KR20210002906A - 객체를 인식하기 위한 전자 장치 및 그의 동작 방법 - Google Patents

객체를 인식하기 위한 전자 장치 및 그의 동작 방법 Download PDF

Info

Publication number
KR20210002906A
KR20210002906A KR1020190078755A KR20190078755A KR20210002906A KR 20210002906 A KR20210002906 A KR 20210002906A KR 1020190078755 A KR1020190078755 A KR 1020190078755A KR 20190078755 A KR20190078755 A KR 20190078755A KR 20210002906 A KR20210002906 A KR 20210002906A
Authority
KR
South Korea
Prior art keywords
channel
processor
sequence
signal
electronic device
Prior art date
Application number
KR1020190078755A
Other languages
English (en)
Inventor
최준수
김치호
이정훈
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 KR1020190078755A priority Critical patent/KR20210002906A/ko
Priority to PCT/KR2020/008609 priority patent/WO2021002681A1/ko
Publication of KR20210002906A publication Critical patent/KR20210002906A/ko
Priority to US17/565,735 priority patent/US20220120885A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/04—Systems determining presence of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • G01S7/0234—Avoidance by code multiplex
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/292—Extracting wanted echo-signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • User Interface Of Digital Computer (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명의 다양한 실시예들은 객체를 인식하기 위한 방법 및 그 전자 장치에 관한 것이다. 전자 장치는, 적어도 하나의 객체에 대한 기준 데이터를 저장하는 메모리, 빔포밍을 수행할 수 있는 통신 인터페이스, 및 상기 메모리, 및 상기 통신 인터페이스와 작동적으로 연결된 프로세서를 포함하며, 상기 프로세서는, 복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하고, 상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하고, 및 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하도록 설정될 수 있다. 다른 실시예들도 가능할 수 있다.

Description

객체를 인식하기 위한 전자 장치 및 그의 동작 방법{ELECTRONIC DEVICE FOR RECOGNIZING AN OBJECT AND OPERATING METHOD THEREOF}
본 발명의 다양한 실시예들은 객체를 인식하는 전자 장치 및 그의 동작 방법에 관한 것이다.
전자 장치들(예: 이동 단말기, 스마트 폰, 또는 착용형(wearable) 장치)은 다양한 기능을 제공할 수 있다. 예를 들어, 전자 장치는 기본적인 음성 통신 기능에 추가적으로, 근거리 무선 통신 기능, 이동 통신(3G(generation), 4G, 또는 5G) 기능, 음악 재생 기능, 동영상 재생 기능, 촬영 기능, 네비게이션 기능, 또는 객체 인식 기능을 제공할 수 있다.
전자 장치는 객체 인식을 통해 다양한 기능을 제공한다. 예를 들어, 전자 장치는 카메라로, 또는 센서로부터 획득된 데이터를 이용하여 객체를 인식하여 사용자 인증을 수행하는 기능을 제공할 수 있다. 그러나, 카메라, 또는 센서를 이용하여 객체를 인식하는 방식으로 사용자 인증을 수행하는 경우 보안에 취약한 문제점이 발생될 수 있다.
802.11ay 시스템을 지원하는 전자 장치는 밀리미터 주파수 대역(예: 60GHz)에서 수 GHz 대의 넓은 대역폭을 이용하여 객체 인식을 위한 신호를 송수신함으로써, 높은 정밀도로 객체를 인식할 수 있다. 그러나, 서로 인접한 복수의 전자 장치들이 동시에 객체 인식을 위한 신호를 송수신하는 경우, 인접한 전자 장치에서 송수신된 신호의 간섭으로 인해 복수의 전자 장치들 각각에서의 객체 인식 성능이 저하될 수 있다.
본 발명의 다양한 실시예들은 전자 장치에서 인접한 다른 전자 장치에 의한 간섭을 제거할 수 있는 객체 인식 방법 및 장치에 대해 개시한다.
다양한 실시예에 따르면, 전자 장치는, 적어도 하나의 객체에 대한 기준 데이터를 저장하는 메모리, 빔포밍을 수행할 수 있는 통신 인터페이스, 및 상기 메모리, 및 상기 통신 인터페이스와 작동적으로 연결된 프로세서를 포함하며, 상기 프로세서는, 복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하고, 상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하고, 및 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하도록 설정될 수 있다.
다양한 실시예에 따르면, 전자 장치의 동작 방법은, 복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하는 동작, 빔포밍을 수행할 수 있는 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하는 동작, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하는 동작, 상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하는 동작, 및 상기 객체에 관련된 데이터와 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하는 동작을 포함할 수 있다.
본 발명의 다양한 실시예들에 따르면, 전자 장치는 복수의 주파수 대역들의 채널들 및 서로 직교성을 갖는 복수의 시퀀스들의 조합들 중 적어도 하나의 조합을 선택하고, 선택된 적어도 하나의 채널 및 시퀀스의 조합을 이용하여 신호를 송수신함으로써, 인접한 다른 전자 장치의 밀리미터파(millimeter-wave) 송수신 신호로 인해 간섭이 발생될 확률을 감소시키면서 객체 인식률이 저하되는 것을 방지할 수 있다.
도 1은 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른 객체 인식을 위한 신호의 데이터 포맷을 나타내는 예시도이다.
도 3은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 신호를 송수신하는 방식을 나타내는 예시도이다.
도 4는 다양한 실시예들에 따른 전자 장치에서 객체를 인식하기 위한 흐름도이다.
도 5는 다양한 실시예들에 따른 복수의 주파수 대역들의 채널들 및 복수의 시퀀스들의 조합을 나타내는 예시도이다.
도 6은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 신호를 송수신하여 객체 인식에 필요한 데이터를 수집하는 방식을 나타내는 예시도이다.
도 7은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 기준 데이터를 수집하기 위한 흐름도이다.
도 8은 다양한 실시예들에 따른 전자 장치에서 채널 및 시퀀스 조합을 이용하여 객체 인식을 위한 기준 데이터를 수집하는 예시도이다.
도 9는 다양한 실시예들에 따른 전자 장치에서 선택된 채널 및 시퀀스 조합을 이용하여 신호를 송수신하기 위한 흐름도이다.
도 10은 다양한 실시예들에 따른 전자 장치에서 선택된 채널 및 시퀀스 조합을 이용하여 신호를 송수신하는 예시도이다.
도 11은 다양한 실시예들에 따른 전자 장치에서 간섭 발생 여부에 기초하여 채널 및 시퀀스 조합을 선택하기 위한 흐름도이다.
도 12는 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하기 위한 흐름도이다.
도 13은 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하는 예시도이다.
도 14는 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하기 위한 흐름도이다.
도 15는 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하는 예시도이다.
도 16은 다양한 실시예들에 따른 전자 장치에서 뉴럴 네트워크를 이용하여 객체 인식 훈련을 수행하기 위한 흐름도이다.
이하 다양한 실시 예들이 첨부된 도면을 참고하여 상세히 설명된다. 실시예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
도 1은 다양한 실시 예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 이하에서 도 1의 적어도 일부 구성 요소의 동작은, 도 2, 도 3, 및 도 6을 참조하여 설명할 것이다. 도 2는 다양한 실시예들에 따른 객체 인식을 위한 신호의 데이터 포맷을 나타내는 예시도이다. 도 3은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 신호를 송수신하는 방식을 나타내는 예시도이다. 도 6은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 신호를 송수신하여 객체 인식에 필요한 데이터를 수집하는 방식을 나타내는 예시도이다.
도 1을 참고하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)는, 예를 들면, 마이크, 마우스, 키보드, 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(170)은, 입력 장치(150)를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 하나의 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(197)은 복수의 안테나들을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC)이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
상기 구성요소들 중 적어도 일부는 주변 장치들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104) 간에 송신 또는 수신될 수 있다. 외부 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
다양한 실시예들에 따르면, 무선 통신 모듈(192)은 밀리미터파 대역(예: 약 60GHz의 주파수 대역)의 통신 시스템을 지원할 수 있다. 예를 들어, 무선 통신 모듈(192)은 60GHz 주파수 대역을 이용하는 802.11ad 시스템, 또는 802.11ay 시스템을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 프로세서(120)의 제어에 의해 제1 안테나(예: 도 6의 제1 안테나(601))의 적어도 일부를 제어하여, 밀리미터파 대역 내 적어도 하나의 주파수 채널에서 지정된 시퀀스를 포함하는 신호를 송신할 수 있다. 지정된 시퀀스는 서로 직교성을 갖는 복수의 시퀀스들 중 프로세서(120)에 의해 선택된 시퀀스 일 수 있다. 예를 들어, 지정된 시퀀스는 서로 직교성을 갖는 복수의 골레이 시퀀스(Golay sequence) 중 프로세서(120)에 의해 선택된 제N 골레이 시퀀스 일 수 있다. 골레이 시퀀스는, 지연 시간이 0인 경우에 자기 상관(auto-correlation)이 최대값이 되고, 지연 시간이 0이 아닌 경우에는 자기 상관이 0 또는 최대값 보다 작은 값이 되는 특성을 가진다. 무선 통신 모듈(192)은 골레이 시퀀스의 자기 상관 특성을 이용하여, 지정된 골레이 시퀀스를 포함하는 신호가 송신된 후 객체에 의해 반사되어 되돌아오는 데까지 걸리는 지연 시간을 획득할 수 있다. 지정된 시퀀스를 포함하는 신호는 객체 인식을 위한 신호로, 예를 들어, 802.11ay 시스템의 표준 규격을 따르는 레이더(radar) 신호일 수 있다. 제1 안테나(601)는, 빔포밍을 지원하는 어레이(array) 안테나를 포함할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 802.11ay 시스템의 표준 규격을 따르는 데이터 포맷을 이용하여, 적어도 하나의 주파수 채널에서 지정된 시퀀스를 포함하는 신호를 송신할 수 있다. 예를 들어, 무선 통신 모듈(192)은 도 2에 도시된 바와 같은 PPDU(physical layer protocol data unit)(200) 포맷으로 구성된 신호를 송신할 수 있다. 무선 통신 모듈(192)은 PPDU(200)의 CEF(channel estimation filed)(201)에 지정된 시퀀스를 포함하는 신호를 송신할 수 있다. 이는 예시적인 것으로서, 본 발명의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 객체 인식을 위한 신호는, 지정된 시퀀스를 포함하는 다른 포맷의 신호일 수 있다.
일실시예에 따르면, 무선 통신 모듈(192)은 프로세서(120)의 제어에 따라 제1 안테나(601)의 적어도 일부 또는 제2 안테나(예: 도 6의 제2 안테나(603))(제1 안테나(601)와 논리적 및/또는 물리적으로 구분된 안테나)를 제어하여, 밀리미터파 대역 내 적어도 하나의 주파수 채널에서 지정된 시퀀스를 포함하는 신호를 수신할 수 있다. 지정된 시퀀스를 포함하는 수신된 신호는, 무선 통신 모듈(192)에서 송신된 후 적어도 하나의 객체에 의해 반사된 신호일 수 있다. 객체는 시각 및/또는 촉각을 통해 인지할 수 있는 객체, 예를 들어, 사람, 사물, 또는 생명체 중 적어도 하나를 포함할 수 있다. 제2 안테나(603)는, 빔포밍을 지원하는 어레이(array) 안테나를 포함할 수 있다. 일실시예에 따르면, 제1 안테나(601) 및 제2 안테나(603)는 논리적 및/또는 물리적으로 구분된 서로 다른 안테나 모듈일 수 있으며, 논리적 및/또는 물리적으로 통합된 하나의 안테나 모듈일 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 수신된 신호에 대한 자기 상관(auto-correlation)을 수행하여 객체 관련 데이터를 획득할 수 있다. 객체 관련 데이터는, 채널 임펄스 응답(channel impulse response)을 포함하는 데이터 서브셋일 수 있다. 채널 임펄스 응답은, 예를 들어, 수신된 신호의 시간 지연(time delay) 정보, 위상(phase) 정보, AoA(angle of arrival) 정보, 또는 AoD(angle of departure) 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 무선 통신 모듈(192)은 프로세서(120)의 제어에 따라 하나의 프레임(예: 도 3의 Radar frame(311)) 내에 포함되는 복수의 버스트들 각각을 통해 지정된 시퀀스를 포함하는 신호를 지정된 채널에서 송신 및 수신하는 동작을 반복적으로 수행할 수 있다. 예를 들어, 무선 통신 모듈(192)은 도 3에 도시된 바와 같이, i번째 버스트(301)에서, 지정된 채널 N을 통해 제k 시퀀스를 갖는 신호(RNk)를 송신하고 제k 시퀀스를 갖는 반사된 신호를 수신하는 동작을 지정된 시간 구간(303) 동안 복수 번 반복적으로 수행할 수 있다. 일실시예에 따르면, 신호(RNk) 송신, 및 반사된 신호에 대한 수신 동작이 수행되는 지정된 시간 구간(303), 또는 횟수는 프로세서(120)의 제어에 의해 변경될 수 있다. 예를 들어, 사용자 얼굴, 또는 제스처를 인식하고자 하는 경우, 무선 통신 모듈(192)은, 신호(RNk) 송신, 및 반사된 신호에 대한 수신 동작을 프로세서(120)의 제어에 따라 제1 지정된 시간 구간 동안에 제1 지정된 횟수만큼 반복적으로 수행할 수 있다. 다른 예로, 제스처의 변화를 인식하고자 하는 경우, 무선 통신 모듈(192)은, 신호(RNk) 송신, 및 반사된 신호에 대한 수신 동작을 프로세서(120)의 제어에 따라 제2 지정된 시간 구간 동안 제2 지정된 횟수만큼 반복적으로 수행할 수 있다. 제2 지정된 시간 구간은 제1 지정된 시간 구간보다 길 수 있다. 제2 지정된 횟수는, 제1 지정된 횟수보다 큰 값일 수 있다. 무선 통신 모듈(192)은 지정된 시간 구간 동안 송신된 신호들 및 반사되어 수신된 신호들을 이용하여 객체 관련 데이터를 획득하고, 획득된 객체 관련 데이터를 프로세서(120)로 제공할 수 있다. 예를 들어, 무선 통신 모듈(192)은 지정된 시간 구간 동안 송신된 신호들 및 객체에 의해 반사되어 수신된 신호들 각각에 대한 채널 임펄스 응답들을 획득하고, 획득된 채널 임펄스 응답들을 프로세서(120)로 제공할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 객체 인식을 위한 기준 데이터 수집 이벤트를 감지하고, 객체 인식을 위한 신호를 송신 및 수신하여 객체에 대한 기준 데이터를 획득할 수 있다. 객체 인식을 위한 기준 데이터 수집 이벤트는, 객체 인식 정보를 등록하기 위한 이벤트를 포함할 수 있다. 예를 들어, 객체 인식 정보를 등록하기 위한 이벤트는, 사용자의 얼굴, 사용자의 제스처, 또는 사물의 모형 중 적어도 하나를 인식하여 메모리(130)에 객체 인식에 필요한 기준 데이터를 등록하기 위한 이벤트일 수 있다. 예를 들어, 프로세서(120)는 객체 인식을 이용한 적어도 하나의 기능을 제공하는 어플리케이션을 실행하고, 실행된 어플리케이션을 통해 객체 인식 정보를 등록하기 위한 이벤트를 감지할 수 있다. 프로세서(120)는 등록하고자 하는 객체의 객체 식별 정보를 입력해줄 것을 요청하는 사용자 인터페이스가 표시되도록 표시 장치(160)를 제어하고, 사용자로부터 등록하고자 하는 객체에 대한 객체 식별 정보(예: 사용자 ID, 제스처 ID, 또는 사물 ID)를 입력 받을 수 있다. 프로세서(120)는 입력된 객체 식별 정보에 대응되는 객체를 인식하여 등록하기 위해, 사용 가능한 복수의 주파수 대역 내 복수의 채널들 중 적어도 하나의 채널, 및 서로 직교성을 갖는 복수의 시퀀스들 중 적어도 하나의 시퀀스를 선택하고, 선택된 적어도 하나의 채널과 적어도 하나의 시퀀스의 조합에 기초하여 객체 인식을 위한 신호(R1k, R2k, R3k, ..., RNk)를 송신 및 수신하도록 무선 통신 모듈(192)을 제어할 수 있다. 프로세서(120)는 무선 통신 모듈(192)로부터 등록하고자 하는 객체에 대한 객체 관련 데이터를 제공받을 수 있다. 일실시예에 따르면, 프로세서(120)는 등록하고자 하는 객체에 대한 객체 관련 데이터를 기반으로 객체에 대한 기준 데이터를 획득하고, 객체에 대한 기준 데이터와 객체 식별 정보를 연관시켜 저장함으로써 해당 객체에 대한 객체 인식 정보를 등록할 수 있다. 예를 들어, 객체에 대한 기준 데이터는, 제1 내지 제N 채널 중 선택된 적어도 하나의 채널과 제1 내지 제K 시퀀스 중 선택된 적어도 하나의 시퀀스의 조합에 기초하여 획득된 객체 관련 데이터를 포함할 수 있다. 예컨대, 객체에 대한 기준 데이터는, 제1 채널부터 제N 채널 중 적어도 하나의 선택된 채널에서 제K 시퀀스를 포함하는 신호를 송신 및 수신하여 획득된 객체 관련 데이터를 포함할 수 있다. 다른 예로, 객체에 대한 기준 데이터는, 제1 채널부터 제N 채널 각각에서 제K 시퀀스를 포함하는 신호를 송신 및 수신하여 획득된 객체 관련 데이터를 포함할 수 있다. 이는 예시적인 것일 뿐, 본 발명의 다양한 실시예들에 따른 객체에 대한 기준 데이터는 이에 한정되지 않을 것이다. 일실시예에 따르면, 프로세서(120)는 등록하고자 하는 객체의 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크(neural network)에 입력하여 해당 객체를 인식하기 위한 학습(또는 훈련)을 수행할 수 있다. 뉴럴 네트워크는, 외부 장치(예: 서버(108), 또는 다른 전자 장치(102)), 또는 전자 장치(101)에 저장될 수 있다. 외부 장치(예: 서버(108), 또는 다른 전자 장치(102))에 저장된 뉴럴 네트워크는, 전자 장치(101)와 공유될 수 있다. 프로세서(120)는 뉴럴 네트워크를 이용하여 해당 객체를 인식한 결과를 표시 장치(160)에 표시하고, 사용자 입력에 기초하여 해당 객체가 성공적으로 인식되었는지 여부를 결정할 수 있다. 프로세서(120)는 사용자 입력에 기초하여 해당 객체가 성공적으로 인식된 것으로 결정된 경우, 뉴럴 네트워크의 입력으로 이용된 기준 데이터, 뉴럴 네트워크의 출력 데이터, 및 객체 식별 정보를 연관시켜 저장함으로써, 해당 객체에 대한 객체 인식 정보를 등록할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들 각각에 대해 뉴럴 네트워크 훈련을 수행함으로써 복수의 채널들 각각에 대한 복수의 뉴럴 네트워크(또는 뉴럴 네트워크 모델)를 획득할 수 있다. 예를 들어, 프로세서(120)는 복수의 채널들 중 제1 채널에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 제1 채널에 대해 학습된 뉴럴 네트워크 모델을 생성하고, 복수의 채널들 중 제2 채널에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 제2 채널에 대해 학습된 뉴럴 네트워크 모델을 생성하고, 복수의 채널들 중 제N 채널에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 제N 채널에 대해 학습된 뉴럴 네트워크 모델을 생성할 수 있다. 프로세서(120)는 복수의 채널들에 대한 복수의 뉴럴 네트워크 모델들을 생성하는 경우, 뉴럴 네트워크 모델 별로 해당 객체에 대한 객체 인식 정보를 등록할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들 전체에 대해 뉴럴 네트워크 훈련을 수행함으로써, 복수의 채널들 전체에 대한 하나의 뉴럴 네트워크(또는 뉴럴 네트워크 모델)을 획득할 수 있다. 예를 들어, 프로세서(120)는 복수의 채널들에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 복수의 채널들에 대한 하나의 뉴럴 네트워크 모델을 생성할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 지정된 이벤트 감지 시, 객체 인식을 위한 신호를 송신 및 수신할 수 있다. 지정된 이벤트는, 객체 인식을 요청하는 이벤트를 포함할 수 있다. 객체 인식은, 사용자의 얼굴 인식, 사용자의 제스처 인식, 또는 사물의 모형 인식 중 적어도 하나를 포함할 수 있다. 예를 들어, 프로세서(120)는 객체 인식을 이용한 적어도 하나의 기능을 제공하는 어플리케이션을 실행하고, 실행된 어플리케이션을 통해 객체 인식을 요청하는 이벤트를 감지할 수 있다. 프로세서(120)는 객체 인식을 요청하는 이벤트가 감지된 것에 대한 응답으로, 무선 통신 모듈(192)을 제어하여 객체 인식을 위한 신호를 송신 및 수신할 수 있다. 객체 인식을 위한 신호는 서로 직교성을 갖는 복수의 시퀀스들 중에서 지정된 시퀀스를 포함하는 신호일 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 지정된 이벤트 감지 시, 밀리미터파 대역에서 사용 가능한 복수의 주파수 대역 내 복수의 채널들 중 적어도 하나의 채널을 선택하고, 서로 직교성을 갖는 복수의 시퀀스들 중 적어도 하나의 시퀀스를 선택할 수 있다. 프로세서(120)는 선택된 적어도 하나의 채널과 선택된 적어도 하나의 시퀀스의 조합에 기초하여, 채널 및/또는 시퀀스를 변경하면서 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 일실시예에 따르면, 프로세서(120)는 하나의 채널 및 하나의 시퀀스를 선택하고, 선택된 하나의 채널에서 선택된 하나의 시퀀스를 포함하는 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 예를 들어, 프로세서(120)는 제1 채널, 및 제1 시퀀스를 선택하고, 제1 채널에서 제1 시퀀스를 포함하는 신호(R11)를 송신하고, 제1 시퀀스를 포함하는 반사된 신호를 수신하는 동작이 수행되도록 무선 통신 모듈(192)을 제어할 수 있다. 일실시예에 따르면, 프로세서(120)는 하나의 채널 및 복수의 시퀀스를 선택하고, 선택된 하나의 채널에서 시퀀스를 변경하면서 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 예를 들어, 프로세서(120)는 제1 채널과 제1 시퀀스, 및 제3 시퀀스를 선택하고, 제1 채널에서 제3 시퀀스를 포함하는 신호(R13)를 송신 및 수신하고, 제1 채널에서 제1 시퀀스를 포함하는 신호(R11)를 송신 및 수신하도록 무선 통신 모듈(192)을 제어할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널 및 하나의 시퀀스를 선택하고, 채널을 변경하면서 선택된 하나의 시퀀스를 포함하는 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 예를 들어, 프로세서(120)는 제1 채널 및 제4 채널과 제1 시퀀스를 선택하고, 제4 채널에서 제1 시퀀스를 포함하는 신호(R41)를 송신 및 수신하고, 제1 채널에서 제1 시퀀스를 포함하는 신호(R11)를 송신 및 수신하도록 무선 통신 모듈(192)을 제어할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널 및 복수의 시퀀스를 선택하고, 복수의 채널 및 복수의 시퀀스의 조합에 기초하여 채널 및 시퀀스를 변경하면서 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 예를 들어, 프로세서(120)는 제1 채널 및 제3 채널과 제2 시퀀스 및 제5 시퀀스를 선택하고, 제1 채널에서 제2 시퀀스를 포함하는 신호(R12)를 송신 및 수신하고, 제1 채널에서 제5 시퀀스를 포함하는 신호(R15)를 송신 및 수신하고, 제3 채널에서 제5 시퀀스를 포함하는 신호(R35)를 송신 및 수신하고, 제3 채널에서 제2 시퀀스를 포함하는 신호(R32)를 송신 및 수신하도록 무선 통신 모듈(192)을 제어할 수 있다. 일실시예에 따르면, 프로세서(120)는 채널 및 시퀀스의 조합을 복수 개 선택하고, 선택된 채널 및 시퀀스의 조합에 기초하여 채널 및/또는 시퀀스를 변경하면서, 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 예를 들어, 프로세서(120)는 제1 채널 및 제4 시퀀스 조합, 제3 채널 및 제2 시퀀스 조합, 및 제2 채널 및 제5 시퀀스 조합을 선택하고, 제1 채널에서 제4 시퀀스를 포함하는 신호(R14)를 송신 및 수신하고, 제3 채널에서 제2 시퀀스를 포함하는 신호(R32)를 송신 및 수신하고, 제2 채널에서 제5 시퀀스를 포함하는 신호(R25)를 송신 및 수신하도록 무선 통신 모듈(192)을 제어할 수 있다. 프로세서(120)는 객체 인식을 위해 채널 및/또는 시퀀스의 변경이 필요한 상황에서, 선택된 적어도 하나의 채널 및 적어도 하나의 시퀀스 내에서 임의적으로 채널 및/또는 시퀀스를 변경함으로써, 인접한 다른 전자 장치와 동일한 채널 및/또는 시퀀스를 이용할 확률을 감소시킬 수 있다. 이로 인해, 전자 장치는 인접한 다른 전자 장치로부터 송신된 신호에 의해 간섭이 발생될 확률을 감소시킬 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 신호 수신 결과에 기초하여 간섭 발생 여부를 검출할 수 있다. 예를 들어, 프로세서(120)는 수신된 신호의 오류 발생 여부, RSSI(received signal strength indication), 또는 SINR(signal-to-interference-plus-noise ratio) 중 적어도 하나에 기초하여, 인접한 다른 전자 장치에 의한 간섭이 발생되었는지 여부를 검출할 수 있다. 프로세서(120)는 수신 신호에 오류가 존재하거나, RRSI가 지정된 값보다 작거나, SINR이 지정된 값보다 큰 경우, 인접한 다른 전자 장치에 의한 간섭이 발생된 것으로 결정할 수 있다. 프로세서(120)는 간섭이 발생된 것으로 결정된 경우, 적어도 하나의 채널 및/또는 적어도 하나의 시퀀스를 추가적으로 선택하고, 추가 선택된 채널 및/또는 시퀀스의 조합에 기초하여, 채널 및/또는 시퀀스를 변경하면서 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 무선 통신 모듈(192)로부터 객체 관련 데이터를 획득하고, 획득된 데이터에 기초하여 적어도 하나의 객체를 인식할 수 있다. 객체 관련 데이터는, 무선 통신 모듈(192)을 통해 객체 인식을 위한 신호를 송신 및 수신한 결과에 기반하여 획득된 채널 임펄스 응답을 포함할 수 있다. 채널 임펄스 응답은, 수신된 신호에 대한 자기 상관(auto-correlation)을 수행하여 획득될 수 있다. 프로세서(120)는 적어도 하나의 채널 및 시퀀스의 조합 별로 객체 관련 데이터를 획득하고, 획득된 객체 관련 데이터에 기초하여 객체를 인식할 수 있다. 일실시예에 따르면, 프로세서(120)는 적어도 하나의 채널 및 시퀀스의 조합 각각에 대해 획득된 객체 관련 데이터와 기 저장된 객체 별 기준 데이터를 비교하여 객체를 인식할 수 있다. 프로세서(120)는 획득된 객체 관련 데이터를 기 저장된 객체 별 기준 데이터와 비교하여 유사도를 결정하고, 유사도가 지정된 기준 값보다 큰 지 여부에 기초하여 객체를 인식할 수 있다. 예를 들어, 프로세서(120)는 제1 채널 및 제3 시퀀스의 조합에 대해 획득된 객체 관련 데이터와 제1 객체(예: 제1 사용자, 또는 제1 제스처)에 대한 기준 데이터를 비교하여 유사도가 "A"이고, 제2 채널 및 제1 시퀀스의 조합에 대해 획득된 객체 관련 데이터와 제1 객체에 대한 기준 데이터를 비교하여 유사도가 "B"이고, 제1 채널 및 제3 시퀀스의 조합에 대해 획득된 객체 관련 데이터와 제2 객체(예: 제2 사용자, 또는 제2 제스처)에 대한 기준 데이터를 비교하여 유사도가 "a"이고, 제2 채널 및 제1 시퀀스의 조합에 대해 획득된 객체 관련 데이터와 제2 객체에 대한 기준 데이터를 비교하여 유사도가 "b"임을 결정할 수 있다. 프로세서(120)는 유사도 "A", "B", "a", 및 "b" 중에서 유사도 "B"가 가장 큰 값을 가지고, 유사도 "B"가 지정된 기준 값보다 큰 경우, 해당 객체가 제1 객체인 것으로 인식할 수 있다. 프로세서(120)는 유사도 "A", "B", "a", 및 "b"가 모두 지정된 기준 값보다 작은 경우, 객체 인식에 실패한 것으로 결정할 수 있다.
일실시예에 따르면, 프로세서(120)는 적어도 하나의 채널 및 시퀀스의 조합 각각에 대해 획득된 객체 관련 데이터를 미리 학습된 뉴럴 네트워크(neural network)의 입력으로 이용하여 객체를 인식할 수 있다. 프로세서(120)는 미리 학습된 뉴럴 네트워크의 출력 데이터에 기초하여 객체를 인식할 수 있다. 미리 학습된 뉴럴 네트워크의 출력 데이터는 미리 등록된 객체들 중 인식된 객체가 존재하는지 여부(또는 인식 성공 여부)를 나타내는 정보, 해당 객체의 식별 정보(예: 사용자 식별 정보, 제스처 식별 정보, 사물 식별 정보), 또는 신뢰도 정보 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 미리 학습된 뉴럴 네트워크의 출력 데이터에 기초하여 객체를 인식할 수 있다. 프로세서(120)는 출력 데이터에 포함된 신뢰도에 기초하여 객체를 인식할 수 있다. 예를 들어, 프로세서(120)는 제1 채널 및 제2 시퀀스의 조합에 대한 출력 데이터가 "인식된 객체: 제1 객체, 신뢰도:"C""이고, 제1 채널 및 제4 시퀀스의 조합에 대한 출력 데이터가 "인식된 객체: 제1 객체, 신뢰도:"D""이고, 제4 채널 및 제5 시퀀스의 조합에 대한 출력 데이터가 "인식된 객체: 제2 객체, 신뢰도: "E""인 경우, 제2 채널 및 제3 시퀀스의 조합에 대한 출력 데이터가 "인식된 객체: 없음"인 경우, 신뢰도 "C", "D", 및 "E" 중에서 가장 높은 값을 갖는 신뢰도 "C"를 선택하고, 해당 객체가 신뢰도 "C"에 대응되는 제1 객체인 것으로 인식할 수 있다.
일실시예에 따르면, 복수의 채널들 각각에 대해 미리 학습된 복수의 뉴럴 네트워크들(또는 복수의 뉴럴 네트워크 모델들)이 존재하는 경우, 프로세서(120)는 획득된 객체 관련 데이터에 연관된 적어도 하나의 채널에 대응되는 적어도 하나의 뉴럴 네트워크를 선택하고, 선택된 적어도 하나의 뉴럴 네트워크를 이용하여 객체를 인식할 수 있다. 예를 들어, N개의 채널들 각각에 대해 미리 학습된 N개의 뉴럴 네트워크들이 존재하고, 제1 채널 및 제2 시퀀스의 조합, 제2 채널 및 제4 시퀀스의 조합, 및 제 4 채널 및 제1시퀀스의 조합에 대해 객체 관련 데이터가 획득된 경우, 프로세서(120)는 제1 채널에 대해 미리 학습된 제1 뉴럴 네트워크, 제2 채널에 대해 미리 학습된 제2 뉴럴 네트워크, 및 제4 채널에 대해 미리 학습된 제4 뉴럴 네트워크를 선택할 수 있다. 프로세서(120)는 제1 채널 및 제2 시퀀스의 조합에 대해 획득된 객체 관련 데이터를 제1 뉴럴 네트워크에 입력하고, 제2 채널 및 제4 시퀀스의 조합에 대해 획득된 객체 관련 데이터를 제2 뉴럴 네트워크에 입력하고, 제4 채널 및 제1 시퀀스의 조합에 대해 획득된 객체 관련 데이터를 제4 뉴럴 네트워크에 입력하고, 제1 뉴럴 네트워크, 제2 뉴럴 네트워크, 및 제4 뉴럴 네트워크 각각의 출력 데이터에 기초하여 객체를 인식할 수 있다. 예컨대, 프로세서(120)는 각 뉴럴 네트워크의 출력 데이터에 포함된 신뢰도에 기초하여 객체를 인식할 수 있다. 일실시예에 따르면, 복수의 채널들에 대해 미리 학습된 하나의 뉴럴 네트워크(또는 하나의 뉴럴 네트워크 모델)가 존재하는 경우, 프로세서(120)는 하나의 뉴럴 네트워크를 이용하여 객체를 인식할 수 있다. 예를 들어, 제1 채널 및 제2 시퀀스의 조합, 제2 채널 및 제4 시퀀스의 조합, 및 제 4 채널 및 제1시퀀스의 조합에 대해 객체 관련 데이터가 획득된 경우, 프로세서(120)는 하나의 뉴럴 네트워크를 선택할 수 있다. 프로세서(120)는 선택된 하나의 뉴럴 네트워크를 이용하여 제1 채널 및 제2 시퀀스의 조합에 대한 출력 데이터, 제2 채널 및 제4 시퀀스의 조합에 대한 출력 데이터, 및 제4 채널 및 제1 시퀀스의 조합에 대한 출력 데이터에 기초하여 객체를 인식할 수 있다. 예컨대, 프로세서(120)는 각 출력 데이터에 포함된 신뢰도에 기초하여 객체를 인식할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는 객체 인식에 실패된 경우, 적어도 하나의 채널 및/또는 적어도 하나의 시퀀스를 추가적으로 선택하고, 선택된 채널 및/또는 시퀀스를 이용하여 객체 관련 데이터를 획득하기 위한 동작을 재수행할 수 있다.
다양한 실시예들에 따르면, 프로세서(120)는, 표시 장치(160), 또는 음향 출력 장치(155) 중 적어도 하나를 통해 객체 인식 결과를 제공할 수 있다. 예를 들어, 프로세서(120)는 실행 중인 어플리케이션을 통해, 객체 인식 성공 여부, 인식된 객체 식별 정보, 인식된 객체에 대응되는 이미지 중 적어도 하나를 포함하는 객체 인식 결과를 제공할 수 있다.
상술한 설명에서는, 802.11y 시스템을 예를 들어 설명하였으나, 이는 설명의 편의를 위한 예시적인 것일 뿐, 본 발명은 이에 한정되지 않을 것이다. 예를 들어, 본 발명의 다양한 실시예들은 밀리미터파 대역을 지원하는 다른 통신 시스템에도 적용될 수 있다.
다양한 실시예들에 따르면, 전자 장치는, 적어도 하나의 객체에 대한 기준 데이터를 저장하는 메모리(예: 도 1의 메모리(130)), 빔포밍을 수행할 수 있는 통신 인터페이스(예: 도 1의 무선 통신 모듈(192)) 및 상기 메모리, 및 상기 통신 인터페이스와 작동적으로 연결된 프로세서(예: 도 1의 프로세서(120))를 포함하며, 상기 프로세서(120)는, 복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하고, 상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하고, 및 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 객체에 관련된 데이터는, 채널 임펄스 응답(channel impulse response)을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 수신된 신호에 대한 자기 상관(auto-correlation)을 수행하여 상기 객체에 관련된 데이터를 획득할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 비교하여 상기 적어도 하나의 객체에 대한 객체 별 유사도를 결정하고, 상기 객체 별 유사도에 기초하여, 상기 적어도 하나의 객체 중에서 하나의 객체를 상기 신호를 반사시킨 객체로 결정할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 객체 인식을 위한 기준 데이터 수집 이벤트를 감지하고, 상기 이벤트 감지에 대한 응답으로, 상기 통신 인터페이스를 제어하여, 상기 복수의 채널들 각각에서 상기 복수의 시퀀스들 중 지정된 시퀀스를 포함하는 적어도 하나의 신호를 송신 및 수신하고, 상기 적어도 하나의 송신 및 수신된 신호를 기반으로 상기 복수의 채널들과 상기 지정된 시퀀스의 조합들 각각에 대한 채널 임펄스 응답을 획득하고, 상기 복수의 채널들과 상기 지정된 시퀀스의 조합들 각각에 대한 채널 임펄스 응답을 상기 객체에 대한 기준 데이터로 저장할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 객체에 대한 기준 데이터를 입력으로 하는 뉴럴 네트워크(neural network)를 이용하여 객체 인식 정보를 획득하고, 사용자 인터페이스를 통해 상기 객체 인식 정보를 제공하고, 사용자 입력에 기초하여 상기 객체 인식 정보에 대한 객체 인식 성공 여부를 결정하고, 상기 객체 인식 성공이 결정된 경우, 상기 객체 인식 정보를 상기 객체에 대한 식별 정보와 매핑하여 기준 인식 정보로 등록할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 객체에 관련된 데이터를 상기 뉴럴 네트워크에 입력하여 출력 데이터를 획득하고, 상기 획득된 출력 데이터를 상기 등록된 기준 인식 정보와 비교하여 상기 객체를 인식할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택하고, 상기 선택된 적어도 하나의 채널과 상기 선택된 적어도 하나의 시퀀스의 조합을 결정하고, 상기 결정된 조합에 기초하여, 상기 적어도 하나의 신호를 송신할 채널, 또는 상기 적어도 하나의 신호에 포함될 시퀀스 중 적어도 하나를 변경하면서 상기 적어도 하나의 신호를 송신할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 수신된 적어도 하나의 신호에 기초하여 간섭 발생 여부를 결정하고, 상기 결정에 기반하여 간섭이 발생된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고, 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 객체에 대한 인식이 실패된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고, 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 서로 직교성을 갖는 복수의 시퀀스들은, 골레이 시퀀스를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치는, 빔포밍을 수행할 수 있는 통신 인터페이스(예: 도 1의 무선 통신 모듈(192)), 및 상기 통신 인터페이스와 작동적으로 연결된 프로세서(예: 도 1의 프로세서(120))를 포함하며, 상기 프로세서는, 상기 통신 인터페이스를 제어하여, 복수의 주파수 대역들 내 복수의 채널들 각각에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고, 상기 통신 인터페이스를 제어하여, 상기 적어도 하나의 송신된 신호가 객체에 의해 반사되어 되돌아오는 적어도 하나의 신호를 수신하고, 상기 적어도 하나의 송신된 신호 및 상기 적어도 하나의 수신된 신호를 기반으로, 상기 복수의 채널들 각각에 대한 채널 임펄스 응답(channel impulse response)을 포함하는 데이터를 획득하고, 및 상기 획득된 데이터를 지정된 뉴럴 네트워크에 입력하여 상기 객체를 인식하기 위한 훈련을 수행하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 복수의 채널들 각각에 대한 채널 임펄스 응답을 포함하는 데이터를 상기 지정된 뉴럴 네트워크에 입력하여, 상기 복수의 채널들 각각에 대해 훈련된 복수의 뉴럴 네트워크들, 또는 상기 복수의 채널들에 대해 훈련된 하나의 뉴럴 네트워크를 획득하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 지정된 뉴럴 네트워크를 이용하여 객체 인식 정보를 획득하고, 사용자 인터페이스를 통해 상기 객체 인식 결과를 제공하고, 사용자 입력에 기초하여, 상기 객체 인식 정보에 대한 객체 인식 성공 여부를 결정하고, 상기 객체 인식 성공이 결정된 경우, 상기 객체 인식 정보를 상기 객체에 대한 식별 정보와 매핑하여 기준 인식 정보로 등록하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 지정된 이벤트 감지 시, 상기 복수의 채널들 중에서 적어도 하나의 채널을 선택하고, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 상기 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신 및 수신하고, 상기 적어도 하나의 송신 및 수신된 신호를 기반으로, 상기 적어도 하나의 채널에 대한 채널 임펄스 응답을 포함하는 데이터를 획득하고, 및 상기 획득된 데이터를 상기 훈련에 의해 획득된 적어도 하나의 뉴럴 네트워크 모델에 입력하고, 상기 적어도 하나의 뉴럴 네트워크 모델의 출력 데이터와 상기 등록된 기준 인식 정보에 기반하여 상기 객체를 인식하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택하고, 상기 선택된 적어도 하나의 채널과 상기 선택된 적어도 하나의 시퀀스의 조합을 결정하고, 상기 결정된 조합에 기초하여, 상기 적어도 하나의 신호를 송신할 채널, 또는 상기 적어도 하나의 신호에 포함될 시퀀스 중 적어도 하나를 변경하면서 상기 적어도 하나의 신호를 송신 및 수신할 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 적어도 하나의 수신된 신호에 기초하여 간섭 발생 여부를 결정하고, 상기 결정에 기반하여, 간섭이 발생된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고, 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서(120)는, 상기 객체에 대한 인식이 실패된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고, 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정될 수 있다.
도 4는 다양한 실시예들에 따른 전자 장치에서 객체를 인식하기 위한 흐름도(400)이다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다. 이하에서 도 4의 적어도 일부 동작은 도 5 및 도 6을 참조하여 설명할 것이다. 도 5는 다양한 실시예들에 따른 복수의 주파수 대역들의 채널들 및 복수의 시퀀스들의 조합을 나타내는 예시도이다. 도 6은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 신호를 송수신하여 객체 인식에 필요한 데이터를 수집하는 방식을 나타내는 예시도이다.
도 4를 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120))는 동작 401에서 복수의 주파수 대역 중 적어도 하나의 채널을 선택할 수 있다. 일실시예에 따르면, 프로세서(120)는 지정된 이벤트가 감지되는 경우, 객체 인식을 위한 신호를 전송하기 위한 적어도 하나의 채널을 선택할 수 있다. 지정된 이벤트는, 예를 들어, 사용자 얼굴 인식, 제스처 인식, 또는 사물의 모형 인식과 같은 객체 인식을 요청하는 이벤트를 포함할 수 있다. 프로세서(120)는 객체 인식을 이용한 적어도 하나의 기능을 제공하는 어플리케이션의 실행을 감지하고, 실행된 어플리케이션을 통해 객체 인식을 요청하는 이벤트를 감지할 수 있다. 프로세서(120)는 객체 인식을 위해 사용 가능한 복수의 주파수 대역 내 복수의 채널들 중에서 적어도 하나의 채널을 선택할 수 있다. 일실시예에 따르면, 프로세서(120)는 서로 직교성을 갖는 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 추가적으로 선택할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들과 복수의 시퀀스들의 조합들 중에서 적어도 하나의 채널 및 시퀀스의 조합을 선택할 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 사용 가능한 복수의 주파수 대역 내 복수의 채널들(501)이 N개 존재하고, 서로 직교성을 가지는 골레이 시퀀스들(511)이 K개 존재하는 경우, 총 N×K 개의 채널 및 시퀀스 조합을 만들 수 있다. 프로세서(120)는 N×K 개의 채널 및 시퀀스 조합 중 적어도 하나의 조합을 선택할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 도 1의 무선 통신 모듈(192))는 동작 403에서 서로 직교성을 갖는 복수의 시퀀스들 중에서 하나의 시퀀스를 포함하는 신호를 선택된 적어도 하나의 채널에서 송신할 수 있다. 일실시예에 따르면, 프로세서(120)는 선택된 적어도 하나의 채널과 적어도 하나의 시퀀스의 조합을 기반으로, 채널 및/또는 시퀀스를 설정 및/또는 변경하면서 객체 인식을 위한 신호가 송신 및 수신되도록 무선 통신 모듈(192)을 제어할 수 있다. 예를 들어, 프로세서(120)는 하나의 채널 및 하나의 시퀀스가 선택된 경우, 선택된 시퀀스를 포함하는 객체 인식을 위한 신호가 선택된 하나의 채널에서 송신되도록 무선 통신 모듈(192)을 제어할 수 있다. 다른 예로, 프로세서(120)는 하나의 채널 및 복수의 시퀀스가 선택된 경우, 선택된 하나의 채널에서 시퀀스를 변경하면서 객체 인식을 위한 신호가 송신되도록 무선 통신 모듈(192)을 제어할 수 있다. 또 다른 예로, 프로세서(120)는 복수의 채널 및 하나의 시퀀스가 선택된 경우, 채널을 변경하면서 선택된 하나의 시퀀스를 포함하는 객체 인식을 위한 신호가 송신되도록 무선 통신 모듈(192)을 제어할 수 있다. 또 다른 예로, 프로세서(120)는 복수의 채널 및 복수의 시퀀스가 선택된 경우, 복수의 채널 및 복수의 시퀀스의 조합에 기초하여 채널 및/또는 시퀀스를 변경하면서 객체 인식을 위한 신호가 송신되도록 무선 통신 모듈(192)을 제어할 수 있다. 또 다른 예로, 프로세서(120)는 채널 및 시퀀스의 조합이 복수 개 선택된 경우, 선택된 채널 및 시퀀스의 조합에 기초하여 채널 및/또는 시퀀스를 변경하면서, 객체 인식을 위한 신호가 송신되도록 무선 통신 모듈(192)을 제어할 수 있다. 프로세서(120)는 객체 인식을 위해 채널 및/또는 시퀀스의 변경이 필요한 상황에서, 선택된 적어도 하나의 채널 및 적어도 하나의 시퀀스를 기반으로 임의적으로 채널 및/또는 시퀀스를 변경할 수 있다. 전자 장치는 인접한 다른 전자 장치와 동일한 채널 및/또는 시퀀스를 이용할 확률을 감소시켜, 인접한 다른 전자 장치로부터 송신된 신호에 의해 간섭이 발생될 확률을 감소시킬 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 무선 통신 모듈(192))는 동작 405에서 선택된 적어도 하나의 채널에서, 객체에 의해 반사된 신호를 수신할 수 있다. 예를 들어, 프로세서(120)는 무선 통신 모듈(192)을 제어하여, 객체 인식을 위한 신호가 송신된 채널과 동일한 채널에서, 전자 장치(101)로부터 송신된 후 객체에 부딪혀서 반사된 신호를 수신할 수 있다. 객체는, 예를 들어, 사용자 얼굴, 제스처, 또는 사물 중 적어도 하나를 포함할 수 있다. 반사된 신호는, 동작 403에서 송신한 신호에 포함된 시퀀스와 동일한 시퀀스를 포함할 수 있다. 예를 들어, 도 6에 도시된 바와 같이, 무선 통신 모듈(192)은 선택된 채널에서 골레이 시퀀스를 포함하는 신호(611)를 송신하고, 객체(621)에 부딪혀서 반사되는 신호(613)를 수신할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 무선 통신 모듈(192))는 동작 407에서 송신 신호와 수신 신호에 기초하여, 객체 관련 데이터를 획득할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 프로세서(120)의 제어에 따라, 수신된 신호에 대한 자기 상관(auto-correlation)을 수행함으로써, 신호를 반사시킨 해당 객체에 대한 객체 관련 데이터를 획득할 수 있다. 객체 관련 데이터는, 채널 임펄스 응답(channel impulse response)을 포함할 수 있다. 채널 임펄스 응답은, 예를 들어, 수신된 신호의 시간 지연(time delay) 정보, 위상(phase) 정보, AoA(angle of arrival) 정보, 또는 AoD(angle of departure) 중 적어도 하나를 포함할 수 있다. 객체 관련 데이터는, 적어도 하나의 채널 및 시퀀스의 조합 각각에 대해 획득될 수 있다. 예를 들어, 무선 통신 모듈(192)은 도 6에 도시된 바와 같이, 수신된 신호에 대한 자기 상관(auto-correlation)(615)을 수행함으로써, 해당 객체(621)에 대한 채널 임펄스 응답(617)을 획득할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 409에서 객체 관련 데이터와 적어도 하나의 객체에 대한 기준 데이터를 이용하여 객체를 인식할 수 있다. 일실시예에 따르면, 프로세서(120)는 객체 관련 데이터와 기 저장된 객체별 기준 데이터를 비교하여 객체를 인식할 수 있다. 예를 들어, 프로세서(120)는 객체 관련 데이터를 기 저장된 객체별 기준 데이터와 비교하여 유사도를 결정하고, 유사도에 기초하여 객체를 인식할 수 있다. 일실시예에 따르면, 프로세서(120)는 객체 관련 데이터를 뉴럴 네트워크의 입력으로 이용하여 객체를 인식할 수 있다. 뉴럴 네트워크는, 적어도 하나의 객체에 대한 기준 데이터를 이용하여 미리 학습될 수 있다. 예를 들어, 프로세서(120)는 미리 학습된 뉴럴 네트워크에 객체 관련 데이터를 입력하고, 미리 학습된 뉴럴 네트워크의 출력 데이터에 기초하여 객체를 인식할 수 있다. 미리 학습된 뉴럴 네트워크의 출력 데이터는 미리 등록된 객체들 중 인식된 객체가 존재하는지 여부(또는 인식 성공 여부)를 나타내는 정보, 해당 객체의 식별 정보(예: 사용자 식별 정보, 제스처 식별 정보, 또는 사물 식별 정보), 또는 신뢰도 정보 중 적어도 하나를 포함할 수 있다. 프로세서(120)는 출력 데이터에 포함된 신뢰도에 기초하여 객체를 인식할 수 있다. 예를 들어, 프로세서(120)는 도 6에 도시된 바와 같이 획득된 채널 임펄스 응답(617)을 이용하여 객체 인식(623)을 수행할 수 있다. 예컨대, 해당 객체(621)가 미리 등록된 사용자 얼굴들 중 어떤 사용자의 얼굴인지 인식(625)하거나, 미리 등록된 제스처들 중에서 어떤 제스처에 해당하는지, 또는 제스처의 변화를 인식(627)할 수 있다.
도 7은 다양한 실시예들에 따른 전자 장치에서 객체 인식을 위한 기준 데이터를 수집하기 위한 흐름도(700)이다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 점선으로 표시된 동작은 실시예에 따라 생략될 수 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다. 이하에서 도 7의 적어도 일부 동작은 도 8을 참조하여 설명할 것이다. 도 8은 다양한 실시예들에 따른 전자 장치에서 채널 및 시퀀스 조합을 이용하여 객체 인식을 위한 기준 데이터를 수집하는 예시도이다.
도 7을 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120))는 동작 701에서 객체 인식을 위한 기준 데이터 수집 이벤트를 감지할 수 있다. 객체 인식을 위한 기준 데이터 수집 이벤트는, 객체 인식 정보를 등록하기 위한 이벤트를 포함할 수 있다. 예를 들어, 객체 인식 정보를 등록하기 위한 이벤트는, 사용자의 얼굴, 사용자의 제스처, 또는 사물의 모형 중 적어도 하나를 인식하여 메모리(예: 도 1의 메모리(130))에 객체 인식에 필요한 기준 데이터를 등록하기 위한 이벤트일 수 있다. 예를 들어, 프로세서(120)는 객체 인식을 이용한 적어도 하나의 기능을 제공하는 어플리케이션을 실행하고, 실행된 어플리케이션을 통해 객체 인식 정보를 등록하기 위한 이벤트를 감지할 수 있다. 일실시예에 따르면, 프로세서(120)는 객체 인식을 위한 기준 데이터 수집 이벤트가 감지될 시, 등록하고자 하는 객체의 객체 식별 정보를 입력해줄 것을 요청하는 사용자 인터페이스가 표시되도록 표시 장치(160)를 제어하고, 사용자로부터 등록하고자 하는 객체에 대한 객체 식별 정보(예: 사용자 ID, 제스처 ID, 또는 사물 ID)를 입력 받을 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 703에서 복수의 채널을 선택할 수 있다. 예를 들어, 프로세서(120)는 사용 가능한 복수의 주파수 대역 내 모든 채널들을 선택할 수 있다. 복수의 채널들은 선택하는 것은, 객체 인식률을 향상시키기 위함이다. 예를 들어, 각 채널마다 획득되는 채널 임펄스 응답이 다르므로, 가능한 모든 채널에 대한 채널 임펄스 응답을 획득하기 위함이다. 여기서, 사용 가능한 복수의 주파수 대역 내 모든 채널들을 선택하는 것은 예시적인 것으로서, 본 발명의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 적어도 하나의 채널을 선택하는 경우에도 동일하게 적용될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 705에서 적어도 하나의 시퀀스를 선택할 수 있다. 예를 들어, 프로세서(120)는 서로 직교성을 갖는 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 도 1의 무선 통신 모듈(192))는 동작 707에서 복수의 채널들 각각에서, 선택된 하나의 시퀀스를 포함하는 신호들을 송신 및 수신할 수 있다. 예를 들어, 프로세서(120)는 제1 채널부터 제N 채널까지 채널을 변경하면서, 각 채널에서 선택된 하나의 시퀀스를 포함하는 신호를 송신할 수 있다. 예컨대, 프로세서(120)는 선택된 채널이 제1 채널, 제2 채널, 및 제 3 채널인 경우, 제1 채널에서 선택된 하나의 시퀀스를 포함하는 신호를 송신하고, 신호 송신 채널을 제1 채널에서 제2 채널로 변경하여 제2 채널에서 선택된 하나의 시퀀스를 포함하는 신호를 송신하고, 신호 송신 채널을 제2 채널에서 제3 채널로 변경하여 제3 채널에서 선택된 하나의 시퀀스를 포함하는 신호를 송신할 수 있다.
일실시예에 따르면, 선택된 시퀀스가 복수개인 경우, 복수의 시퀀스 각각에 대해, 복수의 채널들 각각에서 해당 시퀀스를 포함하는 신호를 송수신하는 동작을 수행할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 도 1의 무선 통신 모듈(192))는 동작 709에서 신호 송신 및 수신 결과에 기초하여 객체 인식을 위한 기준 데이터를 수집할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 프로세서(120)의 제어에 기초하여, 수신 신호에 대한 자기 상관을 수행함으로써, 채널 임펄스 응답을 포함하는 객체 관련 데이터를 획득할 수 있다. 프로세서(120)는 무선 통신 모듈(192)로부터 각 채널 및 시퀀스의 조합에 대한 객체 관련 데이터를 획득할 수 있다. 프로세서(120)는 각 채널 및 시퀀스의 조합에 대한 객체 관련 데이터를 이용하여 해당 객체에 대한 기준 데이터를 수집할 수 있다. 예를 들어, 도 8에 도시된 바와 같이, 객체 식별 정보가 "ID l" 인 객체의 기준 데이터(801)는, 제1 채널 내지 제N 채널 각각에서 제K 시퀀스를 포함하는 신호를 송신 및 수신하여 획득된 객체 관련 데이터를 포함하는 N개의 데이터 서브셋들(811, 813, 815)을 포함할 수 있다. 제1 데이터 서브셋(811)은, 제1 채널에서 제K 시퀀스를 포함하는 신호(R1K)를 송신 및 수신하여 획득된 객체 관련 데이터를 포함할 수 있다. 제2 데이터 서브셋(813)은, 제2 채널에서 제K 시퀀스를 포함하는 신호(R2K)를 송신 및 수신하여 획득된 객체 관련 데이터를 포함할 수 있다. 제N 데이터 서브셋(815)은, 제N 채널에서 제K 시퀀스를 포함하는 신호(RNK)를 송신 및 수신하여 획득된 객체 관련 데이터를 포함할 수 있다. 도 8의 예시에서는, 객체의 기준 데이터(801)가 제1 채널부터 제N 채널 각각에서 제K 시퀀스를 포함하는 신호를 송신 및 수신하여 획득된 데이터 서브 셋들을 포함하는 것을 개시하였으나, 이는 예시적인 것으로서 본 발명의 다양한 실시예들은 이에 한정되지 않는다. 예를 들어, 객체의 기준 데이터는 제1 채널부터 제N 채널 중 적어도 하나의 채널에서 적어도 하나의 다른 시퀀스(예: 제1 시퀀스 내지 제K-1번째 시퀀스 중 적어도 하나)를 송신 및 수신하여 획득된 적어도 하나의 데이터 서브 셋을 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 711에서 수집된 기준 데이터를 이용하여 객체에 대한 기준 인식 정보를 획득할 수 있다. 프로세서(120)는 해당 객체에 대해 수집된 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 기준 인식 정보를 획득할 수 있다. 예를 들어, 프로세서(120)는 해당 객체에 대해 수집된 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 해당 객체를 인식하기 위한 학습(또는 훈련)을 수행할 수 있다. 프로세서(120)는 뉴럴 네트워크를 이용하여 해당 객체를 인식한 결과가 표시 장치(160)에 표시되도록 제어하고, 사용자 입력에 기초하여 해당 객체가 성공적으로 인식되었는지 여부를 결정할 수 있다. 프로세서(120)는 사용자 입력에 기초하여 해당 객체가 성공적으로 인식된 것으로 결정된 경우, 뉴럴 네트워크의 입력으로 이용된 기준 데이터, 뉴럴 네트워크의 출력 데이터, 및 객체 식별 정보를 연관시켜 저장함으로써, 해당 객체에 대한 객체 인식 정보를 획득할 수 있다. 예를 들어, 프로세서(120)는 뉴럴 네트워크의 입력으로 이용된 기준 데이터, 뉴럴 네트워크의 출력 데이터, 및 객체 식별 정보를, 해당 객체에 대한 기준 인식 정보로 등록할 수 있다. 뉴럴 네트워크의 출력 데이터는, 객체의 형태, 또는 특징 중 적어도 하나를 나타내는 데이터를 포함할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들 각각에서 송신 및 수신된 신호에 기초하여 획득된 객체 관련 데이터를 이용하여, 복수의 채널들 각각에 대한 뉴럴 네트워크 훈련을 수행함으로써 복수의 채널들 각각에 대한 복수의 뉴럴 네트워크(또는 뉴럴 네트워크 모델)를 획득할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들 각각에서 송신 및 수신된 신호에 기초하여 획득된 객체 관련 데이터를 이용하여, 복수의 채널들 전체에 대해 뉴럴 네트워크 훈련을 수행함으로써, 복수의 채널들 전체에 대한 하나의 뉴럴 네트워크(또는 뉴럴 네트워크 모델)을 획득할 수 있다. 프로세서(120)는 복수의 채널들 각각에 대한 복수의 뉴럴 네트워크들, 또는 복수의 채널들에 대한 하나의 뉴럴 네트워크를 이용하여 해당 객체를 인식한 결과가 표시 장치(160)에 표시되도록 제어하고, 사용자 입력에 기초하여 해당 객체가 성공적으로 인식되었는지 여부를 결정할 수 있다.
도 9는 다양한 실시예들에 따른 전자 장치에서 선택된 채널 및 시퀀스 조합을 이용하여 신호를 송수신하기 위한 흐름도(900)이다. 이하 설명되는 도 9의 동작들은 도 4의 동작 401 내지 407의 상세한 동작 중 적어도 일부일 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다. 이하에서 도 9의 적어도 일부 동작은 도 10을 참조하여 설명할 것이다. 도 10은 다양한 실시예들에 따른 전자 장치에서 선택된 채널 및 시퀀스 조합을 이용하여 신호를 송수신하는 예시도이다.
도 9를 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120))는 동작 901에서 적어도 하나의 채널 및 시퀀스 조합을 선택할 수 있다. 일실시예에 따르면, 프로세서(120)는 사용 가능한 복수의 주파수 대역 내 복수의 채널들과 서로 직교성을 갖는 복수의 시퀀스들에 기초하여, 적어도 하나의 채널 및 시퀀스의 조합을 선택할 수 있다. 예를 들어, 사용 가능한 복수의 주파수 대역 내 복수의 채널들이 N개 존재하고, 서로 직교성을 가지는 골레이 시퀀스들이 K개 존재하는 경우, 총 N×K 개의 채널 및 시퀀스 조합을 만들 수 있다. 프로세서(120)는 N×K 개의 채널 및 시퀀스 조합 중 적어도 하나의 채널 및 시퀀스 조합을 선택할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 도 1의 무선 통신 모듈(192))는 동작 903에서 선택된 적어도 하나의 채널 및 시퀀스 조합 중 하나의 채널 및 시퀀스 조합을 이용하여 신호를 송신할 수 있다. 일실시예에 따르면, 프로세서(120)는 적어도 하나의 선택된 채널 및 시퀀스 조합 중 하나의 채널 및 시퀀스 조합을 식별하고, 무선 통신 모듈(192)을 제어하여, 식별된 채널 및 조합에 기초하여 신호를 송신할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 무선 통신 모듈(192))는 동작 905에서 객체에 의해 반사된 신호를 수신할 수 있다. 일실시예에 따르면, 프로세서(120)는 식별된 채널에서 전자 장치(101)의 무선 통신 모듈(192)로부터 송신된 후에 객체에 부딪혀 반사된 신호를 수신할 수 있다. 수신된 신호는 동작 903에서 송신된 신호에 포함된 시퀀스와 동일한 시퀀스를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 무선 통신 모듈(192))는 동작 907에서 송신 신호와 수신 신호에 기초하여 채널 임펄스 응답을 획득할 수 있다. 예를 들어, 프로세서(120)는 무선 통신 모듈(192)을 제어하여 수신된 신호에 대한 자기 상관을 수행함으로써, 적어도 하나의 선택된 채널 및 시퀀스 조합 중 식별된 채널 및 시퀀스에 대한 채널 임펄스 응답을 획득할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 909에서 식별된 채널 및 시퀀스 조합을 이용한 신호 송수신 및 채널 임펄스 응답 획득 동작이 복수 번 수행되었는지 여부를 결정할 수 있다. 일실시예에 따르면, 프로세서(120)는 식별된 채널 및 시퀀스 조합에 대해 동작 903 내지 동작 907이 복수 번 수행되었는지 여부를 결정할 수 있다. 예를 들어, 프로세서(120)는 사용자 얼굴, 또는 제스처를 인식하고자 하는 경우, 식별된 채널 및 시퀀스 조합에 기초한 신호 송수신 동작이 제1 지정된 시간 구간 동안에 제1 지정된 횟수만큼 반복적으로 수행되어, 이에 대한 채널 임펄스 응답들이 획득되었는지 여부를 결정할 수 있다. 다른 예로, 프로세서(120)는 제스처의 변화를 인식하고자 하는 경우, 식별된 채널 및 시퀀스 조합에 기초한 신호 송신 및 수신 동작이 제2 지정된 시간 구간 동안에 제2 지정된 횟수만큼 반복적으로 수행되어, 이에 대한 채널 임펄스 응답들이 획득되었는지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 식별된 채널 및 시퀀스 조합을 이용한 신호 송수신 및 채널 임펄스 응답 획득 동작이 복수 번 수행되지 않은 경우, 전자 장치(예: 프로세서(120))는 채널 및/또는 시퀀스를 변경하지 않고, 동작 903 내지 동작 907을 재수행할 수 있다.
다양한 실시예들에 따르면, 식별된 채널 및 시퀀스 조합을 이용한 신호 송수신 및 채널 임펄스 응답 획득 동작이 복수 번 수행된 경우, 전자 장치(예: 프로세서(120))는 동작 911에서 선택된 모든 조합에 대해 신호 송수신 및 채널 임펄스 응답 획득 동작이 수행되었는지 여부를 결정할 수 있다. 예를 들어, 프로세서(120)는 동작 901에서 선택된 모든 채널 및 시퀀스 조합 각각에 대해 동작 903 내지 동작 909가 수행되었는지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 선택된 모든 조합에 대해 신호 송수신 및 채널 임펄스 응답 획득 동작이 수행되지 않은 경우, 전자 장치(예: 프로세서(120))는 동작 913에서 채널 및/또는 시퀀스를 변경하고, 변경된 채널 및/또는 시퀀스에 기초하여 동작 903 내지 동작 907을 수행할 수 있다. 예를 들어, 프로세서(120)는 동작 901에서 복수의 채널 및 시퀀스 조합들이 선택되었고, 선택된 복수의 채널 및 시퀀스 조합 각각에 대해 신호 송수신 및 채널 임펄스 응답 획득 동작이 수행되지 않은 경우, 선택된 복수의 채널 및 시퀀스 조합들 중에서 신호 송수신 및 채널 임펄스 응답 획득 동작이 수행되지 않은 적어도 하나의 채널 및 시퀀스 조합을 식별할 수 있다. 프로세서(120)는 신호 송수신 및 채널 임펄스 응답 획득 동작이 수행되지 않은 적어도 하나의 채널 및 시퀀스 조합에 기초하여, 신호 송수신을 위한 채널 및/또는 시퀀스를 변경할 수 있다. 예컨대, 도 10에 도시된 바와 같이, 프로세서(120)는 첫 번째 버스트 구간 동안(1001)에 제3 채널에서 제1 시퀀스를 포함하는 신호(R31)를 복수 번 송수신하여 채널 임펄스 응답을 획득하고, i번째 버스트 구간 동안(1003)에 제1 채널에서 제2 시퀀스를 포함하는 신호(R12)를 복수 번 송수신하여 채널 임펄스 응답을 획득하고, 마지막 버스트 구간 동안(1005)에 제4 채널에서 제3 시퀀스를 포함하는 신호(R43)를 복수 번 송수신하여 채널 임펄스 응답을 획득하도록 무선 통신 모듈(192)을 제어할 수 있다. 이와 같이, 프로세서(120)는 선택된 복수의 채널 및 시퀀스 조합들 중에서 임의적으로 하나의 채널 및 시퀀스 조합을 선택하여 채널 및/또는 시퀀스를 변경함으로써, 인접한 다른 전자 장치와 동일한 채널 및/또는 시퀀스를 이용할 확률을 감소시킬 수 있다.
도 11은 다양한 실시예들에 따른 전자 장치에서 간섭 발생 여부에 기초하여 채널 및 시퀀스 조합을 선택하기 위한 흐름도(1100)이다. 이하 설명되는 도 9의 동작들은 도 4의 동작 401 내지 407의 상세한 동작 중 적어도 일부일 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다.
도 11을 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120))는 동작 1101에서 하나의 주파수 채널 및 시퀀스를 선택할 수 있다. 일실시예에 따르면, 프로세서(120)는 사용 가능한 복수의 주파수 대역 내 복수의 채널들과 서로 직교성을 갖는 복수의 시퀀스들에 기초하여, 하나의 채널 및 시퀀스의 조합을 선택할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 도 1의 무선 통신 모듈(192))는 동작 1103에서 선택된 주파수 채널에서 선택된 시퀀스를 포함하는 신호를 송신하고, 동작 1105에서 선택된 주파수 채널에서 선택된 시퀀스를 포함하는 반사 신호를 수신할 수 있다. 수신된 신호는, 전자 장치의 무선 통신 모듈(192)에서 송신된 후에 객체에 부딪혀 반사된 신호를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 1107에서 간섭이 발생되었는지 여부를 결정할 수 있다. 예를 들어, 프로세서(120)는 수신된 신호의 오류 발생 여부, RSSI, 또는 SINR 중 적어도 하나에 기초하여, 인접한 다른 전자 장치에 의한 간섭이 발생되었는지 여부를 검출할 수 있다. 프로세서(120)는 수신 신호에 오류가 존재하거나, RRSI가 지정된 값보다 작거나, 또는 SINR이 지정된 값보다 큰 경우, 인접한 다른 전자 장치에 의한 간섭이 발생된 것으로 결정할 수 있다.
다양한 실시예들에 따르면, 간섭이 발생되지 않은 경우, 전자 장치(예: 프로세서(120))는 1109에서 송신 신호와 수신 신호에 기초하여 채널 임펄스 응답을 획득할 수 있다. 예를 들어, 프로세서(120)는 수신 신호에 대한 자기 상관을 수행함으로써, 채널 임펄스 응답을 획득할 수 있다.
다양한 실시예들에 따르면, 간섭이 발생된 경우, 전자 장치(예: 프로세서(120))는 1121에서 지정된 개수의 채널 및 시퀀스 조합을 추가적으로 선택하고, 동작 1103을 수행할 수 있다. 예를 들어, 프로세서(120)는 동작 1101에서 선택된 채널 및 시퀀스 조합 이외에 적어도 하나의 채널 및 시퀀스 조합을 추가적으로 선택할 수 있다. 예컨대, 프로세서(120)는 인접한 다른 전자 장치의 간섭이 없는 상황에서 신호를 송수신하기 위해, 지정된 개수의 채널 및 시퀀스 조합을 추가적으로 선택할 수 있다.
도 12는 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하기 위한 흐름도(1200)이다. 이하 설명되는 도 12의 동작들은 도 4의 동작 409의 다양한 실시예들 중 일 예일 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다. 이하에서 도 12의 적어도 일부 동작은 도 13을 참조하여 설명할 것이다. 도 13은 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하는 예시도이다.
도 12를 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120))는 동작 1201에서 기 저장된 기준 데이터와 수집된 객체 관련 데이터를 비교할 수 있다. 일실시예에 따르면, 프로세서(120)는 기 저장된 객체 별 기준 데이터와 선택된 채널 및 시퀀스 조합을 이용하여 획득된 객체 관련 데이터를 비교하여, 획득된 객체 관련 데이터와 가장 유사한 기준 데이터를 식별할 수 있다. 예를 들어, 프로세서(120)는 도 13에 도시된 바와 같이, 제3 채널에서 제1 시퀀스를 이용하여 획득된 제1 데이터 서브셋(1301-1)과 기 저장된 객체 별 기준 데이터를 비교(1311-1)하여, 기 저장된 객체별 기준 데이터 중에서 제1 데이터 서브셋(1301-1)과 제1 객체의 기준 데이터가 가장 유사함을 결정할 수 있다. 프로세서(120)는 비교 결과에 기초하여 제1 데이터 서브셋(1301-1)과 제1 객체의 기준 데이터의 유사도를 획득할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 1203에서 기 저장된 기준 데이터와 수집된 객체 관련 데이터를 비교하여 획득된 유사도가 제1 지정된 기준 값보다 큰지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 획득된 유사도가 제1 지정된 기준 값보다 큰 경우, 전자 장치(예: 프로세서(120))는 동작 1204에서 획득된 유사도가 제2 지정된 기준 값보다 큰지 여부를 결정할 수 있다. 제2 지정된 기준 값은, 제1 지정된 기준 값보다 큰 값일 수 있다.
다양한 실시예들에 따르면, 획득된 유사도가 제2 지정된 기준 값보다 큰 경우, 전자 장치(예: 프로세서(120))는 동작 1206에서 객체 인식 성공을 결정하고, 동작 1215에서 유사도에 기초하여 객체를 인식한 결과를 제공할 수 있다. 예를 들어, 프로세서(120)는 획득된 유사도가 제2 지정된 기준 값보다 큰 경우, 다른 채널 및 시퀀스 조합에 대한 객체 인식 결과를 획득할 필요가 없다고 판단하고 바로 동작 1215로 진행할 수 있다.
다양한 실시예들에 따르면, 획득된 유사도가 제1 지정된 기준 값보다 크고 제2 지정된 기준 값보다 작거나 같은 경우, 전자 장치(예: 프로세서(120))는 동작 1205에서 객체 인식이 성공된 것으로 결정하고 동작 1209로 진행할 수 있다. 예를 들어, 프로세서(120)는 선택된 채널 및 시퀀스 조합에 대해 획득된 객체 관련 데이터와 제1 객체에 대한 기준 데이터의 유사도가 제1 지정된 기준 값보다 큰 경우, 해당 기준 데이터의 객체가 인식되었으나, 보다 정확한 객채 인식 결과를 획득하기 위해 다른 채널 및 시퀀스 조합에 대한 객체 인식 결과를 획득할 필요가 있다고 판단하고 동작 1209로 진행할 수 있다.
다양한 실시예들에 따르면, 획득된 유사도가 제1 지정된 기준 값보다 작거나 같은 경우, 전자 장치(예: 프로세서(120))는 동작 1207에서 객체 인식이 실패된 것으로 결정할 수 있다. 예를 들어, 프로세서(120)는 선택된 채널 및 시퀀스 조합에 대해 획득된 객체 관련 데이터와 제1 객체에 대한 기준 데이터의 유사도가 지정된 기준 값보다 작거나 같은 경우, 객체 인식이 실패된 것으로 결정할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 1209에서 선택된 모든 채널 및 시퀀스 조합에 대해 객체 인식 결과가 획득되었는지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 동작 1209에서 선택된 모든 채널 및 시퀀스 조합에 대해 객체 인식 결과가 획득되지 않은 경우, 전자 장치(예: 프로세서(120))는 동작 1201로 되돌아가, 객체 인식 결과가 획득되지 않은 채널 및 시퀀스 조합에 대해 수집된 객체 관련 데이터와 기 저장된 기준 데이터를 비교할 수 있다.
다양한 실시예들에 따르면, 선택된 모든 채널 및 시퀀스 조합에 대해 객체 인식 결과가 획득된 경우, 전자 장치(예: 프로세서(120))는 동작 1211에서 적어도 하나의 채널 및 시퀀스 조합에 대한 객체 인식 결과들 중에서 객체 인식 성공 결과가 존재하는지 여부를 결정할 수 있다. 예를 들어, 프로세서(120)는 하나의 채널 및 시퀀스 조합이 선택된 경우, 선택된 하나의 채널 및 시퀀스 조합을 이용한 객체 인식이 성공되었는지 여부를 결정할 수 있다. 다른 예로, 프로세서(120)는 복수의 채널 및 시퀀스 조합이 선택된 경우, 선택된 복수의 채널 및 시퀀스 조합들 중에서 적어도 하나의 채널 및 시퀀스 조합에 대한 객체 인식이 성공되었는지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 객체 인식 성공 결과가 존재하는 경우, 전자 장치(예: 프로세서(120))는 동작 1215에서 유사도에 기초하여 객체를 인식한 결과를 제공할 수 있다. 예를 들어, 프로세서(120)는 객체 인식 성공으로 결정된 객체 인식 결과들 중에서 유사도가 가장 높은 객체 인식 결과에 대응되는 객체를 최종 객체 인식 결과로 결정할 수 있다. 예를 들어, 도 13에 도시된 바와 같이, 제1 데이터 서브셋(1301-1)과 기 저장된 객체 별 기준 데이터를 비교(1311-1)하여 획득된 객체 인식 결과, 제2 데이터 서브셋(1301-2)과 기 저장된 객체 별 기준 데이터를 비교(1311-2)하여 획득된 객체 인식 결과, 및 제N 데이터 서브셋(1301-N)과 기 저장된 객체 별 기준 데이터를 비교(1311-N)하여 획득된 객체 인식 결과 중에서 가장 높은 유사도를 갖는 객체 인식 결과를 선택하고, 선택된 객체 인식 결과를 최종 객체 인식 결과로 결정할 수 있다.
다양한 실시예들에 따르면, 객체 인식 성공 결과가 존재하지 않는 경우, 전자 장치(예: 프로세서(120))는 동작 1213에서 적어도 하나의 채널 및 시퀀스의 조합을 추가적으로 선택하고, 도 4의 동작 403을 수행할 수 있다.
일실시예에 따르면, 도 12의 동작 1204 및 동작 1206은 생략될 수 있다. 도 12의 동작 1204 및 동작 1206이 생략되는 경우, 전자 장치(예: 프로세서(120))는 선택된 모든 채널 및 시퀀스 조합에 대해 인식 결과를 획득하는 동작을 수행할 수 있다.
도 14는 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하기 위한 흐름도(1400)이다. 이하 설명되는 도 14의 동작들은 도 4의 동작 409의 다양한 실시예들 중 일 예일 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다. 이하에서 도 14의 적어도 일부 동작은 도 15를 참조하여 설명할 것이다. 도 15는 다양한 실시예들에 따른 전자 장치에서 수집된 데이터에 기초하여 객체를 인식하는 예시도이다.
도 14를 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120))는 동작 1401에서 객체 관련 데이터를 뉴럴 네트워크의 입력으로 제공할 수 있다. 일실시예에 따르면, 프로세서(120)는 선택된 채널 및 시퀀스 조합을 이용하여 획득된 객체 관련 데이터를 미리 학습된 뉴럴 네트워크의 입력으로 제공할 수 있다. 예를 들어, 프로세서(120)는 도 15에 도시된 바와 같이, 제3 채널에서 제1 시퀀스를 이용하여 획득된 제1 데이터 서브셋(1501-1)을 미리 학습된 뉴럴 네트워크(1511-1)의 입력으로 제공할 수 있다. 일실시예에 따르면, 복수의 채널들 각각에 대해 미리 학습된 복수의 뉴럴 네트워크들(또는 복수의 뉴럴 네트워크 모델들)이 존재하는 경우, 프로세서(120)는 획득된 객체 관련 데이터에 연관된 적어도 하나의 채널에 대응되는 적어도 하나의 뉴럴 네트워크를 선택하고, 선택된 적어도 하나의 뉴럴 네트워크에 객체 관련 데이터를 입력으로 제공할 수 있다. 예를 들어, N개의 채널들 각각에 대해 미리 학습된 N개의 뉴럴 네트워크들이 존재하는 상황에서, 제1 채널 및 제2 시퀀스의 조합, 제2 채널 및 제4 시퀀스의 조합, 및 제 4 채널 및 제1시퀀스의 조합에 대해 객체 관련 데이터가 획득된 경우, 프로세서(120)는 제1 채널에 대해 미리 학습된 제1 뉴럴 네트워크, 제2 채널에 대해 미리 학습된 제2 뉴럴 네트워크, 및 제4 채널에 대해 미리 학습된 제4 뉴럴 네트워크를 선택할 수 있다. 프로세서(120)는 제1 채널 및 제2 시퀀스의 조합에 대해 획득된 객체 관련 데이터를 제1 뉴럴 네트워크에 입력하고, 제2 채널 및 제4 시퀀스의 조합에 대해 획득된 객체 관련 데이터를 제2 뉴럴 네트워크에 입력하고, 제4 채널 및 제1 시퀀스의 조합에 대해 획득된 객체 관련 데이터를 제4 뉴럴 네트워크에 입력할 수 있다. 일실시예에 따르면, 복수의 채널들에 대해 미리 학습된 하나의 뉴럴 네트워크(또는 하나의 뉴럴 네트워크 모델)가 존재하는 경우, 프로세서(120)는 선택된 채널 및 시퀀스 조합에 대해 획득된 객체 관련 데이터를, 하나의 뉴럴 네트워크에 입력할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 1403에서 객체 관련 데이터에 대응되는 객체 인식 결과를 획득할 수 있다. 일실시예에 따르면, 프로세서(120)는 적어도 하나의 미리 학습된 뉴럴 네트워크로부터, 선택된 채널 및 시퀀스 조합을 이용하여 획득된 객체 관련 데이터에 대응되는 객체 인식 결과를 획득할 수 있다. 예를 들어, 프로세서(120)는 적어도 하나의 미리 학습된 뉴럴 네트워크의 출력 데이터를, 선택된 채널 및 시퀀스 조합에 대한 객체 인식 결과로서 획득할 수 있다. 출력 데이터는 미리 등록된 객체들 중 인식된 객체가 존재하는지 여부(또는 인식 성공 여부)를 나타내는 정보, 해당 객체의 식별 정보(예: 사용자 식별 정보, 제스처 식별 정보, 사물 식별 정보), 또는 신뢰도 정보 중 적어도 하나를 포함할 수 있다. 일실시예에 따르면, 해당 객체의 식별 정보는, 뉴럴 네트워크의 출력 데이터 중 적어도 일부를 미리 등록된 기준 인식 정보와 비교한 결과에 의해 획득될 수 있다. 일실시예에 따르면, 뉴럴 네트워크의 출력 데이터는, 신호를 반사시킨 객체의 형태, 또는 특징 중 적어도 하나를 나타내는 데이터를 추가적으로 포함할 수 있다. 다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 1405에서 선택된 모든 채널 및 시퀀스 조합에 대해 객체 인식 결과가 획득되었는지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 선택된 모든 채널 및 시퀀스 조합에 대해 객체 인식 결과가 획득되지 않은 경우, 전자 장치(예: 프로세서(120))는 동작 1401로 되돌아가, 객체 인식 결과가 획득되지 않은 채널 및 시퀀스 조합에 대한 채널 임펄스 응답을 뉴럴 네트워크의 입력으로 제공할 수 있다. 예를 들어, 프로세서(120)는 도 15에 도시된 바와 같이, 제1 채널에서 제2 시퀀스를 이용하여 획득된 제2 데이터 서브셋(1501-2)을 미리 학습된 뉴럴 네트워크(1511-2)의 입력으로 제공하고, 제4 채널에서 제3 시퀀스를 이용하여 획득된 제N 데이터 서브셋(1501-N)을 미리 학습된 뉴럴 네트워크(1511-N)의 입력으로 제공할 수 있다. 일실시예에 따르면, 도 15에 도시된, 미리 학습된 뉴럴 네트워크들(1511-1 내지 1511-N)은 서로 상이할 수도 있고, 동일할 수도 있다. 예를 들어, 미리 학습된 뉴럴 네트워크들(1511-1 내지 1511-N) 각각은 복수의 채널들 각각에 대해 별도로 학습되어 적어도 일부가 상이하게 구성된 서로 다른 뉴럴 네트워크 모델들일 수 있다. 다른 예로, 미리 학습된 뉴럴 네트워크들(1511-1 내지 1511-N) 각각은 복수의 채널들에 대해 학습된 동일한 뉴럴 네트워크 모델들일 수 있다.
다양한 실시예들에 따르면, 선택된 모든 채널 및 시퀀스 조합에 대해 객체 인식 결과가 획득된 경우, 전자 장치(예: 프로세서(120))는 동작 1407에서 선택된 모든 채널 및 시퀀스 조합에 대한 객체 인식 결과들 중에서 객체 인식 성공 결과가 존재하는지 여부를 결정할 수 있다. 예를 들어, 프로세서(120)는 하나의 채널 및 시퀀스 조합이 선택된 경우, 선택된 하나의 채널 및 시퀀스 조합을 이용한 객체 인식이 성공되었는지 여부를 결정할 수 있다. 다른 예로, 프로세서(120)는 복수의 채널 및 시퀀스 조합이 선택된 경우, 선택된 복수의 채널 및 시퀀스 조합들 중에서 적어도 하나의 채널 및 시퀀스 조합에 대한 객체 인식이 성공되었는지 여부를 결정할 수 있다.
다양한 실시예들에 따르면, 객체 인식 성공 결과가 존재하는 경우, 전자 장치(예: 프로세서(120))는 동작 1409에서 객체 인식 성공 결과에 포함된 신뢰도에 기초하여 객체를 인식한 결과를 제공할 수 있다. 예를 들어, 프로세서(120)는 객체 인식 성공으로 결정된 객체 인식 결과들 중에서 신뢰도가 가장 높은 객체 인식 결과에 대응되는 객체를 최종 객체 인식 결과로 결정할 수 있다. 예를 들어, 도 15에 도시된 바와 같이, 제1 데이터 서브셋(1501-1)을 뉴럴 네트워크(1511-1)의 입력으로 제공하여 획득한 출력 데이터의 신뢰도, 제2 데이터 서브셋(1501-2)을 뉴럴 네트워크(1511-2)의 입력으로 제공하여 획득한 출력 데이터의 신뢰도, 및 제N 데이터 서브셋(1501-N)을 뉴럴 네트워크(1511-N)의 입력으로 제공하여 획득한 출력 데이터의 신뢰도를 각각 확인하고, 신뢰도가 가장 높은 출력 데이터를 최종 객체 인식 결과로 선택할 수 있다. 프로세서(120)는 디스플레이(예: 도 1의 표시 장치(160), 또는 음향 출력 장치(예: 도 1의 음향 출력 장치(155)) 중 적어도 하나를 제어하여 사용자에게 최종 객체 인식 결과를 제공할 수 있다.
다양한 실시예들에 따르면, 객체 인식 성공 결과가 존재하지 않는 경우, 전자 장치(예: 프로세서(120))는 동작 1411에서 적어도 하나의 채널 및 시퀀스의 조합을 추가적으로 선택하고, 도 4의 동작 403을 수행할 수 있다.
도 16은 다양한 실시예들에 따른 전자 장치에서 뉴럴 네트워크를 이용하여 객체 인식 훈련을 수행하기 위한 흐름도(1600)이다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다. 여기에서, 전자 장치는 도 1의 전자 장치(101) 일 수 있다.
도 16을 참조하면, 다양한 실시예들에 따른, 전자 장치(예: 도 1의 프로세서(120), 및/또는 도 1의 무선 통신 모듈(192))는 동작 1601에서 복수의 주파수 대역들 내 복수의 채널들 각각에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고, 적어도 하나의 송신된 신호가 객체에 의해 반사되어 되돌아오는 적어도 하나의 신호를 수신할 수 있다. 일실시예에 따르면, 동작 1601은 도 7의 동작 701, 동작 703, 동작 705, 및 동작 707 중 적어도 일부를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120), 및/또는 무선 통신 모듈(192))는 동작 1603에서 송신 신호와 수신 신호를 기반으로, 채널 임펄스 응답(channel impulse response)을 포함하는 데이터를 획득할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 프로세서(120)의 제어에 따라, 수신된 신호에 대한 자기 상관(auto-correlation)을 수행함으로써, 채널 임펄스 응답을 포함하는 객체 관련 데이터를 획득할 수 있다. 일실시예에 따르면, 동작 1603은 동작 709의 적어도 일부를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 프로세서(120))는 동작 1605에서 채널 임펄스 응답을 포함하는 획득된 데이터를 뉴럴 네트워크에 입력하여 객체 인식 훈련을 수행할 수 있다. 뉴럴 네트워크는, 외부 장치(예: 서버(108), 또는 다른 전자 장치(102)), 또는 전자 장치(101)에 저장될 수 있다. 외부 장치(예: 서버(108), 또는 다른 전자 장치(102))에 저장된 뉴럴 네트워크는, 전자 장치(101)와 공유될 수 있다. 일실시예에 따르면, 동작 1605는 동작 711의 적어도 일부를 포함할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들 각각에 대해 뉴럴 네트워크 훈련을 수행함으로써 복수의 채널들 각각에 대한 복수의 뉴럴 네트워크(또는 뉴럴 네트워크 모델)를 획득할 수 있다. 예를 들어, 프로세서(120)는 복수의 채널들 중 제1 채널에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 제1 채널에 대해 학습된 뉴럴 네트워크 모델을 생성하고, 복수의 채널들 중 제2 채널에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 제2 채널에 대해 학습된 뉴럴 네트워크 모델을 생성하고, 복수의 채널들 중 제N 채널에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 제N 채널에 대해 학습된 뉴럴 네트워크 모델을 생성할 수 있다. 일실시예에 따르면, 프로세서(120)는 복수의 채널들 전체에 대해 뉴럴 네트워크 훈련을 수행함으로써, 복수의 채널들 전체에 대한 하나의 뉴럴 네트워크(또는 뉴럴 네트워크 모델)을 획득할 수 있다. 예를 들어, 프로세서(120)는 복수의 채널들에서 획득된 객체에 대한 기준 데이터를 지정된 뉴럴 네트워크에 입력하여 복수의 채널들에 대한 하나의 뉴럴 네트워크 모델을 생성할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)의 동작 방법은, 복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하는 동작, 빔포밍을 수행할 수 있는 통신 인터페이스(예: 도 1의 무선 통신 모듈(192))를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하는 동작, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하는 동작, 상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하는 동작, 및 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 객체에 관련된 데이터는, 채널 임펄스 응답(channel impulse response)을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 객체에 관련된 데이터는, 상기 수신된 신호에 대한 자기 상관(auto-correlation)을 수행하여 획득할 수 있다.
다양한 실시예들에 따르면, 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하는 동작은, 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 비교하여 상기 적어도 하나의 객체에 대한 객체 별 유사도를 결정하는 동작, 및 상기 객체 별 유사도에 기초하여, 상기 적어도 하나의 객체 중에서 하나의 객체를 상기 신호를 반사시킨 객체로 결정하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치의 방법은, 객체 인식을 위한 기준 데이터 수집 이벤트를 감지하는 동작, 상기 이벤트 감지에 대한 응답으로, 상기 통신 인터페이스를 제어하여, 상기 복수의 채널들 각각에서 상기 복수의 시퀀스들 중 지정된 시퀀스를 포함하는 적어도 하나의 신호를 송신 및 수신하는 동작, 상기 적어도 하나의 송신 및 수신된 신호를 기반으로 상기 복수의 채널들과 상기 지정된 시퀀스의 조합들 각각에 대한 채널 임펄스 응답을 획득하는 동작, 및 상기 복수의 채널들과 상기 지정된 시퀀스의 조합들 각각에 대한 채널 임펄스 응답을 상기 객체에 대한 기준 데이터로 저장하는 동작을 더 포함할 수 있다. 다양한 실시예들에 따르면, 상기 전자 장치의 동작 방법은, 상기 객체에 대한 기준 데이터를 입력으로 하는 뉴럴 네트워크(neural network)를 이용하여 객체 인식정보를 획득하는 동작, 사용자 인터페이스를 통해 상기 객체 인식 정보를 제공하는 동작, 사용자 입력에 기초하여 상기 객체 인식 정보에 대한 객체 인식 성공 여부를 결정하는 동작, 및 상기 객체 인식 성공이 결정된 경우, 상기 객체 인식 정보를 상기 객체에 대한 식별 정보와 매핑하여 기준 인식 정보로 등록하는 동작을 더 포함할 수 있다.다양한 실시예들에 따르면, 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하는 동작은, 상기 객체에 관련된 데이터를 상기 뉴럴 네트워크에 입력하여 출력 데이터를 획득하는 동작, 및 상기 획득된 출력 데이터를 상기 등록된 기준 인식 정보와 비교하여 상기 객체를 인식하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하는 동작은, 상기 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택하는 동작, 상기 선택된 적어도 하나의 채널과 상기 선택된 적어도 하나의 시퀀스의 조합을 결정하는 동작, 상기 결정된 조합에 기초하여, 상기 적어도 하나의 신호를 송신할 채널, 또는 상기 적어도 하나의 신호에 포함될 시퀀스 중 적어도 하나를 변경하면서 상기 적어도 하나의 신호를 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 수신된 적어도 하나의 신호에 기초하여 간섭 발생 여부를 결정하는 동작, 상기 결정에 기반하여 간섭이 발생된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하는 동작, 및 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합을 이용하여 상기 객체에 관련된 데이터를 추가 획득하는 동작, 상기 추가 획득된 객체에 관련된 데이터를 이용하여 상기 객체를 인식하는 동작을 더 포함할 수 있다.
다양한 실시예들에 따르면, 상기 서로 직교성을 갖는 복수의 시퀀스들은, 골레이 시퀀스를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)의 동작 방법은, 복수의 주파수 대역들 내 복수의 채널들 각각에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신 및 수신하는 동작, 상기 수신된 적어도 하나의 신호는, 상기 적어도 하나의 신호가 송신된 이후 객체에 의해 반사되어 되돌아오는 신호이며, 상기 적어도 하나의 송신 및 수신된 신호를 기반으로, 상기 복수의 채널들 각각에 대한 채널 임펄스 응답(channel impulse response)을 포함하는 데이터를 획득하는 동작, 및 상기 획득된 데이터를 지정된 뉴럴 네트워크에 입력하여 상기 객체를 인식하기 위한 훈련을 수행하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 훈련을 수행하는 동작은, 상기 복수의 채널들 각각에 대해 훈련된 복수의 뉴럴 네트워크들, 또는 상기 복수의 채널들에 대해 훈련된 하나의 뉴럴 네트워크를 획득하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 객체를 인식하기 위한 훈련을 수행하는 동작은, 상기 지정된 뉴럴 네트워크를 이용하여 객체 인식 정보를 획득하는 동작, 사용자 인터페이스를 통해 상기 객체 인식 결과를 제공하는 동작, 사용자 입력에 기초하여, 상기 객체 인식 정보에 대한 객체 인식 성공 여부를 결정하는 동작, 상기 객체 인식 성공이 결정된 경우, 상기 객체 인식 정보를 상기 객체에 대한 식별 정보와 매핑하여 기준 인식 정보로 등록하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치의 동작 방법은, 지정된 이벤트 감지 시, 상기 복수의 채널들 중에서 적어도 하나의 채널을 선택하는 동작, 상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 상기 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신 및 수신하는 동작, 상기 적어도 하나의 송신 및 수신된 신호를 기반으로, 상기 적어도 하나의 채널에 대한 채널 임펄스 응답을 포함하는 데이터를 획득하는 동작, 및 상기 획득된 데이터를 상기 훈련에 의해 획득된 적어도 하나의 뉴럴 네트워크 모델에 입력하는 동작, 및 상기 적어도 하나의 뉴럴 네트워크 모델의 출력 데이터와 상기 등록된 기준 인식 정보에 기반하여 상기 객체를 인식하는 동작을 더 포함할 수 있다.
다양한 실시예들에 따르면, 상기 선택된 적어도 하나의 채널에서, 상기 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신 및 수신하는 동작은, 상기 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택하는 동작, 상기 선택된 적어도 하나의 채널과 상기 선택된 적어도 하나의 시퀀스의 조합을 결정하는 동작, 상기 결정된 조합에 기초하여, 상기 적어도 하나의 신호를 송신할 채널, 또는 상기 적어도 하나의 신호에 포함될 시퀀스 중 적어도 하나를 변경하면서 상기 적어도 하나의 신호를 송신 및 수신하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 적어도 하나의 수신된 신호에 기초하여 간섭 발생 여부를 결정하는 동작, 상기 결정에 기반하여, 간섭이 발생된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하는 동작, 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하는 동작을 더 포함할 수 있다.
다양한 실시예들에 따르면, 상기 객체에 대한 인식이 실패된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하는 동작, 및 상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하는 동작을 더 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나","A 또는 B 중 적어도 하나","A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (20)

  1. 전자 장치에 있어서,
    적어도 하나의 객체에 대한 기준 데이터를 저장하는 메모리;
    빔포밍을 수행할 수 있는 통신 인터페이스; 및
    상기 메모리, 및 상기 통신 인터페이스와 작동적으로 연결된 프로세서를 포함하며, 상기 프로세서는,
    복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하고,
    상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고,
    상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하고,
    상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하고, 및
    상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하도록 설정된 전자 장치.
  2. 제1 항에 있어서,
    상기 객체에 관련된 데이터는, 채널 임펄스 응답(channel impulse response)을 포함하는 전자 장치.
  3. 제1 항에 있어서,
    상기 프로세서는, 상기 수신된 신호에 대한 자기 상관(auto-correlation)을 수행하여 상기 객체에 관련된 데이터를 획득하는 전자 장치.
  4. 제1항에 있어서,
    상기 프로세서는, 상기 객체에 관련된 데이터와 상기 적어도 하나의 객체에 대한 기준 데이터를 비교하여 상기 적어도 하나의 객체에 대한 객체 별 유사도를 결정하고,
    상기 객체 별 유사도에 기초하여, 상기 적어도 하나의 객체 중에서 하나의 객체를 상기 신호를 반사시킨 객체로 결정하는 전자 장치.
  5. 제1항에 있어서,
    상기 프로세서는, 상기 기준 데이터 수집 이벤트를 감지하고,
    상기 수집 이벤트 감지에 대한 응답으로, 상기 통신 인터페이스를 제어하여, 상기 복수의 채널들 각각에서 상기 복수의 시퀀스들 중 지정된 시퀀스를 포함하는 적어도 하나의 신호를 송신 및 수신하고,
    상기 적어도 하나의 송신 및 수신된 신호를 기반으로, 상기 복수의 채널들과 상기 지정된 시퀀스의 조합들 각각에 대한 채널 임펄스 응답을 획득하고,
    상기 복수의 채널들과 상기 지정된 시퀀스의 조합들 각각에 대한 채널 임펄스 응답을 상기 기준 데이터로 저장하는 전자 장치.
  6. 제 4항에 있어서,
    상기 프로세서는, 상기 객체에 대한 기준 데이터를 입력으로 하는 뉴럴 네트워크(neural network)를 이용하여 객체 인식 정보를 획득하고,
    사용자 인터페이스를 통해 상기 객체 인식 정보를 제공하고,
    사용자 입력에 기초하여 상기 객체 인식 정보에 대한 객체 인식 성공 여부를 결정하고,
    상기 객체 인식 성공이 결정된 경우, 상기 객체 인식 정보를 상기 객체에 대한 식별 정보와 매핑하여 기준 인식 정보로 등록하는 전자 장치.
  7. 제6항에 있어서,
    상기 프로세서는, 상기 객체에 관련된 데이터를 상기 뉴럴 네트워크에 입력하여 출력 데이터를 획득하고,
    상기 획득된 출력 데이터를 상기 등록된 기준 인식 정보와 비교하여 상기 객체를 인식하는 전자 장치.
  8. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택하고,
    상기 선택된 적어도 하나의 채널과 상기 선택된 적어도 하나의 시퀀스의 조합을 결정하고,
    상기 결정된 조합에 기초하여, 상기 적어도 하나의 신호를 송신할 채널, 또는 상기 적어도 하나의 신호에 포함될 시퀀스 중 적어도 하나를 변경하면서 상기 적어도 하나의 신호를 송신하는 전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 수신된 적어도 하나의 신호에 기초하여 간섭 발생 여부를 결정하고,
    상기 결정에 기반하여, 간섭이 발생된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고,
    상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정된 전자 장치.
  10. 제1항에 있어서,
    상기 프로세서는, 상기 객체에 대한 인식이 실패된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고,
    상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정된 전자 장치.
  11. 제1항에 있어서,
    상기 서로 직교성을 갖는 복수의 시퀀스들은, 골레이 시퀀스를 포함하는 전자 장치.
  12. 전자 장치에 있어서,
    빔포밍을 수행할 수 있는 통신 인터페이스; 및
    상기 통신 인터페이스와 작동적으로 연결된 프로세서를 포함하며, 상기 프로세서는,
    상기 통신 인터페이스를 제어하여, 복수의 주파수 대역들 내 복수의 채널들 각각에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하고,
    상기 통신 인터페이스를 제어하여, 상기 적어도 하나의 송신된 신호가 객체에 의해 반사되어 되돌아오는 적어도 하나의 신호를 수신하고,
    상기 적어도 하나의 송신된 신호 및 상기 적어도 하나의 수신된 신호를 기반으로, 상기 복수의 채널들 각각에 대한 채널 임펄스 응답(channel impulse response)을 포함하는 데이터를 획득하고, 및
    상기 획득된 데이터를 지정된 뉴럴 네트워크에 입력하여 상기 객체를 인식하기 위한 훈련을 수행하도록 설정된 전자 장치.
  13. 제12항에 있어서,
    상기 프로세서는, 상기 복수의 채널들 각각에 대한 채널 임펄스 응답을 포함하는 데이터를 상기 지정된 뉴럴 네트워크에 입력하여, 상기 복수의 채널들 각각에 대해 훈련된 복수의 뉴럴 네트워크들, 또는 상기 복수의 채널들에 대해 훈련된 하나의 뉴럴 네트워크를 획득하도록 설정된 전자 장치.
  14. 제12항에 있어서,
    상기 프로세서는, 상기 지정된 뉴럴 네트워크를 이용하여 객체 인식 정보를 획득하고,
    사용자 인터페이스를 통해 상기 객체 인식 결과를 제공하고,
    사용자 입력에 기초하여, 상기 객체 인식 정보에 대한 객체 인식 성공 여부를 결정하고,
    상기 객체 인식 성공이 결정된 경우, 상기 객체 인식 정보를 상기 객체에 대한 식별 정보와 매핑하여 기준 인식 정보로 등록하도록 설정된 전자 장치.
  15. 제14항에 있어서,
    상기 프로세서는, 지정된 이벤트 감지 시, 상기 복수의 채널들 중에서 적어도 하나의 채널을 선택하고,
    상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 상기 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신 및 수신하고,
    상기 적어도 하나의 송신 및 수신된 신호를 기반으로, 상기 적어도 하나의 채널에 대한 채널 임펄스 응답을 포함하는 데이터를 획득하고, 및
    상기 획득된 데이터를 상기 훈련에 의해 획득된 적어도 하나의 뉴럴 네트워크 모델에 입력하고,
    상기 적어도 하나의 뉴럴 네트워크 모델의 출력 데이터와 상기 등록된 기준 인식 정보에 기반하여 상기 객체를 인식하도록 설정된 전자 장치.
  16. 제15항에 있어서,
    상기 프로세서는, 상기 복수의 시퀀스들 중에서 적어도 하나의 시퀀스를 선택하고,
    상기 선택된 적어도 하나의 채널과 상기 선택된 적어도 하나의 시퀀스의 조합을 결정하고,
    상기 결정된 조합에 기초하여, 상기 적어도 하나의 신호를 송신할 채널, 또는 상기 적어도 하나의 신호에 포함될 시퀀스 중 적어도 하나를 변경하면서 상기 적어도 하나의 신호를 송신 및 수신하도록 설정된 전자 장치.
  17. 제15항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 수신된 신호에 기초하여 간섭 발생 여부를 결정하고,
    상기 결정에 기반하여, 간섭이 발생된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고,
    상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정된 전자 장치.
  18. 제15항에 있어서,
    상기 프로세서는, 상기 객체에 대한 인식이 실패된 경우, 적어도 하나의 채널 및 시퀀스 조합을 추가 선택하고,
    상기 통신 인터페이스를 제어하여 상기 추가 선택된 채널 및 시퀀스 조합에 기초하여 상기 객체를 인식하도록 설정된 전자 장치.
  19. 전자 장치의 동작 방법에 있어서,
    복수의 주파수 대역들 내 복수의 채널들 중에서 적어도 하나의 채널을 선택하는 동작;
    빔포밍을 수행할 수 있는 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서, 서로 직교성을 갖는 복수의 시퀀스들 중 하나를 포함하는 적어도 하나의 신호를 송신하는 동작;
    상기 통신 인터페이스를 제어하여, 상기 선택된 적어도 하나의 채널에서 객체에 의해 반사된 적어도 하나의 신호를 수신하는 동작;
    상기 송신된 적어도 하나의 신호와 상기 수신된 적어도 하나의 신호를 기반으로 상기 객체에 관련된 데이터를 획득하는 동작; 및
    상기 객체에 관련된 데이터와 기 저장된 적어도 하나의 객체에 대한 기준 데이터를 이용하여 상기 객체를 인식하는 동작을 포함하는 방법.
  20. 제19항에 있어서,
    상기 객체에 관련된 데이터는, 채널 임펄스 응답(channel impulse response)을 포함하고, 및
    상기 객체에 관련된 데이터는, 상기 수신된 신호에 대한 자기 상관(auto-correlation)을 수행하여 획득하는 방법.
KR1020190078755A 2019-07-01 2019-07-01 객체를 인식하기 위한 전자 장치 및 그의 동작 방법 KR20210002906A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190078755A KR20210002906A (ko) 2019-07-01 2019-07-01 객체를 인식하기 위한 전자 장치 및 그의 동작 방법
PCT/KR2020/008609 WO2021002681A1 (ko) 2019-07-01 2020-07-01 객체를 인식하기 위한 전자 장치 및 그의 동작 방법
US17/565,735 US20220120885A1 (en) 2019-07-01 2021-12-30 Electronic device for recognizing object, and operating method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190078755A KR20210002906A (ko) 2019-07-01 2019-07-01 객체를 인식하기 위한 전자 장치 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR20210002906A true KR20210002906A (ko) 2021-01-11

Family

ID=74100921

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190078755A KR20210002906A (ko) 2019-07-01 2019-07-01 객체를 인식하기 위한 전자 장치 및 그의 동작 방법

Country Status (3)

Country Link
US (1) US20220120885A1 (ko)
KR (1) KR20210002906A (ko)
WO (1) WO2021002681A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023033312A1 (ko) * 2021-09-06 2023-03-09 삼성전자 주식회사 외부 객체에 대한 정보를 획득하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 저장 매체
WO2023075366A1 (ko) * 2021-10-25 2023-05-04 삼성전자 주식회사 객체를 검출하기 위한 전자 장치 및 그 방법
WO2023090593A1 (ko) * 2021-11-22 2023-05-25 삼성전자주식회사 전자 장치 및 cir 추정 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101407359B1 (ko) * 2007-09-07 2014-06-13 삼성전자주식회사 무선 주파수 인식 리더기 및 그것의 무선 주파수 전송 방법
US9996723B2 (en) * 2014-01-07 2018-06-12 Precise Biometrics Ab Methods of storing a set of biometric data templates and of matching biometrics, biometric matching apparatus and computer program
US9552069B2 (en) * 2014-07-11 2017-01-24 Microsoft Technology Licensing, Llc 3D gesture recognition
US10417525B2 (en) * 2014-09-22 2019-09-17 Samsung Electronics Co., Ltd. Object recognition with reduced neural network weight precision
US10380881B2 (en) * 2015-12-09 2019-08-13 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring
KR101889025B1 (ko) * 2017-05-22 2018-08-16 동서대학교산학협력단 R-cnn 알고리즘 기반 객체인식을 이용한 휴대단말기용 3차원영상 출력시스템 및 출력방법
KR102424252B1 (ko) * 2017-05-30 2022-07-25 한국전자통신연구원 협대역 레이더 장치 및 그것의 동작 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023033312A1 (ko) * 2021-09-06 2023-03-09 삼성전자 주식회사 외부 객체에 대한 정보를 획득하기 위한 전자 장치, 방법, 및 컴퓨터 판독가능 저장 매체
WO2023075366A1 (ko) * 2021-10-25 2023-05-04 삼성전자 주식회사 객체를 검출하기 위한 전자 장치 및 그 방법
WO2023090593A1 (ko) * 2021-11-22 2023-05-25 삼성전자주식회사 전자 장치 및 cir 추정 방법

Also Published As

Publication number Publication date
WO2021002681A1 (ko) 2021-01-07
US20220120885A1 (en) 2022-04-21

Similar Documents

Publication Publication Date Title
US20220120885A1 (en) Electronic device for recognizing object, and operating method thereof
US11435462B2 (en) Electronic device for performing ranging and method thereof
CN112771481A (zh) 用于与手写笔配对的电子装置及其方法
KR20210030785A (ko) 외부 전자 장치의 위치를 결정하기 위한 전자 장치 및 그 방법
KR20210020616A (ko) 위치를 연산하기 위한 방법 및 그 전자 장치
US11907345B2 (en) Method for performing biometric authentication according to display of object related to biometric authentication and electronic device therefor
KR20200085546A (ko) 그립 센서를 이용하여 파워 백 오프를 제어하기 위한 방법 및 이를 지원하는 전자 장치
CN111209791A (zh) 用于获得与指纹相关联的信息的电子装置和方法
US20230336945A1 (en) Electronic device, and method for grouping external devices by space in electronic device
US20230269350A1 (en) Electronic device and image sharing method of electronic device
US20230186480A1 (en) Electronic device and method for image segmentation based on deep learning
US20230024636A1 (en) Method for performing positioning operation on basis of ultra-wideband signal and electronic device supporting same
US20230053891A1 (en) Electronic device for generating mnemonic phrase of private key and operation method in the electronic device
US12019723B2 (en) Method for authenticating user and electronic device assisting same
KR20210002989A (ko) 사물 인식을 위한 골레이 시퀀스 길이 조절 방법 및 그 전자 장치
US11476895B2 (en) External device including at least one antenna, and electronic device and method for improving antenna performance using same
KR20210061593A (ko) 전자 장치 및 전자 장치의 지문 인식 방법
KR20210051423A (ko) 사용자의 액티비티 정보를 제공하는 전자 장치와 이의 동작 방법
EP4318040A1 (en) Electronic device using uwb signal, and method
US20230074421A1 (en) Electronic device, method, and computer readable storage medium for obtaining information related to external object
US20230164515A1 (en) Electronic device and method for recommending user action based on location
US11677898B2 (en) Electronic device for applying effect for moving object to image and method for operating the same
US20230122019A1 (en) Electronic device and method for performing capturing function in electronic device
US20220383598A1 (en) Method and apparatus for displaying augmented reality object
US11153018B2 (en) Electronic device and method for controlling electronic device