KR20190129673A - 청소 동작을 수행하는 청소 장치 및 방법 - Google Patents

청소 동작을 수행하는 청소 장치 및 방법 Download PDF

Info

Publication number
KR20190129673A
KR20190129673A KR1020180129357A KR20180129357A KR20190129673A KR 20190129673 A KR20190129673 A KR 20190129673A KR 1020180129357 A KR1020180129357 A KR 1020180129357A KR 20180129357 A KR20180129357 A KR 20180129357A KR 20190129673 A KR20190129673 A KR 20190129673A
Authority
KR
South Korea
Prior art keywords
pollutant
data
cleaning
property
cleaning operation
Prior art date
Application number
KR1020180129357A
Other languages
English (en)
Inventor
김명식
홍현석
황보민수
김현석
한승범
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to US16/410,501 priority Critical patent/US11471016B2/en
Publication of KR20190129673A publication Critical patent/KR20190129673A/ko

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
    • 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
    • A47L9/2805—Parameters or conditions being sensed
    • A47L9/2826—Parameters or conditions being sensed the condition of the floor
    • 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
    • A47L9/2847—Surface treating elements
    • 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
    • A47L9/2857—User input or output elements for control, e.g. buttons, switches or displays
    • 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
    • A47L9/2894—Details related to signal transmission in suction cleaners
    • 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
    • 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
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • 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
    • A47L2201/06—Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2201/00—Application
    • G05D2201/02—Control of position of land vehicles
    • G05D2201/0215—Vacuum cleaner

Abstract

청소 동작을 수행하는 청소 장치 및 방법이 제공된다. 청소 장치는, 복수의 센서를 포함하는 센서부, 하나 이상의 인스트럭션을 저장하는 메모리, 및 하나 이상의 인스트럭션을 실행함으로써 청소 장치를 제어하는 프로세서를 포함하고, 프로세서는, 센서부를 이용하여 청소 장치의 이동 경로 상의 오염 물질의 속성을 판단하고, 판단된 오염 물질의 속성에 기초하여 오염 물질을 제거하기 위한 청소 동작을 결정하고, 결정된 청소 동작을 수행할 수 있다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공지능(AI) 시스템 및 그 응용에 관련될 수 있다.

Description

청소 동작을 수행하는 청소 장치 및 방법{METHOD AND APPARATUS FOR EXECUTING CLEANING OPERATION}
본 개시는 오염 물질의 속성에 기초하여 청소 동작을 수행하는 로봇 청소 장치 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 스스로 이동하며 오염 물질을 제거하는 로봇 청소 장치가 보다 효율적으로 오염 물질을 제거하기 위한 방법에 대한 연구가 요구되고 있다.
오염 물질의 속성에 기초하여 청소 동작을 수행하는 로봇 청소 장치 및 방법을 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측면에 따른 청소 장치는, 복수의 센서를 포함하는 센서부, 하나 이상의 인스트럭션을 저장하는 메모리, 및 하나 이상의 인스트럭션을 실행함으로써 청소 장치를 제어하는 프로세서를 포함하고, 프로세서는, 센서부를 이용하여 청소 장치의 이동 경로 상의 오염 물질의 속성을 판단하고, 판단된 오염 물질의 속성에 기초하여 오염 물질을 제거하기 위한 청소 동작을 결정하고, 결정된 청소 동작을 수행할 수 있다.
또한, 일 측면에 따른 청소 장치의 동작 방법은, 복수의 센서를 포함하는 센서부를 이용하여 청소 장치의 이동 경로 상의 오염 물질의 속성을 판단하는 단계, 판단된 오염 물질의 속성에 기초하여 오염 물질을 제거하기 위한 청소 동작을 결정하는 단계, 및 결정된 청소 동작을 수행하는 단계를 포함할 수 있다.
또한, 본 개시의 다른 측면은, 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 포함하는 컴퓨터 프로그램 장치를 제공할 수 있다.
도 1은 일 실시 예에 따른 청소 장치의 동작 방법을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 청소 장치가 청소 동작을 수행하는 방법의 흐름도이다.
도 3 내지 도 5는 일 실시 예에 따른 청소 장치가 오염 물질의 속성을 판단하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른 청소 장치가 청소 동작을 결정하는 방법을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 청소 장치가 서버와 연동함으로써 청소 동작을 수행하는 방법의 흐름도이다.
도 8은 일 실시 예에 따른 오염 물질의 속성이 학습 모델에 의해 판단되는 예를 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 청소 동작이 학습 모델에 의해 결정되는 예를 설명하기 위한 도면이다.
도 10은 일 실시 예에 따른 청소 장치의 블록도이다.
도 11은 일 실시 예에 따른 센서부의 블록도이다.
도 12는 일 실시 예에 따른 서버의 블록도이다.
도 13은 일 실시 예에 따른 프로세서의 블록도이다.
도 14는 일 실시 예에 따른 데이터 학습부의 블록도이다.
도 15는 일 실시 예에 따른 데이터 인식부의 블록도이다.
도 16은 일 실시 예에 따른 청소 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일 실시 예에 따른 청소 장치의 동작 방법을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 따르면, 청소 장치(1000, 도1, 도10)(이하, 청소 장치(1000))는 복수의 센서를 포함하는 센서부(1800, 도1, 도10)(이하, 센서부(1800))를 포함할 수 있다. 청소 장치(1000)는 센서부(1800)를 이용하여 오염 물질(101)의 속성을 판단할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 바퀴 등을 이용하여 스스로 이동이 가능한 로봇 장치로서, 청소 공간(예를 들어, 집, 사무실과 같이 청소가 필요한 공간)을 이동하면서 청소 동작을 수행할 수 있다.
일 실시 예에 따라, 오염 물질의 속성은, 오염 물질의 종류, 재질, 물성 등을 의미할 수 있다. 예컨대, 오염 물질의 속성은, 액체, 금속, 패브릭(fabric), 점착성 물질 등일 수 있으며, 이에 한정되지 않는다.
일 실시 예에 따라, 센서부(1800)는 청소 장치(1000)가 이동하는 중에, 청소 장치(1000)의 주변을 센싱할 수 있다. 예를 들어, 센서부(1800)는 청소 장치(1000)의 이동 경로 상의 오염 물질의 존재를 센싱할 수 있다. 센서부(1800)는 청소 장치(1000)의 이동 경로 상의 오염 물질에 의한 반사 신호의 세기를 센싱할 수 있다. 또한, 센서부(1800)는 오염 물질까지의 거리를 센싱할 수 있다. 센서부(1800)는, 예를 들어, UWB(Ultra-WideBand, 초광대역) 센서(211, 도11), RF 센서(213, 도11), IR(Infrared ray, 적외선) 센서(214, 도11), 초음파 센서(212, 도11), 카메라(1500, 도10), 거리 센서 등을 포함할 수 있으며, 이에 제한되지 않는다.
일 실시 예에 따라, 청소 장치(1000)는 복수의 센서들을 포함하는 센서부(1800)에 의해 센싱된 결과에 기초하여, 청소 장치(1000)의 이동 경로 상의 오염 물질의 존재를 판단하고, 오염 물질의 속성(예컨대, 액체, 금속, 패브릭(fabric), 점착성 물질 등)을 판단할 수 있다.
또한, 일 실시 예에 따라, 청소 장치(1000)는 판단된 오염 물질의 속성에 기초하여, 오염 물질의 제거하기 위한 최적의 청소 동작을 결정하고, 결정된 청소 동작을 수행할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 오염 물질의 속성에 기초하여, 오염 물질을 흡입하는 흡입력, 오염 물질을 흡입하는 흡입 시간 및 오염 물질을 흡입하는 동안의 로봇 청소 장치의 이동 속도 및 오염 물질을 흡입하는 동작의 반복 횟수 중 적어도 하나를 조절할 수 있다.
일 실시 예에 따르면, 청소 장치(1000)는 일률적인 청소 모드로 동작하는 것이 아니라, 오염 물질의 속성을 파악하여 오염 물질의 속성에 따라 오염 물질을 가장 효율적으로 제거하기 위한 청소 동작을 결정할 수 있다. 청소 장치(1000)는 오염 물질의 속성에 따라, 보다 강력한 흡입력이 필요할 때는 흡입력을 세게 조절하고, 보다 약한 흡입력 만으로도 오염 물질 제거가 가능할 때에는 흡입력을 약하게 조절할 수 있다.
예를 들어, 청소 장치(1000)는 UWB 센서와 카메라를 이용하여, 이동 경로 상의 오염 물질이 금속성 물체라고 판단되면, 금속성 물체를 흡입하기 위해 청소 장치(1000)의 흡입력을 보다 세게 조절할 수 있다.
일 실시 예에 따르면, 청소 장치(1000)는 오염 물질의 속성에 따라, 흡입력, 흡입 시간, 이동 속도, 동작 반복 횟수 중 적어도 하나를 조절함으로써, 불필요한 배터리의 소모를 줄이고, 배터리의 효율성을 높일 수 있다.
또한, 일 실시 예에 따르면, 청소 장치(1000)는 오염 물질의 속성에 따라, 흡입력, 흡입 시간, 이동 속도, 동작 반복 횟수 중 적어도 하나를 조절함으로써, 청소 장치(1000)로부터 발생되는 소음을 조절할 수 있다.
도 1은 일 실시 예를 설명하기 위해 도시된 도면으로 이에 한정되지 않는다
도 2는 일 실시 예에 따른 청소 장치가 청소 동작을 수행하는 방법의 흐름도이다. 도 3 내지 도 5는 일 실시 예에 따른 청소 장치가 오염 물질의 속성을 판단하는 방법을 설명하기 위한 도면이다. 도 6은 일 실시 예에 따른 청소 장치가 청소 동작을 결정하는 방법을 설명하기 위한 도면이다. 도 2의 흐름도를 설명하면서, 도 3 내지 도 6을 참조하여 설명하기로 한다.
도 2의 단계 S201에서, 청소 장치(1000)는 복수의 센서를 포함하는 센서부(1800)를 이용하여, 청소 장치(1000)의 이동 경로 상의 오염 물질의 속성을 판단할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 이동하는 중에, 복수의 센서를 이용하여, 이동 경로 상의 오염 물질을 센싱할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 미리 정해진 우선 순위에 기초하여, 복수의 센서를 순차적으로 동작시킴에 따라, 오염 물질의 속성을 판단할 수 있다.
예를 들어, 청소 장치(1000)는 우선적으로 UWB 센서(211, 도11)를 구동시켜 오염 물질의 속성을 판단한 후, 보다 정확한 센싱을 위해 추가적인 센서의 동작이 필요하다고 판단되면, 카메라(1500, 도10)를 구동시켜 오염 물질의 속성을 판단할 수 있으며, 이에 한정되지 않는다.
또한, 일 실시 예에 따라, 청소 장치(1000)는 복수의 센서를 동시에 동작시킴에 따라, 오염 물질의 속성을 판단할 수 있다.
예를 들어, 청소 장치(1000)는 복수의 센서 조합 예컨대, UWB 센서(211, 도11), 카메라(1500, 도10), 초음파 센서(212, 도11)를 동시에 동작시킴에 따라 획득되는 센싱 결과에 기초하여, 오염 물질의 속성을 판단할 수 있으며, 이에 한정되지 않는다.
도 3 내지 도 5은 청소 장치(1000)가 센싱부(1800)를 이용하여 오염 물질의 속성을 판단하는 예를 도시한다.
일 실시 예에 따라, 청소 장치(1000)는, RF 센서(213, 도11), IR 센서(214, 도11) 등을 이용하여, RF, IR 광을 방출하고 물체(오염 물질)에 의한 반사 신호를 검출함으로써, 반사율에 따라 물체의 속성(예컨대, 물성, 재질 등)을 판단할 수 있다. 일 실시 예에 따르면, 물체의 속성을 판단하기 위해, 물체의 속성(예컨대, 물성, 재질) 별로 RF, IR 광의 흡수율이 서로 다른 특징이 이용될 수 있다.
도 3을 참조하면, 예를 들어, 청소 장치(1000)는, RF 센서, IR 센서에 의해 청소 장치(1000)로부터 방출되는 RF, IR 광의 반사 신호가 상당히 감쇄된 것으로 센싱되고, 거리 센서에 의해 오염 물질과 바닥 면과의 높이 차이가 적은 것으로 센싱되면, 오염 물질(301)의 속성을 액체로 판단할 수 있다. 액체의 RF, IR 광을 잘 흡수하는 성질과, 액체 표면과 바닥 면과의 높이 차이는 작은 점에 기초하여, 오염 물질(301)의 속성이 액체로 판단될 수 있다.
도 4를 참조하면, 예를 들어, 청소 장치(1000)는, 청소 장치(1000)로부터 RF 센서에 의해 방출되는 RF 광의 반사율이 높고, 카메라에 의해 촬영된 영상 내의 오브젝트 추출에 따라, 오염 물질(401)의 속성을 금속으로 판단할 수 있다. 금속성의 경우, RF 반사율이 높은 점, 카메라 영상에 의해 추출된 물체의 형상, 크기, 두께 등에 기초하여, 오염 물질(401)의 속성이 금속으로 판단될 수 있다.
도 5를 참조하면, 예를 들어, 청소 장치(1000)는, 초음파 센서에 의해 방출되는 초음파의 반사 신호가 상당히 감쇄된 것으로 센싱되고, 거리 센서에 의한 센싱 오차가 크게 나타나는 점, 카메라에 의해 촬영된 영상 내의 오브젝트 추출에 따른 센싱 결과를 종합함에 따라, 오염 물질(501)의 속성을 패브릭(fabric)으로 판단할 수 있다. 패브릭(fabric) 재질의 경우, 난반사 특성에 따라 반사 신호의 감쇄, 난반사에 의한 표면 노이즈 증가로 거리 센서에 의한 오차가 큰 점, 촬영된 영상 내에서 바닥 면과 다른 문양의 오브젝트가 추출된 점에 기초하여, 오염 물질(501)의 속성이 패브릭으로 판단될 수 있다.
또한, 예를 들어, 청소 장치(1000)는, 카메라에 의해 촬영된 영상 내의 오브젝트 추출에 따라 오염 물질의 존재를 확인하고, 청소 장치(1000)에 장착된 브러시(미도시)를 동작시켰으나 브러시(미도시)의 움직임이 미리 설정된 기준보다 적은 경우, 오염 물질의 물성이 점착성 물질인 것으로 판단할 수 있다.
도 3 내지 도 5는 일 실시 예를 설명하기 위한 것으로 이에 한정되지 않는다.
한편, 도 2의 단계 S202에서, 청소 장치(1000)는 판단된 오염 물질의 속성에 기초하여, 오염 물질을 제거하기 위한 청소 동작을 결정할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 판단된 오염 물질의 속성에 기초하여, 오염 물질을 흡입하는 흡입력, 오염 물질을 흡입하는 흡입 시간, 오염 물질을 흡입하는 동안의 로봇 청소 장치의 이동 속도 및 오염 물질을 흡입하는 동작의 반복 횟수 중 적어도 하나를 조절할 수 있다.
또한, 일 실시 예에 따라, 청소 장치(1000)는 판단된 오염 물질의 속성에 기초하여, 청소 장치(1000)에 장착된 브러시(미도시) 및 걸레(미도시) 중 적어도 하나를 동작시킬 수 있다.
또한, 일 실시 예에 따라, 청소 장치(1000)는 판단된 오염 물질의 속성에 기초하여, 통신부(1200, 도 10)를 통해, 외부 청소 장치(미도시)가 오염 물질을 제거 하도록 외부 청소 장치를 호출할 수 있다.
도 6은 오염 물질의 속성에 기초하여 결정될 수 있는 청소 동작의 예시를 도시한다.
도 6을 참조하면, 예를 들어, 청소 장치(1000)는 오염 물질의 속성이 액체라고 판단되면, 액체 물질을 제거하기 위한 청소 동작으로서, 청소 장치(1000)에 장착된 걸레(미도시)를 동작시킬 수 있다. 예컨대, 청소 장치(1000)는, 오염 물질의 흡입 동작을 일시 정지하고, 걸레(미도시)를 이용하여 액체 물질을 제거한 후, 오염 물질의 흡입 동작을 수행할 수 있다.
또한, 예컨대, 청소 장치(1000)의 후면 방향으로 걸레가 장착되어 있는 경우, 청소 장치(1000)는 걸레가 오염 물질을 제거할 수 있도록 회전하거나, 오염 물질을 제거하기에 적합한 방향으로 이동할 수 있다.
또한, 예를 들어, 청소 장치(1000)는 통신부(1200, 도 10)를 통해, 청소 장치(1000)와 연동 가능한 외부 청소 장치(미도시)를 호출할 수도 있다. 예컨대, 청소 장치(1000)는 액체 물질을 흡수하도록 구현된 다른 청소 장치(미도시)가 액체류의 오염 물질을 제거 하도록 호출할 수 있다.
또한, 예를 들어, 청소 장치(1000)는 오염 물질의 속성이 액체라고 판단되면, 오염 물질이 위치한 영역을 회피하여 이동할 수 있다.
또한, 청소 장치(1000)는 스피커(1710, 도 10)를 통해, 오염 물질의 속성에 관한 정보를 출력시킬 수 있다. 예컨대, 청소 장치(1000)는 액체 물질이 있으니 걸레 등으로 액체 물질 제거가 필요하다는 정보를 스피커(1710)를 통해 출력함으로써, 사용자에게 알릴 수 있다.
또한, 예를 들어, 청소 장치(1000)는 오염 물질의 속성이 금속이라고 판단되면, 오염 물질을 흡입하는 흡입력을 보다 세게 조절할 수 있다. 또한, 예를 들어, 청소 장치(1000)는 오염 물질의 속성이 금속이라고 판단된 경우, 오염 물질을 흡입하는 동작 시간을 증가시킬 수 있다.
또한, 예를 들어, 청소 장치(1000)는 오염 물질의 속성이 점착성 물질이라고 판단되면, 청소 장치(1000)에 장착된 브러시(미도시)를 고속으로 작동시켜 오염 물질을 바닥 면으로부터 떼어낸 후, 흡입력을 세게 조절함으로써 오염 물질을 제거할 수 있다.
또한, 예를 들어, 청소 장치(1000)는 센싱된 오염 물질의 속성이 점착성 물질이라고 판단되면, 센싱된 오염 물질에 근접한 영역에서의 동작 시간을 증가시킬 수 있다.
도 6은 일 실시 예를 설명하기 위한 도면으로서 이에 한정되지 않는다.
한편, 도 2의 단계 S203에서, 청소 장치(1000)는 결정된 청소 동작을 수행할 수 있다. 일 실시 예에 따라, 청소 장치(1000)는 단계 S202에서 결정된 청소 동작을 수행함으로써, 오염 물질을 제거할 수 있다.
또한, 일 실시 예에 따라, 청소 장치(1000)는 청소 동작을 수행 한 후, 센서부(1800)를 이용하여, 오염 물질의 적어도 일부가 남아 있는 것으로 판단되면, 청소 동작의 적어도 일부를 재 수행할 수 있다.
예를 들어, 청소 장치(1000)는 오염 물질의 속성에 기초하여 결정된 청소 동작을 수행한 후, 센서부(1800)를 이용하여 청소 동작을 수행한 영역에 오염 물질이 남아 있는지를 다시 센싱할 수 있다. 청소 장치(1000)는 오염 물질의 적어도 일부가 남아 있는 것으로 판단되면, 남아 있는 오염 물질에 기초하여 청소 동작을 결정하고, 결정된 청소 동작을 수행할 수 있다.
또한, 예를 들어, 청소 장치(1000)는 오염 물질의 속성에 기초하여 결정된 청소 동작을 수행한 후, 기 설정된 이동 방향에 따른 이동을 계속하면서 후면 방향을 센싱함으로써, 청소 동작이 수행된 영역의 청소 결과를 확인할 수 있다.
또한, 예를 들어, 청소 장치(1000)는 청소 동작의 수행 전에 센싱된 오염 물질의 양과, 청소 장치(1000) 내부에 구비된 오염물 검출 센서(미도시)를 이용하여 센싱된 청소 동작 수행 후에 청소 장치(1000)가 흡입한 오염 물질의 양을 비교함에 따라, 오염 물질이 깨끗이 제거 되었는지를 판단할 수 있다.
도 2 내지 도 6은 일 실시 예를 설명하기 위한 도면으로 이에 한정되지 않는다.
도 7은 일 실시 예에 따른 청소 장치가 서버와 연동함으로써 청소 동작을 수행하는 방법의 흐름도이다.
도 7은 일 실시 예에 따라, 청소 장치(1000)가 서버(2000)와 연동함으로써, 서버(2000)가 오염 물질의 속성을 판단하고, 오염 물질의 속성에 기초하여 청소 동작을 결정하는 예를 설명하기 위한 흐름도이다.
단계 S701에서, 청소 장치(1000)는, 복수의 센서를 이용하여 청소 장치의 이동 경로 상의 오염 물질을 센싱할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 청소 공간을 이동하면서, 센서부(1800)를 이용하여 오염 물질을 센싱할 수 있다. 일 실시 예에 따라 복수의 센서를 이용하여 오염 물질을 센싱하는 예에 관해서는 전술한 도 2의 단계 S201에 관한 설명에서 상술하였으므로 생략하기로 한다.
단계 S702에서, 청소 장치(1000)는, 센싱 결과에 관한 정보를 서버(2000)로 전송할 수 있다.
일 실시 예에 따라, 청소 장치(1000)는 통신부(1200, 도 10)를 통해, 센싱 결과에 관한 정보 예컨대, 카메라에 의해 촬영된 영상, RF 센서에 의해 획득된 수신 신호의 크기에 따른 반사율 등에 관한 정보를 서버(2000)로 전송할 수 있다.
단계 S703에서, 서버(2000)는, 센싱 결과에 기초하여, 오염 물질의 속성을 판단할 수 있다.
일 실시 예에 따라, 서버(2000)는 청소 장치(1000)로부터 수신한 센싱 결과에 기초하여, 오염 물질의 속성(예컨대, 액체, 금속성, 잠착성 등)을 판단할 수 있다.
일 실시 예에 따라 센서에 의한 센싱 결과에 기초하여 오염 물질의 속성을 판단하는 예에 관해서는 전술한 도 2의 단계 S201에 관한 설명에서 상술하였으므로 생략하기로 한다.
단계 S704에서, 서버(2000)는, 오염 물질의 속성에 기초하여, 오염 물질을 제거하기 위한 청소 동작을 결정할 수 있다.
일 실시 예에 따라 오염 물질의 속성에 기초하여 청소 동작을 결정 예에 관해서는 전술한 도 2의 단계 S202에 관한 설명에서 상술하였으므로 생략하기로 한다.
단계 S705에서, 서버(2000)는, 결정된 청소 동작에 관한 정보를, 통신부(2100, 도 12)를 통해, 청소 장치(1000)로 전송할 수 있다.
단계 S706에서, 청소 장치(1000)는, 청소 동작을 수행할 수 있다. 일 실시 예에 따라, 청소 장치(1000)는 서버(2000)로부터 수신된 청소 동작에 관한 정보에 기초하여, 청소 동작을 수행할 수 있다.
도 7은, 서버(2000)가 청소 장치(1000)와 연동함으로써, 오염 물질의 속성을 판단하고, 오염 물질의 속성에 기초하여 청소 동작을 결정하는 예를 설명하고 있으나, 이에 한정되지 않는다.
일 실시 예에 따라, 청소 장치(1000)가 오염 물질의 센싱 결과에 기초하여 오염 물질의 속성을 판단하고, 서버(2000)가 오염 물질의 속성에 기초하여 청소 동작을 결정할 수도 있다.
또한, 일 실시 예에 따라, 서버(2000)가 청소 장치(1000)로부터 수신한 오염 물질의 센싱 결과에 기초하여 오염 물질의 속성을 판단하고, 청소 장치(1000)가 오염 물질의 속성에 기초하여 청소 동작을 결정할 수도 있다.
도 8은 일 실시 예에 따른 오염 물질의 속성이 학습 모델에 의해 판단되는 예를 설명하기 위한 도면이다.
일 실시 예에 따르면, 청소 장치(1000)는 오염 물질의 속성 판단을 위해 학습된 적어도 하나의 학습 모델에, 센서부(1800)를 이용한 센싱 결과를 적용함으로써 오염 물질의 속성을 판단할 수 있다.
도 8을 참조하면, 예를 들어, 청소 장치(1000)가 오염 물질을 복수의 센서를 이용하여 센싱한 결과에 관한 데이터가 제1 학습 모델에 적용되면, 오염 물질의 속성이 결정될 수 있다.
일 실시 예에 따라, 제1 학습 모델은, 오염 물질의 속성 판단을 위해 학습된 학습 모델 일 수 있다. 예를 들어, 제1 학습 모델은, 복수의 센서를 이용한 센싱 결과와, 센싱 결과에 기초하여 판단된 오염 물질의 속성에 관한 데이터를 학습할 수 있다. 제1 학습 모델은, 복수의 센서를 이용한 센싱 결과에 관한 데이터가 입력되면, 학습한 데이터를 토대로, 오염 물질의 속성을 결정할 수 있다.
도 9는 일 실시 예에 따른 청소 동작이 학습 모델에 의해 결정되는 예를 설명하기 위한 도면이다.
일 실시 예에 따르면, 청소 장치(1000)는 오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 적어도 하나의 학습 모델에, 오염 물질의 속성을 적용함으로써 오염 물질을 제거하기 위한 청소 동작을 결정할 수 있다.
도 9를 참조하면, 예를 들어, 오염 물질의 속성에 관한 데이터가 제2 학습 모델에 적용되면, 오염 물질을 제거하기 위한 청소 동작이 결정될 수 있다.
일 실시 예에 따라, 제2 학습 모델은, 오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 학습 모델 일 수 있다. 예를 들어, 제2 학습 모델은, 오염 물질의 속성과, 오염 물질의 속성에 기초하여 결정된 청소 동작을 수행한 청소 결과에 관한 데이터를 학습할 수 있다. 제2 학습 모델은, 오염 물질의 속성이 입력되면, 학습한 데이터를 토대로, 최적의 청소 동작을 결정할 수 있다.
도 8 내지 도 9에서는, 다양한 종류의 학습 모델을 통하여, 오염 물질의 속성 판단, 오염 물질을 제거하기 위한 청소 동작을 결정하는 예시를 설명하였지만, 이에 제한되지 않는다.
도 8 내지 도 9에 도시된 학습 모델과 상이한 종류 및 개수의 학습 모델이, 오염 물질의 속성 판단, 오염 물질을 제거하기 위한 청소 동작을 결정하는데 이용될 수 있다. 또한, 각각의 학습 모델에는 상이하고 더욱 다양한 정보가 입력될 수 있다.
도 10은 일 실시 예에 따른 청소 장치의 블록도이다.
도 10을 참조하면, 일 실시 예에 따른 청소 장치(1000)는 사용자 입력부(1100), 통신부(1200), 메모리(1400), 카메라(1500), 주행부(1600), 출력부(1700), 센서부(1800) 및 프로세서(1300)를 포함할 수 있으며, 출력부(1700)는 스피커(1710) 및 디스플레이(1720)를 포함할 수 있다.
사용자 입력부(1100)는, 청소 장치(1000)의 동작을 제어하기 위한 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
통신부(1200)는 서버(2000) 및 외부 장치(미도시)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(1200)는, 근거리 통신부, 이동 통신부를 포함할 수 있다. 근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 문자/멀티미디어 메시지 송수신, 음성 호 신호, 화상 통화 호 신호에 따른 다양한 형태의 데이터를 포함할 수 있다.
메모리(1400)는 청소 장치(1000)의 동작을 제어하기 위한 프로그램을 저장할 수 있다. 메모리(1400)는 청소 장치(1000)의 동작을 제어하기 위한 적어도 하나의 인스트럭션을 포함할 수 있다.
일 실시 예에 따라, 메모리(1400)는, 예를 들어, 센서부(1800)에 의한 센싱 결과 데이터를 저장할 수 있다. 메모리(1400)는, 예를 들어, 센싱 결과 데이터에 기초하여 판단된 오염 물질의 속성에 관한 데이터를 저장할 수 있다. 또한, 메모리(1400)는, 예를 들어, 오염 물질의 속성에 기초하여 결정된 청소 동작에 관한 데이터를 저장할 수 있다.
또한, 메모리(1400)는, 오염 물질의 속성 판단을 위해 학습된 적어도 하나의 학습 모델, 오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 적어도 하나의 학습 모델 등을 저장할 수 있다.
메모리(1400)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
메모리(1400)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
카메라(1500)는 청소 장치(1000)의 주변을 촬영할 수 있다. 카메라(1500)는 청소 장치(1000)가 이동하면서 청소 동작을 수행하는 도중에, 청소 장치(1000)의 주변 또는 바닥을 실시간으로 촬영할 수 있다.
카메라(1500)는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.
또한, 카메라(1500)는 청소 장치(1000) 외부의 환경을 기록하도록 구성되는 스틸 카메라 또는 비디오 카메라일 수 있다. 예를 들어, 카메라(1500)는 다수의 카메라들일 수 있고, 다수의 카메라들은 청소 장치(1000)의 외부 상의 다수의 위치들에 배치될 수 있다.
주행부(1600)는 청소 장치(1000)를 이동시키기 위한 적어도 하나의 구동 바퀴를 포함할 수 있다. 주행부(1600)는 구동 바퀴에 연결되어 구동 바퀴를 회전시키는 구동 모터를 포함할 수 있다. 구동 바퀴는 로봇 청소 장치의 본체의 좌, 우 측에 각각 구비된 좌륜 및 우륜을 포함할 수 있다. 좌륜과 우륜은 하나의 구동 모터에 의해 구동될 수도 있으나, 필요에 따라 좌륜을 구동시키는 좌륜 구동 모터와 우륜을 구동시키는 우륜 구동 모터가 각각 구비될 수도 있다. 이 경우, 좌륜과 우륜의 회전 속도에 차이를 두어 청소 장치(1000)의 주행 방향을 좌측 또는 우측으로 전환할 수 있다.
출력부(1700)는 오디오 신호 또는 비디오 신호를 출력할 수 있다. 출력부(1700)는 스피커(1710) 및 디스플레이(1720)를 포함할 수 있다. 스피커(1710)는 통신부(1200)로부터 수신되거나 메모리(1400)에 저장된 오디오 데이터를 출력할 수 있다. 스피커(1710)는 청소 장치(1000)에서 수행되는 기능(예를 들어, 오염 물질에 관한 메시지 출력, 청소 동작에 관한 메시지 출력, 소정 알림음 등)과 관련된 음향 신호를 출력할 수 있다.
디스플레이(1720)는 청소 장치(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이(1720)는, 청소 장치(1000)의 제어를 위한 사용자 인터페이스, 청소 장치(1000)의 상태 표시를 위한 사용자 인터페이스 등을 디스플레이할 수 있다.
한편, 디스플레이(1720)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이(1720)는 출력 장치 이외에 입력 장치로도 사용될 수 있다.
일 실시 예에 따라, 디스플레이(1720)는, 오염 물질에 관한 메시지, 청소 동작에 관한 메시지 등을 표시할 수 있다.
센서부(1800)는 청소 장치(1000)의 동작 및 상태와 관련된 데이터를 센싱할 수 있다. 일 실시 예에 따라, 센서부(1800)는 청소 장치(1000)의 주변의 오염 영역을 감지할 수 있다. 일 실시 예에 따라, 센서부(1800)는 청소 장치(1000) 주변의 오염 물질을 센싱할 수 있다.
또한, 센서부(1800)는 청소 장치(1000) 주변의 장애물을 감지하거나, 청소 장치(1000)의 주변에 낭떠러지가 존재하는지 여부 등을 감지할 수 있다.
또한, 센서부(1800)는 로봇 청소 장치(1000)의 동작을 감지하는 동작 감지 센서를 더 포함할 수 있다. 예를 들어, 센서부(1800)는 자이로 센서(Gyro Sensor), 휠 센서(Wheel Sensor)(미도시), 가속도 센서(Acceleration Sensor)(미도시) 등을 포함할 수 있다.
자이로 센서는, 청소 장치(1000)가 이동할 때 회전 방향을 감지하고 회전각을 검출할 수 있다. 휠 센서는, 좌륜과 우륜에 연결되어 바퀴의 회전수를 감지할 수 있다. 예를 들어, 휠 센서는 로터리 엔코더(Rotary Encoder)일 수 있으나 이에 제한되지 않는다.
또한, 센서부(1800)는 청소 장치(1000)의 주변 영상을 획득하기 위한 다수의 센서들을 포함할 수 있다. 예를 들어, 센서부(1800)는 카메라(1500)와 같은 이미지 센서를 포함할 수 있다.
또한, 센서부(1800)는 예를 들어, UWB 센서(211, 도11), 초음파 센서(212, 도11), 적외선 센서(214, 도11), RF 센서(213, 도11), 지자기 센서(226, 도11), 및 PSD(Position Sensitive Device) 센서(미도시)를 포함할 수 있으며, 이에 제한되지 않는다.
센서부(1800)는 다수의 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있는 바, 청소 장치(1000)의 전방, 후방, 및 측방 각각의 방향을 센싱할 수 있다.
센서부(1800)에 대해서는 후술할 도 11에 관한 설명에서 상술하기로 한다.
프로세서(1300)는, 통상적으로 청소 장치(1000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(1300)는, 메모리(1400)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 통신부(1200), 메모리(1400), 카메라(1500), 주행부(1600), 출력부(1700), 및 센서부(1800)를 전반적으로 제어할 수 있다. 프로세서(1300)는 사용자 입력부(1100), 통신부(1200), 메모리(1400), 카메라(1500), 주행부(1600), 출력부(1700), 및 센서부(1800)를 제어함으로써, 도 1 내지 도 9에서의 청소 장치(1000)의 동작을 제어할 수 있다.
일 실시 예에 따라, 프로세서(1300)는, 복수의 센서를 포함하는 센서부(1800)를 이용하여, 청소 장치(1000)의 이동 경로 상의 오염 물질의 속성을 판단할 수 있다. 예를 들어, 복수의 센서는, RF 센서, IR 센서, 카메라, 초음파 센서 및 거리 센서 중 적어도 하나를 포함할 수 있다. 예를 들어, 오염 물질의 속성은, 액체, 금속, 플라스틱, 패브릭(fabric) 및 점착성 물질 중 적어도 하나를 포함할 수 있다.
프로세서(1300)는, 미리 정해진 우선 순위에 기초하여 복수의 센서를 순차적으로 동작시킴에 따라, 오염 물질의 속성을 판단할 수 있다.
또한, 프로세서(1300)는, 복수의 센서를 동시에 동작시킴에 따라, 오염 물질의 속성을 판단할 수 있다.
또한, 프로세서(1300)는, 판단된 오염 물질의 속성에 기초하여 오염 물질을 제거하기 위한 청소 동작을 결정하고, 결정된 청소 동작을 수행할 수 있다.
프로세서(1300)는, 판단된 오염 물질의 속성에 기초하여, 청소 장치(1000)에 장착된 브러시 및 걸레 중 적어도 하나를 동작시킬 수 있다.
또한, 프로세서(1300)는, 판단된 오염 물질의 속성에 기초하여, 통신부(1200)를 통해, 외부 청소 장치(미도시)가 오염 물질을 제거하도록 외부 청소 장치를 호출할 수 있다.
또한, 프로세서(1300)는, 스피커(1710)를 통해, 오염 물질의 속성에 관한 정보를 출력시킬 수 있다.
또한, 프로세서(1300)는, 청소 동작을 수행 한 후, 센서부(1800)를 이용하여, 오염 물질의 적어도 일부가 남아 있는 것으로 판단되면, 청소 동작의 적어도 일부를 재 수행할 수 있다.
또한, 프로세서(1300)는, 오염 물질의 속성 판단을 위해 학습된 적어도 하나의 학습 모델에, 센서부(1800)를 이용한 센싱 결과를 적용함으로써 오염 물질의 속성을 판단할 수 있다.
또한, 프로세서(1300)는, 오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 적어도 하나의 학습 모델에, 판단된 오염 물질의 속성을 적용함으로써 오염 물질을 제거하기 위한 청소 동작을 결정할 수 있다.
도 11은 일 실시 예에 따른 센서부의 블록도이다.
일 실시 예에 따라, 청소 장치(100)는 복수의 센서를 포함하는 센서부(1800)를 포함할 수 있다.
일 실시 예에 따라, 센서부(1800)는 청소 장치(1000)의 주변을 센싱할 수 있다. 또한, 일 실시 예에 따라, 센서부(1800)는 청소 장치(1000)의 주변 영상을 촬영할 수 있다. 또한, 센서부(1800)는 청소 장치(1000)가 이동하는 중에, 청소 장치(1000)의 위치 정보를 획득할 수 있다.
센서부(1800)는, UWB 센서(211), 초음파 센서(212), RF 센서(213), IR 센서(214)를 포함할 수 있다.
UWB(Ultra-wideband)센서(211)는, 넓은 대역의 주파수를 사용하여 물체의 존재를 파악하고, 물체까지의 거리, 물체의 움직임(물체의 속도, 가속도 등)을 감지할 수 있다. UWB(Ultra-wideband)센서는, 발신부에서 나온 펄스가 물체에 부딛친 후 반사되어 수신부까지 돌아오는 시간을 측정함으로써 물체까지의 거리를 감지할 수 있다.
일 실시 예에 따라, UWB(Ultra-wideband)센서는, 오염 물질에 의해 반사되는 신호를 측정함으로써, 오염 물질의 속성(예컨대, 물성, 재질 등)을 판단하는데 이용될 수 있다.
초음파 센서(212)는, 초음파를 발생시켜 물체를 지각할 수 있다. 초음파 센서(212)는 물체까지의 거리, 물체의 두께, 물체의 움직임 등을 검출할 수 있다.
일 실시 예에 따라, 초음파 센서(212)는, 오염 물질을 감지하고 오염 물질까지의 거리, 오염 물질의 두께 등을 검출할 수 있고, 오염 물질에 의한 반사 신호를 측정함으로써 오염 물질의 속성(예컨대, 물성, 재질 등)을 판단하는데 이용될 수 있다.
일 실시 예에 따라, RF 센서(213)는, 방출된 신호가 오염 물질에 부딛친 후 오염 물질로부터 반사되는 신호를 측정함으로써, 오염 물질의 속성(예컨대, 물성, 재질 등)을 검출하는데 이용 될 수 있다.
일 실시 예에 따라, IR 센서(214)는, 적외선 방출에 따라 물체(예컨대, 오염 물질)에 의해 반사되는 반사 신호를 검출함으로써, 물체를 지각하고, 물체까지의 거리를 측정하는데 이용될 수 있다. 또한, 일 실시 예에 따라, IR 센서(214)는, 오염 물질에 의한 반사 신호를 검출함으로써, 오염 물질의 속성(예컨대, 물성, 재질 등)을 검출하는데 이용 될 수 있다.
또한, 센서부(1800)는 청소 장치(1000)의 위치 정보를 획득하기 위한 다수의 센서들을 포함할 수 있다.
센서부(1800)는 청소 장치(1000)가 위치해 있는 주변 환경에 관한 정보를 감지하도록 구성되는 다수의 센서들을 포함할 수 있고, 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있다. 예를 들어, 센서부(1800)는 GPS(Global Positioning System)(215), IMU(Inertial Measurement Unit)(216), RADAR 센서(217), LIDAR 센서(218), 이미지 센서(219) 및 Odometery 센서(220)를 포함할 수 있다.
GPS(215)는 청소 장치(1000)의 지리적 위치를 추정하도록 구성되는 센서일 수 있다. 즉, GPS(215)는 지구에 대한 청소 장치(1000)의 위치를 추정하도록 구성되는 송수신기를 포함할 수 있다.
IMU(216)는 관성 가속도에 기초하여 청소 장치(1)의 위치 및 배향 변화들을 감지하도록 구성되는 센서들의 조합이 될 수 있다. 예를 들어, 센서들의 조합은, 가속도계들 및 자이로스코프들을 포함할 수 있다.
RADAR 센서(217)는 무선 신호를 사용하여 청소 장치(1000)가 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 있다. 또한, RADAR 센서(217)는, 물체들의 속도 및/또는 방향을 감지하도록 구성될 수 있다.
LIDAR 센서(218)는 레이저를 사용하여 청소 장치(1000)가 위치해 있는 환경 내의 물체들을 감지하도록 구성되는 센서일 수 잇다. 보다 구체적으로, LIDAR 센서(218)는 레이저를 방출하도록 구성되는 레이저 광원 및/또는 레이저 스캐너와, 레이저의 반사를 검출하도록 구성되는 검출기를 포함할 수 잇다. LIDAR 센서(218)는 코히런트(coherent)(예컨대, 헤티로다인 검출을 사용함) 또는 비코히런트(incoherent) 검출 모드에서 동작하도록 구성될 수 있다.
또한, 센서부(1800)는 청소 장치(1000)의 주변 영상을 획득하기 위한 다수의 센서들을 포함할 수 있다. 예를 들어, 센서부(1800)는 카메라(1500, 도 10)와 같은 이미지 센서(219)를 포함할 수 있다.
이미지 센서(219)는 청소 장치(1) 외부의 환경을 기록하도록 구성되는 스틸 카메라 또는 비디오 카메라가 될 수 있다. 예를 들어, 이미지 센서(219)는 다수의 카메라들을 포함할 수 있고, 다수의 카메라들은 청소 장치(1000)의 외부 상의 다수의 위치들에 배치될 수 있다.
센서부(1800)는 다수의 센서들의 위치 및/또는 배향을 수정하도록 구성되는 하나 이상의 액추에이터들을 포함할 수 있는 바, 청소 장치(1000)의 전방, 후방, 및 측방 각각의 방향의 영상을 촬영할 수 있다.
Odometery 센서(220)는 청소 장치(1000)의 위치를 추정하고, 이동 거리를 측정할 수 있다. 예를 들어, Odometery 센서(220)는 청소 장치(1)의 바퀴의 회전 수를 이용하여 청소 장치(1000)의 위치 변화 값을 측정할 수 있다.
또한, 센서부(1800)는 온/습도 센서(221), 기압 센서(222), 근접 센서(233), 및 RGB 센서(illuminance sensor)(224) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
또한, 센서부(1800)는 청소 장치(1000)의 움직임을 센싱할 수 있는 움직임 센싱부(225)를 포함할 수 있다. 움직임 센싱부(225)는 지자기 센서(Magnetic sensor)(226), 가속도 센서(Acceleration sensor)(227), 및 자이로스코프 센서(228)를 포함할 수 있다.
도 12는 일 실시 예에 따른 서버의 블록도이다.
도 12를 참조하면, 일 실시 예에 따른 서버(2000)는, 통신부(2100), 저장부(2200) 및 프로세서(2300)를 포함할 수 있다.
통신부(2100)는 청소 장치(1000) 및 외부 장치(미도시)와의 통신을 위한 하나 이상의 통신 모듈을 포함할 수 있다. 예를 들어, 통신부(2100)는, 근거리 통신부, 이동 통신부를 포함할 수 있다. 근거리 통신부(short-range wireless communication unit)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 이동 통신부는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 문자/멀티미디어 메시지 송수신 또는 음성 호 신호, 화상 통화 호 신호에 따른 다양한 형태의 데이터를 포함할 수 있다.
저장부(2200)는 서버(2000)의 동작을 제어하기 위한 프로그램을 저장할 수 있다. 저장부(2200)는 서버(2000)의 동작을 제어하기 위한 적어도 하나의 인스트럭션을 포함할 수 있다.
일 실시 예에 따라, 저장부(2200)는, 청소 장치(1000)로부터 획득된 오염 물질의 속성과 오염 물질의 속성에 기초하여 결정된 청소 동작에 관련된 데이터를 저장할 수 있다.
또한, 저장부(2200)는, 예를 들어, 오염 물질의 속성 판단을 위해 학습된 적어도 하나의 학습 모델, 오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 적어도 하나의 학습 모델 등을 저장할 수 있다.
저장부(2200)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류될 수 있다.
또한, 저장부(2200)는, 여러 사용자의 사용자 ID, 여러 청소 장치로부터 수신한 오염 물질에 관한 센싱 정보, 여러 외부 기기의 센싱 데이터 등을 통합하여 관리할 수 있도록, 복수의 DB를 포함할 수 있다.
프로세서(2300)는, 통상적으로 서버(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(2300)는, 저장부(2200)에 저장된 프로그램들을 실행함으로써, 통신부(2100) 및 저장부(2200)를 제어할 수 있다. 프로세서(2300)는 통신부(2100) 및 저장부(2200)를 제어함으로써, 도 1 내지 도 9에서의 서버(2000)의 동작을 제어할 수 있다.
프로세서(2300)는, 청소 장치(1000)로부터 수신한 센싱 결과에 기초하여, 오염 물질의 속성(예컨대, 액체, 금속성, 잠착성 등)을 판단할 수 있다.
또한, 프로세서(2300)는, 오염 물질의 속성에 기초하여, 오염 물질을 제거하기 위한 청소 동작을 결정할 수 있다.
또한, 프로세서(2300)는, 오염 물질의 속성 판단을 위해 학습된 적어도 하나의 학습 모델에, 청소 장치(1000)로부터 수신한 센싱 결과에 관한 정보를 적용함으로써 오염 물질의 속성을 판단할 수 있다.
또한, 포르세서(2300)는, 오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 적어도 하나의 학습 모델에, 오염 물질의 속성을 적용함으로써 오염 물질을 제거하기 위한 청소 동작을 결정할 수 있다.
프로세서(2300)는, 사용자의 ID를 이용하여 청소 장치(1000)를 관리할 수 있다.
도 13은 일 실시 예에 따른 프로세서의 블록도이다.
도 13을 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 어떻게 판단할 지에 관한 기준을 학습할 수 있다.
데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초하여, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 수행할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 수행할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 14는 일 실시 예에 따른 데이터 학습부의 블록도이다.
도 14를 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 학습을 위하여 필요한 데이터를 획득할 수 있다.
예를 들어, 청소 장치(1000)에서 촬영된 이미지, 청소 장치(1000)에서 센싱된 센싱 결과 데이터, 외부 기기(미도시)에서 촬영된 이미지, 외부 기기(미도시)에서 센싱된 센싱 데이터, 청소 공간의 상황에 관한 정보 및 청소 장치(1000)의 상태에 관한 정보 중 적어도 하나가 상기 학습을 위하여 획득될 수 있다. 하지만, 학습을 위하여 획득되는 데이터는 이에 제한되지 않으며, 예를 들어, 도 8 내지 도 9의 학습 모델들에 입력될 수 있는 데이터가 학습을 위하여 획득될 수 있다.
전처리부(1310-2)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 학습에 상기 획득된 데이터가 이용될 수 있도록, 상기 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 학습을 위하여, 상기 획득된 데이터를 이용할 수 있도록, 상기 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시 예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 15는 일 실시 예에 따른 데이터 인식부의 블록도이다.
도 15를 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위해 상기 획득된 데이터가 이용될 수 있도록, 상기 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위하여 상기 획득된 데이터를 이용할 수 있도록, 상기 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 수행할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
예를 들어, 청소 장치(1000)에서 촬영된 이미지, 청소 장치(1000)에서 센싱된 센싱 결과 데이터, 외부 기기(미도시)에서 촬영된 이미지, 외부 기기(미도시)에서 센싱된 센싱 데이터, 청소 공간의 상황에 관한 정보 및 청소 장치(1000)의 상태에 관한 정보 중 적어도 하나가 상기 인식을 위하여 획득될 수 있다. 하지만, 인식을 위하여 획득되는 데이터는 이에 제한되지 않으며, 예를 들어, 도 8 내지 도 9의 학습 모델들에 입력될 수 있는 데이터가 인식을 위하여 획득될 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 16은 일 실시 예에 따른 청소 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 16을 참조하면, 서버(2000)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기준을 학습할 수 있으며, 로봇 청소 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 수행할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 14에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 위한 기준을 학습할 수 있다.
또한, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 수행할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용함으로써, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나 상황을 판단할 것을 서버(2000)에게 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 정보를 서버(2000)로부터 수신할 수 있다.
또는, 디바이스(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용함으로써, 오염 물질의 속성 판단, 청소 동작의 결정 중 적어도 하나를 수행할 수 있다. 이 경우, 디바이스(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용할 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
1000 : 청소 장치

Claims (20)

  1. 청소 장치에 있어서,
    복수의 센서를 포함하는 센서부;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행함으로써 상기 청소 장치를 제어하는 프로세서;를 포함하고,
    상기 프로세서는,
    상기 센서부를 이용하여 상기 청소 장치의 이동 경로 상의 오염 물질의 속성을 판단하고,
    상기 판단된 오염 물질의 속성에 기초하여 상기 오염 물질을 제거하기 위한 청소 동작을 결정하고, 상기 결정된 청소 동작을 수행하는, 청소 장치.
  2. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 판단된 오염 물질의 속성에 기초하여, 상기 오염 물질을 흡입하는 흡입력, 상기 오염 물질을 흡입하는 흡입 시간, 상기 오염 물질을 흡입하는 동안의 상기 청소 장치의 이동 속도 및 상기 오염 물질을 흡입하는 동작의 반복 횟수 중 적어도 하나를 조절하는, 청소 장치.
  3. 제1 항에 있어서,
    상기 복수의 센서는,
    RF 센서, IR 센서, 카메라, 초음파 센서 및 거리 센서 중 적어도 하나를 포함하는, 청소 장치.
  4. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    미리 정해진 우선 순위에 기초하여 상기 복수의 센서를 순차적으로 동작시킴에 따라, 상기 오염 물질의 속성을 판단하는, 청소 장치.
  5. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 복수의 센서를 동시에 동작시킴에 따라, 상기 오염 물질의 속성을 판단하는, 청소 장치.
  6. 제1 항에 있어서,
    상기 오염 물질의 속성은,
    액체, 금속, 플라스틱, 패브릭(fabric) 및 점착성 물질 중 적어도 하나를 포함하는, 청소 장치.
  7. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 판단된 오염 물질의 속성에 기초하여, 상기 청소 장치에 장착된 브러시 및 걸레 중 적어도 하나를 동작시키는, 청소 장치.
  8. 제1 항에 있어서,
    통신부를 포함하고,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 판단된 오염 물질의 속성에 기초하여, 상기 통신부를 통해, 외부 청소 장치가 상기 오염 물질을 제거하도록 상기 외부 청소 장치를 호출하는, 청소 장치.
  9. 제1 항에 있어서,
    스피커를 포함하고,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,

    상기 스피커를 통해, 상기 오염 물질의 속성에 관한 정보를 출력시키는, 청소 장치.
  10. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 청소 동작을 수행 한 후, 상기 센서부를 이용하여, 상기 오염 물질의 적어도 일부가 남아 있는 것으로 판단되면, 상기 청소 동작의 적어도 일부를 재 수행하는, 청소 장치.
  11. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    오염 물질의 속성 판단을 위해 학습된 적어도 하나의 학습 모델에, 상기 센서부를 이용한 센싱 결과를 적용함으로써 상기 오염 물질의 속성을 판단하는, 청소 장치.
  12. 제1 항에 있어서,
    상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    오염 물질 제거를 위한 청소 동작을 결정하기 위해 학습된 적어도 하나의 학습 모델에, 상기 판단된 오염 물질의 속성을 적용함으로써 상기 오염 물질을 제거하기 위한 청소 동작을 결정하는, 청소 장치.
  13. 청소 장치의 동작 방법에 있어서,
    복수의 센서를 포함하는 센서부를 이용하여 상기 청소 장치의 이동 경로 상의 오염 물질의 속성을 판단하는 단계;
    상기 판단된 오염 물질의 속성에 기초하여 상기 오염 물질을 제거하기 위한 청소 동작을 결정하는 단계; 및
    상기 결정된 청소 동작을 수행하는 단계를 포함하는, 동작 방법.
  14. 제13 항에 있어서,
    상기 청소 동작을 결정하는 단계는,
    상기 판단된 오염 물질의 속성에 기초하여, 상기 오염 물질을 흡입하는 흡입력, 상기 오염 물질을 흡입하는 흡입 시간, 상기 오염 물질을 흡입하는 동안의 상기 청소 장치의 이동 속도 및 상기 오염 물질을 흡입하는 동작의 반복 횟수 중 적어도 하나를 조절하는 단계를 포함하는, 동작 방법.
  15. 제13 항에 있어서,
    상기 오염 물질의 속성을 판단하는 단계는,
    미리 정해진 우선 순위에 기초하여 상기 복수의 센서를 순차적으로 동작시킴에 따라, 상기 오염 물질의 속성을 판단하는 단계를 포함하는, 동작 방법.
  16. 제13 항에 있어서,
    상기 오염 물질의 속성을 판단하는 단계는,
    상기 복수의 센서를 동시에 동작시킴에 따라, 상기 오염 물질의 속성을 판단하는 단계를 포함하는, 동작 방법.
  17. 제13 항에 있어서,
    상기 청소 동작을 결정하는 단계는,
    상기 판단된 오염 물질의 속성에 기초하여, 상기 청소 장치에 장착된 브러시 및 걸레 중 적어도 하나를 동작시키도록 결정하는 단계를 포함하는, 동작 방법.
  18. 제13 항에 있어서,
    상기 청소 동작을 결정하는 단계는,
    상기 판단된 오염 물질의 속성에 기초하여, 상기 통신부를 통해, 외부 청소 장치가 상기 오염 물질을 제거하도록 상기 외부 청소 장치를 호출하도록 결정하는 단계를 포함하는, 동작 방법.
  19. 제13 항에 있어서,
    상기 청소 동작을 수행 한 후, 상기 센서부를 이용하여, 상기 오염 물질의 적어도 일부가 남아 있는 것으로 판단되면, 상기 청소 동작의 적어도 일부를 재 수행하는 단계를 더 포함하는, 동작 방법.
  20. 제13 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 포함하는 컴퓨터 프로그램 장치.
KR1020180129357A 2018-05-11 2018-10-26 청소 동작을 수행하는 청소 장치 및 방법 KR20190129673A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/410,501 US11471016B2 (en) 2018-05-11 2019-05-13 Method and apparatus for executing cleaning operation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862670311P 2018-05-11 2018-05-11
US62/670,311 2018-05-11

Publications (1)

Publication Number Publication Date
KR20190129673A true KR20190129673A (ko) 2019-11-20

Family

ID=68729461

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180129357A KR20190129673A (ko) 2018-05-11 2018-10-26 청소 동작을 수행하는 청소 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20190129673A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021149874A1 (en) * 2020-01-21 2021-07-29 Lg Electronics Inc. Robot cleaner and method for controlling the same
WO2021201427A1 (ko) * 2020-04-01 2021-10-07 삼성전자 주식회사 청소 기능을 가지는 전자 장치 및 그의 청소를 수행하는 방법
CN117752269A (zh) * 2024-02-21 2024-03-26 深圳市凯度电器有限公司 一种洗碗机的工作状态自动控制方法及装置
CN117752269B (zh) * 2024-02-21 2024-05-03 深圳市凯度电器有限公司 一种洗碗机的工作状态自动控制方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021149874A1 (en) * 2020-01-21 2021-07-29 Lg Electronics Inc. Robot cleaner and method for controlling the same
WO2021201427A1 (ko) * 2020-04-01 2021-10-07 삼성전자 주식회사 청소 기능을 가지는 전자 장치 및 그의 청소를 수행하는 방법
CN117752269A (zh) * 2024-02-21 2024-03-26 深圳市凯度电器有限公司 一种洗碗机的工作状态自动控制方法及装置
CN117752269B (zh) * 2024-02-21 2024-05-03 深圳市凯度电器有限公司 一种洗碗机的工作状态自动控制方法及装置

Similar Documents

Publication Publication Date Title
KR102255273B1 (ko) 청소 공간의 지도 데이터를 생성하는 장치 및 방법
US11471016B2 (en) Method and apparatus for executing cleaning operation
US10102429B2 (en) Systems and methods for capturing images and annotating the captured images with information
US11199852B2 (en) Mobile robot and control method for controlling the same
US11556844B2 (en) Artificial intelligence robot for determining cleaning route using sensor data and method for the same
KR102577785B1 (ko) 청소 로봇 및 그의 태스크 수행 방법
KR102361261B1 (ko) 이동 바디들 주위의 로봇 행동을 위한 시스템들 및 방법들
KR102623574B1 (ko) 전자 장치 및 그 동작 방법
Suman et al. Vision navigator: a smart and intelligent obstacle recognition model for visually impaired users
CN112020411B (zh) 用于向用户提供服务的移动机器人装置和方法
CN112135553B (zh) 用于执行清洁操作的方法和设备
US20190343355A1 (en) Method and apparatus for executing cleaning operation
KR102579904B1 (ko) 비전 검사 관리 방법 및 비전 검사 시스템
KR102458664B1 (ko) 차량의 주행을 보조하는 전자 장치 및 방법
US11565415B2 (en) Method of tracking user position using crowd robot, tag device, and robot implementing thereof
US20210121035A1 (en) Robot cleaner and method of operating the same
KR20200131664A (ko) 차량의 주행을 보조하는 전자 장치 및 방법
KR20200027087A (ko) 로봇 및 그의 제어 방법
KR20190129673A (ko) 청소 동작을 수행하는 청소 장치 및 방법
KR20200009680A (ko) 로봇 청소기
KR20230134109A (ko) 청소 로봇 및 그의 태스크 수행 방법
US20190314983A1 (en) Recording medium, information processing apparatus, and information processing method
KR20230011699A (ko) 이동 로봇
KR20240057297A (ko) 신경망 모델을 학습시키는 방법 및 전자 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination