KR20200085642A - 인공 지능 장치 및 그의 동작 방법 - Google Patents

인공 지능 장치 및 그의 동작 방법 Download PDF

Info

Publication number
KR20200085642A
KR20200085642A KR1020190160644A KR20190160644A KR20200085642A KR 20200085642 A KR20200085642 A KR 20200085642A KR 1020190160644 A KR1020190160644 A KR 1020190160644A KR 20190160644 A KR20190160644 A KR 20190160644A KR 20200085642 A KR20200085642 A KR 20200085642A
Authority
KR
South Korea
Prior art keywords
charging
reservation
charger
time
artificial intelligence
Prior art date
Application number
KR1020190160644A
Other languages
English (en)
Other versions
KR102353103B1 (ko
Inventor
최정화
김연정
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
Publication of KR20200085642A publication Critical patent/KR20200085642A/ko
Application granted granted Critical
Publication of KR102353103B1 publication Critical patent/KR102353103B1/ko

Links

Images

Classifications

    • G06Q50/40—
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/30—Constructional details of charging stations
    • B60L53/305—Communication interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/63—Monitoring or controlling charging stations in response to network capacity
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/66—Data transfer between charging stations and vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/67—Controlling two or more charging stations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/68—Off-site monitoring or control, e.g. remote control
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/80—Time limits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2250/00—Driver interactions
    • B60L2250/16—Driver interactions by display
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/163—
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/12—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation
    • Y04S10/126—Monitoring or controlling equipment for energy generation units, e.g. distributed energy generation [DER] or load-side generation the energy generation units being or involving electric vehicles [EV] or hybrid vehicles [HEV], i.e. power aggregation of EV or HEV, vehicle to grid arrangements [V2G]

Abstract

본 개시의 일 실시 예에 따른 인공 지능 장치는 전기 자동차의 충전 예약을 위한 예약 입력 정보를 수신하고, 수신된 예약 입력 정보 및 충전 예약 스케쥴링 모델에 기반하여, 복수의 충전기들 각각의 사용 가능 시간대 또는 사용 불가능 시간대를 나타내는 충전기 사용 가능 시간표를 표시하고, 상기 충전기 사용 가능 시간표는 복수의 충전기들 각각에 대한 하나 이상의 시간 슬롯을 대응시킨 표일 수 있다.

