수 및 혈압과 같은 파라미터들에 대한 원격 모니터링 및 센서들을 제공할 수 있다.
무선 및 모바일 통신은 산업 응용 분야에서 점차 중요해지고 있다. 배선은 설치 및 유지 비용이 높다. 따라서, 케이블을 재구성할 수 있는 무선 링크들로의 교체 가능성은 많은 산업 분야에서 매력적인 기회이다. 그러나, 이를 달성하는 것은 무선 연결이 케이블과 비슷한 지연, 신뢰성 및 용량으로 동작하는 것과, 그 관리가 단순화될 것이 요구된다. 낮은 지연과 매우 낮은 오류 확률은 5G로 연결될 필요가 있는 새로운 요구 사항이다.
물류(logistics) 및 화물 추적(freight tracking)은 위치 기반 정보 시스템을 사용하여 어디에서든지 인벤토리(inventory) 및 패키지의 추적을 가능하게 하는 이동 통신에 대한 중요한 사용 예이다. 물류 및 화물 추적의 사용 예는 전형적으로 낮은 데이터 속도를 요구하지만 넓은 범위와 신뢰성 있는 위치 정보가 필요하다.
본 명세서에서 후술할 본 발명은 전술한 5G의 요구 사항을 만족하도록 각 실시 예를 조합하거나 변경하여 구현될 수 있다.
도 1을 참조하면, AI 시스템은 AI 서버(20), 로봇(11), 자율 주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(11), 자율 주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 등을 AI 장치(11 내지 15)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 시스템을 구성하는 각 장치들(11 내지 15, 20)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(11 내지 15, 20)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(20)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(20)는 AI 시스템을 구성하는 AI 장치들인 로봇(11), 자율 주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(11 내지 15)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때 AI 서버(20)는 AI 장치(11 내지 15)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(11 내지 15)에 전송할 수 있다.
이때 AI 서버(20)는 AI 장치(11 내지 15)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(11 내지 15)로 전송할 수 있다.
또는, AI 장치(11 내지 15)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
<AI+로봇>
로봇(11)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(11)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(11)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(11)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(11)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(11)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(11)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(11)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.
이때 로봇(11)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(11)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(11)을 주행시킬 수 있다.
맵 데이터에는 로봇(11)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(11)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때 로봇(11)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율 주행>
자율 주행 차량(12)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(12)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(12)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(12)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(12)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(12)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(12)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(11)과와 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(12)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(12)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(12)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(12)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(12)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(12)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(12)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(12)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(12)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때 자율 주행 차량(12)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(13)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(13)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(13)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(13)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(13)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(13)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.
이때 XR 장치(13)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율 주행>
로봇(11)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(11)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(12)과 상호작용하는 로봇(11) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(11)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(11) 및 자율 주행 차량(12)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(11) 및 자율 주행 차량(12)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량과 별개로 존재하면서, 자율 주행 차량(12)의 내부 또는 외부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(12)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때 자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량(12)을 대신하여 센서 정보를 획득하여 자율 주행 차량(12)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(12)에 제공함으로써, 자율 주행 차량(12)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량(12)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(12)의 기능을 제어할 수 있다. 예컨대, 로봇(11)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(12)의 자율 주행 기능을 활성화하거나 자율 주행 차량(12)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(11)이 제어하는 자율 주행 차량(12)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(12)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량(12)의 외부에서 자율 주행 차량(12)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(11)은 스마트 신호등과 같이 자율 주행 차량(12)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(12)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(11)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(11)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(11)은 XR 장치(13)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(11)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(11) 또는 XR 장치(13)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(13)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(11)은 XR 장치(13)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(13) 등의 외부 장치를 통해 원격으로 연동된 로봇(11)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(11)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율 주행+XR>
자율 주행 차량(12)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(12)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(12)은 XR 장치(13)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(12)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(12)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(12)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(12)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(12)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(12) 또는 XR 장치(13)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(13)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(12)은 XR 장치(13) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
[확장 현실 기술]
확장 현실(XR: eXtended Reality)은 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 보여 준다는 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.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2를 참조하면, 로봇 디바이스는 제1 통신 장치로 정의(910)하고, 프로세서(911)가 로봇 디바이스의 상세 동작을 수행할 수 있다. 로봇 디바이스는 로봇이라 칭할 수 있다.
로봇 디바이스와 통신하는 5G 네트워크는 제2 통신 장치로 정의(920)하고, 프로세서(921)가 로봇 디바이스의 상세 동작을 수행할 수 있다. 여기서, 5G 네트워크는 로봇과 통신하는 다른 로봇을 포함할 수 있다.
5G 네트워크가 제1 통신 장치로, 로봇 디바이스가 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, 로봇 등일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 로봇, 드론(Drone), UAV(Unmanned Aerial Vehicle), 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 도 2를 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 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(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)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3을 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)을 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 3을 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 3을 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 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ?}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 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)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 로봇 기본 동작
도 4는 5G 통신 시스템에서 로봇과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
로봇은 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 로봇의 원격 제어 여부를 결정할 수 있다(S2). 여기서, 상기 5G 네트워크는 로봇 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다. 그리고, 상기 5G 네트워크는 로봇의 원격 제어와 관련된 정보(또는 신호)를 상기 로봇으로 전송할 수 있다(S3).
G. 5G 통신 시스템에서 로봇과 5G 네트워크 간의 응용 동작
이하, 도 2 및 도 3과 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 로봇 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 4의 S1 단계 및 S3 단계와 같이, 로봇이 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, 로봇은 도 4의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, 로봇은 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, 로봇이 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, 로봇은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 로봇으로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 로봇은 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 로봇으로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 로봇으로 원격 제어와 관련된 정보(또는 신호)를 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, 로봇은 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, 로봇은 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, 로봇은 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, 로봇은 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, 로봇은 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 4의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 4의 S1 단계에서, 로봇은 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 로봇은 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.
H. 5G 통신을 이용한 로봇 대 로봇 간의 동작
도 5는 5G 통신을 이용한 로봇 디바이스 대 로봇 디바이스 간의 기본 동작의 일 예를 예시한다.
제1 로봇은 특정 정보를 제2 로봇으로 전송한다(S61). 제1 로봇은 제1 지능형 로봇 디바이스라 칭할 수 있고, 제2 로봇은 제2 지능형 로봇 디바이스라 칭할 수 있다.
제2 로봇은 특정 정보에 대한 응답을 제1 로봇으로 전송한다(S62).
한편, 5G 네트워크가 상기 특정 정보, 상기 특정 정보에 대한 응답의 자원 할당에 직접적(사이드 링크 통신 전송 모드 3) 또는 간접적으로(사이드링크 통신 전송 모드 4) 관여하는지에 따라 로봇 대 로봇 간 응용 동작의 구성이 달라질 수 있다.
다음으로, 5G 통신을 이용한 로봇 대 로봇 간의 응용 동작에 대해 살펴본다.
먼저, 5G 네트워크가 로봇 대 로봇 간의 신호 전송/수신의 자원 할당에 직접적으로 관여하는 방법을 설명한다.
5G 네트워크는, 모드 3 전송(PSCCH 및/또는 PSSCH 전송)의 스케줄링을 위해 DCI 포맷 5A를 제1 로봇에 전송할 수 있다. 여기서, PSCCH(physical sidelink control channel)는 특정 정보 전송의 스케줄링을 위한 5G 물리 채널이고, PSSCH(physical sidelink shared channel)는 특정 정보를 전송하는 5G 물리 채널이다. 그리고, 제1 로봇은 특정 정보 전송의 스케줄링을 위한 SCI 포맷 1을 PSCCH 상에서 제2 로봇으로 전송한다. 그리고, 제1 로봇이 특정 정보를 PSSCH 상에서 제2 로봇으로 전송한다.
다음으로, 5G 네트워크가 신호 전송/수신의 자원 할당에 간접적으로 관여하는 방법에 대해 살펴본다.
제1 로봇은 모드 4 전송을 위한 자원을 제1 윈도우에서 센싱한다. 그리고, 제1 로봇은, 상기 센싱 결과에 기초하여 제2 윈도우에서 모드 4 전송을 위한 자원을 선택한다. 여기서, 제1 윈도우는 센싱 윈도우(sensing window)를 의미하고, 제2 윈도우는 선택 윈도우(selection window)를 의미한다. 제1 로봇은 상기 선택된 자원을 기초로 특정 정보 전송의 스케줄링을 위한 SCI 포맷 1을 PSCCH 상에서 제2 로봇으로 전송한다. 그리고, 제1 로봇은 특정 정보를 PSSCH 상에서 제2 로봇으로 전송한다.
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 6은 본 발명의 일 실시 예에 따라 행동 방향성 인식기반 서비스 요구자 식별 방법을 설명하기 위한 도면이다.
도 6을 살펴보면, 본 발명의 일 실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법은 지능형 로봇 디바이스(100), 서버(300), 카메라(400) 및 이동 단말기(500)를 포함할 수 있다.
지능형 로봇 디바이스(100)는 공항 내에서 순찰, 안내, 청소, 방역, 운반 등의 역할을 할 수 있다. 예를 들어, 지능형 로봇 디바이스(100)는 종합 전시관, 박물관, 전시회, 공항 등의 주변 또는 실내를 주행하면서, 고객, 사용자 또는 공항 이용자에게 다양한 정보를 제공할 수 있다.
지능형 로봇 디바이스(100)는 서버(300) 또는 이동 단말기(500)와 신호를 송수신할 수 있다. 예를 들어, 지능형 로봇 디바이스(100)는 서버(300)와 공항 내 상황 정보 등을 포함한 신호를 송수신할 수 있다.
또한, 지능형 로봇 디바이스(100)는 공항 내 카메라(400)로부터 공항의 각 구역들을 촬영한 영상 정보를 수신할 수 있다. 따라서 지능형 로봇 디바이스(100)는 지능형 로봇 디바이스(100)가 촬영한 영상 정보 및 카메라(400)로부터 수신한 영상 정보를 종합하여 공항의 상황을 모니터링할 수 있다.
지능형 로봇 디바이스(100)는 공항 이용자로부터 직접 명령을 수신할 수 있다. 예를 들어, 지능형 로봇 디바이스(100)에 구비된 디스플레이부(160)를 터치하는 입력 또는 음성 입력 등을 통해 공항 이용자로부터 명령을 직접 수신할 수 있다.
지능형 로봇 디바이스(100)는 공항 이용자, 서버(300), 또는 이동 단말기(500) 등으로부터 수신된 명령에 따라 순찰, 안내, 청소 등의 동작을 수행할 수 있다.
서버(300)는 지능형 로봇 디바이스(100), 카메라(400), 및/또는 이동 단말기(500)로부터 정보를 수신할 수 있다. 서버(300)는 각 장치들로부터 수신된 정보들을 통합하여 저장 및 관리할 수 있다. 서버(300)는 저장된 정보들을 지능형 로봇 디바이스(100) 또는 이동 단말기(500)에 전송할 수 있다. 또한, 서버(300)는 공항에 배치된 복수의 지능형 로봇 디바이스(100)들 각각에 대한 명령 신호를 전송할 수 있다.
