KR20190106874A - 인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법 - Google Patents

인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법 Download PDF

Info

Publication number
KR20190106874A
KR20190106874A KR1020190105364A KR20190105364A KR20190106874A KR 20190106874 A KR20190106874 A KR 20190106874A KR 1020190105364 A KR1020190105364 A KR 1020190105364A KR 20190105364 A KR20190105364 A KR 20190105364A KR 20190106874 A KR20190106874 A KR 20190106874A
Authority
KR
South Korea
Prior art keywords
robot cleaner
situation
restraint
processor
driving
Prior art date
Application number
KR1020190105364A
Other languages
English (en)
Inventor
김고근
김수연
이가민
채승아
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190105364A priority Critical patent/KR20190106874A/ko
Priority to US16/567,805 priority patent/US11378966B2/en
Publication of KR20190106874A publication Critical patent/KR20190106874A/ko
Priority to EP19217428.2A priority patent/EP3786754B1/en
Priority to CN202010052227.6A priority patent/CN112438664B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/28—Floor-scrubbing machines, motor-driven
    • A47L11/282—Floor-scrubbing machines, motor-driven having rotary tools
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2852—Elements for displacement of the vacuum cleaner or the accessories therefor, e.g. wheels, casters or nozzles
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4061—Steering means; Means for avoiding obstacles; Details related to the place where the driver is accommodated
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4063—Driving means; Transmission means therefor
    • A47L11/4066—Propulsion of the whole machine
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4077—Skirts or splash guards
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B25J11/0085—Cleaning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0091—Shock absorbers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B25J9/1676—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/04—Automatic control of the travelling movement; Automatic obstacle detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Abstract

본 발명의 실시 예에 따른 인공 지능을 통해 구속 상황을 인지하는 로봇 청소기는 상기 로봇 청소기를 주행시키는 주행 구동부, 3D 영상 데이터 및 범퍼 이벤트를 획득하는 센싱부, 상기 로봇 청소기의 구속 상황 여부를 추론하는 구속 상황 인지 모델을 저장하는 메모리 및 상기 3D 영상 데이터 및 범퍼 이벤트를 주변 맵 영상 데이터로 변환하고, 상기 구속 상황 인지 모델을 이용하여, 상기 3D 영상 데이터 및 상기 범퍼 이벤트로부터, 상기 로봇 청소기의 구속 상황 여부를 추론하고, 추론 결과에 따라 상기 주행 구동부를 제어하는 프로세서를 포함할 수 있다.

