KR20210044598A - 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법 - Google Patents

Abstract

실시 예들은 배송 로봇의 고장 시에 헬퍼 로봇을 이용하여 물품을 대신 배송하도록 제어하는 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법에 관한 것이다.

Description

배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법{Control server of delivery robot and control method thereof}

본 발명은 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법에 관한 것이다.

로봇은 산업용으로 개발되어 공장 자동화의 일 부분을 담당하여 왔다. 최근에는 로봇을 응용한 분야가 더욱 확대되어, 의료용 로봇, 우주 항공 로봇 등이 개발되고, 일반 가정에서 사용할 수 있는 가정용 로봇도 만들어지고 있다. 이러한 로봇 중에서 자력으로 주행이 가능한 것을 이동 로봇이라고 한다.

이동 로봇을 이용하여 사용자에게 편의를 제공할 수 있는 서비스가 요구되면서, 음식을 배달하거나 물품을 배송하는 배송 로봇이 개발되고 있다. 현재에는, 배송 로봇이 물품 배송 중 고장나거나 통신 불가능한 상태인 경우, 관리자가 직접 로봇을 수거해야 하며, 새로운 배송 로봇을 이용하여 물품이 재배송될 때까지 배송이 중단되는 문제가 있다.

다양한 실시 예들은, 배송 로봇의 고장 시에 헬퍼 로봇을 이용하여 물품을 대신 배송하도록 제어하는 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법을 제공한다.

다양한 실시 예들은, 헬퍼 로봇을 이용하여 배송 로봇을 관제 센터로 인계하거나 배터리 충전 등과 같이 간단한 수리를 진행하는 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법을 제공한다.

본 발명의 일 실시 예에 따른 서버는, 복수의 배송 로봇들과 통신하는 통신 회로 및 상기 통신 회로를 통하여 상기 복수의 배송 로봇들을 제어하기 위한 제어 명령을 전송하는 프로세서를 포함하되, 상기 프로세서는, 제1 배송지로의 배송을 수행하는 제1 배송 로봇의 고장이 판단되면, 기설정된 조건에 따라 선택된 제2 배송 로봇이 상기 제1 배송 로봇에 대한 구제 동작을 수행하도록 상기 제2 배송 로봇에게 상기 제어 명령을 전송할 수 있다.

상기 프로세서는, 상기 기설정된 조건에 따라, 상기 제1 배송 로봇이 배송 중인 물품과 동일한 물품을 배송 중인 후보군 중에서 어느 하나를 상기 제2 배송 로봇으로 선택할 수 있다.

상기 프로세서는, 상기 제2 배송 로봇이 상기 제1 배송지로 상기 물품을 배송하도록 상기 제어 명령을 전송할 수 있다.

상기 기설정된 조건은, 상기 후보군 중에서 배송 우선순위가 상기 제1 배송 로봇보다 낮은 조건, 상기 제1 배송지로의 예상 도달 시간이 상대적으로 빠른 조건, 상기 제1 배송지를 포함하는 배송 경로가 상대적으로 짧은 조건, 배터리 잔량이 기설정된 임계값 이상인 조건 중 적어도 하나를 포함하는 상기 제2 배송 로봇으로 선택할 수 있다.

상기 프로세서는, 상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송할 수 있다.

상기 프로세서는, 상기 제1 배송 로봇이 배송 중인 물품을 상기 제1 배송 로봇으로부터 전달받고, 상기 제2 배송 로봇이 상기 물품을 상기 제1 배송지로 배송하도록 상기 제2 배송 로봇에게 제2 제어 명령을 더 전송할 수 있다.

상기 제2 제어 명령은, 상기 제1 배송 로봇과 상기 제2 배송 로봇의 상호 인증을 위한 인증 데이터를 포함할 수 있다.

상기 프로세서는, 상기 물품의 파손 가능성이 기설정된 임계값보다 낮은 경우에, 상기 제1 제어 명령 및 상기 제2 제어 명령을 전송할 수 있다.

상기 기설정된 조건은, 상기 제1 배송 로봇과의 거리가 기설정된 임계값 이하인 조건 및 배송을 완료한 조건 중 적어도 하나를 포함할 수 있다.

상기 프로세서는, 상기 제2 배송 로봇이 상기 제1 배송 로봇과 물리적으로 체결하고, 상기 제1 배송 로봇을 관제 센터로 견인하도록 상기 제2 배송 로봇에게 제3 제어 명령을 더 전송할 수 있다.

상기 프로세서는, 상기 제2 배송 로봇이 상기 제1 배송 로봇에 관한 모니터링 정보를 수집하여 전송하도록 상기 제2 배송 로봇에게 제4 제어 명령을 더 전송할 수 있다.

상기 프로세서는, 관제 센터에서 대기 중인 배송 로봇들 중 어느 하나를 상기 제2 배송 로봇으로 선택하고, 상기 제2 배송 로봇이 상기 제1 배송 로봇이 배송 중인 물품과 동일한 물품을 적재하면, 상기 제2 배송 로봇이 상기 제1 배송지로 상기 물품을 배송하도록 상기 제어 명령을 전송할 수 있다.

상기 프로세서는, 상기 제1 배송 로봇과의 통신 상태, 상기 제1 배송 로봇의 주행 상태 및 상기 제1 배송 로봇으로부터 수신되는 고장 발생 신호 중 적어도 하나에 기초하여 상기 제1 배송 로봇의 고장을 판단할 수 있다.

본 발명의 일 실시 예에 따른 배송 로봇은, 관제 서버와 통신하는 통신 회로 및 상기 통신 회로를 통해 수신되는 제어 명령에 따라, 제1 배송지로 제1 물품을 배송하도록 상기 배송 로봇의 동작을 제어하는 프로세서를 포함하되, 상기 프로세서는, 상기 제어 명령이 상기 제1 물품에 대한 제2 배송지를 포함하는 재설정된 배송 경로를 포함하면, 상기 제2 배송지에 대한 배송을 수행하도록 상기 배송 로봇을 제어할 수 있다.

상기 프로세서는, 상기 제어 명령에 기초하여 고장난 배송 로봇의 현재 위치로 이동하고, 상기 고장난 배송 로봇으로부터 전달된 제2 물품을 제2 배송지로 배송하도록 상기 배송 로봇을 제어할 수 있다.

상기 프로세서는, 상기 제어 명령에 기초하여 고장난 배송 로봇의 현재 위치로 이동하고, 상기 고장난 배송 로봇과 물리적으로 체결하고, 상기 체결된 상기 고장난 배송 로봇을 견인하여 관제 센터로 이동하도록 상기 배송 로봇을 제어할 수 있다.

상기 프로세서는, 상기 제어 명령에 기초하여 고장난 배송 로봇의 현재 위치로 이동하고, 상기 고장난 배송 로봇에 대한 모니터링 정보를 수집하여 상기 관제 서버로 전송할 수 있다.

본 발명의 일 실시 예에 따른 배송 로봇의 제어 방법은, 복수의 배송 로봇들에 대한 고장을 모니터링하는 단계, 제1 배송지로의 배송을 수행하는 제1 배송 로봇의 고장이 판단되면, 기설정된 조건에 따라 제2 배송 로봇을 선택하는 단계 및 상기 제2 배송 로봇에게 상기 제1 배송 로봇에 대한 구제 동작을 수행하도록 제어 명령을 전송하는 단계를 포함할 수 있다.

상기 제2 배송 로봇을 선택하는 단계는, 상기 제1 배송 로봇이 배송 중인 물품과 동일한 물품을 배송 중인 후보군을 결정하는 단계 및 상기 후보군 중에서 상기 기설정된 조건을 만족하는 어느 하나를 상기 제2 배송 로봇으로 선택하는 단계를 포함할 수 있다.

상기 제어 명령은, 상기 제2 배송 로봇이 상기 물품을 상기 제1 배송지로 배송하기 위한 재설정된 배송 경로를 포함할 수 있다.

상기 제어 명령을 전송하는 단계는, 상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는 단계 및 상기 제1 배송 로봇이 배송 중인 물품을 상기 제1 배송 로봇으로부터 전달받고, 상기 제2 배송 로봇이 상기 물품을 상기 제1 배송지로 배송하도록 상기 제2 배송 로봇에게 제2 제어 명령을 전송하는 단계를 포함할 수 있다.

상기 제어 명령을 전송하는 단계는, 상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는 단계 및 상기 제2 배송 로봇이 상기 제1 배송 로봇과 물리적으로 체결하고, 상기 제1 배송 로봇을 관제 센터로 견인하도록 상기 제2 배송 로봇에게 제3 제어 명령을 전송하는 단계를 포함할 수 있다.

상기 제어 명령을 전송하는 단계는, 상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는 단계 및 상기 제2 배송 로봇이 상기 제1 배송 로봇에 관한 모니터링 정보를 수집하여 전송하도록 상기 제2 배송 로봇에게 제4 제어 명령을 전송하는 단계를 포함할 수 있다.

다양한 실시 예들에 따른 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법은, 배송 로봇의 고장 시에도 배송 지연을 방지하고, 고객에게 신속히 물품을 배송할 수 있게 한다.

다양한 실시 예들에 따른 배송 로봇의 관제 서버 및 그의 배송 로봇 제어 방법, 관리자가 로봇을 직접 수거하지 않더라도 헬퍼 로봇을 통하여 고장난 배송 로봇을 관제 센터로 인계하거나 간단한 수리를 수행하므로, 배송 로봇들의 관리 용이성을 증대시킬 수 있다.

도 1은 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 일 실시 예에 따른 관제 서버의 구성을 나타낸 블록도이다.
도 5 및 도 6은 제1 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다.
도 7 및 도 8은 제2 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다.
도 9 및 도 10은 제3 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다.
도 11 및 도 12는 제4 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다.
도 13은 관제 서버가 배송 로봇을 제어하는 예시적인 프로세스를 도시한 순서도이다.

이하, 도면을 참조하여 다양한 실시 예들을 설명한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시 예들의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 실시 예들을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 실시 예들의 기술적 사상이 제한되지 않는다.

어떤 구성 요소(또는 영역, 층, 부분 등)가 다른 구성 요소 "상에 있다.", "연결된다.", 또는 "결합된다." 등의 용어는 다른 구성 요소 상에 직접 연결/결합될 수 있거나 또는 그들 사이에 제3의 구성 요소가 배치될 수도 있다는 것을 의미한다.

"포함하다." 또는 "가지다." 등의 용어는 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되지 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 다양한 실시 예들의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

<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 모델로서, 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)을 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 함수값을 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 조작기(manipulator)를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 휠, 브레이크, 프로펠러 등을 포함하여 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving, Autonomous-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예를 들어, 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 일 실시 예에 따른 AI 장치를 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, AI 장치(100)는 통신 회로(110), 입력 장치(120), 러닝 프로세서(130), 센서(140), 출력 장치(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신 회로(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예를 들어, 통신 회로(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신 회로(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.

입력 장치(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력 장치(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력 장치(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력 장치(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)와 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.

센서(140)는 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센서(140)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등의 하나 또는 복수의 조합으로 구성될 수 있다.

출력 장치(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력 장치(150)에는 정보를 시각적으로 출력하는 디스플레이, 정보를 청각적으로 출력하는 스피커, 정보를 촉각적으로 출력하는 햅틱 액추에이터(actuator) 등이 포함될 수 있다. 예를 들어, 디스플레이는 이미지 또는 동영상을 출력할 수 있고, 스피커는 음성 또는 음향을 출력할 수 있고, 햅틱 액추에이터는 진동을 발생할 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리(170)는 입력 장치(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

메모리(170)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 중 적어도 하나의 저장 매체를 포함할 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 일 실시 예에 따른 AI 서버를 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 통신 회로(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신 회로(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231)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 일 실시 예에 따른 AI 시스템을 나타낸다.

도 3을 참조하면, AI 시스템(1)에서, 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 서로 직접 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)를 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. 예를 들어, 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. 예를 들어, 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. 예를 들어, 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(예를 들어, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예를 들어, 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. 예를 들어, 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. 예를 들어, 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 내부 또는 외부에서 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. 예를 들어, 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. 예를 들어, 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.

예를 들어, 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. 예를 들어, 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. 예를 들어, 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.

이하에서는, AI 장치(100)의 일 예로써, 로봇(100a)의 제어 방법에 대한 다양한 실시 예들을 설명한다. 그러나 이하의 실시 예들은 로봇(100a)에만 적용 가능한 것으로 한정되지 않으며, 기술적 사상이 변경되지 않는 범위 내에서 다른 AI 장치들(100b 내지 100e)에 적용될 수 있다. 예를 들어, 이하의 실시 예들은, 이동형 로봇 등으로 구현된 자율 주행 차량(100b), XR 장치(100c) 등에 적용될 수 있다.

도 4는 일 실시 예에 따른 관제 서버의 구성을 나타낸 블록도이다. 일 실시 예에서, 관제 서버(300)는 도 1 내지 도 3을 참조하여 설명한 AI 서버(200)이거나, AI 서버(200)에서 제공하는 기능들이 내장된 서버 장치일 수 있다. 도 3의 실시 예를 설명함에 있어, 도 1 내지 도 3에 도시된 것과 동일하거나 유사한 구성 요소에 대해 중복된 설명은 생략한다.

도 4를 참조하면, 관제 서버(300)는 통신 회로(310), 입력 장치(320), 출력 장치(330), 메모리(340) 및 프로세서(350)를 포함할 수 있다.

통신 회로(310)는 외부 장치(예를 들어, 도 2에 도시된 AI 장치(100), 사용자 단말기 등)와 유무선 통신 채널을 이용하여 통신을 수행할 수 있다. 통신 회로(310)는 예를 들어, 안테나 회로, 무선통신 회로, 유선 통신 회로 등을 포함할 수 있다. 통신 회로(310)는 프로세서(350) 등에 의해 생성되는 제어 명령을 방사 가능한 신호 형태로 변환하여 외부로 전송할 수 있다. 또한, 통신 회로(310)는 외부 장치로부터 수신되는 신호를 프로세서(350)가 처리 가능한 데이터로 변환하여 프로세서(350)로 전달할 수 있다.

입력 장치(320)는 구성 요소들의 제어를 위한 명령 또는 데이터를 외부, 예를 들어 사용자로부터 수신할 수 있다. 사용자는 예를 들어, 물품을 발송하는 판매자, 배송 로봇을 이용한 배송 서비스를 제공하는 서비스 제공자 또는 물품을 수취하는 수취인일 수 있다.

다양한 실시 예에서, 입력 장치(320)는 물품에 관한 정보(예를 들어, 물품의 종류, 수량, 크기, 파손 가능 여부, 송장 번호 등) 및 수취인에 관한 정보(예를 들어, 수취인명, 연락처, 배송지 정보 등)을 입력받을 수 있다. 또한, 다양한 실시 예에서, 입력 장치(320)는 수취인 식별 정보(예를 들어, ID, 패스워드, OTP, 영상 식별 정보(지문, 얼굴 등) 등)을 입력받을 수 있다.

다른 다양한 실시 예에서, 상기의 정보들은 통신 회로(310)를 통해 외부의 장치들(예를 들어, 사용자 단말기 등)로부터 수신될 수 있다. 일 실시 예에서, 관제 서버(300)가 사용자 입력을 외부 장치들로부터만 수신하는 통신 입력 방식으로 구현되는 경우, 입력 장치(320)는 생략될 수 있다.

출력 장치(330)는 디스플레이, 스피커 등을 통해 정보를 시각적, 청각적 및/또는 촉각적으로 출력할 수 있다. 일 실시 예에서, 디스플레이는 사용자 입력을 수신하기 위한 터치 패널과 일체형으로 구현되어 터치스크린을 구성할 수 있다.

일 실시 예에서, 관제 서버(300)에서 출력하고자 하는 정보는 통신 회로(310) 등을 통하여 외부 장치로 전송될 수 있다. 예를 들어, 관제 서버(300)에서 생성된 정보는 원거리 무선 통신 기술(예를 들어, Wi-Fi, LTE, LTE-A, 5G 등)을 통해 사용자 단말기로 전달되고, 사용자 단말기에서 시각적, 청각적 및/또는 촉각적으로 출력될 수 있다. 일 실시 예에서, 관제 서버(300)가 생성된 정보를 외부 장치를 통해서만 출력하는 통신 출력 방식으로 구현되는 경우, 출력 장치(330)는 생략될 수 있다.

메모리(340)는 관제 서버(300)의 적어도 하나의 구성 요소(예를 들어, 프로세서(350) 등)에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어 및, 이와 관련된 입출력 데이터를 포함할 수 있다. 메모리(340)는, 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다.

프로세서(350)는 본 발명에 따른 배송 로봇의 제어 방법을 수행하기 위하여, 상술한 구성 요소들을 제어할 수 있다. 다양한 실시 예에서, 프로세서(350)는 통신 회로(310)를 통해 수신되는 정보들을 이용하여 복수의 배송 로봇들을 모니터링하고, 특정 배송 로봇에 대한 고장이 발견되면, 헬퍼 로봇을 통한 배송 제어(예를 들어, 우선 배송, 대리 배송, 견인, 감시 등)를 수행할 수 있다. 이하에서는 관제 서버(300)에 의한 배송 로봇의 제어 방법을 보다 구체적으로 설명하기로 한다.

도 5 및 도 6은 제1 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다. 제1 실시 예에서, 관제 서버(300)는 고장난 배송 로봇이 배송 중인 물품과 동일한 물품을 적재하고 있는 배송 로봇을 헬퍼 로봇으로 선택하고, 헬퍼 로봇을 통해 해당 물품을 대신 배송하도록 배송 로봇들을 제어한다.

도 5 및 도 6을 함께 참조하면, 관제 서버(300)의 프로세서(350)는 통신 회로(310)를 통해 제1 배송 로봇(400-1)과 통신할 수 있다. 일 실시 예에서, 프로세서(350)는 제1 배송 로봇(400-1)과의 데이터 송수신을 통해 제1 배송 로봇(400-1)의 상태를 모니터링할 수 있다. 프로세서(350)는 모니터링 결과를 기초로 제1 배송 로봇(400-1)의 고장을 판단할 수 있다(도 5의 (a)).

일 실시 예에서, 제1 배송 로봇(400-1)으로부터 기설정된 시간 동안 데이터가 수신되지 않거나, 데이터 신호의 세기가 기설정된 시간 동안 임계값 이하인 등, 제1 배송 로봇(400-1)과의 통신 상태가 좋지 않으면, 프로세서(350)는 제1 배송 로봇(400-1)이 고장 상태인 것으로 판단할 수 있다. 또는, 제1 배송 로봇(400-1)으로부터 수신되는 주행 정보를 분석한 결과, 제1 배송 로봇(400-1)의 주행 상태가 정상적이지 않다고 판단되는 경우(예를 들어, 장시간 정지해 있는 경우 등), 프로세서(350)는 제1 배송 로봇(400-1)이 고장 상태인 것으로 판단할 수 있다. 또는, 제1 배송 로봇(400-1)으로부터 수신되는 데이터에 고장 발생 신호가 포함된 경우, 프로세서(350)는 제1 배송 로봇(400-1)이 고장 상태인 것으로 판단할 수 있다.

제1 배송 로봇(400-1)이 고장 상태인 것으로 판단되면, 프로세서(350)는 제1 배송 로봇(400-1)을 구제할 제2 배송 로봇(헬퍼 로봇)(400-2)을 선택할 수 있다(도 5의 (b)). 예를 들어, 물품 A을 제1 배송지로 배송 중인 제1 배송 로봇(400-1)이 고장 상태인 경우(도 5의 (a)), 프로세서(350)는 관제 서버(300)와 통신하는 배송 로봇들 중에서, 제1 배송 로봇(400-1)이 배송 중인 물품과 동일한 물품을 배송 중인 배송 로봇들을 후보군으로 결정할 수 있다. 여기서, 물품이 동일한지의 여부는 물품의 종류 및 수량에 기초하여 결정될 수 있다.

프로세서(350)는 결정된 후보군 중에서 어느 하나를 제2 배송 로봇(400-2)으로 선택한다(도 5의 (b)). 프로세서(350)는 배송 우선순위, 제1 배송지로의 예상 도달 시간, 후보군에 포함된 배송 로봇의 배송지와 제1 배송지 사이의 상대적인 거리, 후보군에 포함된 배송 로봇의 배터리 잔량 중 적어도 하나를 기초로 제2 배송 로봇(400-2)을 선택할 수 있다.

예를 들어, 프로세서(350)는 후보군 중에서 제1 배송 로봇(400-1)보다 배송 우선순위가 높은 배송 로봇들은 제2 배송 로봇(400-2)으로 선택하지 않는다. 즉, 프로세서(350)는 후보군 중에서 제1 배송 로봇(400-1)보다 배송 우선순위가 낮은 배송 로봇들 중 어느 하나를 제2 배송 로봇(400-2)으로 선택할 수 있다. 여기서, 배송 우선순위는 물품의 배송이 요청된 순서에 따라 결정될 수 있지만, 이로써 한정되지 않는다.

예를 들어, 프로세서(350)는 후보군 중에서 제1 배송지로의 예상 도달 시간이 가장 빠른 배송 로봇을 제2 배송 로봇(400-2)으로 선택할 수 있다. 다양한 실시 예에서, 프로세서(350)는 배송 로봇들의 배송 경로가 제1 배송지를 포함하도록 재설정되는 경우, 재설정된 배송 경로가 상대적으로 짧은 배송 로봇을 제2 배송 로봇(400-2)을 선택할 수 있다.

예를 들어, 프로세서(350)는 후보군 중에서 배터리 잔량이 기설정된 임계값 이상인 배송 로봇을 제2 배송 로봇(400-2)으로 선택할 수 있다.

제2 배송 로봇(400-2)이 선택되면, 프로세서(350)는 선택된 제2 배송 로봇(400-2)이 물품 A를 제1 배송지에 배송하도록, 통신 회로(310)를 통해 제어 명령을 전송할 수 있다(도 5의 (c)). 여기서 제어 명령은, 예를 들어, 물품 A가 배송되어야 할 제1 배송지를 포함하도록 재설정된 배송 경로를 포함할 수 있다. 제2 배송 로봇(400-2)이 복수의 물품을 복수의 배송지에 배송 중인 경우, 재설정된 배송 경로에서 제1 배송지의 배송 우선순위는 가장 높게 설정될 수 있으나 이로써 한정되지 않는다.

도 7 및 도 8은 제2 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다. 제2 실시 예에서, 관제 서버(300)는 고장난 배송 로봇과 인접한 배송 로봇을 헬퍼 로봇으로 선택하고, 헬퍼 로봇이 고장난 배송 로봇으로부터 물품을 전달받아 대신 배송하도록 배송 로봇들을 제어한다. 제2 실시 예는, 제1 실시 예에서 고장난 배송 로봇과 동일한 물품을 배송 중인 다른 배송 로봇이 존재하지 않거나, 고장난 배송 로봇과 동일한 물품을 배송 중인 다른 배송 로봇이 존재하더라도 기설정된 조건에 의해 적합한 헬퍼 로봇을 선택할 수 없을 때 수행될 수 있다. 또한, 제2 실시 예는 배송 로봇들 사이에서 물품이 전달될 때, 물품의 파손 가능성이 없거나 적어도 낮은 경우에 수행될 수 있다.

도 7 및 도 8을 함께 참조하면, 관제 서버(300)의 프로세서(350)는 통신 회로(310)를 통해 제1 배송 로봇(400-1)과 통신할 수 있다. 일 실시 예에서, 프로세서(350)는 제1 배송 로봇(400-1)과의 데이터 송수신을 통해 제1 배송 로봇(400-1)의 상태를 모니터링할 수 있다. 프로세서(350)는 모니터링 결과를 기초로 제1 배송 로봇(400-1)의 고장을 판단할 수 있다(도 7의 (a)).

제1 배송 로봇(400-1)이 고장 상태인 것으로 판단되면, 프로세서(350)는 제1 배송 로봇(400-1)이 배송 중인 물품 A가 배송 로봇들 사이에서 전달될 때 파손 가능성이 있는지 판단할 수 있다(도 7의 (b)). 파손 가능성은, 예를 들어 물품의 재료에 기초하여 판단될 수 있지만, 이로써 한정되지 않는다. 파손 가능성은 물품의 재료 등과 같은 요소들로부터 임의의 값으로 수치화될 수 있도록 관제 서버(300)의 관리자 등에 의해 미리 설정될 수 있다.

물품의 파손 가능성이 없거나 파손 가능성이 임계값 이하로 낮은 경우, 프로세서(350)는 제1 배송 로봇(400-1)을 구제할 제2 배송 로봇(헬퍼 로봇)(400-2)을 선택할 수 있다. 프로세서(350)는 배송 완료 여부, 제1 배송 로봇(400-1)과의 거리 및 배터리 잔량 중 적어도 하나를 기초로 제2 배송 로봇(400-2)을 선택할 수 있다.

예를 들어, 프로세서(350)는 배송을 완료한 상태인 배송 로봇을 제2 배송 로봇(400-2)으로 선택할 수 있다. 이러한 실시 예에서, 제2 배송 로봇(400-2)은 배송을 완료하고 관제 센터로 복귀 중인 배송 로봇일 수 있다. 배송을 완료한 배송 로봇이 여러 개인 경우, 프로세서(350)는 제1 배송 로봇(400-1)과의 거리 및 배터리 잔량 중 적어도 하나를 기초로 제2 배송 로봇(400-2)을 선택할 수 있다.

배송을 완료한 배송 로봇이 존재하지 않는 경우에, 프로세서(350)는 제1 실시 예에서와 유사하게, 배송 우선순위, 제1 배송지로의 예상 도달 시간, 후보군에 포함된 배송 로봇의 배송지와 제1 배송지 사이의 상대적인 거리, 후보군에 포함된 배송 로봇의 배터리 잔량 중 적어도 하나를 기초로 제2 배송 로봇(400-2)을 선택할 수 있다. 이러한 제2 실시 예에서, 제2 배송 로봇(400-2)은 제1 배송 로봇(400-1)이 배송 중인 물품 A과 상이한 물품 B을 배송 중일 수 있다.

제2 배송 로봇(400-2)이 선택되면, 프로세서(350)는 선택된 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)으로부터 물품 A를 전달받아 대신 배송하도록 제1 배송 로봇(400-1)과 제2 배송 로봇(400-2)을 제어할 수 있다(도 7의 (c)). 구체적으로, 프로세서(350)는 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)의 현재 위치로 이동하도록 제2 배송 로봇(400-2)에게 제1 제어 명령을 전송할 수 있다. 또한, 프로세서(350)는 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)으로부터 물품 A를 전달받고, 제1 배송지로 전달받은 물품 A를 배송하도록 제2 배송 로봇(400-2)에게 제2 제어 명령을 전송할 수 있다. 제2 배송 로봇(400-2)은 제1 배송 로봇(400-1)을 대리하여 전달받은 물품 A을 제1 배송지로 배송할 수 있다.

다양한 실시 예에서, 제1 배송 로봇(400-1)과 제2 배송 로봇(400-2)은 상호 인증이 성공한 경우에 물품 A를 교환할 수 있다. 예를 들어, 제1 배송 로봇(400-1)과 제2 배송 로봇(400-2)은 관제 서버(300)로부터 수신된 보안 코드를 교환함으로써 상호 인증을 수행할 수 있다. 제1 배송 로봇(400-1)이 관제 서버(300)로부터 보안 코드를 수신할 수 없는 경우에는 제1 배송 로봇(400-1)과 제2 배송 로봇(400-2)에 미리 등록된 마스터 키(Master Key) 등을 통해 상호 인증이 수행될 수 있다.

도 9 및 도 10은 제3 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다. 제3 실시 예에서, 관제 서버(300)는 고장난 배송 로봇과 인접한 배송 로봇을 헬퍼 로봇으로 선택하고, 헬퍼 로봇이 고장난 배송 로봇을 관제 센터로 직접 견인하도록 배송 로봇들을 제어한다. 제3 실시 예는, 제2 실시 예에서 배송 로봇들 사이에 물품이 전달될 때, 물품의 파손 가능성이 있거나 적어도 높은 경우에 수행될 수 있다.

도 9 및 도 10을 함께 참조하면, 관제 서버(300)의 프로세서(350)는 통신 회로(310)를 통해 제1 배송 로봇(400-1)과 통신할 수 있다. 일 실시 예에서, 프로세서(350)는 제1 배송 로봇(400-1)과의 데이터 송수신을 통해 제1 배송 로봇(400-1)의 상태를 모니터링할 수 있다. 프로세서(350)는 모니터링 결과를 기초로 제1 배송 로봇(400-1)의 고장을 판단할 수 있다(도 9의 (a)).

제1 배송 로봇(400-1)이 고장 상태인 것으로 판단되면, 프로세서(350)는 제1 배송 로봇(400-1)이 배송 중인 물품 A가 배송 로봇들 사이에서 전달될 때 파손 가능성이 있는지 판단할 수 있다(도 9의 (b)).

물품의 파손 가능성이 있거나 파손 가능성이 임계값 이상으로 높은 경우, 프로세서(350)는 제1 배송 로봇(400-1)을 구제할 제2 배송 로봇(헬퍼 로봇)(400-2)을 선택할 수 있다. 제2 배송 로봇(400-2)의 선택 조건은 제2 실시 예에서와 동일할 수 있으며, 그 구체적인 설명은 생략한다.

제2 배송 로봇(400-2)이 선택되면, 프로세서(350)는 선택된 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)을 견인하여 관제 센터로 복귀하도록 제1 배송 로봇(400-1)과 제2 배송 로봇(400-2)을 제어할 수 있다(도 9의 (c)). 구체적으로, 관제 서버(300)의 프로세서(350)는 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)의 현재 위치로 이동하도록 제2 배송 로봇(400-2)에게 제1 제어 명령을 전송할 수 있다. 또한, 프로세서(350)는 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)과 물리적 또는 구조적으로 체결하고, 체결된 제1 배송 로봇(400-1)을 견인하여 관제 센터로 복귀하도록 제2 배송 로봇(400-2)에게 제3 제어 명령을 전송할 수 있다.

도 11 및 도 12는 제4 실시 예에 따른 배송 로봇의 제어 방법을 설명하기 위한 도면들이다. 제4 실시 예에서, 관제 서버(300)는 고장난 배송 로봇에 인접한 배송 로봇을 헬퍼 로봇으로 선택하고, 헬퍼 로봇이 고장난 배송 로봇의 상태를 감시하여 관제 센터로 보고하도록 배송 로봇들을 제어한다. 제4 실시 예는, 제3 실시 예에서 배송 로봇들 간 물리적 체결이 불가능한 경우, 또는 제2 배송 로봇(400-2)이 배터리 잔량 등을 이유로 제1 배송 로봇(400-1)을 견인할 수 없을 때 수행될 수 있다.

도 11 및 도 12를 함께 참조하면, 관제 서버(300)의 프로세서(350)는 통신 회로(310)를 통해 제1 배송 로봇(400-1)과 통신할 수 있다. 일 실시 예에서, 프로세서(350)는 제1 배송 로봇(400-1)과의 데이터 송수신을 통해 제1 배송 로봇(400-1)의 상태를 모니터링할 수 있다. 프로세서(350)는 모니터링 결과를 기초로 제1 배송 로봇(400-1)의 고장을 판단할 수 있다(도 11의 (a)).

제1 배송 로봇(400-1)이 고장 상태인 것으로 판단되면, 프로세서(350)는 제1 배송 로봇(400-1)을 구제할 제2 배송 로봇(헬퍼 로봇)(400-2)을 선택할 수 있다. 제2 배송 로봇(400-2)의 선택 조건은 제2 실시 예에서와 동일할 수 있으며, 그 구체적인 설명은 생략한다.

제2 배송 로봇(400-2)이 선택되면, 프로세서(350)는 선택된 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1) 주변에 대기하며 제1 배송 로봇(400-1)을 감시(모니터링)하도록 제어할 수 있다(도 11의 (b)). 구체적으로, 관제 서버(300)의 프로세서(350)는 제2 배송 로봇(400-2)이 제1 배송 로봇(400-1)의 현재 위치로 이동하도록 제2 배송 로봇(400-2)에게 제1 제어 명령을 전송할 수 있다. 또한, 프로세서(350)는 제1 배송 로봇(400-1)에 대한 감시 정보를 주기적으로 수집하고 수집된 감시 정보를 관제 서버(300)로 전송하도록 제2 배송 로봇(400-2)에게 제2 제어 명령을 전송할 수 있다. 감시는, 예를 들어, 제1 배송 로봇(400-1)에 대한 영상을 촬영하고 촬영된 영상을 관제 서버(300)에 전송하는 동작을 포함할 수 있다.

이러한 실시 예에서, 관제 서버(300)는 고장이 발생한 배송 로봇의 견인이 불가능한 경우에 주변의 헬퍼 로봇을 통해 고장난 배송 로봇을 감시할 수 있다. 또한, 관제 서버(300)는 원거리 통신이 불가능한 상태인 고장난 배송 로봇을 대신하여 헬퍼 로봇을 통해 고장난 배송 로봇에 대한 제어 명령을 전송할 수 있다. 헬퍼 로봇은 고장난 배송 로봇과 근거리 통신이 가능한 경우, 근거리 통신을 통해 고장난 배송 로봇에게 제어 명령을 전달할 수 있다. 또는, 헬퍼 로봇은 제어 명령에 따라 물리적 또는 구조적으로 고장난 배송 로봇을 직접 제어할 수 있다.

다양한 실시 예에서, 상술한 제1 내지 제4 실시 예들에 따른 동작을 수행할 수 없을 때, 또는 제3 및 제4 실시 예에서, 고장난 배송 로봇을 견인 또는 감시하는 것과 별개로, 관제 서버(300)의 프로세서(350)는, 고장난 배송 로봇을 대신하여, 관제 센터에서 대기 중인 배송 로봇들 중 어느 하나를 통해 제1 배송지로 물품 A을 배송할 수 있다. 관제 센터에 대기 중인 임의의 배송 로봇에 물품 A가 적재되면, 프로세서(350)는 해당 배송 로봇에 대해 제1 배송지로의 배송을 위한 제어 명령을 전송할 수 있다.

도 13은 관제 서버가 배송 로봇을 제어하는 예시적인 프로세스를 도시한 순서도이다. 다양한 실시 예들에서, 관제 서버(300)는 상술한 제1 내지 제4 실시 예들을 기설정된 우선순위에 따라 수행할 수 있다. 예를 들어, 제1 실시 예에서, 고장난 배송 로봇과 동일한 물품을 배송 중인 다른 배송 로봇이 없거나, 동일한 물품을 배송 중인 다른 배송 로봇이 있더라도 기설정된 조건에 따라 적합한 헬퍼 로봇을 선택할 수 없을 때, 관제 서버(300)는 제2 실시 예에 따른 동작을 수행할 수 있다. 이러한 실시 예에 대하여 보다 구체적으로 설명한다.

도 13을 참조하면, 관제 서버(300)의 프로세서(350)는 통신 회로(310)를 통해 배송 로봇들과 통신하여 제1 배송지로 물품을 배송 중인 배송 로봇의 고장 여부를 판단할 수 있다.

배송 로봇이 고장으로 판단되는 경우, 프로세서(350)는 고장난 배송 로봇이 배송 중인 물품과 동일한 물품을 배송 중인 다른 배송 로봇들이 존재하는지 판단할 수 있다. 고장난 배송 로봇이 배송 중인 물품과 동일한 물품을 배송 중인 다른 배송 로봇들이 존재하면, 프로세서(350)는 다른 배송 로봇들 중에서 기설정된 조건에 적합한 헬퍼 로봇을 선정할 수 있다.

여기서 기설정된 조건은, 예를 들어, 배송 우선순위가 고장난 배송 로봇 보다 낮은 조건, 제1 배송지로의 예상 도달 시간이 다른 배송 로봇들보다 상대적으로 빠른 조건, 제1 배송지를 포함시켰을 때의 배송 경로가 다른 배송 로봇들보다 상대적으로 짧은 조건, 배터리 잔량이 기설정된 임계값 이상인 조건 중 적어도 하나를 포함할 수 있다.

프로세서(350)는 선정된 헬퍼 로봇에 대하여, 제1 배송지를 포함하도록 배송 경로를 수정함으로써, 헬퍼 로봇을 통해 제1 배송지로의 물품 배송을 대신하게 할 수 있다.

고장난 배송 로봇이 배송 중인 물품과 동일한 물품을 적재한 다른 배송 로봇들이 존재하지 않으면, 프로세서(350)는 물품의 파손 가능성이 있는지 판단할 수 있다. 물품의 파손 가능성이 없는 경우, 프로세서(350)는 기설정된 조건에 따라 선택된 헬퍼 로봇에게 물품을 전달하도록 고장난 배송 로봇을 제어할 수 있다. 여기서, 기설정된 조건은 고장난 배송 로봇과의 거리가 기설정된 임계값 이하인 조건 및 배송을 완료한 조건 중 적어도 하나를 포함할 수 있다. 또한, 프로세서(350)는 고장난 배송 로봇으로부터 물품을 전달받은 헬퍼 로봇에 대해, 제1 배송지를 포함하도록 배송 경로를 수정함으로써, 헬퍼 로봇을 통해 제1 배송지로의 물품 배송을 대신하게 할 수 있다.

물품의 파손 가능성이 있는 경우, 프로세서(350)는 기설정된 조건에 따라 고장난 배송 로봇을 견인할 수 있는 헬퍼 로봇이 존재하는지 판단할 수 있다. 헬퍼 로봇이 존재하면, 프로세서(350)는 고장난 배송 로봇과 헬퍼 로봇 사이의 물리적 체결을 지시하고, 헬퍼 로봇이 고장난 배송 로봇을 관제 센터까지 견인하도록 제어할 수 있다.

고장난 배송 로봇을 견인할 수 있는 헬퍼 로봇이 존재하지 않으면, 프로세서(350)는 기설정된 조건에 따라 선정된 헬퍼 로봇이 고장난 배송 로봇 주변에 대기하며 고장난 배송 로봇을 감시하도록 제어할 수 있다. 상기와 같은 실시 예들은, 배송 로봇들의 상태에 따라 효율적으로 배송 업무를 진행하도록 배송 로봇 들을 총괄적으로 제어함으로써, 배송 업무에 따른 시간과 비용을 동시에 절약할 수 있고, 물품의 배송 업무에 대한 신뢰도를 향상시킬 수 있다.

본 실시 예들이 속하는 기술분야의 통상의 지식을 가진 자는 본 실시 예들이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 실시 예들의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 실시 예들의 범위에 포함되는 것으로 해석되어야 한다.

100: AI 장치 110: 통신 회로
120: 입력 장치 130: 러닝 프로세서
140: 센서 150: 출력 장치
170: 메모리 200: AI 서버
210: 통신 회로 230: 메모리
231: 인공 신경망 240: 러닝 프로세서
260: 프로세서 300: 관제 서버
310: 통신 회로 320: 입력 장치
330: 출력 장치 340: 메모리
350: 프로세서 400-1: 제1 배송 로봇
400-2: 제2 배송 로봇

Claims (23)

1. 복수의 배송 로봇들과 통신하는 통신 회로; 및
   상기 통신 회로를 통하여 상기 복수의 배송 로봇들을 제어하기 위한 제어 명령을 전송하는 프로세서를 포함하되,
   상기 프로세서는,
   제1 배송지로의 배송을 수행하는 제1 배송 로봇의 고장이 판단되면, 기설정된 조건에 따라 선택된 제2 배송 로봇이 상기 제1 배송 로봇에 대한 구제 동작을 수행하도록 상기 제2 배송 로봇에게 상기 제어 명령을 전송하는, 서버.
2. 제1항에 있어서, 상기 프로세서는,
   상기 기설정된 조건에 따라, 상기 제1 배송 로봇이 배송 중인 물품과 동일한 물품을 배송 중인 후보군 중에서 어느 하나를 상기 제2 배송 로봇으로 선택하는, 서버.
3. 제2항에 있어서, 상기 프로세서는,
   상기 제2 배송 로봇이 상기 제1 배송지로 상기 물품을 배송하도록 상기 제어 명령을 전송하는, 서버.
4. 제3항에 있어서, 상기 기설정된 조건은,
   상기 후보군 중에서 배송 우선순위가 상기 제1 배송 로봇보다 낮은 조건, 상기 제1 배송지로의 예상 도달 시간이 상대적으로 빠른 조건, 상기 제1 배송지를 포함하는 배송 경로가 상대적으로 짧은 조건, 배터리 잔량이 기설정된 임계값 이상인 조건 중 적어도 하나를 포함하는 상기 제2 배송 로봇으로 선택하는, 서버.
5. 제1항에 있어서, 상기 프로세서는,
   상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는, 서버.
6. 제5항에 있어서, 상기 프로세서는,
   상기 제1 배송 로봇이 배송 중인 물품을 상기 제1 배송 로봇으로부터 전달받고, 상기 제2 배송 로봇이 상기 물품을 상기 제1 배송지로 배송하도록 상기 제2 배송 로봇에게 제2 제어 명령을 더 전송하는, 서버.
7. 제6항에 있어서, 상기 제2 제어 명령은,
   상기 제1 배송 로봇과 상기 제2 배송 로봇의 상호 인증을 위한 인증 데이터를 포함하는, 서버.
8. 제6항에 있어서, 상기 프로세서는,
   상기 물품의 파손 가능성이 기설정된 임계값보다 낮은 경우에, 상기 제1 제어 명령 및 상기 제2 제어 명령을 전송하는, 서버.
9. 제6항에 있어서, 상기 기설정된 조건은,
   상기 제1 배송 로봇과의 거리가 기설정된 임계값 이하인 조건 및 배송을 완료한 조건 중 적어도 하나를 포함하는, 서버.
10. 제5항에 있어서, 상기 프로세서는,
    상기 제2 배송 로봇이 상기 제1 배송 로봇과 물리적으로 체결하고, 상기 제1 배송 로봇을 관제 센터로 견인하도록 상기 제2 배송 로봇에게 제3 제어 명령을 더 전송하는, 서버.
11. 제5항에 있어서, 상기 프로세서는,
    상기 제2 배송 로봇이 상기 제1 배송 로봇에 관한 모니터링 정보를 수집하여 전송하도록 상기 제2 배송 로봇에게 제4 제어 명령을 더 전송하는, 서버.
12. 제1항에 있어서, 상기 프로세서는,
    관제 센터에서 대기 중인 배송 로봇들 중 어느 하나를 상기 제2 배송 로봇으로 선택하고, 상기 제2 배송 로봇이 상기 제1 배송 로봇이 배송 중인 물품과 동일한 물품을 적재하면, 상기 제2 배송 로봇이 상기 제1 배송지로 상기 물품을 배송하도록 상기 제어 명령을 전송하는, 서버.
13. 제1항에 있어서, 상기 프로세서는,
    상기 제1 배송 로봇과의 통신 상태, 상기 제1 배송 로봇의 주행 상태 및 상기 제1 배송 로봇으로부터 수신되는 고장 발생 신호 중 적어도 하나에 기초하여 상기 제1 배송 로봇의 고장을 판단하는, 서버.
14. 배송 로봇으로,
    관제 서버와 통신하는 통신 회로; 및
    상기 통신 회로를 통해 수신되는 제어 명령에 따라, 제1 배송지로 제1 물품을 배송하도록 상기 배송 로봇의 동작을 제어하는 프로세서를 포함하되,
    상기 프로세서는,
    상기 제어 명령이 상기 제1 물품에 대한 제2 배송지를 포함하는 재설정된 배송 경로를 포함하면, 상기 제2 배송지에 대한 배송을 수행하도록 상기 배송 로봇을 제어하는, 배송 로봇.
15. 제14항에 있어서, 상기 프로세서는,
    상기 제어 명령에 기초하여 고장난 배송 로봇의 현재 위치로 이동하고, 상기 고장난 배송 로봇으로부터 전달된 제2 물품을 제2 배송지로 배송하도록 상기 배송 로봇을 제어하는, 배송 로봇.
16. 제14항에 있어서, 상기 프로세서는,
    상기 제어 명령에 기초하여 고장난 배송 로봇의 현재 위치로 이동하고, 상기 고장난 배송 로봇과 물리적으로 체결하고, 상기 체결된 상기 고장난 배송 로봇을 견인하여 관제 센터로 이동하도록 상기 배송 로봇을 제어하는, 배송 로봇.
17. 제14항에 있어서, 상기 프로세서는,
    상기 제어 명령에 기초하여 고장난 배송 로봇의 현재 위치로 이동하고, 상기 고장난 배송 로봇에 대한 모니터링 정보를 수집하여 상기 관제 서버로 전송하는, 배송 로봇.
18. 복수의 배송 로봇들에 대한 고장을 모니터링하는 단계;
    제1 배송지로의 배송을 수행하는 제1 배송 로봇의 고장이 판단되면, 기설정된 조건에 따라 제2 배송 로봇을 선택하는 단계; 및
    상기 제2 배송 로봇에게 상기 제1 배송 로봇에 대한 구제 동작을 수행하도록 제어 명령을 전송하는 단계를 포함하는, 배송 로봇의 제어 방법.
19. 제18항에 있어서, 상기 제2 배송 로봇을 선택하는 단계는,
    상기 제1 배송 로봇이 배송 중인 물품과 동일한 물품을 배송 중인 후보군을 결정하는 단계; 및
    상기 후보군 중에서 상기 기설정된 조건을 만족하는 어느 하나를 상기 제2 배송 로봇으로 선택하는 단계를 포함하는, 배송 로봇의 제어 방법.
20. 제19항에 있어서, 상기 제어 명령은,
    상기 제2 배송 로봇이 상기 물품을 상기 제1 배송지로 배송하기 위한 재설정된 배송 경로를 포함하는, 배송 로봇의 제어 방법.
21. 제18항에 있어서, 상기 제어 명령을 전송하는 단계는,
    상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는 단계; 및
    상기 제1 배송 로봇이 배송 중인 물품을 상기 제1 배송 로봇으로부터 전달받고, 상기 제2 배송 로봇이 상기 물품을 상기 제1 배송지로 배송하도록 상기 제2 배송 로봇에게 제2 제어 명령을 전송하는 단계를 포함하는, 배송 로봇의 제어 방법.
22. 제18항에 있어서, 상기 제어 명령을 전송하는 단계는,
    상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는 단계; 및
    상기 제2 배송 로봇이 상기 제1 배송 로봇과 물리적으로 체결하고, 상기 제1 배송 로봇을 관제 센터로 견인하도록 상기 제2 배송 로봇에게 제3 제어 명령을 전송하는 단계를 포함하는, 배송 로봇의 제어 방법.
23. 제18항에 있어서, 상기 제어 명령을 전송하는 단계는,
    상기 제2 배송 로봇이 상기 제1 배송 로봇의 현재 위치로 이동하도록 상기 제2 배송 로봇에게 제1 제어 명령을 전송하는 단계; 및
    상기 제2 배송 로봇이 상기 제1 배송 로봇에 관한 모니터링 정보를 수집하여 전송하도록 상기 제2 배송 로봇에게 제4 제어 명령을 전송하는 단계를 포함하는, 배송 로봇의 제어 방법.

Images