또한, 서버(300)는 공항 지도 등과 같은 공항 관련 데이터, 공항 내에 배치되는 물체 또는 공항 내에서 움직이는 사람에 대한 정보를 포함하는 매핑 데이터를 지능형 로봇 디바이스(100)에 전송할 수 있다.
카메라(400)는 공항 내에 설치된 카메라를 포함할 수 있다. 예를 들어, 카메라(400)는 공항 내에 설치된 복수의 CCTV(closed circuit television) 카메라, 적외선 열감지 카메라 등을 모두 포함할 수 있다. 카메라(400)는 촬영된 영상을 서버(300) 또는 지능형 로봇 디바이스(100)에 전송할 수 있다. 카메라(400)는 촬영된 영상은 공항 영상이라 칭할 수 있다.
이동 단말기(500)는 공항 내 서버(300) 또는 지능형 로봇 디바이스(100)와 데이터를 송수신할 수 있다. 예를 들어, 이동 단말기(500)는 지능형 로봇 디바이스(100) 또는 서버(300)로부터 비행 시간 스케쥴, 공항 지도 등과 같은 공항 관련 데이터를 수신할 수 있다. 공항 이용자는 이동 단말기(500)를 통해 공항에서 필요한 정보를 지능형 로봇 디바이스(100) 또는 서버(300)로부터 수신하여 얻을 수 있다. 또한, 이동 단말기(500)는 지능형 로봇 디바이스(100) 또는 서버(300)로 사진이나 동영상, 메시지 등과 같은 데이터를 전송할 수 있다. 예를 들어, 공항 이용자는 미아 사진을 지능형 로봇 디바이스(100) 또는 서버(300)로 전송하여 미아 접수를 하거나, 공항 내 청소가 필요한 구역의 사진을 카메라로 촬영하여 서버(300)로 전송함으로써 해당 구역의 청소를 요청할 수 있다.
또한, 이동 단말기(500)는 지능형 로봇 디바이스(100)를 호출하는 신호나 특정 동작을 수행하도록 명령하는 신호 또는 정보 요청 신호 등을 지능형 로봇 디바이스(100)로 전송할 수 있다. 지능형 로봇 디바이스(100)는 이동 단말기(500)로부터 수신된 호출 신호에 응답하여 이동 단말기(500)의 위치로 이동하거나 명령 신호에 대응하는 동작을 수행할 수 있다.
또는 지능형 로봇 디바이스(100)는 정보 요청 신호에 대응하는 데이터를 각 공항 이용자의 이동 단말기(500)로 전송할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 AI 장치의 블록도이다.
AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 6에 도시된 지능형 로봇 디바이스(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
AI 프로세싱은, 도 6에 도시된 지능형 로봇 디바이스(100)의 주행과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 지능형 로봇 디바이스(100)는 영상 신호 또는 센싱 데이터를 AI 프로세싱하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 지능형 로봇 디바이스(100)는 공항 내에 구비된 다른 전자 기기(예를 들어, 서버(300, 도 6 참조), 이동 단말기(500, 도 6 참조), 제2 지능형 로봇 디바이스(도 6 참조))와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱하여 주행 제어를 수행할 수 있다.
AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
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 로봇 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 로봇 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 일 실시 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 학습 데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 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 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 학습 데이터 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, 로봇의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 지능형 로봇 디바이스로 정의될 수 있다. 또한, AI 장치(20)는 지능형 로봇 디바이스와 통신하는 다른 지능형 로봇 디바이스 또는 5G 네트워크로 정의될 수 있다. 한편, AI 장치(20)는 지능형 로봇 디바이스 내에 구비된 다양한 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 5G 네트워크는 로봇 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 7에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성 요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 8은 본 발명의 실시 예에 따른 지능형 로봇 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 8을 참조하면, 지능형 로봇 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 로봇 디바이스(100)으로 전송할 수 있다. AI 장치(20)는 도 7에 설명한 내용을 참조할 수 있다.
지능형 로봇 디바이스(100)는 메모리(150), 프로세서(110), 전원 공급부(120)를 포함할 수 있으며, 상기 프로세서(110)는 마이콤(111)과 AP(112)를 포함하고, AI 프로세서(113)를 더 포함할 수 있다.
또한, 상기 지능형 로봇 디바이스(100)은 지능형 로봇 디바이스(100) 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 연결되어 주행 제어에 필요한 데이터를 교환할 수 있는 인터페이스부를 포함할 수 있다. 상기 인터페이스부를 통해 연결된 적어도 하나의 전자 장치는 주행 구동부(140), 디스플레이부(160), 촬영부(170), 통신부(190) 등을 포함할 수 있다. 상기 인터페이스부는 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
메모리(150)는 프로세서(110)와 전기적으로 연결된다. 메모리(150)는 유닛에 대한 기본 데이터, 유닛의 동작 제어를 위한 제어 데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(150)는 프로세서(110)에서 처리된 데이터를 저장할 수 있다. 메모리(150)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(150)는 프로세서(110)의 처리 또는 제어를 위한 프로그램 등, 지능형 로봇 디바이스(100)에 대한 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(150)는 프로세서(110)와 일체형으로 구현될 수 있다. 실시 예에 따라, 메모리(150)는 프로세서(110)의 하위 구성으로 분류될 수 있다.
전원 공급부(120)는 지능형 로봇 디바이스(100)에 전원을 공급할 수 있다. 전원 공급부(120)는 지능형 로봇 디바이스(100)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 지능형 로봇 디바이스(100)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(120)는 메인 ECU로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(120)는 SMPS(switched-mode power supply)를 포함할 수 있다.
프로세서(110, processors)는 메모리(150), 인터페이스부(미도시), 전원 공급부(120)와 전기적으로 연결되어 신호를 교환할 수 있다. 프로세서(110)는 제어부(110)라 칭할 수 있다. 프로세서(110)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
프로세서(110)는 전원 공급부(120)로부터 제공되는 전원에 의해 구동될 수 있다. 프로세서(110)는 전원 공급부(120)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
프로세서(110)는 인터페이스부를 통해, 지능형 로봇 디바이스(100) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(110)는 인터페이스부를 통해, 지능형 로봇 디바이스(100) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
지능형 로봇 디바이스(100)는 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(150), 인터페이스부, 전원 공급부(120) 및 프로세서(110)는 인쇄 회로 기판에 전기적으로 연결될 수 있다.
이하, 상기 인터페이스부와 연결된 지능형 로봇 디바이스(100) 내 다른 전자 장치 및 마이콤(111), AP(112), AI 프로세서(113)에 대하여 보다 구체적으로 설명한다. 이하, 설명의 편의를 위해 지능형 로봇 디바이스(100)를 로봇(100)으로 호칭하기로 한다.
지능형 로봇 디바이스(100)는 소정의 형상으로 형성되는 바디부(101)를 포함할 수 있다. 바디부(101)는 외부로부터 발생되는 이물질 또는 장애물로부터 내부에 배치되는 부품을 보호할 수 있으면 어떠한 형상으로 형성되더라도 무관할 수 있다.
통신부(190), 촬영부(170), 제어부(110), 디스플레이부(160) 및 주행 구동부(140)를 포함할 수 있다.
통신부(190)는 바디부(101)에 내장되고, 공항 내에 배치되는 복수의 카메라로부터 촬영된 영상을 전송 받아, 공항 내에 위치하는 장애물에 대한 맵핑 데이터와 공항 이용자에 대한 이동 경로 데이터 또는 이동 예측 데이터를 제공받을 수 있다. 통신부(190)는 5G 라우터(162, 도 9 참조)를 포함할 수 있다. 통신부(190)는 5G 통신 또는 5G 네트워크를 이용하여 맵핑 데이터, 이동 경로 데이터, 이동 예측 데이터를 제공받을 수 있다. 장애물은 공항 내에 이동하는 공항 이용자, 고객 또는 공항에 배치되는 물체 등을 포함할 수 있다.
공항 내에 배치되는 복수의 카메라에서 촬영된 영상은 공항 영상이라 칭할 수 있다.
촬영부(170)는 바디부(101)에 배치되어 지능형 로봇 디바이스(110)의 경로 또는 경로의 주변에 위치하는 장애물을 촬영할 수 있다. 촬영부(170)는 적어도 하나 이상의 카메라를 포함할 수 있다. 적어도 하나 이상의 카메라는 로봇 카메라라 칭할 수 있다. 로봇 카메라는 주행 중이거나 이동 중인 지능형 로봇 디바이스의 주변을 실시간으로 촬영할 수 있다. 로봇 카메라에서 촬영된 영상은 순찰 영상, 이동 영상 또는 로봇 영상이라 칭할 수 있다.
프로세서(110)는 통신부로부터 공항 이용자의 움직임 정보를 제공받아, 공항 이용자의 움직임을 학습하고, 학습된 공항 이용자의 움직임에 기초하여 공항 이용자의 방황 상태를 인식하고, 인식된 결과에 따라 공항 이용자에게 이동하도록 제어할 수 있다.
프로세서(110)는 통신부로부터 전송되는 공항 이용자의 움직임 정보로부터 특징값들을 추출하고, 특징값들을 공항 이용자가 방황 상태인지 여부를 구별하도록 인공 신경망(ANN) 분류기에 입력하고, 인공 신경망의 출력으로부터 공항 이용자의 방황 상태를 판단할 수 있다.
프로세서(110)는 추출된 특징값들에 따라 서로 다른 가중치를 부여할 수 있다. 프로세서(110)는 부여된 가중치에 기초하여 우선 순위를 결정하고, 결정된 우선 순위에 기반하여, 복수의 지능형 로봇 디바이스 중 하나 이상의 지능형 로봇 디바이스의 이동을 제어할 수 있다.
주행 구동부(140)는 바디부(101)의 하부에 배치되고, 프로세서(110)의 제어 하에 목표 지점을 향해 이동할 수 있다. 주행 구동부(140)에 대한 자세한 설명은 후술하기로 한다. 주행 구동부(140)는 프로세서(110)의 제어 하에 통신부(190)에서 제공되는 맵핑 데이터, 이동 경로 데이터, 이동 예측 데이터 그리고 촬영부(170)에서 촬영된 로봇 영상을 기반으로 공항 내를 주행할 수 있다.
디스플레이부(160)는 바디부(101)의 전방 또는 전면에 배치되고, 공항 서비스에 대한 정보를 디스플레이할 수 있다. 예를 들어, 디스플레이부(160)는 지능형 로봇 디바이스(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(160)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
또한, 디스플레이부(160)는 지능형 로봇 디바이스(100)의 형상에 따라 2개 이상 존재할 수 있다. 이 경우, 지능형 로봇 디바이스(100)에는 복수의 디스플레이부(160)가 전방(또는 전면) 또는 후방(또는 후면) 배치될 수 있다.
디스플레이부(160)는 터치 센서를 포함할 수 있다. 디스플레이부(160)는 터치 센서를 이용하여 제어 명령을 입력 받을 수 있다 예를 들어, 디스플레이부(160)에 터치가 감지되면, 터치 센서는 프로세서(110)의 제어 하에 터치에 대응하는 제어 명령 또는 명령 신호를 생성할 수 있다. 터치 방식에 의하여 입력되는 내용은 공항 서비스에 대한 정보 그리고 공항 서비스 메뉴 항목 등일 수 있다.
디스플레이부(160)는 터치 센서와 함께 터치 스크린(touch-screen) 또는 터치 모니터(touch-monitor)을 형성할 수 있으며, 이 경우에 터치 스크린은 유저 인터페이스로 기능할 수 있다. 디스플레이부(160)는 유저 인터페이스부라 칭할 수 있다.
한편, 지능형 로봇 디바이스(100)는 상기 적어도 하나의 센서를 통해 획득된 데이터를 통신부(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 지능형 로봇 디바이스(100)로 전송할 수 있다. 지능형 로봇 디바이스(100)는 수신된 AI 프로세싱 데이터에 기초하여 검출된 이동 경로, 이동 예측 경로에 대한 정보를 인식하고, 프로세서(110)는 상기 인식한 정보를 이용하여 주행 제어 동작을 수행할 수 있다.
통신부(190)는 지능형 로봇 디바이스(100) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신부(190)는, 인프라(예를 들면, 서버, 방송국), 다른 지능형 로봇 디바이스(100), 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신부(190)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
통신부(190)를 통해 제공되는 공항 이용자의 이동 경로 데이터 및/또는 이동 예측 데이터에 신경망 모델을 적용함으로써, 공항 이용자의 이동 방향에 대한 정보, 이동 경로 정보, 이동 예측 정보 중 적어도 하나를 생성할 수 있다.
한편, AI 프로세서(113)는 주행 모드에서, 프로세서(110)을 통해 생성된 드라이빙 플랜에 따른 지능형 로봇 디바이스(100)의 움직임을 제어하기 위한 신호를 생성할 수 있다.
한편, 지능형 로봇 디바이스(100)는 주행의 제어에 필요한 데이터를 통신부(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 지능형 로봇 디바이스(100)로 전송할 수 있다. 지능형 로봇 디바이스(100)는 수신된 AI 프로세싱 데이터에 기초하여 공항 내에서 지능형 로봇 디바이스(100)의 움직임 제어에 이용할 수 있다.
주행 구동부(140)는 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함할 수 있다.
주행 구동부(140)는 프로세서(110)에서 수신되는 신호에 기초하여, 파워 트레인, 조향 장치 및 브레이크 장치를 제어할 수 있다. 상기 프로세서(110)에서 수신되는 신호는 AI 프로세서(113)에서 지능형 로봇 디바이스(100)와 관련 데이터를 신경망 모델을 적용함으로써, 생성되는 주행 제어 신호일 수 있다. 상기 주행 제어 신호는 통신부(190)를 통해 외부의 AI 장치(20)로부터 수신된 신호일 수도 있다.
센싱부(130)는 지능형 로봇 디바이스(100)의 상태를 센싱할 수 있다. 센싱부는 IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 자이로 센서, 포지션 모듈(position module), 로봇 전진/후진 센서, 배터리 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서 중 적어도 어느 하나를 포함할 수 있다. 한편, IMU(inertial measurement unit) 센서는, 가속도 센서, 자이로 센서, 자기 센서 중 하나 이상을 포함할 수 있다.
센싱부(130)는 장애물 인식부라 칭할 수 있다.
AI 프로세서(113)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 지능형 로봇 디바이스(100)의 상태 데이터를 생성할 수 있다. 상기 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는 로봇 모션 데이터, 로봇 요(yaw) 데이터, 로봇 롤(roll) 데이터, 로봇 피치(pitch) 데이터, 로봇 충돌 데이터, 로봇 방향 데이터, 로봇 각도 데이터, 로봇 속도 데이터, 로봇 가속도 데이터, 로봇 기울기 데이터, 로봇 전진/후진 데이터, 로봇의 중량 데이터, 배터리 데이터, 타이어 공기압 데이터, 로봇 내부 온도 데이터, 로봇 내부 습도 데이터, 스티어링 휠 회전 각도 데이터, 로봇 외부 조도 데이터, 가속 데이터, 브레이크 데이터 등을 포함할 수 있다.
프로세서(110)는 AI 프로세싱된 로봇의 상태 데이터에 기초하여 주행 제어 신호를 생성할 수 있다.
한편, 지능형 로봇 디바이스(100)는 상기 적어도 하나의 센서를 통해 획득된 센싱 데이터를 통신부(22)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 지능형 로봇 디바이스(100)로 전송할 수 있다.
위치 센싱부(180)는 지능형 로봇 디바이스(100)의 위치 데이터를 생성할 수 있다. 위치 센싱부(180)는 위치 인식부라 칭할 수 있다. 위치 인식부(180)는 GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다.
AI 프로세서(113)는 적어도 하나의 위치 인식부(180)에서 생성되는 위치 데이터에 신경망 모델을 적용함으로써, 보다 정확한 로봇의 위치 데이터를 생성할 수 있다.
본 발명의 일실시 예에 따라, AI 프로세서(113)는 센싱부(130)의 IMU(Inertial Measurement Unit) 및 카메라 영상 중 적어도 어느 하나에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 위치 데이터를 보정할 수 있다.
한편, 지능형 로봇 디바이스(100)는 위치 인식부(180)로부터 획득된 위치 데이터를 통신부(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신한 위치 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 지능형 로봇 디바이스(100)로 전송할 수 있다.
지능형 로봇 디바이스(100)는 내부 통신 시스템(미도시)을 포함할 수 있다. 지능형 로봇 디바이스(100)에 포함되는 복수의 전자 장치는 내부 통신 시스템(50)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(미도시)은 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.
프로세서(110)는 획득된 데이터에 기초하여, 주행을 위한 경로를 생성하고, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성할 수 있다.
프로세서(110)는 자동 비상 제동 시스템(AEB: Autonomous Emergency Braking), 전방 충돌 알림 시스템(FCW : Foward Collision Warning), 타겟 추종 보조 시스템(TFA : Target Following Assist), 사각 지대 감시 시스템(BSD : Blind Spot Detection), 자동 주차 시스템(APS : Auto Parking System), 보행자 충돌 알림 시스템(PD collision warning system), 나이트 비전 시스템(NV : Night Vision) 및 이용자 상태 모니터링 시스템(CSM : Client Status Monitoring) 및 이용자 정체 지원 시스템(CJA : Client Jam Assist) 중 적어도 어느 하나를 구현할 수 있다.
AI 프로세서(113)는 지능형 로봇 디바이스(100)에 구비된 적어도 하나의 센서, 외부 기기로부터 수신된 공항 이용자 관련 정보, 상기 지능형 로봇 디바이스(100)와 통신하는 다른 지능형 로봇 디바이스로부터 수신된 정보를 신경망 모델에 적용함으로써, 전술한 적어도 하나의 시스템의 기능들을 수행 가능한 제어 신호를 프로세서(110)로 전달할 수 있다.
또한, 지능형 로봇 디바이스(100)는 상기 다양한 시스템의 기능들을 수행하기 위한 적어도 하나의 데이터를 통신부(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신된 데이터에 신경망 모델(260)을 적용함으로써, 다양한 시스템의 기능을 수행할 수 있는 제어 신호를 지능형 로봇 디바이스(100)로 전달할 수 있다.
이상, 본 발명의 일실시 예에 따른 로봇 제어 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 따른 지능형 로봇 지능형 디바이스에 대한 구체적인 구성을 설명한다.
도 9는 본 발명의 일 실시 예에 따른 지능형 로봇 디바이스의 하드웨어 구성을 도시한 블록도이다.
도 9에 도시된 바와 같이, 본 발명의 일 실시 예에 의한 지능형 로봇 디바이스(100)의 프로세서는 마이컴(Micom)과 AP(Application Processor)로 분리된 칩으로 구성될 수 있다. 이에 한정되는 것은 아니며, 마이컴(Micom)과 AP(Application Processor)는 하나의 칩으로 구성될 수 있다.
마이컴(111)은 지능형 로봇 디바이스(100)의 하드웨어 중 배터리 등을 포함하는 전원부(120), 각종 센서들을 포함하는 장애물 인식부(130) 및 복수의 모터 및 휠들을 포함하는 주행 구동부(140)를 관리할 수 있다.
전원부(120)는 배터리 드라이버(battery Driver, 121) 및 리튬-이온 배터리(Li-Ion Battery, 122)를 포함할 수 있다. 배터리 드라이버(121)는 리튬-이온 배터리(122)의 충전과 방전을 관리할 수 있다. 리튬-이온 배터리(122)는 지능형 로봇 디바이스(100)의 구동을 위한 전원을 공급할 수 있다. 예를 들어, 리튬-이온 배터리(122)는 24V/102A 리튬-이온 배터리 2 개를 병렬로 연결하여 구성될 수 있다.
장애물 인식부(130)는 IR 리모콘 수신부(131), USS(132), Cliff PSD(133), ARS(134), Bumper(135) 및 OFS(136)를 포함할 수 있다.
IR 리모콘 수신부(131)는 지능형 로봇 디바이스(100)를 원격 조정하기 위한 IR(Infrared) 리모콘의 신호를 수신하는 센서를 포함할 수 있다.
USS(Ultrasonic sensor, 132)는 초음파 신호를 이용하여 장애물과 지능형 로봇 디바이스(100) 사이의 거리를 판단하기 위한 센서를 포함할 수 있다.
Cliff PSD(133)는 360도 전방향의 지능형 로봇 디바이스(100) 주행 범위에서 낭떠러지 또는 절벽 등을 감지하기 위한 센서를 포함할 수 있다.
ARS(Attitude Reference System, 134)는 지능형 로봇 디바이스(100)의 자세를 검출할 수 있는 센서를 포함할 수 있다. ARS(134)는 지능형 로봇 디바이스(100)의 회전량 검출을 위한 가속도 3축 및 자이로 3축으로 구성되는 센서를 포함할 수 있다.
Bumper(135)는 지능형 로봇 디바이스(100)와 장애물 사이의 충돌을 감지하는 센서를 포함할 수 있다. Bumper(135)에 포함되는 센서는 360도 범위에서 지능형 로봇 디바이스(100)와 장애물 사이의 충돌을 감지할 수 있다.
OFS(Optical Flow Sensor, 136)는 지능형 로봇 디바이스(100)의 주행 시 헛바퀴가 도는 현상 및 다양한 바닥 면에서 지능형 로봇 디바이스(100)의 주행 거리를 측정할 수 있는 센서를 포함할 수 있다.
