KR20210047431A - 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법 - Google Patents

구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR20210047431A
KR20210047431A KR1020190130932A KR20190130932A KR20210047431A KR 20210047431 A KR20210047431 A KR 20210047431A KR 1020190130932 A KR1020190130932 A KR 1020190130932A KR 20190130932 A KR20190130932 A KR 20190130932A KR 20210047431 A KR20210047431 A KR 20210047431A
Authority
KR
South Korea
Prior art keywords
data
cleaner
bumper
risk area
area
Prior art date
Application number
KR1020190130932A
Other languages
English (en)
Inventor
이가민
김고근
김수연
채승아
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190130932A priority Critical patent/KR20210047431A/ko
Priority to US16/708,395 priority patent/US11550328B2/en
Publication of KR20210047431A publication Critical patent/KR20210047431A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2852—Elements for displacement of the vacuum cleaner or the accessories therefor, e.g. wheels, casters or nozzles
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4061—Steering means; Means for avoiding obstacles; Details related to the place where the driver is accommodated
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/009—Carrying-vehicles; Arrangements of trollies or wheels; Means for avoiding mechanical obstacles
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805—Parameters or conditions being sensed
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2894—Details related to signal transmission in suction cleaners
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B25J11/0085—Cleaning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1669—Programme controls characterised by programming, planning systems for manipulators characterised by special application, e.g. multi-arm co-operation, assembly, grasping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • B25J9/1682—Dual arm manipulator; Coordination of several manipulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/04—Automatic control of the travelling movement; Automatic obstacle detection
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/06—Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L5/00—Structural features of suction cleaners
    • A47L5/12—Structural features of suction cleaners with power-driven air-pumps or air-compressors, e.g. driven by motor vehicle engine vacuum
    • A47L5/22—Structural features of suction cleaners with power-driven air-pumps or air-compressors, e.g. driven by motor vehicle engine vacuum with rotary fans
    • A47L5/24—Hand-supported suction cleaners

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Robotics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은, 제1 청소기로부터 3D 센서 데이터 및 범퍼 센서 데이터를 수신하는 통신부, 3D 센서 데이터 및 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터를 생성하는 프로세서 및 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성하고, 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키는 러닝프로세서를 포함하고, 프로세서는 통신부를 통해 학습된 구속 위험 영역 분류 모델을 제2 청소기로 전송하는 인공 지능 장치 및 그의 동작방법을 제공한다.

Description

구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법 {AN ARTIFICIAL INTELLIGENCE APPARATUS FOR SHARING INFORMATION OF STUCK AREA AND METHOD THEREOF}
본 발명은, 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.
그리고 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭 할 수 있다.
한편, 로봇 청소기는 스스로 주행을 하면서 청소를 진행한다.
그러나, 로봇 청소기가 청소를 할 때 가구의 배치, 건물 구조 등으로 인해 움직일 수 없는 상황이 발생하는 문제점이 있다.
따라서, 로봇 청소기가 움직일 수 없는 상황이 발생하지 않도록 할 필요성이 증가하고 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 발명은 복수의 청소기가 구속 위험 영역 정보를 공유할 수 있도록 하여, 청소기가 구속 위험 영역에서 탈출할 수 있도록 하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.
본 발명은 제1 청소기의 센싱 데이터 및 경로 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키고, 학습된 구속 위험 분류 모델을 제2 청소기로 전송하여 제2 청소기가 구속 위험 영역에서 탈출 할 수 있도록 하는 인공 지능 장치 및 그 방법의 제공을 목적으로 한다.
본 발명의 일 실시 예는 제1 청소기로부터 3D 센서 데이터 및 범퍼 센서 데이터를 수신하는 통신부, 3D 센서 데이터 및 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터를 생성하는 프로세서 및 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성하고, 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키는 러닝프로세서를 포함하고, 프로세서는 통신부를 통해 학습된 구속 위험 영역 분류 모델을 제2 청소기로 전송하는 인공 지능 장치를 제공한다.
또한, 본 발명의 일 실시 예는 제1 청소기로부터 3D 센서 데이터 및 범퍼 센서 데이터를 수신하는 단계, 3D 센서 데이터 및 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터를 생성하는 단계, 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성하는 단계, 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키는 단계 및 학습된 구속 위험 영역 분류 모델을 제2 청소기로 전송하는 단계를 포함하는 구속 위험 영역 정보 공유 방법을 제공한다.
본 발명의 실시 예에 따르면, 로봇 청소기는 다른 청소기에 의해 수집된 정보를 이용하여 학습된 모델을 활용할 수 있어 시행착오 없이 구속 위험 영역을 탈출 할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 사람의 조작에 의해 움직이는 진공 청소기에 의해 수집된 정보를 이용할 수 있어, 정확한 탈출 경로가 학습된 모델을 생성할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 청소기가 주변 상황 맵 데이터를 기반으로 학습된 모델을 이용할 수 있게 함으로써, 가구 등의 배치가 변경된 경우라도 위험 영역을 인지하게 할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 5는 본 발명의 일 실시 예에 따른 구속 위험 영역 정보를 공유하는 방법을 설명하기 위한 동작 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 주변 상황 맵 데이터를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 구속 위험 영역 분류 모델을 설명하는 도면이다.
도 8은 본 발명의 일 실시 예에 따른 학습 데이터를 생성하는 방법을 설명하기 위한 동작 흐름도이다.
도 9는 본 발명의 일 실시 예에 따른 구속 위험 영역 분류 모델을 설명하는 도면이다.
도 10은 본 발명의 일 실시 예에 따른 복수의 청소기가 구속 위험 영역 정보를 공유하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시 예에 따른 제1 청소기(300)의 예시도이다.
도 12는 본 발명의 일 실시 예에 따른 제2 청소기(400)의 예시도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<로봇(Robot)>
로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.
로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.
로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.
<자율 주행(Self-Driving)>
자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.
여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 구속 위험 영역을 공유하는 AI 시스템(1)은 인공 지능 장치(100). 인공 지능 서버(200), 제1 청소기(300) 또는 제2 청소기(400) 중에서 적어도 하나 이상을 포함할 수 있다.
이 경우, 인공 지능 장치(100)는 모듈화 되어 제1 청소기(300) 또는 제2 청소기(400)에 탑재되는 것일 수 있다.
도 4의 AI 시스템(1)에서 인공 지능 장치(100)는 제1 청소기(300) 또는 제2 청소기(400)와 하나의 구성이 될 수도 있으며, 인공 지능 기능을 탑재한 청소기를 인공 지능 장치(100)라 칭하는 것이라고도 볼 수 있다.
인공 지능 장치(100), 인공 지능 서버(200), 제1 청소기(300) 및 제2 청소기(400)는 서로 유무선 통신 기술을 이용하여 서로 통신할 수 있다.
각 장치들(100, 200, 300, 400)은 기지국, 라우터 등을 통하여 서로 통신할 수도 있지만, 근거리 통신 기술 등을 이용하여 직접 서로 통신할 수도 있다.
또한, 각 장치들(100, 200, 300, 400)은 Wifi 통신을 이용하여 서로 통신을 할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 구속 위험 영역 정보를 공유하는 방법을 설명하기 위한 동작 흐름도이다.
통신부(110)는 제1 청소기(300)로부터 3D 센서 데이터 및 범퍼 센서 데이터를 수신할 수 있다(S501).
제1 청소기(300)는 청소 중에 적어도 하나 이상의 센서를 통하여 3차원(Three Dimesional, 이하 ‘3D’) 센서 데이터 및 범퍼 센서 데이터를 획득할 수 있다.
3D 센서 데이터는 3D 센서를 통해 감지되는 데이터일 수 있으며, 3D 센서는 깊이 센서일 수 있다.
깊이 센서는 발광부로부터 조사된 빛이 사물에 반사되어 돌아옴을 감지할 수 있다. 깊이 센서는 돌아온 빛을 감지한 시간 차이, 돌아온 빛의 양 등에 기초하여, 사물과의 거리를 측정할 수 있다.
깊이 센서는 측정된 사물 간의 거리에 기초하여, 인공 지능 장치(100)제1 청소기(300) 주위에 대한 2차원 영상 정보 또는 3차원 영상 정보를 획득할 수 있다.
제1 청소기(300)는 적어도 하나 이상의 3D 센서를 본체 전면에 구비할 수 있다.
또한, 범퍼 센서 데이터는 범퍼 센서를 통해 측정되는 범퍼 이벤트에 대한 데이터일 수 있다.
범퍼 센서는 범퍼에 가해지는 충격량을 측정할 수 있다. 범퍼 센서는 기 설정된 충격량 이상이 감지되면, 범퍼 이벤트를 생성할 수 있다.
제1 청소기(300)는 적어도 하나 이상의 범퍼 센서를 본체의 각 면에 구비할 수 있다. 예를 들어, 제1 청소기(300)의 헤드의 전면, 좌측면 및 우측면 각각에 범퍼 센서를 구비할 수 있다. 범퍼 센서 데이터는 제1 청소기(300)의 복수의 범퍼 센서가 감지한 범퍼 이벤트에 대한 데이터를 포함할 수 있다.
한편, 메모리(170)는 수신한 3D 센서 데이터 및 범퍼 센서 데이터를 저장할 수 있다.
프로세서(180)는 3D 센서 데이터 및 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터를 생성할 수 있다(S502).
주변 상황 맵 데이터는 청소 지도 상에 제1 청소기(300)의 위치를 기준으로 감지된 3D 센서 데이터 및 범퍼 센서 데이터를 포함할 수 있다.
프로세서(180)는 기 설정된 시간 동안의 3D 센서 데이터 및 범퍼 센서를 기초로 주변 상황 맵 데이터를 생성할 수 있다.
프로세서(180)는 주변 상화 맵 데이터를 표현하는 주변 맵을 생성할 수도 있다.
메모리(170)는 주변 상황 맵 데이터를 저장할 수 있다.
도 6을 참고하면, 주변 상황 맵 데이터를 표현하는 주변 맵이 도시되어 있다.
프로세서(180)는 3D 센서 데이터를 기초로 제1 청소기(300)의 주변에 감지되는 객체를 나타내는 제1 컬러의 점들(601) 또는 제2 컬러의 점들(602)로 변환할 수 있다. 예를 들어, 제1 컬러의 점(601)은 제1 청소기(300)의 주변 공간에서 바닥과 가까운 낮은 곳에서 감지되는 객체를 나타내는 점일 수 있다. 또한, 제2 컬러의 점(602)는 은 제1 청소기(300)의 주변 공간에서 바닥과 떨어진 높은 곳에서 감지되는 객체를 나타내는 점일 수 있다.
프로세서(180)는 범퍼 이벤트를 제3 컬러의 점들(603)로 변환할 수 있다. 예를 들어, 프로세서(180)는 기 설정된 시간 동안의 범퍼 이벤트를 제3 컬러의 점들(603)로 변환할 수 있다.
러닝 프로세서(130)는 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성할 수 있다(S503).
러닝 프로세서(130)는 범퍼 센서 데이터를 기초로 주변 상황 맵데이터가 구속 위험 영역에 해당하는지 판별하고, 구속 위험 영역에 해당하는 주변 상황 맵 데이터에 대하여 구속 위험 영역으로 분류하는 영역 분류 데이터를 레이블링 할 수 있다.
영역 분류 데이터는 주변 상황 맵데이터에 대한 정답 데이터가 될 수 있다. 예를 들어, 영역 분류 데이터는 구속 비위험 영역과 구속 위험 영역에 대한 정답 데이터가 될 수 있다. 또한, 영역 분류 데이터는 제1 청소기의 탈출 경로 데이터의 탈출 방향에 따라 구속 위험 영역을 분류하는 정답 데이터가 될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 학습 데이터를 생성하는 방법을 설명하기 위한 동작 흐름도이다.
러닝 프로세서(130)는 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터가 구속 위험 영역에 해당하는지 판별할 수 있다(S801).
러닝 프로세서(130)는 기 설정된 시간 동안 범퍼 이벤트가 기 설정된 횟수 이상 발생한 경우, 기 설정된 시간 동안의 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별할 수 있다.
예를 들어, 제1 청소기(300)가 장애물이 많은 곳을 청소하는 경우 제1 청소기의 범퍼 센서는 다량의 범퍼 이벤트를 감지할 수 있으며, 인공 지능 장치(100)는 제1 청소기가 감지한 다량의 범퍼 이벤트가 포함된 범퍼 센서 데이터를 수신할 수 있다. 이 경우, 러닝 프로세서(130)는 기 설정된 시간 동안 범퍼 이벤트가 기 설정된 횟수 이상 발생한 경우, 기 설정된 시간 동안의 제1 청소기(100300)가 획득했던 3D 센서 데이터를 기초로 생성된 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별할 수 있다.
또한, 러닝 프로세서(130)는 기 설정된 시간 동안 제1 청소기(300)의 복수의 범퍼 센서에서 범퍼 이벤트가 발생한 경우, 기 설정된 시간 동안의 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별할 수 있다.
예를 들어, 제1 청소기(300)는 복수의 범퍼 센서를 본체의 각 면에 구비할 수 있다. 제1 청소기(300)가 장애물이 많고 좁은 곳을 청소하는 경우, 제1 청소기(300)의 본체 각 면에 있는 범퍼 센서는 다량의 범퍼 이벤트를 감지할 수 있다. 인공 지능 장치(100)는 제1 청소기(300)의 복수의 범퍼 센서가 감지한 다량의 범퍼 이벤트가 포함된 범퍼 센서 데이터를 수신할 수 있다. 이 경우, 러닝 프로세서(130)는 기 설정된 시간 동안 제1 청소기(300)의 복수의 범퍼 센서에서 범퍼 이벤트가 기 설정된 횟수 이상 발생하였다고 판단할 수 있으며, 기 설정된 시간 동안의 제1 청소기(100)가 획득했던 3D 센서 데이터를 기초로 생성된 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별할 수 있다.
러닝 프로세서(130)는 구속 위험 영역에 해당하는 주변 상황 맵 데이터에 대하여 구속 위험 영역으로 분류하는 영역 분류 데이터를 레이블링할 수 있다.
예를 들어, 러닝 프로세서(130)는 구속 위험 영역에 해당하는 것으로 판별된 주변 상황 맵 데이터를 구속 위험 영역으로 레이블링하고, 구속 위험 영역에 해당하지 않는 것으로 판별된 주변 상황 맵 데이터를 구속 비위험 영역으로 레이블링할 수 있다.
또한, 러닝 프로세서(130)는 주변 상황 맵 데이터가 구속 위험 영역에 해당하는 것으로 판별되는 경우, 제1 청소기(300)의 탈출 경로 데이터에 따라 구속 위험 영역의 종류를 분류하여 분류된 구속 위험 영역에 따라 주행 상황 맵 데이터에 레이블링할 수 있다.
러닝 프로세서(130)는 통신부(110)를 통해 수신한 제1 청소기(300)의 경로 데이터 및 주변 상황 맵 데이터를 기초로 제1 청소기(300)가 구속 위험 영역으로부터 탈출을 완료하기까지의 탈출 경로 데이터를 획득할 수 있다.
러닝 프로세서(130)는 범퍼 센서 데이터를 기초로 제1 청소기(300)가 구속 위험 영역으로부터 탈출을 완료했는지 판별할 수 있다(S802).
예를 들어, 러닝 프로세서(130)는 주변 상황 맵 데이터가 구속 위험 영역에 해당하는 것으로 판별된 구속 시점 이후부터 기 설정된 시간 동안 범퍼 이벤트가 발생하지 않는 경우, 제1 청소기(300)가 탈출을 완료한 것으로 판별할 수 있다.
이 경우, 러닝 프로세서(130)는 구속 시점 이후부터 제1 청소기(300)의 경로 데이터를 기초로 탈출 경로 데이터를 획득할 수 있다.
또한, 러닝 프로세서(130)는 구속 위험 영역에 해당하는 것으로 판별된 주변 상황 맵 데이터의 시점부터 기 설정된 시간 동안의 범퍼 이벤트가 기 설정된 횟수 이하로 발생한 경우, 제1 청소기가 구속 위험 영역으로부터 탈출을 완료한 것으로 판별할 수 있다.
러닝 프로세서(130)는 탈출 경로 데이터에 따라 구속 위험 영역의 분류를 결정할 수 있다(S803).
러닝 프로세서(130)는 경로 데이터의 유사성에 따라 탈출 경로 데이터를 분류 할 수 있으며, 각 분류된 탈출 경로 데이터마다 구속 위험 영역의 분류를 지정할 수 있다.
예를 들어, 러닝 프로세서(130)는 탈출 경로 데이터의 탈출 방향에 따라 전방 탈출, 후방 탈출, 좌측방 탈출 및 우측방 탈출로 분류할 수 있다.
러닝 프로세서(130)는 주변 상황 맵 데이터의 구속 위험 영역의 분류는 탈출 방향에 기초하여 결정할 수 있다. 예를 들어, 전방 탈출, 후방 탈출, 좌측방 탈출 및 우측방 탈출 각각에 대하여 제1 구속 위험 영역, 제2 구속 위험 영역, 제3 구속 위험 영역 및 제4 구속 위험 영역으로 분류할 수 있다.
러닝 프로세서(130)는 구속 위험 영역에 해당하는 주변 상황 맵 데이터에 대하여 구속 위험 영역의 분류를 결정하고, 결정된 구속 위험 영역의 분류를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성할 수 있다.
러닝 프로세서(130)는 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시킬 수 있다(S504).
구속 위험 영역 분류 모델은 머신 러닝에서 사용되는 인공 신경망(ANN: Artificial Neural Network) 모델일 수 있다. 구속 위험 영역 분류 모델은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성될 수 있다. 구속 위험 영역 분류 모델은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다. 구속 위험 영역 분류 모델의 인공 신경망은 은 서포트 벡터 머신(Support Vector Machine, SVM), 합성곱 신경망(Convolutional Neural Network, CNN) 중 어느 하나가 사용될 수 있다.
구속 위험 영역 분류 모델은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
구속 위험 영역 분류 모델은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 또는 강화 학습(Reinforcement Learning)을 통해 생성될 수 있다.
예를 들어, 구속 위험 영역 분류 모델이 지도 학습을 통해 생성되는 경우 학습 데이터에 대한 레이블(label)이 주어진 상태에서 학습될 수 있다. 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
러닝 프로세서(130)는 구속 위험 영역의 분류를 특정하는 레이블이 지정된 학습 데이터를 이용하여 구속 위험 영역 분류 모델을 학습 시킬 수 있다.
러닝 프로세서(130)는 주변 상황 맵 데이터에 대하여 구속 위험 영역 분류를 레이블링 하여, 구속 위험 영역을 인지하도록 구속 위험 영역 분류 모델을 학습 시킬 수 있다. 따라서, 구속 위험 영역 모델은 새로운 주변 상황 맵 데이터가 입력될 경우, 주변 상황 맵 데이터가 구속 위험 영역에 해당하는지 또는 탈출 경로에 따라 분류된 구속 위험 영역의 종류를 출력할 수 있다.
또한, 구속 위험 영역 분류 모델은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 비지도 학습, 또는 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 강화 학습을 통해서도 학습될 수 있다.
예를 들어, 도 7을 참고하면, 학습 데이터가 복수의 주변 상황 맵 데이터 각각에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터가 레이블링된 데이터인 경우, 구속 위험 영역 분류 모델(702)은 새로운 주변 상황 맵 데이터(701)가 입력되면 구속 비위험 영역 또는 구속 위험 영역에 대한 출력 값(703)을 출력할 수 있다.
또한, 도 9를 참고하면, 학습 데이터가 복수의 주변 상황 맵 데이터 각각에 대하여 탈출 경로에 따라 분류되는 구속 위험 영역의 분류를 나타내는 영역 분류 데이터가 레이블링된 데이터인 경우, 구속 위험 영역 분류 모델(902)은 새로운 주변 상황 맵 데이터(901)가 입력되면 구속 비위험 영역, 제1 구속 위험 영역, 제2 구속 위험 영역, 제3 구속 위험 영역 및 제4 위험 영역에 대한 출력 값(703903)을 출력할 수 있다. 이 경우, 제1 구속 위험 영역은 전방 탈출 가능한 구속 위험 영역, 제2 구속 위험 영역은 후방 탈출 가능한 구속 위험 영역, 좌측방 탈출 가능한 구속 위험 영역 및 우측방 탈출 가능한 구속 위험 영역을 의미할 수 있으며, 이에 한정되는 것은 아니다.
메모리(170)는 학습된 구속 위험 영역 분류 모델을 저장할 수 있다.
프로세서(180)는 통신부(110)를 통해 학습된 구속 위험 영역 분류 모델을 제2 청소기(400)로 전송할 수 있다.
도 10은 본 발명의 일 실시 예에 따른 복수의 청소기가 구속 위험 영역 정보를 공유하는 방법을 설명하기 위한 도면이다.
제1 청소기(300)는 3D 센서 데이터, 범퍼 센서 데이터 및 경로 데이터를 인공 지능 장치(100)에 전송할 수 있다.
도 11을 참고하면, 제1 청소기(300)는 사람의 조작 또는 외부의 힘에 의해 움직이는 무선 진공 청소기일 수 있다.
제1 청소기(300)는 적어도 하나 이상의 3D 센서를 청소기 헤드(301)에 구비할 수 있으며, 적어도 하나 이상의 범퍼 센서를 헤드(301)의 각 면에 구비할 수 있다. 예를 들어, 제1 청소기(300)는 헤드(301)의 전면, 좌측면 및 우측면 각각에 범퍼 센서를 구비할 수 있다.
인공 지능 장치(100)는 수신한 3D 센서 데이터, 범퍼 센서 데이터 및 경로 데이터를 메모리(170)에 저장할 수 있다(S1002).
인공 지능 장치(100)는 3D 센서 데이터를 기초로 주변 상황 맵 데이터를 생성하고, 생성된 주변 상황 맵 데이터가 구속 위험 영역에 해당하는지 여부를 판별할 수 있다(S1003).
인공 지능 장치(100)는 경로 데이터를 이용하여 제1 청소기(300)의 탈출 경로 데이터를 추출할 수 있다(S1004).
인공 지능 장치(100)는 탈출 경로에 따라 구속 위험 영역의 분류를 결정할 수 있다(S1005).
인공 지능 장치(100)는 분류된 구속 위험 영역에 따라 주변 상황 맵 데이터에 영역 분류 데이터를 레이블링하여 학습 데이터를 생성할 수 있다(S1006).
인공 지능 장치(100)는 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시킬 수 있다(S1007).
인공 지능 장치(100)는 학습된 구속 위험 영역 분류 모델을 제2 청소기(400)로 전공 할 수 있다.
제2 청소기(400)는 수신한 구속 위험 영역 분류 모델을 메모리에 저장할 수 있다(S1009).
제2 청소기(400)는 청소를 시작할 수 있다(S1010).
제2 청소기(400)는 스스로 주행이 가능한 로봇 청소기일 수 있다.
도 12를 참고하면, 제2 청소기(400)는 적어도 하나 이상의 3D 센서를 헤드(401)에 구비할 수 있으며, 적어도 하나 이상의 범퍼 센서를 헤드(401)의 각 면에 구비할 수 있다. 예를 들어, 제2 청소기(400)는 헤드(401)의 전면, 좌측면 및 우측면 각각에 범퍼 센서를 구비할 수 있다.
제2 청소기(400)는 수신한 학습된 구속 위험 영역 분류 모델을 저장하고, 제2 청소기가 주행 중 획득한 3D 센서 데이터를 학습된 구속 위험 영역 분류 모델에 제공하여 제 2 청소기가 구속 위험 영역에 위치하는지 여부를 나타내는 나타내는 영역 분류 데이터를 획득하고, 구속 위험 영역에 위치하는 경우 탈출 주행을 할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims (19)

  1. 제1 청소기로부터 3D 센서 데이터 및 범퍼 센서 데이터를 수신하는 단계;
    상기 3D 센서 데이터 및 상기 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터를 생성하는 단계;
    상기 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성하는 단계;
    상기 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키는 단계; 및
    상기 학습된 구속 위험 영역 분류 모델을 제2 청소기로 전송하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  2. 제1항에 있어서,
    상기 주변 상황 맵 데이터를 생성하는 단계는,
    기 설정된 시간 동안의 3D 센서 데이터 및 범퍼 센서를 기초로 상기 주변 상황 맵 데이터를 생성하는,
    구속 위험 영역 정보 공유 방법.
  3. 제1항에 있어서,
    상기 학습 데이터를 생성하는 단계는,
    상기 범퍼 센서 데이터를 기초로 상기 주변 상황 맵 데이터가 구속 위험 영역에 해당하는지 판별하는 단계; 및
    구속 위험 영역에 해당하는 주변 상황 맵 데이터에 대하여 구속 위험 영역으로 분류하는 영역 분류 데이터를 레이블링하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  4. 제3항에 있어서,
    상기 구속 위험 영역에 해당하는지 판별하는 단계는,
    기 설정된 시간 동안 범퍼 이벤트가 기 설정된 횟수 이상 발생한 경우, 상기 기 설정된 시간 동안의 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  5. 제3항에 있어서,
    상기 범퍼 센서 데이터는,
    상기 제1 청소기의 복수의 범퍼 센서가 감지한 범퍼 이벤트에 대한 데이터를 포함하고,
    상기 구속 위험 영역에 해당하는지 판별하는 단계는,
    기 설정된 시간 동안 상기 제1 청소기의 복수의 범퍼 센서에서 범퍼 이벤트가 발생한 경우, 상기 기 설정된 시간 동안의 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  6. 제3항에 있어서,
    상기 수신하는 단계는,
    상기 제1 청소기의 경로 데이터를 수신하는 단계를 포함하고,
    상기 영역 분류 데이터를 레이블링하는 단계는,
    상기 주변 상황 맵 데이터를 기초로 상기 제1 청소기가 상기 구속 위험 영역으로부터 탈출을 완료하기까지의 탈출 경로 데이터를 획득하는 단계;
    상기 탈출 경로 데이터에 따라 구속 위험 영역의 분류를 결정하는 단계; 및
    상기 주변 상황 맵 데이터에 상기 분류된 구속 위험 영역을 나타내는 영역 분류 데이터를 레이블링하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  7. 제6항에 있어서,
    상기 탈출 경로 데이터를 획득하는 단계는,
    상기 구속 위험 영역에 해당하는 것으로 판별된 주변 상황 맵 데이터의 시점부터 기 설정된 시간 동안의 범퍼 이벤트가 기 설정된 횟수 이하로 발생한 경우, 상기 제1 청소기가 상기 구속 위험 영역으로부터 탈출을 완료한 것으로 판별하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  8. 제6항에 있어서,
    상기 구속 위험 영역의 분류를 결정하는 단계는,
    상기 탈출 경로 데이터를 기초로 탈출 방향을 획득하는 단계;
    상기 탈출 방향에 따라 상기 구속 위험 영역의 분류를 결정하는 단계를 포함하는,
    구속 위험 영역 정보 공유 방법.
  9. 제1항에 있어서,
    상기 제2 청소기는,
    상기 수신한 학습된 구속 위험 영역 분류 모델을 저장하고, 상기 제2 청소기가 주행 중 획득한 3D 센서 데이터를 상기 학습된 구속 위험 영역 분류 모델에 제공하여 상기 제 2 청소기가 구속 위험 영역에 위치하는지 여부를 나타내는 영역 분류 데이터를 획득하고, 구속 위험 영역에 위치하는 경우 탈출 주행하는,
    구속 위험 영역 정보 공유 방법.
  10. 제1 청소기로부터 3D 센서 데이터 및 범퍼 센서 데이터를 수신하는 통신부;
    상기 3D 센서 데이터 및 상기 범퍼 센서 데이터를 기초로 주변 상황 맵 데이터를 생성하는 프로세서; 및
    상기 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성하고, 상기 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키는 러닝프로세서를 포함하고,
    상기 프로세서는,
    상기 통신부를 통해 상기 학습된 구속 위험 영역 분류 모델을 제2 청소기로 전송하는,
    인공 지능 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    기 설정된 시간 동안의 3D 센서 데이터 및 범퍼 센서를 기초로 상기 주변 상황 맵 데이터를 생성하는,
    인공 지능 장치.
  12. 제10항에 있어서,
    상기 러닝 프로세서는,
    상기 범퍼 센서 데이터를 기초로 상기 주변 상황 맵 데이터가 구속 위험 영역에 해당하는지 판별하고, 구속 위험 영역 해당하는 주변 상황 맵 데이터에 대하여 구속 위험 영역으로 분류하는 영역 분류 데이터를 레이블링하는,
    인공 지능 장치.
  13. 제12항에 있어서,
    상기 러닝 프로세서는,
    기 설정된 시간 동안 범퍼 이벤트가 기 설정된 횟수 이상 발생한 경우, 상기 기 설정된 시간 동안의 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별하는,
    인공 지능 장치.
  14. 제12항에 있어서,
    상기 범퍼 센서 데이터는,
    상기 제1 청소기의 복수의 범퍼 센서가 감지한 범퍼 이벤트에 대한 데이터를 포함하고,
    상기 러닝 프로세서는,
    기 설정된 시간 동안 상기 제1 청소기의 복수의 범퍼 센서에서 범퍼 이벤트가 발생한 경우, 상기 기 설정된 시간 동안의 주변 상황 맵 데이터를 구속 위험 영역에 해당하는 것으로 판별하는,
    인공 지능 장치.
  15. 제12항에 있어서,
    상기 통신부는,
    상기 제1 청소기의 경로 데이터를 수신하고,
    상기 러닝 프로세서는,
    상기 주변 상황 맵 데이터를 기초로 상기 제1 청소기가 상기 구속 위험 영역으로부터 탈출을 완료하기까지의 탈출 경로 데이터를 획득하고, 상기 탈출 경로 데이터에 따라 구속 위험 영역의 분류를 결정하고, 상기 주변 상황 맵 데이터에 상기 분류된 구속 위험 영역을 나타내는 영역 분류 데이터를 레이블링하는 단계를 포함하는,
    인공 지능 장치.
  16. 제15항에 있어서,
    상기 러닝 프로세서는,
    상기 구속 위험 영역에 해당하는 것으로 판별된 주변 상황 맵 데이터의 시점부터 기 설정된 시간 동안의 범퍼 이벤트가 기 설정된 횟수 이하로 발생한 경우, 상기 제1 청소기가 상기 구속 위험 영역으로부터 탈출을 완료한 것으로 판별하는,
    인공 지능 장치.
  17. 제15항에 있어서,
    상기 러닝 프로세서는,
    상기 탈출 경로 데이터를 기초로 탈출 방향을 획득하고, 상기 탈출 방향에 에 따라 상기 구속 위험 영역의 분류를 결정하는,
    인공 지능 장치.
  18. 제10항에 있어서,
    상기 제2 청소기는,
    상기 수신한 학습된 구속 위험 영역 분류 모델을 저장하고, 상기 제2 청소기가 주행 중 획득한 3D 센서 데이터를 상기 학습된 구속 위험 영역 분류 모델에 제공하여 상기 제 2 청소기가 구속 위험 영역에 위치하는지 여부를 나타내는 영역 분류 데이터를 획득하고, 구속 위험 영역에 위치하는 경우 탈출 주행하는,
    인공 지능 장치.
  19. 청소 기능이 있는 인공 지능 장치에 있어서,
    제1 청소기로부터 제1 3D 센서 데이터 및 제1 범퍼 센서 데이터를 수신하는 통신부;
    상기 제1 3D 센서 데이터 및 상기 제1 범퍼 센서 데이터를 기초로 제1 주변 상황 맵 데이터를 생성하는 프로세서;
    상기 제1 주변 상황 맵 데이터에 대하여 구속 위험 영역에 해당하는지 여부를 나타내는 영역 분류 데이터를 레이블링하여 학습 데이터를 생성하고, 상기 학습 데이터를 기초로 구속 위험 영역 분류 모델을 학습시키는 러닝프로세서;
    주변 장애물을 감지하는 3D 센서; 및
    범퍼 이벤트를 감지하는 범퍼 센서를 포함하고,
    상기 프로세서는,
    상기 3D 센서 및 상기 범퍼 센서를 통해 획득한 제2 3D 센서 데이터 및 제2 범퍼 센서 데이터를 이용하여 제2 주변 상황 맵 데이터를 생성하고, 상기 제2 주변 상황 맵 데이터를 상기 구속 위험 영역 분류 모델에 제공하여 상기 인공 지능 장치가 구속 위험 영역에 위치하는지 여부를 나타내는 영역 분류 데이터를 획득하고, 상기 인공 지능 장치가 구속 위험 영역에 위치하는 경우 탈출 주행을 하도록 상기 인공 지능 장치를 제어하는,
    인공 지능 장치.
KR1020190130932A 2019-10-21 2019-10-21 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법 KR20210047431A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190130932A KR20210047431A (ko) 2019-10-21 2019-10-21 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법
US16/708,395 US11550328B2 (en) 2019-10-21 2019-12-09 Artificial intelligence apparatus for sharing information of stuck area and method for the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190130932A KR20210047431A (ko) 2019-10-21 2019-10-21 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210047431A true KR20210047431A (ko) 2021-04-30

Family

ID=75490860

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190130932A KR20210047431A (ko) 2019-10-21 2019-10-21 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법

Country Status (2)

Country Link
US (1) US11550328B2 (ko)
KR (1) KR20210047431A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023120867A1 (ko) * 2021-12-22 2023-06-29 네이버랩스 주식회사 강화 학습 기반의 알고리즘과 경로 계획 기반의 알고리즘을 사용하여 로봇을 제어하는 방법 및 시스템과, 로봇이 배치되는 건물

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102083188B1 (ko) * 2013-07-29 2020-03-02 삼성전자주식회사 청소 로봇 및 그 제어 방법
US9704043B2 (en) * 2014-12-16 2017-07-11 Irobot Corporation Systems and methods for capturing images and annotating the captured images with information
TWI652034B (zh) * 2016-05-17 2019-03-01 Ｌｇ電子股份有限公司 清掃機器人
KR102448287B1 (ko) * 2017-08-08 2022-09-28 삼성전자주식회사 전자 장치 및 그 동작 방법
US11475291B2 (en) * 2017-12-27 2022-10-18 X Development Llc Sharing learned information among robots

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023120867A1 (ko) * 2021-12-22 2023-06-29 네이버랩스 주식회사 강화 학습 기반의 알고리즘과 경로 계획 기반의 알고리즘을 사용하여 로봇을 제어하는 방법 및 시스템과, 로봇이 배치되는 건물

Also Published As

Publication number Publication date
US20210116929A1 (en) 2021-04-22
US11550328B2 (en) 2023-01-10

Similar Documents

Publication Publication Date Title
KR102298582B1 (ko) 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법
KR102305206B1 (ko) 인공 지능을 통해 바닥 상황을 고려하여 청소하는 로봇 청소기 및 그 방법
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR20190110498A (ko) 영상 파일에서 불특정 인물의 얼굴 영역을 비식별화 처리하는 인공 지능 서버 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
US11710036B2 (en) Artificial intelligence server
KR20190107627A (ko) 차량의 위치 정보를 제공하는 인공 지능 장치 및 그 방법
KR20210077482A (ko) 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법
KR20210051014A (ko) 로봇 청소기 및 그의 동작 방법
KR102263250B1 (ko) 엔진 소음 제거 장치 및 엔진 소음 제거 방법
KR20190101333A (ko) 음성 인식 장치 및 음성 인식 방법
KR20220001522A (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
KR20190106905A (ko) 인공지능 전자기기
KR20190104008A (ko) 인공 지능을 이용하여, 청소하는 로봇 청소기 및 그 동작 방법
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
KR20210047434A (ko) 로봇 청소기 및 그의 동작 방법
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR20190104264A (ko) 차량에 탑재되는 인공 지능 장치 및 그 방법
US11334094B2 (en) Method for maintaining stability of mobile robot and mobile robot thereof
KR20190094317A (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
KR20210067432A (ko) 로봇의 비상 정지의 수행
KR102537381B1 (ko) 보행경로예측장치
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20190098930A (ko) 사용자에게 음식을 제공하는 방법 및 그 장치

Legal Events

Date Code Title Description
A201 Request for examination