KR20190106867A - 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 - Google Patents
가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 Download PDFInfo
- Publication number
- KR20190106867A KR20190106867A KR1020190105297A KR20190105297A KR20190106867A KR 20190106867 A KR20190106867 A KR 20190106867A KR 1020190105297 A KR1020190105297 A KR 1020190105297A KR 20190105297 A KR20190105297 A KR 20190105297A KR 20190106867 A KR20190106867 A KR 20190106867A
- Authority
- KR
- South Korea
- Prior art keywords
- furniture
- data
- model
- map data
- parameter
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 147
- 238000011017 operating method Methods 0.000 title abstract 2
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 79
- 238000000034 method Methods 0.000 claims description 53
- 239000000284 extract Substances 0.000 claims description 40
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 11
- 229910052802 copper Inorganic materials 0.000 claims description 10
- 239000010949 copper Substances 0.000 claims description 10
- 239000010410 layer Substances 0.000 description 49
- 238000012549 training Methods 0.000 description 48
- 230000006870 function Effects 0.000 description 43
- 238000005516 engineering process Methods 0.000 description 40
- 238000010801 machine learning Methods 0.000 description 28
- 210000002569 neuron Anatomy 0.000 description 24
- 230000008569 process Effects 0.000 description 17
- 238000004140 cleaning Methods 0.000 description 14
- 230000003993 interaction Effects 0.000 description 14
- 239000003795 chemical substances by application Substances 0.000 description 9
- 230000002787 reinforcement Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 210000000225 synapse Anatomy 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
- G05D1/0044—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement by providing the operator with a computer generated representation of the environment of the vehicle, e.g. virtual reality, maps
-
- G06F17/50—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/004—Map manufacture or repair; Tear or ink or water resistant maps; Long-life maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Architecture (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Remote Sensing (AREA)
- Human Computer Interaction (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
Abstract
본 발명은, 적어도 하나의 외부 기기로부터 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신하는 통신부, 상기 실내 구역 지도 데이터 및 실내 구역 영상 데이터에 기초하여, 적어도 하나의 가구의 배치 위치가 매핑된 제1 가구 배치 지도 데이터를 생성하고, 상기 제1 가구 배치 지도 데이터를 가구 배치 모델에 제공하여 상기 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득하는 프로세서를 포함하는 인공 지능 장치 및 그의 동작방법을 제공한다.
Description
본 발명은, 가구의 배치 위치를 가이드하는 인공 지능 장치에 관한 것이다.
인공 지능(artificial intelligence)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 의미한다.
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.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.
그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.
한편, 종래의 실내 가구 배치는 사용자의 동선에 방해가 얼마나 되는지 또는 사용자의 실내 시선에 방해가 얼마나 되는지에 상관 없이, 사용자의 임의로 배치되는 경우가 많다.
따라서, 실내에 소파, 식탁 및 테이블 등 많은 가구들의 배치 위치에 따라 사용자의 동선과 시선에 제약이 발생하여 문제가 발생하고 있다.
이에 따라, 실내 동선과 시선을 고려하여, 가구를 배치하는 방법이 고려될 필요가 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 발명은 실내에서 사용자의 동선을 고려하고 사용자의 시선 확보를 고려하여, 가구의 최적 배치 위치를 가이드할 수 있는 인공 지능 장치의 제공을 목적으로 한다.
본 발명은 로봇 청소기의 주행 데이터를 이용하여 실시간으로 변화하는 사용자의 동선을 반영하여, 가구의 최적 배치 위치를 가이들 할 수 있는 인공 지능 장치의 제공을 목적으로 한다.
발명의 일 실시 예는 적어도 하나의 외부 기기로부터 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신하는 통신부, 상기 실내 구역 지도 데이터 및 실내 구역 영상 데이터에 기초하여, 적어도 하나 이상의적어도 하나의 가구의 배치 위치가 매핑된 제1 가구 배치 지도 데이터를 생성하고, 상기 제1 가구 배치 지도 데이터를 가구 배치 모델에 제공하여 상기 적어도 하나 이상의적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득하는 프로세서를 포함하는 인공 지능 장치를 제공한다.
또한, 본 발명의 일 실시 예는 외부 기기로부터 수신된 동선 데이터를 기초로하여, 현재 배치된 가구의 배치 위치 변경을 가이드하는 인공 지능 장치를 제공한다.
본 발명의 실시 예에 따르면, 사용자는 적어도 하나의 가구의 최적 배치위치를 가이드 받을 수 있다. 이에 따라, 실내에 가구가 배치되는 경우, 실내의 동선을 최적화하고 사용자의 시선을 확보할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 로봇 청소기의 동선을 고려하여 가구의 배치를 제안함으로써, 실시간으로 최적의 가구 배치를 가이드 할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 로봇 청소기(500)를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 로봇 청소기(500)의 사시도이다.
도 6은 본 발명의 일 실시 예에 따른 로봇 청소기(500)의 저면도이다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 시스템(1)의 일 예를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 가구의 배치 위치를 가이드 하는 인공 지능 장치의 동작 방법을 설명하기 위한 동작 흐름도이다.
도 9 내지 도 11은 본 발명의 일 실시 예에 따른 가구 배치 모델을 설명하기 위한 도면이다.
도 12 및 도 13은 본 발명의 일 실시 예에 따른 로봇 청소기의 동선 데이터를 이용하여 가구의 최적 배치 위치를 가이드하는 인공 지능 장치를 설명하기 위한 도면이다.
도 14 및 도 15는 본 발명의 일 실시 예에 따른 사용자의 시선 확보를 위한 가구의 최적 배치 위치를 가이드하는 인공 지능 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 로봇 청소기(500)를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 로봇 청소기(500)의 사시도이다.
도 6은 본 발명의 일 실시 예에 따른 로봇 청소기(500)의 저면도이다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 시스템(1)의 일 예를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 가구의 배치 위치를 가이드 하는 인공 지능 장치의 동작 방법을 설명하기 위한 동작 흐름도이다.
도 9 내지 도 11은 본 발명의 일 실시 예에 따른 가구 배치 모델을 설명하기 위한 도면이다.
도 12 및 도 13은 본 발명의 일 실시 예에 따른 로봇 청소기의 동선 데이터를 이용하여 가구의 최적 배치 위치를 가이드하는 인공 지능 장치를 설명하기 위한 도면이다.
도 14 및 도 15는 본 발명의 일 실시 예에 따른 사용자의 시선 확보를 위한 가구의 최적 배치 위치를 가이드하는 인공 지능 장치를 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 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 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.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
먼저 인공지능에 대하여 간단히 설명한다.
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 의미한다.
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 분야이다.
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 취한다.
용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 4는 본 발명의 일 실시 예에 따른 로봇 청소기(500)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 로봇 청소기(500)은 주행 구동부(160), 청소부(190) 및 맵생성부(193)를 더 포함할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 로봇 청소기(500)은 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 로봇 청소기(500)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 로봇 청소기(500)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 로봇 청소기(500)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
센싱부(140)는 깊이 센서(미도시), RGB 센서(미도시), 충돌 감지 센서(미도시), 낭떠러지 센서(미도시) 중 하나 이상을 포함하여, 로봇 청소기(500)의 주변에 대한 영상 데이터를 획득할 수 있다.
깊이 센서는 발광부(미도시)로부터 조사된 빛이 사물에 반사되어 돌아옴을 감지할 수 있다. 깊이 센서는 돌아온 빛을 감지한 시간 차이, 돌아온 빛의 양 등에 기초하여, 사물과의 거리를 측정할 수 있다.
깊이 센서는 측정된 사물 간의 거리에 기초하여, 로봇 청소기(500) 주위에 대한 2차원 영상 정보 또는 3차원 영상 정보를 획득할 수 있다.
RGB 센서는 로봇 청소기(500) 주위의 사물 또는 사용자에 대한 컬러 영상 정보를 획득할 수 있다. 컬러 영상 정보는 사물의 촬영 영상일 수 있다. RGB 센서는 RGB 카메라로 명명될 수 있다.
이때, 카메라(121)가 RGB 센서를 의미할 수도 있다.
충돌 감지 센서는 범퍼 센서(bumper sensor)라 칭할 수 있으며, 충격량을 측정할 수 있다.
낭떠러지 센서는 클리프 센서(cliff sensor)라 칭할 수 있으며, 인공 지능 장치(100)의 바닥 면까지의 거리를 측정할 수 있다.
이때, 낭떠러지 센서는 광 센서 또는 깊이 센서로 구현될 수 있다.
센싱부(140)에서 획득한 센서 정보는 물체나 장애물을 검출하는데 이용될 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 로봇 청소기(500)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 로봇 청소기(500)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 로봇 청소기(500)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 로봇 청소기(500)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 로봇 청소기(500)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 로봇 청소기(500)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
주행 구동부(160)는 로봇 청소기(500)를 특정 방향으로 또는 특정 거리만큼 이동시킬 수 있다.
주행 구동부(160)는 로봇 청소기(500)의 좌륜을 구동시키는 좌륜 구동부(161) 및 우륜을 구동시키는 우륜 구동부(162)를 포함할 수 있다.
좌륜 구동부(161)는 좌륜을 구동시키기 위한 모터를 포함할 수 있고, 우륜 구동부(162)는 우륜을 구동시키기 위한 모터를 포함할 수 있다.
도 4에서는 주행 구동부(160)가 좌륜 구동부(161) 및 우륜 구동부(162)를 포함하는 것을 예로 들어 설명하였으나, 본 발명이 이에 한정되지 않는다. 즉, 일 실시 예에서 주행 구동부(160)는 하나의 휠 만으로 구성될 수도 있다.
청소부(190)는 흡입부(191) 또는 걸레질부(192) 중에서 적어도 하나 이상을 포함하여, 로봇 청소기(500) 인근의 바닥 면을 청소할 수 있다.
흡입부(191)는 진공 청소부라 부를 수도 있다.
흡입부(191)는 공기를 흡입하여 로봇 청소기(500) 주변의 먼지나 쓰레기 등의 이물질을 흡입할 수 있다.
이때, 흡입부(191)는 이물질을 모아주는 수단으로써 브러쉬 등을 포함할 수 있다.
걸레질부(192)는 걸레를 로봇 청소기(500)의 바닥 면에 적어도 일부 접촉시킨 상태에서 바닥을 닦을 수 있다.
이때, 걸레질부(192)는 걸레와 걸레를 움직이는 걸레 구동부 등을 포함할 수 있다.
이때, 걸레질부(192)의 걸레는 걸레 구동부를 통해 지면으로부터의 거리가 조절될 수 있다. 즉, 걸레 구동부는 걸레질이 필요한 경우에 걸레가 지면에 접촉되도록 동작할 수 있다.
맵생성부(193)는 장애물에 대한 정보를 바탕으로, 청소구역에 대한 지도를 생성한다.
맵생성부(193)는 초기 동작 시, 또는 청소구역에 대한 지도가 저장되어 있지 않은 경우, 인공 지능 로봇이 청소구역을 주행하면서 획득한 장애물 정보를 바탕으로 청소구역에 대한 지도를 생성한다. 또한, 맵생성부(220)는 주행 중 획득되는 장애물 정보를 바탕으로, 기 생성된 지도를 갱신한다.
맵생성부(193)는 주행 중 획득되는 장애물 정보를 바탕으로 기초 지도를 생성하고, 기초 지도로부터 구역을 구분하여 실내 구역 지도를 생성한다.
기초 지도는, 주행을 통해 획득되는 청소영역의 형태가 외곽선으로 표시되는 지도이고, 실내 구역 지도는 기초 지도에 구역이 구분된 지도이다. 기초 지도와 실내 구역 지도에는 로봇 청소기의 주행 가능한 영역과 장애물정보가 포함된다.
맵생성부(193)는 기초 지도 생성 후, 청소구역을 복수의 구역으로 구분하고, 복수의 구역을 연결하는 연결통로를 포함하며, 각 구역 내의 장애물에 대한 정보를 포함하여 지도를 생성한다.
맵생성부(193)는 기초 지도 생성 후, 청소구역을 복수의 구역으로 구분하고, 복수의 구역을 연결하는 연결통로를 포함하며, 각 구역 내의 장애물에 대한 정보를 포함하여 지도를 생성한다.
맵생성부(193)는 일반적인 가정의 방의 형태, 예를 들어 사각형을 기준으로 구역의 형태를 가공한다. 또한, 맵생성부(193)는 기초 지도의 최 외각 셀을 기준으로 구역의 형태를 확장하고, 장애물로 인하여 접근할 수 없는 구역에 대하여 구역을 삭제하거나 축소하여 구역의 형태를 가공한다.
또한, 맵생성부(193)는 기초 지도에서, 장애물의 크기에 따라, 일정 크기 이상의 장애물은 지도에 표시하고, 일정 크기 미만의 장애물은 해당 셀을 삭제하여 장애물이 표시되지 않도록 한다. 예를 들어, 맵생성부(193)는 일정크기 이상의 의자, 소파 등의 가구는 지도에 표시하고, 일시적으로 나타나는 장애물, 크기가 작은, 예를 들어 작은 장난감 등은 지도에서 삭제한다. 맵생성부(193)는 지도 생성 시, 충전대의 위치를 지도에 함께 저장한다.
맵생성부(193)는 지도가 생성된 이후, 감지되는 장애물에 대하여, 지도상에 장애물을 추가할 수 있다. 맵생성부(193)는 특정 장애물이 고정된 위치에서 반복적으로 감지되는 경우, 지도에 장애물을 추가하고, 장애물이 일시적으로 감지되는 경우에는 무시한다.
도 5는 본 발명의 일 실시 예에 따른 로봇 청소기(500)의 사시도이다.
도 5를 참조하면, 로봇 청소기(500)은 청소기 본체(50)와 카메라(121) 또는 센싱부(140)를 포함할 수 있다.
카메라(121) 또는 센싱부(140)는 전방에 빛을 조사하고, 반사된 빛을 수신할 수 있다.
카메라(121) 또는 센싱부(140)는 수신된 빛이 돌아오는 시간 차이를 이용하여 깊이 정보를 획득할 수 있다.
청소기 본체(50)는 도 4에서 설명된 구성 요소들 중 카메라(121)와 센싱부(140)를 제외한 다른 구성 요소들을 포함할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 로봇 청소기(500)의 저면도이다.
도 6을 참조하면, 로봇 청소기(500)은 도 4의 구성에 더해, 청소기 본체(50), 좌륜(61a), 우륜(61b) 및 흡입부(70)를 더 포함할 수 있다.
좌륜(61a) 및 우륜(61b)은 청소기 본체(50)를 주행시킬 수 있다.
좌륜 구동부(161)는 좌륜(61a)을 구동시킬 수 있고, 우륜 구동부(162)는 우륜(61b)을 구동시킬 수 있다.
좌륜(61a) 및 우륜(61b)이 주행 구동부(160)에 의해 회전됨에 따라, 로봇 청소기(500)은 흡입부(70)를 통해 먼지나 쓰레기 등의 이물질을 흡입할 수 있다.
흡입부(70)는 청소기 본체(50)에 구비되어 바닥 면의 먼지를 흡입할 수 있다.
흡입부(70)는 흡입된 기류 중에서 이물질을 채집하는 필터(미도시)와, 상기 필터에 의해 채집된 이물질들이 축적되는 이물질 수용기(미도시)를 더 포함할 수 있다.
또한, 로봇 청소기(500)은 도 4의 구성에 더해, 걸레질부(미도시)를 더 포함할 수 있다.
걸레질부(미도시)는 걸레(미도시)와, 걸레를 바닥 면에 접촉시킨 상태에서 회전시키거나 설정된 패턴에 따라 움직이는 모터(미도시)를 포함할 수 있다. 로봇 청소기(500)는 걸레질부(미도시)를 통해 바닥 면을 닦을 수 있다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능 시스템(1)의 일 예를 나타낸 도면이다.
도 7을 참조하면, 인공 지능 시스템(1)은 인공 지능 장치(100), 인공 지능 서버(200), 하나 이상의 외부 기기(300)를 포함할 수 있다.
인공 지능 장치(100), 인공 지능 서버(200) 및 외부 기기(300)는 유무선 통신 기술을 이용하여 서로 통신할 수 있다.
특히, 인공 지능 장치(100), 인공 지능 서버(200) 또는 외부 기기(300) 중에서 일부는 5G 네트워크 기술을 이용하여 서로 통신할 수 있다.
또한, 인공 지능 장치(100)는 적어도 하나 이상의 외부 기기(300)의 식별정보 및 위치정보를 획득할 수 있다. 인공 지능 장치(100)은 적어도 하나 이상의 외부 기기(300) 각각을 식별할 수 있다. 인공 지능 장치(100)는 외부 기기(300)로부터 데이터를 수신하는 경우, 테이터를 전송한 외부 기기(300)를 식별하고 해당 외부 기기(300)의 위치를 파악할 수 있다.
외부 기기(300)는 로봇 청소기(500), 인공 지능 로봇, 사물 인터넷 기기, 텔레비전, 에어컨, 냉장고, 세탁기, 홈 보안 카메라, 공기청정기, IoT 디바이스 또는 가전 등을 포함할 수 있다.
예를 들어, 외부 기기(300)는 음성 데이터를 수집할 수 있는 마이크로폰, 영상 데이터를 수집할 수 있는 카메라 또는 이미지 센서, 물체 거리 데이터를 수집할 수 있는 깊이 센서 중 적어도 하나를 포함할 수 있다.
또한, 외부 기기(300)가 움직일 수 있는 기기인 경우, 주행 중 동선 데이터를 수집할 수 있다. 예를 들어, 외부 기기(300)가 로봇 청소기(500)인 경우, 로봇 청소기(500)는 청소를 하기 위해 주행했던 경로에 관한 데이터인 동선 데이터를 수집할 수 있다. 또한, 로봇 청소기(500)는 맵생성부(193)를 통하여 실내 구역 지도 데이터를 생성할 수 있다.
또한, 외부 기기(300)가 영상 데이터를 수집할 수 있는 카메라가 구비되어있는 기기인 경우, 실내 구역 영상 데이터를 획득할 수 있다. 예를 들어, 외부 기기(300)가 홈 보안 카메라인 경우, 구역별로 영상을 촬영할 수 있으며, 실내 구역 영상 데이터를 획득 할 수 있다.
외부 기기(300)는 음성 데이터, 영상 데이터, 물체 거리 데이터, 실내 구역 지도 데이터 및 실내 구역 영상 데이터 중 적어도 하나를 포함하는 데이터를 획득하고, 획득한 데이터를 인공 지능 장치(100)에 전송할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 가구의 배치 위치를 가이드 하는 인공 지능 장치의 동작 방법을 설명하기 위한 동작 흐름도이다.
통신부는 적어도 하나의 외부 기기(300)로부터 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신할 수 있다(S801).
외부 기기(300)가 로봇 청소기(500)인 경우, 실내 구역 지도 데이터는 로봇 청소기(500)가 생성한 실내 구역 지도에 대한 데이터일 수 있다.
실내 구역 지도 데이터는 주행이 가능한 외부 기기(300)가 주행을 통해 획득한 청소영역의 형태가 외곽선으로 표시되는 지도에 관한 데이터를 포함할 수 있다. 따라서, 실내 구역 지도 데이터는 실내의 구조에 관한 데이터를 포함할 수 있다. 또한, 실내 구역 지도 데이터에는 주행이 가능한 외부 기기(300)가 주행 중 감지한 장애물의 위치에 관한 데이터를 포함할 수 있다. 따라서, 실내 구역 지도 데이터에는 적어도 하나의 장애물의 형태, 크기 및 위치에 관한 데이터를 포함할 수 있다.
또한, 실내 구역 영상 데이터는 외부 기기(300)가 카메라를 통해 획득한 실내 구역별 영상 데이터일 수 있다. 예를 들어, 외부 기기(300)가 홈 보안 카메라인 경우 실내 구역 영상 데이터는 홈 보안 카메라가 획득한 실내 구역에 대한 영상 데이터일 수 있다. 예를 들어, 외부 기기(300)가 거실에 설치된 홈 보안 카메라인 경우, 실내 구역 영상 데이터는 거실에 설치되어 있는 홈 보안 카메라가 획득한 거실 영상 데이터일 수 있다.
프로세서(180)는 수신한 실내 구역 지도 데이터 및 실내 구역 영상 데이터에 기초하여 적어도 하나의 가구의 배치 위치가 매핑된 제1 가구 배치 지도 데이터를 생성할 수 있다(S802).
예를 들어, 프로세서(180)는 실내 구역 지도 데이터에 기초하여 실내의 구조를 파악할 수 있는 실내 평면도에 대한 데이터를 추출할 수 있다. 또한, 실내 평면도 데이터에는 적어도 하나의 장애물의 형태, 크기 및 위치에 대한 데이터가 포함될 수 있다.
또한, 프로세서(180)는 실내 구역 영상 데이터를 기초로 구역별로 적어도 하나의 가구 각각의 종류, 형태, 크기, 및/또는 배치 위치를 추출할 수 있다. 예를 들어, 프로세서(180) 거실에 설치된 홈 보안 카메라로부터 수신한 거실 영상 데이터를 기초로 거실에 배치된 소파의 형태, 크기, 및/또는 위치를 추출할 수 있다.
따라서, 프로세서(180)는 적어도 하나의 외부 기기로부터 수신한 실내 구역 지도 데이터 및 실내 구역 영상 데이터에 기초하여 적어도 하나의 가구의 배치 위치가 매핑된 제1 가구 배치 지도 데이터를 생성할 수 있다.
프로세서(180)는 제1 가구 배치 지도 데이터를 출력부(150)를 통해 출력할 수 있다. 따라서, 사용자는 인공 지능 장치(100)를 이용하여 실내의 구조 및 가구 배치 현황을 확인할 수 있다.
프로세서(180)는 제1 가구 배치 지도 데이터를 가구 배치 모델에 제공하여 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득 할 수 있다 (S803).
도 9를 참고하면, 프로세서(180)는 제1 가구 배치 지도 데이터(901)를 가구 배치 모델(902)에 제공하여, 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터(903)를 획득할 수 있다.
가구 배치 모델은 학습용 실내 구역 지도 데이터 및 가구 배치 위치 정보를 기초로 학습된 인공 지능 모델일 수 있다.
예를 들어, 가구 배치 모델은 적어도 하나의 학습용 실내 구역 지도 데이터 각각에 적어도 하나의 학습용 가구 배치 위치에 대한 정보를 레이블링하여 학습된 뉴럴 네트워크일 수 있다.
가구 배치 모델에는 연합학습(Federated learning)이 적용될 수 있다. 인공 지능 장치(100)는 공통된 가구 배치 모델을 다운로드 받고, 외부 기기(300) 또는 인공 지능 장치(100)의 데이터를 별도 클라우드 서버에 전송할 필요없이 인공 지능 장치(100) 내에서 가구 배치 모델을 학습시켜 개선시킬 수 있다. 인공 지능 장치(100)는 개선된 가구 배치 모델을 별도 클라우드 서버로 전송하여, 공통된 가구 배치 모델을 개선시킬 수도 있다.
또한, 가구 배치 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 기반의 모델일 수 있다. 가구 배치 모델은 강화 학습을 통해 학습된 모델일 수 있다.
강화 학습을 통하여 학습을 수행함으로써, 파라미터가 결정되거나 지속적으로 업데이트 하는 인공 신경망을, 본 명세서에서는 강화 학습 모델이라 명칭할 수 있다.
강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.
마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경(environment) 이 주어진다.
두번째로, 그 환경에서 에이전트가 환경을 기반으로 어떻게 행동(action)할지 정의한다.
세번째로, 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의한다.
네번째로, 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
마르코프 결정 과정을 본 발명에 적용하면, 에이전트는 인공 지능 장치(100) 또는 가구 배치 모델일 수 있다.여기서, 학습용 실내 구역 지도 데이터는 실내 공간 구조에 대한 평면도를 기초로 추출된 데이터일 수 있다. 또한, 프로세서(180)는 적어도 하나의 가구 배치가 예시된 평면도에 대한 데이터로부터 학습용 실내 구역 지도 데이터 각각에 적어도 하나의 학습용 가구 배치 위치에 대한 정보를 레이블링할 수 있다. 적어도 하나의 가구 배치가 매핑된 평면도는 모델하우스 평면도에 대한 데이터로부터 수집될 수 도 있다.
또한, 프로세서(180)는 제1 가구 배치 지도 데이터로부터 실내 평면 구조에 대한 데이터 및 적어도 하나의 가구의 현재 배치 위치에 대한 데이터를 추출하여 가구 배치 모델에 제공할 수 있다.
가구 배치 모델은 실내 평면 구조에 대한 데이터 및 적어도 하나의 가구의 배치 위치에 대한 데이터를 입력값으로 하고, 적어도 하나의 가구 각각의 배치 위치를 결정하여 출력할 수 있다. 출력된 적어도 하나의 가구 각각의 배치 위치는 이전의 배치 위치에서 변경된 위치일 수 있다. 따라서, 가구 배치 모델은 변경된 배치 위치를 출력함으로써 가구 배치를 변경할 것을 제안할 수 있다.
프로세서(180)는 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득할 수 있다.
또한 프로세서(180)는 가구 배치 모델로부터 출력된 적어도 하나의 가구 각각의 배치 위치에 기초하여, 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득 할 수 있다. 이 경우, 제2 가구 배치 지도 데이터는 가구 배치 모델로부터 출력된 적어도 하나의 가구의 배치 위치에 대한 정보를 포함할 수 있다.
프로세서(180)는 제2 가구 배치 지도 데이터를 출력부(150)를 통해 출력할 수 있다. 또한, 프로세서(180)는 제2 가구 배치 지도 데이터를 표시하는 배치 가이드 화면을 디스플레이부를 통해 표시할 수 있다. 따라서, 인공 지능 장치(100)는 사용자에게 최적의 가구 배치 위치를 가이드할 수 있다.
통신부(110)는 적어도 하나의 외부 기기로부터 실내 동선 데이터를 수신할 수 있다(S804).
외부 기기(300)가 주행이 가능한 기기인 경우, 외부 기기(300)는 실내를 주행하는 중 주행 경로에 대한 동선 데이터를 수집할 수 있다. 예를 들어, 외부 기기(300)가 로봇 청소기(500)인 경우, 로봇 청소기(500)는 청소를 하기 위해 주행했던 경로에 관한 데이터인 동선 데이터를 수집할 수 있다. 또한, 로봇 청소기(500)는 로봇 청소기(500)의 위치 정보에 기초하여 주행 경로에 관한 데이터인 동선 데이터를 수집할 수 있다. 외부 기기(300)는 실내 동선 데이터를 인공 지능 장치(100)로 전송할 수 있다.
프로세서(180)는 제2 가구 배치 지도 데이터 및 실내 동선 데이터에 기초하여 가구 배치 모델을 학습시키기 위한 파라미터를 추출할 수 있다(S805). 또한, 프로세서(180)는 추출한 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다(S806)
프로세서(180)는 제2 가구 배치 지도 데이터 및 실내 동선 데이터에 기초하여 가구 배치 모델을 학습시키기 위한 파라미터를 추출하고, 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다.
도 10을 참조하면, 프로세서(180)는 제1 가구 배치 지도 데이터(1001)을 가구 배치 모델(1002)의 입력값으로 제공하고, 가구 배치 모델이 출력한 가구 배치 위치가 매칭된 제2 가구배치 지도 데이터(1003)를 획득할 수 있다. 또한, 프로세서(180)는 실내 동선 데이터(1004)에 기초하여 가구 배치 모델을 학습 시키기 위한 파라미터(1005)를 추출하고 파라미터(1005)를 가구 배치 모델(1002)에 제공할 수 있다.
프로세서(180)는 제2 가구 배치 지도 데이터 및 실내 동선 데이터에 기초하여 실내 구역간 동선 거리를 추출하고, 추출된 구역간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하고, 리워드 파라미터 또는 패널티 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다. 이 경우, 프로세서(180)는 추출한 구역간 동선 거리를 메모리(170)에 저장할 수 있다.
예를 들어, 프로세서(180)는 제2 가구 배치 지도 데이터 및 실내 동선 데이터에 기초하여 ‘A’구역에서 ‘B’구역까지의 동선 거리를 추출할 수 있다. ‘A’구역에서 ‘B’구역까지의 동선 거리는 실내의 가구 배치 상황에 따라서 달라질 수 있으며, 프로세서(180)는 외부 기기(300)가 실제 주행을 하면서 수집한 동선 데이터에 기초하여 ‘A’구역에서 ‘B’구역까지의 동선 거리를 추출할 수 있다.
또한, 프로세서(180)는 추출한 ‘A’구역에서 ‘B’구역까지의 동선 거리를 메모리(170)에 저장할 수 있다.
또한, 프로세서(180)는 추출된 구역간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출할 수 있다.
예를 들어, 프로세서(180)는 추출한 ‘A’구역에서 ‘B’구역까지의 동선 거리를 이전에 측정된 ‘A’구역에서 ‘B’구역까지의 동선 거리와 비교함으로써, 리워드 파라미터 또는 패널티 파라미터를 추출할 수 있다.
프로세서(180)는 가구 배치의 변경으로 인하여 ‘A’구역에서 ‘B’구역까지의 동선 거리가 이전의 ‘A’구역에서 ‘B’구역까지의 동선 거리보다 짧은 경우, 리워드 파라미터를 추출할 수 있다.
또는, 프로세서(180)는 가구 배치의 변경으로 인하여 ‘A’구역에서 ‘B’구역까지의 동선 거리가 이전의 ‘A’구역에서 ‘B’구역까지의 동선 거리보다 긴 경우 패널티 파라미터를 추출할 수 있다,
또한, 프로세서(180)는 추출한 리워드 파라미터 또는 패널티 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다.
또한, 프로세서(180)는 제2 가구 배치 지도 데이터 및 실내 동선 데이터에 기초하여, 복수의 가구간 동선 거리를 추출하고, 추출된 가구간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하고, 리러워 파라미터 또는 패널티 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다.
예를 들어, 프로세서(180)는 ‘소파’와 ‘책상’간 동선거리를 추출하고, 추출된 동선 거리에 기초하여 가구 배치 변경 이전의 소파’와 ‘책상’간 동선거리를 비교함으로써 리워드 파라미터 또는 패널티 파라미터를 추출할 수 있다.
또한, 프로세서(180)는 제2 가구 배치 지도 데이터 및 실내 동선 데이터에 기초하여, 적어도 하나의 가구 및 적어도 하나의 구역간 동선 거리를 추출하고, 추출된 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하고, 리워드 파라미터 또는 패널티 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다.
리워드 파라미터 또는 패널티 파라미터가 가구 배치 모델에 제공됨으로써, 가구 배치 모델은 미래의 보상이 최고점에 이를 때까지, 반복적으로 학습되어, 최적의 정책, 즉, 동선 거리를 최소화시키기 위한, 가구의 최적 배치 위치를 획득 할 수 있다.
프로세서(180)는 제2 가구 배치 지도 데이터에 기초하여 복수의 시선 측정 지점을 추출하고, 복수의 시선 측정 지점 사이에 상기 적어도 하나의 가구가 위치하는지 여부를 기초로 상기 가구 배치 모델을 학습시키기 위한 파라미터를 추출하고, 상기 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시킬 수 있다.
도 11을 참조하면, 프로세서(180)는 제1 가구 배치 지도 데이터(1101)을 가구 배치 모델(1102)의 입력값으로 제공하고, 가구 배치 모델이 출력한 가구 배치 위치가 매칭된 제2 가구배치 지도 데이터(1103)를 획득할 수 있다. 또한, 프로세서(180)는 복수의 시선 측정 지점에 대한 시선 측정 결과(1104)에 기초하여 가구 배치 모델을 학습 시키기 위한 파라미터(1105)를 추출하고 파라미터(1005)를 가구 배치 모델(1002)에 제공함으로써 가구 배치 모델을 학습시킬 수 있다.
프로세서(180)는 제2 가구 배치 지도 데이터에 기초하여 임의의 두 지점을 시선 측정 지점으로 추출 할 수 있다.
또한, 프로세서(180)는 제2 가구 배치 지도 데이터에 기초하여 적어도 하나의 사용자 활동 영역의 대표 지점을 추출할 수 있다. 예를 들어, 프로세서(180)는 제2 가구 배치 지도 데이터에 기초하여 주방 영역의 대표 지점을 추출할 수 있다. 또한, 프로세서(180)는 제2 가구 배치 지도 데이터에 기초하여 적어도 하나의 실내외 통로 영역의 대표 지점을 추출할 수 있다. 예를 들어, 프로세서(180)는 제2 가구 배치 지도 데이터에 기초하여 창문 영역의 대표 지점을 추출할 수 있다. 이 경우, 프로세서(180)는 적어도 하나의 사용자 활동 영역의 대표 지점 및 적어도 하나의 실내외 통로 영역의 대표 지점을 복수의 시선 측정 지점으로 추출할 수 있다.
또한, 프로세서(180)는 복수의 시선 측정 지점 사이에 적어도 하나의 가구가 위치하는지 여부를 기초로 가구 배치 모델을 학습시키기 위한 파라미터를 추출하고, 파라미터를 가구 배치 모델에 제공하여 가구 배치 모델을 학습시킬 수 있다.
예를 들어, 프로세서(180)는 주방 영역의 대표 지점 및 창문 영역의 대표 지점을 시선 측정 지점으로 추출할 수 있다. 프로세서(180)는 두 지점 사이에 가구가 위치하지 않아 사용자의 시선을 확보할 수 있도록 하는 경우 리워드 파라미터를 추출할 수 있다. 또는 프로세서(180)는 두 지점 사이에 가구가 위치하여 사용자의 시선을 방해하는 경우 패널티 파라미터를 추출할 수 있다.
리워드 파라미터 또는 패널티 파라미터가 가구 배치 모델에 제공됨으로써, 가구 배치 모델은 미래의 보상이 최고점에 이를 때까지, 반복적으로 학습되어, 최적의 정책, 즉, 시선 확보를 최대화시키기 위한, 가구의 최적 배치 위치를 획득 할 수 있다.도 12 및 도 13은 본 발명의 일 실시 예에 따른 로봇 청소기의 동선 데이터를 이용하여 가구의 최적 배치 위치를 가이드하는 인공 지능 장치를 설명하기 위한 도면이다.
프로세서(180)는 실내 구역이‘A’구역, ‘B’구역 ‘C’구역으로 구분되고 책상(1201), 침대(1202), 책장(1203), 식탁(1204) 및 소파 (1205) 가구의 배치 위치가 매핑된 가구 배치 지도를 획득할 수 있다. 또한, 로봇 청소기(500)로부터 수신한 동선 데이터를 기초로 ‘C’ 구역에서 책상(1201)까지의 주행 경로에 대한 동선 거리(1206)를 획득할 수 있다.
프로세서(180)는 동선 거리(1206)을 기초로 파라미터를 추출하여 가구 배치 모델을 학습시킬 수 있다.
프로세서(180)는 가구 배치 모델이 출력한 소파(1205) 가구의 변경된 배치 위치가 매핑된 가구 배치 지도 데이터를 획득할 수 있다.
프로세서(180)는 로봇 청소기(500)로부터 수신한 동선 데이터를 기초로 ‘C’ 구역에서 책상(1201)까지의 주행 경로에 대한 동선 거리(1207)를 획득할 수 있다. 프로세서(180)는 현재의 동선 거리(1207)가 이전에 측정된 동선 거리(1206)보다 짧으므로 리워드 파라미터를 추출하고, 리워드 파라미터를 추출하여 가구 배치 모델에 제공할 수 있다.
도 14 및 도 15는 본 발명의 일 실시 예에 따른 사용자의 시선 확보를 위한 가구의 최적 배치 위치를 가이드하는 인공 지능 장치를 설명하기 위한 도면이다.
프로세서(180)는 주방 영역의 대표 지점(1401) 및 창문(1403) 영역의 대표 지점(1402)을 시선 측정 지점으로 추출할 수 있다.
프로세서(180)는 두 지점 사이에 소파(1404)가 위치하여 사용자의 시선을 방해하는 경우 패널티 파라미터를 추출하여, 가구 배치 모델을 학습시킬 수 있다.
프로세서(180)는 학습된 가구 배치모델을 이용하여 소파(1404)의 변경된 배치 위치가 변경된 가구 배치 지도 데이터를 획득할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.
Claims (16)
- 가구의 배치 위치를 가이드하는 인공 지능 장치에 있어서,
적어도 하나의 외부 기기로부터 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신하는 통신부;
상기 실내 구역 지도 데이터 및 실내 구역 영상 데이터에 기초하여, 적어도 하나의 가구의 배치 위치가 매핑된 제1 가구 배치 지도 데이터를 생성하고, 상기 제1 가구 배치 지도 데이터를 가구 배치 모델에 제공하여 상기 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득하는 프로세서를 포함하는,
인공 지능 장치. - 제1항에 있어서,
상기 가구 배치 모델은,
적어도 하나의 학습용 실내 구역 지도 데이터 각각에 적어도 하나의 학습용 가구 배치 위치에 대한 정보를 레이블링하여 학습된 뉴럴 네트워크인,
인공 지능 장치. - 제1항에 있어서,
상기 통신부는,
상기 적어도 하나의 외부 기기로부터 실내 동선 데이터를 수신하고,
상기 프로세서는,
상기 제2 가구 배치 지도 데이터 및 상기 실내 동선 데이터에 기초하여 상기 가구 배치 모델을 학습시키기 위한 파라미터를 추출하고, 상기 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는,
인공 지능 장치. - 제3항에 있어서,
상기 프로세서는,
상기 제2 가구 배치 지도 데이터 및 상기 실내 동선 데이터에 기초하여 실내 구역간 동선 거리를 추출하고, 추출된 구역간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하고, 상기 리워드 파라미터 또는 패널티 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는,
인공 지능 장치. - 제3항에 있어서,
상기 프로세서는,
상기 제2 가구 배치 지도 데이터 및 상기 실내 동선 데이터에 기초하여 복수의 가구간 동선 거리를 추출하고, 추출된 가구간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하고, 상기 리워드 파라미터 또는 패널티 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는,
인공 지능 장치. - 제2항에 있어서,
상기 프로세서는,
상기 제2 가구 배치 지도 데이터에 기초하여 복수의 시선 측정 지점을 추출하고, 상기 복수의 시선 측정 지점 사이에 상기 적어도 하나의 가구가 위치하는지 여부를 기초로 상기 가구 배치 모델을 학습시키기 위한 파라미터를 추출하고, 상기 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는,
인공 지능 장치. - 제1항에 있어서,
상기 제2 가구 배치 지도 데이터를 표시하는 배치 가이드 화면을 표시하는 디스플레이부를 더 포함하는,
인공 지능 장치. - 제1항에 있어서,
상기 통신부는,
로봇 청소기가 주행 중 획득한 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신하는,
인공 지능 장치. - 가구의 배치 위치를 가이드하는 인공 지능 장치의 동작 방법에 있어서,
적어도 하나의 외부 기기로부터 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신하는 단계;
상기 실내 구역 지도 데이터 및 실내 구역 영상 데이터에 기초하여 적어도 하나의 가구의 배치 위치가 매핑된 제1 가구 배치 지도 데이터를 생성하는 단계; 및
상기 제1 가구 배치 지도 데이터를 가구 배치 모델에 제공하여 상기 적어도 하나의 가구의 배치 위치가 변경된 제2 가구 배치 지도 데이터를 획득하는 단계를 포함하는,
인공 지능 장치의 동작 방법. - 제9항에 있어서,
상기 가구 배치 모델은,
적어도 하나의 학습용 실내 구역 지도 데이터 각각에 적어도 하나의 학습용 가구 배치 위치에 대한 정보를 레이블링하여 학습된 뉴럴 네트워크인,
인공 지능 장치의 동작 방법. - 제9항에 있어서,
상기 적어도 하나의 외부 기기로부터 실내 동선 데이터를 수신하는 단계;
상기 제2 가구 배치 지도 데이터 및 상기 실내 동선 데이터에 기초하여 상기 가구 배치 모델을 학습시키기 위한 파라미터를 추출하는 단계; 및
상기 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는 단계를 더 포함하는,
인공 지능 장치의 동작 방법. - 제11항에 있어서,
상기 파라미터를 추출하는 단계는,
상기 제2 가구 배치 지도 데이터 및 상기 실내 동선 데이터에 기초하여 실내 구역간 동선 거리를 추출하는 단계; 및
추출된 구역간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하는 단계를 포함하고,
상기 학습시키는 단계는,
상기 리워드 파라미터 또는 패널티 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는 단계를 포함하는,
인공 지능 장치의 동작 방법. - 제11항에 있어서,
상기 파라미터를 추출하는 단계는,
상기 제2 가구 배치 지도 데이터 및 상기 실내 동선 데이터에 기초하여 복수의 가구간 동선 거리를 추출하는 단계; 및
추출된 가구간 동선 거리에 기초하여 리워드 파라미터 또는 패널티 파라미터를 추출하는 단계를 포함하고,
상기 학습시키는 단계는,
상기 리워드 파라미터 또는 패널티 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는 단계를 포함하는,
인공 지능 장치의 동작 방법. - 제9항에 있어서,
상기 제2 가구 배치 지도 데이터에 기초하여 복수의 시선 측정 지점을 추출하는 단계;
상기 복수의 시선 측정 지점 사이에 상기 적어도 하나의 가구가 위치하는지 여부를 기초로 상기 가구 배치 모델을 학습시키기 위한 파라미터를 추출하는 단계; 및
상기 파라미터를 상기 가구 배치 모델에 제공하여 상기 가구 배치 모델을 학습시키는 단계를 더 포함하는,
인공 지능 장치의 동작 방법. - 제9항에 있어서,
상기 제2 가구 배치 지도 데이터를 표시하는 배치 가이드 화면을 표시하는 단계를 더 포함하는,
인공 지능 장치의 동작 방법. - 제9항에 있어서,
상기 데이터를 수신하는 단계는,
로봇 청소기가 주행 중 획득한 실내 구역 지도 데이터 및 실내 구역 영상 데이터를 수신하는 단계를 포함하는,
인공 지능 장치의 동작 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190105297A KR20190106867A (ko) | 2019-08-27 | 2019-08-27 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
| US16/944,034 US11625508B2 (en) | 2019-08-27 | 2020-07-30 | Artificial intelligence device for guiding furniture placement and method of operating the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190105297A KR20190106867A (ko) | 2019-08-27 | 2019-08-27 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190106867A true KR20190106867A (ko) | 2019-09-18 |
Family
ID=68070932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190105297A KR20190106867A (ko) | 2019-08-27 | 2019-08-27 | 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11625508B2 (ko) |
| KR (1) | KR20190106867A (ko) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
| CN110826135A (zh) * | 2019-11-05 | 2020-02-21 | 广东博智林机器人有限公司 | 家居排布方法、装置、神经网络构建方法及存储介质 |
| CN111523169A (zh) * | 2020-04-24 | 2020-08-11 | 广东博智林机器人有限公司 | 一种装修方案生成方法、装置、电子设备及存储介质 |
| KR102144102B1 (ko) * | 2020-01-15 | 2020-08-12 | 이아영 | 가구 배치 방법 및 장치 |
| CN111680421A (zh) * | 2020-06-05 | 2020-09-18 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
| CN111882649A (zh) * | 2020-06-23 | 2020-11-03 | 北京城市网邻信息技术有限公司 | 一种家具的展示方法和装置 |
| KR102204458B1 (ko) * | 2020-04-03 | 2021-01-15 | 김정권 | 인테리어 설계 및 비용 시뮬레이션 방법 및 장치 |
| KR20220023028A (ko) * | 2020-08-20 | 2022-03-02 | (주) 아키드로우 | 가구 아이템의 현실적 장면 이미지 렌더링을 이용한 가구 판매 서비스 제공 방법 및 그 장치 |
| KR102387408B1 (ko) * | 2021-07-23 | 2022-04-18 | 조원진 | 인공지능을 이용한 인테리어 시뮬레이션 시스템 |
| KR20220090695A (ko) * | 2020-12-23 | 2022-06-30 | 주식회사 어반베이스 | 강화 학습 기반 인테리어 서비스의 사물 배치 모델 제공 장치 및 방법 |
| KR20240087225A (ko) | 2022-12-12 | 2024-06-19 | 세종대학교산학협력단 | 심층 강화 학습 모델을 이용한 인테리어 객체 배치 장치 및 방법 |
| KR102677109B1 (ko) | 2024-01-10 | 2024-06-20 | 주식회사 커넥트코리아 | 평면도에 기반하여 가구 배치 설계도를 자동으로 생성하는 방법 |
| US12086861B1 (en) | 2020-04-27 | 2024-09-10 | State Farm Mutual Automobile Insurance Company | Systems and methods for commercial inventory mapping including a lidar-based virtual map |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3671660A1 (en) * | 2018-12-20 | 2020-06-24 | Dassault Systèmes | Designing a 3d modeled object via user-interaction |
| KR20210071294A (ko) * | 2019-12-06 | 2021-06-16 | 엘지전자 주식회사 | 로봇 및 그를 갖는 로봇 시스템 |
| CN112926126B (zh) * | 2021-03-31 | 2023-04-25 | 南京信息工程大学 | 一种基于马尔可夫随机场的联邦学习方法 |
| EP4141726A1 (en) * | 2021-08-24 | 2023-03-01 | Dassault Systèmes | Method for automatically furnishing a 3d room based on user preferences |
| CN113742804B (zh) * | 2021-09-14 | 2024-04-23 | 深圳须弥云图空间科技有限公司 | 家具布局图生成方法、装置、设备及存储介质 |
| CN115795627B (zh) * | 2022-12-28 | 2023-09-26 | 广州极点三维信息科技有限公司 | 一种家具特征构建方法、系统、装置及介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9355470B2 (en) * | 2011-11-30 | 2016-05-31 | The Board Of Trustees Of The Leland Stanford Junior University | Method and system for interactive layout |
| US10726103B2 (en) * | 2016-06-15 | 2020-07-28 | James Duane Bennett | Premises composition and modular rights management |
| US11263470B2 (en) * | 2017-11-15 | 2022-03-01 | Adobe Inc. | Saliency prediction for informational documents |
| US10580207B2 (en) * | 2017-11-24 | 2020-03-03 | Frederic Bavastro | Augmented reality method and system for design |
| US10990096B2 (en) * | 2018-04-27 | 2021-04-27 | Honda Motor Co., Ltd. | Reinforcement learning on autonomous vehicles |
| CN112219008B (zh) * | 2018-05-15 | 2024-08-09 | 吉奥奎斯特系统公司 | 钻井动力学数据的自动解释 |
| US11113943B2 (en) * | 2019-05-07 | 2021-09-07 | Electronic Caregiver, Inc. | Systems and methods for predictive environmental fall risk identification |
-
2019
- 2019-08-27 KR KR1020190105297A patent/KR20190106867A/ko active Search and Examination
-
2020
- 2020-07-30 US US16/944,034 patent/US11625508B2/en active Active
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826135A (zh) * | 2019-11-05 | 2020-02-21 | 广东博智林机器人有限公司 | 家居排布方法、装置、神经网络构建方法及存储介质 |
| CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
| KR102144102B1 (ko) * | 2020-01-15 | 2020-08-12 | 이아영 | 가구 배치 방법 및 장치 |
| KR102204458B1 (ko) * | 2020-04-03 | 2021-01-15 | 김정권 | 인테리어 설계 및 비용 시뮬레이션 방법 및 장치 |
| CN111523169A (zh) * | 2020-04-24 | 2020-08-11 | 广东博智林机器人有限公司 | 一种装修方案生成方法、装置、电子设备及存储介质 |
| US12086861B1 (en) | 2020-04-27 | 2024-09-10 | State Farm Mutual Automobile Insurance Company | Systems and methods for commercial inventory mapping including a lidar-based virtual map |
| CN111680421A (zh) * | 2020-06-05 | 2020-09-18 | 广东博智林机器人有限公司 | 一种家装设计方法、装置、电子设备及存储介质 |
| CN111882649A (zh) * | 2020-06-23 | 2020-11-03 | 北京城市网邻信息技术有限公司 | 一种家具的展示方法和装置 |
| KR20220023028A (ko) * | 2020-08-20 | 2022-03-02 | (주) 아키드로우 | 가구 아이템의 현실적 장면 이미지 렌더링을 이용한 가구 판매 서비스 제공 방법 및 그 장치 |
| KR20220090695A (ko) * | 2020-12-23 | 2022-06-30 | 주식회사 어반베이스 | 강화 학습 기반 인테리어 서비스의 사물 배치 모델 제공 장치 및 방법 |
| WO2022139469A1 (ko) * | 2020-12-23 | 2022-06-30 | 주식회사 어반베이스 | 강화 학습 기반 인테리어 서비스의 사물 배치 모델 제공 장치 및 방법 |
| KR102387408B1 (ko) * | 2021-07-23 | 2022-04-18 | 조원진 | 인공지능을 이용한 인테리어 시뮬레이션 시스템 |
| KR20240087225A (ko) | 2022-12-12 | 2024-06-19 | 세종대학교산학협력단 | 심층 강화 학습 모델을 이용한 인테리어 객체 배치 장치 및 방법 |
| KR102677109B1 (ko) | 2024-01-10 | 2024-06-20 | 주식회사 커넥트코리아 | 평면도에 기반하여 가구 배치 설계도를 자동으로 생성하는 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210064792A1 (en) | 2021-03-04 |
| US11625508B2 (en) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11625508B2 (en) | Artificial intelligence device for guiding furniture placement and method of operating the same | |
| KR102255712B1 (ko) | 오염로그를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법 | |
| KR102298582B1 (ko) | 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법 | |
| KR102331563B1 (ko) | 구역별 오염정보를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법 | |
| KR102305206B1 (ko) | 인공 지능을 통해 바닥 상황을 고려하여 청소하는 로봇 청소기 및 그 방법 | |
| KR102287460B1 (ko) | 인공지능 무빙 에이전트 | |
| KR102286137B1 (ko) | 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법 | |
| KR102281602B1 (ko) | 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법 | |
| KR20190104267A (ko) | 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법 | |
| KR20190110073A (ko) | 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법 | |
| US20200008639A1 (en) | Artificial intelligence monitoring device and method of operating the same | |
| KR20210072362A (ko) | 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법 | |
| KR20210051014A (ko) | 로봇 청소기 및 그의 동작 방법 | |
| KR20190107627A (ko) | 차량의 위치 정보를 제공하는 인공 지능 장치 및 그 방법 | |
| KR102421488B1 (ko) | 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법 | |
| US11653805B2 (en) | Robot cleaner for performing cleaning using artificial intelligence and method of operating the same | |
| KR102297655B1 (ko) | 외부 기기를 제어하기 위한 인공 지능 장치 | |
| KR20210004487A (ko) | 환기 상황을 자동으로 파악할 수 있는 인공 지능 장치 및 그의 동작 방법 | |
| US20210204785A1 (en) | Artificial intelligence moving agent | |
| US11318614B2 (en) | Robot cleaner and operating method thereof | |
| KR20210066207A (ko) | 객체를 인식하는 인공 지능 장치 및 그 방법 | |
| KR20220046210A (ko) | 이동 로봇 및 그 제어방법 | |
| KR102229562B1 (ko) | 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법 | |
| KR20190095194A (ko) | 사용자의 동선을 결정하는 인공 지능 장치 및 그 방법 | |
| KR20190095195A (ko) | 사용자의 동선에 기초한 서비스를 제공하는 인공 지능 장치 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |