KR20190109324A - 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템 - Google Patents

로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR20190109324A
KR20190109324A KR1020190091050A KR20190091050A KR20190109324A KR 20190109324 A KR20190109324 A KR 20190109324A KR 1020190091050 A KR1020190091050 A KR 1020190091050A KR 20190091050 A KR20190091050 A KR 20190091050A KR 20190109324 A KR20190109324 A KR 20190109324A
Authority
KR
South Korea
Prior art keywords
charging station
location
information
recommending
density
Prior art date
Application number
KR1020190091050A
Other languages
English (en)
Inventor
이학주
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 KR1020190091050A priority Critical patent/KR20190109324A/ko
Priority to US16/557,888 priority patent/US11755882B2/en
Publication of KR20190109324A publication Critical patent/KR20190109324A/ko

Links

Images

Classifications

    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • B25J19/005—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators using batteries, e.g. as a back-up power source
    • 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
    • G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/048—Activation functions

Abstract

로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템이 개시된다. 본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득하는 단계, 획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하는 단계, 및 결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정하는 단계를 포함할 수 있다. 본 발명의 실시 예들은 사물 인터넷을 위해 연결된 5G 환경에서 인공 지능 알고리즘 및/또는 머신 러닝 알고리즘을 실행하여 구현될 수 있다.

Description

로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR RECOMMENDING LOCATION OF ROBOT CHARGING STATION}
본 발명은 로봇에 관한 것으로, 보다 상세하게는 로봇의 동선을 분석하여 충전대의 위치를 추천하는 것에 관한 것이다.
최근 들어 일상 생활에서 편리하게 사용할 수 있는 다양한 로봇이 개발되고 있다. 이와 같은 로봇은 가정, 학교 및 공공장소 등에서 사람의 일상 생활을 돕는데 사용되고 있다.
로봇에는 충전가능한 배터리가 내장되어 있으며, 로봇은 배터리의 레벨이 충분하지 않은 경우 충전대로 이동하여 배터리의 충전을 수행한다. 통상적으로 충전대의 위치는 관리자의 주관적인 판단에 의해 결정된다.
하지만, 관리자가 로봇의 작업 공간 및 작업 속성에 대한 이해가 부족할 경우 충전대가 비효율적인 곳에 배치될 수 있다. 이 경우 작업을 수행하던 로봇이 충전대로 이동함에 있어 비효율적인 이동이 발생할 수 있다.
안내로봇, 배송로봇 및 청소로봇 등과 같이 주로 이동하면서 작업을 수행하는 이동로봇에게 동선의 효율성은 매우 중요한 요소이다. 게다가, 가정과 같은 좁은 공간에서 공항 등과 같은 넓은 공간으로 로봇의 작업 공간이 점점 확장되고 있다. 운영되는 로봇의 수 또한 증가하고 있다. 따라서, 로봇의 비효율적인 이동은 시간이 지날수록 큰 자원의 손실을 초래할 수 있다.
로봇이 특정 영역의 벽면을 따라 이동하면서 초음파나 적외선으로 장애물의 위치나 각도를 측정함으로써 특정 영역을 스캔하고, 이를 분석하여 장애물이 없는 가장 넓은 영역을 충전대가 놓일 최적의 위치로 선정하는 방법이 관련 분야에 개시되어 있다. 하지만, 장기적인 관점에서 로봇의 효율적인 이동 및 자원의 효율적인 사용을 가능하게 하는 충전대의 위치를 결정할 필요가 있다.
대한민국 등록특허공보 제10-0517917호 (2005.09.22. 등록)
본 발명의 실시 예는 로봇의 효율적인 이동을 가능하게 하는 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템을 제공한다.
본 발명의 실시 예는 자원의 효율적인 사용을 가능하게 하는 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템을 제공한다.
본 발명의 실시 예는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템은 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇의 동선 정보를 분석하여 복수의 영역 각각에 대한 밀집도를 결정하고, 결정된 밀집도에 기초하여 충전대의 추천 위치를 결정한다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득하는 단계, 획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하는 단계, 및 결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정하는 단계를 포함할 수 있다.
상기 동선 정보는 미리 결정된 시간 동안 주기적으로 획득되는 상기 하나 이상의 로봇의 좌표 정보를 포함할 수 있다.
상기 밀집도를 결정하는 단계는, 상기 획득된 동선 정보를 상기 복수의 영역의 대응하는 영역과 연관시켜 상기 복수의 영역 각각에 대한 카운트 값을 결정하는 단계, 및 결정된 카운트 값에 기초하여 상기 밀집도를 결정하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 동선 프로파일을 로딩하는 단계 및 상기 획득된 동선 정보를 이용하여 상기 동선 프로파일을 갱신하는 단계를 더 포함할 수 있고, 상기 밀집도를 결정하는 단계는, 갱신된 동선 프로파일에 기초하여 상기 밀집도를 결정하는 단계를 포함할 수 있다.
상기 동선 프로파일은 상기 복수의 영역 각각에 대한 누적 카운트 값을 포함할 수 있고, 상기 동선 프로파일을 갱신하는 단계는, 상기 획득된 동선 정보를 상기 복수의 영역의 대응하는 영역과 연관시켜 상기 누적 카운트 값을 조정하는 단계를 포함할 수 있다.
상기 동선 프로파일을 갱신하는 단계는, 상기 획득된 동선 정보에 비해 이전에 획득된 동선 정보에 대한 가중치를 감소시켜 상기 누적 카운트 값을 조정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 상기 하나 이상의 로봇의 주행 정보를 획득하는 단계, 획득된 주행 정보에 기초하여 상기 복수의 영역 각각에 대한 혼잡도를 결정하는 단계를 더 포함할 수 있고, 상기 충전대의 추천 위치를 결정하는 단계는 결정된 혼잡도에 추가로 기초할 수 있다.
상기 주행 정보는 상기 로봇의 평균 이동속도, 상기 로봇이 주행 중 정지한 횟수, 상기 로봇이 물체와 충돌한 횟수 또는 이들의 조합을 포함할 수 있다.
상기 충전대의 추천 위치를 결정하는 단계는, 상기 복수의 영역으로부터, 제1 기준치 이상의 밀집도를 갖는 하나 이상의 후보 영역을 추출하는 단계, 및 상기 하나 이상의 후보 영역 및 상기 후보 영역에 인접한 영역으로부터 상기 추천 위치를 결정하는 단계를 포함할 수 있다.
상기 복수의 영역 각각은 복수의 서브영역을 포함할 수 있고, 상기 후보 영역을 추출하는 단계는, 상기 하나 이상의 후보 영역으로부터, 제2 기준치 이상의 밀집도를 갖는 하나 이상의 후보 서브영역을 추출하는 단계를 포함할 수 있다.
상기 충전대의 추천 위치를 결정하는 단계는, 미리 결정된 비적합 영역을 상기 추천 위치로부터 제외시키는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 상기 하나 이상의 로봇을 통해 상기 추천 위치를 안내하는 단계 또는 별도의 단말기를 통해 상기 추천 위치를 안내하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 상기 공간에 관한 정보, 상기 하나 이상의 로봇의 동선 정보 및 주행 정보 그리고 상기 충전대의 추천 위치를 학습 데이터로 사용하여 인공 신경망을 학습시키는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법은 상기 인공 신경망에 기반한 학습 모델을 이용하여 상기 획득된 동선 정보 또는 상기 결정된 밀집도를 분석함으로써 상기 충전대의 추천 위치를 결정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 장치는, 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇과 통신하기 위한 통신부, 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 하나 이상의 로봇으로부터 동선 정보를 획득하고, 획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하며, 그리고 결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 장치는 동선 프로파일을 저장하는 메모리를 더 포함할 수 있고, 상기 적어도 하나의 프로세서는, 상기 획득된 동선 정보를 이용하여 상기 동선 프로파일을 갱신하고, 갱신된 동선 프로파일에 기초하여 상기 밀집도를 결정할 수 있다.
상기 동선 프로파일은 상기 복수의 영역 각각에 대한 누적 카운트 값을 포함할 수 있고, 상기 적어도 하나의 프로세서는, 상기 획득된 동선 정보를 상기 복수의 영역의 대응하는 영역과 연관시켜 상기 누적 카운트 값을 조정하며, 그리고 조정된 누적 카운트 값에 기초하여 상기 밀집도를 결정할 수 있다.
상기 장치는 상기 하나 이상의 로봇 중 어느 하나의 로봇, 관제 서버 또는 상기 관제 서버와 통신 가능하게 연결된 단말기를 포함할 수 있다.
본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 시스템은, 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇, 상기 하나 이상의 로봇을 충전하기 위한 충전대 및 상기 하나 이상의 로봇의 동선 정보에 기초하여 상기 충전대의 추천 위치를 결정하는 관제 서버를 포함할 수 있고, 상기 관제 서버는, 상기 하나 이상의 로봇으로부터 상기 동선 정보를 획득하고, 획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하며, 그리고 결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 충전대의 추천 위치를 결정할 수 있다.
본 발명의 일 실시 에에 따른 컴퓨터 판독가능한 저장 매체에는 프로그램 코드가 저장되고, 상기 프로그램 코드는, 실행되는 경우, 적어도 하나의 프로세서로 하여금, 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득하게 하고, 획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하게 하고, 그리고 결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정하게 할 수 있다.
본 발명의 실시 예에 따르면, 로봇의 효율적인 이동 및/또는 자원의 효율적인 사용을 가능하게 하는 충전대의 위치를 결정할 수 있다.
본 발명의 실시 예에 따르면, 동선 프로파일의 활용을 통해 과거의 동선 분석을 고려할 수 있어 장기적인 관점에서 효율적인 충전대의 위치를 결정할 수 있다.
본 발명의 실시 예에 따르면, 동선 프로파일에 요약 데이터만 유지될 수 있어 프로세싱 속도 및 효율이 개선될 수 있다.
본 발명의 실시 예에 따르면, 동선 프로파일에 감쇠 모델이 적용될 수 있어 공간 내 동선 변화에 유연하게 대처할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 통상의 기술자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 로봇 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 공간의 일 예를 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 후보 영역의 추출을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 서브영역에 대한 밀집도의 결정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 추천 위치의 결정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법의 동작을 도시한 흐름도이다.
도 8은 본 발명의 다른 실시 예에 따른 충전대의 위치를 추천하기 위한 방법의 동작을 도시한 흐름도이다.
도 9는 본 발명의 다른 실시 예에 따른 로봇 시스템을 도시한 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.
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
도 1은 본 발명의 일 실시 예에 따른 로봇 시스템을 도시한 도면이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 로봇 시스템은 하나 이상의 로봇(110) 및 관제 서버(120)를 포함할 수 있고, 선택적으로 단말기(130)를 더 포함할 수 있다.
하나 이상의 로봇(110), 관제 서버(120) 및 단말기(130)는 네트워크(140)를 통해 서로 연결될 수 있다. 장치들(110, 120, 130)은 기지국을 통해 서로 통신할 수도 있지만, 기지국을 통하지 않고 서로 직접 통신할 수도 있다.
하나 이상의 로봇(110)은 공간에서 작업을 수행하고 해당 작업과 연관된 정보 또는 데이터를 관제 서버(120)에 제공할 수 있다. 로봇의 작업 공간은 실내 또는 실외일 수 있다. 로봇은 벽이나 기둥 등에 의해 미리 정의된 공간에서 동작할 수 있다. 이 경우 로봇의 작업 공간은 설계 목적, 로봇의 작업 속성, 로봇의 이동성 및 기타 다양한 요인에 따라 다양하게 정의될 수 있다. 로봇은 미리 정의되지 않은 개방된 공간에서 동작할 수도 있다. 로봇은 주변 환경을 센싱하여 스스로 작업 공간을 결정할 수도 있다.
관제 서버(120)는 하나 이상의 로봇(110)으로부터 제공되는 정보 또는 데이터에 기초하여 다양한 분석을 수행할 수 있고, 그러한 분석 결과에 기초하여 로봇 시스템 전반의 동작을 제어할 수 있다. 일 양상에서, 관제 서버(120)는 분석 결과에 기초하여 로봇(110)의 구동을 직접 제어할 수 있다. 다른 양상에서, 관제 서버(120)는 분석 결과로부터 유용한 정보 또는 데이터를 도출하여 출력할 수 있다. 또 다른 양상에서, 관제 서버(120)는 도출된 정보 또는 데이터를 이용하여 로봇 시스템 내 파라미터들을 조정할 수 있다. 관제 서버(120)는 단일 서버로 구현될 수 있지만, 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수도 있다.
단말기(130)는 관제 서버(120)의 역할을 일부 분담할 수 있다. 일 양상에서, 단말기(130)는 하나 이상의 로봇(110)으로부터 정보 또는 데이터를 획득하여 관제 서버(120)에 제공하거나, 관제 서버(120)로부터 정보 또는 데이터를 획득하여 하나 이상의 로봇(110)에 제공할 수 있다. 다른 양상에서, 단말기(130)는 관제 서버(120)에 의해 수행될 분석의 적어도 일부를 분담할 수 있고, 그러한 분석 결과를 관제 서버(120)에 제공할 수도 있다. 또 다른 양상에서, 단말기(130)는 관제 서버(120)로부터 분석 결과, 정보 또는 데이터를 제공받아 이를 단지 출력할 수도 있다.
실시 예에서, 단말기(130)가 관제 서버(120)의 역할을 대신할 수 있다. 다른 실시 예에서, 복수의 로봇(110) 중 적어도 하나의 로봇이 관제 서버(120)의 역할을 대신할 수 있다. 이 경우 복수의 로봇(110)은 서로 통신 가능하게 연결될 수 있다.
단말기(130)는 로봇(110) 및 관제 서버(120)와 통신할 수 있는 다양한 전자 디바이스들을 포함할 수 있다. 예를 들어, 단말기(100)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device)(예를 들어, 워치형 단말기(smartwatch), 글래스형 단말기(smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 청소기, 공기조화기, 데스크탑 컴퓨터, 프로젝터, 디지털 사이니지(Digital Signage)와 같은 고정형 디바이스 및 이동 가능한 디바이스 등으로 구현될 수 있다.
네트워크(140)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 이러한 네트워크(140)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, WCDMA, LTE, LTE-A, 5G, 블루투스, 위성 통신 등의 무선 통신 네트워크를 망라할 수 있으나, 이에 한정되는 것은 아니다.
네트워크(140)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(140)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(140)로의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(140)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등) 및/또는 5G 통신을 지원할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 장치의 구성을 나타낸 블록도이다. 도 3은 본 발명의 일 실시 예에 따른 공간의 일 예를 도시한 도면이고, 도 4는 본 발명의 일 실시 예에 따른 후보 영역의 추출을 설명하기 위한 도면이다. 도 5는 본 발명의 일 실시 예에 따른 서브영역에 대한 밀집도의 결정을 설명하기 위한 도면이며, 도 6은 본 발명의 일 실시 예에 따른 추천 위치의 결정을 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 장치(200)는 통신부(210), 입력부(220), 출력부(250), 메모리(260) 및 프로세서(270)를 포함할 수 있다.
실시 예에서, 충전대의 위치를 추천하기 위한 장치(200)는 도 1의 관제 서버(120)일 수 있다. 다른 실시 예에서, 충전대의 위치를 추천하기 위한 장치(200)는 도 1의 로봇(110) 또는 단말기(130)일 수 있다. 장치(200)가 로봇(110) 또는 단말기(130)로 구현되는 경우 충전대의 위치를 추천하기 위한 장치(200)는 센싱부(240)를 더 포함할 수 있다. 또한, 장치(200)가 인공 지능 및/또는 머신 러닝과 연관된 동작을 수행하도록 구성되는 경우, 충전대의 위치를 추천하기 위한 장치(200)는 러닝 프로세서(230)를 더 포함할 수 있다.
통신부(210)는 유무선 통신 기술을 이용하여 로봇(110), 관제 서버(120) 또는 단말기(130) 등의 외부 장치들과 정보 또는 데이터를 송수신할 수 있다. 예컨대, 통신부(210)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다. 통신부(210)는 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) 등과 같은 통신 기술을 이용할 수 있다.
실시 예에서, 통신부(210)는 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇(110)으로부터 동선 정보를 수신하고, 수신된 동선 정보를 프로세서(270)에 제공할 수 있다. 다른 실시 예에서, 통신부(210)는 하나 이상의 로봇(110)으로부터 동선 정보를 수신한 단말기(130)로부터 동선 정보를 수신할 수도 있다.
도 3을 참조하면, 하나 이상의 로봇(110)이 작업을 수행하는 공간(S)이 정의될 수 있다. 공간(S)은 그리드(grid)로 구획된 복수의 영역(G)을 포함할 수 있고, 복수의 영역(G) 각각은 동일한 면적을 가질 수 있다. 다른 실시 예에서, 복수의 영역(G)은 물리적인 공간 상의 제약 또는 설계 목적 등에 따라 상이한 면적 및/또는 상이한 형태를 갖는 적어도 하나의 영역을 포함할 수도 있다.
실시 예에서, 공간(S)은 벽(W), 기둥(P) 및 도어(D) 등의 구조물들을 포함할 수 있다. 이러한 구조물들에 의해 로봇(110)이 이동할 수 있는 공간(S)의 경계가 결정될 수 있다. 공간(S)에는 복수의 전원공급단자(E1, E2, E3, E4) 및 하나 이상의 로봇(110)을 충전하기 위한 적어도 하나의 충전대가 제공될 수 있다. 도 3에서 'C'는 현재 충전대가 위치한 영역을 나타낸다.
동선 정보는 하나 이상의 로봇(110)의 움직임을 나타내는 다양한 정보를 포함할 수 있다. 공간을 좌표계에 대응시킬 수 있는 경우, 동선 정보는 미리 결정된 시간 동안 및/또는 미리 결정된 시간 간격으로 주기적으로 측정되는 로봇(110)의 좌표 정보를 포함할 수 있다. 일 양상에서, 공간을 직교 좌표계로 정의할 경우, 동선 정보는 로봇(110)의 2차원 좌표 정보(x,y) 또는 3차원 좌표 정보(x,y,z)를 포함할 수 있다. 예로서, 도 3에 도시된 공간(S)은 2차원 직교 좌표계에 대응할 수 있고, 로봇(110)의 좌표 정보는 2차원 좌표 정보(x,y)일 수 있다. 다른 양상에서, 동선 정보는 로봇(110)의 포즈(pose)를 나타내기 위한 2차원 좌표 정보(x,y) 및 방위각 정보(θ)를 포함할 수도 있다.
미리 결정된 시간은 로봇(110)의 좌표 정보 획득이 지속되는 시간을 나타낼 수 있고, 월, 주, 일, 시, 분 등에 의해 정의될 수 있다. 미리 결정된 시간 간격은 로봇(110)의 좌표 정보가 획득되는 주기를 나타낼 수 있고, 시, 분, 초 등에 의해 정의될 수 있다. 미리 결정된 시간 및 미리 결정된 시간 간격은 설계 목적 등에 따라 다양하게 선택될 수 있다.
공간(S) 내에서 작업을 수행하는 하나 이상의 로봇(110)은 미리 결정된 시간(예: 1일) 동안 미리 결정된 시간 간격(예: 1분)으로 자신의 좌표 정보를 획득할 수 있다. 일 양상에서, 로봇(110)은 좌표 정보가 획득될 때마다 이를 장치(200)에 송신할 수 있다. 다른 양상에서, 로봇(110)은 미리 결정된 시간이 경과한 후 그 동안 획득한 좌표 정보를 한꺼번에 장치(200)에 송신할 수도 있다. 또 다른 양상에서, 로봇(110)이 획득한 좌표 정보를 장치(200)에 송신하기 위한 송신 간격(예: 1시간)이 별도로 정의될 수도 있다. 로봇(110)이 자신의 좌표 정보를 획득하는 주기 및 획득한 좌표 정보를 장치(200)에 송신하는 주기는 로봇(110) 내 메모리의 용량, 로봇(110)과 장치(200)의 통신 환경 및 설계 목적 등에 따라 다양하게 선택될 수 있다.
실시 예에서, 통신부(210)는 하나 이상의 로봇(110)으로부터 주행 정보를 수신할 수도 있다. 로봇(110)의 주행 정보는 로봇(110)의 평균 이동속도, 로봇(110)이 주행 중 정지한 횟수에 대한 정보, 로봇(110)이 물체와 접촉 또는 충돌한 횟수에 대한 정보 등을 포함할 수 있다.
입력부(220)는 다양한 종류의 데이터를 획득할 수 있다. 입력부(220)는 영상 신호를 획득하기 위한 적어도 하나의 카메라, 오디오 신호를 획득하기 위한 마이크로폰 및 사용자로부터 정보를 입력 받기 위한 사용자 인터페이스 등을 포함할 수 있다.
입력부(220)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(270) 또는 러닝 프로세서(230)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
실시 예예서, 입력부(220)는 사용자 인터페이스를 통해 하나 이상의 로봇(110)의 동선 정보를 입력 받을 수 있다. 다시 말해, 하나 이상의 로봇(110)의 동선 정보는 입력부(220)를 통해 사용자로부터 입력될 수도 있다.
센싱부(240)는 다양한 센서들을 이용하여 장치(200)의 내부 정보, 장치(200)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다. 센싱부(240)는 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 및 이들의 조합 등을 포함할 수 있다.
출력부(250)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(250)는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커 및 촉각 정보를 출력하는 햅틱 모듈 등을 포함할 수 있다.
메모리(260)는 장치(200)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(260)는 통신부(210)에 의해 수신된 정보 또는 데이터, 입력부(220)에 의해 획득된 입력 정보, 입력 데이터, 학습 데이터, 학습 모델, 및 학습 히스토리 등을 저장할 수 있다.
실시 예에서, 메모리(260)는 통신부(210) 또는 입력부(220)를 통해 수신된 동선 정보 또는 그로부터 도출된 데이터를 저장할 수 있다. 또한, 메모리(260)는 후술할 동선 프로파일을 저장할 수 있다.
프로세서(270)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 장치(200)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(270)는 장치(200)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
프로세서(270)는 러닝 프로세서(230) 또는 메모리(260)의 정보 또는 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 장치(200)의 구성 요소들을 제어할 수 있다. 이때, 프로세서(270)는 결정된 동작을 수행하기 위하여 로봇(110), 관제 서버(120) 또는 단말기(130) 등의 외부 장치와의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 송신할 수 있다.
실시 예에서, 프로세서(270)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다. 프로세서(270)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
실시 예에서, STT 엔진 또는 NLP 엔진 중 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중 적어도 하나 이상은 러닝 프로세서(230)에 의해 학습된 것이거나, AI 서버의 러닝 프로세서에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(270)는 장치(200)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(260) 또는 러닝 프로세서(230)에 저장하거나, AI 서버 등의 외부 장치에 송신할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(270)는 메모리(260)에 저장된 응용 프로그램을 구동하기 위하여, 장치(200)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(270)는 상기 응용 프로그램의 구동을 위하여, 장치(200)에 포함된 구성요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
실시 예에서, 프로세서(270)는 통신부(210) 또는 입력부(220)로부터 제공되는 하나 이상의 로봇(110)의 동선 정보에 기초하여 충전대의 추천 위치를 결정할 수 있다. 전술한 바와 같이, 로봇(110)의 동선 정보는 미리 결정된 시간 간격으로 획득된 로봇(110)의 좌표 정보를 포함할 수 있다.
프로세서(270)는 로봇(110)의 좌표 정보를 복수의 영역(G)의 대응하는 영역과 연관시킬 수 있다. 실시 예에서, 로봇(110)의 좌표 정보를 복수의 영역(G)과 연관시키는 것은 해당 좌표 정보를 복수의 영역(G)의 대응하는 영역으로 맵핑(mapping)하거나 클러스터링(clustering)하는 것을 포함할 수 있다. 실시 예에서, 로봇(110)의 좌표 정보를 복수의 영역(G)과 연관시키는 것은 해당 좌표 정보가 속하는 영역에 대한 카운트 값을 증가시키는 것을 포함할 수 있다. 예로서, 도 4에 도시된 바와 같이, 점으로 표시된 로봇(110)의 좌표 정보가 복수의 영역(G)과 연관될 수 있고, 각각의 영역에 속한 점의 개수가 각각의 영역에 대한 카운트 값에 대응할 수 있다.
프로세서(270)는 복수의 영역(G) 각각에 대한 카운트 값에 기초하여 복수의 영역(G) 각각에 대한 밀집도를 결정할 수 있다. 그 결과, 특정 영역에 대한 밀집도는 해당 영역에서 로봇(110)의 좌표 정보가 획득된 횟수와 연관될 수 있다.
복수의 영역(G)이 동일한 면적을 갖는 영역이면, 밀집도는 카운트 값에 따라 혹은 카운트 값에 비례하는 값에 따라 결정될 수 있다. 복수의 영역(G)이 상이한 면적을 갖는 영역을 포함하면, 밀집도는 단위면적당 카운트 값 또는 이에 비례하는 값에 따라 결정될 수 있다.
프로세서(270)는 복수의 영역(G) 각각에 대한 밀집도에 기초하여 충전대의 추천 위치를 결정할 수 있다. 실시 예에서, 프로세서(270)는 제1 기준치 이상의 밀집도를 갖는 하나 이상의 후보 영역을 추출하고, 추출된 후보 영역 또는 후보 영역에 인접한 영역으로부터 충전대의 추천 위치를 결정할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 밀집도가 제1 기준치 이상인 6개의 영역(410, 420, 430, 440, 450, 460)이 후보 영역으로서 추출될 수 있다.
실시 예에서, 도 5에 도시된 바와 같이, 복수의 영역(G) 각각은 복수의 서브영역(Gsub)으로 분할될 수 있다. 서브영역(Gsub)의 개수는 영역(G)의 면적, 충전대의 면적, 설계 목적 등에 따라 다양하게 선택될 수 있다. 서브영역(Gsub)을 더 작은 복수의 영역으로 분할하는 것도 가능하다.
실시 예에서, 프로세서(270)는 추출된 후보 영역으로부터 제2 기준치 이상의 밀집도를 갖는 하나 이상의 후보 서브영역(510)을 추출할 수 있고, 추출된 후보 서브영역(510)으로부터 충전대의 추천 위치를 결정할 수 있다. 이러한 방식에 의하면, 충전대의 추천 위치가 보다 세밀하게 결정될 수 있다. 특히, 후보 영역의 밀집도가 서브영역들에 걸쳐 균일하지 않은 경우, 보다 바람직한 충전대의 위치가 추천될 수 있다.
제1 기준치는 후보 영역으로 결정될 수 있는 최소한의 밀집도를 나타낼 수 있다. 제2 기준치는 후보 서브영역으로 결정될 수 있는 최소한의 밀집도를 나타낼 수 있다. 제1 기준치는 공간(S)의 면적, 공간(S)의 속성, 공간(S) 내에서 운영되는 로봇(110)의 수, 설계 목적 등에 따라 적절하게 선택될 수 있다. 제2 기준치는 영역(G) 내 서브영역(Gsub)의 수 및 설계 목적 등에 따라 적절하게 선택될 수 있다. 제1 기준치와 제2 기준치는 동일할 수도 있고 서로 상이할 수도 있다.
실시 예에서, 프로세서(270)는 후보 영역들 중 가장 높은 밀집도를 갖는 영역을 추천 위치로 결정할 수 있다. 예를 들어, 도 4에 도시된 6개의 영역(410, 420, 430, 440, 450, 460) 중 가장 높은 밀집도를 갖는 영역이 추천 위치로 결정될 수 있다. 이러한 결정 방식은 매우 넓은 개방된 공간에서 충전대의 위치를 결정할 때 효과적일 수 있다.
실시 예에서, 프로세서(270)는 후보 영역들에 인접한 영역, 특히 후보 영역들 중 가장 높은 밀집도를 갖는 영역에 인접한 영역을 추천 위치로 결정할 수도 있다. 공간(S)의 속성에 따라 높은 밀집도를 갖는 영역보다 그에 인접한 영역에 충전대를 위치시키는 것이 보다 나은 선택일 수 있다. 예를 들어, 좁은 통로를 포함한 공간에서는 충전대를 통로의 중간에 위치시키는 것 보다 통로의 가장자리에 위치시키는 것이 보다 효과적일 수 있다. 특정 영역에 인접한 영역은 특정 영역과 경계를 공유하는 영역을 포함할 수 있고, 선택적으로 특정 영역과 대각선으로 인접한 영역을 포함할 수도 있다.
실시 예에서, 프로세서(270)는 후보 영역들 또는 후보 영역들에 인접한 영역들이 미리 결정된 비적합 영역에 해당하는지 여부를 판단하고, 비적합 영역에 해당하는 영역을 후보 영역 또는 추천 위치에서 제외시킬 수도 있다. 비적합 영역은 영역의 속성상 충전대가 설치되기 곤란한 영역을 나타낼 수 있다. 비적합 영역은 전원공급단자(E1, E2, E3, E4)에 의해 전원이 공급되는지 여부, 벽(W) 또는 기둥(P)과의 인접 여부, 문(D)과의 인접 여부 등에 기초하여 결정될 수 있다. 예로서, 비적합 영역은 전원공급단자(E1, E2, E3, E4)에 의해 전원이 공급되지 않는 영역, 벽(W) 또는 기둥(P)과 인접하지 않은 영역, 문(D)과 인접한 영역 또는 이들의 조합 등을 포함할 수 있다.
도 4를 참조하면, 후보 영역들(410, 430, 440)은 벽(W)이나 기둥(P)과 인접하지 않으므로 비적합 영역으로 결정될 수 있다. 또한, 후보 영역들(420, 450, 460)은 전원공급단자(E3, E4)에 의해 전원이 공급되지 않아 비적합 영역으로 결정될 수 있다.
따라서, 도 6에 도시된 바와 같이, 후보 영역들(410, 420, 430, 440, 450, 460)과 인접한 영역들 중 벽(W) 또는 기둥(P)과 인접하고 전원공급단자(E3)에 의해 전원이 공급되는 영역들(610, 620, 630)이 추천 위치로 결정될 수 있다.
다른 실시 예에서, 프로세서(270)는 전술한 밀집도뿐만 아니라 복수의 영역(S) 각각에 대한 혼잡도를 추가로 도출하여 추천 위치를 결정할 수도 있다. 이를 위해, 하나 이상의 로봇(110)의 주행 정보가 통신부(210) 또는 입력부(220)를 통해 프로세서(270)에 제공될 수 있다. 로봇(110)의 주행 정보는 로봇(110)의 평균 이동속도, 로봇(110)이 주행 중 정지한 횟수에 대한 정보, 로봇(110)이 물체와 접촉 또는 충돌한 횟수에 대한 정보 등을 포함할 수 있다.
프로세서(270)는 하나 이상의 로봇(110)의 주행 정보를 복수의 영역(G)과 연관시켜 복수의 영역(G) 각각에 대한 혼잡도를 결정할 수 있다. 프로세서(270)는 로봇(110)의 평균 이동속도, 로봇(110)이 주행 중 정지한 횟수에 대한 정보, 로봇(110)이 물체와 접촉 또는 충돌한 횟수에 대한 정보, 또는 이들의 조합들에 기초하여 복수의 영역(G) 각각에 대한 혼잡도를 결정할 수 있다. 일 양상에서, 로봇(110)의 평균 이동속도가 낮을수록 해당 영역의 혼잡도는 높아질 수 있다. 다른 양상에서, 로봇(110)이 주행 중 정지한 횟수가 많을수록 해당 영역의 혼잡도는 높아질 수 있다. 또 다른 양상에서, 로봇(110)이 물체와 접촉 또는 충돌한 횟수가 많을수록 해당 영역의 혼잡도는 높아질 수 있다.
밀집도가 높은 영역이라 하더라도 혼잡도 또한 너무 높다면 충전대의 위치로서 적합하지 않을 수 있다. 따라서, 프로세서(270)는 결정된 밀집도 및 결정된 혼잡도 둘 모두를 고려하여 충전대의 추천 위치를 결정할 수 있다.
일 양상에서, 프로세서(270)는, 복수의 영역(G) 각각에 대하여, 밀집도에 비례하는 밀집도 점수 및 혼잡도에 비례하는 혼잡도 점수를 계산하고 밀집도 점수에서 혼잡도 점수를 차감하여 최종 점수를 산출할 수 있다. 후보 영역 또는 추천 위치는 산출된 최종 점수에 기초하여 결정될 수 있다. 이때, 밀집도 점수 및 혼잡도 점수에 가중치가 부여될 수 있다. 이러한 가중치는 공간(S)의 면적, 공간(S)의 속성 및 설계 목적 등에 따라 다양하게 선택 및 조정될 수 있다.
다른 양상에서, 프로세서(270)는 복수의 영역(G) 중 제1 기준치 이상의 밀집도를 갖는 하나 이상의 후보 영역을 추출하고, 해당 후보 영역으로부터 제3 기준치 이상의 혼잡도를 갖는 혼잡 영역을 제외시킬 수 있다. 제3 기준치는 충전대의 위치로서 허용될 수 있는 최대 혼잡도를 나타낼 수 있다. 제3 기준치는 공간(S)의 면적, 공간(S)의 속성, 공간(S) 내에서 운영되는 로봇(110)의 수, 설계 목적 등에 따라 적절하게 선택될 수 있다.
실시 예에서, 공간(S)에 복수의 충전대가 제공될 수 있다. 일 양상에서, 프로세서(270)는 충전대의 수를 고려하여 복수의 추천 위치를 결정할 수 있다. 추천 위치의 수는 충전대의 수 이상일 수 있다. 다른 양상에서, 프로세서(270)는 밀집도, 혼잡도, 비적합 영역 해당 여부 또는 이들의 조합 등에 기초하여 추천 위치들의 조합을 결정할 수도 있다.
실시 예에서, 작업 속성의 차이 또는 기타 호환성의 문제 등으로 인해 복수의 로봇(110)이 2개 이상의 군으로 구분되고, 각각의 군에 대해 상이한 충전대가 사용될 수도 있다. 이 경우 프로세서(270)는 로봇(110)의 동선 정보를 각각의 군별로 구분하고, 각각의 군에 대한 충전대의 추천 위치를 별도로 결정할 수도 있다.
한편, 전술한 실시 예들에서는, 프로세서(270)가 미리 결정된 시간 동안 획득된 로봇(110)의 동선 정보 및/또는 주행 정보에 기초하여 충전대의 추천 위치를 결정한다.
하지만, 프로세서(270)는 현재 획득된 동선 정보뿐만 아니라 과거에 획득된 동선 정보를 함께 고려하여 충전대의 추천 위치를 결정할 수도 있다. 이를 위해, 장치(200)는 메모리(260)에 저장된 동선 프로파일을 활용할 수 있다.
동선 프로파일은 과거에 획득된 동선 정보 또는 그로부터 도출된 데이터를 포함할 수 있다. 일 양상에서, 동선 프로파일은 과거에 획득된 로봇(110)의 좌표 정보를 포함할 수 있다. 하지만, 다른 양상에서, 동선 프로파일은 과거에 획득된 로봇(110)의 좌표 정보가 복수의 영역(G)과 연관되어 도출된 데이터를 포함할 수 있다. 예를 들어, 동선 프로파일은 복수의 영역(G) 각각에 대한 누적 카운트 값을 포함할 수 있다.
프로세서(270)는 메모리(260)에 저장된 동선 프로파일을 로딩하고, 이번에 획득된 동선 정보를 이용하여 동선 프로파일을 갱신할 수 있다. 프로세서(270)는 갱신된 동선 프로파일에 기초하여 복수의 영역(G) 각각에 대한 밀집도를 결정할 수 있다. 프로세서(270)는 갱신된 프로파일을 메모리(260)에 저장할 수 있고, 저장된 동선 프로파일은 다음 번 추천 위치 결정 시 활용될 수 있다.
실시 예에서, 프로세서(270)는 복수의 영역(G) 각각에 대한 누적 카운트 값을 포함하는 동선 프로파일을 로딩하고, 이번에 획득된 로봇(110)의 좌표 정보를 복수의 영역(G)과 연관시켜 동선 프로파일의 누적 카운트 값을 조정할 수 있다. 프로세서(270)는 조정된 누적 카운트 값에 기초하여 복수의 영역(G) 각각에 대한 밀집도를 결정할 수 있다.
일 양상에서, 동선 프로파일의 누적 카운트 값을 조정하는 것은 이번에 획득된 좌표 정보가 속하는 영역에 대한 누적 카운트 값을 증가시키는 것을 포함할 수 있다. 예로서, 도 4에서 각각의 영역에 속한 점의 개수만큼 각각의 영역에 대한 누적 카운트 값이 증가될 수 있다. 이처럼, 획득된 좌표 정보를 이용하여 각각의 영역에 대한 누적 카운트 값만을 증가시킬 경우, 전체 좌표 정보를 매번 프로세싱하지 않아도 되는 이점이 있다. 또한, 미가공 데이터인 좌표 정보 대신에 누적 카운트 값과 같은 요약 데이터가 동선 프로파일에 유지될 수 있어 프로세싱 속도 및 효율이 개선될 수 있다.
다른 양상에서, 동선 프로파일의 누적 카운트 값을 조정하는 것은 이전에 획득된 좌표 정보에 대한 가중치를 감소시키는 것 또는 이번에 획득된 좌표 정보에 대한 가중치를 증가시키는 것을 포함할 수 있다. 다시 말해, 획득된지 오래된 좌표 정보의 영향력을 상대적으로 감소시키고 최근에 획득된 좌표 정보의 영향력을 상대적으로 증가시키는 방향으로 동선 프로파일의 누적 카운트 값을 조정할 수 있다. 이와 같이, 동선 프로파일에 감쇠 모델(decay model)을 적용하면 최근에 일어난 동선의 변화에 대해 유연하게 대처할 수 있다.
프로세서(270)는 전술한 다양한 방식에 의해 결정된 추천 위치를 안내할 수 있다. 일 양상에서, 프로세서(270)는 출력부(250)를 통해 추천 위치를 안내할 수 있다. 예를 들어, 프로세서(270)는 디스플레이부를 통해 공간 맵 상의 추천 위치를 표시할 수 있고, 스피커를 통해 음성으로 추천 위치를 안내할 수도 있다. 다른 양상에서, 프로세서(270)는 로봇(110) 또는 단말기(130)를 통해 추천 위치를 안내할 수도 있다. 프로세서(270)는 추천 위치에 대한 정보를 포함하는 제어 신호를 생성하여 로봇(110) 또는 단말기(130)에 송신할 수 있다. 제어 신호를 수신한 로봇(110) 또는 단말기(130)는 자신의 디스플레이부를 통해 공간 맵 상의 추천 위치를 표시하거나 또는 스피커를 통해 음성으로 추천 위치를 안내할 수도 있다. 실시 예에서, 로봇(110)은 추천 위치로 직접 이동하여 추천 위치를 안내할 수도 있다.
도 7은 본 발명의 일 실시 예에 따른 충전대의 위치를 추천하기 위한 방법의 동작을 도시한 흐름도이다. 도 7에 도시된 방법은 도 2의 장치(200)에 의해 수행될 수 있다. 실시 예에서, 장치(200)는 관제 서버일 수 있다.
단계 S710에서, 장치(200)는 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득한다. 실시 예에서, 동선 정보는 미리 결정된 시간 동안 주기적으로 획득되는 로봇의 좌표 정보를 포함할 수 있다.
단계 S720에서, 장치(200)는 획득된 동선 정보에 기초하여 복수의 영역 각각에 대한 밀집도를 결정한다. 장치(200)는 로봇의 좌표 정보를 복수의 영역과 연관시킬 수 있다. 로봇의 좌표 정보를 복수의 영역과 연관시키는 것은 해당 좌표 정보가 속하는 영역에 대한 카운트 값을 증가시키는 것을 포함할 수 있다. 장치(200)는 복수의 영역 각각에 대한 카운트 값에 기초하여 복수의 영역 각각에 대한 밀집도를 결정할 수 있다.
단계 S730에서, 장치(200)는 결정된 밀집도에 기초하여 충전대의 추천 위치를 결정한다. 장치(200)는 제1 기준치 이상의 밀집도를 갖는 하나 이상의 후보 영역을 추출하고, 추출된 후보 영역으로부터 충전대의 추천 위치를 결정할 수 있다. 일 양상에서, 장치(200)는 후보 영역들 중 가장 높은 밀집도를 갖는 영역 또는 가장 높은 밀집도를 갖는 영역에 인접한 영역을 추천 위치로 결정할 수 있다. 다른 양상에서, 장치(200)는 후보 영역들이 미리 결정된 비적합 영역에 해당하는지 여부를 판단하고 비적합 영역에 해당하는 영역을 후보 영역에서 제외시킬 수 있다.
S740에서, 장치(200)는 결정된 추천 위치를 출력한다. 장치(200)는 자신의 디스플레이부를 통해 공간 맵 상의 추천 위치를 안내하거나 스피커를 통해 음성으로 추천 위치를 안내할 수 있다. 장치(200)는 로봇(110) 또는 단말기(130) 등의 외부 장치를 통해 추천 위치를 안내할 수도 있다.
도 8은 본 발명의 다른 실시 예에 따른 충전대의 위치를 추천하기 위한 방법의 동작을 도시한 흐름도이다. 도 8에 도시된 방법은 도 2의 장치(200)에 의해 수행될 수 있다. 실시 예에서, 장치(200)는 관제 서버일 수 있다. 도 7에 도시된 방법과 중복되는 동작에 대한 자세한 설명은 생략한다.
단계 S810에서, 장치(200)는 메모리로부터 동선 프로파일을 로딩한다. 동선 프로파일은 과거에 획득된 로봇의 좌표 정보가 복수의 영역과 연관되어 도출된 데이터를 포함할 수 있다. 예를 들어, 동선 프로파일은 복수의 영역 각각에 대한 누적 카운트 값을 포함할 수 있다. 단계 S810은 단계 S820 보다 먼저 수행될 수도 있지만, 단계 S820 이후에 수행될 수도 있다.
단계 S820에서, 장치(200)는 복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득한다. 동선 정보는 미리 결정된 시간 동안 주기적으로 획득되는 로봇의 좌표 정보를 포함할 수 있다.
단계 S830에서, 장치(200)는 획득된 동선 정보를 복수의 영역의 대응하는 영역과 연관시키고, 단계 S840에서 장치(200)는 동선 프로파일을 갱신한다. 동선 프로파일을 갱신하는 것은 이번에 획득된 로봇의 좌표 정보를 복수의 영역과 연관시켜 동선 프로파일의 누적 카운트 값을 조정하는 것을 포함할 수 있다. 일 양상에서, 동선 프로파일의 누적 카운트 값을 조정하는 것은 이번에 획득된 좌표 정보가 속하는 영역에 대한 누적 카운트 값을 증가시키는 것을 포함할 수 있다. 다른 양상에서, 동선 프로파일의 누적 카운트 값을 조정하는 것은 이전에 획득된 좌표 정보에 대한 가중치를 감소시키는 것을 포함할 수 있다.
단계 S850에서, 장치(200)는 갱신된 동선 프로파일에 기초하여 복수의 영역 각각에 대한 밀집도를 결정한다.
단계 S860에서, 장치(200)는 하나 이상의 로봇의 주행 정보에 기초하여 복수의 영역 각각에 대한 혼잡도를 결정할 수 있다. 로봇의 주행 정보는 로봇의 평균 이동속도, 로봇이 주행 중 정지한 횟수, 로봇이 물체와 접촉 또는 충돌한 횟수에 대한 정보 등을 포함할 수 있다. 단계 S860 및 이에 기초한 동작은 선택적으로 생략될 수 있다.
단계 S870에서, 장치(200)는 결정된 밀집도 및/또는 혼잡도에 기초하여 하나 이상의 후보 영역을 결정한다. 단계 S880에서, 장치(200)는 하나 이상의 후보 영역으로부터 충전대의 추천 위치를 결정한다.
단계 S890에서, 장치(200)는 결정된 추천 위치를 출력한다.
한편, 도 2를 다시 참조하면, 실시 예에서, 충전대의 위치를 추천하기 위한 장치(200)는 인공 지능 및/또는 머신 러닝에 관한 동작을 수행하기 위해 러닝 프로세서(230)를 더 포함할 수 있다.
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.
러닝 프로세서(230)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.
러닝 프로세서(230)는 충전대의 추천 위치를 결정하는데 사용되는 다양한 파라미터들 중 하나 이상을 학습 데이터로서 사용하여 인공 신경망을 학습시킬 수 있다.
실시 예에서, 러닝 프로세서(230)는 공간(S)에 관한 정보, 하나 이상의 로봇(110)의 동선 정보 및/또는 주행 정보 그리고 프로세서(270)에 의해 결정되는 충전대의 추천 위치 또는 추천 위치의 조합을 학습 데이터로서 사용하여 인공 신경망을 학습시킬 수 있다. 공간(S)에 관한 정보는 공간(S)의 면적, 공간(S) 내 로봇(110)의 수, 충전대의 수, 공간(S) 내 구조물에 대한 정보, 전원공급단자의 위치 중 적어도 하나를 포함할 수 있다.
실시 예예서, 러닝 프로세서(230)는 상기 인공 신경망에 기반한 학습 모델을 이용하여 장치(200)에서 획득되는 동선 정보 또는 장치(200)에 의해 결정되는 밀집도 및/또는 혼잡도 등을 입력 데이터로 사용하여 충전대의 추천 위치 및/또는 추천 위치의 조합을 결정할 수 있다.
러닝 프로세서(230)는 도 9의 AI 서버(920)의 러닝 프로세서(925)와 함께 인공 지능 및/또는 머신 러닝 프로세싱을 수행할 수 있다. 러닝 프로세서(230)는 장치(200)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(230)는 메모리(260), 장치(200)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
도 9는 본 발명의 다른 실시 예에 따른 로봇 시스템을 도시한 도면이다. 실시 예에서, 로봇 시스템은 인공 지능 및/또는 머신 러닝이 가능한 AI 시스템으로서 구현될 수 있다. 도 9를 참조하면, 본 발명의 다른 실시 예에 따른 로봇 시스템은 AI 장치(910) 및 AI 서버(920)를 포함할 수 있다.
실시 예에서, AI 장치(910)는 도 1의 로봇(110), 관제 서버(120), 단말기(130) 또는 도 2의 장치(200)일 수 있다. 다른 실시 예에서, AI 서버(920)가 도 1의 관제 서버(120) 또는 도 2의 장치(200) 일 수도 있다.
AI 서버(920)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 나타낼 수 있다. AI 서버(920)는 복수의 서버들로 구성되어 분산 처리를 수행할 수 있다. AI 서버(920)는 AI 장치(910)의 일부의 구성으로 포함되어, 인공 지능 및/또는 머신 러닝 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(920)는 통신부(921), 메모리(922), 러닝 프로세서(925) 및 프로세서(926) 등을 포함할 수 있다.
통신부(921)는 AI 장치(910) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(922)는 모델 저장부(923)를 포함할 수 있다. 모델 저장부(923)는 러닝 프로세서(925)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 923a)을 저장할 수 있다.
러닝 프로세서(925)는 학습 데이터를 이용하여 인공 신경망(923a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(920)에 탑재된 상태에서 이용되거나, AI 장치(910) 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(922)에 저장될 수 있다.
프로세서(926)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
110: 로봇 120: 관제 서버
130: 단말기 140: 네트워크
210: 통신부 220: 입력부
230: 러닝 프로세서 240: 센싱부
250: 출력부 260: 메모리
270: 프로세서

Claims (20)

  1. 충전대의 위치를 추천하기 위한 방법으로서,
    복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득하는 단계;
    획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하는 단계; 및
    결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정하는 단계를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  2. 제1항에 있어서,
    상기 동선 정보는 미리 결정된 시간 동안 주기적으로 획득되는 상기 하나 이상의 로봇의 좌표 정보를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  3. 제1항에 있어서,
    상기 밀집도를 결정하는 단계는,
    상기 획득된 동선 정보를 상기 복수의 영역의 대응하는 영역과 연관시켜 상기 복수의 영역 각각에 대한 카운트 값을 결정하는 단계; 및
    결정된 카운트 값에 기초하여 상기 밀집도를 결정하는 단계를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  4. 제1항에 있어서,
    동선 프로파일을 로딩하는 단계;
    상기 획득된 동선 정보를 이용하여 상기 동선 프로파일을 갱신하는 단계를 더 포함하고,
    상기 밀집도를 결정하는 단계는,
    갱신된 동선 프로파일에 기초하여 상기 밀집도를 결정하는 단계를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  5. 제4항에 있어서,
    상기 동선 프로파일은 상기 복수의 영역 각각에 대한 누적 카운트 값을 포함하고,
    상기 동선 프로파일을 갱신하는 단계는,
    상기 획득된 동선 정보를 상기 복수의 영역의 대응하는 영역과 연관시켜 상기 누적 카운트 값을 조정하는 단계를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  6. 제5항에 있어서,
    상기 동선 프로파일을 갱신하는 단계는,
    상기 획득된 동선 정보에 비해 이전에 획득된 동선 정보에 대한 가중치를 감소시켜 상기 누적 카운트 값을 조정하는 단계를 더 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  7. 제1항에 있어서,
    상기 하나 이상의 로봇의 주행 정보를 획득하는 단계;
    획득된 주행 정보에 기초하여 상기 복수의 영역 각각에 대한 혼잡도를 결정하는 단계를 더 포함하고,
    상기 충전대의 추천 위치를 결정하는 단계는 결정된 혼잡도에 추가로 기초하는,
    충전대의 위치를 추천하기 위한 방법.
  8. 제7항에 있어서,
    상기 주행 정보는 상기 로봇의 평균 이동속도, 상기 로봇이 주행 중 정지한 횟수, 상기 로봇이 물체와 충돌한 횟수 또는 이들의 조합을 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  9. 제1항에 있어서,
    상기 충전대의 추천 위치를 결정하는 단계는,
    상기 복수의 영역으로부터, 제1 기준치 이상의 밀집도를 갖는 하나 이상의 후보 영역을 추출하는 단계; 및
    상기 하나 이상의 후보 영역 및 상기 후보 영역에 인접한 영역으로부터 상기 추천 위치를 결정하는 단계를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  10. 제9항에 있어서,
    상기 복수의 영역 각각은 복수의 서브영역을 포함하고,
    상기 후보 영역을 추출하는 단계는,
    상기 하나 이상의 후보 영역으로부터, 제2 기준치 이상의 밀집도를 갖는 하나 이상의 후보 서브영역을 추출하는 단계를 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  11. 제9항에 있어서,
    상기 충전대의 추천 위치를 결정하는 단계는,
    미리 결정된 비적합 영역을 상기 추천 위치로부터 제외시키는 단계를 더 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  12. 제1항에 있어서,
    상기 하나 이상의 로봇을 통해 상기 추천 위치를 안내하는 단계; 또는
    별도의 단말기를 통해 상기 추천 위치를 안내하는 단계를 더 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  13. 제1항에 있어서,
    상기 공간에 관한 정보, 상기 하나 이상의 로봇의 동선 정보 및 주행 정보 그리고 상기 충전대의 추천 위치를 학습 데이터로 사용하여 인공 신경망을 학습시키는 단계를 더 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  14. 제13항에 있어서,
    상기 인공 신경망에 기반한 학습 모델을 이용하여 상기 획득된 동선 정보 또는 상기 결정된 밀집도를 분석함으로써 상기 충전대의 추천 위치를 결정하는 단계를 더 포함하는,
    충전대의 위치를 추천하기 위한 방법.
  15. 충전대의 위치를 추천하기 위한 장치로서,
    복수의 영역을 포함하는 공간 내의 하나 이상의 로봇과 통신하기 위한 통신부; 및
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 하나 이상의 로봇으로부터 동선 정보를 획득하고;
    획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하며; 그리고
    결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정하는,
    충전대의 위치를 추천하기 위한 장치.
  16. 제15항에 있어서,
    동선 프로파일을 저장하는 메모리를 더 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 획득된 동선 정보를 이용하여 상기 동선 프로파일을 갱신하고; 그리고
    갱신된 동선 프로파일에 기초하여 상기 밀집도를 결정하는,
    충전대의 위치를 추천하기 위한 장치.
  17. 제15항에 있어서,
    상기 동선 프로파일은 상기 복수의 영역 각각에 대한 누적 카운트 값을 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 획득된 동선 정보를 상기 복수의 영역의 대응하는 영역과 연관시켜 상기 누적 카운트 값을 조정하며; 그리고
    조정된 누적 카운트 값에 기초하여 상기 밀집도를 결정하는,
    충전대의 위치를 추천하기 위한 장치.
  18. 제15항에 있어서,
    상기 장치는 상기 하나 이상의 로봇 중 어느 하나의 로봇, 관제 서버 또는 상기 관제 서버와 통신 가능하게 연결된 단말기를 포함하는,
    충전대의 위치를 추천하기 위한 장치.
  19. 충전대의 위치를 추천하기 위한 시스템으로서,
    복수의 영역을 포함하는 공간 내의 하나 이상의 로봇;
    상기 하나 이상의 로봇을 충전하기 위한 충전대; 및
    상기 하나 이상의 로봇의 동선 정보에 기초하여 상기 충전대의 추천 위치를 결정하는 관제 서버를 포함하고,
    상기 관제 서버는,
    상기 하나 이상의 로봇으로부터 상기 동선 정보를 획득하고;
    획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하며; 그리고
    결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 충전대의 추천 위치를 결정하는,
    충전대의 위치를 추천하기 위한 시스템.
  20. 프로그램 코드가 저장된 컴퓨터 판독가능한 저장 매체로서,
    상기 프로그램 코드는, 실행되는 경우, 적어도 하나의 프로세서로 하여금,
    복수의 영역을 포함하는 공간 내의 하나 이상의 로봇으로부터 동선 정보를 획득하게 하고;
    획득된 동선 정보에 기초하여 상기 복수의 영역 각각에 대한 밀집도를 결정하게 하고; 그리고
    결정된 밀집도에 기초하여 상기 복수의 영역으로부터 상기 하나 이상의 로봇을 충전하기 위한 충전대의 추천 위치를 결정하게 하는,
    컴퓨터 판독가능한 저장 매체.
KR1020190091050A 2019-07-26 2019-07-26 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템 KR20190109324A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190091050A KR20190109324A (ko) 2019-07-26 2019-07-26 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
US16/557,888 US11755882B2 (en) 2019-07-26 2019-08-30 Method, apparatus and system for recommending location of robot charging station

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190091050A KR20190109324A (ko) 2019-07-26 2019-07-26 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템

Publications (1)

Publication Number Publication Date
KR20190109324A true KR20190109324A (ko) 2019-09-25

Family

ID=68068630

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190091050A KR20190109324A (ko) 2019-07-26 2019-07-26 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템

Country Status (2)

Country Link
US (1) US11755882B2 (ko)
KR (1) KR20190109324A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523722A (zh) * 2020-04-20 2020-08-11 武汉大学 一种基于深度强化学习的智能充电站优化选择系统
CN113486261A (zh) * 2021-04-09 2021-10-08 东风小康汽车有限公司重庆分公司 基于大数据分析的充电推荐方法及装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6843780B2 (ja) * 2018-01-18 2021-03-17 ヤフー株式会社 情報処理装置、学習済みモデル、情報処理方法、およびプログラム
KR102207714B1 (ko) * 2019-06-04 2021-01-26 엘지전자 주식회사 이동로봇의 충전 스테이션 위치 추천 방법을 통해 추천된 충전 스테이션에서 충전 가능한 이동로봇
KR20190109324A (ko) * 2019-07-26 2019-09-25 엘지전자 주식회사 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
CN111789544A (zh) * 2020-06-23 2020-10-20 上海思岚科技有限公司 一种智能化清洁系统以及智能清洁屋
CN112738752B (zh) * 2020-12-24 2023-04-28 昆明理工大学 一种基于强化学习的wrsn多移动充电器优化调度方法
CN112819576B (zh) * 2021-01-27 2022-07-08 北京百度网讯科技有限公司 充电站推荐模型的训练方法、装置、及充电站的推荐方法
CN115374236B (zh) * 2022-10-26 2023-01-13 北京宾理信息科技有限公司 智能公共充电服务网络的生成方法和装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100517917B1 (ko) 2002-10-26 2005-10-04 엘지전자 주식회사 로봇의 충전대 위치지정방법

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3147817A (en) * 1961-01-09 1964-09-08 Barrett Electronics Corp Guidance systems
DE4408547A1 (de) * 1994-03-14 1995-10-12 Siemens Ag Verfahren zur Verkehrserfassung und Verkehrssituationserkennung auf Autostraßen, vorzugsweise Autobahnen
US7541943B2 (en) * 2006-05-05 2009-06-02 Eis Electronic Integrated Systems Inc. Traffic sensor incorporating a video camera and method of operating same
US8730059B2 (en) * 2009-11-24 2014-05-20 International Business Machines Corporation Optimizing traffic speeds to minimize traffic pulses in an intelligent traffic system
US9132742B2 (en) * 2012-02-23 2015-09-15 International Business Machines Corporation Electric vehicle (EV) charging infrastructure with charging stations optimumally sited
JP6081940B2 (ja) * 2014-02-28 2017-02-15 三菱重工業株式会社 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム
US9934683B2 (en) * 2014-05-29 2018-04-03 Here Global B.V. Traffic aggregation and reporting in real-time
JP5868454B2 (ja) * 2014-06-09 2016-02-24 三菱電機株式会社 充電設備情報提供システムおよび電動車両
US9892296B2 (en) * 2014-11-12 2018-02-13 Joseph E. Kovarik Method and system for autonomous vehicles
JP2016133843A (ja) * 2015-01-15 2016-07-25 株式会社東芝 交通調整支援装置、交通調整支援方法、およびコンピュータプログラム
KR102404258B1 (ko) * 2015-02-06 2022-06-02 삼성전자주식회사 로봇충전복귀장치 및 그 복귀방법
US9758301B2 (en) * 2015-03-24 2017-09-12 Joseph Porat System and method for overhead warehousing
KR101817127B1 (ko) * 2015-12-28 2018-01-10 한국건설기술연구원 교통밀도 기반의 도로혼잡도 추정 시스템 및 그 방법
US11449061B2 (en) * 2016-02-29 2022-09-20 AI Incorporated Obstacle recognition method for autonomous robots
US10525848B2 (en) * 2016-08-02 2020-01-07 Here Global B.V. Vehicle charging lanes
US10377260B2 (en) * 2017-01-13 2019-08-13 Uber Technologies, Inc. Charge control system for mobile energy storage fleet
WO2018137047A1 (en) * 2017-01-30 2018-08-02 Clearpath Robotics, Inc. Apparatus, systems, and methods for operating and maintaining electrically-powered material-transport vehicles
US10288439B2 (en) * 2017-02-22 2019-05-14 Robert D. Pedersen Systems and methods using artificial intelligence for routing electric vehicles
US10691138B2 (en) * 2017-06-27 2020-06-23 Veniam, Inc. Systems and methods for managing fleets of autonomous vehicles to optimize electric budget
US11348269B1 (en) * 2017-07-27 2022-05-31 AI Incorporated Method and apparatus for combining data to construct a floor plan
JP2019036012A (ja) * 2017-08-10 2019-03-07 トヨタ自動車株式会社 情報通知装置、情報通知システム、情報通知方法、情報通知プログラム
US11827219B2 (en) * 2017-08-25 2023-11-28 Hitachi Astemo, Ltd. Motion control device for moving body
WO2019079888A1 (en) * 2017-10-23 2019-05-02 Clearpath Robotics Inc. SYSTEMS AND METHODS FOR DEPLOYING GROUPS OF AUTONOMOUS MATERIAL TRANSPORT VEHICLES
US10960548B2 (en) * 2017-11-21 2021-03-30 Service Robotics & Technologies, Inc. Map-based framework for the integration of robots and smart devices
GB201720331D0 (en) * 2017-12-06 2018-01-17 Spaceti Uk Ltd Systems integrator, building management, control and monitoring system
US11663561B2 (en) * 2017-12-29 2023-05-30 Lyft, Inc. Charge scheduling across a fleet of autonomous vehicles (AVs)
IL260333A (en) * 2018-06-28 2018-11-29 Indoor Robotics Ltd Method and system for guiding a robot towards a docking station
US10499446B1 (en) * 2018-08-17 2019-12-03 At&T Intellectual Property I, L.P. Instantiating a slice of a 5G or other next generation service network in an underserved area
CN109658697B (zh) * 2019-01-07 2021-09-24 平安科技（深圳）有限公司 交通拥堵的预测方法、装置和计算机设备
EP3702202B1 (en) * 2019-02-28 2023-01-18 Bayerische Motoren Werke Aktiengesellschaft Method and system to optimize distributed charging station efficiency and user experience
JP6744946B2 (ja) * 2019-04-08 2020-08-19 株式会社東芝 交通調整支援装置、交通調整支援方法、およびコンピュータプログラム
KR102207714B1 (ko) * 2019-06-04 2021-01-26 엘지전자 주식회사 이동로봇의 충전 스테이션 위치 추천 방법을 통해 추천된 충전 스테이션에서 충전 가능한 이동로봇
KR20190109324A (ko) * 2019-07-26 2019-09-25 엘지전자 주식회사 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
KR20190100099A (ko) * 2019-08-08 2019-08-28 엘지전자 주식회사 차량의 충전 서비스 제공 방법
KR102195939B1 (ko) * 2019-08-20 2020-12-30 엘지전자 주식회사 자율주행 차량의 배터리 충전 방법 및 이를 위한 장치
US20210162593A1 (en) * 2019-12-03 2021-06-03 Samsung Electronics Co., Ltd. Robot and method for controlling thereof
US11768504B2 (en) * 2020-06-10 2023-09-26 AI Incorporated Light weight and real time slam for robots

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100517917B1 (ko) 2002-10-26 2005-10-04 엘지전자 주식회사 로봇의 충전대 위치지정방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111523722A (zh) * 2020-04-20 2020-08-11 武汉大学 一种基于深度强化学习的智能充电站优化选择系统
CN111523722B (zh) * 2020-04-20 2022-04-12 武汉大学 一种基于深度强化学习的智能充电站优化选择系统
CN113486261A (zh) * 2021-04-09 2021-10-08 东风小康汽车有限公司重庆分公司 基于大数据分析的充电推荐方法及装置

Also Published As

Publication number Publication date
US20190385042A1 (en) 2019-12-19
US11755882B2 (en) 2023-09-12

Similar Documents

Publication Publication Date Title
KR20190109324A (ko) 로봇 충전대의 위치를 추천하기 위한 방법, 장치 및 시스템
US11185982B2 (en) Serving system using robot and operation method thereof
US20200042832A1 (en) Artificial intelligence apparatus and method for updating artificial intelligence model
US11397020B2 (en) Artificial intelligence based apparatus and method for forecasting energy usage
US11642798B2 (en) Method and system for charging robot
US11654570B2 (en) Self-driving robot and method of operating same
US11858149B2 (en) Localization of robot
US11281225B2 (en) Driving method of robot
KR20190103101A (ko) 로봇 시스템 및 그 작동방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
US20210053231A1 (en) Robot system and control method thereof
KR20190109338A (ko) 로봇 제어 방법 및 로봇
KR20210033808A (ko) 아웃도어 영역에서 이종의 위치정보 획득 메커니즘을 적용하는 방법 및 이를 구현하는 로봇과 클라우드 서버
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
US20200020339A1 (en) Artificial intelligence electronic device
US20200012293A1 (en) Robot and method of providing guidance service by the robot
KR20190109325A (ko) 로봇 및 로봇의 위치를 인식하기 위한 방법
US20200042823A1 (en) Artificial intelligence apparatus using sound signal classification and method for the same
US11378407B2 (en) Electronic apparatus and method for implementing simultaneous localization and mapping (SLAM)
US11867791B2 (en) Artificial intelligence apparatus for determining path of user and method for the same
KR20190109342A (ko) 로봇 및 로봇의 위치를 인식하기 위한 방법
US20200005121A1 (en) Artificial intelligence-based apparatus and method for providing wake-up time and bed time information
KR20210073001A (ko) 로봇 및 로봇 시스템
US11927931B2 (en) Artificial intelligence-based air conditioner
KR20210044463A (ko) 로봇 및 로봇에 의해 영역을 식별하기 위한 방법

Legal Events

Date Code Title Description
G15R Request for early publication
A201 Request for examination