KR20190106862A

KR20190106862A - 인공지능 장치 및 그를 이용한 IoT 기기의 도난 감지 및 탐색 방법

Info

Publication number: KR20190106862A
Application number: KR1020190105205A
Authority: KR
Inventors: 김윤겸; 박종진; 이한호; 최윤석
Original assignee: 엘지전자 주식회사
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2019-09-18
Also published as: US20200035076A1; US11138844B2

Abstract

본 발명의 실시 예에 따른 인공지능 장치는, IoT 기기로부터 상태정보를 수신하는 통신부, 및 수신된 상태정보에 기초하여 상기 IoT 기기의 도난 여부를 감지하고, 상기 IoT 기기의 도난 감지 시, 상기 IoT 기기의 위치정보를 획득하고, 획득된 위치정보를 이동 단말기로 전송하도록 상기 통신부를 제어하고, 상기 이동 단말기로부터 상기 IoT 기기의 도난 프로세스 실행 요청을 수신하고, 수신된 도난 프로세스 실행 요청에 대응하는 도난 프로세스 실행 명령을 상기 IoT 기기로 전송하는 프로세서를 포함한다.

Description

인공지능 장치 및 그를 이용한 IoT 기기의 도난 감지 및 탐색 방법{ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR DETECT THEFT AND TRACE OF IoT DEVICE USING SAME}

본 발명은 인공지능 장치에 관한 것으로서, 특히 IoT(Internet of Things) 기기의 도난 감지 및 그의 탐색(trace)을 위한 인공지능 장치에 관한 것이다.

최근 사물인터넷(Internet of Thing (IoT)) 기술의 발전에 따라, 상기 IoT 기술이 탑재되는 다양한 기기들, 및 이러한 기기들을 이용한 다양한 서비스들이 등장하고 있다.

특히, 공유 경제 개념에 따라, IoT 기술이 탑재된 IoT 기기를 다수의 사용자들이 함께 사용하는 서비스들이 활발히 등장하고 있으며, 경쟁 또한 심화되고 있다.

이러한 서비스의 사업자는 IoT 기기의 관리만을 수행할 뿐, IoT 기기를 직접적으로 소지하거나 보관하지 않고 다양한 장소에 비치하여, 사용자들이 자유롭게 사용하도록 한다.

다만, 사업자가 IoT 기기를 직접 소지하거나 보관하지 않으므로, 도난에 취약할 수 있고, 도난된 IoT 기기의 회수가 원활하지 못할 경우 사업에 지장을 초래할 수 있다.

본 발명이 해결하고자 하는 과제는, IoT 기기의 도난을 감지하고, 도난된 IoT 기기의 탐색을 지원하는 인공지능 장치를 제공하는 것이다.

본 발명의 일 실시 예에 따른 인공지능 장치는, IoT 기기로부터 상태정보를 수신하는 통신부, 및 수신된 상태정보에 기초하여 상기 IoT 기기의 도난 여부를 감지하고, 상기 IoT 기기의 도난 감지 시, 상기 IoT 기기의 위치정보를 획득하고, 획득된 위치정보를 이동 단말기로 전송하도록 상기 통신부를 제어하고, 상기 이동 단말기로부터 상기 IoT 기기의 도난 프로세스 실행 요청을 수신하고, 수신된 도난 프로세스 실행 요청에 대응하는 도난 프로세스 실행 명령을 상기 IoT 기기로 전송하는 프로세서를 포함한다.

실시 예에 따라, 상기 인공지능 장치는 상기 IoT 기기의 상태정보에 기초하여 상기 IoT 기기의 정상 이용 여부를 인식하는 인식 모델을 저장하는 메모리를 더 포함하고, 상기 프로세서는, 상기 인식 모델을 이용하여, 상기 수신된 상태정보로부터 상기 IoT 기기의 도난 여부를 인식할 수 있다.

실시 예에 따라, 상기 인공지능 장치는 상기 IoT 기기의 상태정보 및 상기 인식 모델의 인식 결과를 이용하여 상기 인식 모델을 업데이트하는 러닝 프로세서를 더 포함할 수 있다.

실시 예에 따라, 상기 프로세서는 상기 IoT 기기의 도난 감지 시, 상기 IoT 기기의 위치정보 모듈에 의해 획득된 위치정보를 상기 IoT 기기로부터 수신할 수 있다.

실시 예에 따라, 상기 프로세서는 상기 IoT 기기의 도난 감지 시, 와이파이 위치측위 시스템(wi-fi positioning system (WPS))에 의해 획득되는 상기 IoT 기기의 위치정보를, 상기 IoT 기기 또는 WPS 서버로부터 수신할 수 있다.

실시 예에 따라, 상기 프로세서는 상기 IoT 기기의 위치정보와 상기 이동 단말기의 위치정보에 기초하여, 상기 IoT 기기와 상기 이동 단말기 사이의 거리를 감지하고, 감지된 거리가 기준 거리 이내인 경우, 상기 도난 프로세스 실행 명령을 상기 IoT 기기로 자동으로 전송할 수 있다.

실시 예에 따라, 도난 프로세스는 상기 IoT 기기의 통신부를 통한 무선 통신 신호의 출력, 또는 상기 IoT 기기의 스피커를 통한 사운드 신호의 출력 중 적어도 하나의 동작을 포함할 수 있다.

실시 예에 따라, 상기 상태정보는 상기 IoT 기기의 사용/미사용 상태, 배터리 상태, 위치, 또는 센서부에 의해 획득된 센싱값 중 적어도 하나를 포함할 수 있다.

실시 예에 따라, 상기 프로세서는 상기 이동 단말기로부터 도난 프로세스 종료 요청을 수신하고, 수신된 도난 프로세스 종료 요청에 대응하는 도난 프로세스 종료 명령을 상기 IoT 기기로 전송할 수 있다.

본 발명의 일 실시 예에 따른 인공지능 장치는, 상기 인공지능 장치의 위치정보를 획득하기 위한 통신부, 상기 인공지능 장치의 상태정보를 획득하기 위한 적어도 하나의 센서, 스피커, 및 획득된 상태정보에 기초하여 상기 인공지능 장치의 도난 여부를 감지하고, 상기 인공지능 장치의 도난 감지 시, 상기 인공지능 장치의 위치정보를 상기 서버로 전송하고, 상기 서버로부터 도난 프로세스 실행 명령을 수신하고, 수신된 도난 프로세스 실행 명령에 기초하여, 무선 통신 신호 또는 사운드 신호 중 적어도 하나를 출력하도록 상기 통신부 또는 상기 스피커 중 적어도 하나를 제어하는 프로세서를 포함한다.

실시 예에 따라, 상기 적어도 하나의 센서는 움직임 센서를 포함하고, 상기 프로세서는, 상기 인공지능 장치의 미사용 상태에서, 상기 움직임 센서를 통해 기준 시간 이상의 움직임이 감지되는 경우 상기 인공지능 장치의 도난을 감지할 수 있다.

실시 예에 따라, 상기 통신부는 와이파이 모듈을 포함하고, 상기 프로세서는, 상기 도난 프로세스 실행 명령에 응답하여, 상기 무선 통신 신호의 브로드캐스트를 위해 상기 와이파이 모듈의 모드를 softAP 모드로 전환할 수 있다.

실시 예에 따라, 상기 통신부는 근거리 무선통신 모듈을 포함하고, 상기 프로세서는, 상기 도난 프로세스 실행 명령에 응답하여, 상기 무선 통신 신호의 브로드캐스트를 위해 상기 근거리 무선통신 모듈의 모드를 advertise 모드로 전환할 수 있다.

본 발명의 실시 예에 따른 인공지능 장치를 이용한 IoT 기기의 도난 감지 및 탐색 방법은, 상기 IoT 기기의 상태정보에 기초하여, 상기 IoT 기기의 도난 여부를 감지하는 단계, 상기 IoT 기기의 도난이 감지된 경우, 상기 IoT 기기의 위치정보를 획득하는 단계, 획득된 위치정보를 이동 단말기로 전송하는 단계, 및 도난 프로세스 실행 명령에 기초하여, 상기 IoT 기기를 통해 도난 신호를 출력하는 단계를 포함한다.

본 발명의 실시 예에 따르면, 인공지능 장치는 도난이 감지된 IoT 기기의 대략적인 위치정보를 제공한 후, IoT 기기의 도난 프로세스를 제어하여 보다 정확한 위치의 추정을 위한 신호를 획득하도록 한다. 이에 따라, 도난 또는 분실된 IoT 기기에 대한 회수율이 효과적으로 향상될 수 있다.

또한, 인공지능 장치는 IoT 기기의 상태정보에 기초하여 인식 모델을 학습함으로써, IoT 기기에 대한 비정상 이용 상황을 보다 정확히 인식할 수 있다. 이에 따라, 다양한 상황에서의 IoT 기기의 도난이나 분실에 대한 정확한 인식을 통해 IoT 기기의 안전한 관리가 가능해질 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 장치를 포함하는 시스템의 일례를 나타낸 도면이다.
도 5는 도 4에 도시된 IoT 기기의 제어 구성의 일 실시 예를 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 인공지능 장치를 포함하는 시스템의 제어 동작을 설명하기 위한 플로우차트이다.
도 7 내지 도 10은 도 6에 도시된 제어 동작과 관련된 예시도들이다.
도 11은 본 발명의 실시 예에 따른 인공지능 장치가 IoT 기기의 도난 등 비정상 이용 상황을 인식하는 방법을 설명하기 위한 플로우차트이다.
도 12는 본 발명의 실시 예에 따른 인공지능 장치의 인식 모델에 포함된 정상/비정상 이용 인식기의 학습 동작 및 인식 동작을 설명하기 위한 도면이다.

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

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

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

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, AI 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth?), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 인공지능 장치를 포함하는 시스템의 일례를 나타낸 도면이다.

도 4를 참조하면, 본 발명의 실시 예에 따른 시스템은 서버(200a), 이동 단말기(400), 및 IoT 기기(500)를 포함할 수 있다.

이하 본 명세서에서, 상기 인공지능 장치는 서버(200a)에 해당할 수 있다. 다만, 실시 예에 따라서는, 상기 인공지능 장치는 IoT 기기(500)에 해당하거나, 이동 단말기(400)에 해당할 수도 있다.

한편, 서버(200a)는 도 2에 도시된 AI 서버(200)의 일례에 해당할 수 있고, 이동 단말기(400)와 IoT 기기(500) 각각은 도 1에 도시된 인공지능 장치(100)의 일례에 해당할 수 있다.

서버(200a)는 IoT 기기(500)의 전반적인 관리 동작을 수행할 수 있다. 서버(200a)는 적어도 하나의 IoT 기기(500) 각각의 관리를 위해, IoT 기기(500) 각각으로부터 상태정보를 주기적으로 획득할 수 있다. 또한, 서버(200a)는 적어도 하나의 IoT 기기(500)의 관리를 위한 제어 명령을 전송할 수도 있다.

상기 상태정보는 IoT 기기(500)의 사용/미사용 상태와 관련된 정보, 배터리 상태와 관련된 정보, 위치 정보, 각종 센싱 정보, 및/또는 인증 정보 등을 포함할 수 있다.

한편, 서버(200a)는 IoT 기기(500)로부터 수신되는 상태정보에 기초하여, IoT 기기(500)의 사용패턴과 관련된 정보를 획득하고, 획득된 사용패턴과 수신된 상태정보에 기초하여 IoT 기기(500)의 도난 여부를 감지할 수 있다.

실시 예에 따라, 서버(200a)는 인공지능 기반의 뉴럴 네트워크를 통해, 상태정보에 기초한 사용패턴을 학습할 수도 있다. 서버(200a)는 이후 수신되는 상태정보를, 학습 결과에 따라 생성된 학습 모델로 입력함으로써, IoT 기기(500)가 정상 이용 중인지, 아니면 도난 등의 비정상 이용 중인지 여부를 인식할 수도 있다. 이에 대해서는 추후 도 11 내지 도 12를 참조하여 보다 상세히 설명하기로 한다.

이동 단말기(400)는 상기 IoT 기기(500)를 통해 제공되는 서비스의 관리자 단말기이거나, 상기 서비스의 사용자 단말기에 해당할 수 있다.

상기 이동 단말기(400)는 스마트폰, 태블릿 PC, 웨어러블 디바이스 등의 다양한 전자 기기를 포함할 수 있다.

예컨대, 이동 단말기(400)가 사용자 단말기인 경우, 이동 단말기(400)는 상기 서비스와 관련된 어플리케이션을 통해, 상기 서비스의 이용을 위한 각종 기능을 제공할 수 있다.

한편, 이동 단말기(400)가 상기 관리자 단말기인 경우, 관리자는 이동 단말기(400)를 통해 IoT 기기들(500)의 상태를 확인하는 등의 관리 동작을 수행할 수 있다.

실시 예에 따라, 도난이 감지된 IoT 기기(500)가 존재하는 경우, 이동 단말기(400)는 서버(200a)로부터 도난된 IoT 기기(500)의 대략적인 위치 정보를 획득할 수 있다. 이동 단말기(400)가 IoT 기기(500)로부터 소정 거리 이내로 근접한 경우, 이동 단말기(400)는 IoT 기기(500)로부터 출력되는 통신 신호를 수신하여 IoT 기기(500)의 위치를 추정할 수 있다. 이와 관련된 실시 예에 대해서는 추후 도 6 내지 도 10을 참조하여 보다 상세히 설명하기로 한다.

IoT 기기(500)는 무선 통신을 지원하는 다양한 기기로 구현될 수 있다. 일례로, IoT 기기(500)는 사용자들이 공유하는 전동 스쿠터 등의 운송 수단을 포함할 수 있다. IoT 기기(500)는 상기 무선 통신을 통해, 상태정보를 주기적으로 서버(200a)로 전송할 수 있다.

실시 예에 따라, IoT 기기(500)는 기기에 구비된 센서를 이용하여 도난 여부를 감지할 수도 있다. 도난이 감지된 경우, IoT 기기(500)는 도난이 감지됨을 나타내는 정보를 서버(200a)로 전송하고, 서버(200a)는 수신된 정보에 따라 상기 IoT 기기(500)가 도난됨을 인식할 수 있다.

도 5는 도 4에 도시된 IoT 기기의 제어 구성의 일 실시 예를 나타내는 도면이다.

이하 설명의 편의를 위해, IoT 기기(500)는 전동 스쿠터와 같은 개인 운송 수단인 것으로 가정하여 설명한다. 다만, 본 발명의 실시 예들이 상기 개인 운송 수단에만 한정되는 것은 아니고, 다양한 종류의 IoT 기기(500)에 마찬가지로 적용될 수 있다.

도 5를 참조하면, IoT 기기(500)는 통신부(510), 입력부(520), 센서부(540), 출력부(550), 주행부(560), 메모리(570), 및 프로세서(580)를 포함할 수 있다. 도 4에서 상술한 바와 같이, IoT 기기(500)는 도 1에 도시된 AI 장치(100)의 일례에 해당할 수 있다. 즉, 도 5에 도시된 제어 구성들 중 AI 장치(100)에 포함된 제어 구성들과 대응되는 구성에 대해서는, 도 1에서 상술한 내용이 동일 또는 유사하게 적용될 수 있다.

통신부(510)는 IoT 기기(500)을 네트워크를 통해 서버(200a), 이동 단말기(400), 다른 IoT 기기 등과 연결하기 위한 통신 모듈들을 포함할 수 있다. 상기 통신 모듈들 각각은 도 1에서 상술한 통신 기술 중 어느 하나를 지원할 수 있다.

예컨대, IoT 기기(500)는 공유기나 라우터 등의 액세스 포인트를 통해 네트워크와 연결될 수 있다. 이에 따라, IoT 기기(500)는 입력부(520)나 센서부(540) 등을 통해 획득되는 각종 정보를, 상기 네트워크를 통해 서버(200a) 등으로 제공할 수 있다.

한편, 통신부(510)는 이동통신 모듈(512), 무선 인터넷 모듈(514), 근거리 무선통신 모듈(516), 및 위치정보 모듈(518)을 포함할 수 있다.

이동통신 모듈(512)은 LTE(long term evolution), 5G 네트워크 등의 다양한 이동통신 방식을 지원할 수 있다.

무선 인터넷 모듈(514)은 와이파이(Wi-Fi), 무선 랜(wireless LAN) 등의 다양한 무선 인터넷 방식을 지원할 수 있다.

근거리 무선통신 모듈(516)은 블루투스, BLE(Bluetooth low energy) 등의 다양한 근거리 무선통신 방식을 지원할 수 있다.

위치정보 모듈(518)은 GPS(global positioning system), GNSS(global navigation satellite system) 등의 방식에 따라, IoT 기기(500)의 위치정보를 위성(satellite) 등으로부터 수신할 수 있다.

예컨대, IoT 기기(500)는 이동통신 모듈(512) 및 무선 인터넷 모듈(514) 중 적어도 하나를 통해, 서버(200a)로 IoT 기기(500)의 상태정보를 전송하거나, 서버(200a)로부터 제어 명령을 수신할 수 있다.

또한, IoT 기기(500)는 무선 인터넷 모듈(514), 및/또는 위치정보 모듈(518)을 통해 IoT 기기(500)의 위치 정보를 획득할 수 있다.

예컨대, IoT 기기(500)가 실외에 위치하는 경우에는, 프로세서(580)는 위치정보 모듈(518)을 통해 IoT 기기(500)의 위치 정보를 획득할 수 있다.

반면, IoT 기기(500)가 실내에 위치하는 경우에는, 프로세서(580)는 무선 인터넷 모듈(514)을 통해 IoT 기기(500)의 위치 정보를 획득할 수 있다. 예컨대, 프로세서(580)는 와이파이 포지셔닝 시스템(wi-fi positioning system (WPS))을 통해 IoT 기기(500)의 위치 정보를 획득할 수 있다.

한편, 주변 환경이나 통신 상태 등에 따라, 상기 위치 정보에 따른 위치와 IoT 기기(500)의 실체 위치 사이에는 소정 정도의 오차가 존재할 수 있다.

이에 따라, IoT 기기(500)는 무선 인터넷 모듈(514) 또는 근거리 무선통신 모듈(516)을 통해 무선 통신 신호를 출력할 수 있다. 이동 단말기(400)는 IoT 기기(500)로부터 출력된 무선 통신 신호를 수신하고, 수신된 신호의 세기(RSSI)에 기초하여 IoT 기기(500)의 위치를 추정할 수 있다. 관리자는 추정된 위치로 이동함으로써 상기 IoT 기기(500)를 회수할 수 있다.

이와 관련된 실시 예에 대해서는 추후 도 6 내지 도 10을 통해 설명한다.

입력부(520)는 다양한 종류의 데이터를 획득하는 적어도 하나의 입력 수단을 포함할 수 있다. 예컨대, 상기 적어도 하나의 입력 수단은 버튼이나 다이얼 등의 물리 입력 수단, 터치 패드나 터치 패널과 같은 터치 입력부, 사용자의 음성이나 IoT 기기(500) 주변의 소리 등을 수신하는 마이크로폰 등을 포함할 수 있다. 사용자는 입력부(520)를 통해 각종 요청이나 명령을 IoT 기기(500)로 입력할 수 있다.

센서부(540)는 IoT 기기(500) 주변의 다양한 정보를 센싱하는 적어도 하나의 센서를 포함할 수 있다.

예컨대, 센서부(540)는 IoT 기기(500)의 움직임을 감지하는 움직임 센서(542)를 포함할 수 있다. 상기 움직임 센서는 관성측정센서(inertial measurement unit (IMU))를 포함할 수 있으나, 이에 한정되는 것은 아니다.

상기 움직임 센서(542)가 포함될 경우, 프로세서(580)는 움직임 센서(542)를 이용하여 IoT 기기(500)의 도난 여부를 감지할 수 있다. 예컨대, 프로세서(580)는 IoT 기기(500)가 미사용 상태일 때, 움직임 센서(542)로부터 기준 시간 이상 움직임이 감지되는 경우(또는 기준 시간 이상 기준 크기 이상의 움직임이 감지되는 경우) IoT 기기(500)가 도난된 것으로 감지할 수 있다.

실시 예에 따라, 센서부(540)는 IoT 기기(500) 주변에 사용자 등의 오브젝트가 접근함을 감지하는 근접 센서, IoT 기기(500)의 속도를 측정하는 속도 측정 센서, IoT 기기(500)가 배치된 공간의 밝기를 감지하는 조도 센서 등의 다양한 센서들을 포함할 수 있다.

출력부(550)는 IoT 기기(500)의 동작이나 상태, IoT 기기(500)에서 실행되는 각종 서비스, 프로그램, 애플리케이션 등과 관련된 각종 정보 또는 콘텐츠를 출력할 수 있다. 예컨대 출력부(550)는 디스플레이(552) 및 스피커(554) 등을 포함할 수 있다.

디스플레이(552)는 상술한 각종 정보, 메시지, 또는 콘텐츠를 그래픽 형태로 출력할 수 있다. 스피커(554)는 상기 각종 정보, 메시지, 또는 콘텐츠를 음성이나 음향 형태로 출력할 수 있다.

주행부(560)는 IoT 기기(500)의 이동(주행)을 위한 것으로서, 예컨대 주행 모터를 포함할 수 있다. 상기 주행 모터는 IoT 기기(500)의 하부에 구비된 적어도 하나의 휠과 연결되어, IoT 기기(500)의 주행을 위한 구동력을 상기 적어도 하나의 휠로 제공할 수 있다. 예컨대, 주행부(560)는 적어도 하나의 주행모터를 구비할 수 있고, 프로세서(580)는 상기 적어도 하나의 주행모터를 제어하여 IoT 기기(500)의 주행 방향 및/또는 주행 속도를 조절할 수 있다. 실시 예에 따라, IoT 기기(500)가 개인 운송 수단이 아닌 다른 종류의 기기인 경우에는, 주행부(560)가 구비되지 않을 수도 있다.

메모리(570)는 IoT 기기(500)에 포함된 구성 요소들의 동작을 제어하기 위한 제어 데이터, 입력부(520)를 통해 획득된 입력이나 센서부(540)를 통해 획득되는 정보에 기초한 동작을 수행하기 위한 데이터 등의 각종 데이터가 저장될 수 있다.

또한, 메모리(570)에는 프로세서(580)에 포함된 적어도 하나의 프로세서나 컨트롤러에 의해 실행되는 소프트웨어 모듈이나 애플리케이션 등의 프로그램 데이터가 저장될 수 있다.

이러한 메모리(570)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기를 포함할 수 있다.

프로세서(580)는 IoT 기기(500)의 동작을 제어하는 적어도 하나의 프로세서나 컨트롤러 등을 포함할 수 있다. 구체적으로, 프로세서(580)는 적어도 하나의 CPU, AP(application processor), 마이크로컴퓨터(또는 마이컴), 집적 회로, ASIC(application specific integrated circuit) 등을 포함할 수 있다.

실시 예에 따라, IoT 기기(500) 자체가 인공지능 장치로 구현되는 경우, IoT 기기(500)는 통신부(510), 입력부(520), 센서부(540) 등으로부터 획득되는 정보로부터 IoT 기기(500)의 정상 이용 또는 비정상 이용(도난 등)을 인식하는 인식 모델을 포함할 수 있다. 예컨대, 상기 인식 모델은 인공지능(머신러닝) 기반의 뉴럴 네트워크에 따라 구축되는 인공신경망을 포함할 수 있다.

러닝 프로세서(530) 또는 프로세서(580)는 상기 인식 모델을 통해, 상기 획득되는 정보로부터 IoT 기기(500)의 정상 이용 또는 비정상 이용 여부를 인식할 수 있다.

또한, 러닝 프로세서(530)는 상기 획득된 정보를 이용하여 상기 인식 모델에 대한 학습 동작을 수행함으로써 상기 인식 모델을 업데이트할 수 있다.

도 6은 본 발명의 실시 예에 따른 인공지능 장치를 포함하는 시스템의 제어 동작을 설명하기 위한 플로우차트이다. 도 7 내지 도 10은 도 6에 도시된 제어 동작과 관련된 예시도들이다.

도 6 내지 도 10에서, 인공지능 장치는 서버(200a)인 경우를 예로 들어 설명한다.

도 6 내지 도 10을 참조하면, 서버(200a)는 IoT 기기(500a)의 상태정보를 획득할 수 있다(S100).

IoT 기기(500a)는 통신부(510), 입력부(520), 센서부(540) 등을 통해, IoT 기기(500a)의 상태정보를 획득할 수 있다. 도 4에서 상술한 바와 같이, 상기 상태정보는 IoT 기기(500a)의 사용/미사용 상태와 관련된 정보, 배터리 상태와 관련된 정보, 위치 정보, 각종 센싱 정보, 및/또는 인증 정보 등을 포함할 수 있다.

IoT 기기(500a)의 프로세서(580)는 획득된 상태정보를 통신부(510; 예컨대 이동통신 모듈(512))를 통해 서버(200a)로 전송할 수 있다.

서버(200a)는, 획득된 상태정보에 기초하여 IoT 기기(500a)의 도난을 감지할 수 있다(S110).

예컨대, 프로세서(260)는 상기 상태정보로부터, IoT 기기(500a)가 미사용 상태일 때 움직임 센서(542)로부터 기준 시간 이상 움직임이 감지됨을 확인함으로써, IoT 기기(500a)의 도난을 감지할 수 있다. 프로세서(260)가 상태정보로부터 IoT 기기(500a)의 도난을 감지하는 방식은 다양하게 구현될 수 있다.

또는, 프로세서(260)는 인공지능 기반의 학습된 인식 모델을 이용하여, 상기 상태정보로부터 IoT 기기(500a)의 도난 여부(또는 비정상 이용 여부)에 대한 인식 결과를 획득함으로써, IoT 기기(500a)의 도난을 감지할 수도 있다.

IoT 기기(500a)는 위치정보 모듈(518)을 통해 IoT 기기(500a)의 위치정보를 획득할 수 있다(S120).

IoT 기기(500a)의 도난이 감지된 경우, 서버(200a)의 프로세서(260)는 IoT 기기(500a)로 위치정보의 제공 요청을 전송할 수 있다.

IoT 기기(500a)는 수신된 요청에 응답하여, 위치정보 모듈(518)을 통해 위치정보를 획득하고, 획득된 위치정보(PI)를 서버(200a)로 전송할 수 있다.

실시 예에 따라, 프로세서(260)는 와이파이 위치측위 시스템(WPS)을 통해, WPS 서버로부터 IoT 기기(500a)의 위치정보를 획득할 수도 있다.

구체적으로, WPS 서버에는 와이파이 액세스 포인트들 각각의 위치정보를 갖는 데이터베이스가 존재할 수 있다. WPS 서버는, IoT 기기(500a)가 스캔된 적어도 하나의 와이파이 액세스 포인트 각각의 위치정보에 기초하여, IoT 기기(500a)의 위치정보를 생성할 수 있다. WPS 서버는 생성된 위치정보를 IoT 기기(500a) 또는 서버(200a)로 전송할 수 있다.

실시 예에 따라, 프로세서(260)는 IoT 기기(500a)로부터 현재 스캔된 적어도 하나의 와이파이 액세스 포인트 각각의 맥 어드레스(MAC address) 정보를 획득하고, WPS 서버로부터 수신된 위치정보와의 매칭을 통해 IoT 기기(500a)의 위치정보에 대한 신뢰성을 검증할 수도 있다.

서버(200a)의 프로세서(260)는, 수신된 위치정보(PI)를 포함하는 탐색정보(SI)를 사용자 또는 관리자의 이동 단말기(400)로 전송할 수 있다.

예컨대, 도 8에 도시된 바와 같이, 이동 단말기(400)는 수신된 탐색정보(SI)에 기초하여, 위치정보(PI)를 포함하는 지도 화면(800)을 디스플레이를 통해 표시할 수 있다.

한편, WPS 또는 위치정보 모듈(518)을 통해 획득되는 위치정보(PI)는 주변환경이나 통신상태 등에 따라 소정의 오차가 발생할 수 있다. 따라서, 이동 단말기(400)는 지도 화면(800) 상에 위치정보(PI)와 오차를 고려한 탐색 범위(801)를 표시할 수 있다.

다만, 실시 예에 따라 이동 단말기(400)는 상기 탐색 범위(801) 대신, 지도 화면(800) 상에 상기 위치정보(PI)에 대응하는 지점을 나타내는 아이템을 표시할 수도 있다.

또한, 이동 단말기(400)는 사용자 또는 관리자로부터 IoT 기기(500a)의 도난 프로세스 실행 요청을 수신하기 위한 아이템(802; 예컨대 가상 버튼)을 표시할 수도 있다.

서버(200a)는 이동 단말기(400)로부터 IoT 기기(500a)의 도난 프로세스 실행 요청을 수신할 수 있다(S130).

도 8 내지 도 9를 계속 참조하면, 예컨대 사용자 또는 관리자는 상기 탐색 범위(801) 내 또는 탐색 범위(801)와 인접한 지점으로 이동한 후, 이동 단말기(400)의 디스플레이에 표시된 도난 프로세스 실행 요청 아이템(802)을 선택할 수 있다.

이동 단말기(400)는 아이템(802)의 선택에 응답하여, 도난 프로세스 실행 요청(TP_REQ)을 서버(200a)로 전송할 수 있다.

서버(200a)의 프로세서(260)는 수신된 도난 프로세스 실행 요청(TP_REQ)에 응답하여, IoT 기기(500a)로 도난 프로세스의 실행 명령(TP_CMD)을 전송할 수 있다.

실시 예에 따라, 프로세서(260)는 이동 단말기(400)의 위치정보와 상기 IoT 기기(500a)의 위치정보에 기초하여, 이동 단말기(400)와 IoT 기기(500a)가 소정 거리 내에 위치한 것으로 감지되는 경우, 도난 프로세스의 실행 명령(TP_CMD)을 자동으로 전송할 수도 있다.

IoT 기기(500a)는 도난 프로세스의 실행에 따라, 무선통신 신호 및 사운드 신호 중 적어도 하나를 출력하고(S140), 출력된 적어도 하나의 신호에 기초하여 IoT 기기(500a)의 위치가 확인될 수 있다(S150).

도 10을 함께 참조하면, IoT 기기(500a)의 프로세서(580)는 수신된 명령(TP_CMD)에 응답하여 도난 프로세스를 실행할 수 있다.

예컨대, 상기 도난 프로세스는, 이동 단말기(400) 또는 관리자(사용자)가 IoT 기기(500a)의 정확한 위치를 인지하기 위한 무선통신 신호 및/또는 사운드 신호를 출력하는 프로세스를 의미할 수 있다.

프로세서(580)는 무선 인터넷 모듈(514) 또는 근거리 무선통신 모듈(516)을 통해 무선통신 신호 형태의 도난 신호(TS)를 출력할 수 있다. 예컨대, 상기 무선통신 신호는 브로드캐스트 신호에 해당할 수 있다.

예를 들어, 프로세서(580)는 무선 인터넷 모듈(514)의 와이파이 모듈의 모드를 softAP 모드로 전환하여, 주변기기의 탐색을 위한 신호를 브로드캐스트할 수 있다. 또는, 프로세서(580)는 근거리 무선통신 모듈(516)의 BLE 모듈을 advertise 모드로 설정하여, 주변기기의 탐색을 위한 신호를 브로드캐스트할 수 있다.

이동 단말기(400)는 상기 브로드캐스트된 도난 신호(TS)를 수신하고, 수신된 도난 신호(TS)의 신호강도(received signal strength indicator (RSSI))에 기초하여 IoT 기기(500a)의 위치를 추정할 수 있다.

프로세서(580)는 스피커(554)를 통해 사운드 형태의 도난 신호(TS)를 출력할 수도 있다. 이동 단말기(400)는 마이크로폰을 통해 상기 도난 신호(TS)를 수신하고, 수신된 도난 신호(TS)의 사운드 크기에 기초하여 IoT 기기(500a)의 위치를 추정할 수 있다. 또는, 관리자 또는 사용자가 상기 사운드 형태의 도난 신호(TS)를 직접 듣고 IoT 기기(500a)의 위치를 추정할 수도 있다.

관리자 또는 사용자는 도난 신호(TS)에 기초하여 IoT 기기(500a)를 회수한 경우, 이동 단말기(400)를 조작하여 도난 프로세스 종료 요청(TP_END_REQ)을 서버(200a)로 전송할 수 있다.

서버(200a)는 수신된 도난 프로세스 종료 요청(TP_END_REQ)에 응답하여, IoT 기기(500a)로 도난 프로세스 종료 명령(TP_END_CMD)을 전송할 수 있다. IoT 기기(500a)는 수신된 명령에 응답하여 도난 프로세스를 종료함으로써, 도난 신호(TS)의 출력을 종료할 수 있다.

즉, 도 6 내지 도 10에 도시된 실시 예에 따르면, 상기 시스템은 도난이 감지된 IoT 기기(500)의 대략적인 위치정보를 제공한 후, IoT 기기(500)의 도난 프로세스를 통해 보다 정확한 위치의 추정을 위한 신호를 출력할 수 있다. 이에 따라, 도난 또는 분실된 IoT 기기(500)에 대한 회수율이 향상될 수 있다.

도 11은 본 발명의 실시 예에 따른 인공지능 장치가 IoT 기기의 도난 등 비정상 이용 상황을 인식하는 방법을 설명하기 위한 플로우차트이다.

도 11을 참조하면, 인공지능 장치(예컨대 서버(200a))는 사용자의 정상 이용 중, IoT 기기(500)의 상태정보를 획득하고(S200), 획득된 상태정보에 기초하여 IoT 기기(500)의 사용패턴을 학습할 수 있다(S210).

상기 사용자의 정상 이용이란, IoT 기기(500)에 대한 이용 요청이 승인된 후의 이용을 의미하거나, 등록된 사용자의 입력 등에 따라 IoT 기기(500)가 이용되는 경우를 의미할 수 있다. 또는, 사용자의 이동 단말기(400)와 IoT 기기(500)가 소정 거리 내에 위치한 상태에서 IoT 기기(500)가 이용되는 경우를 의미할 수도 있다.

서버(200a)의 프로세서(260)는 상기 사용자의 정상 이용 중 IoT 기기(500)로부터 상태정보를 수신할 수 있다. 프로세서(260) 또는 러닝 프로세서(240)는, 수신된 상태정보에 기초하여 IoT 기기(500)의 정상 이용 시 사용패턴을 학습할 수 있다.

서버(200a)는 인공지능 기반으로 학습 및 구축되는 인식 모델을 포함할 수 있다. 상기 인식 모델은, 상기 IoT 기기(500)의 상태정보로부터 IoT 기기(500)의 정상 이용 또는 비정상 이용을 인식하는 정상/비정상 이용 인식기를 포함할 수 잇다. 예컨대, 상기 정상/비정상 이용 인식기는 딥러닝 기반의 인공신경망의 형태로 제공될 수 있으나, 반드시 그러한 것은 아니다.

인공지능 장치는 IoT 기기(500)의 상태정보를 획득하고(S220), 학습된 인식 모델을 통해, 상기 획득된 상태정보로부터 IoT 기기(500)의 비정상 이용 여부를 인식할 수 있다(S230).

프로세서(260)는 IoT 기기(500)로부터 획득되는 상태정보를 상기 인식 모델로 입력하고, 상기 인식 모델로부터 IoT 기기(500)의 이용 상태가 정상 이용에 해당하는지 또는 비정상 이용에 해당하는지에 대한 인식 결과를 획득할 수 있다.

상기 정상 이용은 허가 또는 등록된 사용자에 의해 IoT 기기(500)가 이용되는 상태를 의미할 수 있다. 반면, 상기 비정상 이용은 허가 또는 등록되지 않은 타인에 의해 IoT 기기(500)가 이용되는 상태로서, 도난이나 분실 등을 의미할 수 있다.

실시 예에 따라, 프로세서(260) 또는 러닝 프로세서(240)는 비정상 이용으로 인식된 상태정보를 이용하여 인식 모델의 학습을 수행함으로써, 비정상 이용에 대한 인식 정확도를 보다 향상시킬 수 있다.

인공지능 장치는 비정상 이용의 인식 시, 사용자(또는 관리자)의 이동 단말기(400)로 IoT 기기(500)의 비정상 이용을 알리는 알림을 전송할 수 있다(S240).

실시 예에 따라, 상기 시스템은 상기 비정상 이용의 인식 시, 도 6의 S120 단계 내지 S150 단계에서 상술한 바와 같이, 도난된 IoT 기기(500)의 회수를 위한 동작을 수행할 수 있다.

도 12는 본 발명의 실시 예에 따른 인공지능 장치의 인식 모델에 포함된 정상/비정상 이용 인식기의 학습 동작 및 인식 동작을 설명하기 위한 도면이다.

도 12를 참조하면, 인공지능 장치(예컨대 서버(200a))의 프로세서(260)는, IoT 기기(500)로부터 상태정보가 수신되면, 수신된 상태정보로부터 적어도 하나의 특징점을 추출(1202)하고, 추출된 특징점에 기초하여 IoT 기기(500)의 정상 이용 또는 비정상 이용을 인식(1206)하고 인식 결과(정상 이용 또는 비정상 이용)를 출력하는 인식 동작을 수행할 수 있다. 예컨대, 상기 인식 모델은 정상 이용 및 비정상 이용 각각에 대한 확률값을 출력하고, 프로세서(260)는 높은 확률값을 갖는 항목을 인식 결과로서 획득할 수 있다.

실시 예에 따라, 프로세서(260)는 수신된 상태정보 자체로부터, 정상/비정상 이용 인식기를 이용하여 인식 동작을 수행할 수도 있다.

실시 예에 따라, 프로세서(260)는 1회의 인식 결과를 최종 인식 결과로서 출력할 수 있으나, 복수의 회의 인식 동작을 수행하고, 복수 회의 인식 결과에 기초하여 최종 인식 결과를 출력함으로써 인식 정확도를 더욱 향상시킬 수도 있다.

한편, 러닝 프로세서(240)는 인식 모델에 포함된 정상/비정상 이용 인식기에 대한 학습 동작을 수행할 수 있다.

예컨대, 러닝 프로세서(240)는 다수의 상태정보를 수집하여 데이터베이스를 구축하고, 획득된 상태정보로부터 추출된 특징점들과 정상/비정상 이용 인식기의 인식 결과를 이용하여 정상/비정상 이용 인식기의 학습(1204)을 수행할 수 있다. 상기 학습(1204)을 통해, 정상/비정상 이용 인식기에 포함된 인공신경망의 파라미터(웨이트 및/또는 바이어스 등)가 업데이트될 수 있다. 상기 학습의 수행 횟수가 증가할수록, 인식 모델의 인식 정확도가 향상될 수 있다.

즉, 도 11 내지 도 12에 도시된 실시 예에 따르면, 인공지능 장치는 IoT 기기(500)의 상태정보에 기초하여 인식 모델을 학습함으로써, IoT 기기(500)에 대한 비정상 이용 상황을 보다 정확히 인식할 수 있다. 이에 따라, 다양한 상황에서의 IoT 기기(500)의 도난이나 분실에 대한 정확한 인식을 통해 IoT 기기(500)의 안전한 관리가 가능해질 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.

본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

IoT 기기로부터 상태정보를 수신하는 통신부; 및
수신된 상태정보에 기초하여 상기 IoT 기기의 도난 여부를 감지하고,
상기 IoT 기기의 도난 감지 시, 상기 IoT 기기의 위치정보를 획득하고,
획득된 위치정보를 이동 단말기로 전송하도록 상기 통신부를 제어하고,
상기 이동 단말기로부터 상기 IoT 기기의 도난 프로세스 실행 요청을 수신하고,
수신된 도난 프로세스 실행 요청에 대응하는 도난 프로세스 실행 명령을 상기 IoT 기기로 전송하는 프로세서를 포함하는 인공지능 장치.
제1항에 있어서,
상기 IoT 기기의 상태정보에 기초하여 상기 IoT 기기의 정상 이용 여부를 인식하는 인식 모델을 저장하는 메모리를 더 포함하고,
상기 프로세서는,
상기 인식 모델을 이용하여, 상기 수신된 상태정보로부터 상기 IoT 기기의 도난 여부를 인식하는 인공지능 장치.
제2항에 있어서,
상기 IoT 기기의 상태정보 및 상기 인식 모델의 인식 결과를 이용하여 상기 인식 모델을 업데이트하는 러닝 프로세서를 더 포함하는 인공지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 IoT 기기의 도난 감지 시, 상기 IoT 기기의 위치정보 모듈에 의해 획득된 위치정보를 상기 IoT 기기로부터 수신하는 인공지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 IoT 기기의 도난 감지 시, 와이파이 위치측위 시스템(wi-fi positioning system (WPS))에 의해 획득되는 상기 IoT 기기의 위치정보를, 상기 IoT 기기 또는 WPS 서버로부터 수신하는 인공지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 IoT 기기의 위치정보와 상기 이동 단말기의 위치정보에 기초하여, 상기 IoT 기기와 상기 이동 단말기 사이의 거리를 감지하고,
감지된 거리가 기준 거리 이내인 경우, 상기 도난 프로세스 실행 명령을 상기 IoT 기기로 자동으로 전송하는 인공지능 장치.
제1항에 있어서,
도난 프로세스는 상기 IoT 기기의 통신부를 통한 무선 통신 신호의 출력, 또는 상기 IoT 기기의 스피커를 통한 사운드 신호의 출력 중 적어도 하나의 동작을 포함하는 인공지능 장치.
제1항에 있어서,
상기 상태정보는,
상기 IoT 기기의 사용/미사용 상태, 배터리 상태, 위치, 또는 센서부에 의해 획득된 센싱값 중 적어도 하나를 포함하는 인공지능 장치.
제1항에 있어서,
상기 프로세서는,
상기 이동 단말기로부터 도난 프로세스 종료 요청을 수신하고,
수신된 도난 프로세스 종료 요청에 대응하는 도난 프로세스 종료 명령을 상기 IoT 기기로 전송하는 인공지능 장치.
인공지능 장치에 있어서,
상기 인공지능 장치의 위치정보를 획득하기 위한 통신부;
상기 인공지능 장치의 상태정보를 획득하기 위한 적어도 하나의 센서;
스피커; 및
획득된 상태정보에 기초하여 상기 인공지능 장치의 도난 여부를 감지하고,
상기 인공지능 장치의 도난 감지 시, 상기 인공지능 장치의 위치정보를 상기 서버로 전송하고,
상기 서버로부터 도난 프로세스 실행 명령을 수신하고,
수신된 도난 프로세스 실행 명령에 기초하여, 무선 통신 신호 또는 사운드 신호 중 적어도 하나를 출력하도록 상기 통신부 또는 상기 스피커 중 적어도 하나를 제어하는 프로세서를 포함하는 인공지능 장치.
제10항에 있어서,
상기 IoT 기기의 상태정보에 기초하여 상기 IoT 기기의 정상 이용 여부를 인식하는 인식 모델을 저장하는 메모리를 더 포함하고,
상기 프로세서는,
상기 인식 모델을 이용하여, 상기 수신된 상태정보로부터 상기 IoT 기기의 도난 여부를 인식하는 인공지능 장치.
제11항에 있어서,
상기 IoT 기기의 상태정보 및 상기 인식 모델의 인식 결과를 이용하여 상기 인식 모델을 업데이트하는 러닝 프로세서를 더 포함하는 인공지능 장치.
제10항에 있어서,
상기 적어도 하나의 센서는 움직임 센서를 포함하고,
상기 프로세서는,
상기 인공지능 장치의 미사용 상태에서, 상기 움직임 센서를 통해 기준 시간 이상의 움직임이 감지되는 경우 상기 인공지능 장치의 도난을 감지하는 인공지능 장치.
제10항에 있어서,
상기 통신부는 와이파이 모듈을 포함하고,
상기 프로세서는,
상기 도난 프로세스 실행 명령에 응답하여, 상기 무선 통신 신호의 브로드캐스트를 위해 상기 와이파이 모듈의 모드를 softAP 모드로 전환하는 인공지능 장치.
제10항에 있어서,
상기 통신부는 근거리 무선통신 모듈을 포함하고,
상기 프로세서는,
상기 도난 프로세스 실행 명령에 응답하여, 상기 무선 통신 신호의 브로드캐스트를 위해 상기 근거리 무선통신 모듈의 모드를 advertise 모드로 전환하는 인공지능 장치.
인공지능 장치를 이용한 IoT 기기의 도난 감지 및 탐색 방법에 있어서,
상기 IoT 기기의 상태정보에 기초하여, 상기 IoT 기기의 도난 여부를 감지하는 단계;
상기 IoT 기기의 도난이 감지된 경우, 상기 IoT 기기의 위치정보를 획득하는 단계;
획득된 위치정보를 이동 단말기로 전송하는 단계; 및
도난 프로세스 실행 명령에 기초하여, 상기 IoT 기기를 통해 도난 신호를 출력하는 단계를 포함하는 인공지능 장치를 이용한 IoT 기기의 도난 감지 및 탐색 방법.
제16항에 있어서,
상기 IoT 기기의 도난 여부를 감지하는 단계는,
딥러닝 기반으로 학습된 인식 모델을 통해, 상기 상태정보로부터 상기 IoT 기기의 도난 여부를 감지하는 단계를 포함하는 인공지능 장치를 이용한 IoT 기기의 도난 감지 및 탐색 방법.
제16항에 있어서,
상기 도난 신호를 출력하는 단계는,
상기 이동 단말기로부터 도난 프로세스 실행 요청을 수신하는 단계; 및
수신된 도난 프로세스 실행 요청에 기초하여 상기 도난 프로세스 실행 명령을 상기 IoT 기기로 전송하는 단계를 포함하는 인공지능 장치를 이용한 IoT 기기의 도난 감지 및 탐색 방법.
제16항에 있어서,
상기 도난 신호를 출력하는 단계는,
상기 IoT 기기의 통신부를 통한 무선 통신 신호를 브로드캐스트하는 단계; 또는
상기 IoT 기기의 스피커를 통해 사운드 신호를 출력하는 단계 중 적어도 하나를 포함하는 인공지능 장치를 이용한 IoT 기기의 도난 감지 및 탐색 방법.