주행 구동부(140)는 모터 드라이버(Motor Drivers, 141), 휠 모터(142), 회전 모터(143), 메인 브러시 모터(144), 사이드 브러시 모터(145) 및 석션 모터 (Suction Motor, 146)를 포함할 수 있다.
모터 드라이버(141)는 지능형 로봇 디바이스(100)의 주행 및 청소를 위한 휠 모터, 브러시 모터 및 석션 모터를 구동하는 역할을 수행할 수 있다.
휠 모터(142)는 지능형 로봇 디바이스(100)의 주행을 위한 복수의 바퀴를 구동시킬 수 있다. 회전 모터(143)는 지능형 로봇 디바이스(100)의 메인 바디 또는 지능형 로봇 디바이스(100)의 헤드부(미도시)의 좌우 회전, 상하 회전을 위해 구동되거나 지능형 로봇 디바이스(100)의 바퀴의 방향 전환 또는 회전을 위하여 구동될 수 있다.
메인 브러시 모터(144)는 공항 바닥의 오물을 쓸어 올리는 브러시를 구동시킬 수 있다. 사이드 브러시 모터(145)는 지능형 로봇 디바이스(100)의 바깥면 주변 영역의 오물을 쓸어 담는 브러시를 구동시킬 수 있다.
석션 모터(146)는 공항 바닥의 오물을 흡입하기 위해 구동될 수 있다.
AP(Application Processor, 112)는 지능형 로봇 디바이스(100)의 하드웨어 모듈 전체 시스템을 관리할 수 있다. AP(150)는 각종 센서들을 통해 들어온 위치 정보를 이용하여 주행을 위한 응용 프로그램 구동과 공항 이용자의 입출력 정보를 마이컴(111)으로 전송하여 모터 등의 구동을 수행하게 할 수 있다.
유저 인터페이스부(160)는 유저 인터페이스 프로세서(UI Processor, 161), 5G 라우터(5G Router, 162), WIFI SSID(163), 마이크 보드(164), 바코드 리더기(165), 터치 모니터(166) 및 스피커(167)를 포함할 수 있다. 유저 인터페이스부(160)는 디스플레이부라 칭할 수 있다.
유저 인터페이스 프로세서(161)는 공항 이용자의 입출력을 담당하는 유저 인터페이스부(160)의 동작을 제어할 수 있다.
5G 라우터(162)는 외부로부터 필요한 정보를 수신하고 공항 이용자에게 정보를 송신하기 위한 5G 통신을 수행할 수 있다.
WIFI SSID(163)는 WiFi의 신호 강도를 분석하여 특정 물체 또는 지능형 로봇 디바이스(100)의 위치 인식을 수행할 수 있다.
마이크 보드(164)는 복수의 마이크 신호를 입력 받아 음성 신호를 디지털 신호인 음성 데이터로 처리하고, 음성 신호의 방향 및 해당 음성 신호를 분석할 수 있다.
바코드 리더기(165)는 공항에서 사용되는 복수의 티켓에 기재된 바코드 정보를 리드할 수 있다.
터치 모니터(166)는 공항 이용자의 입력을 수신하기 위해 구성된 터치 패널 및 출력 정보를 표시하기 위한 모니터를 포함할 수 있다.
스피커(167)는 공항 이용자에게 특정 정보를 음성으로 알려 주는 역할을 수행할 수 있다.
사물 인식부(170)는 카메라(171), RGBD 카메라(172) 및 인식 데이터 처리 모듈(173)를 포함할 수 있다. 사물인식부(170)는 촬영부(170)라 칭할 수 있다.
카메라(171)는 2차원 영상을 기반으로 장애물을 인식하기 위한 센서일 수 있다. 장애물은 사람 또는 물체 등을 포함할 수 있다.
RGBD 카메라(Red, Green, Blue, Distance, 172)로서, RGBD 센서들을 갖는 카메라 또는 다른 유사한 3D 이미징 디바이스들로부터 획득되는 깊이(Depth) 데이터를 갖는 캡처된 이미지들을 이용하여 장애물을 검출하기 위한 센서일 수 있다.
인식 데이터 처리 모듈(173)은 2D 카메라(171) 및 RGBD 카메라(172)로부터 획득된 2D 이미지/영상 또는 3D 이미지/영상 등의 신호를 처리하여 장애물을 인식할 수 있다.
위치 인식부(180)는 스테레오 보드(Stereo B/D, 181), 라이더(Lidar, 182) 및 SLAM 카메라(183)를 포함할 수 있다. 위치 인식부(180)는 위치 센싱부(180)라 칭할 수 있다.
SLAM 카메라(Simultaneous Localization And Mapping 카메라, 183)는 동시간 위치 추적 및 지도 작성 기술을 구현할 수 있다.
지능형 로봇 디바이스(100)는 SLAM 카메라(183)를 이용하여 주변 환경 정보를 검출하고 얻어진 정보를 가공하여 임무 수행 공간에 대응되는 지도를 작성함과 동시에 자신의 절대 위치를 추정할 수 있다.
라이더(Light Detection and Ranging: Lidar, 182)는 레이저 레이더로서, 레이저 빔을 조사하고 에어로졸에 의해 흡수 혹은 산란된 빛 중 후방 산란된 빛을 수집, 분석하여 위치 인식을 수행하는 센서일 수 있다.
스테레오 보드(181)는 라이더(182) 및 SLAM 카메라(183) 등으로부터 수집되는 센싱 데이터를 처리 및 가공하여 지능형 로봇 디바이스(100)의 위치 인식과 장애물 인식을 위한 데이터 관리를 담당할 수 있다.
랜(LAN, 190)은 공항 이용자의 입출력 관련 유저 인터페이스 프로세서(161), 인식 데이터 처리 모듈(173), 스테레오 보드(181) 및 AP(150)와 통신을 수행할 수 있다.
도 10은 본 발명의 다른 일 실시 예에 따른 지능형 로봇 디바이스의 마이컴 및 AP의 구성을 자세하게 도시한 도면이다.
도 9에 도시된 바와 같이, 지능형 로봇 디바이스(100)의 인식 및 행동을 제어하기 위해서 프로세서(110, 도 8 참조)는 다양한 실시 예로 구현될 수 있다. 프로세서(110, 도 8 참조)는 마이컴(210)과 AP(220)를 포함할 수 있다. 도 9에서는 마이컴(210)과 AP(220)가 분리된 것을 설명하였으나, 이에 한정되는 것은 아니며, 하나로 형성될 수 있다.
일 예로서, 마이컴(210)은 데이터 액세스 서비스 모듈(Data Access Service Module, 215)을 포함할 수 있다.
데이터 액세스 서비스 모듈(215)은 데이터 획득 모듈(Data acquisition module, 211), 이머전시 모듈(Emergency module, 212), 모터 드라이버 모듈(Motor driver module, 213) 및 배터리 매니저 모듈(Battery manager module, 214)을 포함할 수 있다.
데이터 획득 모듈(211)은 지능형 로봇 디바이스(100)에 포함된 복수의 센서로부터 센싱된 데이터를 취득하여 데이터 액세스 서비스 모듈(215)로 전달할 수 있다.
이머전시 모듈(212)은 지능형 로봇 디바이스(100)의 이상 상태를 감지할 수 있는 모듈로서, 지능형 로봇 디바이스(100)가 기정해진 타입의 행동을 수행하는 경우에 이머전시 모듈(212)은 지능형 로봇 디바이스(100)가 이상 상태에 진입했음을 감지할 수 있다.
모터 드라이버 모듈(213)은 지능형 로봇 디바이스(100)의 주행 및 청소를 위한 휠, 브러시, 석션 모터의 구동 제어를 관리할 수 있다.
배터리 매니저 모듈(214)은 도 9의 리튬-이온 배터리(122)의 충전과 방전을 담당하고, 지능형 로봇 디바이스(100)의 배터리 상태를 데이터 액세스 서비스 모듈(215)에 전달할 수 있다.
AP(220)는 각종 카메라 및 센서들과 공항 이용자의 입력 등을 수신하고, 인식 가공하여 지능형 로봇 디바이스(100)의 동작을 제어할 수 있다.
인터랙션 모듈(221)은 인식 데이터 처리 모듈(173)로부터 수신하는 인식데이터와 유저 인터페이스 모듈(222)로부터 수신하는 공항 이용자의 입력을 종합하여, 공항 이용자와 지능형 로봇 디바이스(100)가 상호 교류할 수 있는 소프트웨어(Software)를 총괄하는 모듈일 수 있다.
유저 인터페이스 모듈(222)은 지능형 로봇 디바이스(100)의 현재 상황 및 조작/정보 제공 등을 위한 모니터인 디스플레이(223)와 키(key), 터치 스크린, 리더기 등과 같은 공항 이용자의 근거리 명령을 수신하거나, 지능형 로봇 디바이스(100)를 원격 조정을 위한 IR 리모콘의 신호와 같은 원거리 신호를 수신하거나, 마이크 또는 바코드 리더기 등으로부터 공항 이용자의 입력 신호를 수신하는 사용자 입력부(224)로부터 수신되는 공항 이용자의 입력을 관리할 수 있다.
적어도 하나 이상의 공항 이용자의 입력이 수신되면, 유저 인터페이스 모듈(222)은 상태 관리 모듈(State Machine module, 225)로 공항 이용자의 입력 정보를 전달할 수 있다. 공항 이용자의 입력 정보를 수신한 상태 관리 모듈(225)은 지능형 로봇 디바이스(100)의 전체 상태를 관리하고, 공항 이용자의 입력 대응하는 적절한 명령을 내릴 수 있다.
플래닝 모듈(226)은 상태 관리 모듈(225)로부터 전달받은 명령에 따라서 지능형 로봇 디바이스(100)의 특정 동작을 위한 시작과 종료 시점/행동을 판단하고, 지능형 로봇 디바이스(100)가 어느 경로로 이동해야 하는지를 계산할 수 있다.
네비게이션 모듈(227)은 지능형 로봇 디바이스(100)의 주행 전반을 담당하는 것으로서, 플래닝 모듈(226)에서 계산된 주행 루트에 따라서 지능형 로봇 디바이스(100)가 주행하게 할 수 있다. 모션 모듈(228)은 주행 이외에 기본적인 지능형 로봇 디바이스(100)의 동작을 수행하도록 할 수 있다.
또한, 본 발명의 다른 일 실시 예에 의한 지능형 로봇 디바이스(100)는 위치 인식부(230)를 포함할 수 있다. 위치 인식부(230)는 상대 위치 인식부(231)와 절대 위치 인식부(234)를 포함할 수 있다.
상대 위치 인식부(231)는 RGM mono(232) 센서를 통해 지능형 로봇 디바이스(100)의 이동량 또는 이동 거리를 보정하고, 일정한 시간 동안 지능형 로봇 디바이스(100)의 이동량 또는 이동 거리를 계산할 수 있고, LiDAR(233)를 통해 현재 지능형 로봇 디바이스(100)의 주변 환경을 인식할 수 있다.
절대 위치 인식부(234)는 Wifi SSID(235) 및 UWB(236)을 포함할 수 있다. Wifi SSID(235)는 지능형 로봇 디바이스(100)의 절대 위치 인식을 위한 UWB 센서 모듈로서, Wifi SSID 감지를 통해 현재 위치를 추정하기 위한 WIFI 모듈이다. Wifi SSID(235)는 Wifi의 신호 강도를 분석하여 지능형 로봇 디바이스(100)의 위치를 인식할 수 있다. UWB(236)는 발신부와 수신부 사이의 거리를 계산하여 지능형 로봇 디바이스(100)의 절대적 위치를 센싱할 수 있다.
또한, 본 발명의 다른 일 실시 예에 의한 지능형 로봇 디바이스(100)는 맵 관리 모듈(240)을 포함할 수 있다.
맵 관리 모듈(240)은 그리드 모듈(Grid module, 241), 패스 플래닝 모듈(Path Planning module, 242) 및 맵 분할 모듈(243)을 포함할 수 있다.
그리드 모듈(241)은 지능형 로봇 디바이스(100)가 SLAM 카메라를 통해 생성한 격자 형태의 지도 혹은 사전에 미리 지능형 로봇 디바이스(100)에 입력된 위치 인식을 위한 주변 환경의 지도 데이터를 관리할 수 있다.
패스 플래닝 모듈(242)은 복수의 지능형 로봇 디바이스(100) 사이의 협업을 위한 맵 구분에서, 지능형 로봇 디바이스(100)의 주행 경로 계산을 담당할 수 있다.
또한, 패스 플래닝 모듈(242)은 지능형 로봇 디바이스(100) 한 대가 동작하는 환경에서 지능형 로봇 디바이스가 이동해야 할 주행 경로도 계산할 수 있다.
맵 분할 모듈(243)은 복수의 지능형 로봇 디바이스(100)이 각자 담당해야 할 구역을 실시간으로 계산할 수 있다.
위치 인식부(230) 및 맵 관리 모듈(240)로부터 센싱되고 계산된 데이터들은 다시 상태 관리 모듈(225)로 전달될 수 있다. 상태 관리 모듈(225)은 위치 인식부(230) 및 맵 관리 모듈(240)로부터 센싱되고 계산된 데이터들에 기초하여, 지능형 로봇 디바이스(100)의 동작을 제어하도록 플래닝 모듈(226)에 명령을 내릴 수 있다.
이하에서는, 상술한 지능형 로봇 디바이스(100)가 공항 내에 배치되어 이용자에게 제공하는 길 안내 서비스에 대한 다양한 실시 예들에 대해 설명하기로 한다.
도 11은 본 발명의 일 실시 예에 따라 공항 내에 배치되는 복수의 지능형 로봇 디바이스 및 복수의 카메라를 설명하기 위한 도이고, 도 12는 본 발명의 일 실시 예에 따라 공항 내를 복수의 구역으로 구분하는 것을 설명하기 위한 도이다.
도 11 및 도 12를 참조하면, 복수의 지능형 로봇 디바이스(100)는 공항 내에 배치될 수 있다. 복수의 지능형 로봇 디바이스(100) 각각은 안내, 순찰, 청소, 또는 방역 등과 같은 각종 서비스를 제공할 수 있고, 복수의 지능형 로봇 디바이스(100) 각각은 길 안내 서비스 또는 고객과 공항 이용자에게 다양한 정보를 제공할 수 있다. 본 발명의 실시 예에 따르면, 복수의 지능형 로봇 디바이스(100)는 공항 내의 구역들에 분산 배치됨으로써, 보다 효율적으로 공항 서비스를 제공할 수 있다.
복수의 지능형 로봇 디바이스(100) 각각은, 공항의 구역 내를 이동하면서 길 안내 서비스를 제공할 수 있다. 예를 들어, 제Z1 구역에 배치된 제1 지능형 로봇 디바이스는 제 Z1 구역 내에서만 이동하며 길 안내 서비스를 제공할 수 있다.
또한, 공항 내에는 복수의 카메라(400)가 배치될 수 있다. 복수의 카메라(400) 각각은 공항 내에 있는 복수의 지능형 로봇 디바이스(100), 고객 또는 공항 이용자를 촬영하고, 이들에 대한 현재 위치 그리고 이들의 이동 경로 등과 같은 각종 이동 또는 위치 서비스를 제공할 수 있다.
본 발명의 실시 예에 따르면, 복수의 카메라(400)는 공항 내의 구역들에 분산 배치됨으로써, 보다 정확하고 효율적인 공항 서비스를 제공할 수 있다.
도 12를 살펴보면, 본 발명의 일 실시 예에 따른 서버(300, 도 6 참조)는 공항의 내부를 복수의 구역들로 구획할 수 있다. 서버(300, 도 6 참조)는 복수의 구역들을 제Z1 구역 내지 제Z17 구역으로 설정하고, 구분된 제Z1 구역 내지 제Z17 구역 각각에 적어도 하나의 지능형 로봇 디바이스(100)를 배치할 수 있다.
서버(300)는 공항 내의 각종 정보(예컨대, 비행 스케쥴, 구역별 공항 이용자 밀도 등)에 기초하여 구역들을 소정 시간마다 변경할 수도 있다. 서버(300)는 공항 내에 배치되는 복수의 카메라(400)를 제어하여 촬영되는 구역 또는 영역 범위를 다르게 설정할 수 있다. 예를 들어, 평소에는 제Z1 구역을 촬영하는 제1 카메라가 서버(300)의 제어 하에 제Z1 구역보다 작은 구역 범위를 촬영할 수 있다. 또는 제Z1 구역과 인접된 제Z2 구역을 촬영하는 제2 카메라가 서버(300)의 제어 하에 제Z2 구역보다 넓은 구역 범위를 촬영할 수 있다.
또한, 서버(300)는 시간마다 변경되는 구역마다 적어도 하나의 지능형 로봇 디바이스(100)를 조정하여 재배치할 수 있다.
또한, 복수의 지능형 로봇 디바이스(100) 각각은, 각 단위 구역에 대한 공항 이용자의 정보에 기초하되, 공항 이용자의 이동 경로 데이터, 이동 예측 데이터 등을 학습하여, 학습된 결과를 기반으로 공항 서비스를 필요로 하는 공항 이용자를 추측 또는 예측하여 접근함으로써, 보다 개선된 공항 서비스를 제공할 수 있다.
도 13은 본 발명의 일 실시 예에 따라 복수의 카메라가 다양한 위치에 배치되는 것을 설명하기 위한 도면이다.
도 13을 살펴보면, 본 발명의 실시 예에 따라 복수의 카메라는 제Z11 구역에 다양한 위치에 배치될 수 있다. 복수의 카메라는 제1 카메라(C1) 내지 제4 카메라(C4)를 포함할 수 있다.
제1 카메라(C1)는 제Z11 구역의 제1 코너에 배치될 수 있다. 예를 들어, 제1 코너는 제Z11 구역의 왼쪽 방향의 후방에 배치될 수 있다. 제2 카메라(C2)는 제Z11 구역의 제2 코너에 배치될 수 있다. 예를 들어, 제2 코너는 제Z11 구역의 오른쪽 방향의 후방에 배치될 수 있다. 제3 카메라(C3)는 제Z11 구역의 제3 코너에 배치될 수 있다. 예를 들어, 제3 코너는 제Z11 구역의 왼쪽 방향의 전방에 배치될 수 있다. 제4 카메라(C4)는 제Z11 구역의 제4 코너에 배치될 수 있다. 예를 들어, 제4 코너는 제Z11 구역의 오른쪽 방향의 전방에 배치될 수 있다.
제1 카메라(C1) 내지 제4 카메라(C4) 각각은 360도 방향으로 회전하면서 제Z11 구역의 전체를 한군데도 빠짐없이 촬영할 수 있다. 또한, 제1 카메라(C1) 내지 제4 카메라(C4)는 지능형 로봇 디바이스(100, 도 6 참조), 공항 이용자 중 하나를 타켓으로 설정하고 촬영하는 경우, 제Z11 구역의 일부 영역을 중첩하여 촬영할 수 있다.
그리고 제Z11 구역에 배치되는 제1 카메라(C1) 내지 제4 카메라(C4)는 다양한 각도 또는 방향으로 제Z11 구역을 촬영할 수 있다.
상술한 바와 같이, 제Z11 구역은 제Z11 구역에 배치되는 제1 카메라(C1) 내지 제4 카메라(C4)의 위치에 따라 다양한 각도 또는 방향으로 촬영될 수 있다.
도 14는 본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 흐름도이다.
본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법은 도 1 내지 13을 참조하여 설명한 기능을 포함하는 지능형 로봇 디바이스, 또는 지능형 로봇 디바이스를 제어하는 서버에서 구현될 수 있다.
프로세서(110, 도 8 참조)는 공항 이용자의 움직임 정보를 획득할 수 있다(S110). 공항 이용자는 사용자라 칭할 수 있다. 예를 들어, 프로세서(110)는 통신부(110, 도 8 참조)를 이용하여 외부 장치(예를 들어, 서버, 다른 지능형 로봇 디바이스)로부터 공항 이용자의 움직임 정보를 제공 또는 전송 받을 수 있다.
프로세서(110)는 공항에 배치되는 적어도 하나 이상의 카메라를 통해 공항 이용자의 움직임 정보를 획득할 수 있다. 프로세서(110, 도 8 참조)는 촬영된 이미지에서 복수의 사용자를 추적하여 복수의 사용자의 움직임 정보를 획득할 수 있다. 또는 프로세서(110)는 내부에 배치되는 적어도 하나 이상의 센서로부터 공항 이용자의 움직임 정보를 획득할 수 있다. 적어도 하나의 센서는 지능형 로봇 디바이스 내부에 구비된 적어도 하나의 카메라일 수 있다. 예를 들어, 카메라는 지능형 로봇 디바이스를 전후 좌우 방향에서 촬영하도록 배치될 수 있다.
프로세서는 공항 이용자의 움직임 정보에 기초하여, 공항 이용자의 방황 상태를 판단할 수 있다(S130).
프로세서(110)는 공항에 배치되는 카메라 또는 내부에 장착된 카메라로부터 획득되는 영상을 학습 또는 분석함으로써, 공항 이용자의 움직임 정보를 추출 또는 산출할 수 있다. 예를 들어, 공항 이용자의 움직임 정보는 공항 이용자의 방향성, 공항 이용자의 방향값, 공항 이용자의 이동 경로, 공항 이용자의 이동 경로의 기울기, 공항 이용자의 이동 속도를 포함할 수 있다.
프로세서(110)는 학습된 공항 이용자의 움직임 정보를 기초하여 공항 이용자의 방황 여부 상태를 판단할 수 있다. 예를 들어, 프로세서(110)는 공항 이용자의 방향성 또는 공항 이용자의 방향값이 설정된 기준치 이상을 초과하는 경우, 공항 이용자를 방황 상태로 판단할 수 있다. 또한, 예를 들어, 공항 이용자의 기울기가 설정된 기준치 이상을 초과하는 경우, 공항 이용자를 방황 상태로 판단할 수 있다. 또한, 예를 들어, 공항 이용자의 이동 속도가 설정된 이동 속도보다 낮을 경우 방황 상태로 판단할 수 있다. 즉, 프로세서는 공항 이용자가 목적지를 정확하게 알고 이동할 때 공항 이용자의 방향성, 방향값, 기울기 또는 이동 속도를 기준값으로 설정하고, 설정된 기준값에 카메라를 통해 획득되는 영상을 분석하고, 분석된 결과를 학습할 수 있다. 공항 이용자의 방황 상태를 판단하는 구체적인 과정은 도 15에서 후술한다. 전술한 바와 같이, 공항 이용자의 움직임 정보에 기초하여 방황 상태를 판단은 지능형 로봇 디바이스 자체에서 이루어지거나, 5G 네트워크에서 이루어질 수 있다.
프로세서(110)는 공항 이용자의 방황 상태를 인식하는 경우, 공항 이용자를 향해 이동할 수 있다(S150). 프로세서(110)는 판단된 사용자의 방황 여부 상태에 따라 사용자에게 지능형 로봇 디바이스의 접근 여부를 결정할 수 있다. 프로세서(110)는 방황 상태인 공항 이용자를 목표물을 설정할 수 있다. 프로세서(110)는 방황 상태인 공항 이용자를 목표물로 설정하고, 주행 구동부(140, 도 8 참조)를 제어하여 설정된 목표물을 향하여 이동할 수 있다. 프로세서(110)는 통신부(190, 도 8 참조)로부터 방황하는 공항 이용자의 좌표를 제공받아, 제공된 좌표를 기반으로 이동할 수 있다. 프로세서(110)는 방황하는 공항 이용자를 향하여 주행 또는 이동하되, 실시간으로 변경되는 공항 이용자의 좌표 값을 반영하여 주행 또는 이동할 수 있다.
프로세서(110)는 주행되는 동안 카메라(170, 도 8 참조)를 통해 촬영된 다양한 정보를 제공받음으로써, 주변 상황 또는 장애물을 피하면서 주행할 수 있다.
이때 프로세서(110)는 주행 구동부(140)를 제어하여, 공항 이용자까지 가는 지능형 로봇 디바이스의 이동 속도, 이동 방향 등을 제어할 수 있다.
도 15는 본 발명의 일실시 예에서 공항 이용자의 방황 상태를 판단하는 예를 설명하기 위한 도면이다.
도 15를 참조하면, 프로세서(110)는 공항 이용자의 방황 상태를 판단하기 위하여 적어도 하나의 센서를 통해 획득되는 센싱 정보로부터 특징값들을 추출할 수 있다(S131)
예를 들어, 프로세서(110)는 통신부(190)를 이용하여 공항 내에 배치되는 복수의 카메라로부터 공항 이용자의 움직임 정보를 수신할 수 있다. 프로세서(110)는 공항 이용자의 움직임로부터 특징값을 추출할 수 있다. 상기 특징값은 공항 이용자의 움직임에서 추출할 수 있는 적어도 하나의 특징들 중에서 공항 이용자의 방황 상태 여부를 구체적으로 나타내는 것으로 판정된 것이다.
프로세서(110)는 특징값들을 공항 이용자가 방황 상태인지 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S133).
프로세서는 추출된 특징값이 결합되어 방황 검출 입력을 생성할 수 있다. 상기 방황 검출 입력은, 추출된 특징값에 기초하여 공항 이용자의 방황 상태를 구별하도록 트레이딩된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서는 인공 신경망의 출력값을 분석하고(S135), 상기 인공 신경망 출력값에 기초하여 공항 이용자의 방황 상태를 판단할 수 있다(S137).
프로세서(110)는 상기 인공 신경망 분류기의 출력으로부터 운전자가 졸기 시작하는지, 또는 졸음 상태에 있는지를 식별할 수 있다.
한편, 도 15에서는 AI 프로세싱을 통해 공항 이용자의 방황 상태를 식별하는 동작이 지능형 로봇 디바이스(100)의 프로세싱에서 구현되는 예를 설명하였으나, 본 발명은 이에 한정되지 않는다. 예를 들어, 상기 AI 프로세싱은 지능형 로봇 디바이스(100)로부터 수신된 센싱 정보에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 16은 본 발명의 일실시 예에서 공항 이용자의 방황 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
프로세서(110)는 공항 이용자의 움직임 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 프로세서(110)는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 통신부를 제어할 수 있다.
AI 프로세싱된 정보는, 공항 이용자의 방황 상태인지 여부를 판단한 정보일 수 있다.
한편, 지능형 로봇 디바이스는 5G 네트워크로 공항 이용자의 방황 상태 정보를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 지능형 로봇 디바이스는 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 지능형 로봇 디바이스는 무선 통신부를 통해 지능형 로봇 디바이스의 내부에 구비된 적어도 하나의 센서 또는 카메라 또는 공항에 설치되는 복수의 카메라로부터 획득되는 공항 이용자의 움직임 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서는 DCI에 기초하여 공항 이용자의 움직임 정보를 네트워크로 전송할 수 있다.
공항 이용자의 움직임 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 16을 참조하면, 지능형 로봇 디바이스는 공항 이용자의 움직임 정보로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S300).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 획득되거나 수신된 공항 이용자의 움직임 정보에 기초하여 AI 프로세싱을 수행할 수 있다(S310).
AI 시스템은 지능형 로봇 디바이스로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S311). AI 시스템은 ANN 출력값을 분석하고(S312), ANN 출력값으로부터 공항 이용자의 방황 상태를 판단할 수 있다(S313). 5G 네트워크는 AI 시스템에서 판단한 공항 이용자의 방황 상태에 대한 정보를 무선 통신부를 통해 지능형 로봇 디바이스로 전송할 수 있다.
여기서 공항 이용자의 방황 상태에 대한 정보는 공항 이용자가 방황 상태인지 방황이 아닌 상태인지 등을 포함할 수 있다.
AI 시스템은 공항 이용자가 방황 상태로 판단한 경우(S314), 지능형 로봇 디바이스를 방황 상태인 공항 이용자에게 이동 또는 파견되도록 제어할 수 있다.
AI 시스템은 방황 상태로 판단한 경우, 우선 순위를 결정할 수 있다(S315). 또한, AI 시스템은 우선 순위와 관련된 정보(또는 신호)를 지능형 로봇 디바이스로 전송할 수 있다.
한편, 지능형 로봇 디바이스는 공항 이용자의 움직임 정보만을 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 상기 공항 이용자의 움직임 정보로부터 공항 이용자의 방황 상태를 판단하기 위한 인공 신경망의 입력으로 이용될 방황 검출 입력에 대응하는 특징값을 추출할 수도 있다.
도 17은 본 발명의 일실시 예에 따른 행동 방향성 인식기반 서비스 요구자 식별 방법의 일 예를 설명하기 위한 도이다. 도 18은 본 발명의 일실시 예에 따라 공항 이용자의 방향성을 설명하기 위한 도이다.
도 17을 살펴보면, 관제 시스템은 공항 내를 이동하는 복수의 공항 이용자들 중에서 방황 상태인 공항 이용자를 감지하고, 감지된 공항 이용자의 주변 또는 근처로 지능형 로봇 디바이스를 이동시킬 수 있다.
관제 시스템은 지능형 로봇 디바이스에 공항 이용자의 움직임에 대한 정보를 실시간으로 전송할 수 있다. 관제 시스템은 공항 내의 배치되는 다수의 공항 카메라를 이용하여 공항 내를 돌아다니거나 이동 중인 복수의 공항 이용자를 감지 또는 촬영하여 공항 서비스를 원하는 공항 이용자를 추출 또는 파악할 수 있다(S410).
프로세서는 서버로부터 공항 이용자의 움직임 정보를 전송 받을 수 있다. 프로세서는 전송 받은 공항 이용자의 루트를 파악할 수 있다. 즉, 프로세서는 공항 내의 CCTV로부터 전송되는 공항 이용자의 움직임 정보를 통해 공항 이용자의 루트를 파악할 수 있다(S420).
프로세서는 공항 이용자의 움직임 정보를 학습하여, 공항 이용자의 방황 상태를 추출 또는 도출할 수 있다(S430). 이에 대한 자세한 설명은 도 15 및 도 16에서 자세히 설명하였으므로 생략하기로 한다. 예를 들어, 프로세서는 공항 이용자의 움직임 정보에 대한 특징값을 추출하여 학습함으로써, 공항 이용자의 방향성을 도출할 수 있다.
프로세서는 추출된 특징값으로부터 공항 이용자의 방향성을 인식할 수 있다(S440). 예를 들어, 도 18의 (a)에 도시된 바와 같이, 프로세서는 추출된 특징값으로부터 학습된 결과로부터 공항 이용자의 방향성이 도출되지 않을 경우, 공항 이용자가 목적지를 찾지 못하거나 목적지가 없어서 방황하는 방황 상태로 인식할 수 있다(S460). 이에 프로세서는 주행 구동부를 제어하여 공항 서비스 요구자를 향해 이동할 수 있다(S490).
이와 달리 도 18의 (b)에 도시된 바와 같이, 프로세서는 추출된 특징값으로부터 학습된 결과로부터 공항 이용자의 방향성이 도출되는 경우, 공항 이용자가 목적지를 향해 가고 있는 정상 상태로 판단할 수 있다(S450).
도 19는 도 18에 도시된 공항 이용자의 방향성을 이동 경로의 기울기로 설명하기 위한 도이다.
도 19에 도시된 바와 같이, 프로세서는 공항 이용자의 이동 경로에서 이동 경로의 기울기를 통해 방향성을 분석할 수 있다. 즉, 프로세서는 이동 경로의 기울기를 분석하여, 공항 이용자의 방향성을 추출 또는 도출할 수 있다. 프로세서는 공항 이용자가 이동 경로가 일직선이 아니더라도 한 방향으로 이동 또는 걸어가고 있을 경우 방향성이 있다고 인식할 수 있다.
프로세서는 인식된 공항 이용자의 방향성을 분석하여, 공항 이용자의 방향성이 일정한지 또는 일정하지 않은지 판단할 수 있다(S440). 프로세서는 인식된 공항 이용자의 방향성이 일정하다고 판단되면, 공항 서비스 비요구자로 분류할 수 있다. 프로세서는 일정한 방향성을 가지고 이동하는 공항 이용자라고 판단되면(S440), 공항 서비스를 제공할 필요가 없는 공항 서비스 비 요구자로 분류할 수 있다(S450).
프로세서는 인식된 공항 이용자의 방향성이 일정하지 않다고 판단되면, 공항 서비스 요구자로 분류할 수 있다. 프로세서는 공항 이용자가 공항 내에서 일정하지 않은 방향성을 가지면서 이동한다고 판단되면(S440), 공항 서비스를 제공할 필요가 있는 공항 서비스 요구자로 분류할 수 있다(S460). 이에 프로세서는 주행 구동부를 제어하여 공항 서비스 요구자를 향해 이동할 수 있다.
도 20 및 도 21은 본 발명의 일실시 예에 따라 방황하는 공항 이용자와 관련된 동행자를 추출하는 방법을 설명하기 위한 도이다.
도 20에 도시된 바와 같이, 프로세서는 공항 서비스 요구자를 중심으로 일정한 범위 내에 실질적으로 동일하거나 비슷한 이동 경로로 움직이는 다른 공항 이용자를 추출 또는 감지할 수 있다(S470).
프로세서는 공항 이용자와 실질적으로 동일한 이동 경로 또는 이동 패턴으로 움직이는 다른 공항 이용자를 추출 또는 감지할 경우, 다른 공항 이용자를 공항 이용자와 일행인 동행자라 판단(S470)하고, 공항 이용자와 다른 공항 이용자를 하나의 그룹으로 설정할 수 있다. 예를 들어, 공항 이용자는 제1 사용자라 칭할 수 있고, 다른 공항 이용자는 제2 사용자라 칭할 수 있다.
도 21의 (a)에 도시된 바와 같이, 프로세서는 공항 이용자의 주변 또는 근처에서 공항 이용자와 실질적으로 비슷한 방향성 또는 방향성 값을 가지는 다른 공항 이용자가 있을 경우, 다른 공항 이용자를 공항 이용자의 동행자로 판단할 수 있다(S480).
프로세서는 지능형 로봇 디바이스를 방황 상태인 공항 이용자 또는 공항 이용자의 주변으로 이동하도록 제어할 수 있다. 또는 도 21의 (b)에 도시된 바와 같이, 프로세서는 공항 내에서 다수의 공항 이용자 중 방황 상태인 공항 이용자가 공항 이용자의 그룹으로 인식되는 경우, 공항 이용자의 그룹 또는 공항 이용자의 그룹 주변으로 이동하도록 제어할 수 있다(S490).
도 22는 본 발명의 일실시 예에 따라 공항 이용자의 방향성을 추적하여 판단하는 것을 설명하기 위한 도이다.
도 22에 도시된 바와 같이, 공항 내에 배치되는 다수의 카메라는 공항 내에 움직이는 공항 이용자를 연속해서 촬영하고, 이들의 움직임을 계속해서 감지할 수 있다.
도 22에 도시된 바와 같이, 지능형 로봇 디바이스는 복수의 공항 이용자 중 선택된 공항 이용자의 움직임 정보를 제공받아, 공항 이용자의 이동 거리, 이동 방향을 체크할 수 있다. 프로세서는 선택된 공항 이용자의 움직임 정보를 일정한 시간 동안으로 트래킹할 수 있다.
예를 들어, 도 22의 (a)에 도시된 바와 같이, 지능형 로봇 디바이스는 선택된 공항 이용자의 움직임 정보를 소정의 시간 동안 적어도 3번 이상을 감지한 후, 이를 기초로 공항 이용자의 방향성을 추출 또는 산출할 수 있다. 예를 들어, 지능형 로봇 디바이스는 선택된 공항 이용자가 0초~10초 동안 제1 방향을 향해 이동하고, 10초~30초 동안 제2 방향을 향해 이동하고, 30초~60초 동안 제3 방향을 향해 이동하고, 60초~120초 동안 제4 방향을 향해 이동할 경우, 공항 이용자의 방향성이 없다고 판단할 수 있다. 지능형 로봇 디바이스는 제1 방향 내지 제4 방향에 대한 기울기를 산출하고, 산출된 기울기가 기설정된 범위를 벗어난 경우, 제1 방향 내지 제4 방향이 서로 다른 방향이라고 판단할 수 있다. 지능형 로봇 디바이스는 판단된 결과에 따라 공항 이용자의 방향성이 없다고 결정할 수 있다.
이에 지능형 로봇 디바이스는 촬영된 영상을 통해 공항 서비스를 필요로 하는 공항 이용자를 서칭하고, 서칭된 공항 이용자의 움직임 정보에 기초하여 판단하고, 판단된 결과에 대응하여 방황 상태인 공항 이용자에게 먼저 접근함으로써, 신속하고 정확한 공항 서비스와 공항의 편의성을 제공할 수 있다.
예를 들어, 도 22의 (b)에 도시된 바와 같이, 지능형 로봇 디바이스는 선택된 공항 이용자가 0초~10초 동안 제1-1 방향을 향해 이동하고, 10초~30초 동안 제1-2 방향을 향해 이동하고, 30초~60초 동안 제1-3 방향을 향해 이동하고, 60초~120초 동안 제1-4 방향을 향해 이동할 경우, 공항 이용자의 방향성이 있다고 판단할 수 있다. 지능형 로봇 디바이스는 제1-1 방향 내지 제1-4 방향에 대한 기울기를 산출하고, 산출된 기울기가 기설정된 범위 내에 포함된 경우, 제1-1 방향 내지 제1-4 방향이 실질적으로 동일한 방향이라고 판단할 수 있다. 지능형 로봇 디바이스는 공항 이용자의 방향성이 있다고 결정할 수 있다.
이에 지능형 로봇 디바이스는 촬영된 영상을 통해 공항 서비스를 필요로 하는 공항 이용자를 서칭하고, 서칭된 공항 이용자의 움직임 정보에 기초하여 판단하고, 판단된 결과에 대응하여 정상 상태인 공항 이용자를 제외시킴으로써, 공항 서비스를 필요로 하는 공항 이용자에게 양질의 공항 서비스를 제공할 수 있다.
도 23 내지 도 25는 본 발명의 일실시 예에 따라 공항 이용자의 방향성과 움직임을 조합하여 판단하는 것을 설명하기 위한 도이다.
도 23을 살펴보면, 지능형 로봇 디바이스는 공항 이용자의 움직임 정보를 기초로 학습하고, 학습된 결과에 따라 공항 이용자의 방황 상태 또는 정상 상태를 판단할 수 있다. 공항 이용자의 움직임 정보는 공항 이용자의 방향성, 공항 이용자의 현재 위치인 좌표 그리고 공항 이용자의 움직임을 포함할 수 있다.
공항 내에 다수의 공항 이용자 중 지능형 로봇 디바이스는 공항 이용자 A 내지 공항 이용자 F 각각을 트래킹할 수 있다.
도 24 및 도 25를 살펴보면, 트랙킹된 공항 이용자 A가 (3, 10) 좌표에 위치하고, 움직임이 있으나 방향성이 없을 경우, 지능형 로봇 디바이스는 방향성 없이 움직이고 있는 공항 이용자 A를 방황 상태라고 판단할 수 있다. 이에 지능형 로봇 디바이스는 공항 이용자 A를 서비스 요구자로 설정할 수 있다.
트랙킹된 공항 이용자 B가 (3, 8) 좌표에 위치하고, 움직임이 있으나 방향성이 없을 경우, 지능형 로봇 디바이스는 방향성 없이 움직이고 있는 공항 이용자 B를 방황 상태라고 판단할 수 있다. 그리고 지능형 로봇 디바이스는 공항 이용자 A와 공항 이용자 B가 근처 범위에 위치하고 방향성없이 움직이고 있다는 정보를 기초로, 공항 이용자 A와 공항 이용자 B를 동일한 그룹으로 판단할 수 있다. 이에 지능형 로봇 디바이스는 공항 이용자 A와 공항 이용자 B를 함께 서비스 요구자로 설정할 수 있다.
트랙킹된 공항 이용자 C가 (4, 26) 좌표에 위치하고, 우측 방향으로 이동하고 있는 경우, 지능형 로봇 디바이스는 일정한 방향성을 가지면서 움직이는 공항 이용자 C를 정상 상태라고 판단할 수 있다. 지능형 로봇 디바이스는 공항 이용자 C가 목적지를 향해 움직이고 있다고 판단할 수 있다. 이에 지능형 로봇 디바이스는 공항 이용자 C를 서비스 요구자에서 제외하고, 서비스 비요구자로 설정할 수 있다.
트랙킹된 공항 이용자 D가 (5, 23) 좌표에 위치하고, 좌측 방향으로 이동하고 있는 경우, 지능형 로봇 디바이스는 일정한 방향성을 가지면서 움직이는 공항 이용자 D를 정상 상태라고 판단할 수 있다. 지능형 로봇 디바이스는 공항 이용자 D가 목적지를 향해 움직이고 있다고 판단할 수 있다. 이에 지능형 로봇 디바이스는 공항 이용자 D를 서비스 요구자에서 제외하고, 서비스 비요구자로 설정할 수 있다.
또한, 트랙킹된 공항 이용자 E가 (23, 8) 좌표에 위치하고, 움직임이 없을 경우, 지능형 로봇 디바이스는 기설정된 시간 동안 움직임이 없는 공항 이용자 E를 정상 상태라고 판단할 수 있다. 이에 지능형 로봇 디바이스는 공항 이용자 E를 서비스 비요구자로 설정할 수 있다.
트랙킹된 공항 이용자 F가 (23, 7) 좌표에 위치하고, 움직임이 없을 경우, 지능형 로봇 디바이스는 기설정된 시간 동안 움직임이 없는 공항 이용자 F를 정상 상태라고 판단할 수 있다. 이에 지능형 로봇 디바이스는 공항 이용자 F를 서비스 비요구자로 설정할 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 (11)
- 촬영된 이미지에서 복수의 사용자를 추적하여 상기 복수의 사용자의 움직임 정보를 획득하는 단계;
획득된 상기 복수의 사용자의 움직임 정보를 학습하는 단계;
학습된 상기 사용자의 움직임 정보에 기초하여 상기 사용자의 방황 여부 상태를 판단하는 단계; 및
판단된 상기 사용자의 방황 여부 상태에 따라 상기 사용자에게 지능형 로봇 디바이스의 접근 여부를 결정하는 단계;
를 포함하는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제1 항에 있어서,
상기 복수의 사용자는 제1 사용자와 제2 사용자를 포함하고,
학습된 상기 제1 사용자의 움직임 정보와 학습된 상기 제2 사용자의 움직임 정보를 비교하고, 비교된 결과가 기설정된 범위에 포함되면, 상기 제1 사용자와 상기 제2 사용자를 동일한 그룹으로 그룹핑하는 단계;를 포함하는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제1 항에 있어서,
상기 사용자의 움직임 정보는,
상기 사용자의 방향성, 상기 사용자의 방향값, 상기 사용자의 이동 경로, 상기 사용자의 이동 경로의 기울기, 상기 사용자의 이동 속도 중 적어도 하나를 포함하는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제1 항에 있어서,
학습된 상기 사용자의 움직임 정보에 기초하여 상기 사용자의 방황 여부 상태를 판단하는 단계는,
상기 사용자의 움직임 정보로부터 특징값들을 추출하는 단계;
상기 특징값들을 상기 사용자가 방황 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및
상기 인공 신경망의 출력으로부터 상기 사용자의 방황 여부 상태를 판단하는 단계;를 포함하는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제4 항에 있어서,
상기 특징값들은, 상기 사용자의 방황 여부 상태를 구분할 수 있는 값들인 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제1 항에 있어서,
상기 지능형 로봇 디바이스의 접근 여부를 결정하는 단계;
학습된 결과에 기초하여 상기 사용자가 방황 상태라고 판단되면, 상기 사용자의 주변 또는 상기 사용자에게 접근하도록 제어하는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제4 항에 있어서,
학습된 상기 사용자의 움직임 정보에 기초하여 상기 사용자의 방황 여부 상태를 판단하는 단계는,
추출된 상기 특징값들에 따라 서로 다른 가중치를 부여하는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제1 항에 있어서,
서버로부터 전송되는 상기 사용자의 움직임 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고,
상기 사용자의 움직임 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제8 항에 있어서,
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고,
상기 사용자의 움직임 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제9 항에 있어서,
상기 사용자의 움직임 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고,
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고,
상기 AI 프로세싱된 정보는,
상기 사용자의 방황 상태 여부를 판단한 정보인 행동 방향성 인식기반 서비스 요구자 식별 방법. - 제1 항에 있어서,
상기 지능형 로봇 디바이스는,
공항 내에서 주행하면서 상기 사용자에게 공항 서비스를 제공하는 행동 방향성 인식기반 서비스 요구자 식별 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102525A KR20190104486A (ko) | 2019-08-21 | 2019-08-21 | 행동 방향성 인식기반 서비스 요구자 식별 방법 |
| US16/599,910 US11446817B2 (en) | 2019-08-21 | 2019-10-11 | Control system to control intelligent robot device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102525A KR20190104486A (ko) | 2019-08-21 | 2019-08-21 | 행동 방향성 인식기반 서비스 요구자 식별 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190104486A true KR20190104486A (ko) | 2019-09-10 |
Family
ID=67950934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190102525A KR20190104486A (ko) | 2019-08-21 | 2019-08-21 | 행동 방향성 인식기반 서비스 요구자 식별 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11446817B2 (ko) |
| KR (1) | KR20190104486A (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111307145A (zh) * | 2019-12-06 | 2020-06-19 | 苏州精源创智能科技有限公司 | 一种应用于扫地机器人的惯性导航系统 |
| CN112034857A (zh) * | 2020-09-10 | 2020-12-04 | 北京信息科技大学 | 一种公共场所打喷嚏、咳嗽行为自动识别与自动消毒方法和系统 |
| CN112669009A (zh) * | 2020-12-30 | 2021-04-16 | 南昌路兴交通工程监理咨询有限公司 | 一种基于“智慧监理”系统的项目管理方法 |
| CN113009863A (zh) * | 2021-02-26 | 2021-06-22 | 江苏安全技术职业学院 | 一种基于物联网的线圈质检智能移动终端 |
| WO2021153885A1 (ko) * | 2020-01-28 | 2021-08-05 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| KR102366332B1 (ko) * | 2021-07-08 | 2022-02-23 | 주식회사 제타뱅크 | 인공 지능 알고리즘이 적용된 방역 로봇, 멸균 로봇, 방역 접객 로봇, 방역 협동 로봇 |
| KR20220027529A (ko) * | 2020-08-27 | 2022-03-08 | 네이버랩스 주식회사 | 로봇 평가 방법 및 시스템 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9314924B1 (en) * | 2013-06-14 | 2016-04-19 | Brain Corporation | Predictive robotic controller apparatus and methods |
| US20210158030A1 (en) * | 2019-11-27 | 2021-05-27 | Alarm.Com Incorporated | Accessibility features for monitoring systems |
| KR20210078207A (ko) * | 2019-12-18 | 2021-06-28 | 엘지전자 주식회사 | 로봇 및 로봇 시스템 |
| CN112580537B (zh) * | 2020-12-23 | 2022-06-21 | 中国人民解放军国防科技大学 | 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法 |
| CN112766764A (zh) * | 2021-01-25 | 2021-05-07 | 特斯联科技集团有限公司 | 一种基于智能机器人的安防监控方法、装置、存储介质 |
| US11815899B2 (en) * | 2021-04-19 | 2023-11-14 | International Business Machines Corporation | Cognitive industrial floor cleaning amelioration |
| CN113341444A (zh) * | 2021-06-30 | 2021-09-03 | 中国船舶重工集团公司第七一三研究所 | 一种机场行李智能全向输转平台定位导航系统和方法 |
| US11763496B2 (en) | 2021-09-30 | 2023-09-19 | Lemon Inc. | Social networking based on asset items |
| DE102022134636A1 (de) | 2022-12-22 | 2024-06-27 | Rheinmetall Air Defence Ag | Verfahren zur Überwachung eines Flughafengeländes und zur Anzeige von auf einem Flughafengelände angeordneter Objekte auf einem Display |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9336178B2 (en) * | 2008-12-19 | 2016-05-10 | Velocee Ltd. | Optimizing content and communication in multiaccess mobile device exhibiting communication functionalities responsive of tempo spatial parameters |
| US9448636B2 (en) * | 2012-04-18 | 2016-09-20 | Arb Labs Inc. | Identifying gestures using gesture data compressed by PCA, principal joint variable analysis, and compressed feature matrices |
| WO2018022718A1 (en) * | 2016-07-26 | 2018-02-01 | University Of Connecticut | Skill transfer from a person to a robot |
| US10155166B1 (en) * | 2017-09-08 | 2018-12-18 | Sony Interactive Entertainment Inc. | Spatially and user aware second screen projection from a companion robot or device |
| KR102497042B1 (ko) * | 2018-01-29 | 2023-02-07 | 삼성전자주식회사 | 사용자 행동을 바탕으로 반응하는 로봇 및 그의 제어 방법 |
| CN110509270A (zh) * | 2019-07-17 | 2019-11-29 | 合肥工业大学 | 一种机器人控制系统及控制方法 |
-
2019
- 2019-08-21 KR KR1020190102525A patent/KR20190104486A/ko not_active Application Discontinuation
- 2019-10-11 US US16/599,910 patent/US11446817B2/en active Active
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111307145A (zh) * | 2019-12-06 | 2020-06-19 | 苏州精源创智能科技有限公司 | 一种应用于扫地机器人的惯性导航系统 |
| CN111307145B (zh) * | 2019-12-06 | 2022-05-17 | 苏州精源创智能科技有限公司 | 一种应用于扫地机器人的惯性导航系统 |
| WO2021153885A1 (ko) * | 2020-01-28 | 2021-08-05 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| KR20220027529A (ko) * | 2020-08-27 | 2022-03-08 | 네이버랩스 주식회사 | 로봇 평가 방법 및 시스템 |
| CN112034857A (zh) * | 2020-09-10 | 2020-12-04 | 北京信息科技大学 | 一种公共场所打喷嚏、咳嗽行为自动识别与自动消毒方法和系统 |
| CN112034857B (zh) * | 2020-09-10 | 2023-10-31 | 北京信息科技大学 | 公共场所打喷嚏、咳嗽行为识别与消毒方法和系统 |
| CN112669009A (zh) * | 2020-12-30 | 2021-04-16 | 南昌路兴交通工程监理咨询有限公司 | 一种基于“智慧监理”系统的项目管理方法 |
| CN113009863A (zh) * | 2021-02-26 | 2021-06-22 | 江苏安全技术职业学院 | 一种基于物联网的线圈质检智能移动终端 |
| CN113009863B (zh) * | 2021-02-26 | 2022-03-08 | 江苏安全技术职业学院 | 一种基于物联网的线圈质检智能移动终端 |
| KR102366332B1 (ko) * | 2021-07-08 | 2022-02-23 | 주식회사 제타뱅크 | 인공 지능 알고리즘이 적용된 방역 로봇, 멸균 로봇, 방역 접객 로봇, 방역 협동 로봇 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200039068A1 (en) | 2020-02-06 |
| US11446817B2 (en) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11446817B2 (en) | Control system to control intelligent robot device | |
| US11479894B2 (en) | Method and apparatus for compensating vibration of deep-learning based washing machine | |
| KR102201858B1 (ko) | 인공지능 기반 영상 편집 방법 및 지능형 디바이스 | |
| US20200027019A1 (en) | Method and apparatus for learning a model to generate poi data using federated learning | |
| US20200013225A1 (en) | Vehicle external information output method using augmented reality and apparatus therefor | |
| US11458623B2 (en) | Control system to control intelligent robot device | |
| US10968555B2 (en) | Method for inspecting unbalance error of washing machine and washing machine | |
| US20200085275A1 (en) | Intelligent dishwasher and method for controlling the same | |
| US11467604B2 (en) | Control device and method for a plurality of robots | |
| US11250869B2 (en) | Audio zoom based on speaker detection using lip reading | |
| US20210232144A1 (en) | Method of controlling artificial intelligence robot device | |
| US11308954B2 (en) | Method for associating an AI device with a device based on a behavior pattern of a user and an apparatus therefor | |
| KR20190106943A (ko) | 차량 내에서 인공 지능 기반의 음성 분리 방법 및 장치 | |
| US20200002868A1 (en) | Method and apparatus for controlling detergent quantity | |
| KR20190107288A (ko) | 화자인식 기반 차량 제어 방법 및 지능형 차량 | |
| US20210123757A1 (en) | Method and apparatus for managing vehicle's resource in autonomous driving system | |
| KR20190106945A (ko) | 지능형 디바이스 및 지능형 디바이스의 영상 보정 방법 | |
| US20210362337A1 (en) | Intelligent robot device | |
| KR20190103084A (ko) | 지능형 전자 디바이스와 모드 설정 방법 | |
| KR20190106948A (ko) | 지능형 디바이스 및 그 제어 방법 | |
| KR20190099170A (ko) | 지능형 단말의 주변 상황에 따른 알림 제공 방법 및 이를 위한 장치 | |
| KR20190106946A (ko) | 지능형 디바이스 및 그 제어 방법 | |
| KR20210082321A (ko) | 인공지능형 모빌리티 디바이스 제어 방법 및 인공지능형 모빌리티를 제어하는 지능형 컴퓨팅 디바이스 | |
| KR20190107614A (ko) | 이벤트 발생 시간 이용한 사용자 프로파일링 방법 | |
| KR20220017008A (ko) | 지능형 로봇 청소기 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |