KR20190114925A - 소리 신호 분류를 이용한 인공지능장치 및 그 방법 - Google Patents

소리 신호 분류를 이용한 인공지능장치 및 그 방법 Download PDF

Info

Publication number
KR20190114925A
KR20190114925A KR1020190115367A KR20190115367A KR20190114925A KR 20190114925 A KR20190114925 A KR 20190114925A KR 1020190115367 A KR1020190115367 A KR 1020190115367A KR 20190115367 A KR20190115367 A KR 20190115367A KR 20190114925 A KR20190114925 A KR 20190114925A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
user
signal
sleep
intelligence model
Prior art date
Application number
KR1020190115367A
Other languages
English (en)
Inventor
김재홍
정한길
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 KR1020190115367A priority Critical patent/KR20190114925A/ko
Publication of KR20190114925A publication Critical patent/KR20190114925A/ko
Priority to US16/653,504 priority patent/US11604952B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
    • H04W52/0229—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal where the received signal is a wanted signal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
    • H04W52/0235—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal where the received signal is a power saving command
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H04W52/0254—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity detecting a user operation or a tactile contact or a motion of the device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Traffic Control Systems (AREA)

Abstract

가전기기에 탑재된 인공 지능 장치를 제어하는 방법에 있어서, 프로세서는 입력부를 제어하여 기 설정된 시간에 소리 신호를 수신하고, 상기 수신한 신호의 잡음을 제거하고 사용자에 의한 신호, 기기 신호로 분리하는고, 상기 분리된 신호를 멀티 클래스 분류를 이용한 인공 지능 모델에 입력하여 상기 인공지능 모델이 출력한 결과값을 획득한다. 상기 결과 값이 사용자 수면인 경우 상기 가전기기의 수면 모드를 실행하고 수면 모드 전환 알림을 출력하고, 상기 결과값이 불명확한 신호인 경우 사용자에게 피드백을 요청하고 상기 피드백을 이용하여 상기 인공 지능 모델을 업데이트하는 방법을 제안한다.

Description

소리 신호 분류를 이용한 인공지능장치 및 그 방법{AN ARTIFICIAL INTELLIGENCE APPARATUS USING SOUND SIGNAL CLASSIFICATION AND METHOD FOR THE SAME}
본 발명은 수신된 소리 신호 분류를 기반으로 가전기기의 수면모드를 동작시키는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 가정에서 사용되는 다양한 기기 예를 들어 에어컨, 공기청정기, 보일러, 냉장고, 조명등, 전동 블라인드, 로봇청소기 및 인공지능 스피커 등 IoT 기기들이 생활에서 수신한 소리 신호를 분류하여 사용자가 수면상태에 있음을 판단하고, 사용자가 수면 상태인 경우 수면 모드로 전환하도록하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근, 딥 러닝 알고리즘을 이용한 인공 지능에 대한 연구와 활용이 활발하다. 딥 러닝 알고리즘에 기초한 인공 지능 모델은 학습 데이터를 이용하여 학습된다. 각 학습 데이터에는 라벨(label)된 데이터가 포함되며, 이는 인공 지능 모델의 결과값이다. 이러한 알고리즘 중 멀티 클래스 분류(multi-class classification) 모델은 셋 이상의 클래스를 구분하는 분류를 위한 알고리즘으로 사용된다.
본 발명과 관련하여 종래에는 사용자 몸체에 부착된 웨어러블 디바이스나 모바일 기기를 이용하여 사용자의 활동량이나 주변 조도, 심박수 변화를 통하여 수면 상태임을 추론하고 수집된 센서 정보를 기반으로 수면 시간 및 수면 품질을 평가하는 스마트 디바이스가 있었다. 다만, 이러한 기기들은 사용자의 수면 상태를 평가할 뿐 실질적으로 주변 기기를 제어하여 사용자의 수면 환경을 개선하지 못하는 문제점이 있었다.
본 발명은 주변의 소리 신호를 수신하여 인공 지능 모델을 통하여 실제 사용자가 수면 상태인지 판단하고 수면 상태일 경우 주변 가전기기들을 수면에 적합한 모드로 전환시키는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 일반적인 상황과 더불어 사용자의 환경마다 다를 수 있는 수면 상태에서의 불명확한 소리 신호를 추후에 적응적으로 학습하도록 하여 사용자 개인에 최적화된 수면 상태를 판단할 수 있는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는, 입력부에서 소리 데이터를 수신하고, 수신한 소리 데이터가 인공 지능 모델의 입력값이 되어 사용자의 수면 상태를 판단하고 인공 지능 모델의 결과값이 사용자 수면 상태인 경우 인공 지능 장치가 탑재된 가전기기를 수면모드가 되도록 제어하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예에 따르면, 입력부에서 수신한 소리 데이터가 사용자에 의한 신호인지 기기에서 발생한 신호인지 분리(Separaion)하고, 분리된 신호들을 인공 지능 모델의 입력값으로 하여 사용자의 수면 상태를 판단하고 인공 지능 모델의 결과값이 사용자 수면 상태인 경우 인공 지능 장치가 탑재된 가전기기를 수면모드가 되도록 제어하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 발명의 일 실시 예는, 인공 지능 모델의 결과값이 실제 사용자의 상태와 다르거나, 불명확한 경우 사용자에게 해당 시간에 수신된 소리 신호에서 수면 상태인지 피드백을 요청하고 해당 사용자의 피드백을 저장 및 인공 지능 모델의 학습데이터로 사용하는 인공 지능 장치 및 그 방법을 제공한다.
본 발명의 다양한 실시 예에 따르면, 기존의 사용자의 수면 환경을 평가하던 스마트 디바이스들과는 달리, 사용자의 실제 수면 환경을 개선하기 위하여 주변 가전기기를 제어하고, 인공 지능 모델의 결과값이 실제 사용자의 상태와 다르거나, 불명확한 경우 인공 지능 모델을 재학습하여 개인화된 인공 지능 장치가 탑재된 가전기기를 사용자에게 보급할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 인공 지능 서버를(200)의 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 전체 순서도이다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 모델이다.
도 6은 본 발명의 일 실시 예에 따른 인공 지능 모델이다.
도 7은 본 발명의 일 실시 예에 따른 개인화 학습 순서도이다.
도 8은 본 발명의 일 실시 예에 따른 일반모드 전환 순서도이다.
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 인공 지능 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 인공 지능 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 인공 지능 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
본 발명의 일 실시 예에 따르면, 가전에서 사용하는 기기들이 마이크로폰을 탑재하고 있는 것을 기반으로 특정 시간내에 획득한 음성 신호를 통한 Scene Detection을 수행하여 사용자의 수면상태를 판단하여 상기 인공 지능 장치가 탑재된 가전기기가 수면모드가 되도록 제어할 수 있다.
구체적으로 본 발명의 일 실시 예에 따른 인공 지능 장치에 있어서, 소리 신호를 수신하는 입력부, 상기 입력부에서 수신된 소리 신호를 인공 지능 모델의 입력값으로 사용하여 상기 인공 지능 모델의 결과값이 사용자 수면으로 판단된 경우 수면모드를 실행하도록 상기 가전기기를 제어하는 프로세서를 포함할 수 있다. 또한 본 발명의 일 실시 예에 따르면, 상기 프로세서는 사용자가 기 설정한 수면 탐지모드 실행시간부터 미리 설정한 시간내에서 한정적으로 상기 입력부가 음성 신호를 입력받아 상기 인공 지능 모델의 입력값이 되는 경우를 포함할 수 있다.
상기 수면모드라 함은 인공 지능 장치가 탑재된 가전기기에 있어서 프로세서가 해당 가전 기기의 조도를 낮추고, 소음 낮추는 동작 및 모터나 펜 동작이 있는 경우 동작을 멈추도록 제어하는 것을 포함할 수 있다. 별도로 저소음모드 또는 절전 모드가 탑재된 가전기기의 경우 수면모드는 저소음모드 또는 절전 모드를 의미할 수 있다.
이하 도 4에서 본 발명의 순서를 자세히 설명한다.
도 4는 본 발명의 일 실시 예에 따른 전체 순서도이다.
도 4를 참조하면, 사용자는 인공 지능 장치가 탑재된 가전기기에 수면 탐지 모드 실행 시간을 설정할 수 있다(S410). 이후 프로세서(180)는 사용자가 설정한 수면 탐지 모드 실행 시간에 입력부(120)를 제어하여 소리 신호를 수신하도록 하고 해당 시간 소리 신호를 획득할 수 있다(S420). 또한 프로세서(180)는 사용자가 설정한 시간 및 입력부(120)로부터 수신한 소리 신호를 메모리(170)에 저장할 수 있다.
구체적으로 프로세서(180)는 사용자에 의해 설정된 수면 탐지 모드 실행시간 동안, 입력부(120)가 소리 신호를 수신하도록 제어할 수 있다. 상기 입력부(120)에 의해 수신된 소리 신호는 상기 인공 지능 모델의 입력값으로 사용될 수 있다.
예를 들어, 사용자는 수면 탐지 모드 실행시간을 오후 10시부터 1시간으로 설정할 수 있다. 따라서 수면 탐지 모드는 오후 11시에 종료되며, 상기 시간 동안 입력부(120)는 마이크로폰을 이용하여 소리 신호를 수신할 수 있다. 위와 같은 방법으로 프로세서(180)는 입력부(120)로부터 수신된 소리 신호를 획득할 수 있다. 또한 수신된 소리 신호 정보를 메모리(170)에 저장할 수 있다.
본 발명의 일 실시 예에 따르면, 프로세서는 입력부(120)로부터 수신된 소리 신호를 사용자에 의한 신호와 기기 신호로 분리(separation)할 수 있다(S430).
구체적으로 입력부(120)로부터 수신된 소리 신호에는 사용자에 의해서 발생하는 소리 신호와 주변 가전기기로부터 발생하는 소리 신호, 생활 소음 및 잡음 등의 파형이 혼합된 소리 신호일 수 있다. 따라서 위와 같이 수신된 소리 신호를 전처리 과정을 통하여 잡음을 제거하고 사용자에 의해 발생한 신호와 그 외 기기 신호로 분리(separation)하여 인공 지능 모델의 입력값이 되도록 할 수 있다.
더욱 구체적으로 입력부(120)로부터 획득된 신호의 잡음을 제거하고 신호를 분리하는 방법으로 LMS(Least Mean Square)기법, BSS(Blind Source Separation), 반이중 통신형태로 시스템을 구성하여 이를 회피하는 알고리즘이 사용될 수 있다.
예를 들어, 프로세서(180)는 사용자가 설정한 수면 탐지 모드 실행 시간인 오후 10시부터 오후 11시에 입력부(120)을 통하여 수신된 소리 신호를 획득할 수 있다. 획득된 소리 신호는 잡음과 생활소음 및 사용자에 의한 소리 신호가 혼합된 파형의 형태일 수 있다. 프로세서(180)는 입력부(120)로부터 획득된 파형의 잡음을 제거할 수 있다. 그리고 i)사용자에 의한 신호와 ii)기기 신호로 분리할 수 있다. 상기 분리된 신호들을 인공 지능 모델의 입력값이 될 수 있다. 여기서 i)사용자에 의한 신호라 함은, 발걸음 신호, 망치질 신호, 대화 신호, 화장실 사용 신호, 운동 신호 등의 비수면 신호와 호흡 신호, 코골음 신호 등과 같은 수면 신호를 포함할 수 있다. 또한 ii)기기 신호라 함은, TV 신호, 청소기 신호, 세탁기 등 인공 지능 장치가 탑재된 가전제품 신호 등을 포함할 수 있다.
이후 프로세서(180)는 S430의 과정에서 잡음이 제거되고 분리된 소리 신호들을 인공 지능 모델의 입력값으로 하여 사용자 수면 상태를 판단할 수 있다(S440). 위 과정은 도 5 내지 6에서 자세히 설명한다.
본 발명의 일 실시 예에 따르면, 프로세서(180)는 인공 지능 모델의 결과값이 사용자의 수면인 경우 상기 가전기기의 수면 모드를 실행할 수 있다(S450). 프로세서(180)는 출력부(150)를 제어하여 상기 가전기기의 수면모드 전환 알림을 표시할 수 있다.
본 발명의 일 실시 예에 따르면, 프로세서(180)는 인공 지능 모델의 결과값이 불명확한 신호인 경우 사용자에게 해당 시간 사용자 수면 또는 비수면이었는지 피드백을 요청하고, 상기 피드백 데이터를 이용하여 인공 지능 모델을 업데이트 할 수 있다(S460). 이하 사용자 수면 판단과정인 S440에 관하여 도5 내지 6에서 자세히 설명한다.
도 5 내지 도6은 본 발명의 일 실시 예에 따른 인공 지능 모델이다.
도 5 내지 도 6을 참조하면,
인공 지능 모델은 입력부(120)에서 수신된 소리 신호를 기존에 학습된 데이터에 따라 사용자의 비수면, 사용자의 수면, 기기 신호 및 불명확한 신호로 분류(Classification)하는 모델로써 결과값이 적어도 3개 이상인 멀티 클래스 분류(Multi-Class Classification)를 수행하는 인공 지능 모델을 포함할 수 있다.
구체적으로 멀티 클래스 분류(Multi Class Classification)란 머신 러닝에 있어서, 인공 지능 모델의 결과값으로 세 개 이상의 클래스를 갖는 것을 말하고, 입력값의 특징을 추출하여 하나의 클래스로 결정한다. 멀티 클래스 분류의 알고리즘에 있어 결정 트리(Decision trees), 서포트 벡터 머신(Support Vector Machines), 뉴럴 네트워크(Neural networks)가 포함될 수 있다.
본 발명의 실시 예에 따르면, 인공 지능 모델의 입력값(510)은 입력부(120)을 통하여 수신된 소리 신호일 수 있다. 또한 전처리 과정(S430)을 통하여 사용자에 의한 신호와 기기 신호로 분리(Separation)된 신호일 수 있다. 인공 지능 모델(520)은 수신된 소리 신호(510)를 입력값으로 사용하여 멀티 클래스 분류를 수행하고 인공 지능 모델이 출력한 결과값(530)으로 사용자 비수면(531), 사용자 수면(532), 기기 신호(533) 및 불명확한 신호(534) 중 하나의 결과값을 도출할 수 있다.
도 6을 참조하면, 뉴럴 네트워크가 사용된 인공 지능 모델은 상기 입력부(120)에서 수신한 소리 신호를 입력값(610)으로 하고 사용자 수면(621), 사용자 비수면(622) 및 불명확한 신호(623)를 결과값(620)으로 레이블링(labeling)하여 트레이닝됨으로써 가중치가 조정된 뉴럴 네트워크를 포함할 수 있다. 또한 본 발명의 일 실시 예에 따르면, 인공 지능 모델의 결과값은 기기 신호를 더 포함할 수 있다.
본 발명의 일 실시 예에 따르면, 인공 지능 모델의 결과값이 사용자 수면(532,621)인 경우 프로세서(180)는 인공 지능 장치가 탑재된 가전 기기를 수면모드로 전환하고 출력부(150)를 제어하여 상기 가전기기의 수면모드 전환을 알리는 알림을 표시할 수 있다.
또한, 본 발명의 일 실시 예에 따르면 인공 지능 장치는 적어도 하나 이상의 가전기기와 통신하는 통신부(110)를 더 포함할 수 있다. 프로세서(180)는 인공 지능 모델이 출력한 결과값이 사용자 수면인 경우, 상기 통신부(110)를 통해 상기 적어도 하나 이상의 가전기기가 수면 모드를 실행하도록 제어할 수 있다.
예를 들어, 인공 지능 장치가 탑재된 로봇 청소기가 있다. 로봇청소기는 사용자가 기 설정한 수면 탐지 모드 실행시간인 오후 10시부터 오후 11시의 시간 동안 입력부(120)에서 소리 신호를 수신한다. 프로세서(180)는 수신된 소리 신호를 전처리를 통하여 잡음을 제거하고 사용자에 의한 신호와 기기 신호로 분리한 후 인공 지능 모델의 입력값이 되도록 한다.
인공 지능 모델은 수신된 소리 신호를 이용하여 사용자의 수면상태를 판단하고 프로세서(180)는 사용자가 수면상태일 경우 로봇 청소기의 수면 모드를 실행하도록 한다. 통신부(110)는 다른 가전기기(예를들어 TV, 세탁기, 건조기 등)와 통신하고 프로세서(180)는 통신부(110)를 제어하여 로봇 청소기와 통신하는 다른 가전기기가 수면모드로 전환할 수 있도록 제어하기 위한 명령을 송신할 수 있다. 상기 다른 가전기기는 로봇 청소기로부터 수면모드 전환을 위한 제어 신호를 수신할 수 있다. 상기 제어 신호를 수신한 가전기기의 프로세서는 해당 기기를 수면모드로 전환할 수 있다.
즉, 로봇 청소기와의 통신을 이용하여 에어컨의 경우 냉방 모드에서 열대야 모드 또는 절전모드로, 세탁기의 경우 저소음 모드로, 공기청정기의 경우 취침모드로 전환할 수 있다. 수면 모드라 함은 저소음 모드, 취침모드 또는 절전 모드와 혼용되어 사용될 수 있다.
이하 도 7에서 개인화 학습에 대하여 설명한다.
도 7은 본 발명의 일 실시 예에 따른 개인화 학습 순서도이다.
도 7을 참조하면, 프로세서(180)는 상기 인공 지능 모델의 결과값이 불명확한 신호인 경우, 사용자에게 해당 시간 수면 또는 비수면이었는지 피드백을 요청하고(S710), 해당 피드백 데이터를 이용하여 상기 인공 지능 모델을 업데이트 하여 개인화 학습에 활용할 수 있다(S720).
예를 들어, 로봇 청소기의 프로세서(180)는 사용자가 설정한 수면 탐지 모드 실행시간인 오후 10시부터 오후 11시의 시간 동안 입력부(120)를 통해 수신된 소리 신호를 인공 지능 모델에 입력한다. 상기 인공 지능 모델의 결과값이 불명확한 신호이면 로봇 청소기의 프로세서(180)는 출력부(150)를 제어하여 사용자에게 해당 수면 탐지 모드 실행 시간에 수면 또는 비수면 상태였는지 피드백을 요청할 수 있다. 또한 로봇 청소기와 연결된 모바일 기기나 스마트 워치 또는 기타 어플리케이션을 통해 사용자에게 알림을 제공하여 피드백을 요청할 수 있다. 프로세서(180)는 사용자의 피드백 데이터를 이용하여 상기 인공 지능 모델의 레이블(label)을 업데이트하여 사용할 수 있다.
이하 수면 모드가 종료되었을 때, 일반 모드로 전환하는 과정에 대하여 설명한다.
도 8은 본 발명의 일 실시 예에 따른 일반모드 전환 순서도이다.
도 8을 참조하면, 프로세서(180)는 사용자가 기 설정한 기상시간이 되면, 사용자의 기상 여부를 판단하고(S820), 해당 가전기기를 수면 모드에서 일반 모드로 전환할 수 있다.
예를 들어, 사용자가 설정한 기상시간이 되면 인공 지능 장치가 탑재된 가전 기기를 정상 동작시켜야 하는 경우, 인공 지능 장치가 탑재된 로봇 청소기의 프로세서(180)는 기 설정한 기상시간이 되면 입력부(120)를 제어하여 소리 신호를 수신하고 수신한 소리 신호를 인공 지능 모델의 입력값으로 사용 하고 상기 인공 지능 모델이 출력한 결과값이 사용자 수면(532,621)인 경우 로봇청소기의 수면모드를 해제하고 일반 모드로 전환할 수 있다(S830).
또한, 본 발명의 일 실시 예에 따르면, 프로세서(180)는 통신부(110)를 제어하여 다른 가전기기의 수면 모드를 해제하고 일반 모드로 전환할 수 있다.
예를 들어 로봇 청소기의 통신부(110)는 다른 가전기기(예를들어 TV, 세탁기, 건조기 등)와 통신하고 프로세서(180)는 통신부(110)를 제어하여 로봇 청소기와 통신하는 다른 가전기기가 수면모드에서 일반 모드로 전환할 수 있도록 제어하기 위한 명령을 송신할 수 있다. 상기 다른 가전기기는 로봇 청소기로부터 수면모드 전환을 위한 제어 신호를 수신할 수 있다. 상기 제어 신호를 수신한 가전기기의 프로세서는 해당 기기를 일반모드로 전환할 수 있다.
즉, 로봇 청소기와의 통신을 이용하여 에어컨의 경우 열대야 모드 또는 절전모드에서 냉방 모드로 전환하고, 세탁기의 경우 저소음 모드에서 일반 모드로 전환하고, 공기청정기의 경우 취침 모드에서 일반 모드로 전환할 수 있다. 또한, 수면 모드라 함은 저소음 모드, 취침모드 또는 절전 모드와 혼용되어 사용될 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims (11)

  1. 가전기기에 탑재된 인공 지능 장치에 있어서,
    마이크로폰을 이용하여 소리 신호를 수신하는 입력부;
    상기 입력부에서 수신된 소리 신호를 인공 지능 모델의 입력값으로 사용하고 상기 인공 지능 모델의 결과값이 사용자 수면으로 판단된 경우 수면모드를 실행하도록 상기 가전기기를 제어하는 프로세서를 포함하는,
    인공 지능 장치.
  2. 제 1항에 있어서,
    상기 인공 지능 모델은 기존에 학습된 데이터에 따라 사용자의 비수면, 사용자의 수면, 기기 신호 및 불명확한 신호를 결과값으로 분류(classification)하는 멀티 클래스 분류 모델을 포함하는,
    인공 지능 장치.
  3. 제 2항에 있어서,
    상기 멀티 클래스 분류 모델은 상기 입력부에서 수신한 소리 신호를 입력값으로 사용하고 사용자 수면, 사용자 비수면 및 불명확한 신호를 결과값으로 레이블링(labeling)하여 트레이닝됨으로써 가중치가 조정된 뉴럴 네트워크를 포함하는,
    인공 지능 장치.
  4. 제 2항에 있어서,
    상기 프로세서는 상기 입력부로부터 수신된 소리 신호의 잡음을 제거하고 상기 잡음이 제거된 신호를 사용자에 의한 신호와 기기 신호로 분리(separation)하고 상기 분리된 신호들을 상기 인공 지능 모델의 입력값으로 사용하는,
    인공 지능 장치.
  5. 제 1항에 있어서
    상기 프로세서는 사용자에 의해 설정된 수면탐지모드 실행시간 동안, 상기 입력부에 의해 수신된 소리 신호를 상기 인공 지능 모델의 입력값으로 사용하는,
    인공 지능 장치.
  6. 제 5항에 있어서
    상기 프로세서는 사용자가 기 설정한 기상시간이 지난 후 상기 입력부에서 수신한 소리 신호에 따른 상기 인공 지능 모델의 결과값이 사용자 수면인 경우 상기 가전기기의 수면모드를 해제하는,
    인공 지능 장치.
  7. 제 2항 또는 3항에 있어서
    상기 프로세서는 상기 인공 지능 모델의 결과값이 불명확한 신호인 경우, 사용자에게 해당 시간 수면 또는 비수면이었는지에 대한 피드백을 요청하고, 해당 피드백 데이터를 이용하여 상기 인공 지능 모델을 업데이트하는
    인공 지능 장치.
  8. 제 1항에 있어서
    적어도 하나 이상의 가전기기와 통신하는 통신부를 더 포함하고
    상기 프로세서는
    상기 인공 지능 모델의 결과값이 사용자 수면인 경우, 상기 통신부를 통해 상기 적어도 하나 이상의 가전기기가 수면 모드를 실행하도록 제어하는,
    인공 지능 장치.
  9. 제 1항에 있어서
    상기 인공 지능 모델의 결과값이 사용자 수면인 경우 상기 가전기기의 수면모드 전환 알림을 표시하는 출력부를 더 포함하는, 인공 지능 장치.
  10. 가전기기에 탑재된 인공 지능 장치를 제어하는 방법에 있어서,
    기 설정된 시간에 소리 신호를 수신하는 단계;
    상기 수신한 신호의 잡음을 제거하고 사용자에 의한 신호, 기기 신호로 분리하는 단계;
    상기 분리된 신호를 멀티 클래스 분류를 이용한 인공 지능 모델에 입력하여 상기 인공지능 모델이 출력한 결과값을 획득하는 단계;
    상기 결과 값이 사용자 수면인 경우 상기 가전기기의 수면 모드를 실행하고 수면 모드 전환 알림을 출력하고, 상기 결과값이 불명확한 신호인 경우 사용자에게 피드백을 요청하고 상기 피드백을 이용하여 상기 인공 지능 모델을 업데이트 하는 단계를 포함하는, 방법
  11. 가전기기에 탑재된 인공 지능 장치를 제어하는 방법을 수행하기 위한 프로그램이 기록된 기록매체에 있어서,
    상기 인공 지능 장치를 제어하는 방법은
    기 설정된 시간에 소리 신호를 수신하는 단계;
    상기 수신한 신호의 잡음을 제거하고 사용자에 의한 신호, 기기 신호로 분리하는 단계;
    상기 분리된 신호를 멀티 클래스 분류를 이용한 인공 지능 모델에 입력하여 상기 인공지능 모델이 출력한 결과값을 획득하는 단계;
    상기 결과 값이 사용자 수면인 경우 상기 가전기기의 수면 모드를 실행하고 수면 모드 전환 알림을 출력하고, 상기 결과값이 불명확한 신호인 경우 사용자에게 피드백을 요청하고 상기 피드백을 이용하여 상기 인공 지능 모델을 업데이트 하는 단계를 포함하는, 기록매체.

KR1020190115367A 2019-09-19 2019-09-19 소리 신호 분류를 이용한 인공지능장치 및 그 방법 KR20190114925A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190115367A KR20190114925A (ko) 2019-09-19 2019-09-19 소리 신호 분류를 이용한 인공지능장치 및 그 방법
US16/653,504 US11604952B2 (en) 2019-09-19 2019-10-15 Artificial intelligence apparatus using sound signal classification and method for the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190115367A KR20190114925A (ko) 2019-09-19 2019-09-19 소리 신호 분류를 이용한 인공지능장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190114925A true KR20190114925A (ko) 2019-10-10

Family

ID=68206356

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190115367A KR20190114925A (ko) 2019-09-19 2019-09-19 소리 신호 분류를 이용한 인공지능장치 및 그 방법

Country Status (2)

Country Link
US (1) US11604952B2 (ko)
KR (1) KR20190114925A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230103900A (ko) * 2021-12-31 2023-07-07 주식회사 에이슬립 음향 정보를 통해 사용자의 수면 상태를 분석하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107567083B (zh) * 2017-10-16 2021-07-30 北京小米移动软件有限公司 进行省电优化处理的方法和装置
US11842733B2 (en) * 2021-06-02 2023-12-12 Kyndryl, Inc. Artificial intelligence system for tasks

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2015120732A (ru) * 2012-11-02 2016-12-27 Конинклейке Филипс Н.В. Электронный переключатель для управления устройством в зависимости от стадии сна
US10687193B2 (en) * 2013-09-19 2020-06-16 Unaliwear, Inc. Assist device and system
US20160292584A1 (en) * 2015-03-31 2016-10-06 Microsoft Technology Licensing, Llc Inferring User Sleep Patterns
CN106325112B (zh) * 2015-06-25 2020-03-24 联想(北京)有限公司 一种信息处理方法及电子设备
KR102635868B1 (ko) * 2016-01-26 2024-02-14 삼성전자주식회사 전자 장치 및 그의 제어방법
KR102057463B1 (ko) * 2018-03-07 2019-12-19 이정우 강화학습을 이용한 수면 환경 조절 장치
KR20200036085A (ko) * 2018-09-19 2020-04-07 엘지전자 주식회사 인공지능 장치
JP2022515942A (ja) * 2018-12-31 2022-02-24 スリープ ナンバー コーポレイション 睡眠を改善するための特徴を有するホームオートメーション
US20200281521A1 (en) * 2019-03-07 2020-09-10 Barbara Cail Apparatus, system, and method for monitoring sleep patterns

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230103900A (ko) * 2021-12-31 2023-07-07 주식회사 에이슬립 음향 정보를 통해 사용자의 수면 상태를 분석하기 위한 방법, 컴퓨팅 장치 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
US11604952B2 (en) 2023-03-14
US20200042823A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190106861A (ko) 학습 데이터를 생성하는 인공 지능 장치, 인공 지능 서버 및 그 방법
KR20190096878A (ko) 인공지능 기반의 공기조화기
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR20190102151A (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
KR20210004487A (ko) 환기 상황을 자동으로 파악할 수 있는 인공 지능 장치 및 그의 동작 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR20190096871A (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR20190084912A (ko) 사용자의 액션에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190106905A (ko) 인공지능 전자기기
KR20190104488A (ko) 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190095193A (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
KR20190114925A (ko) 소리 신호 분류를 이용한 인공지능장치 및 그 방법
KR20220001522A (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
KR20190098089A (ko) 사용자의 어플리케이션 사용 기록을 고려하여 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190100112A (ko) 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
KR20190104925A (ko) 엔진 소음 제거 장치 및 엔진 소음 제거 방법
KR20190098102A (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR20230002021A (ko) 스마트 홈 장치 및 방법
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법