Description

인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법 {ROBOT CLEANER FOR RECOGNIZING STUCK SITUATION THROUGH ARTIFICIAL INTELLIGENCE AND OPERATING METHOD THEREOF}
본 발명은 인공 지능을 통해 구속 상황을 인식하는 로봇 청소기에 관한 것이다.
로봇 청소기는 사용자의 조작 없이도 청소하고자 하는 구역 내를 스스로 주행하면서 바닥 면으로부터 먼지 등의 이물질을 흡입하여 자동으로 청소하는 인공 지능 장치이다.
이러한 로봇 청소기는 공간의 구조를 인식하여 청소 경로를 설정하고, 설정된 청소 경로를 따라 주행하면서 청소 동작을 수행한다. 그리고, 로봇 청소기는 정해진 스케줄에 따라 또는 사용자의 명령에 기초하여 청소를 수행한다.
통상 이러한 로봇 청소기는 청소구역 내에 설치된 가구나 사무용품, 벽 등의 장애물까지의 거리를 감지하고, 그에 따라 청소구역을 매핑(mapping)하거나, 좌륜과 우륜의 구동을 제어하여 장애물 회피 동작을 수행한다.
종래의 로봇 청소기는 감지된 구속 영역의 위치를 저장하고, 추후, 저장된 구속 영역의 위치에 기반하여, 구속 영역을 인지하고, 회피한다.
그러나, 위치 인식 기반의 로봇 청소기는 구속 영역의 환경이 변화된 경우, 예를 들어, 구속 영역에 장애물이 제거된 경우, 해당 청소 영역을 구속 영역으로 판단하는 문제가 있다.
이에 따라, 구속 영역의 환경 변화에 능동적으로 대처하는 능력이 필요하다.
본 발명은 주변 환경 변화를 감지하여, 구속 상황을 정확하게 판단할 수 있는 로봇 청소기의 제공을 목적으로 한다.
본 발명은 자가 검증을 통해 구속 상황을 추론하는 모델을 지속적으로, 학습시킬 수 있는 로봇 청소기의 제공을 목적으로 한다.
본 발명의 일 실시 예에 따른 로봇 청소기는 3D 영상 데이터 및 범퍼 이벤트를 주변 맵 영상 데이터로 변환하고, 구속 상황 인지 모델을 이용하여, 상기 3D 영상 데이터 및 상기 범퍼 이벤트로부터, 상기 로봇 청소기의 구속 상황 여부를 추론하고, 추론 결과에 따라 로봇 청소기의 주행을 제어할 수 있다.
본 발명의 일 실시 예에 따른 로봇 청소기는 구속 상황 인지 모델의 추론 결과에 대해 에러가 검출되었는지를 판단하고, 그에 따라, 학습 데이터를 재 레이블링하여, 구속 상황 인지 모델을 지속적으로 업데이트 시킬 수 있다.
본 발명의 실시 예에 따르면, 로봇 청소기는 구속 영역의 환경이 변화됨을 감지하는 주행을 함에 따라, 주변 환경의 변화에 능동적으로 대처할 수 있다.
본 발명의 실시 예에 따르면, 로봇 청소기는 구속 상황 인지 모델을 지속적으로 업데이트 시킴에 따라, 구속 상황을 정확하게 파악할 수 있어, 효율적인 청소 수행이 가능해 진다.
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 AI 장치(100)를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)의 사시도이다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 장치(100)의 저면도이다.
도 7a는 발명의 또 다른 실시 예에 따른 인공 지능 장치의 측면도이고, 도 7b는 인공 지능 장치의 저면도이다.
도 8은 본 발명의 일 실시 예에 따라 구속 상황을 회피하는 로봇 청소기의 동작 방법을 설명하는 흐름도이다.
도 9a 내지 도 9e는 본 발명의 실시 예에 따라 로봇 청소기가 구속 상황을 인지하고, 구속 상황을 회피하는 과정을 설명하는 도면이다.
도 10 및 도 11은 본 발명의 일 실시 예에 따라 로봇 청소기가 구속 상황을 인지한 경우, 회전 각도를 결정하는 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시 예에 따른 인공 지능 장치의 동작 방법을 설명하는 도면이다.
도 13은 본 발명의 일 실시 예에 따라 인공 지능 장치가 진화 전, 수행하는 동작을 설명하는 도면이다.
도 14 및 도 15는 본 발명의 실시 예에 따라 인공 지능 장치의 진화 중 상태에서, 수행되는 학습 과정을 설명하는 도면이다.
도 16은 본 발명의 실시 예에 따른 인공 지능 장치의 진화 후 상태에서, 수행되는 과정을 설명하는 도면이다.
도 17은 본 발명의 실시 예에 따라 인공 지능 장치가 에러 검출 및 자가 검증을 통해 컨텍스트 인지 모델을 지속적으로 학습하는 과정을 설명하는 도면이고, 도 18은 자가 검증의 구체적인 과정을 설명하는 도면이다.
도 19는 본 발명의 또 다른 실시 예에 따른 로봇 청소기의 동작 방법을 설명하는 도면이다.
도 20은 본 발명의 일 실시 예에 따라 주변 맵 데이터를 이용하여, 생성된 주변 맵을 설명하는 도면이다.
도 21은 본 발명의 실시 예에 따라, 로봇 청소기가 주변 맵 데이터에 구속 상황을 레이블링하는 시점을 결정하는 과정을 설명하는 도면이다.
도 22는 본 발명의 일 실시 예에 따른 구속 상황 인지 모델의 학습 과정을 설명하는 도면이다.
도 23은 본 발명의 실시 예에 따른 로봇 청소기가 구속 상황 인지 모델에 대한 자가 검증을 수행하는 과정을 보여주는 도면이고, 도 24는 자가 검증의 구체적인 방법을 설명하는 도면이다.
도 25a는 종래 기술에 따라 구속 영역의 위치를 기반으로, 추후, 구속 영역으로 재 진입 시, 로봇 청소기가 대처하는 방법을 설명하는 도면이고, 도 25b는 본 발명의 실시 예에 따라 주변 상황의 인식을 기반으로, 추후, 구속 영역으로 재 진입 시, 로봇 청소기가 대처하는 방법을 설명하는 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. 예컨대, 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.
도 4는 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, AI 장치(100)은 주행 구동부(160)과 청소부(190)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, AI 장치(100)는 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 AI 장치(100)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 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)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) 또는 RGB 센서(미도시) 중 하나 이상을 포함하여, 인공 지능 장치(100)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, 인공 지능 장치(100) 주위에 대한 2차원 영상 정보 또는 3차원 영상 정보를 획득할 수 있다.
RGB 센서는 인공 지능 장치(100) 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.
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 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)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, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)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 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)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 인공 지능 장치(100)를 특정 방향으로 또는 특정 거리만큼 이동시킬 수 있다.
주행 구동부(160)는 인공 지능 장치(100)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, 인공 지능 장치(100) 인근의 바닥 면을 청소할 수 있다.
흡입부(191)는 진공 청소부라 부를 수도 있다.
흡입부(191)는 공기를 흡입하여 인공 지능 장치(100) 주변의 먼지나 쓰레기 등의 이물질을 흡입할 수 있다.
이때, 흡입부(191)는 이물질을 모아주는 수단으로써 브러쉬 등을 포함할 수 있다.
걸레질부(192)는 걸레를 인공 지능 장치(100)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.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 장치(100)의 사시도이다.
도 5를 참조하면, 인공 지능 장치(100)는 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 인공 지능 장치(100)의 저면도이다.
도 6을 참조하면, 인공 지능 장치(100)는 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, 인공 지능 장치(100)는 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, 인공 지능 장치(100)는 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.
인공 지능 장치(100)는 걸레질부(미도시)를 통해 바닥 면을 닦을 수 있다.
도 7a는 발명의 또 다른 실시 예에 따른 인공 지능 장치의 측면도이고, 도 7b는 인공 지능 장치의 저면도이다.
이하에서, 인공 지능 장치(100)는 로봇 청소기로 명명한다.
도 7a 및 도 7b를 참조하면, 로봇 청소기(100)는 도 4의 구성 이외에 범퍼(190)를 더 구비할 수 있다.
범퍼(190)는 로봇 청소기(100)의 본체 하단에 구비될 수 있다. 범퍼(190)에는 도 4에 도시된 흡입부(191) 및 걸레질부(192)를 포함하는 청소부(190)가 구비될 수 있다.
범퍼(190)는 로봇 청소기(100)의 주행 중, 장애물이나, 기타 물체와의 부딪힘으로 인해, 본체에 가해지는 충격을 완화시킬 수 있다.
범퍼(190)에는 하나 이상의 범퍼 센서(미도시)가 구비될 수 있다. 범퍼 센서는 범퍼(190)에 가해지는 충격량을 측정할 수 있다.
범퍼 센서는 기 설정된 충격량 이상이 감지되면, 범퍼 이벤트를 생성할 수 있다. 범퍼 이벤트는 추후, 로봇 청소기(100)의 구속 상황을 감지하는데 사용될 수 있다.
또한, 좌륜(61a) 및 우륜(61b) 각각에는 휠 센서가 구비될 수 있다. 휠 센서는 좌륜 또는 우륜의 회전량을 측정하는 광 센서일 수 있다. 휠 센서를 통해 측정된 좌륜 또는 우륜의 회전량은 로봇 청소기(100)의 이동 거리를 계산하는데 사용될 수 있다.
범퍼(190)의 저면에는 하나 이상의 절벽 센서(193)가 구비될 수 있다. 절벽 센서(193)는 송출된 적외선 신호를 반사된 적외선 신호를 이용하여, 바닥과, 절변 센서(193) 간의 거리를 측정한다.
프로세서(180)는 측정된 거리가 일정 거리 이상인 경우, 또는 반사된 적외선 신호를 일정 시간 동안 감지되지 않은 경우, 로봇 청소기(100)가 계단이나, 절벽에 도달한 것으로 판단할 수 있다.
도 8은 본 발명의 일 실시 예에 따라 구속 상황을 회피하는 로봇 청소기의 동작 방법을 설명하는 흐름도이다.
로봇 청소기(100)의 프로세서(180)는 청소 경로를 따라 주행하도록 주행 구동부(160)를 제어한다(S801).
프로세서(180)는 주행 중, 구속 상황이 인지되었는지를 판단한다(S803).
일 실시 예에서, 프로세서(180)는 범퍼(190)에 구비된 범퍼 센서(미도시)를 통해 구속 상황을 인지할 수 있다.
구속 상황은 로봇 청소기(100)가 장애물에 의해, 구속이 되는 상황일 수 있다.
프로세서(180)는 범퍼 센서를 통해 측정된 범퍼 이벤트의 횟수가 기 설정된 시간 동안 기 설정된 횟수 이상 감지된 경우, 로봇 청소기(100)가 구속 상황에 있는 것으로 판단할 수 있다.
범퍼 센서는 범퍼에 가해지는 충격량이 기 설정된 충격량 이상인 경우, 범퍼 이벤트를 생성할 수 있다. 프로세서(180)는 생성된 범퍼 이벤트의 횟수에 기초하여, 구속 상황을 인지할 수 있다.
프로세서(180)는 구속 상황이 인지된 것으로 판단한 경우, 로봇 청소기(100)의 회전 각도를 결정한다(S805).
프로세서(180)는 로봇 청소기(100)의 구속 상황이 인지된 경우, 로봇 청소기(100)를 구속 상황에서 회피시키기 위해, 로봇 청소기(100)가 회전할 회전 각도를 결정할 수 있다.
프로세서(180)는 구속 상황을 인지한 시점 이전의 시점들 각각의 주행 각도 및 주행 속도에 기초하여, 구속 상황을 회피할 회전 각도를 결정할 수 있다.
프로세서(180)는 구속 상황을 인지한 시점 이전의 복수의 단위 시간 간격들 각각에서 측정된 복수의 주행 각도들 및 복수의 주행 속도들에 기초하여, 구속 상황을 회피할 회전 각도를 결정할 수 있다.
구속 상황이 인지된 경우, 로봇 청소기(100)의 회전 각도를 결정하는 과정에 대해서는 상세히 후술한다.
프로세서(180)는 결정된 회전 각도로 회전하도록 주행 구동부(160)를 제어한다(S807).
프로세서(180)는 결정된 회전 각도로 회전하도록, 좌륜 구동부(161) 및 우륜 구동부(162)의 동작을 제어할 수 있다.
프로세서(180)는 결정된 회전 각도로 회전하도록 좌륜(61a) 및 우륜(61b)을 회전시킬 수 있다.
프로세서(180)는 결정된 회전 각도로 로봇 청소기(100)가 회전하도록 좌륜(61a)을 제어하는 좌륜 모터 및 우륜(61b)을 제어하는 우륜 모터의 동작을 제어할 수 있다.
프로세서(180)는 구속 상황을 인지하기 전의 방향으로 후진하기 위해, 결정된 회전 각도만큼, 역 회전하도록, 주행 구동부(160)를 제어할 수 있다.
그 후, 프로세서(180)는 일정 거리만큼 후진하도록 주행 구동부(160)를 제어한다(S809).
프로세서(180)는 결정된 회전 각도만큼 로봇 청소기(100)를 회전 시킨 후, 일정 거리만큼 로봇 청소기(100)를 후방으로 이동시키도록 주행 구동부(160)를 제어할 수 있다.
로봇 청소기(100)가 일정 거리만큼 후진하는 이유는, 구속 상황으로부터 멀어져, 장애물을 회피하기 위함이다.
프로세서(180)는 로봇 청소기(100)를 일정 거리만큼 후진시킨 후, 로봇 청소기(100)의 전면 위치에 가상 벽을 생성한다(S811).
가상 벽은 청소 지도 상에, 로봇 청소기(100)가 추후, 재 진입을 막기 위해, 사용되는 가상의 벽일 수 있다. 가상 벽은 실제 사람의 눈에는 보이지 않고, 로봇 청소기(100)의 시야에서만 보이는 가상의 벽일 수 있다.
프로세서(180)는 로봇 청소기(100)가 일정 거리만큼 후진한 후, 로봇 청소기(100)의 전면 위치를 획득하고, 청소 지도 상에, 획득된 전면 위치에 가상 벽을 삽입할 수 있다.
그 후, 프로세서(180)는 변경된 청소 경로를 따라 주행하도록 주행 구동부(160)를 제어한다(S813).
일 실시 예에서, 변경된 청소 경로는 기 설정된 청소 경로에서, 구속 상황이 인지된 영역에 포함된 경로를 제외한 경로일 수 있다.
즉, 프로세서(180)는 로봇 청소기(100)가 구속 상황에 놓이는 것을 방지하기 위해, 기존의 청소 경로를 새로운 청소 경로로 변경할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 로봇 청소기(100)는 구속 상황을 자동으로 인지하고, 구속 상황을 빠르게 회피할 수 있다. 이에 따라 로봇 청소기(100)의 전력 소모가 줄어들 수 있고, 청소 수행 능력이 증대될 수 있다.
도 9a 내지 도 9e는 본 발명의 실시 예에 따라 로봇 청소기가 구속 상황을 인지하고, 구속 상황을 회피하는 과정을 설명하는 도면이다.
도 9a 내지 도 9e를 참조하면, 동시적 위치 인식 및 지도 작성 방법(SLAM: Simultaneous Localization And Mapping)에 의해 작성된 청소 지도(900)가 도시되어 있다.
청소 지도(900) 상에는 실제 로봇 청소기(100)를 청소 지도(900) 상에서 식별하는 로봇 청소기 식별자(901)의 청소 경로(910)가 도시되어 있다.
도 9a는 로봇 청소기(100)는 청소 경로(910)를 따라 주행 중, 장애물(903)에 의해 구속 상황을 인지함을 보여주는 도면이다.
프로세서(180)는 로봇 청소기(100)의 범퍼(190)에 구비된 범퍼 센서를 이용하여, 구속 상황을 인지할 수 있다.
프로세서(180)는 범퍼 센서를 통해 감지된 범퍼 이벤트의 발생 횟수가 일정 시간 동안 기 설정된 횟수 이상인 경우, 로봇 청소기(100)가 구속 상황에 있음을 인지할 수 있다.
프로세서(180)는 구속 상황을 인지한 시점에서, 로봇 청소기(100)를 회전시킬 회전 각도(a도)를 결정할 수 있다.
프로세서(180)는 구속 상황이 인지되기 전 제1 주행 방향(911)과 구속 상황을 인지한 시점에서의 제2 주행 방향(913) 간의 각도를 회전 각도로 결정할 수 있다. 회전 각도의 결정 방법에 대해서는 상세히 후술한다.
프로세서(180)는 결정된 회전 각도(a도)만큼 로봇 청소기(100)를 회전시킬 수 있다. 도 9b를 참조하면, 결정된 회전 각도(a도) 만큼 로봇 청소기 식별자(901)가 구속 상황의 인지 전의 방향으로, 회전되어 있음을 보여준다.
그 후, 프로세서(180)는 로봇 청소기(100)를 일정 거리만큼 후진하도록 주행 구동부(160)를 제어할 있다. 도 9c를 참조하면, 로봇 청소기 식별자(901)가 일정 거리만큼 후진한 것을 보여준다.
여기서, 일정 거리는 장애물을 벗어난 거리일 수 있다.
로봇 청소기(100)가 일정 거리만큼 후진한 후, 프로세서(180)는 청소 지도(900) 상에 도 9d에 도시된 바와 같이, 가상 벽(930)을 삽입할 수 있다. 프로세서(180)는 로봇 청소기(100)를 일정 거리만큼 후진시킨 후, 로봇 청소기(100)의 전면에 가상 벽(930)을 청소 지도(900) 상에 삽입할 수 있다.
또 다른 예로, 프로세서(180)는 로봇 청소기(100)를 일정 거리만큼 후진시킨 후, 장애물(903)의 중심과 로봇 청소기(100)의 주행 경로를 잇는 선을 포함하는 영역에 가상 벽(930)을 삽입할 수 있다.
가상 벽(930)은 추후, 로봇 청소기(100)가 구속 상황에 놓이게 되는 것을 방지하기 위해 삽입되는 가상의 벽일 수 있다.
추후, 청소 지도(900) 상에 반영된 가상 벽(930)으로 인해, 로봇 청소기(100)의 진입 경로가 막혀, 구속 상황에 놓이는 것이 미연에 방지될 수 있다.
한편, 프로세서(180)는 가상 벽(930)을 청소 지도(900) 상에 반영 후, 새로운 주행 경로를 따라 로봇 청소기(100)를 주행할 수 있다.
즉, 도 9e에 도시된 바와 같이, 로봇 청소기 식별자(901)는 가상 벽(930)의 반대 방향으로 주행할 수 있다.
다음으로, 로봇 청소기가 구속 상황을 인지한 경우, 구속 상황을 회피하기 위해 회전하는 회전 각도를 결정하는 과정을 설명한다.
도 10 및 도 11은 본 발명의 일 실시 예에 따라 로봇 청소기가 구속 상황을 인지한 경우, 회전 각도를 결정하는 과정을 설명하기 위한 도면이다.
도 11을 참조하면, 시간에 따른 로봇 청소기(100)의 주행 각도를 나타내는 제1 그래프(1110) 및 시간에 따른 로봇 청소기(100)의 주행 속도를 나타내는 제2 그래프(1130)가 도시되어 있다.
로봇 청소기(100)는 단위 시간 마다, 로봇 청소기(100)의 주행 각도 및 주행 속도를 측정할 수 있다. 로봇 청소기(100)는 기준점 및 좌륜 또는 우륜의 회전 방향을 이용하여, 주행 각도를 측정할 수 있다. 기준점은 천장의 일지점 또는 바닥의 일지점일 수 있으나, 이는 예시에 불과하다.
로봇 청소기(100)는 단위 시간당 휠 센서를 통해 측정된 좌륜 또는 우륜의 회전량을 이용하여, 로봇 청소기(100)의 주행 속도를 측정할 수 있다.
단위 시간은 1초일 수 있으나, 이는 예시에 불과한 수치이다.
도 10을 참조하면, 로봇 청소기 식별자(901)가 청소 지도(900) 상에서, 주행 경로(910)를 따라 주행 중, 제1 시점(t1) 내지 제10 시점(t10)들 중 제10 시점(t10)에서 로봇 청소기(100)의 구속 상황이 인지되었음을 가정한다.
프로세서(180)는 구속 상황이 인지된 제10 시점(t10)에서, 로봇 청소기(100)의 주행 각도(현재 주행 각도)를 획득할 수 있다.
동시에, 프로세서(180)는 제10 시점(t10)보다 과거의 시점들의 주행 각도들을 획득할 수 있다.
프로세서(180)는 현재 주행 각도와 과거 시점들의 주행 각도들의 평균 값을 이용하여, 구속 상황을 회피할 회전 각도를 결정할 수 있다.
프로세서(180)는 다음의 [수학식 1]과 같이, 회전 각도를 계산할 수 있다.
[수학식 1]
Figure pat00001
즉, 회전 각도(θdiff)는 현재 주행 각도(θ)에서, 과거의 N개의 시점들에서 측정된 주행 각도(θn-k)들의 평균 각도를 뺀 값일 수 있다.
여기서, N은 5일 수 있으나, 이는 예시에 불과하다.
다만, 샘플링된 N개의 시점 각각에서, 로봇 청소기(100)의 주행 속도는 임계 속도 이상이어야 한다.
샘플링된 과거 시점에서, 로봇 청소기(100)의 주행 속도가 임계 속도 이상이어야 하는 이유는, 로봇 청소기(100)의 주행 속도가 임계 속도 미만인 경우, 로봇 청소기(100)는 이불구속 상황에 있거나, 고정된 위치에 머물러 있는 경우이어서, 회피를 위해 회전할 각도에 참조하기 어렵기 때문이다.
예를 들어, 샘플링 개수가 5개인 경우, 구속 상황이 인지된 제10 시점(t10) 이전의 제5 시점(t5)부터 제9 시점(t9)까지를 살펴본다.
제2 그래프(1130)를 참조하면, 제5 시점(t5)부터, 제8 시점(t8)까지 각 로봇 청소기(100)의 주행 속도는 임계 속도 이상이나, 제9 시점(t9)에서의 주행 속도는 임계 속도 미만이다.
따라서, 제9 시점(t9)은 회전 각도를 계산하는 시점으로 사용되지 않는다.
제3 시점(t3) 및 제4 시점(t4) 또한, 로봇 청소기(100)의 주행 속도가 임계 속도 미만이므로, 회전 각도를 계산하기 위한 샘플로 사용될 수 없다.
결국엔, 제2 시점(t2)에서의 주행 속도가 임계 속도 이상이므로, 프로세서(180)는 제2 시점(t2) 및 제5 시점(t5) 내지 제8 시점(t8)에서의 주행 각도들을 샘플링 대상으로 결정할 수 있다.
프로세서(180)는 현재 주행 각도에서, 제2 시점(t2) 및 제5 시점(t5) 내지 제8 시점(t8)에서의 주행 각도들의 평균 각도를 뺀 값을 회전 각도로 결정할 수 있다.
프로세서(180)는 결정된 회전 각도만큼, 역회전하도록, 주행 구동부(160)를 제어할 수 있다.
예를 들어, 현재 주행 각도가 45도이고, 샘플링된 시점들의 주행 각도들의 평균 각도가 0도인 경우, 프로세서(180)는 45도(45-0)만큼, 로봇 청소기(100)를 역 회전시키도록 주행 구동부(160)를 제어할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 로봇 청소기(100)의 구속 상황이 감지된 경우, 로봇 청소기(100)의 회전 각도를 변경하여, 구속 상황을 빠르게 회피할 수 있다.
이에 따라, 로봇 청소기(100)의 불필요한 전력 소모의 낭비가 방지될 수 있고, 구속 상황 대처 능력이 크게 향상될 수 있다.
도 12는 본 발명의 일 실시 예에 따른 인공 지능 장치의 동작 방법을 설명하는 도면이다.
특히, 도 12는 인공 지능 장치(100)가 스스로 학습하여, 상황을 인지하는 방법에 관한 것이다.
도 12를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 센싱부(140)를 통해 센싱 데이터를 획득한다(S1201).
프로세서(180)는 획득된 센싱 데이터를 컨텍스트 데이터로 변환한다(S1203).
일 실시 예에서, 컨텍스트 데이터는 인공 지능 장치(100)와 관련된 주변 상황을 나타내는 데이터일 수 있다. 즉, 컨텍스트 데이터는 인공 지능 장치(100)의 주변 상황이 어떤 상황인지를 판단하는데 사용될 수 있다.
인공 지능 장치(100)의 주변 상황은 정상 상황 또는 비 정상 상황 중 어느 하나일 수 있다.
비 정상 상황은 인공 지능 장치(100)의 동작이 정상적으로 수행되고 있지 않는 상황이며, 정상 상황은 인공 지능 장치(100)의 동작이 정상적으로 수행되고 있는 상황일 수 있다.
이에 대해서는 도 13을 참조하여 설명한다.
도 13은 본 발명의 일 실시 예에 따라 인공 지능 장치가 진화 전, 수행하는 동작을 설명하는 도면이다.
도 13에서, 인공 지능 장치(100)는 컨텍스트 인지 모델을 학습하기 전이라, 진화 전 상태에 놓여 있을 수 있다.
도 13을 참조하면, 인공 지능 장치(100)의 센싱부(140)는 센싱 데이터(1310)를 수집할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 수집된 센싱 데이터(1310)를 컨텍스트 데이터(1330)로 변환할 수 있다.
변환된 컨텍스트 데이터(1330)는 메모리(170)에 저장될 수 있다.
다시, 도 12를 설명한다.
프로세서(180)는 변환된 컨텍스트 데이터에 기반하여, 인공 지능 장치(100)가 비 정상 상황을 경험하였는지를 판단한다(S1205).
프로세서(180)는 인공 지능 장치(100)가 비 정상 상황을 경험한 것으로 판단한 경우, 변환된 컨텍스트 데이터에 비 정상 상황을 레이블링한다(S1207).
즉, 컨텍스트 데이터에는 비 정상 상황이 레이블될 수 있고, 컨텍스트 데이터 및 이에 레이블된 레이블링 데이터는 후술할, 컨텍스트 인지 모델의 학습에 사용될 수 있다.
즉, 컨텍스트 데이터 및 비 정상 상황은 트레이닝 데이터 세트를 구성할 수 있다.
프로세서(180)는 컨텍스트 데이터 및 레이블링 데이터에 기반하여, 컨텍스트 인지 모델을 학습한다(S1209).
컨텍스트 인지 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 지도 학습되는 인공 신경망 기반의 모델일 수 있다.
여기서, 컨텍스트 인지 모델의 인공 신경망은 서포트 벡터 머신(Support Vector Machine, SVM), 합성곱 신경망(Convolutional Neural Network, CNN) 중 어느 하나가 사용될 수 있다.
프로세서(180) 또는 러닝 프로세서(130)는 트레이닝 데이터 세트를 구성하는 컨텍스트 데이터 및 레이블링 데이터에 기반하여, 컨텍스트 인지 모델을 지도 학습할 수 있다.
컨텍스트 인지 모델은 주어진 컨텍스트 데이터로부터, 레이블된 비 정상 상황 또는 정상 상황을 정확하게 추론하는 것을 목표로 학습될 수 있다.
컨텍스트 인지 모델의 학습 과정에 대해서는, 다음의 도면을 참조하여 설명한다.
도 14 및 도 15는 본 발명의 실시 예에 따라 인공 지능 장치의 진화 중 상태에서, 수행되는 학습 과정을 설명하는 도면이다.
도 14 및 도 15에서, 인공 지능 장치(100)는 스스로 컨텍스트를 파악하기 위해, 컨텍스트 인지 모델(1430)을 학습을 수행한다는 점에서, 진화 중인 상태에 놓여 있을 수 있다.
도 14를 참조하면, 오토 라벨러(1410)는 메모리(170)에 저장된 컨텍스트 데이터에 라벨링을 할 수 있다. 오토 라벨러(1410)는 프로세서(180) 또는 러닝 프로세서(130) 중 어느 하나에 포함될 수 있다.
오토 라벨러(1410)는 인공 지능 장치(100)의 비 정상 상황을 감지한 경우, 그에 상응하는 컨텍스트 데이터에 비 정상 상황임을 라벨링할 수 있다.
컨텍스트 데이터 및 이에 라벨링된 비 정상 상황은 트레이닝 데이터 세트를 구성하고, 컨텍스트 인지 모델(1430)의 지도 학습에 사용될 수 있다.
도 15를 참조하면, 인공 신경망으로 구성된 컨텍스트 인지 모델(1430)이 도시되어 있다.
컨텍스트 인지 모델(1430)은 컨텍스트 데이터 및 레이블링 데이터를 이용하여, 지도 학습될 수 있다.
프로세서(180) 또는 러닝 프로세서(130)는 컨텍스트 데이터로부터 입력 특징 벡터를 추출할 수 있다. 추출된 입력 특징 벡터는 컨텍스트 인지 모델(1430)에 입력될 수 있다.
프로세서(180) 또는 러닝 프로세서(130)는 컨텍스트 인지 모델(1430)의 추론 결과인 대상 특징 벡터(또는 대상 특징점)와 레이블링 데이터인 현재 상황 간의 차이를 나타내는 비용 함수를 최소화하도록 학습될 수 있다.
컨텍스트 인지 모델(1430)의 비용 함수는 학습 데이터에 상응하는 인공 지능 장치(100)의 동작 상황에 대한 라벨과, 각 학습 데이터로부터 추론된 동작 상황 간의 차이의 제곱 평균으로 표현될 수 있다.
컨텍스트 인지 모델(1430)은 학습을 통해 비용 함수를 최소화하도록 인공 신경망에 포함된 모델 파라미터들이 결정될 수 있다.
컨텍스트 인지 모델(1430)의 대상 특징점은 인공 지능 장치(100)의 정상 상황 여부를 나타내는 단일한 노드의 출력 층으로 구성될 수 있다. 대상 특징점은 정상 상황을 나타낼 때, 그 값으로 1, 그리고, 비 정상 상황을 나타낼 때 그 값으로, 0을 가질 수 있다. 이 경우, 컨텍스트 인지 모델(1430)의 출력층은 활성 함수로 시그모이드, 하이퍼볼릭 탄젠트(tanh) 등을 이용할 수 있다.
또 다른 예로, 컨텍스트 인지 모델(1430)의 대상 특징점은 인공 지능 장치(100)의 정상 또는 비 정상 상황을 나타내는 두 개의 출력 노드의 출력층으로 구성될 수 있다.
즉, 대상 특징점(대상 특징 벡터)는 정상 상황, 비 정상 상황으로 구성될 수 있으며, 대상 특징점이 정상 상황을 나타낼 때에 그 값으로 "(1, 0)", 그리고 비 정상 상황을 나타낼 때에 그 값으로 "(0, 1)"을 가질 수 있다. 이 경우, 컨텍스트 인지 모델(1430)의 출력층은 활성 함수로 소프트맥스를 이용할 수 있다.
다시, 도 12를 설명한다.
그 후, 프로세서(180)는 새로운 센싱 데이터를 획득하고(S1211), 학습된 컨텍스트 인지 모델을 이용하여, 획득된 새로운 센싱 데이터로부터, 현재 상황이 정상 상황인지 또는 비 정상 상황인지를 추론한다(S1213).
프로세서(180)는 추론 결과에 따른 액션을 수행한다(S1215).
프로세서(180)는 추론 결과가 정상 상황인 경우, 정상 상황에 상응하는 동작을 수행하도록 인공 지능 장치(100)을 구성하는 하나 이상의 구성 요소들을 제어할 수 있다.
프로세서(180)는 추론 결과가 비 정상 상황인 경우, 비 정상 상황에 상응하는 동작을 수행하도록 인공 지능 장치(100)을 구성하는 하나 이상의 구성 요소들을 제어할 수 있다.
도 16은 본 발명의 실시 예에 따른 인공 지능 장치의 진화 후 상태에서, 수행되는 과정을 설명하는 도면이다.
도 16에서, 인공 지능 장치(100)는 컨텍스트 인지 모델(1430)의 학습이 완료된 상태에서, 컨텍스트 인지 모델(1430)을 이용하여, 현재 상황이 정상 상황인지 비 정상 상황인지를 결정할 수 있다.
도 16을 참조하면, 인공 지능 장치(100)는 센싱부(140)를 통해 센싱 데이터(1610)를 획득할 수 있다. 인공 지능 장치(100)는 획득된 센싱 데이터를 컨텍스트 데이터로 변환할 수 있다.
인공 지능 장치(100)는 컨텍스트 인지 모델(1430)을 이용하여, 컨텍스트 데이터로부터 현재 상황이 정상 상황인지 또는 비 정상 상황인지를 나타내는 추론 결과(1650)를 출력할 수 있다.
인공 지능 장치(100)는 추론 결과(1650)에 따른 액션(1670)을 수행할 수 있다.
한편, 인공 지능 장치(100)는 추론 결과에 대해 스스로, 에러 검출(Error Detection) 및 자가 검증(Self-Validation)을 수행할 수 있다. 인공 지능 장치(100)는 에러 검출 및 자가 검증을 통해, 지속적으로, 컨텍스트 인지 모델(1430)을 학습시킬 수 있다.
이에 대해서는, 도 17 및 도 18을 참조하여 설명한다.
도 17은 본 발명의 실시 예에 따라 인공 지능 장치가 에러 검출 및 자가 검증을 통해 컨텍스트 인지 모델을 지속적으로 학습하는 과정을 설명하는 도면이고, 도 18은 자가 검증의 구체적인 과정을 설명하는 도면이다.
도 17을 참조하면, 인공 지능 장치(100)는 추론 결과(1650)에 따른 액션(1670)을 수행하고, 수행된 액션(1670)에 대해 에러가 검출되었는지를 판단하는 에러 검출(1730)을 수행할 수 있다.
에러 검출(1730)은 자가 검증(1710)에 포함되는 과정일 수 있다.
인공 지능 장치(100)는 추론 결과에 대해 에러가 검출된 경우, 오토 레이블러(1410)를 통해 컨텍스트 데이터(1630)에 레이블링을 재 수행할 수 있다.
예를 들어, 인공 지능 장치(100)는 추론 결과가 정상 상황이어서, 기존의 액션을 수행했는데, 실제 상황은 비 정상 상황으로 감지될 수 있다.
인공 지능 장치(100)는 컨텍스트 데이터(1630)에 비 정상 상황을 레이블링 하여, 컨텍스트 인지 모델(1430)을 재 학습할 수 있다.
인공 지능 장치(100)는 추론 결과가 정상 상황인 경우, 추론을 하기 전
수행한 기존의 액션을 수행한다. 그 후, 인공 지능 장치(100)는 정상 상황의 판단에 에러가 있는지를 판단할 수 있다.
즉, 인공 지능 장치(100)는 정상 상황이라고 판단한 후, 기존의 액션의 수행 중, 판단된 상황에 에러가 없는 경우, 별도의 조치를 취하지 않을 수 있다.
인공 지능 장치(100)는 정상 상황이라고 판단한 후, 기존의 액션 수행 중, 정상 상황의 판단에 에러가 발생한 것으로 판단할 수 있다. 즉, 인공 지능 장치(100)는 정상 상황이라고 판단했음에도 불구하고, 기존의 액션 수행 시, 비 정상 상황을 감지할 수 있다. 이 경우, 인공 지능 장치(100)는 정상 상황의 판단에 기초가 된 컨텍스트 데이터를 비 정상 상황으로 재차 레이블링하여, 컨텍스트 인지 모델(1430)을 재 학습시킬 수 있다.
한편, 인공 지능 장치(100)는 추론 결과를 비 정상 상황이라고 판단한 경우에도, 비 정상 상황의 판단 전처럼, 기존의 액션을 수행할 수 있다. 인공 지능 장치(100)는 추론 결과를 비 정상 상황이라고 판단한 경우에도, 비 정상 상황의 판단 전처럼, 기존의 액션을 주기적으로 수행할 수 있다.
인공 지능 장치(100)는 비 정상 상황하에서, 기존의 액션을 수행 중, 정상 상황임을 감지한 경우, 에러가 검출된 것으로 판단할 수 있다. 이 경우, 인공 지능 장치(100)는 비 정상 상황의 판단에 기초가 된 컨텍스트 데이터에 정상 상황을 재 레이블링하여, 컨텍스트 인지 모델(1430)을 재 학습시킬 수 있다.
인공 지능 장치(100)는 비 정상 상황하에서, 기존의 액션을 수행 중, 비 정상 상황임을 재차 감지한 경우, 에러가 검출되지 않고, 올바른 추론을 한 것으로 판단할 수 있다. 이 경우, 인공 지능 장치(100)는 비 정상 상황에 적합한 액션을 수행할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 컨텍스트 인지 모델(1430)의 추론 결과에 대해 자가 검증을 수행하여, 재 학습을 수행함에 따라, 실시간으로 모델을 진화시킬 수 있다.
이에 따라, 인공 지능 장치(100)는 사용자의 개입 없이, 변화하는 주변 환경에 능동적으로, 대처하는 능력이 향상될 수 있다.
이하에서는, 인공 지능 장치(100)가 로봇 청소기임을 가정하여, 본 발명의 실시 예를 보다 상세하게 설명한다.
도 19는 본 발명의 또 다른 실시 예에 따른 로봇 청소기의 동작 방법을 설명하는 도면이다.
로봇 청소기(100)의 프로세서(180)는 청소 경로를 따라 주행 중 센싱부(140)를 통해 3차원(Three Dimensional) 데이터(이하, 3D 데이터) 및 범퍼 이벤트 데이터를 획득한다(S1901).
3D 센서는 도 4에서 설명된 깊이 센서일 수 있다. 3D 센서는 로봇 청소기(100)의 본체 전면에 구비될 수 있다.
3D 센서가 깊이 센서인 경우, 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(100)의 주위에 대한 2차원 영상 데이터 또는 3차원 영상 데이터를 획득할 수 있다.
로봇 청소기(100)의 본체 전면에 복수의 3D 센서들이 배치될 수 있다.
한편, 로봇 청소기(100)는 범퍼(190)에 구비된 범퍼 센서를 통해 범퍼 이벤트를 획득할 수 있다. 범퍼 센서는 범퍼에 가해지는 충격량을 측정하고, 측정된 충격량이 기 설정된 충격량 이상이 되면, 범퍼 이벤트 데이터를 생성할 수 있다.
로봇 청소기(100)의 프로세서(180)는 획득된 3D 데이터 및 범퍼 이벤트를 주변 맵 데이터로 변환하여, 주변 맵을 생성한다(S1903).
주변 맵 데이터는 청소 지도 상에, 로봇 청소기(100)의 현재 위치를 기준으로, 로봇 청소기(100)의 주변 맵을 작성하기 위해 사용되는 데이터일 수 있다.
프로세서(180)는 변환된 주변 맵 데이터 및 주변 맵을 메모리(170)에 저장할 수 있다.
단계 S1901 및 S1903은 사용자가 로봇 청소기(100)를 구입한 후, 로봇 청소기(100)가 구속 상황을 경험하기 전의 상태에서 수행될 수 있다.
주변 맵에 대해서는, 도 20을 참조하여 설명한다.
도 20은 본 발명의 일 실시 예에 따라 주변 맵 데이터를 이용하여, 생성된 주변 맵을 설명하는 도면이다.
도 20을 참조하면, 주변 맵 데이터에 의해 생성된 주변 맵(2000)이 도시되어 있다.
주변 맵(2000)은 청소 지도 상에서, 현재 로봇 청소기(100)의 위치를 기준으로, 주변 맵 데이터에 의해 작성된 맵일 수 있다.
프로세서(180)는 3D 데이터를 오브젝트를 나타내는 제1 컬러의 점들(2001, 2003)로 변환할 수 있다.
프로세서(180)는 범퍼 이벤트를 장애물을 나타내는 제2 컬러의 점들(2010)로 변환할 수 있다.
프로세서(180)는 변환된 제1 컬러의 점들(2001, 2003) 및 제2 컬러의 점들(2010)을 포함하는 주변 맵(2000)을 생성할 수 있다.
다시, 도 19를 설명한다.
로봇 청소기(100)의 프로세서(180)는 변환된 주변 맵 데이터에 기초하여, 로봇 청소기(100)가 구속 상황을 경험하였는지를 판단한다(S1905).
프로세서(180)는 도 20에 도시된 주변 맵(2000) 상에서, 범퍼 이벤트가 기 설정된 횟수 이상 존재하는 경우, 구속 상황을 경험한 것으로 판단할 수 있다.
또 다른 예로, 프로세서(180)는 주변 맵(2000) 상에, 기 설정된 시간 이상 로봇 청소기(100)가 위치하고, 범퍼 이벤트가 기 설정된 횟수 이상 존재하는 경우, 로봇 청소기(100)가 구속 상황을 경험한 것으로 판단할 수 있다.
또 다른 예로, 프로세서(180)는 일정 시간 동안 발생한 범퍼 이벤트의 횟수가 기 설정된 횟수 이상인 경우, 로봇 청소기(100)가 구속 상황을 경험한 것으로 판단할 수 있다.
프로세서(180)는 구속 상황을 경험한 시점의 주변 맵을 영상 데이터로 메모리(170)에 저장할 수 있다.
로봇 청소기(100)의 프로세서(180)는 로봇 청소기(100)가 구속 상황을 경험한 경우, 주변 맵 데이터에 구속 상황을 레이블링한다(S1907).
프로세서(180)는 추후, 구속 상황 인지 모델의 학습을 위해, 구속 상황이 감지된 시점에 상응하는 주변 맵 데이터에 구속 상황을 레이블링할 수 있다.
즉, 단계 S1903에서 얻어진 주변 맵 데이터 또는 주변 맵은 후술할 구속 상황 인지 모델의 학습을 위한 학습용 데이터일 수 있다.
도 21은 본 발명의 실시 예에 따라, 로봇 청소기가 주변 맵 데이터에 구속 상황을 레이블링하는 시점을 결정하는 과정을 설명하는 도면이다.
도 21을 참조하면, 시간에 따른 범퍼 이벤트의 변화를 보여주는 그래프(2100)가 도시되어 있다.
프로세서(180)는 일정 시간 동안 측정된 범퍼 이벤트의 횟수가 기 설정된 회수 미만인 경우, 해당 일정 시간에 상응하는 주변 맵 영상 데이터에 불구속(또는 normal) 상황을 레이블링 할 수 있다.
프로세서(180)는 일정 시간 동안 측정된 범퍼 이벤트의 횟수가 기 설정된 횟수 이상인 경우, 해당 일정 시간에 상응하는 주변 맵 영상 데이터에 구속(또는 방황(wander) 상황을 레이블링할 수 있다.
프로세서(180)는 일정 시간을 복수의 단위 시간들로 구분하고, 구분된 각 단위 시간에 상응하는 주변 맵 영상 데이터에 구속 상황 또는 불구속 상황을 레이블링할 수 있다. 레이블링은 도 14의 오토 레이블러(1410)에 의해 라벨링될 수 있다.
다시, 도 19를 설명한다.
로봇 청소기(100)의 프로세서(180)는 주변 맵 데이터 및 이에 레이블된 레이블링 데이터를 이용하여, 구속 상황 인지 모델을 학습한다(S1909).
구속 상황 인지 모델은 도 12의 컨텍스트 인지 모델의 한 예일 수 있다.
구속 상황 인지 모델은 주변 맵 데이터로부터, 로봇 청소기(100)의 구속 상황 또는 불구속 상황을 추론하는 모델일 수 있다.
구속 상황 인지 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 지도 학습되는 인공 신경망 기반의 모델일 수 있다.
여기서, 구속 상황 인지 모델의 인공 신경망은 서포트 벡터 머신(Support Vector Machine, SVM), 합성곱 신경망(Convolutional Neural Network, CNN) 중 어느 하나가 사용될 수 있다.
단계 S1905 내지 S1909는 로봇 청소기(100)가 구속 상황의 경험을 바탕으로, 구속 상황 인지 모델을 자가 학습하는 과정일 수 있다.
구속 상황 인지 모델의 학습 과정에 대해서는, 다음의 도면을 참조하여 설명한다.
도 22는 본 발명의 일 실시 예에 따른 구속 상황 인지 모델의 학습 과정을 설명하는 도면이다.
도 22를 참조하면, 인공 신경망 기반의 구속 상황 인지 모델(2200)이 도시되어 있다.
로봇 청소기(100)가 획득한 주변 맵 데이터에는 구속 상황을 나타내는 레이블링 데이터가 라벨링될 수 있다. 라벨링은 도 14에 도시된 오토 라벨러(1410)에 의해 수행될 수 있다.
주변 맵 데이터 및 이에 라벨링된 구속 상황은 트레이닝 세트를 구성하고, 구속 상황 인지 모델(2200)의 지도 학습에 사용될 수 있다.
프로세서(180)는 주변 맵 데이터로부터, 입력 특징 벡터를 추출할 수 있다. 추출된 입력 특징 벡터는 구속 상황 인지 모델(2200)에 입력될 수 있다.
프로세서(180)는 구속 상황 인지 모델(2200)의 추론 결과인 대상 특징 벡터(또는 대상 특징점)와 레이블링 데이터인 구속 상황 간의 차이를 나타내는 비용 함수를 최소화하도록 학습될 수 있다.
구속 상황 인지 모델(2200)의 비용 함수는 학습 데이터에 상응하는 로봇 청소기(100)의 구속 상황에 대한 라벨과, 각 학습 데이터로부터 추론된 상황 간의 차이의 제곱 평균으로 표현될 수 있다.
구속 상황 인지 모델(2200)은 학습을 통해 비용 함수를 최소화하도록 인공 신경망에 포함된 모델 파라미터들이 결정될 수 있다.
구속 상황 인지 모델(2200)의 대상 특징점은 로봇 청소기(100)의 정상 상황 여부를 나타내는 단일한 노드의 출력 층으로 구성될 수 있다. 대상 특징점은 구속 상황을 나타낼 때, 그 값으로 1, 그리고, 불구속 상황을 나타낼 때 그 값으로, 0을 가질 수 있다. 이 경우, 구속 상황 인지 모델(2200)의 출력층은 활성 함수로 시그모이드, 하이퍼볼릭 탄젠트(tanh) 등을 이용할 수 있다.
또 다른 예로, 구속 상황 인지 모델(2200)의 대상 특징점은 로봇 청소기(100)의 구속 또는 불구속 상황을 나타내는 두 개의 출력 노드의 출력층으로 구성될 수 있다.
즉, 대상 특징점(대상 특징 벡터)는 구속 상황, 불구속 상황으로 구성될 수 있으며, 대상 특징점이 구속 상황을 나타낼 때에 그 값으로 "(1, 0)", 그리고, 불구속 상황을 나타낼 때에 그 값으로 "(0, 1)"을 가질 수 있다. 이 경우, 구속 상황 인지 모델(2200)의 출력층은 활성 함수로 소프트맥스를 이용할 수 있다.
다시, 도 19를 설명한다.
이후의 스텝들은 로봇 청소기(100)가 구속 상황 인지 모델(2200)의 최초 학습을 완료한 후, 수행하는 과정들일 수 있다.
그 후, 로봇 청소기(100)의 프로세서(180)는 청소 경로를 따라 주행 중 센싱부(140)를 통해 새로운 3D 데이터 및 새로운 범퍼 이벤트를 획득한다(S1911).
프로세서(180)는 획득된 3D 데이터 및 범퍼 이벤트를 주변 맵 데이터로 변환하여, 주변 맵을 생성한다(S1913).
로봇 청소기(100)의 프로세서(180)는 학습된 구속 상황 인지 모델을 이용하여, 생성된 주변 맵으로부터 로봇 청소기(100)의 구속 상황 여부를 추론한다(S1913).
프로세서(180)는 구속 상황 인지 모델을 이용하여, 주변 맵에 상응하는 영상 데이터로부터, 로봇 청소기(100)의 구속 상황 여부를 결정할 수 있다.
로봇 청소기(100)의 프로세서(180)는 구속 상황 인지 모델에 의해 구속 상황으로 추론된 경우(S1915), 구속 상황의 회피를 위한 스텝인 도 8의 S805 및 그 이후의 동작을 수행한다.
즉, 프로세서(180)는 로봇 청소기(100)가 구속 상황으로 추론한 경우, 구속 상황을 미연에 방지하기 위해, 로봇 청소기(100)의 주행 각도를 변경할 수 있다. 이에 대한 설명은 도 8의 실시 예로 대체한다.
로봇 청소기(100)의 프로세서(180)는 구속 상황 인지 모델에 의해 불구속 상황으로 추론된 경우(S1915), 기존의 청소 경로에 따라 주행한다(도 8의 S801).
한편, 로봇 청소기(100)는 주변 환경의 변화 또는 구속 상황 인지 모델(2200)의 에러를 줄이기 위해, 자가 검증을 수행할 수 있다. 자가 검증의 수행에 따라 구속 상황 인지 모델(2200)은 지속적으로 업데이트될 수 있다.
도 23은 본 발명의 실시 예에 따른 로봇 청소기가 구속 상황 인지 모델에 대한 자가 검증을 수행하는 과정을 보여주는 도면이고, 도 24는 자가 검증의 구체적인 방법을 설명하는 도면이다.
도 23을 참조하면, 로봇 청소기(100)의 프로세서(180)는 센싱부(140)를 통해 3D 영상 데이터 및 범퍼 이벤트를 포함하는 센싱 데이터(2310)를 획득한다.
프로세서(180)는 획득된 센싱 데이터(2310)를 주변 맵 영상 데이터(2320)로 변환한다.
변환된 주변 맵 영상 데이터(2320)는 메모리(170)에 저장될 수 있다. 주변 맵 영상 데이터(2320)는 1ms 간격으로 획득될 수 있으나, 이는 예시에 불과한 수치이다.
프로세서(180)는 최초 학습이 완료된 구속 상황 인지 모델(2200)을 이용하여, 주변 맵 영상 데이터(2320)로부터, 구속 상황 여부를 추론할 수 있다.
프로세서(180)는 추론된 구속 상황 또는 정상 상황(또는 불구속 상황)에 대해 자가 검증(2350)을 수행할 수 있다.
자가 검증(2350)은 주변 환경이 변화하거나, 구속 상황 인지 모델(2200)의 에러를 줄이기 위해 수행되는 과정일 수 있다.
자가 검증(2350)에 대해서는, 도 24를 함께 참조하여 설명한다.
먼저, 구속 상황 인지 모델(2200)의 추론 결과가 정상 상황(또는 불구속 상황)인 경우에 대해 설명한다.
프로세서(180)는 로봇 청소기(100)가 불구속 상황이라고 추론한 경우, 기존의 청소 경로를 따라 로봇 청소기(100)를 주행시킬 수 있다. 그 후, 프로세서(180)는 로봇 청소기(100)의 구속이 발생했는지 여부를 판단할 수 있다.
프로세서(180)는 일정 시간 동안 범퍼 이벤트의 횟수가 기 설정된 횟수 이상 발생한 경우, 구속이 발생한 것으로 판단할 수 있다.
프로세서(180)는 일정 시간 동안 범퍼 이벤트의 횟수가 기 설정된 횟수 미만 발생한 경우, 구속이 발생하지 않는 것으로 판단할 수 있다.
프로세서(180)는 구속이 발생되지 않은 경우, 별도의 조치를 취하지 않는다.
프로세서(180)는 구속이 발생된 경우, 구속 상황 인지 모델(2200)을 재 학습(Re-training) 시킬 수 있다.
프로세서(180)는 또는 오토 레이블러(2330)는 불구속 상황의 추론 결과를 판단하는데 사용한 주변 맵 영상 데이터에 구속 상황을 레이블링할 수 있다.
해당 주변 맵 영상 데이터 및 레이블링 데이터는 트레이닝 데이터 세트를 구성하여, 구속 상황 인지 모델(2200)을 재 지도 학습하는데 사용될 수 있다.
한편, 구속 상황 인지 모델(2200)의 추론 결과가 구속 상황인 경우에 대해 설명한다.
프로세서(180)는 로봇 청소기(100)의 상황을 구속 상황이라고 추론한 경우, 기존의 청소 경로를 따라 로봇 청소기(100)를 주행시킬 수 있다.
이 후, 프로세서(180)는 로봇 청소기(100)의 구속이 발생했는지를 판단할 수 있다.
프로세서(180)는 구속이 발생되지 않은 경우, 에러가 검출된 것으로 판단할 수 있다. 이 경우, 프로세서(180)는 구속 상황 인지 모델(2200)을 재 학습(Re-training)시킬 수 있다.
프로세서(180) 또는 오토 레이블러(2330)는 구속 상황의 추론에 사용된 주변 맵 영상 데이터에 불구속 상황을 레이블링할 수 있다. 주변 맵 영상 데이터 및 레이블링 데이터는 트레이닝 데이터 세트를 구성하여, 구속 상황 인지 모델(2200)을 재 지도 학습하는데 사용될 수 있다.
한편, 프로세서(180)는 구속이 발생한 경우, 추론 결과가 올바른 것으로 판단할 수 있다. 이 경우, 프로세서(180)는 구속 상황을 회피하기 위해, 주행 구동부(160)를 제어할 수 있다.
구체적으로, 프로세서(180)는 도 8의 단계 S805와 같이, 로봇 청소기(100)의 회전 각도를 결정하고, 결정된 회전 각도만큼 회전한 후, 후진하여, 구속 상황을 회피할 수 있다. 이에 대한 자세한 설명은 도 8의 설명으로 대체한다.
이와 같이, 본 발명의 실시 예에 따른 로봇 청소기(100)는 구속 상황 인지 모델(2200)에 대한 자가 검증을 수행하여, 지속적으로 구속 상황 인지 모델(2200)을 업데이트 시킬 수 있다.
이에 따라, 로봇 청소기(100)는 주변 상황의 변화에 능동적으로 대처할 수 있다. 또한, 구속 상황 인지 모델(2200)의 학습 오류를 개선하여, 학습 모델의 정확성이 증가될 수 있다.
다음으로, 종래의 위치 기반으로, 구속 영역을 판단한 경우와, 주변 상황 인식을 기반으로, 구속 영역을 판단한 경우, 로봇 청소기(100)의 대처 능력을 비교한다.
도 25a는 종래 기술에 따라 구속 영역의 위치를 기반으로, 추후, 구속 영역으로 재 진입 시, 로봇 청소기가 대처하는 방법을 설명하는 도면이고, 도 25b는 본 발명의 실시 예에 따라 주변 상황의 인식을 기반으로, 추후, 구속 영역으로 재 진입 시, 로봇 청소기가 대처하는 방법을 설명하는 도면이다.
먼저, 도 25a를 설명한다. 종래의 로봇 청소기(10)는 벽(2510), 제1 장애물(2530) 및 제2 장애물(2550)에 의해 구속 상황을 경험한다. 로봇 청소기(10)는 구속 상황을 경험한 당시 구속 영역의 위치를 저장한다.
추후, 로봇 청소기(10)는 구속 영역으로 진입 할 시, 제2 장애물(2550)이 그대로 있는 경우나, 제2 장애물(2550)이 제거된 경우에도, 구속 영역을 인식한 것으로 판단한다. 즉, 로봇 청소기(10)는 구속 영역의 인식에 따라 회피 주행을 수행한다. 이 경우, 제2 장애물(2550)이 제거된 경우, 로봇 청소기(10)는 위치 기반으로, 구속 영역을 인식하여, 구속 영역을 회피하기 위한 주행을 한다.
종래의 로봇 청소기(10)는 주변 환경 변화에 따라 실제, 회피 주행이 필요가 없음에도, 회피 주행을 하게되어, 기존의 구속 영역에 대한 청소가 수행될 수 없는 문제가 있다.
다음으로, 도 25b를 설명한다.
본 발명의 실시 예에 따른 로봇 청소기(100)는 벽(2510), 제1 장애물(2530) 및 제2 장애물(2550)에 의해 구속 상황을 경험한다.
로봇 청소기(100)는 구속 상황의 경험 당시, 주변 상황을 나타내는 주변 맵 영상 데이터를 구속 상황에 레이블링시켜, 구속 상황 인지 모델(2200)을 학습시킬 수 있다.
이 후, 제2 장애물(2550)이 제거된 경우, 로봇 청소기(100)는 구속 상황을 경험했던 구속 영역으로 진입한다. 로봇 청소기(100)는 구속 상황 인지 모델(2200)을 이용하여, 재 획득한 주변 맵 영상 데이터로부터, 구속 상황 여부를 추론할 수 있다.
로봇 청소기(100)는 제2 장애물(2550)의 제거와 같은, 주변 환경 변화를 인식하여, 기존의 구속 영역의 진입 시, 반드시, 구속 상황으로 판단하지 않을 수 있다.
즉, 로봇 청소기(100)는 기존의 구속 영역으로 진입 시에도, 구속 상황 인지 모델(2200)을 이용하여, 재 획득한 주변 맵 영상 데이터로부터, 현재 상황을 불구속 상황으로 추론할 수 있다. 이에 따라, 도 25a의 위치 기반 방식과는 달리, 주변 환경의 변화를 인식하여, 청소가 보다 효율적으로 수행될 수 있다.
만약, 로봇 청소기(100)가 제2 장애물(2550)이 제거되었음에도 불구하고, 구속 영역으로 진입 시, 구속 상황이라고 판단한 경우가 발생될 수 있다.
로봇 청소기(100)는 도 24에서 설명된 자가 검증 방식을 통해, 구속 상황 판단의 에러를 검출하여, 구속 상황 인지 모델(2200)을 재 학습시킬 수 있다.
로봇 청소기(100)는 구속 상황 인지 모델(2200)의 재 학습에 따라, 제2 장애물(2550)이 제거된 상황을 반영하여, 해당 구속 영역에 진입 시, 구속 영역을 판단하지 않을 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 로봇 청소기(100)는 주변 환경의 변화를 인식하여, 구속 상황의 판단에 반영할 수 있다. 이에 따라, 주변 환경 변화에 대해 능동적으로 대처하는 능력이 크게 향상될 수 있고, 청소가 보다 효율적으로 수행될 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.

Claims (20)

  1. 인공 지능을 통해 구속 상황을 인지하는 로봇 청소기에 있어서,
    상기 로봇 청소기를 주행시키는 주행 구동부;
    3D 영상 데이터 및 범퍼 이벤트를 획득하는 센싱부;
    상기 로봇 청소기의 구속 상황 여부를 추론하는 구속 상황 인지 모델을 저장하는 메모리; 및
    상기 3D 영상 데이터 및 범퍼 이벤트를 주변 맵 영상 데이터로 변환하고, 상기 구속 상황 인지 모델을 이용하여, 상기 3D 영상 데이터 및 상기 범퍼 이벤트로부터, 상기 로봇 청소기의 구속 상황 여부를 추론하고, 추론 결과에 따라 상기 주행 구동부를 제어하는 프로세서를 포함하는
    로봇 청소기.
  2. 제1항에 있어서,
    상기 구속 상황 인지 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 지도 학습된 인공 신경망 기반의 모델이고,
    상기 구속 상황 인지 모델의 학습에 사용되는 트레이닝 데이터 세트는
    상기 로봇 청소기의 주행 중, 획득된 학습용 주변 맵 영상 데이터 및 이에 레이블된 구속 상황 여부를 나타내는 레이블링 데이터를 포함하는
    로봇 청소기.
  3. 제2항에 있어서,
    상기 프로세서는
    상기 구속 상황 인지 모델의 추론 결과가, 불구속 상황인 경우, 상기 로봇 청소기를 청소 경로에 따라 주행시키고, 상기 로봇 청소기의 구속 여부를 판단하는
    로봇 청소기.
  4. 제3항에 있어서,
    상기 프로세서는
    상기 로봇 청소기가 구속된 경우, 상기 주변 맵 영상 데이터에 상기 구속 상황을 재 레이블링하고, 상기 구속 상황 인지 모델을 재 학습시키는
    로봇 청소기.
  5. 제2항에 있어서,
    상기 프로세서는
    상기 구속 상황 인지 모델의 추론 결과가, 구속 상황인 경우, 상기 로봇 청소기를 청소 경로에 따라 주행시키고, 상기 로봇 청소기의 구속 여부를 판단하는
    로봇 청소기.
  6. 제5항에 있어서,
    상기 프로세서는
    상기 로봇 청소기의 구속이 발생되지 않은 경우, 상기 주변 맵 영상 데이터에 상기 구속 상황을 재 레이블링하고, 상기 구속 상황 인지 모델을 재 학습시키는
    로봇 청소기.
  7. 제5항에 있어서,
    상기 프로세서는
    상기 로봇 청소기의 구속이 발생된 경우, 상기 로봇 청소기의 회전 각도를 결정하고, 결정된 회전 각도로 회전하도록 상기 주행 구동부를 제어하고, 상기 회전 각도만큼 상기 로봇 청소기가 회전된 후, 일정 거리만큼, 후진하도록 상기 주행 구동부를 제어하는
    로봇 청소기.
  8. 제7항에 있어서,
    상기 프로세서는
    상기 구속 상황이 감지된 시점에서, 상기 로봇 청소기의 현재 주행 각도를 측정하고, 측정된 현재 주행 각도와 상기 구속 상황이 감지된 이전의 복수의 시점들 각각에서 측정된 복수의 주행 각도들에 기초하여, 상기 회전 각도를 결정하는
    로봇 청소기.
  9. 제8항에 있어서,
    상기 프로세서는
    상기 현재 주행 각도에서 상기 복수의 주행 각도들의 평균 각도를 뺀 값을 상기 회전 각도로 결정하고,
    상기 복수의 시점들 각각에서 측정된 상기 로봇 청소기의 주행 속도들 각각은 임계 속도 이상인
    로봇 청소기.
  10. 제1항에 있어서,
    상기 센싱부는
    상기 3D 영상 데이터를 센싱하는 깊이 센서 및 상기 로봇 청소기의 범퍼에 가해지는 충격량을 측정하고, 충격량이 기 설정된 충격량 이상인 경우, 범퍼 이벤트를 생성하는 범퍼 센서를 포함하는
    로봇 청소기.
  11. 제10항에 있어서,
    상기 프로세서는
    상기 범퍼 이벤트의 발생 횟수가 기 설정된 횟수 이상인 경우, 상기 로봇 청소기가 구속 상황이 있는 것으로 판단하는
    로봇 청소기.
  12. 제1항에 있어서,
    상기 주변 맵 영상 데이터는
    상기 로봇 청소기의 청소 구역을 나타내는 청소 지도 상에서, 상기 로봇 청소기가 위치한 주변의 장애물 상황을 나타내는 데이터인
    로봇 청소기.
  13. 인공 지능을 통해 구속 상황을 인지하는 로봇 청소기의 동작 방법에 있어서,
    3D 영상 데이터 및 범퍼 이벤트를 획득하는 단계;
    획득된 3D 영상 데이터 및 범퍼 이벤트를 주변 맵 영상 데이터로 변환하는 단계;
    구속 상황 인지 모델을 이용하여, 상기 3D 영상 데이터 및 상기 범퍼 이벤트로부터, 상기 로봇 청소기의 구속 상황 여부를 추론하는 단계;
    추론 결과에 따라 상기 주행 구동부를 제어하는 단계를 포함하는
    로봇 청소기의 동작 방법.
  14. 제13항에 있어서,
    상기 구속 상황 인지 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 통해 지도 학습된 인공 신경망 기반의 모델이고,
    상기 구속 상황 인지 모델의 학습에 사용되는 트레이닝 데이터 세트는
    상기 로봇 청소기의 주행 중, 획득된 학습용 주변 맵 영상 데이터 및 이에 레이블된 구속 상황 여부를 나타내는 레이블링 데이터를 포함하는
    로봇 청소기의 동작 방법.
  15. 제14항에 있어서,
    상기 구속 상황 인지 모델의 추론 결과가, 불구속 상황인 경우, 상기 로봇 청소기를 청소 경로에 따라 주행시키는 단계; 및
    상기 로봇 청소기의 구속 여부를 판단하는 단계를 더 포함하는
    로봇 청소기의 동작 방법.
  16. 제15항에 있어서,
    상기 로봇 청소기가 구속된 경우, 상기 주변 맵 영상 데이터에 상기 구속 상황을 재 레이블링하는 단계; 및
    레이블링에 따라 상기 구속 상황 인지 모델을 재 학습시키는 단계를 더 포함하는
    로봇 청소기의 동작 방법.
  17. 제14항에 있어서,
    상기 구속 상황 인지 모델의 추론 결과가, 구속 상황인 경우, 상기 로봇 청소기를 청소 경로에 따라 주행시키는 단계; 및
    상기 로봇 청소기의 구속 여부를 판단하는 단계를 더 포함하는
    로봇 청소기의 동작 방법.
  18. 제17항에 있어서,
    상기 로봇 청소기의 구속이 발생되지 않은 경우, 상기 주변 맵 영상 데이터에 상기 구속 상황을 재 레이블링하는 단계; 및
    상기 구속 상황 인지 모델을 재 학습시키는 단계를 더 포함하는
    로봇 청소기의 동작 방법.
  19. 제17항에 있어서,
    상기 로봇 청소기의 구속이 발생된 경우, 상기 로봇 청소기의 회전 각도를 결정하는 단계;
    결정된 회전 각도로 회전하도록 상기 로봇 청소기의 주행 구동부를 제어하는 단계; 및
    상기 회전 각도만큼 상기 로봇 청소기가 회전된 후, 일정 거리만큼, 후진하도록 상기 주행 구동부를 제어하는 단계를 더 포함하는
    로봇 청소기의 동작 방법.
  20. 제19항에 있어서,
    상기 구속 상황이 감지된 시점에서, 상기 로봇 청소기의 현재 주행 각도를 측정하는 단계; 및
    측정된 현재 주행 각도와 상기 구속 상황이 감지된 이전의 복수의 시점들 각각에서 측정된 복수의 주행 각도들에 기초하여, 상기 회전 각도를 결정하는 단계를 더 포함하는
    로봇 청소기의 동작 방법.
KR1020190105364A 2019-08-27 2019-08-27 인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법 KR20190106874A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190105364A KR20190106874A (ko) 2019-08-27 2019-08-27 인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법
US16/567,805 US11378966B2 (en) 2019-08-27 2019-09-11 Robot cleaner for recognizing stuck situation through artificial intelligence and method of operating the same
EP19217428.2A EP3786754B1 (en) 2019-08-27 2019-12-18 Robot cleaner for recognizing stuck situation through artificial intelligence and method of operating the same
CN202010052227.6A CN112438664B (zh) 2019-08-27 2020-01-17 通过人工智能识别卡堵情形的机器人清洁器及其操作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190105364A KR20190106874A (ko) 2019-08-27 2019-08-27 인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR20190106874A true KR20190106874A (ko) 2019-09-18

Family

ID=68070368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190105364A KR20190106874A (ko) 2019-08-27 2019-08-27 인공 지능을 통해 구속 상황을 인식하는 로봇 청소기 및 그의 동작 방법

Country Status (4)

Country Link
US (1) US11378966B2 (ko)
EP (1) EP3786754B1 (ko)
KR (1) KR20190106874A (ko)
CN (1) CN112438664B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11641994B2 (en) 2019-11-12 2023-05-09 Samsung Electronics Co., Ltd. Mistakenly ingested object identifying robot cleaner and controlling method thereof

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3757888A1 (en) * 2019-06-27 2020-12-30 Koninklijke Philips N.V. Multi-task deep learning method for a neural network for automatic pathology detection
CN111197987A (zh) * 2020-02-26 2020-05-26 深圳市银星智能科技股份有限公司 一种困境识别方法、装置以及计算机存储介质
CN114153197B (zh) * 2020-08-17 2023-08-18 速感科技（北京）有限公司 自主移动设备的脱困方法及装置
US11656628B2 (en) * 2020-09-15 2023-05-23 Irobot Corporation Learned escape behaviors of a mobile robot
CN113580197B (zh) * 2021-07-30 2022-12-13 珠海一微半导体股份有限公司 移动机器人卡住检测方法、系统及芯片

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6941199B1 (en) * 1998-07-20 2005-09-06 The Procter & Gamble Company Robotic system
US9008840B1 (en) * 2013-04-19 2015-04-14 Brain Corporation Apparatus and methods for reinforcement-guided supervised learning
KR102083188B1 (ko) 2013-07-29 2020-03-02 삼성전자주식회사 청소 로봇 및 그 제어 방법
KR102527645B1 (ko) * 2014-08-20 2023-05-03 삼성전자주식회사 청소 로봇 및 그 제어 방법
US20200409382A1 (en) * 2014-11-10 2020-12-31 Carnegie Mellon University Intelligent cleaning robot
WO2016123421A1 (en) * 2015-01-31 2016-08-04 Mini-Mole Llc Automatic floor cleaning robot
TWI689387B (zh) 2016-05-17 2020-04-01 南韓商Ｌｇ電子股份有限公司 行動機器人
AU2017363769B2 (en) 2016-11-24 2020-10-29 Lg Electronics Inc. Mobile robot and control method thereof
CN108803588A (zh) 2017-04-28 2018-11-13 深圳乐动机器人有限公司 机器人的控制系统
CN109213137A (zh) 2017-07-05 2019-01-15 广东宝乐机器人股份有限公司 扫地机器人、扫地机器人系统及其工作方法
KR102448287B1 (ko) * 2017-08-08 2022-09-28 삼성전자주식회사 전자 장치 및 그 동작 방법
CN107544524A (zh) 2017-10-30 2018-01-05 北京奇虎科技有限公司 机器人的碰撞处理方法、装置及机器人
JP7075201B2 (ja) * 2017-12-15 2022-05-25 東芝ライフスタイル株式会社 電気掃除機
US11571648B2 (en) 2019-03-20 2023-02-07 Lg Electronics Inc. Air cleaner
CN110279350A (zh) * 2019-06-20 2019-09-27 深圳市银星智能科技股份有限公司 自移动设备移动方法及自移动设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11641994B2 (en) 2019-11-12 2023-05-09 Samsung Electronics Co., Ltd. Mistakenly ingested object identifying robot cleaner and controlling method thereof

Also Published As

Publication number Publication date
EP3786754B1 (en) 2022-11-16
US20200004260A1 (en) 2020-01-02
CN112438664A (zh) 2021-03-05
EP3786754A1 (en) 2021-03-03
US11378966B2 (en) 2022-07-05
CN112438664B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
US11556844B2 (en) Artificial intelligence robot for determining cleaning route using sensor data and method for the same
KR102305206B1 (ko) 인공 지능을 통해 바닥 상황을 고려하여 청소하는 로봇 청소기 및 그 방법
US20200008639A1 (en) Artificial intelligence monitoring device and method of operating the same
US11330951B2 (en) Robot cleaner and method of operating the same
EP3786754B1 (en) Robot cleaner for recognizing stuck situation through artificial intelligence and method of operating the same
US11465294B2 (en) Artificial intelligence robot for performing cleaning using pollution log and method for same
US11580385B2 (en) Artificial intelligence apparatus for cleaning in consideration of user&#39;s action and method for the same
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
US11318614B2 (en) Robot cleaner and operating method thereof
EP3782524B1 (en) Robot cleaner for avoiding stuck situation through artificial intelligence and method of operating the same
KR102331563B1 (ko) 구역별 오염정보를 이용하여 청소를 수행하는 인공 지능 로봇 및 그 방법
US11653805B2 (en) Robot cleaner for performing cleaning using artificial intelligence and method of operating the same
KR20190093529A (ko) 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
KR20190100085A (ko) 인공 지능을 이용하여, 위험 상황을 감지할 수 있는 로봇 및 그의 동작 방법
KR20190096307A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11210567B2 (en) Artificial intelligence apparatus and method for recognizing object
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
US11550328B2 (en) Artificial intelligence apparatus for sharing information of stuck area and method for the same
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal