KR20190104949A

KR20190104949A - 인공 지능형 의류 처리 장치와 그 구동방법

Info

Publication number: KR20190104949A
Application number: KR1020190103595A
Authority: KR
Inventors: 박윤식
Original assignee: 엘지전자 주식회사
Priority date: 2019-08-01
Filing date: 2019-08-23
Publication date: 2019-09-11
Also published as: US20210381149A1; US11591736B2; WO2021020633A1

Abstract

인공 지능형 의류 처리 장치가 개시된다. 본 발명의 일 실시예에 따른 인공 지능형 의류 처리 장치는, 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 외부로부터 수신하고, 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정한다. 또한, 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리할 수 있다.
본 발명의 세탁기는 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

인공 지능형 의류 처리 장치와 그 구동방법{Artificial Intelligent Based Clothes Handling Apparatus And Driving Method Of The Same}

본 발명은 인공 지능형 의류 처리 장치와 그 구동방법에 관한 것이다.

의류 처리 장치는 처리실 내에 수용된 의류에 건조 공기나 스팀 등을 가하여 의류를 클린 처리(먼지, 주름, 냄새 제거, 건조 등)하는 장치를 말한다. 의류 처리 장치는 의류에 스팀과 건조 및 무빙 행어 등을 제공하여 의류를 간편하고 효율적으로 재생할 수 있다.

의류 처리 장치는 클린 처리와 관련된 복수의 관리 코스들을 미리 마련하고, 사용자에 의해 선택된 관리 코스에 따라 의류 처리 동작을 수행한다. 그런데, 사용자는 관리 코스를 선택함에 있어, 처리 대상이 되는 의류가 외부 환경에 의해 얼마나 영향을 받았는지를 알기 어렵다. 따라서, 사용자는 의류 처리와 관련된 최적 관리 코스를 선택하기가 불가능하다.

본 발명은 전술한 문제점을 해결하는 것을 목적으로 한다.

본 발명의 목적은 의류에 영향을 줄 수 있는 외부 환경 인자들에 대한 종합적인 판단 결과를 기반으로 최적의 의류 관리 코스를 자동으로 설정하여, 의류 처리 효과를 극대화할 수 있도록 한 인공 지능형 의류 처리 장치와 그 구동방법을 제공하는 데 있다.

본 발명의 실시 예에 따른 의류 처리 장치는 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 통신부; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 제어부; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 구동부;를 포함한다.

본 발명의 실시 예에 따른 의류 처리 장치의 구동방법은 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 단계; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 단계;를 포함한다.

본 발명에 의하면, 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 기반으로 의류에 대한 최적 의류 관리 코스를 자동으로 설정한다.

이를 통해 본 발명은 사용자의 실사용 환경에 따른 의류의 상태 변화를 정확히 판단할 수 있고, 판단된 결과를 기반으로 최적의 의류 관리 코스를 자동으로 설정함으로써, 의류 처리 효과를 극대화시킬 수 있다.

또한, 본 발명은 빅 데이터와 라이프 로그 데이터에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 최적 의류 관리 코스를 자동으로 설정하기 때문에, 개인 맞춤형 의류 관리 코스가 보다 정확하면서도 용이하게 설정될 수 있다.

또한, 본 발명은 최적 의류 관리 코스를 설정함에 있어 시간 이력을 더 참작함으로써, 코스 설정에 대한 에러율을 줄일 수 있다. 본 발명은 개인 맞춤형 의류 관리 코스 설정과 관련하여 복수의 사용자별로 학습 모델을 구축하고, 상기 학습 모델에 사용자별 라이프 로그 데이터 등을 반영함으로써, 코스 설정에 대한 에러율을 현저히 줄일 수 있다.

또한, 본 발명은 최적 의류 관리 코스를 설정함에 있어 미리 설정된 유저 프로파일을 더 참작함으로써, 사용자 만족도를 증대시킬 수 있다.

또한, 본 발명은 복수의 사용자별로 개인 맞춤형 의류 관리 코스를 설정하는 것이 가능하여 사용자 편의성을 증대시킬 수 있다.

본 발명의 일 실시예에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도면이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 의류 처리 장치를 포함한 의류 처리 시스템의 일 예시도이다.
도 5는 본 발명의 실시예에 따른 의류 처리 장치의 도어가 열린 상태를 정면에서 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 의류 처리 장치를 모식적으로 도시한 도면이다.
도 7은 본 발명의 실시예에 따른 의류 처리 장치의 개략적인 블록도이다.
도 8은 본 발명의 실시예에 따른 의류 처리 장치에 구비된 콘트롤 패널을 도시한 예시도이다.
도 9는 도 7의 AI 장치부의 일 구성 예를 보여주는 블록도이다.
도 10은 본 발명의 실시예에 따른 의류 처리 장치에서 최적 의류 관리 코스를 설정하는 데 기반이 되는 입력 인자들과 유저 프로파일을 도시한 도면이다.
도 11은 본 발명의 실시예에 따른 의류 처리 장치에서 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 일 예시들을 보여주는 도면이다.
도 12는 본 발명의 실시예에 따른 의류 처리 장치에서 시간 이력들에 대한 가중치 적용 예들을 보여주는 도면이다.
도 13 및 도 14는 본 발명의 실시예에 따른 의류 처리 장치에서 자동 설정을 위한 사용자 입력 예를 설명하기 위한 도면들이다.
도 15 및 도 16은 본 발명의 실시예에 따른 의류 처리 장치의 구동방법을 설명하기 위한 도면들이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.

도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 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, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

인공 지능형 의류 처리 장치

도 4는 본 발명의 실시예에 따른 의류 처리 장치를 포함한 의류 처리 시스템의 일 예시도이다.

도 4를 참조하면, 본 발명의 실시예에 따른 의류 처리 시스템(1)은 의류 처리 장치(100), 사용자 휴대 단말기(200), 서버(300), 및 통신 네트워크(400)를 포함할 수 있다.

의류 처리 장치(100)는 의류가 수용된 처리실(도 2의 110) 내로 물을 가하여 의류에 뭍은 오염을 제거하거나, 건조 공기를 가하여 젖은 의류를 건조시키거나, 공기를 송풍하거나 증기를 가하여 의류를 재생(refresh, 예를 들어, 주름이나 냄새 제거)할 수 있다.

의류 처리 장치(100)는 처리실 내로 건조 공기를 가할 수 있도록 구성되어, 처리실로부터 배출된 공기를 처리실의 외부에 형성된 순환 유로를 따라 순환시킨 후, 다시 처리실 내로 공급하는 공기 순환 시스템(미도시)을 구비할 수 있다. 또한, 이러한 의류 처리 장치(100)는 순환 유로 상에 히트펌프를 구비하고, 선택된 운전 코스에 따라, 히트펌프에 의해 순환 공기가 가열, 냉각 또는 제습된 후, 처리실로 공급될 수 있다.

의류 처리 장치(100)는 건조 기능을 활용하여 처리실을 제습하는 기능을 제공할 수 있는데, 도어를 개방한 상태에서 건조 기능이 실시되도록 함으로써, 실내 공기가 처리실을 통해 순환 유로로 유입되어 히트펌프에 의해 제습되고, 이렇게 제습된 공기가 처리실을 거쳐 다시 실내로 토출되도록 할 수 있다.

의류 처리 장치(100)는, 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터를 통신 네트워크(400)을 통해 서버(300)으로부터 수신하고, 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 통신 네트워크(400)을 통해 사용자 휴대 단말기(200)로부터 수신할 수 있다.

의류 처리 장치(100)는, 코스 자동 설정을 위한 사용자 명령이 입력되는 것에 응답하여, 해당 사용자와 관련된 빅 데이터와 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 사용자 의류에 대한 최적 의류 관리 코스를 자동으로 설정할 수 있다. 이때, 의류 처리 장치(100)는, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정할 수 있다. 의류 처리 장치(100)는, 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들과 유저 프로파일을 더 참조할 수 있다. 의류 처리 장치(100)는, 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정할 수 있다.

코스 자동 설정을 위한 사용자 명령은 다양한 방법으로 의류 처리 장치(100)에 입력될 수 있다. 의류 처리 장치(100)는, 메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 복수의 등록 사용자들 중에서 해당 사용자를 인식하고, 상기 해상 사용자의 의류 상태에 맞는 최적 의류 관리 코스를 자동으로 설정할 수 있다.

의류 처리 장치(100)는 각 사용자의 의류 상태에 맞는 최적 의류 관리 코스를 자동으로 설정하기 위해, 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 각 사용자별 학습 모델에 해당 사용자의 라이프 로그 데이터와 시간 이력들과 유저 프로파일 등을 반영할 수 있다. 이러한 가중치 적용 기반의 학습 모델을 구축함에 있어, 의류 처리 장치(100)는 미리 훈련된 심층신경망 모델을 활용할 수 있다.

의류 처리 장치(100)의 전면에는, 메뉴 입력 기반의 사용자 인식을 위한 디스플레이부(150)와, 음성 및/또는 비젼 기반의 사용자 인식을 위한 센서부(160)가 설치될 수 있다.

의류 처리 장치(100)는 통신 네트워크(400)를 통해 사용자 휴대 단말기(200) 및 서버(300)와 연결될 수 있다. 통신 네트워크(400)는 전술한 5G 통신 기술을 활용할 수 있으나, 이에 한정되지 않는다.

사용자 휴대 단말기(200)는 사용자에 대한 위치 정보와, 사용자의 위치를 기준으로 한 주변 영상 정보와, 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 라이트 로그 데이터를 생성한 후에, 통신 네트워크(400)를 통해 의류 처리 장치(100)에 전송할 수 있다. 여기서, 상기 라이프 로그 데이터는, 상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함할 수 있다.

사용자 휴대 단말기(200)는 의류 처리 장치 구동 어플리케이션 또는 의류 처리 장치 구동 사이트에 접속한 후 인증과정을 통하여 의류 처리 장치(100)의 구동 또는 제어를 위한 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 휴대 단말기(200)는 의류 처리 장치(100)를 구동하고, 의류 처리 장치(100)의 동작을 제어할 수 있다.

사용자 휴대 단말기(200)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 휴대 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 적용될 수 있다.

서버(300)는 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터를 통신 네트워크(400)를 통해 의류 처리 장치(100)에 전송하는 기상 서버를 포함할 수 있다. 여기서, 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함할 수 있다.

서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 의류 처리 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 휴대 단말기(200)에 설치된 의류 처리 장치 구동 어플리케이션 또는 의류 처리 장치 구동 웹 브라우저를 이용하여 의류 처리 장치(100)의 동작을 원격에 서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다. 또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

네트워크(400)는 의류 처리 장치(100)와, 사용자 휴대 단말기(200)와, 서버(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access)을 포함할 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 5는 본 발명의 실시예에 따른 의류 처리 장치의 도어가 열린 상태를 정면에서 도시한 도면이다. 그리고, 도 6은 본 발명의 실시예에 따른 의류 처리 장치를 모식적으로 도시한 도면이다.

도 4 내지 도 6을 참조하면, 의류 처리 장치(100)는 의류가 수용되는 처리실(110)을 형성하는 캐비닛(101)과, 캐비닛(101)에 회전 가능하게 결합되어 처리실(110)을 여닫는 도어(102)를 포함할 수 있다. 처리실(110)은 내측으로 의류가 투입될 수 있도록 전면이 개방될 수 있다. 캐비닛(101)의 전면에 개구부(미도시)가 형성되고, 개구부로부터 후방으로 함몰된 공간에 의해 처리실(110)이 형성될 수 있다.

도어(102)는 캐비닛(101)의 일측에 회전 가능하게 결합되며, 처리실(110)의 개방된 전면을 여닫을 수 있다. 도어(102)가 닫힌 상태에서, 도어(102)의 배면이 캐비닛(101)의 전면(즉, 개구부 둘레 부분)과 밀착되고, 처리실(110)의 기밀이 유지될 수 있다. 실시 예에 따라, 처리실(110)을 기밀하는 실러가 도어(102)와 캐비닛(101) 사이에 개재될 수 있다.

처리실(110) 내에는 옷걸이봉(112)이 구비될 수 있다. 의류가 끼워진 옷걸이(미도시)가 옷걸이봉(112)에 걸릴 수 있다. 옷걸이봉(112)은 좌우로 왕복 운동이 가능하도록 구성될 수 있다. 기 프로그래밍된 구동 알고리즘에 따라 자동으로 옷걸이봉(112)을 좌우로 왕복 운동시키기 위한 전동식 구동 기구(미도시)가 더 구비될 수 있다. 여기서 전동식 구동 기구는 전동모터(미도시)와, 모터의 구동력을 전환시켜 옷걸이봉(112)을 왕복 운동시키는 동력 전달 기구(미도시)를 포함할 수 있다. 여기서 동력 전달기구는 크랭크, 랙과 피니언, 캠 등을 포함하여 다양하게 구성될 수 있다.

처리실(110)은 캐비닛(101)의 내측면에 의해 한정된 공간으로 정의될 수 있다. 캐비닛(101)의 내측면에는 기류 유입구(113)와, 기류 토출구(114)와, 증기 토출구(115)가 형성될 수 있다. 실시 예에서는 캐비닛(101)의 내측면이 상면(111U), 하면(111B), 좌측면(111L), 우측면(111R) 및 배면(111RE)을 포함하고, 하면(111B)은 처리실(110)의 입구로부터 후방으로 수평하게 연장되는 수평면(111H)과, 수평면(111H)으로부터 후방으로 상향 경사져서 후면(111B)과 연결되는 경사면(111I)을 포함하여 구성될 수 있다. 그러나 실시 예에 따라 캐비닛(101)의 내측면은 다양한 형태로 구성될 수 있다.

처리실(110)의 하측에는 기계실(120)이 형성될 수 있으며, 기계실(120) 내에는 히트펌프(121), 송풍팬(122), 스팀 생성기(123) 등이 배치될 수 있다. 히트펌프(121)는 처리실(110)로부터 기류 유입구(113)를 통해 유입된 공기를 제습하여, 기류 토출구(114)를 통해 다시 처리실(110)로 도출할 수 있다. 그러나 이에 한정하지 않고 히트펌프(121)는 후술하는 압축기()를 적절한 방법으로 제어하여 처리실(110) 내의 의류 건조를 위해 고온의 건조 공기를 공급하는 기능을 겸할 수 있다.

순환 유로(124)는 기류 유입구(113)를 통해 유입된 공기를 기류 토출구(114)로 안내하도록 구성될 수 있다. 송풍팬(122)에 의해 송풍되어 기류 토출구(114)를 통해 처리실(110) 내부로 토출될 수 있다.

도어(102)가 닫힌 상태에서, 처리실(110)은 외기와 분리된 공간을 형성하기 때문에, 처리실(110) 내의 공기가 순환 유로(124)를 따라 순화될 수 있다. 그러나 도어(102)가 열린 상태에서, 외기가 처리실(110) 내로 유입되어 기류 유입구(113)로 유입된 후, 순환 유로(124)를 따라 이송되고, 기류 토출구(114)를 통해 토출되고, 토출된 공기 중 일부분은 처리실(110)의 개방된 전면을 통해 외부로 배출될 수 있다.

히트펌프(121)는 냉매가 순환되는 과정에서 처리실(110)로부터 기류 유입구(113)를 통해 순환 유로(124)로 유입된 공기로부터 열을 흡수하고, 흡수된 열을 이용하여 기류 토출구(114)를 통해 토출되기 전의 공기를 가열할 수 있다. 히트펌프(121)는 작동 유체인 냉매가 순환되는 냉매 배관(125)을 통해 연결된 증발기(126), 압축기(127), 팽창밸브(128) 및 응축기(129)를 포함할 수 있다.

증발기(126)는 냉매 배관(125)과 연결된 미세 직경의 튜브와, 튜브와의 사이에 열 전달이 이루어지는 열전도성의 열전달판들을 포함하여 구성되는 열교환기를 포함할 수 있다. 증발기(126)는 순환 유로(124) 상에 구비되어, 순환 기류로부터 열을 흡수할 수 있다. 증발기(126)는 처리실(110)로부터 토출된 기류(즉, 기류 유입구(113)를 통해 순환 유로(124) 내로 유입된 공기)로부터 열을 흡수하며, 이렇게 흡수된 열이 튜브 내의 냉매에 전달됨으로써, 냉매의 증발이 이루어 질 수 있다. 이때 공기 중의 습기는 증발기(126)를 지나면서 응축이 이루어 질 수 있다. 순환 유로(124)로부터 응측수를 배출하기 위한 응축수 배출 펌프(130)가 구비될 수 있다. 응축수 배출 펌프(130)를 통해 배출된 응축수는 배수통(116)에 모일 수 있다.

압축기(127)는 증발기(126)를 통과한 냉매를 압축할 수 있다. 압축기(127)는 회전수(또는 압축용량) 변경이 가능한 인버터 압축기(inverter compressor)일 수 있으나, 반드시 이에 한정되는 것은 아니다. 인버터 압축기는 회전 수 제어를 통해 압축 용량을 가변할 수 있고, 따라서 응축기(129)의 발열량이 제어될 수 있다. 인버터 압축기는 DC 전원을 동력원으로 사용하며, 이를 위해, AC 전원을 DC 전원으로 변환하여 목표한 주파수로 변환하는 드라이버(미도시)가 더 구비될 수 있다.

응축기(129)는 실질적으로 증발기(126)와 동일한 구성으로 이루어질 수 있으나, 증발기(126)와는 반대로 냉매를 응축시키는 작용을 할 수 있다. 즉, 압축기(127)에 의해 압축된 냉매가 응축기(129)를 통과하면서 응축되며, 이 과정에서 주변으로 열이 방출될 수 있다. 응축기(129)는 순환 유로(124) 상에서 증발기(126)보다 하류측에 위치할 수 있다. 증발기(126)를 지나면서 습도가 낮아진 공기가 응축기(129)를 지나면서 이번에는 가열될 수 있다. 응축기(129)가 순환 공기를 가열하는 히터로서 작용할 수 있다. 응축기(129)를 통과하면서 순환 공기에 열을 빼앗긴 냉매가 팽창 밸브9128)를 통과하면서 패창되고, 다시 증발기(126)로 유입됨으로써 냉매의 순환회로가 구성될 수 있다.

배수통(116)은 응축수 처리를 용이하게 할 수 있도록, 캐비닛(101)에 분리 가능하게 설치될 수 있다. 사용자는 배수통(116)을 캐비닛(101)으로부터 분리한 후, 그 안에 모인 응축수를 버릴 수 있다. 급수통(117)은 스팀을 생성하기 위해 필요한 물이 담길 수 있다. 급수통(117)의 물이 스팀 생성기(123)로 공급되어 스팀을 생성하는데 이용될 수 있다. 물 보충이 용이하도록, 급수통(117)은 캐비닛(101)에 분리 가능하게 설치될 수 있다. 사용자는 급수통(117)을 분리하여 그 안에 물을 채울 수 있다.

도어(102)의 개폐 여부를 감지하는 도어 센서(131)가 더 구비될 수 있다. 제어부(190)는 도어 센서(131)의 출력값을 바탕으로 도어(102)의 개폐 여부를 판단할 수 있다. 도어 센서(131)는 캐비닛(101) 또는 도어(102) 중 어느 하나에 구비되는 리드 스위치(lead switch)와, 캐비닛(101) 또는 도어(102) 중 다른 하나에 구비되는 자석을 포함할 수 있다. 도어(102)의 위치에 따라, 자석에 의해 리드 스위치에 작용하는 자기력의 크기가 달라지며, 그에 따라 리드 스위치에 연결된 회로가 개방 또는 단락될 수 있다. 예를 들어, 도어(102)가 닫힌 상태에서는 자석과 리드 스위치 간의 거리가 가깝기 때문에, 자기력에 의해 리드 스위치가 접점 되고, 그에 리드 스위치와 연결된 회로를 통해 제어부(도 7의 190)에 신호가 인가되고, 제어부(190)는 도어(102)가 닫힌 상태라고 판단할 수 있다. 반대로, 도어(102)가 열린 상태에서는 제어부(190)로 인가되던 신호가 차단되기 때문에, 도어(102)가 개방된 상태인 것을 판단할 수 있다.

다만, 이에 한정되지 않고, 도어 센서(131)는 다양한 실시가 가능할 수 있다. 예를 들어, 도어(102)에 래치(latch, 미도시)가 구비되고, 캐비닛(101)에는 도어(102)가 닫혀진 상태에서, 래치가 걸림되어 도어(102)가 잠기도록 하는 도어 락(lock)(미도시)이 구비될 수 있고, 도어 락에는 래치에 의해 접점되는 스위치(미도시)가 구비될 수 있다. 이 경우, 스위치가 도어(102)의 개폐를 감지하는 도어 센서(131)가 될 수 있다.

도 7은 본 발명의 실시예에 따른 의류 처리 장치의 개략적인 블록도이다. 도 8은 본 발명의 실시예에 따른 의류 처리 장치에 구비된 콘트롤 패널을 도시한 예시도이다. 그리고, 도 9는 도 7의 AI 장치부의 일 구성 예를 보여주는 블록도이다.

도 7을 참조하면, 본 발명의 실시예에 따른 의류 처리 장치(100)는 통신부(140), 디스플레이부(150), 센서부(160), AI 장치부(180) 및 제어부(190)를 포함할 수 있다.

통신부(140)는 네트워크(400)와 연동하여 의류 처리 장치(100), 사용자 휴대 단말기(200) 및/또는 서버(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(140)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

디스플레이부(150)는 제어부(190)의 제어 하에 의류 처리 장치(100)의 작동 상태를 표시할 수 있다. 본 실시예에서 디스플레이부(150)는 도 8과 같은 동작모드 컨트롤 패널(151)을 포함할 수 있다. 도 8을 참조하면, 동작모드 컨트롤 패널(151)은 전원의 온/오프를 설정하는 전원 설정부(152)와, 미리 설정된 각종 의류 관리 코스들을 선택할 수 있는 코스 설정부(153)와, 선택된 의류 관리 코스에 따라 동작을 실시/정지를 선택할 수 있는 실시/정지 선택부(154)와, 의류 처리 장치(100)의 작동 상태를 표시하는 상태 표시부(155)를 포함할 수 있다. 한편, 디스플레이부(150)는 자동 설정 기능이 구현될 수 있도록 하기 위해 사용자 입력 메뉴인 자동 코스 항목(도 13 참조)을 더 포함할 수도 있다.

본 실시 예에서 디스플레이부(150)는 각종 정보를 표시하는 기능 이외에 의류 처리 장치(100)의 동작 전반을 사용자가 제어할 수 있도록, 소정의 제어 명령을 입력 받는 입력부의 기능을 수행할 수 있다. 이를 위해 디스플레이부(150)는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다.

터치 인식 디스플레이 제어기는 전기 신호를 제어부(190)와 송수신할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. 이와 같은 디스플레이부(150)는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.

선택적 실시 예로 디스플레이부(150)는 표시되는 모든 정보를 오디오 신호로 출력하는 오디오 출력부(미도시)를 더 포함할 수 있다. 오디오 출력부는 제어부(190)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지와, 사용자의 음성 명령에 대응하는 정보, 사용자의 음성 명령에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 오디오 출력부는 제어부(190)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 본 실시 예에서 의류 처리 장치(100)는 스피커(미도시) 등을 구비할 수 있다. 또한 본 실시 예에서 의류 처리 장치(100)는 오디오 입력부(미도시)를 더 포함할 수 있다. 오디오 입력부(예를 들어, 마이크)는 제어부(190)의 제어 하에, 의류 처리 장치(100)를 향하여 발화된 사용자 음성을 입력 받을 수 있다. 또한 사용자의 발화 음성을 더 정확하게 수신하기 위해 의류 처리 장치(100)는 복수의 마이크를 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격되어 배치될 수 있고, 수신한 사용자의 발화 음성을 전기적인 신호로 처리할 수 있다.

센서부(160)는 비젼 센서, 음성 인식 센서 등으로 구현될 수 있다.

비젼 센서는 의류 처리 장치(100) 바깥 주변을 촬영할 수 있는 COMS(complementary metal-oxide semiconductor) 모듈(미도시) 또는 CCD(charge coupled device) 모듈(미도시) 등을 이용하여 촬영영역 내의 피사체를 촬영하는 카메라를 의미할 수 있다. 카메라는 팬(pan)/틸트(tilt)/줌(zoom) 기능을 구비한 PTZ 카메라 일 수 있다. 이와 같은 카메라 내부에는 영상 신호 처리부(미도시)가 구비되어 있어서, 촬영한 영상 프레임에 대하여 노이즈를 저감하고, 감마 보정(gamma correction), 색필터 배열보간(color filter array interpolation), 색 매트릭스(color matrix), 색보정(color correction), 색 향상(color enhancement) 등의 화질 개선을 위한 영상 신호 처리를 수행할 수 있다. 또한, 영상 신호 처리부는 기능적으로 색채 처리, 블러 처리, 에지 강조 처리, 영상 해석 처리, 영상 인식 처리, 영상 이펙트 처리 등도 수행할 수 있다. 영상 인식 처리로 얼굴 인식, 장면 인식 처리 등을 행할 수 있다. 예를 들어, 휘도 레벨 조정, 색 보정, 콘트라스트 조정, 윤곽 강조 조정, 화면 분할 처리, 캐릭터 영상 등 생성 및 영상의 합성 처리 등을 수행할 수 있다.

음성 인식 센서는 전술한 오디오 입력부로 구현될 수 있으나 이에 한정되지 않는다.

한편, 센서부(160)는 각종 센서를 더 포함할 수도 있다. 이러한 센서는 의류 처리 장치(100) 내의 정보, 의류 처리 장치(100)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱할 수 있다. 예를 들어, 센서는 장애물 센서(예를 들어, 근접센서(proximity sensor), 라이다 센서((Lidar sensor) 등), 무게 감지 센서, 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 실시 예에서 의류 처리 장치(100)는 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

제어부(190)는 의류 처리 장치(100)의 다양한 기능을 지원하는 정보를 메모리(도 8의 420)에 저장할 수 있다. 메모리(420)는 의류 처리 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 의류 처리 장치(100)의 동작을 위한 정보들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 메모리(420)는 의류 처리 장치(100)와 인터랙션을 수행하려는 한 명 이상의 사용자 정보를 저장할 수 있다. 이러한 사용자 정보는 음성 인식을 통한 사용자 식별 정보, 비젼 인식을 통한 사용자 식별 정보, 메뉴 입력을 통한 사용자 식별 정보 등을 포함할 수 있다. 이러한 메모리(420)는 제어부(190)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 메모리(420)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(420)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.

제어부(190)는 일종의 중앙처리장치로서 메모리(420)에 탑재된 제어 소프트웨어를 구동하여 의류 처리 장치(100) 전체의 동작을 제어할 수 있다. 본 실시 예에서 제어부(190)는 사용자와 관련된 빅 데이터와 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 사용자 의류에 대한 최적 의류 관리 코스를 자동으로 설정할 수 있다. 이때, 제어부(190)는 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정할 수 있다. 제어부(190)는 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들과 유저 프로파일을 더 참조할 수 있다. 제어부(190)는 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정할 수 있다.

제어부(190)는 사용자의 발화 음성으로 의류 처리 장치(100)의 동작을 제어할 수 있도록 음성 인식부(미도시)를 더 포함할 수 있다. 이를 위해 메모리(420)에는 음성 인식 알고리즘이 저장될 수 있고, 의류 처리 장치(100)를 구동시킬 수 있는 기동어가 저장되어 있어서, 사용자가 기동어를 발화하면 제어부(190)가 음성 인식부를 동작시키고, 음성 인식부가 이를 인식하여 비활성화 상태였던 의류 처리 장치(100)를 활성화 상태로 변경할 수 있다. 의류 처리 장치(100)가 활성화 상태로 변경된 후, 제어부(190)는 오디오 입력부를 통하여 사용자로부터 음성 명령을 인식하고, 음성 명령에 대응하여 의류 처리 장치(100)의 동작을 제어할 수 있다.

제어부(190)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 제어부(190)는 입력 인자들에 대한 분석 동작, 입력 인자들에 대한 차등적 가중치 처리 동작, 상기 입력 인자들의 시간 이력들에 대한 차등적 가중치 처리 동작, 미리 설정된 유저 프로파일에 대한 차등적 가중치 처리 동작, 상기 가중치가 차등적으로 적용된 요소들을 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 최적 의류 관리 코스를 설정하는 동작 등에 대하여, 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있다. 이때, 메모리(420)는 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

제어부(190)는 머신 러닝을 수행하기 위한 AI 장치부(180)와 연동될 수 있다. AI 장치부(180)는 도 9와 같이 구현될 수 있으나, 이에 한정되지 않는다.

도 9를 참조하면, AI 장치부(180)는 인공지능(AI) 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치부(180)는 제어부(190)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다. AI 프로세싱은 AI 장치부(180)와 관련된 모든 동작들을 포함할 수 있다.

AI 장치부(180)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. AI 장치부(180)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 장치부(180)는 AI 프로세서(410), 메모리(420)를 포함할 수 있다.

AI 프로세서(410)는 메모리(420)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(410)는 세탁물을 인식하기 위한 신경망을 학습할 수 있다. 여기서, 세탁물을 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 AI 프로세서(410)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(420)는 AI 장치부(180)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(420)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(420)는 AI 프로세서(410)에 의해 액세스되며, AI 프로세서(410)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(420)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(425))을 저장할 수 있다.

한편, AI 프로세서(410)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(412)를 포함할 수 있다. 데이터 학습부(412)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(412)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(412)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치부(180)에 탑재될 수 있다. 예를 들어, 데이터 학습부(412)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치부(180)에 탑재될 수도 있다. 또한, 데이터 학습부(412)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(412)는 학습 데이터 획득부(414) 및 모델 학습부(416)를 포함할 수 있다.

학습 데이터 획득부(414)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다.

모델 학습부(416)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(416)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(416)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(416)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(416)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(416)는 학습된 신경망 모델을 메모리(420)에 저장할 수 있다. 모델 학습부(416)는 학습된 신경망 모델을 AI 장치부(180)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(412)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(416)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(414)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(416)에 제공될 수 있다.

또한, 데이터 학습부(412)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(416)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.

한편, 도 8에 도시된 AI 장치부(180)는 AI 프로세서(410)와 메모리(420) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 10은 본 발명의 실시예에 따른 의류 처리 장치에서 최적 의류 관리 코스를 설정하는 데 기반이 되는 입력 인자들과 유저 프로파일을 도시한 도면이다. 그리고, 도 11은 본 발명의 실시예에 따른 의류 처리 장치에서 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 일 예시들을 보여주는 도면이다.

도 10을 참조하면, 빅 데이터는 봄, 여름, 가을, 겨울의 계절 정보를 포함함과 아울러, 맑음, 비, 눈, 습함 등의 온도 및 습도에 관한 날씨 정보를 포함할 수 있다.

라이프 로그 데이터는 사용자가 위치한 장소 정보(실내, 실외, 식당, 사무실, 거리, 카페 등)와, 사용자가 위치한 장소의 공기 오염도 정보(양호, 황사, 미세먼지, 초미세먼지)와, 사용자의 이동 수단 정보(지하철, 버스, 자동차, 도보 등)와, 사용자의 외부 환경에 대한 노출 시간 정보(OO시간 이상 등)와, 사용자의 활동성 정보(정적, 역동적 등)를 포함할 수 있다.

사용자가 위치한 장소 정보와 사용자의 활동성 정보는 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.

사용자가 위치한 장소의 공기 오염도 정보는 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.

사용자의 이동 수단 정보는 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.

사용자의 외부 환경에 대한 노출 시간 정보는 상기 사용자에 대한 위치 정보를 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.

그리고, 유저 프로파일은 착용 의류(교복, 밍크 코트 등), 성별, 나이 등을 포함할 수 있다.

일 예로서, 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들은 케이스 1,2,3으로 나뉘어 질 수 있다.

케이스1은 봄-맑음-미세먼지-실내-사무실-지하철-X시간 이상-정적을 포함한 입력 인자들로 구성될 수 있다. 케이스2는 봄-맑음-초 미세먼지-실외-거리-도보-Y시간 이상-정적을 포함한 입력 인자들로 구성될 수 있다. 그리고, 케이스3은 겨울-눈-양호-실외-거리-도보-Z시간 이상-역동적을 포함한 입력 인자들로 구성될 수 있다.

이러한 케이스 1,23에 대해, 본 발명의 실시예에 따른 의류 처리 장치는 도 11과 같이 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합함으로써, 케이스 별로 최적 의류 관리 코스를 자동으로 설정할 수 있다.

다시 말해, 의류 처리 장치는 표준 코스와 미세먼지 코스를 조합하여 케이스 1의 대한 최적 의류 관리 코스를 설정할 수 있고, 미세먼지 코스와 강력 코스를 조합하여 케이스 2에 대한 최적 의류 관리 코스를 설정할 수 있으며, 표준 코스와 눈/비 코스를 조합하여 케이스 3에 대한 최적 의류 관리 코스를 설정할 수 있다.

도 11에서, A,B,C,D는 각각 표준 코스, 미세먼지 코스, 눈/비 코스, 강력 코스로서, 기 저장 의류 관리 코스들이다. 본 발명과 같이 빅 데이터와 더불어 라이프 로그 데이터를 활용하면, 사용자의 실사용 환경에 따른 의류의 상태 변화를 정확히 판단할 수 있고, 판단된 결과를 기반으로 최적의 의류 관리 코스를 자동으로 설정함으로써, 의류 처리 효과를 극대화시킬 수 있다.

더욱이, 본 발명과 같이 2 이상의 기 저장 의류 관리 코스들을 조합하여 최적 의류 관리 코스를 설정하면, 개인 맞춤형 의류 관리 코스가 보다 정확하면서도 용이하게 설정될 수 있다.

도 12는 본 발명의 실시예에 따른 의류 처리 장치에서 시간 이력들에 대한 가중치 적용 예들을 보여주는 도면이다.

도 12를 참조하면, 본 발명의 실시예에 따른 제어부(190)는 입력 인자들 중에서, 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치를 상대적으로 높이고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치를 상대적으로 낮춤으로써, 의료 관리 코스에 대한 설정의 정확성과 신뢰성을 높일 수 있다.

예컨대, 제어부(190)는 각 시간적 이력에 해당되는 입력 인자들 중에서, 공기 오염도에 대한 상대적 가중치(B''')를 가장 높이고, 날씨에 대한 대한 상대적 가중치(B")를 그 다음으로 높이며, 계절에 대한 상대적 가중치(B')를 상대적으로 낮게 적용할 수 있다.

도 12를 참조하면, 본 발명의 실시예에 따른 제어부(190)는 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들을 더 참조하되, 최근 이력일수록 상대적으로 큰 가중치를 적용할 수 있다.

예컨대, 제어부(190)는 현재 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치(A')를 가장 높이고, 1일전 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치(A")를 그 다음으로 높이며, 2일전 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치(A"')를 상대적으로 낮게 적용할 수 있다. 그리고, 3일전 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치를 2일전 그것에 비해 더 낮게 적용할 수 있다. 여기서, 1일 단위로 구분된 입력 인자들은 일 예시에 불과하기 때문에, 시간적 이력은 1주 또는 1달과 같이 일정 주기로 확장될 수 있음은 물론이다.

한편, 도면에 도시되지 않았지만, 제어부(190)는 미리 설정된 유저 프로파일에 가중치를 차등 적용할 수 있다. 일 예로, 교복-남-10대에 대한 가중치를 밍크 코트-여-50대에 대한 가중치에 비해 높게 적용할 수 있다. 이렇게 유저 프로파일을 더 참작하여 최적 의류 관리 코스를 설정하면, 의류 처리에 대한 사용자 만족도를 크게 향상시킬 수 있다.

도 13 및 도 14는 본 발명의 실시예에 따른 의류 처리 장치에서 자동 설정을 위한 사용자 입력 예를 설명하기 위한 도면들이다.

본 발명의 실시예에 따른 제어부(190)는 도 13의 자동 메뉴 입력 기반의 사용자 명령, 도 14의 음성 기반의 사용자 명령(알아서 해줘!), 도 14의 비젼 기반의 사용자 명령(착용했던 의류를 옷걸이에 건채로 소정 시간 동안 센서부(160)를 마주함)을 통해 최적 의류 관리 코스를 자동으로 설정하는 동작을 시작할 수 있다.

본 발명의 실시예에 따른 제어부(190)는 입력 인자들을 기반으로 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 최적 의류 관리 코스를 설정할 수 있다.

이를 위해, 본 발명의 실시예에 따른 제어부(190)는 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 라이프 로그 데이터와 시간 이력들과 유저 프로파일을 각 사용자별 학습 모델에 가중치를 다르게 해서 적용할 수 있다.

도 15 및 도 16은 본 발명의 실시예에 따른 의류 처리 장치의 구동방법을 설명하기 위한 도면들이다.

도 15를 참조하면, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신한다(S141).

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 자동으로 최적 의류 관리 코스를 설정하는 것을 지시하는 사용자 명령이 입력되었는지를 판단한다(S142).

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 사용자 명령이 감지되면, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 사용자 맞춤형 최적 의류 관리 코스를 자동으로 설정한다(S143).

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리한다(S144).

도 16을 참조하면, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 복수의 사용자를 대상으로 할 수 있다. 이를 위해, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 의류 처리 장치에 복수의 사용자들에 대한 등록 과정을 수행할 수 있다(S151). 사용자 등록 과정은 메뉴 입력(자동 메뉴 버튼 터치 횟수, 시간 등으로 사용자 구분 가능함), 음성 인식, 비젼 인식 등을 통해 수행될 수 있다.

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 등록된 사용자를 대상으로 입력 인자들을 수신한다. 즉, 등록 사용자의 휴대 단말기에서 생성된 라이프 로그 데이터를 수신함과 아울러 서버에서 보내주는 빅 데이터를 수신한다.

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 사용자 인식 과정을 거친다(S155). 사용자 인식 과정도 메뉴 입력 방식, 음성 인식 방식, 비젼 인식 방식 등을 통해 이루어질 수 있다. 등록된 사용자 인식이 완료되면, 해당 사용자로부터 사용자 명령이 입력되었는지를 판단한다.

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 사용자 명령이 감지되면, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 사용자의 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 해당 사용자에 대한 맞춤형 최적 의류 관리 코스를 자동으로 설정한다(S156).

이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 최적 의류 관리 코스에 맞게 동작하여 해당 사용자의 상기 의류를 클린(clean) 처리한다(S157).

전술한 바와 같이 본 발명은 다음과 같은 실시예를 포함할 수 있다.

본 발명의 의류 처리 장치는 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 통신부; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 제어부; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 구동부;를 포함한다.

상기 제어부는, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정한다.

상기 통신부는 통신 네트 워크를 통해 사용자의 휴대 단말기로부터 상기 라이프 로그 데이터를 수신하고, 상기 라이프 로그 데이터는 상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함한다.

상기 라이프 로그 데이터는, 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성된다.

상기 통신부는, 통신 네트 워크를 통해 기상 서버로부터 상기 빅 데이터를 수신하고, 상기 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함한다.

상기 제어부는, 상기 입력 인자들에 가중치를 차등적으로 적용하고, 상기 가중치가 차등적으로 적용된 상기 입력 인자들을 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여, 상기 최적 의류 관리 코스를 자동으로 설정한다.

상기 제어부는, 상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치를 상대적으로 높이고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치를 상대적으로 낮춘다.

상기 제어부는, 상기 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들을 더 참조하되, 최근 이력일수록 상대적으로 큰 가중치를 적용한다.

상기 제어부는, 상기 최적 의류 관리 코스를 자동으로 설정함에 있어 미리 설정된 유저 프로파일을 더 참조하되, 상기 유저 프로파일에 가중치를 차등 적용한다.

상기 유저 프로파일은 상기 사용자의 착용 의류, 상기 사용자의 성별, 상기 사용자의 나이를 포함한다.

상기 제어부는, 상기 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정한다.

상기 제어부는, 메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 상기 복수의 사용자 중에서 해당 사용자를 인식한다.

상기 제어부는, 상기 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 각 학습 모델에는 상기 복수의 사용자별로 상기 라이프 로그 데이터와 상기 시간 이력들과 상기 유저 프로파일이 반영된다.

본 발명의 의류 처리 장치의 구동방법은 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 단계; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 단계;를 포함한다.

본 명세서에 기재된 구성들은 모든 면에서 제한적으로 해석되어서는 아니되고 예시 적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

140: 통신부 150: 디스플레이부
160: 센서부 180: AI 장치부
190: 제어부

Claims

의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 통신부;
상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 제어부; 및
상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 구동부;
를 포함한 인공 지능형 의류 처리 장치.
제 1 항에 있어서,
상기 제어부는,
미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정하는 의류 처리 장치.
제 1 항에 있어서,
상기 통신부는 통신 네트 워크를 통해 사용자의 휴대 단말기로부터 상기 라이프 로그 데이터를 수신하고,
상기 라이프 로그 데이터는,
상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함한 인공 지능형 의류 처리 장치.
제 3 항에 있어서,
상기 라이프 로그 데이터는,
상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성되는 인공 지능형 의류 처리 장치.
제 1 항에 있어서,
상기 통신부는,
통신 네트 워크를 통해 기상 서버로부터 상기 빅 데이터를 수신하고,
상기 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함한 인공 지능형 의류 처리 장치.
제 2 항에 있어서,
상기 제어부는,
상기 입력 인자들에 가중치를 차등적으로 적용하고, 상기 가중치가 차등적으로 적용된 상기 입력 인자들을 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여, 상기 최적 의류 관리 코스를 자동으로 설정하는 인공 지능형 의류 처리 장치.
제 6 항에 있어서,
상기 제어부는,
상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치를 상대적으로 높이고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치를 상대적으로 낮추는 인공 지능형 의류 처리 장치.
제 7 항에 있어서,
상기 제어부는,
상기 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들을 더 참조하되, 최근 이력일수록 상대적으로 큰 가중치를 적용하는 인공 지능형 의류 처리 장치.
제 8 항에 있어서,
상기 제어부는,
상기 최적 의류 관리 코스를 자동으로 설정함에 있어 미리 설정된 유저 프로파일을 더 참조하되, 상기 유저 프로파일에 가중치를 차등 적용하는 인공 지능형 의류 처리 장치.
제 9 항에 있어서,
상기 유저 프로파일은 상기 사용자의 착용 의류, 상기 사용자의 성별, 상기 사용자의 나이를 포함한 인공 지능형 의류 처리 장치.
제 10 항에 있어서,
상기 제어부는,
상기 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정하는 인공 지능형 의류 처리 장치.
제 11 항에 있어서,
상기 제어부는,
메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 상기 복수의 사용자 중에서 해당 사용자를 인식하는 인공 지능형 의류 처리 장치.
제 12 항에 있어서,
상기 제어부는,
상기 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 각 학습 모델에는 상기 복수의 사용자별로 상기 라이프 로그 데이터와 상기 시간 이력들과 상기 유저 프로파일이 반영된 인공 지능형 의류 처리 장치.
의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 단계;
상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계; 및
상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 단계;
를 포함한 인공 지능형 의류 처리 장치의 구동방법.
제 14 항에 있어서,
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는,
미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하는 단계;
상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 단계; 및
상기 조합에 따라 상기 최적 의류 관리 코스를 자동으로 설정하는 단계를 포함한 의류 처리 장치의 구동방법.
제 14 항에 있어서,
상기 라이프 로그 데이터는,
상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함하고, 사용자의 휴대 단말기로부터 수신되는 인공 지능형 의류 처리 장치의 구동방법
제 16 항에 있어서,
상기 라이프 로그 데이터는,
상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성되는 인공 지능형 의류 처리 장치의 구동방법.
제 14 항에 있어서,
상기 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함하고, 기상 서버로부터 수신되는 인공 지능형 의류 처리 장치의 구동방법.
제 15 항에 있어서,
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는,
상기 입력 인자들에 가중치를 차등적으로 적용하는 단계를 더 포함한 의류 처리 장치의 구동방법.
제 19 항에 있어서,
상기 입력 인자들에 가중치를 차등적으로 적용하는 단계에서는,
상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치가 상대적으로 높게 적용되고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치가 상대적으로 낮게 적용되는 인공 지능형 의류 처리 장치의 구동방법.