Description

인공 지능 장치 및 그의 동작 방법{ARTIFICIAL INTELLOGENCE DEVICE AND OPERATING METHOD THEREOF}
본 개시는 인공 지능 장치에 관한 것으로, 보다 상세하게는 전기 자동차의 충전 예약 스케쥴링을 위한 것이다.
일반적으로 자동차를 움직이기 위한 구동 에너지는 화석 연료를 연소시킴으로써 얻어진다. 이와 달리 구동 에너지를 전기 에너지로 이용하는 자동차가 전기차이다.
전기차는 화석 연료를 연소시키지 않기 때문에 배기가스 발생이 전혀 없으며 소음이 적다는 장점을 갖는다.
이러한 전기차는 전기 에너지를 이용하여 구동하기 때문에 내부에 전기 에너지를 제공하기 위한 배터리가 구비되어야 하는데, 최근 들어 전기차가 개발됨에 따라 전기차의 배터리를 충전하기 위한 충전기가 특정 위치에 구비되고 있다.
지금까지 개발된 충전기 안내 시스템에서는 전기차 사용자에게 충전기의 위치 정보를 안내하여 전기차 사용자가 가까운 충전기를 찾아 충전할 수 있도록 한다.
그러나, 종래기술에 따르면 충전기 위치 정보를 이용하여 충전기 위치를 확인하고, 전기차 충전을 위해 충전소에 도착했을 때 다른 차량이 먼저 충전 중이면 다른 차량의 충전이 완료될 때까지 기다려야 하는 문제가 발생한다.
특히, 보통의 전기차는 방전된 상태에서 완충까지 상당한 시간이 걸리기 때문에 먼저 충전 중인 차량이 있는 경우 기다리게 되는 상황이 발생한다.
또한, 충전기의 사용여부 정보를 안내받는 경우에도 충전기를 언제부터 사용할 수 있는지 알 수 없기 때문에 해당 충전기의 사용가능 정보를 확인할 때까지 마찬가지로 기다려야 하는 문제가 발생한다.
본 개시는 사용자의 편의를 고려하여, 전기 자동차의 충전 예약을 스케쥴링할 수 있도록 하는 것을 목적으로 한다.
본 개시는 충전기의 유휴 시간을 최소화하고, 충전 점유 시간을 증대시킬 수 있도록 하는 것을 목적으로 한다.
본 개시의 일 실시 예에 따른 인공 지능 장치는 전기 자동차의 충전 예약을 위한 예약 입력 정보를 수신하고, 수신된 예약 입력 정보 및 충전 예약 스케쥴링 모델에 기반하여, 복수의 충전기들 각각의 사용 가능 시간대 또는 사용 불가능 시간대를 나타내는 충전기 사용 가능 시간표를 표시하고, 상기 충전기 사용 가능 시간표는 복수의 충전기들 각각에 대한 하나 이상의 시간 슬롯을 대응시킨 표일 수 있다.
상기 충전기 사용 가능 시간표에 포함된 각 시간 슬롯은 충전기의 출처, 사용자가 입력한 충전 시간대에 충전의 가능 여부를 나타낼 수 있다.
상기 프로세서는 충전기에 대한 정보를 이용하여, 각 시간 슬롯의 출처, 각 시간 슬롯에서, 충전의 가능 여부를 결정하고, 결정 결과에 따라 상기 충전기 사용 가능 시간표를 생성할 수 있다.
본 개시의 실시 예에 따르면, 사용자는 간단한 입력만으로도, 전기 자동차의 충전 예약을 스케쥴링할 수 있다. 이에 따라, 사용자의 충전 예약 과정이 간편해져, 편의성이 크게 향상될 수 있다.
각 주유소에 구비된 충전 포인트들은 유휴 시간이 최소화되어, 충전 포인트의 사용 효율이 극대화될 수 있다.
도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 개시의 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5는 종래의 시간 간격(Time Interval) 사이의 가능한 관계를 정의한 도면이다.
도 6 내지 도 7d는 본 개시의 실시 예에 따라, 3개의 충전 포인트들을 이용하여, 6개의 시간 간격 관계들에 대해 전기 자동차의 충전 예약 스케쥴링을 수행하는 과정을 설명하는 도면이다.
도 8 내지 도 9d는 본 개시의 실시 예에 따라 13개의 시간 간격 관계들에 대해 10개의 충전 포인트들을 통해 충전 예약을 스케쥴링하는 과정을 설명하는 도면이다.
도 10은 본 개시의 실시 예에 따라 13개의 시간 간격 관계들에 대해 충전 가능 시간 슬롯을 도식화한 도면이다.
도 11은 본 개시의 실시 예에 따라, 10개의 충전 포인트를 통해 도 10의 14개의 시간 슬롯들을 할당하여 충전 스케쥴을 설정하는 과정을 설명하는 도면이다.
도 12는 10개의 충전 포인트들이 존재하는 경우, 14개의 시간 슬롯들이 각 충전 포인트에 할당된 요약 결과를 설명하는 도면이다.
도 13은 본 개시의 실시 예에 따른 인공 지능 장치의 동작 방법을 설명하는 흐름도이다.
도 14는 본 개시의 일 실시 예에 따른 충전 예약 입력 화면의 예를 보여준다.
도 15는 본 개시의 실시 예에 따른 충전 예약 정보를 제공하기 위한 충전 예약 화면을 설명하는 도면이다.
도 16은 본 개시의 실시 예에 따라 전기 자동차의 충전 예약 결과를 제공하는 도면이다.
<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 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 종래의 시간 간격(Time Interval) 사이의 가능한 관계를 정의한 도면이다.
도 5를 참조하면, 시간을 포함하는 상황은 13개의 관계들로 정의됨을 나타내는 시간 관계 이론을 설명하는 표(500)가 도시되어 있다.
표(500)는 Allen에 의해 제안된 Time Interval Algebra 이론으로, 모든 상황의 시간 관계는 13개의 간격 관계들로 표현됨을 나타낸다.
13개의 관계들 각각은 2개의 시간 간격 간의 가능한 관계를 나타낸다.
제1 관계(501) 및 제2 관계(502)는 X는 Y 보다 먼저 일어나는 상황을 나타낸다.
예를 들어, X가 오전 10시부터 오전 10시 30분까지의 시간 간격을 나타내는 경우, Y는 오전 10시 45분부터, 오전 11시까지의 시간 간격을 나타낼 수 있다.
이를, 전기 자동차의 충전 예약 스케쥴링에 적용하면, X는 제1 전기 자동차가 2018년 12월 25일의 오전 10시부터, 10시 30분까지 충전 예약이 되어 있는 상황을 나타내고, Y는 제2 전기 자동차가 2018년 12월 25일의 오전 10시 45분부터 오전 11시까지 충전 예약이 되어 있는 상황을 나타낼 수 있다.
제3 관계(503) 및 제4 관계(504)는 X가 Y를 만나는 상황을 나타낸다. 즉, 제3 관계(503) 및 제4 관계(504)는 X가 일어난 직후, Y가 일어나는 상황을 나타낸다.
제5 관계(505) 및 제6 관계(506)는 X와 Y가 서로 겹치는 상황을 나타낸다.
제7 관계(507) 및 제8 관계(508)는 X가 Y를 시작하는 상황을 나타낸다. 즉, 제7 관계(507) 및 제8 관계(508)는 X와 Y가 동시에 일어나고, X가 종료된 후에도, Y가 지속되는 상황을 나타낸다.
제9 관계(509) 및 제10 관계(510)는 Y 동안 X가 일어나는 상황을 나타낸다.
제11 관계(511) 및 제12 관계(512)는 X가 Y를 마치는 상황을 나타낸다. 즉, 제11 관계(511) 및 제12 관계(512)는 Y가 먼저 일어난 후, X가 일어나고, X 및 Y가 동시에 종료하는 상황을 나타낸다.
제13 관계(513)는 X와 Y과 동일한 상황을 나타낸다.
제1 내지 제13 관계(501 내지 513)들은 전기 자동차의 충전 예약 스케쥴링에 적용될 수 있다.
도 6 내지 도 7d는 본 개시의 실시 예에 따라, 3개의 충전 포인트들을 이용하여, 6개의 시간 간격 관계들에 대해 전기 자동차의 충전 예약 스케쥴링을 수행하는 과정을 설명하는 도면이다.
충전 포인트(Charging Point, CP)는 전기 자동차를 충전할 수 있는 충전 장치일 수 있다.
도 6을 참조하면, 제1 관계(501) 및 제2 관계(502)는 제1 충전 포인트(CP1)에 할당되어 있고, 제3 관계(503) 및 제4 관계(504)는 제2 충전 포인트(CP2)에 할당되어 있고, 제5 관계(505) 및 제6 관계(506)는 제3 충전 포인트(CP3)에 할당되어 있음을 가정한다.
제1 내지 제6 관계들(501 내지 506)은 총 4개의 시간 구간들(T1, T2, T3, T4)로 구분될 수 있다.
Allen의 Time Interval Algebra 이론에 따를 경우, 4개의 시간 구간들(T1, T2, T3, T4) 중 T2 및 T3 동안, 제1 충전 포인트(CP1)는 전기 자동차를 충전하지 않게 된다. 즉, 제1 충전 포인트(CP1)에 대해 T2 및 T3 동안 유휴 시간이 발생될 수 있다.
반대로, T2 및 T3 동안, 제3 충전 포인트(CP3)는 제5 관계(505) 및 제6 관계(506)에 따라 2개의 전기 자동차를 중복으로 충전할 수 없다.
따라서, T2 및 T3 동안, 유휴하고 있는 제1 충전 포인트(CP1)를 이용하여, 충전 예약이 할당될 수 있다.
이에 대해, 보다 자세히 설명한다.
도 7a 내지 도 7d를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 T1 동안, 제1 충전 포인트(CP1)가 제1 전기 자동차(701)를 충전하도록 스케쥴링할 수 있다. T1 동안, 제1 충전 포인트(CP1)가 제1 전기 자동차(701)를 충전하는 스케쥴을 예약 1이라 명명한다.
T1 및 T2 동안, 제2 충전 포인트(CP2)가 제2 전기 자동차(702)를 충전하는 스케쥴을 예약 2라 명명한다.
T1 내지 T3 동안, 제3 충전 포인트(CP3)가 제3 전기 자동차(703)를 충전하는 스케쥴을 예약 3이라 명명한다.
T2 및 T3 동안, 제1 충전 포인트(CP1)는 제4 전기 자동차(704)를 충전하도록 스케쥴링 될 수 있다. 이를 예약 4라 명명한다.
즉, 제1 충전 포인트(CP1)에는 T1이 지난 후, T2 및 T3 동안, 예약 4가 할당될 수 있다.
T3 및 T4 동안, 제2 충전 포인트(CP2)에는 예약 5가 할당될 수 있다.
제5 예약은 제5 전기 자동차(705)가 T3 및 T4 동안 제2 충전 포인트(CP2)를 통해 충전되도록 스케쥴링됨을 나타낼 수 있다.
T4 동안, 제3 충전 포인트(CP3)에는 제6 전기 자동차(706)가 충전되도록 스케쥴링된 예약 6이 할당될 수 있다.
즉, 제3 충전 포인트(CP3)에는 T1 내지 T3까지는 예약 3이 할당되고, T4 동안에는 예약 6이 할당될 수 있다.
AI 장치(100)의 프로세서(180)는 3개의 충전 포인트들을 이용하여, T1 내지 T4 동안 6개의 예약을 받을 수 있도록 충전 예약을 스케쥴링할 수 있다.
AI 장치(100)의 프로세서(180) 또는 AI 서버(200)의 프로세서(260)는 위와 같은 전기 자동차들의 충전 예약을 스케쥴링 할 수 있다.
이와 같이, 본 개시의 실시 예에 따르면, 3개의 충전 포인트들을 통해, 6개의 시간 간격 관계들에 대한 전기 자동차의 스케쥴링이 효율적으로 수행될 수 있다.
즉, 3개의 충전 포인트들은 유휴 시간 없이, 전기 자동차의 충전을 점유하도록 스케쥴링되어, 충전 포인트들이 보다, 효율적으로 사용될 수 있다.
다음으로, 충전 포인트의 개수가 10개인 경우, Allen의 Time Interval Algebra 이론에 따른 13개의 관계들에 대해, 충전 포인트들의 충전 예약 스케쥴링 시, 충전 포인트를 독점으로 사용해야 하는 예외 상황을 처리하는 과정을 설명한다.
도 8 내지 도 9d는 본 개시의 실시 예에 따라 13개의 시간 간격 관계들에 대해 10개의 충전 포인트들을 통해 충전 예약을 스케쥴링하는 과정을 설명하는 도면이다.
도 8 내지 도 9d에서는, 도 6 내지 도 7d의 실시 예에서 다루지 않은 나머지 관계들에 대해 7개의 충전 포인트들을 통해 충전 예약을 스케쥴링 하는 과정을 설명하는 도면이다.
제7 관계(507) 내지 제13 관계(513)들은 4개의 시간 구간들(T5, T6, T7, T8)로 구분될 수 있다.
제4 충전 포인트(CP4)에는 제7 관계(507)가 할당되어 있고, 제5 충전 포인트(CP5)에는 제11 관계(511)가 할당되어 있고, 제6 충전 포인트(CP6)에는 제8 관계(508)가 할당되어 있다.
제7 충전 포인트(CP7)에는 제9 관계(509) 및 제10 관계(510)가 할당되어 있다.
제8 충전 포인트(CP8)에는 제12 관계(512)가 할당되어 있다.
제9 충전 포인트(CP9) 및 제10 충전 포인트(CP10)에는 제13 관계(513)가 할당되어 있다.
제7 충전 포인트(CP7)는 X의 구간 동안, Y의 구간과 겹쳐, X 구간 동안에는 2개의 예약을 처리할 수 없다. 즉, 제7 충전 포인트(CP7)는 Y의 구간 동안의 예약을 독점으로 충전 처리를 해야 한다.
이는, 제7 충전 포인트(CP7)가 제10 관계(510)에 대응되는 예약만을 처리해야 함을 나타낼 수 있다.
따라서, 제9 관계(509)에 대응되는 예약을 위해, 유휴 상태에 있는 다른 충전 포인트를 사용할 필요가 있다.
즉, 제9 관계(509)에 대응되는 시간 구간들의 일부 구간이 제5 충전 포인트(CP5)에 할당될 수 있고, 나머지 구간이 제4 충전 포인트(CP4)에 할당될 수 있다.
이에 대해, 보다 자세히 설명한다.
도 8 내지 도 9d를 참조하면, T5 및 T6 동안, 제4 충전 포인트(CP4)가 제7 전기 자동차(707)를 충전하는 스케쥴을 예약 7이라 명명한다.
T5 내지 T8 동안, 제6 충전 포인트(CP6)가 제10 전기 자동차(710)를 충전하는 스케쥴을 예약 10이라 명명한다.
T5 내지 T8 동안, 제7 충전 포인트(CP7)가 제11 전기 자동차를 충전하는 스케쥴을 예약 11이라 명명한다.
T5 내지 T8 동안, 제8 충전 포인트(CP8)가 제12 전기 자동차를 충전하는 스케쥴을 예약 12이라 명명한다.
T5 내지 T8 동안, 제9 충전 포인트(CP9)가 제13 전기 자동차를 충전하는 스케쥴을 예약 13이라 명명한다.
T5 내지 T8 동안, 제10 충전 포인트(CP10)가 제14 전기 자동차를 충전하는 스케쥴을 예약 14라 명명한다.
Allen의 Time Interval Algebra 이론에 따를 경우, 제9 관계(509)에 대응되는 시간 구간들(T6, T7)에 대해서는, 충전 포인트가 할당되어 있지 않다.
이를 위해, 프로세서(180)는 T6 동안에는, 충전 예약을 위해 유휴되는 제5 충전 포인트(CP5)를 할당할 수 있다. 즉, T6 동안에, 제5 충전 포인트(CP5)가 제8 전기 자동차(708)를 충전하는 스케쥴을 예약 8(1)이라 명명한다.
또한, 프로세서(180)는 T7 동안에, 유휴되는 제4 충전 포인트(CP4)를 할당할 수 있다. 즉, T7 동안, 제4 충전 포인트(CP4)가 제8 전기 자동차(708)를 충전하는 스케쥴을 예약 8(2)라 명명한다.
한편, 예약 8에 해당하는 제8 전기 자동차(708)는 충전 기간 동안, 2개의 충전 포인트를 통해 충전될 수 있다.
즉, 제8 전기 자동차(708)는 T6 동안, 제5 충전 포인트(CP5)를 사용하여 충전되고, T7 동안, 제4 충전 포인트(CP4)를 사용하여, 충전될 수 있다.
이를 위해, 충전 스케쥴을 관리하는 인공 지능 장치(100) 또는 AI 서버(200)는 충전 포인트의 전환을 위해, 스위치를 구비할 수 있다.
즉, 인공 지능 장치(100) 또는 AI 서버(200)는 T6 동안, 제5 충전 포인트(CP5)를 통해 전력을 제8 전기 자동차(708)에 공급하다가, T7의 시작 시점에, 제5 충전 포인트(CP5)를 제4 충전 포인트(CP4)로 전환하도록, 스위치를 제어할 수 있다.
도 9a 및 9b를 참조하면, T5 및 T6 동안, 제4 충전 포인트(C4)는 예약 7을 처리하도록 스케쥴링 되어 있다.
T6 동안, 제5 충전 포인트(CP5)는 예약 8(1)을 처리하도록 스케쥴링 되어 있다. 이후, T7의 시작 시점이 도래하면, 도 9c에 도시된 바와 같이, 제4 충전 포인트(CP4)는 예약 8(2)를 처리하고, 제5 충전 포인트(CP5)는 예약 9를 처리하도록 스케쥴될 수 있다.
즉, 예약 8(1) 및 예약 8(2)에 충전하기로 되어 있는 제8 전기 자동차(708)는 제5 충전 포인트(CP5)를 통해 충전되다가, 제4 충전 포인트(CP4)로 전력 공급 대상이 전환되도록 스케쥴될 수 있다.
충전 포인트의 전환을 위한 스위치가 제4 충전 포인트(CP4) 및 제5 충전 포인트(CP5) 사이에 배치될 수 있다.
그 후, 도 9d를 참조하면, T8 동안, 제5 충전 포인트(CP5)는 예약 9의 처리를 지속하도록 스케쥴 될 수 있다.
이와 같이, 본 개시의 실시 예에 따르면, 각 충전 포인트의 유휴 시간을 최소화하고, 충전 점유 시간을 증가시켜, 충전 예약들이 효율적으로 스케쥴링될 수 있다.
특히, 본 개시의 실시 예에 따르면, Allen의 Time Interval Algebra 이론에서 발생될 수 있는 유휴 충전 포인트의 효율적인 사용이 가능한 장점이 있다.
도 10은 본 개시의 실시 예에 따라 13개의 시간 간격 관계들에 대해 충전 가능 시간 슬롯을 도식화한 도면이다.
도 10을 참조하면, 시간을 포함하는 상황은 13개의 관계들로 정의됨을 나타내는 시간 관계 이론을 전기 자동차의 충전 스케쥴링에 적용하여, 13개의 관계들을 14개의 충전 가능 시간 슬롯들로 표현한 표(1000)가 도시되어 있다.
각 관계들에 상응하는 시간 슬롯에는 1부터 14까지 넘버링되어 있다.
도 11은 본 개시의 실시 예에 따라, 10개의 충전 포인트를 통해 도 10의 14개의 시간 슬롯들을 할당하여 충전 스케쥴을 설정하는 과정을 설명하는 도면이다.
도 11은, 도 6 내지 도 9d의 전기 자동차 충전 스케쥴링에 따라 각 충전 포인트에 할당된 하나 이상의 시간 슬롯들을 도식화한 도면이다.
도 6 내지 도 9d의 전기 자동차의 충전 예약을 위한 스케쥴링을 수행하는 모델을 충전 예약 스케쥴링 모델이라 가정한다.
충전 예약 스케쥴링 모델은 13개의 시간 간격 관계들이 나타내는 14개의 시간 슬롯들을 기 설정된 개수의 충전 포인트들에 할당하는 모델일 수 있다.
즉, 충전 예약 스케쥴링 모델은 기 설정된 개수의 충전 포인트들의 유휴 시간을 최소화하고, 충전 점유 시간을 최대화시키도록 14개의 시간 슬롯들을 기 설정된 개수의 충전 포인트들에 할당하여, 충전 예약을 스케쥴링하는 모델일 수 있다.
충전 예약 스케쥴링 모델은 인공 지능 장치(100)의 메모리(170) 또는 AI 서버(200)에 저장될 수 있다.
도 11은 10개의 충전 포인트들이 존재하는 경우, 14개의 시간 슬롯들이 각 충전 포인트에 할당된 결과를 보여준다. 상기 결과는 충전 예약 스케쥴링 모델의 출력일 수 있다.
충전 예약 스케쥴링 모델은 충전 포인트의 개수가 입력되면, 각 충전 포인트에 시간 슬롯을 할당한 결과를 출력하는 모델일 수 있다.
도 11은 1시간을 단위로 하여, 시간 슬롯들이 각 충전 포인트에 할당된 결과를 보여준다.
각 시간 슬롯은 충전이 가능한 시간 간격을 나타낼 수 있다. 각 시간 슬롯은 추후, 사용자가 충전 예약을 하는 과정에서 사용될 수 있다.
도 11을 참조하면, 제1 충전 포인트(CP1)에는 제1 시간 슬롯(1101) 및 제4 시간 슬롯(1104)이 할당되어 있다.
제1 시간 슬롯(1101)은 20분의 간격을 가지고, 제4 시간 슬롯(1104)은 40분의 간격을 갖는다.
제2 충전 포인트(CP2)에는 제2 시간 슬롯(1102) 및 제5 시간 슬롯(1105)이 할당될 수 있다.
제2 시간 슬롯(1102) 및 제5 시간 슬롯(1105) 각각은 30분의 간격을 가진다.
제3 충전 포인트(CP3)에는 제3 시간 슬롯(1103) 및 제6 시간 슬롯(1106)이 할당될 수 있다.
제3 시간 슬롯(1103)은 40분의 간격을 가지고, 제6 시간 슬롯(1106)은 20분의 간격을 가질 수 있다.
제4 충전 포인트(CP4)에는 제7 시간 슬롯(1107) 및 제8 시간 슬롯(1108)의 일부 슬롯이 할당될 수 있다. 제7 시간 슬롯(1107)은 30분의 간격을 가지고, 제8 시간 슬롯(1108)의 일부 슬롯은 10분의 간격을 가질 수 있다.
제5 충전 포인트(CP5)에는 제8 시간 슬롯(1108)의 일부 슬롯 및 제9 시간 슬롯(1109)이 할당될 수 있다.
제6 충전 포인트 내지 제10 충전 포인트들(CP6 내지 CP10) 각각에는 제10 내지 14 시간 슬롯들(1110 내지 1114) 각각이 할당될 수 있다.
도 12는 10개의 충전 포인트들이 존재하는 경우, 14개의 시간 슬롯들이 각 충전 포인트에 할당된 요약 결과를 설명하는 도면이다.
즉, 도 12는 도 11의 시간 슬롯들을 보다 축약하여, 보여준다. 즉, 일부 시간 슬롯들은 중첩되어 있을 수 있다.
즉, 제2 충전 포인트(CP2), 제4 충전 포인트(CP3) 및 제5 충전 포인트(CP5) 각각은 동일한 시간 간격을 갖는 시간 슬롯들(1102, 1107, 1105, 1109)이 할당되어 있다.
추후, 도 12는 사용자에게 UI 형태로 제공될 수 있고, 사용자는, 시간 슬롯을 선택하여, 전기 자동차의 충전 예약을 진행할 수 있다. 이에 대해서는 후술한다.
도 13은 본 개시의 실시 예에 따른 인공 지능 장치의 동작 방법을 설명하는 흐름도이다.
특히, 도 13은 인공 지능 장치를 통해, 전기 자동차의 충전 예약을 수행하는 과정을 설명하는 도면이다.
도 13을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 디스플레이부(151)를 통해 충전 예약 입력 화면을 표시한다(S1301).
일 실시 예에서, 충전 예약 입력 화면은 전기 자동차의 충전 예약을 위해 제공되는 화면일 수 있다. 인공 지능 장치(100)에는 충전 예약 어플리케이션이 설치되어 있을 수 있다. 프로세서(180)는 충전 예약 어플리케이션의 실행 명령을 수신하고, 수신된 실행 명령에 따라 충전 예약 입력 화면을 디스플레이부(151) 상에 표시할 수 있다.
충전 예약 입력 화면에 대해서는, 도 14를 참조하여 설명한다.
도 14는 본 개시의 일 실시 예에 따른 충전 예약 입력 화면의 예를 보여준다.
인공 지능 장치(100)는 사용자의 이동 단말기임을 예로 들어 설명한다.
인공 지능 장치(100)의 디스플레이부(151)는 충전 예약 입력 화면(1400)을 디스플레이부(151) 상에 표시할 수 있다.
충전 예약 입력 화면(1400)은 전기 자동차의 충전 예약을 위해 필요한 정보를 사용자가 입력하도록 하는 UI 화면일 수 있다.
충전 예약 입력 화면(1400)은 사용자가 소유하는 전기 자동차의 배터리 상태 정보 항목(1410), 충전 가능 시간 설정 항목(1420), 충전 주유소 항목(1430), 충전 타입 설정 항목(1440), 검색 버튼(1450)을 포함할 수 있다.
전기 자동차의 배터리 상태 정보 항목(1410)은 사용자의 전기 자동차에 구비된 배터리의 상태를 나타내는 항목일 수 있다.
배터리 상태 정보 항목(1410)은 배터리의 충전량, 급속 충전 시 예상 소요 시간, 일반(또는 완속) 충전 시, 예상 시간 소요 시간을 포함할 수 있다.
인공 지능 장치(100)는 통신 인터페이스(110)를 통해 전기 자동차와 무선 통신을 수행할 수 있고, 전기 자동차로부터, 배터리 상태 정보를 수신할 수 있다.
충전 가능 시간 설정 항목(1420)은 사용자가 원하는 충전 시간대를 설정하기 위한 항목일 수 있다. 사용자는 충전 가능 시간 설정 항목(1420)을 통해 전기 자동차의 충전을 원하는 시간대를 선택할 수 있다.
충전 주유소 항목(1430)은 전기 자동차의 충전을 위한 주유소를 설정하기 위한 항목일 수 있다. 충전 주유소 항목(1430)은 인공 지능 장치(100)의 현재 위치를 기준으로, 가장 가까이 위치한 주유소를 디폴트로 제공할 수 있다.
충전 타입 설정 항목(1440)은 빠른 속도로 전기 자동차를 충전할 수 있는 급속 충전 타입 또는 일반 속도로 전기 자동차를 충전할 수 있는 완속 충전 타입 중 어느 하나의 타입을 설정하기 위한 항목일 수 있다.
검색 버튼(1450)은 충전 주유소 항목(1430)을 통해 설정된 주유소에서, 충전 가능 시간 설정 항목(1420)을 통해 설정된 충전 가능 시간대를 검색하기 위한 버튼일 수 있다.
다시, 도 13을 설명한다.
프로세서(180)는 충전 예약 입력 정보를 수신하고(S1303), 수신된 충전 예약 입력 정보에 따라, 충전 예약 스케쥴링 모델에 기초하여, 충전 예약 정보를 포함하는 충전 예약 화면을 디스플레이부(151) 상에 표시한다(S1305).
충전 예약 입력 정보는 도 14에 도시된, 충전 가능 시간 설정 항목(1420)을 통해 입력된 충전 가능 시간대, 충전 주유소 항목(1430)을 통해 설정된 주유소, 충전의 타입을 포함할 수 있다.
프로세서(180)는 충전 예약 입력 정보의 수신에 응답하여, 충전 예약 정보를 획득하고, 획득된 충전 예약 정보를 포함하는 충전 예약 화면을 디스플레이부(151) 상에 표시할 수 있다.
프로세서(180)는 충전 예약 입력 정보 및 충전 예약 스케쥴링 모델에 기초하여, 충전 예약 정보를 획득할 수 있다.
충전 예약 정보는 전기 자동차의 충전이 가능한 하나 이상의 주유소 및 하나 이상의 주유소에서 제공하는 충전 가능 시간표를 포함할 수 있다.
충전 예약 스케쥴링 모델은 도 5 내지 도 9d에서 설명된 13개의 시간 간격 관계들이 나타내는 14개의 시간 슬롯들을 기 설정된 개수의 충전 포인트들에 할당하는 모델일 수 있다.
충전 가능 시간표는 14개의 시간 슬롯들의 이용 가능 여부를 나타내는 시간표일 수 있다.
이에 대해서는 도 15를 참조하여 설명한다.
도 15는 본 개시의 실시 예에 따른 충전 예약 정보를 제공하기 위한 충전 예약 화면을 설명하는 도면이다.
도 15를 참조하면, 충전 예약 화면(1500)은 전기 자동차를 충전하는 충전기의 사용 가능 시간표(1510) 및 충전 예약 가능 주유소 항목(1530) 및 예약 버튼(1550)을 포함할 수 있다.
충전기의 사용 가능 시간표(1510)는 충전 예약 스케쥴링 모델에 의해 생성된 복수의 충전 포인트들 각각에 대한 하나 이상의 시간 슬롯을 대응시킨 표일 수 있다.
충전 예약 가능 주유소 항목(1530)은 충전 주유소 항목(1430)에 의해 입력된 주유소 및 입력된 주유소와 가장 가까운 거리에 위치한 다른 주유소를 포함할 수 있다.
다른 주유소의 충전 포인트까지 고려하는 이유는 사용자가 설정한 주유소에 구비된 충전 포인트의 개수가 10개가 되지 않을 수 있기 때문이다.
충전 예약 스케쥴링 모델은 충전 포인트가 10개임을 가정한 상태에서, 각 충전 포인트에 하나 이상의 시간 슬롯을 할당했기 때문에, 사용자가 설정한 주유소에 충전 포인트가 10개가 구비되지 않았다면, 프로세서(180)는 다른 주유소에 구비된 충전 포인트를 검색하여, 10개의 충전 포인트를 획득할 수 있다.
프로세서(180)는 10개의 충전 포인트(CP1 내지 CP10) 각각에 14개의 시간 슬롯들 중 하나 이상을 할당할 수 있고, 할당 결과를 표시할 수 있다.
즉, 도 15에 도시된 바와 같이, 충전기의 사용 가능 시간표(1510)는 2개의 주유소에 구비된 총 10개의 충전 포인트들 각각에 할당된 하나 이상의 시간 슬롯들을 보여준다.
제1 컬러의 시간 슬롯들(A-1, B-2, C-1, C-2, E1) 각각은 제1 주유소에 구비된 충전 포인트에서 충전이 가능한 시간대를 나타낼 수 있다. 제1 주유소는 사용자가 충전 예약 입력을 통해 설정한 주유소일 수 있다.
제2 컬러의 시간 슬롯(A-2)은 제2 주유소에 구비된 충전 포인트에서 충전이 가능한 시간대를 나타낼 수 있다.
제3 컬러의 시간 슬롯들(B-1, D-1) 각각은 충전이 불가능함을 나타낼 수 있다.
프로세서(180)는 충전 예약 입력 정보에 포함된 충전 가능 시간대 및 충전 예약 스케쥴링 모델을 이용하여, 충전기 사용 가능 시간표(1510)를 생성할 수 있다.
프로세서(180)는 충전 예약 입력 정보에 포함된 충전 가능 시간대, 충전 예약 스케쥴링 모델 및 하나 이상의 주유소로부터 수신된 충전 포인트에 대한 정보를 이용하여, 충전기 사용 가능 시간표(1510)를 생성할 수 있다.
프로세서(180)는 하나 이상의 주유소로부터 충전 포인트에 대한 정보를 통신 인터페이스(110)를 통해 수신할 수 있다. 충전 포인트에 대한 정보는 충전 포인트의 식별자(또는 주유소의 식별자), 상기 충전 예약 입력 정보에 포함된 충전 가능 시간대에서, 충전 포인트의 충전 가능 여부를 포함할 수 있다.
프로세서(180)는 충전 가능 시간대 및 충전 예약 스케쥴링 모델을 이용하여, 10개의 충전 포인트들 각각에 14개의 시간 슬롯들 중 하나 이상을 할당할 수 있다.
그 후, 프로세서(180)는 하나 이상의 주유소로부터 수신된 충전 포인트에 대한 정보를 이용하여, 각 시간 슬롯의 출처(주유소), 각 시간 슬롯에서, 충전의 가능 여부를 결정할 수 있다.
프로세서(180)는 결정 결과를 충전기 사용 가능 시간표(1510)에 반영할 수 있다.
프로세서(180)는 예약 명령을 수신하고(S1307), 수신된 예약 명령에 응답하여, 예약 결과를 디스플레이부(151) 상에 표시한다(S1309).
프로세서(180)는 도 15에 도시된 시간 슬롯(B-2)이 선택된 후, 예약 버튼(1550)을 선택하는 예약 명령을 수신한 경우, 전기 자동차의 충전 예약 결과를 디스플레이부(151) 상에 표시할 수 있다.
도 16은 본 개시의 실시 예에 따라 전기 자동차의 충전 예약 결과를 제공하는 도면이다.
도 16을 참조하면, 인공 지능 장치(100)의 디스플레이부(151)는 충전 예약 결과(1600)를 표시할 수 있다.
충전 예약 결과(1600)는 충전 예약 날짜, 예약 번호, 충전 예약 시간대, 주유소의 명칭, 충전기의 명칭, 충전 타입, 주유소의 위치를 나타내는 지도, 충전기의 이미지 중 하나 이상을 포함할 수 있다.
이와 같이, 본 개시의 실시 예에 따르면, 사용자는 간단한 입력만으로도, 전기 자동차의 충전 예약을 스케쥴링할 수 있다. 이에 따라, 사용자의 충전 예약 과정이 간편해져, 편의성이 크게 향상될 수 있다.
또한, 각 주유소에 구비된 충전 포인트들은 유휴 시간이 최소화되어, 충전 포인트의 사용 효율이 극대화될 수 있다.
전술한 본 개시는, 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 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims (20)

  1. 인공 지능 장치에 있어서,
    디스플레이; 및
    전기 자동차의 충전 예약을 위한 예약 입력 정보를 수신하고, 수신된 예약 입력 정보 및 충전 예약 스케쥴링 모델에 기반하여, 복수의 충전기들 각각의 사용 가능 시간대 또는 사용 불가능 시간대를 나타내는 충전기 사용 가능 시간표를 상기 디스플레이 상에 표시하는 프로세서를 포함하고,
    상기 충전기 사용 가능 시간표는 복수의 충전기들 각각에 대한 하나 이상의 시간 슬롯을 대응시킨 표인
    인공 지능 장치.
  2. 제1항에 있어서,
    상기 충전 예약 스케쥴링 모델은
    Allen의 Time Interval Algebra 이론에 따르는 13개의 시간 간격 관계들이 나타내는 14개의 시간 슬롯들 중 하나 이상을 10개의 충전기들 각각에 할당하는 모델인
    인공 지능 장치.
  3. 제2항에 있어서,
    상기 충전 예약 모델은
    상기 10개의 충전기들의 유휴 시간을 최소화하도록, 상기 14개의 시간 슬롯들 중 하나 이상을 유휴 상태의 충전기에 할당하는 모델인
    인공 지능 장치.
  4. 제1항에 있어서,
    상기 충전기 사용 가능 시간표에 포함된 각 시간 슬롯은 충전기의 출처, 사용자가 입력한 충전 시간대에 충전의 가능 여부를 나타내는
    인공 지능 장치.
  5. 제4항에 있어서,
    상기 복수의 충전기들 각각은 하나 이상의 주유소에 구비되며, 상기 복수의 충전기들의 개수는 10개인
    인공 지능 장치.
  6. 제1항에 있어서,
    상기 프로세서는
    상기 시간 슬롯을 선택하는 명령을 수신하고, 수신된 명령에 응답하여, 충전 예약 결과를 상기 디스플레이 상에 표시하는
    인공 지능 장치.
  7. 제6항에 있어서,
    상기 충전 예약 결과는
    충전 예약 날짜, 예약 번호, 충전 예약 시간대, 주유소의 명칭, 충전기의 명칭, 충전 타입, 주유소의 위치를 나타내는 지도, 충전기의 이미지 중 하나 이상을 포함하는
    인공 지능 장치.
  8. 제1항에 있어서,
    통신 인터페이스를 더 포함하고,
    상기 프로세서는
    상기 하나 이상의 주유소로부터 충전기에 대한 정보를 상기 통신 인터페이스를 통해 수신하고,
    상기 충전기에 대한 정보는 충전 포인트의 식별자(또는 주유소의 식별자), 상기 예약 입력 정보에 포함된 충전 가능 시간대에서, 충전 포인트의 충전 가능 여부를 포함하는
    인공 지능 장치.
  9. 제8항에 있어서,
    상기 프로세서는
    상기 충전기에 대한 정보를 이용하여, 각 시간 슬롯의 출처, 각 시간 슬롯에서, 충전의 가능 여부를 결정하고, 결정 결과에 따라 상기 충전기 사용 가능 시간표를 생성하는
    인공 지능 장치.
  10. 제1항에 있어서,
    상기 예약 입력 정보는
    충전 시간대를 설정하기 위한 충전 가능 시간 항목, 충전 주유소를 설정하기 위한 충전 주유소 항목을 포함하는
    인공 지능 장치.
  11. 인공 지능 장치의 동작 방법에 있어서,
    전기 자동차의 충전 예약을 위한 예약 입력 정보를 수신하는 단계; 및
    수신된 예약 입력 정보 및 충전 예약 스케쥴링 모델에 기반하여, 복수의 충전기들 각각의 사용 가능 시간대 또는 사용 불가능 시간대를 나타내는 충전기 사용 가능 시간표를 표시하는 단계를 포함하고,
    상기 충전기 사용 가능 시간표는 복수의 충전기들 각각에 대한 하나 이상의 시간 슬롯을 대응시킨 표인
    인공 지능 장치의 동작 방법.
  12. 제11항에 있어서,
    상기 충전 예약 스케쥴링 모델은
    Allen의 Time Interval Algebra 이론에 따르는 13개의 시간 간격 관계들이 나타내는 14개의 시간 슬롯들 중 하나 이상을 10개의 충전기들 각각에 할당하는 모델인
    인공 지능 장치의 동작 방법.
  13. 제12항에 있어서,
    상기 충전 예약 모델은
    상기 10개의 충전기들의 유휴 시간을 최소화하도록, 상기 14개의 시간 슬롯들 중 하나 이상을 유휴 상태의 충전기에 할당하는 모델인
    인공 지능 장치의 동작 방법.
  14. 제11항에 있어서,
    상기 충전기 사용 가능 시간표에 포함된 시간 슬롯은 충전기의 출처, 사용자가 입력한 충전 시간대에 충전의 가능 여부를 나타내는
    인공 지능 장치의 동작 방법.
  15. 제14항에 있어서,
    상기 복수의 충전기들 각각은 하나 이상의 주유소에 구비되며, 상기 복수의 충전기들의 개수는 10개인
    인공 지능 장치의 동작 방법.
  16. 제11항에 있어서,
    상기 시간 슬롯을 선택하는 명령을 수신하는 단계; 및
    수신된 명령에 응답하여, 충전 예약 결과를 표시하는 단계를 더 포함하는
    인공 지능 장치의 동작 방법.
  17. 제16항에 있어서,
    상기 충전 예약 결과는
    충전 예약 날짜, 예약 번호, 충전 예약 시간대, 주유소의 명칭, 충전기의 명칭, 충전 타입, 주유소의 위치를 나타내는 지도, 충전기의 이미지 중 하나 이상을 포함하는
    인공 지능 장치의 동작 방법.
  18. 제11항에 있어서,
    상기 하나 이상의 주유소로부터 충전기에 대한 정보를 수신하는 단계를 더 포함하고,
    상기 충전기에 대한 정보는 충전 포인트의 식별자(또는 주유소의 식별자), 상기 예약 입력 정보에 포함된 충전 가능 시간대에서, 충전 포인트의 충전 가능 여부를 포함하는
    인공 지능 장치의 동작 방법.
  19. 제18항에 있어서,
    상기 충전기에 대한 정보를 이용하여, 각 시간 슬롯의 출처, 각 시간 슬롯에서, 충전의 가능 여부를 결정하는 단계; 및
    결정 결과에 따라 상기 충전기 사용 가능 시간표를 생성하는 단계를 더 포함하는
    인공 지능 장치의 동작 방법.
  20. 제11항에 있어서,
    상기 예약 입력 정보는
    충전 시간대를 설정하기 위한 충전 가능 시간 항목, 충전 주유소를 설정하기 위한 충전 주유소 항목을 포함하는
    인공 지능 장치의 동작 방법.
KR1020190160644A 2019-01-07 2019-12-05 인공 지능 장치 및 그의 동작 방법 KR102353103B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962788962P 2019-01-07 2019-01-07
US62/788,962 2019-01-07

Publications (2)

Publication Number Publication Date
KR20200085642A true KR20200085642A (ko) 2020-07-15
KR102353103B1 KR102353103B1 (ko) 2022-01-19

Family

ID=71403794

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190160644A KR102353103B1 (ko) 2019-01-07 2019-12-05 인공 지능 장치 및 그의 동작 방법

Country Status (3)

Country Link
US (1) US20200219019A1 (ko)
KR (1) KR102353103B1 (ko)
WO (1) WO2020145625A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11001161B2 (en) * 2019-02-15 2021-05-11 Ford Global Technologies, Llc Electric vehicle charging scheduler
CN112073523A (zh) * 2020-09-11 2020-12-11 江苏小白兔智造科技有限公司 一种基于手机功能的洗车机器人预约方法
LU500992B1 (de) 2021-12-12 2023-06-12 Eclever Entw Ohg Verfahren zur prüfung von ladesäulen und deren funktionsumfang
KR20230116990A (ko) 2022-01-28 2023-08-07 주식회사 늘디딤 IoT 기능이 구비되고 전기자동차 충전이 가능한 스마트 가로등 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011083166A (ja) * 2009-10-09 2011-04-21 Chugoku Electric Power Co Inc:The 充電スタンド案内システム、制御サーバ及びスタンドサーバ
JP2011135660A (ja) * 2009-12-23 2011-07-07 Aichi Electric Co Ltd 充電装置
KR101771221B1 (ko) * 2016-06-10 2017-08-24 허재행 전기 자동차 충전 스케쥴링 장치 및 방법
KR20180010169A (ko) * 2017-10-19 2018-01-30 주식회사 포스코아이씨티 전기차 충전 예약 시스템 및 전기차 충전 예약이 가능한 충전기
WO2018020080A1 (en) * 2016-07-27 2018-02-01 Verto Analytics Oy Single-source cross-platform media measurement arrangement, device and related methods

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120296678A1 (en) * 2011-05-20 2012-11-22 General Electric Company Systems and Methods for Reservations of Charging Stations for Electric Vehicles
DE102012011605A1 (de) * 2011-12-06 2013-06-06 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen eines elektronischen Terminplaners für ein Fahrzeug
US10723230B2 (en) * 2016-09-07 2020-07-28 Thunder Power New Energy Vehicle Development Company Limited Intelligent vehicle charging
JP2019078616A (ja) * 2017-10-24 2019-05-23 東芝メモリ株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
KR102470999B1 (ko) * 2017-10-27 2022-11-25 현대자동차주식회사 충전 관리 서버 및 충전 관리 서버의 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011083166A (ja) * 2009-10-09 2011-04-21 Chugoku Electric Power Co Inc:The 充電スタンド案内システム、制御サーバ及びスタンドサーバ
JP2011135660A (ja) * 2009-12-23 2011-07-07 Aichi Electric Co Ltd 充電装置
KR101771221B1 (ko) * 2016-06-10 2017-08-24 허재행 전기 자동차 충전 스케쥴링 장치 및 방법
WO2018020080A1 (en) * 2016-07-27 2018-02-01 Verto Analytics Oy Single-source cross-platform media measurement arrangement, device and related methods
KR20180010169A (ko) * 2017-10-19 2018-01-30 주식회사 포스코아이씨티 전기차 충전 예약 시스템 및 전기차 충전 예약이 가능한 충전기

Also Published As

Publication number Publication date
US20200219019A1 (en) 2020-07-09
KR102353103B1 (ko) 2022-01-19
WO2020145625A1 (ko) 2020-07-16

Similar Documents

Publication Publication Date Title
KR102353103B1 (ko) 인공 지능 장치 및 그의 동작 방법
KR102258381B1 (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR102245911B1 (ko) 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법
KR20190106864A (ko) 로봇을 충전하기 위한 방법 및 시스템
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
KR102297655B1 (ko) 외부 기기를 제어하기 위한 인공 지능 장치
KR102234691B1 (ko) 인공 지능을 이용하여, 물품을 관리하는 냉장고 및 그의 동작 방법
US11507825B2 (en) AI apparatus and method for managing operation of artificial intelligence system
KR20210077482A (ko) 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법
KR20190098931A (ko) 로봇의 언어를 설정하는 인공 지능 서버 및 그 방법
KR20190084912A (ko) 사용자의 액션에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20190104488A (ko) 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법
CN115516822B (zh) 智能家电装置以及方法
KR102231922B1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 인공 지능 서버
KR20190096857A (ko) 로봇의 경로를 결정하는 인공 지능 서버 및 그 방법
KR20190094311A (ko) 인공 지능 로봇 및 그의 동작 방법
US11511439B2 (en) Method for managing modular robot and robot thereof
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
US11977384B2 (en) Control system for controlling a plurality of robots using artificial intelligence
KR20210057598A (ko) 알림을 제공하는 인공 지능 장치 및 그 방법
KR20210056019A (ko) 인공 지능 장치 및 그의 동작 방법
KR102635535B1 (ko) 인공 지능 장치 및 그의 동작 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right