KR20210051601A - 인공지능 무빙 에이전트 - Google Patents

인공지능 무빙 에이전트 Download PDF

Info

Publication number
KR20210051601A
KR20210051601A KR1020190137070A KR20190137070A KR20210051601A KR 20210051601 A KR20210051601 A KR 20210051601A KR 1020190137070 A KR1020190137070 A KR 1020190137070A KR 20190137070 A KR20190137070 A KR 20190137070A KR 20210051601 A KR20210051601 A KR 20210051601A
Authority
KR
South Korea
Prior art keywords
area
artificial intelligence
objects
processor
occupied
Prior art date
Application number
KR1020190137070A
Other languages
English (en)
Inventor
맹지찬
김태현
채종훈
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 KR1020190137070A priority Critical patent/KR20210051601A/ko
Priority to US16/812,162 priority patent/US11385643B2/en
Publication of KR20210051601A publication Critical patent/KR20210051601A/ko

Links

Images

Classifications

    • 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
    • G05D1/0088—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
    • 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
    • A47L9/28—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
    • A47L9/2852—Elements for displacement of the vacuum cleaner or the accessories therefor, e.g. wheels, casters or nozzles
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • 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
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • 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
    • 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
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G05D2201/0203—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue

Landscapes

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

Abstract

인공지능 무빙 에이전트가 개시된다. 인공지능 무빙 에이전트는, 상기 인공지능 무빙 에이전트를 주행시키는 주행 구동부, 점유 영역을 결정하기 위한 데이터를 획득하는 센싱부, 및, 상기 데이터에 기초하여 하나 이상의 오브젝트의 점유 영역을 결정하고, 상기 하나 이상의 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정한 조정 구역을 획득하는 프로세서를 포함한다.

Description

인공지능 무빙 에이전트 {ARTIFICIAL INTELLIGENCE MOVING AGENT}
본 발명은, 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정할 수 있는 무빙 에이전트에 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.
로봇 청소기는 실내 공간을 주행하며 청소를 수행하는 기기이다. 그리고 최근에는, 물품, 러그 등에 대한 로봇 청소기의 접근을 막기 위하여, 로봇 청소기의 청소 제한 구역을 설정할 수 있도록 하는 기술이 나타나고 있다.
구체적으로 대한민국 특허청 등록특허공보 10-1575597는, 실내 공간의 맵이 표시된 상태에서 사용자가 화면을 터치하여 로봇 청소기의 주행 금지 구역을 지정하는 금지선을 입력하는 내용을 개시한다. 이 경우 로봇 청소기는 금지선을 넘지 않으면서 청소를 수행하게 된다.
그 외에도, 신호기를 세워서 청소 제한 구역을 설정하는 기술이 존재한다. 이 경우 로봇 청소기는 신호기를 인식하여 청소 제한 구역 안으로 진입하지 않을 수 있다.
다만 이러한 기술들은 모두 청소 제한 구역의 정밀한 설정이 불가능하기 때문에, 실제 필요한 청소 제한 구역과 사용자가 설정한 청소 제한 구역 간에는 차이가 발생하였다. 또한 정밀한 설정이 가능하다고 가정하더라도, 정밀한 설정을 위해서는 사용자의 많은 노력이 필요하였다.
본 발명의 목적은, 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정할 수 있는 무빙 에이전트를 제공하기 위함이다.
인공지능 무빙 에이전트는, 인공지능 무빙 에이전트를 주행시키는 주행 구동부, 점유 영역을 결정하기 위한 데이터를 획득하는 센싱부, 및, 데이터에 기초하여 하나 이상의 오브젝트의 점유 영역을 결정하고, 하나 이상의 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정한 조정 구역을 획득하는 프로세서를 포함한다.
본 발명에 따르면, 제한 구역을 보다 정밀하게 재 설정함으로써, 무빙 에이전트의 이동 영역이 불필요하게 제한되는 것을 방지하거나, 잘못 설정된 제한 구역을 수정할 수 있는 장점이 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 4a는 본 발명의 일 실시예에 따른 로봇 청소기의 사시도이다.
도 4b는 도 4a의 로봇 청소기의 수평 화각을 도시한 것이다.
도 4c은 도 4a의 로봇 청소기의 전면도이다.
도 4d는 도 4a의 로봇 청소기의 저면을 도시한 것이다.
도 4e는 로봇 청소기의 주요부들을 도시한 블록도이다.
도 5는 실내 공간의 지도를 생성하는 방법을 설명하기 위한 도면이다.
도 6은 로봇 청소기의 동작 방법을 설명하기 위한 도면이다.
도 6은 무빙 에이전트의 동작 방법을 설명하기 위한 도면이다.
도 7은 사용자에 의해 설정된 제한 구역(720) 및 하나 이상의 오브젝트(711, 712, 713)를 도시한 도면이다.
도 8은 점유 영역을 결정하기 위한 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 9는 점유 영역을 결정하는 방법을 설명하기 위한 도면이다.
도 10 내지 도 12는 제한 구역의 재 설정 여부를 결정하는 방법을 설명하기 위한 도면이다.
도 13은 제한 구역 내 오브젝트가 하나인 경우의 동작을 설명하기 위한 도면이다.
도 14는 제한 구역 내 오브젝트가 복수인 경우의 동작을 설명하기 위한 도면이다.
도 15는 제한 구역 내 오브젝트가 복수인 경우의 또 다른 동작을 설명하기 위한 도면이다.
도 16은 본 발명의 효과를 설명하기 위한 도면이다.
도 17은 조정 완충 영역을 설명하기 위한 도면이다.
도 18은 오브젝트가 이동하는 경우의 동작을 설명하기 위한 도면이다.
도 19는 동일한 상황이 반복됨에 따른 무빙 에이전트의 동작을 설명하기 위한 도면이다.
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 4a는 본 발명의 일 실시예에 따른 로봇 청소기의 사시도이다. 도 4b는 도 4a의 로봇 청소기의 수평 화각을 도시한 것이다. 도 4c은 도 4a의 로봇 청소기의 전면도이다. 도 4d는 도 4a의 로봇 청소기의 저면을 도시한 것이다.
도 4a 내지 도 4d를 참조하면, 본 발명의 일 실시예에 따른 로봇 청소기(51)은 청소구역의 바닥을 따라 이동하며, 바닥 상의 먼지 등의 이물질을 흡입하는 본체(5010)와, 본체(5010)의 전면에 배치되는 장애물 감지유닛(5100)을 포함할 수 있다.
본체(5010)는 외관을 형성하며 내측으로 본체(5010)를 구성하는 부품들이 수납되는 공간을 형성하는 케이싱(5011)과, 케이싱(5011)에 배치되어 먼지나 쓰레기 등의 이물질을 흡입하는 흡입유닛(5034)과, 케이싱(5011)에 회전 가능하게 구비되는 좌륜(36(L))과 우륜(36(R))을 포함할 수 있다. 좌륜(36(L))과 우륜(36(R))이 회전함에 따라 본체(10)가 청소구역의 바닥을 따라 이동되며, 이 과정에서 흡입유닛(5034)을 통해 이물질이 흡입된다.
흡입유닛(5034)은 흡입력을 발생시키는 흡입 팬(미도시)과, 흡입 팬의 회전에 의해 생성된 기류가 흡입되는 흡입구(10h)를 포함할 수 있다. 흡입유닛(5034)은 흡입구(10h)를 통해 흡입된 기류 중에서 이물질을 채집하는 필터(미도시)와, 필터에 의해 채집된 이물질들이 축적되는 이물질 채집통(미도시)을 포함할 수 있다.
또한, 본체(5010)는 좌륜(36(L))과 우륜(36(R))을 구동시키는 주행 구동부를 포함할 수 있다. 주행 구동부는 적어도 하나의 구동모터를 포함할 수 있다. 적어도 하나의 구동모터는 좌륜(36(L))을 회전시키는 좌륜 구동모터와 우륜(36(R))을 회전시키는 우륜 구동모터를 포함할 수 있다.
좌륜 구동모터와 우륜 구동모터는 제어부의 주행제어부에 의해 작동이 독립적으로 제어됨으로써 본체(5010)의 직진, 후진 또는 선회가 이루어질 수 있다. 예를들어, 본체(5010)가 직진 주행하는 경우에는 좌륜 구동모터와 우륜 구동모터가 같은 방향으로 회전되나, 좌륜 구동모터와 우륜 구동모터가 다른 속도로 회전되거나, 서로 반대 방향으로 회전되는 경우에는 본체(5010)의 주행 방향이 전환될 수 있다. 본체(5010)의 안정적인 지지를 위한 적어도 하나의 보조륜(5037)이 더 구비될 수 있다.
케이싱(5011)의 저면부 전방측에 위치하며, 방사상으로 연장된 다수개의 날개로 이루어진 솔을 갖는 복수의 브러시(5035)가 더 구비될 수 있다. 복수의 브러시(5035)의 회전에 의해 청소구역의 바닥으로부터 먼지들이 제거되며, 이렇게 바닥으로부터 분리된 먼지들은 흡입구(10h)를 통해 흡입되어 채집통에 모인다.
케이싱(5011)의 상면에는 사용자로부터 로봇 청소기(51)의 제어를 위한 각종 명령을 입력받는 조작부(5160)를 포함하는 컨트롤 패널이 구비될 수 있다.
장애물 감지유닛(5100)은 본체(5010)의 전면에 배치될 수 있다.
장애물 감지유닛(5100)은 케이싱(5011)의 전면에 고정되고, 제 1 패턴 조사부(5120), 제 2 패턴 조사부(5130) 및 영상 획득부(5140)를 포함한다. 이때 영상획득부는 도시된 바와 같이 패턴조사부의 하부에 설치되는 것을 기본으로 하나, 경우에 따라 제 1 및 제 2 패턴조사부 사이에 배치될 수 있다. 또한, 본체의 상단부에 제 2 영상획득부(미도시)가 더 구비될 수 있다. 제 2 영상획득부는 본체의 상단부, 즉 천장의 영상을 촬영한다.
본체(5010)에는 재충전이 가능한 배터리(5038)가 구비되며, 배터리(5038)의 충전 단자(5033)가 상용 전원(예를 들어, 가정 내의 전원 콘센트)과 연결되거나, 상용 전원과 연결된 별도의 충전대(미도시)에 본체(5010)가 도킹되어, 충전 단자(5033)가 상용 전원과 전기적으로 연결되고, 배터리(5038)의 충전이 이루어질 수 있다. 로봇 청소기(51)을 구성하는 전장 부품들은 배터리(5038)로부터 전원을 공급받을 수 있으며, 따라서, 배터리(5038)가 충전된 상태에서 로봇 청소기(51)은 상용 전원과 전기적으로 분리된 상태에서 자력 주행이 가능하다.
도 4e는 본 발명의 일 실시예에 따른 로봇 청소기의 주요부들을 도시한 블록도이다.
도 4e에 도시된 바와 같이, 로봇 청소기(51)은 주행 구동부(5250), 청소부(5260), 데이터부(5280), 장애물 감지유닛(5100), 센서부(5150), 통신부(5270), 조작부(5160), 그리고 동작 전반을 제어하는 제어부(5200)를 포함한다. 제어부는 하나 또는 그 이상의 마이크로 프로세서로 구현될 수 있고, 하드웨어 장치로 구현될 수 있다.
조작부(5160)는 적어도 하나의 버튼, 스위치, 터치패드 등의 입력수단을 포함하여 사용자명령을 입력받는다. 조작부는 앞서 설명한 바와 같이 본체(5010)의 상단부에 구비될 수 있다.
데이터부(5280)에는 장애물 감지유닛(5100) 또는 센서부(5150)로부터 입력되는 장애물 감지신호가 저장하고, 장애물인식부(5210)가 장애물을 판단하기 위한 기준데이터가 저장되며, 감지된 장애물에 대한 장애물정보가 저장된다. 또한, 데이터부(5280)에는 로봇 청소기의 동작을 제어하기 위한 제어데이터 및 로봇 청소기의 청소모드에 따른 데이터가 저장되며, 맵생성부에 의해 생성된, 장애물정보가 포함된 지도가 저장된다. 데이터부(5280)는, 기초맵, 청소맵, 사용자맵, 가이드맵이 저장될 수 있다. 장애물 감지신호는 센서부에 의한 초음파/레이저 등의 감지신호, 영상획득부의 획득영상이 포함된다.
또한, 데이터부(5280)는, 마이크로 프로세서(micro processor)에 의해 읽힐 수 있는 데이터를 저장하는 것으로, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치를 포함할 수 있다.
통신부(5270)는, 무선통신 방식으로 공기 청정기와 통신한다. 또한, 통신부(5270)는 가정 내 네트워크를 통해, 인터넷망에 연결되어, 외부의 서버 또는 공기 청정기와 통신할 수 있다.
통신부(5270)는 생성되는 지도를 공기 청정기로 전송하고, 로봇 청소기의 동작상태, 청소상태에 대한 데이터를 공기 청정기로 전송한다. 통신부(5270)는 지그비, 블루투스 등의 근거리 무선통신뿐 아니라, 와이파이, 와이브로 등의 통신모듈을 포함하여 데이터를 송수신한다.
주행 구동부(5250)는 적어도 하나의 구동모터를 포함하여 주행제어부(230)의 제어명령에 따라 로봇 청소기가 주행하도록 한다. 주행 구동부(5250)는 앞서 설명한 바와 같이, 좌륜(36(L))을 회전시키는 좌륜 구동모터와 우륜(36(R))을 회전시키는 우륜 구동모터를 포함할 수 있다.
청소부(5260)는 브러쉬를 동작시켜 로봇 청소기 주변의 먼지 또는 이물질을 흡입하기 쉬운 상태로 만들고, 흡입장치를 동작시켜 먼지 또는 이물질을 흡입한다. 청소부(5260)는 먼지나 쓰레기 등의 이물질을 흡입하는 흡입유닛(34)에 구비되는 흡입 팬의 동작을 제어하여 먼지가 흡입구를 통해 이물질 채집통에 투입되도록 한다.
장애물 감지유닛(5100)은 제 1 패턴 조사부(5120), 제 2 패턴 조사부(5130), 그리고 영상 획득부(5140)를 포함한다.
센서부(5150)는 복수의 센서를 포함하여 장애 감지를 보조한다. 센서부(5150)는 레이저 센서, 초음파 센서 및 적외선 센서 중 적어도 하나를 포함할 수 있다. 그리고 센서부(5150)는 레이저, 초음파, 적외선 중 적어도 하나를 이용하여 본체(5010)의 전방, 즉 주행방향의 장애물을 감지한다. 센서부(5150)는 송출되는 신호가 반사되어 입사되는 경우, 장애물의 존재여부 또는 장애물까지의 거리에 대한 정보를 장애물 감지신호로써 제어부(5200)로 입력한다.
또한, 센서부(5150)는 적어도 하나의 기울기센서를 포함하여 본체의 기울기를 감지한다. 기울기센서는 본체의 전, 후, 좌, 우 방향으로 기울어지는 경우, 기울어진 방향과 각도를 산출한다. 기울기센서는 틸트센서, 가속도센서 등이 사용될 수 있고, 가속도센서의 경우 자이로식, 관성식, 실리콘반도체식 중 어느 것이나 적용 가능하다.
한편 센서부(5150)는 장애물 감지 유닛(5100)의 구성 중 적어도 하나를 포함하고, 장애물 감지 유닛(5100)의 기능을 수행할 수 있다.
장애물 감지유닛(5100)은 제 1 패턴 조사부(5120), 제 2 패턴 조사부(5130) 및 영상 획득부(5140)가, 앞서 설명한 바와 같이, 본체(5010)의 전면에 설치되어, 로봇 청소기의 전방에 제 1 및 제 2 패턴의 광(P1, P2)을 조사하고, 조사된 패턴의 광을 촬영하여 영상을 획득한다.
또한 센서부(5150)는 공기 중 먼지의 양을 감지하는 먼지 센서 및 공기 중 가스의 양을 감지하는 가스 센서를 포함할 수 있다.
장애물 감지유닛(5100)은 획득영상을 장애물 감지신호로써 제어부(5200)로 입력한다.
장애물 감지유닛(5100)의 제 1 및 제 2 패턴 조사부(5120, 5130)는 광원과, 광원으로부터 조사된 광이 투과됨으로써 소정의 패턴을 생성하는 패턴생성자(OPPE: Optical Pattern Projection Element)를 포함할 수 있다. 광원은 레이져 다이오드(Laser Diode, LD), 발광 다이오드(Light Emitteing Diode, LED) 등 일 수 있다. 레이져 광은 단색성, 직진성 및 접속 특성에 있어 다른 광원에 비해 월등해, 정밀한 거리 측정이 가능하며, 특히, 적외선 또는 가시광선은 대상체의 색상과 재질 등의 요인에 따라 거리 측정의 정밀도에 있어서 편차가 크게 발생되는 문제가 있기 때문에, 광원으로는 레이져 다이오드가 바람직하다. 패턴생성자는 렌즈, DOE(Diffractive optical element)를 포함할 수 있다. 각각의 패턴 조사부(5120, 5130)에 구비된 패턴 생성자의 구성에 따라 다양한 패턴의 광이 조사될 수 있다.
제 1 패턴 조사부(5120)는 제 1 패턴의 광(P1, 이하, 제 1 패턴 광이라고 함.)을 본체(5010)의 전방 하측을 향해 조사할 수 있다. 따라서, 제 1 패턴 광(P1)은 청소구역의 바닥에 입사될 수 있다.
제 1 패턴 광(P1)은 수평선(Ph)의 형태로 구성될 수 있다. 또한, 제 1 패턴 광(P1)은 수평선(Ph)과 수직선(Pv)이 교차하는 십자 패턴의 형태로 구성되는 것 또한 가능하다.
제 1 패턴 조사부(5120), 제 2 패턴 조사부(5130) 및 영상 획득부(5140)는 수직으로, 일렬 배치될 수 있다. 영상 획득부(5140)는, 제 1 패턴 조사부(5120)와 제 2 패턴 조사부(5130)의 하부에 배치되나, 반드시 이에 한정되는 것은 아니며, 제 1 패턴 조사부와 제 2 패턴 조사부의 상부에 배치될 수도 있다.
실시예에서, 제 1 패턴 조사부(5120)는 상측에 위치하여 전방을 향해 하방으로 제 1 패턴 광(P1)을 조사하여, 제 1 패턴 조사부(5120)보다 하측에 위치하는 장애물을 감지하고, 제 2 패턴 조사부(5130)는 제 1 패턴 조사부(5120)의 하측에 위치하여 전방을 향해 상방으로 제 2 패턴의 광(P2, 이하, 제 2 패턴 광이라고 함.)을 조사할 수 있다. 따라서, 제 2 패턴 광(P2)은 벽면이나, 청소구역의 바닥으로부터 적어도 제 2 패턴 조사부(5130)보다 높이 위치하는 장애물 또는 장애물의 일정 부분에 입사될 수 있다.
제 2 패턴 광(P2)은 제 1 패턴 광(P1)과 다른 패턴으로 이루어질 수 있고, 바람직하게는 수평선을 포함하여 구성된다. 여기서, 수평선은 반드시 연속한 선분이어야 하는 것은 아니고, 점선으로 이루어질 수도 있다.
한편, 앞서 설명한 도 2에서, 표시된 조사각(θh)은 제 1 패턴 조사부(5120)로부터 조사된 제 1 패턴 광(P1)의 수평조사각을 표시한 것으로, 수평선(Ph)의 양단이 제 1 패턴 조사부(5120)와 이루는 각도를 나타내며, 130˚ 내지 140˚ 범위에서 정해지는 것이 바람직하나, 반드시 이에 한정되어야 하는 것은 아니다. 도 2에 표시된 점선은 로봇 청소기(51)의 전방을 향하는 것이며, 제 1 패턴 광(P1)은 점선에 대해 대칭인 형태로 구성될 수 있다.
제 2 패턴 조사부(5130) 역시 제 1 패턴 조사부(5120)와 마찬가지로 수평 조사각이, 바람직하게는, 130˚ 내지 140˚ 범위에서 정해질 수 있으며, 실시예에 따라서는 제 1 패턴 조사부(5120)와 동일한 수평 조사각으로 패턴 광(P2)을 조사할 수 있으며, 이 경우, 제 2 패턴 광(P1) 역시 도 2에 표시된 점선에 대해 대칭인 형태로 구성될 수 있다.
영상 획득부(5140)는 본체(5010) 전방의 영상을 획득할 수 있다. 특히, 영상 획득부(5140)에 의해 획득된 영상(이하, 획득영상이라고 함.)에는 패턴 광(P1, P2)이 나타나며, 이하, 획득영상에 나타난 패턴 광(P1, P2)의 상을 광 패턴이라고 하고, 이는 실질적으로 실제 공간상에 입사된 패턴 광(P1, P2)이 이미지 센서에 맺힌 상이기 때문에, 패턴 광들(P1, P2)과 같은 도면 부호를 부여하여, 제 1 패턴 광(P1) 및 제 2 패턴 광(P2)과 각각 대응하는 상들을 제 1 광 패턴(P1) 및 제 2 광 패턴(P2)이라고 하기로 한다.
영상 획득부(5140)는 피사체의 상을 전기적 신호로 변환시킨 후 다시 디지털 신호로 바꿔 메모리소자에 기억시키는 디지털 카메라를 포함할 수 있으며, 디지털 카메라는 이미지센서(미도시)와 영상처리부(미도시)를 포함할 수 있다.
이미지센서는 광학 영상(image)을 전기적 신호로 변환하는 장치로, 다수개의 광 다이오드(photo diode)가 집적된 칩으로 구성되며, 광 다이오드로는 픽셀(pixel)을 예로 들 수 있다. 렌즈를 통과한 광에 의해 칩에 맺힌 영상에 의해 각각의 픽셀들에 전하가 축적되며, 픽셀에 축적된 전하들은 전기적 신호(예를들어, 전압)로 변환된다. 이미지센서로는 CCD(Charge Coupled Device), CMOS(Complementary Metal Oxide Semiconductor) 등이 잘 알려져 있다.
영상처리부는 이미지센서로부터 출력된 아날로그 신호를 바탕으로 디지털 영상을 생성한다. 영상처리부는 아날로그 신호를 디지털 신호로 변환하는 AD컨버터와, AD컨버터로부터 출력된 디지털 신호에 따라 일시적으로 디지털 정보(digital data)를 기록하는 버퍼 메모리(buffer memory)와, 버퍼 메모리에 기록된 정보를 처리하여 디지털 영상을 구성하는 디지털 신호처리기(DSP:Digital Signal Processor)를 포함할 수 있다.
제어부(5200)는 장애물인식부(5210), 맵생성부(5220), 주행제어부(5230), 위치인식부(5240)를 포함한다.
장애물인식부(5210)는 장애물 감지유닛(5100)으로부터 입력되는 획득영상을 통해 장애물을 판단하고, 주행제어부(5230)는 장애물 정보에 대응하여 이동방향 또는 주행경로를 변경하여 장애물을 통과하거나 또는 장애물을 회피하여 주행하도록 주행 구동부(5250)를 제어한다.
주행제어부(5230)는 주행구동부(5250)를 제어하여 좌륜 구동모터와 우륜 구동모터의 작동을 독립적으로 제어함으로써 본체(5010)가 직진 또는 회전하여 주행하도록 한다.
장애물인식부(5210)는 센서부(5150) 또는 장애물 감지유닛(5100)으로부터 입력되는 장애물 감지신호를 데이터부(5280)에 저장하고, 장애물 감지신호를 분석하여 장애물을 판단한다.
장애물인식부(5210)는 센서부의 신호를 바탕으로 전방의 장애물 존재 여부를 판단하고, 획득영상을 분석하여 장애물의 위치, 크기, 형태를 판단한다.
장애물인식부(5210)는 획득영상을 분석하여 패턴을 추출한다. 장애물인식부(5210) 제 1 패턴 조사부 또는 제 2 패턴 조사부로부터 조사된 패턴의 광이 바닥 또는 장애물에 조사되어 나타나는 광 패턴을 추출하고, 추출된 광 패턴을 바탕으로 장애물을 판단한다.
장애물인식부(5210)는 영상 획득부(5140)에 의해 획득된 영상(획득영상)으로부터 광 패턴(P1, P2)을 검출한다. 장애물인식부(5210)는 획득영상을 구성하는 소정의 픽셀들에 대해 점, 선, 면 등의 특징을 검출 (feature detection)하고, 이렇게 검출된 특징을 바탕으로 광 패턴(P1, P2) 또는 광 패턴(P1, P2)을 구성하는 점, 선, 면 등을 검출할 수 있다.
장애물인식부(5210)는 주변보다 밝은 픽셀들이 연속됨으로써 구성되는 선분들을 추출하여, 제 1 광 패턴(P1)을 구성하는 수평선(Ph), 제 2 광 패턴(P2)을 구성하는 수평선을 추출할 수 있다. 그러나 이에 한정되지 않고, 디지털 영상으로부터 원하는 형태의 패턴을 추출하는 다양한 기법들이 이미 알려져 있는바, 장애물인식부(5210)는 이들 공지된 기술들을 이용하여 제 1 광 패턴(P1)과 제 2 광 패턴(P2)을 추출할 수 있다.
또한, 장애물인식부(5210)는 검출된 패턴을 바탕으로 장애물 유무를 판단하고, 장애물의 형태를 판단한다. 장애물인식부(5210)는 제 1 광 패턴과 제 2 광 패턴을 통해 장애물을 판단하고, 장애물까지의 거리를 산출할 수 있다. 또한, 장애물인식부(5210)는 제 1 광패턴과 제 2 광패턴의 형태, 장애물 접근 중 나타나는 광패턴을 변화를 통해 장애물의 크기(높이)와 형태를 판단할 수 있다.
장애물인식부(5210)는 제 1 및 광패턴 및 제 2 광패턴에 대하여 기준위치와의 거리를 바탕으로 장애물을 판단한다. 장애물인식부(5210)는 제 1 광 패턴(P1)이 기준위치보다 낮은 위치에 나타나는 경우, 내리막 경사로가 존재하는 것으로 판단할 수 있고, 제 1 광 패턴(P1)이 사라지는 경우 낭떠러지로 판단한다. 또한, 장애물인식부(5210)는 제 2 광 패턴이 나타나는 경우, 전방의 장애물 또는 상부의 장애물을 판단할 수 있다.
장애물인식부(5210)는 센서부(5150)의 기울기센서로부터 입력되는 기울기정보를 바탕으로, 본체의 기울어짐 여부를 판단하고, 본체가 기울어진 경우, 획득영상의 광 패턴의 위치에 대하여 기울기를 보상한다.
주행제어부(5230)는 청소영역 중 지정된 영역에 대하여 주행하며 청소가 수행되도록 주행 구동부(5250)를 제어하고, 주행 중 먼지를 흡입하여 청소가 수행되도록 청소부(5260)를 제어한다.
주행제어부(5230)는 장애물인식부(5210)로부터 인식되는 장애물에 대응하여, 주행 가능 여부 또는 진입가능 여부를 판단하여 장애물에 접근하여 주행하거나, 장애물을 통과하거나, 또는 장애물을 회피하도록 주행경로를 설정하여 주행 구동부(5250)를 제어한다.
맵생성부(5220)는, 장애물인식부(5210)에 의해 판단되는 장애물에 대한 정보를 바탕으로, 청소영역에 대한 지도를 생성한다.
맵생성부(5220)는 초기 동작 시, 또는 청소영역에 대한 지도가 저장되어 있지 않은 경우, 청소영역을 주행하면서 장애물 정보를 바탕으로 청소영역에 대한 지도를 생성한다. 또한, 맵생성부(5220)는 주행중 획득되는 장애물 정보를 바탕으로, 기 생성된 지도를 갱신한다.
맵생성부(5220)는 주행 중 장애물인식부(5210)를 획득되는 정보를 바탕으로 기초맵을 생성하고, 기초맵으로부터 영역을 구분하여 청소맵을 생성한다. 또한 맵생성부(5220)는 청소맵에 대하여 영역을 정리하고, 영역에 대한 속성을 설정하여 사용자맵과 가이드맵을 생성한다.
기초맵은, 주행을 통해 획득되는 청소영역의 형태가 외곽선으로 표시되는 지도이고, 청소맵은 기초맵에 영역이 구분된 지도이다. 기초맵과 청소맵에는 로봇 청소기의 주행 가능한 영역과 장애물정보가 포함된다. 사용자맵은 청소맵의 영역을 단순화하고 외각선의 형태를 정리하여 가공한 것으로 시각적 효과를 가미한 지도이다. 가이드맵은 청소맵과 사용자맵이 중첩된 지도이다. 가이드맵에는 청소맵이 표시되므로, 로봇 청소기가 실제 주행할 수 있는 영역을 바탕으로 청소명령이 입력될 수 있다.
맵생성부(5220)는 기초맵 생성 후, 청소영역을 복수의 영역으로 구분하고, 복수의 영역을 연결하는 연결통로를 포함하며, 각 영역 내의 장애물에 대한 정보를 포함하여 지도를 생성한다. 맵생성부(5220)는, 지도상의 영역 구분을 위해 소영역을 분리하여 대표영역을 설정하고, 분리된 소영역을 별도의 세부영역으로 설정하여 대표영역에 병합함으로써 영역이 구분된 지도를 생성한다.
맵생성부(5220)는 구분된 각 영역에 대하여, 영역의 형태를 가공한다. 맵생성부(5220)는 구분된 영역에 대하여 속성을 설정하고, 영역별 속성에 따라 영역의 형태를 가공한다.
맵생성부(5220)는 구분된 각 영역에서, 다른 영역과의 접점의 수를 기준으로 메인영역을 우선 판단한다. 메인영역은 거실인 것을 기본으로 하나, 경우에 따라 메인영역을 복수의 방 중 어느 하나로 변경할 수 있다. 맵생성부(5220)는 메인영역을 기준으로 나머지 영역에 대한 속성을 설정한다. 예를 들어 맵생성부(5220)는 메인영역인, 거실을 중심으로 배치되는 일정 크기 이상의 영역은 방(room)으로 설정하고, 그외의 영역은 기타영역으로 설정할 수 있다.
맵생성부(5220)는, 영역의 형태를 가공하는데 있어서, 영역의 속성에 따른 기준에 따라 각 영역이 특정 형태를 갖도록 가공한다. 예를 들어 맵생성부(5220)는 일반적인 가정의 방의 형태, 예를 들어 사각형을 기준으로 영역의 형태를 가공한다. 또한, 맵생성부(5220)는 기초맵의 최 외각 셀을 기준으로 영역의 형태를 확장하고, 장애물로 인하여 접근할 수 없는 영역에 대하여 영역을 삭제하거나 축소하여 영역의 형태를 가공한다.
또한, 맵생성부(5220)는 기초맵에서, 장애물의 크기에 따라, 일정 크기 이상의 장애물은 지도에 표시하고, 일정 크기 미만의 장애물은 해당 셀을 삭제하여 장애물이 표시되지 않도록 한다. 예를 들어, 맵생성부는 일정크기 이상의 의자, 소파 등의 가구는 지도에 표시하고, 일시적으로 나타나는 장애물, 크기가 작은, 예를 들어 작은 장난감 등은 지도에서 삭제한다. 맵생성부(5220)는 지도 생성 시, 충전대의 위치를 지도에 함께 저장한다.
맵생성부(5220)는 지도가 생성된 이후, 감지되는 장애물에 대하여, 장애물인식부(21)로부터 입력되는 장애물정보를 바탕으로, 지도상에 장애물을 추가할 수 있다. 맵생성부(5220)는 특정 장애물이 고정된 위치에서 반복적으로 감지되는 경우, 지도에 장애물을 추가하고, 장애물이 일시적으로 감지되는 경우에는 무시한다.
맵생성부(5220)는 가공된 형태의 지도인 사용자맵과, 사용자맵과 청소맵이 중첩되어 표시되는 가이드맵을 모두 생성한다.
또한, 맵생성부(5220)는 가상벽이 설정되는 경우, 통신부를 통해 수신되는 가상벽에 대한 데이터를 바탕으로 청소맵에 가상벽의 위치를 설정하고, 청소영역에 대응하는 가상벽의 좌표를 산출한다. 맵생성부(5220)는 청소맵에 가상벽을 장애물로써 등록한다.
맵생성부(5220)는 설정된 가상벽에 대한 데이터, 예를 들어 가상벽의 레벨, 가상벽의 속성에 관한 정보를 함께 저장한다.
맵생성부(5220)는 설정된 가상벽을 확대하여 장애물로써 등록한다. 주행 중, 본체(5010)가 가상벽에 접하거나 가상벽을 침범하지 않도록 설정된 가상벽을 확대하여 더 넓은 범위로 설정한다.
맵생성부(5220)는 위치인식부(5240)에 의해 본체(5010)의 현재 위치를 판단할 수 없는 경우, 청소영역에 대한 새로운 지도를 생성한다. 맵생성부(5220)는 새로운 영역으로 이동한 것으로 판단하여 기 설정된 가상벽을 초기화한다.
맵생성부(5220)는 주행 중에 가상벽에 대한 데이터가 수신되는 경우, 본체(5010)의 주행 시 가상벽에 대응하여 동작하도록, 맵에 가상벽을 추가 설정한다. 예를 들어, 새로운 가상벽이 추가되거나, 가상벽의 레벨 또는 속성이 변경되는 경우, 기 설정된 가상벽의 위치가 변경되는 경우, 맵생성부(5220)는 수신되는 데이터를 바탕으로 맵을 갱신하여, 변경된 가상벽에 대한 정보가 맵에 반영되도록 한다.
위치인식부(5240)는 데이터부에 저장된 지도(청소맵, 가이드맵 또는 사용자맵)를 바탕으로 본체(5010)의 현재 위치를 판단한다.
위치인식부(5240)는 청소명령이 입력되면, 지도상의 위치와 본체의 현재위치가 일치하는지 여부를 판단한 후, 현재 위치가 맵 상의 위치와 일치하지 않는 경우, 또는 현재 위치를 확인할 수 없는 경우, 현재 위치를 인식하여 로봇 청소기(51)의 현재 위치를 복구한다. 주행제어부(5230)는 현재 위치를 복구하면, 현재 위치를 바탕으로 지정된 영역으로 이동하도록 주행구동부를 제어한다. 청소명령은 리모컨(미도시), 조작부(5160) 또는 공기 청정기로부터 입력될 수 있다.
위치인식부(5240)는 현재 위치가 지도상의 위치와 일치하지 않는 경우 또는 현재 위치를 확인할 수 없는 경우, 영상 획득부(5140)로부터 입력되는 획득영상을 분석하여 지도를 바탕으로 현재 위치를 추정할 수 있다.
위치인식부(5240)는 맵생성부(5220)에 의해 지도 생성 중, 각 위치에서 획득된 획득영상을 처리하여, 지도와 연계시켜 본체의 전역위치를 인식한다.
위치인식부(5240)는 영상획득부(5140)의 획득영상을 이용하여, 지도와 지도상의 각 위치에 대한 획득영상을 비교하여 본체의 현재 위치를 파악함으로써, 본체의 위치가 갑자기 변경되는 경우에도 현재 위치를 추정하여 인식할 수 있다.
위치인식부(5240)는 획득영상에 포함되는, 천장에 위치하는 조명들, 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들을 분석하여 위치를 판단한다. 획득영상은 영상획득부, 또는 본체의 상단부에 구비되는 제 2 영상획득부로부터 입력될 수 있다.
위치인식부(5240)는 획득영상들 각각으로부터 특징을 검출한다. 컴퓨터 비전(Computer Vision) 기술 분야에서 영상으로부터 특징을 검출하는 다양한 방법(Feature Detection)이 잘 알려져 있다. 이들 특징의 검출에 적합한 여러 특징검출기(feature detector)들이 알려져 있다. 예를들어, Canny, Sobel, Harris&Stephens/Plessey, SUSAN, Shi&Tomasi, Level curve curvature, FAST, Laplacian of Gaussian, Difference of Gaussians, Determinant of Hessian, MSER, PCBR, Grey-level blobs 검출기 등이 있다.
위치인식부(5240)는 각 특징점을 근거로 디스크립터를 산출한다. 위치인식부(5240)는 특징 검출을 위해 SIFT(Scale Invariant Feature Transform) 기법을 이용하여 특징점을 디스크립터(descriptor)로 변환할 수 있다. 디스크립터는 n차원 벡터(vector)로 표기될 수 있다. SIFT는 촬영 대상의 스케일(scale), 회전, 밝기변화에 대해서 불변하는 특징을 검출할 수 있어, 같은 영역을 로봇 청소기(51)의 자세를 달리하며 촬영하더라도 불변하는(즉, 회전 불변한(Rotation-invariant)) 특징을 검출할 수 있다. 물론, 이에 한정되지 않고 다른 다양한 기법(예를들어, HOG: Histogram of Oriented Gradient, Haar feature, Fems, LBP:Local Binary Pattern, MCT:Modified Census Transform)들이 적용될 수도 있다.
위치인식부(5240)는 각 위치의 획득영상을 통해 얻은 디스크립터 정보를 바탕으로, 획득영상마다 적어도 하나의 디스크립터를 소정 하위 분류규칙에 따라 복수의 군으로 분류하고, 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환할 수 있다. 다른 예로, 실(room)과 같이 소정 구역내의 획득영상 들로부터 모인 모든 디스크립터를 소정 하위 분류규칙에 따라 복수의 군으로 분류하여 상기 소정 하위 대표규칙에 따라 같은 군에 포함된 디스크립터들을 각각 하위 대표 디스크립터로 변환할 수도 있다.
위치인식부(5240)는 이 같은 과정을 거쳐, 각 위치의 특징분포를 구할 수 있다. 각 위치 특징분포는 히스토그램 또는 n차원 벡터로 표현될 수 있다. 또 다른 예로, 학습모듈(143)은 소정 하위 분류규칙 및 소정 하위 대표규칙을 거치지 않고, 각 특징점으로부터 산출된 디스크립터를 바탕으로 미지의 현재위치를 추정할 수 있다.
또한, 위치 도약 등의 이유로 로봇 청소기(51)의 현재 위치가 미지의 상태가 된 경우에, 위치인식부(5240)는 기 저장된 디스크립터 또는 하위 대표 디스크립터 등의 데이터를 근거로 현재 위치를 추정할 수 있다.
위치인식부(5240)는 미지의 현재 위치에서 영상획득부(5140)를 통해 획득영상을 획득하고, 영상을 통해 천장에 위치하는 조명들, 경계(edge), 코너(corner), 얼룩(blob), 굴곡(ridge) 등의 여러가지 특징(feature)들이 확인되면, 획득영상으로부터 특징들을 검출한다.
위치인식부(5240)는 미지의 현재 위치의 획득영상을 통해 얻은 적어도 하나의 인식 디스크립터 정보를 근거로, 소정 하위 변환규칙에 따라 비교대상이 되는 위치 정보(예를 들면, 각 위치의 특징분포)와 비교 가능한 정보(하위 인식 특징분포)로 변환한다. 소정 하위 비교규칙에 따라, 각각의 위치 특징분포를 각각의 인식 특징분포와 비교하여 각각의 유사도를 산출할 수 있다. 각각의 위치에 해당하는 상기 위치 별로 유사도(확률)를 산출하고, 그 중 가장 큰 확률이 산출되는 위치를 현재위치로 결정할 수 있다.
제어부(5200)는 맵생성부(5220)에 의해 주행 중 지도가 갱신되는 경우, 갱신된 정보를 통신부를 통해 공기 청정기(300)로 전송하여 공기 청정기와 로봇 청소기(51)에 저장되는 지도가 동일하도록 한다
주행제어부(5230)는 청소명령 입력 시, 청소 영역 중, 지정된 영역으로 이동하도록 주행구동부를 제어하고, 청소부를 동작시켜, 주행과 함께 청소가 수행되도록 한다.
주행제어부(5230)는 복수의 영역에 대한 청소명령 입력 시, 우선영역설정 여부, 또는 지정된 순서에 따라 영역을 이동하여 청소가 수행되도록 하고, 별도의 순서가 지정되지 않은 경우, 현재 위치를 기준으로, 거리에 따라 가까운 영역 또는 인접한 영역으로 이동하여 청소를 수행한다.
또한, 주행제어부(5230)는 영역구분에 관계없이 임의의 영역에 대한 청소명령이 입력되는 경우, 임의의 영역에 포함되는 영역으로 이동하여 청소를 수행한다.
주행제어부(5230)는 가상벽이 설정되는 경우, 맵생성부(5220)로부터 입력되는 좌표값을 바탕으로, 가상벽을 판단하여 주행구동부를 제어한다.
주행제어부(5230)는, 장애물인식부(5210)에 의해 장애물이 존재하지 않는 것으로 판단되더라도, 가상벽이 설정되어 있는 경우, 해당 위치에 장애물이 존재하는 것으로 인식하여 주행을 제한한다.
주행제어부(5230)는 주행 중, 가상벽의 설정에 변경되는 경우 변경되는 가상벽 설정에 따라 주행 가능한 영역과 주행 불가능한 영역을 구분하여, 주행경로를 재설정한다.
주행제어부(5230)는 가상벽에 설정된 속성에 따라, 소음에 대한 설정1, 주행경로에 대한 설정2, 회피에 대한 설정3, 보안에 대한 설정4 중 어느 하나에 대응하여 주행을 제어한다.
주행제어부(5230)는 가상벽의 속성에 따라, 가상벽에 접근하여 지정된 동작을 수행하거나(주행경로, 설정2), 본체로부터 발생하는 소음을 감소시킨후 청소할 수 있고(소음, 설정1), 가상벽에 일정거리 이상 접근하지 않고 회피하여 주행할 수 있으며(회피, 설정3) 또한, 가상벽을 기준으로 소정 영역에 대한 영상을 촬영할 수 있다(보안, 설정4).
제어부(5200)는 설정된 지정영역에 대한 청소가 완료되면, 청소기록을 데이터부에 저장한다.
또한, 제어부(5200)는 통신부(190)를 통해 로봇 청소기(51)의 동작상태 또는 청소상태를 소정 주기로 공기 청정기로 전송한다.
공기 청정기는 로봇 청소기(51)으로부터 수신되는 데이터를 바탕으로, 실행중인 어플리케이션의 화면상에 지도와 함께 로봇 청소기의 위치를 표시하고, 또한 청소상태에 대한 정보를 출력한다.
공기 청정기는 장애물에 대한 정보가 추가되는 경우, 수신되는 데이터를 바탕으로 지도를 갱신할 수 있다.
로봇 청소기는, 청소명령 입력 시, 설정된 가상벽의 정보를 바탕으로 주행가능한 영역과 불가능한 영역을 구분하여 주행하게 된다.
한편 센서부(5150)는 카메라를 포함할 수 있다. 또한 제어부(5200)는 실내 공간을 촬영하도록 카메라를 제어함으로써, 실내 공간을 촬영한 영상을 획득할 수 있다.
한편 센서부(5150)는 레이저 센서, 초음파 센서, 적외선 센서 및 카메라 중 적어도 하나를 포함할 수 있다. 그리고 센서부(5150)는 레이저, 초음파, 적외선 및 카메라를 통하여 촬영된 영상 중 중 적어도 하나를 이용하여 실내 공간의 지도를 생성할 수 있다.
또한 센서부(5150)는 실내 공간의 온도를 측정하기 위한 온도 센서, 사용자의 체온을 감지하기 위한 제1 열 감지 센서(예컨대, 적외선 센서), 가스레인지나 전기 레인지의 동작 상태나 전자 제품의 발열 등의 발열 정보를 감지하는 제2 열 감지 센서를 포함할 수 있다.
또한 센서부(5150)는 음향을 수신하는 마이크로폰을 포함할 수 있다.
또한 센서부(5150)는 공기 중 먼지의 양을 감지하는 먼지 센서 및 공기 중 가스의 양을 감지하는 가스 센서를 포함할 수 있다.
도 5a 내지 도 5c는 본 발명의 실시 예에 따른 실내 공간의 지도를 생성하는 방법을 설명하기 위한 도면이다.
무빙 에이전트는 실내 공간을 이동하며 실내 공간의 지도를 생성하기 위한 정보를 수집할 수 있다.
예를 들어 도 5a에서 도시하는 바와 같이, 무빙 에이전트는 실내 공간을 이동하며 카메라로 복수의 영상(510)을 촬영할 수 있다. 다만 영상은 실내 공간의 지도를 생성하기 위한 정보의 일례일 뿐, 무빙 에이전트는 레이더, 적외선, 초음파 등을 이용하여 실내 공간의 지도를 생성하기 위한 센싱 정보를 수집할 수 있다.
한편 무빙 에이전트는 실내 공간에 배치된 에어컨을 촬영한 영상을 획득할 수 있다.
한편 무빙 에이전트는, 수집된 정보를 이용하여 실내 공간의 지도를 생성할 수 있다.
예를 들어 도 5b에서 도시하는 바와 같이, 무빙 에이전트는 실내 공간에 대한 외곽선으로 구성된 지도를 생성할 수 있다. 이 경우 지도는 복수의 구역 (A11 내지 A17), 예를 들어 거실, 방 1, 방 2 등으로 구분될 수 있다.
한편 무빙 에이전트는 실내 공간에 배치된 에어컨을 촬영한 영상을 획득하고, 에어컨을 촬영한 영상에 기초하여 지도 상에 에어컨의 위치 및 방향을 표시할 수 있다.
한편 실내 공간의 지도는, 가공된 지도를 포함할 수 있다.
구체적으로 무빙 에이전트는, 실내 공간의 구조의 인식이 용이하도록, 실내 공간의 지도를 이용하여 실내 공간의 구조를 단순화 한 가공된 지도를 생성할 수 있다.
더욱 구체적으로 도 5c에서 도시하는 바와 같이, 무빙 에이전트는 영역의 형태를 단순화하여 장애물을 정리하거나 벽 등을 직선화 할 수 있다.
한편 무빙 에이전트는 가공된 지도에 에어컨의 위치 및 방향을 표시할 수 있다.
한편 무빙 에이전트의 제어부(200)는 통신부(270)를 통하여 에어컨(700)으로 실내 공간의 구조와 관련된 특징 정보를 전송할 수 있다. 여기서 특징 정보는, 실내 공간의 지도를 생성하기 위하여 센서부(150)를 통하여 수집한 정보, 센서부(150)를 통하여 수집한 정보를 이용하여 생성한 지도, 또는 실내 공간의 구조를 단순화 한 가공된 지도일 수 있다.
한편 에어컨(700)의 프로세서(780)는 통신부(710)를 통하여 무빙 에이전트에 의해 획득된 실내 공간의 구조와 관련된 특징 정보를 수신할 수 있다.
한편 실내 공간의 지도를 생성하기 위하여 수집한 정보가 특징 정보로써 수신된 경우, 에어컨(700)의 프로세서(780)는 실내 공간의 지도를 생성하기 위하여 수집한 정보를 이용하여 실내 공간의 지도(맵)를 생성할 수 있다. 이 경우 앞서 설명한, 무빙 에이전트가 지도를 생성하는 방법이 사용될 수 있다.
이하에서는 무빙 에이전트를 설명한다. 한편 앞서 설명한 로봇 청소기의 예를 들어 무빙 에이전트를 설명하나 이에 한정되지 않으며, 무빙 에이전트는 애완 로봇, 안내 로봇 등 실내 공간을 이동할 수 있는 모든 장치일 수 있다.
또한 무빙 에이전트는, 앞서 설명한 AI 장치(100), 학습 장치(200), 로봇 청소기(51)의 구성을 포함하고, 해당하는 기능을 수행할 수 있다.
또한 용어 “AI 장치(100)”는 용어 “무빙 에이전트(100)”와 혼용되어 사용될 수 있다. 또한 용어 “무빙 에이전트(100)”는 용어 “인공지능 무빙 에이전트(100)”와 혼용되어 사용될 수 있다.
도 6은 무빙 에이전트의 동작 방법을 설명하기 위한 도면이다.
무빙 에이전트의 동작 방법은, 점유 영역을 결정하기 위한 데이터를 획득하는 단계(S610), 데이터에 기초하여 하나 이상의 오브젝트의 점유 영역을 결정하는 단계(S630), 하나 이상의 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정한 조정 구역을 획득하는 단계(S650) 및 새롭게 탐지된 오브젝트의 점유 영역에 기초하여 새로운 제한 구역을 설정하는 단계(S670)를 포함할 수 있다.
도 7은 사용자에 의해 설정된 제한 구역(720) 및 하나 이상의 오브젝트(711, 712, 713)를 도시한 도면이다.
제한 구역(720)이란, 무빙 에이전트가 진입하는 것을 금지하기 위하여 사용자에 의해 설정된 구역을 의미할 수 있다.
구체적으로 사용자는 오브젝트(711, 712, 713)(예를 들어 화분, 장난감, 러그)와 무빙 에이전트가 접촉하는 것을 방지하기 위하여 제한 구역을 설정할 수 있다.
예를 들어 무빙 에이전트가 오브젝트와 접촉하는 경우, 오브젝트는 쓰러지거나 위치가 변경될 수 있으며 무빙 에이전트도 손상될 수 있다. 또한 무빙 에이전트가 러그와 같은 오브젝트를 지나가는 경우에는, 주행이 중단되거나 무빙 에이전트의 바퀴가 손상될 수 있다. 따라서 사용자는 오브젝트와 무빙 에이전트가 접촉하는 것을 방지하기 위하여 제한 구역을 설정할 수 있다.
이 경우 사용자는 오브젝트(711, 712, 713)를 둘러싸는 제한 구역(720)을 설정할 수 있다.
한편 무빙 에이전트의 프로세서(180)는 사용자에 의해 설정된 제한 구역(720)에 대한 정보를 획득할 수 있다.
구체적으로 사용자가 제한 구역(720)을 단말기에 입력한 경우, 프로세서(180)는 통신부(110)를 통하여 단말기로부터 제한 구역(720)에 대한 정보를 수신할 수 있다.
다른 실시 예로, 프로세서(180)는 입력부를 통하여 제한 구역(720)의 입력을 수신할 수 있다.
이 경우 프로세서(180)는 실내 공간의 맵(750) 상의 제한 구역(720)을 메모리에 저장할 수 있다.
그리고 프로세서(180)는 무빙 에이전트가 제한 구역(720) 안으로 진입하지 않도록 주행 구동부(5250)를 제어할 수 있다.
도 8은 점유 영역을 결정하기 위한 데이터를 획득하는 방법을 설명하기 위한 도면이다.
도 9는 점유 영역을 결정하는 방법을 설명하기 위한 도면이다.
센싱부(140)는 점유 영역을 결정하기 위한 데이터를 획득할 수 있다.
이를 위해 센싱부(140)는 카메라, 레이다(radar), 라이다(Lidar) 및 초음파 센서 중 적어도 하나를 포함할 수 있다. 그리고 점유 영역을 결정하기 위한 데이터는, 카메라, 레이다(radar), 라이다(Lidar) 및 초음파 센서 중 적어도 하나에 의하여 수집된 데이터일 수 있다.
프로세서(180)의 제어 하에, 카메라는 영상을 촬영할 수 있다.
또한 레이다(radar)는 전자기파를 발사하고 전자기파가 오브젝트에서 반사되어 돌아오는 반향파를 수신할 수 있다.
또한 라이다(Lidar)는 가시광을 발사하고, 가시광이 오브젝트에서 반사되어 돌아오는 반사 광을 수신할 수 있다.
또한 초음파 센서는, 초음파를 발사하고, 초음파가 오브젝트에서 반사되어 돌아오는 반사파를 수신할 수 있다.
한편 프로세서는, 점유 영역을 결정하기 위한 데이터를 이용하여 오브젝트를 탐지할 수 있다.
구체적으로 프로세서는 카메라에 의해 촬영된 영상을 이용하여 촬영된 영상 내 오브젝트를 탐지할 수 있다.
더욱 구체적으로 프로세서는 카메라에 의해 촬영된 영상을 분석하여 촬영된 영상 내 존재하는 오브젝트를 탐지할 수 있다. 이를 위하여 다양한 오브젝트 인식 기술이 사용될 수 있다.
한편 오브젝트는 배경이 아닌 물건일 수 있다. 예를 들어 배경은 벽, 바닥, 기둥 등일 수 있으며, 오브젝트는 장난감, 화분, 옷, 수건, 소지품, 장식품 등의 배경이 아닌 물품일 수 있다.
한편 오브젝트로 인식되는 물건의 종류 및 배경으로 설정되는 물건의 종류는 기 설정되어 메모리에 저장될 수 있다.
또한 프로세서는 인공지능 모델을 이용하여 촬영된 영상 내의 오브젝트를 탐지할 수 있다.
구체적으로 인공지능 모델은, 딥 러닝에 근거, 배경과 오브젝트를 분리하여 오브젝트를 탐지할 수 있도록 트레이닝 된 뉴럴 네트워크일 수 있다. 이 경우 다양한 Object Detection 알고리즘과 Instance Segmentation 알고리즘이 사용될 수 있다.
그리고 프로세서는 카메라에 의해 촬영된 영상을 인공지능 모델에 제공하여 촬영된 영상 내의 오브젝트를 탐지할 수 있다. 구체적으로 카메라에 의해 촬영된 영상이 인공지능 모델에 입력되면, 인공지능 모델은 촬영된 영상 내 오브젝트를 탐지하고 탐지한 결과를 출력할 수 있다.
한편 오브젝트의 탐지에 카메라에 의해 촬영된 영상을 사용하는 것으로 설명하였으나 이에 한정되지 않으며, 프로세서는 카메라, 레이다(radar), 라이다(Lidar) 및 초음파 센서 중 하나 이상의 장치에서 획득된 데이터를 이용하여 오브젝트를 탐지할 수 있다.
한편 하나 이상의 오브젝트(711, 712, 713)가 탐지되면, 프로세서는 점유 영역을 결정하기 위한 데이터에 기초하여 하나 이상의 오브젝트의 점유 영역(911, 912, 913)을 결정할 수 있다. 여기서 오브젝트의 점유 영역(911, 912, 913)이란, 실내 공간에서 오브젝트가 점유하고 있는 영역을 의미할 수 있다.
구체적으로 프로세서는 카메라, 레이다(radar), 라이다(Lidar) 및 초음파 센서 중 적어도 하나에 의해 수집된 데이터를 이용하여, 하나 이상의 오브젝트의 표면을 탐지할 수 있다. 그리고 하나 이상의 오브젝트의 표면, 실내 공간의 맵(750) 상에서의 무빙 에이전트의 위치/각도 등을 이용하여, 프로세서는 실내 공간의 맵(750) 상에서의 하나 이상의 오브젝트(711, 712, 713)의 점유 영역(911, 912, 913)을 결정하고, 결정된 점유 영역(911, 912, 913)을 메모리에 저장할 수 있다.
한편 프로세서는 완충 영역(810)을 설정할 수 있다. 여기서 완충 영역(810)은, 제한 구역(720)을 둘러싸고 제한 구역(720)보다 큰 구역일 수 있다.
여기서 완충 영역(810)은 제한 구역(720)을 포함할 수 있다. 또한 완충 영역(810)이 제한 구역(720)을 둘러싼다는 의미는, 완충 영역(810)의 경계가 제한 구역(720)을 둘러싼다는 것을 의미할 수 있다. 또한 완충 영역(810)이 제한 구역(720)보다 큰 구역이라는 의미는, 완충 영역(810)의 면적이 제한 구역(720)의 면적보다 크다는 것을 의미할 수 있다.
이 경우 프로세서는 완충 영역(810)의 경계가 제한 구역(720)의 경계와 일정 거리를 가지도록 완충 영역(810)을 설정할 수 있다.
한편 무빙 에이전트(100)가 완충 영역에 진입하는 경우, 프로세서는 점유 영역을 결정하기 위한 데이터를 획득할 수 있다.
구체적으로 프로세서는 무빙 에이전트(100)가 제한 구역(720)에 진입하지 않도록 주행 구동부를 제어할 수 있다. 또한 프로세서는 무빙 에이전트(100)가 완충 영역(710) 중 제한 구역(720)의 밖의 영역을 이동하도록 주행 구동부를 제어할 수 있다. 또한 무빙 에이전트(100)가 완충 영역(710) 중 제한 구역(720)의 밖의 영역에 위치하는 경우, 프로세서는 점유 영역을 결정하기 위한 데이터를 획득하도록 센싱부를 제어할 수 있다.
그리고 점유 영역을 결정하기 위한 데이터가 획득되면, 프로세서는 점유 영역을 결정하기 위한 데이터를 이용하여 하나 이상의 오브젝트를 탐지하고 탐지된 하나 이상의 오브젝트의 점유 영역을 결정할 수 있다.
이와 같이 본 발명에 따르면, 무빙 에이전트(100)가 제한 구역(720)을 둘러싸는 완충 영역(810)에 진입하였을 때 데이터를 수집하도록 함으로써, 무빙 에이전트가 오브젝트를 탐지하기 위하여 실내 공간의 모든 영역에서 데이터를 수집해야 하는 문제를 해결할 수 있다.
한편 무빙 에이전트가 완충 영역(810)에 진입하면, 프로세서는 무빙 에이전트의 이동 속도를 감소시키도록 주행 구동부를 제어할 수 있다. 구체적으로 프로세서는 무빙 에이전트의 이동 속도가 기 설정된 값보다 작은 속도를 유지하도록 주행 구동부를 제어할 수 있다.
또한 무빙 에이전트가 로봇 청소기인 경우, 프로세서는 오염물의 제거를 중단하거나 오염물의 제거의 강도를 감소시키도록 청소부를 제어할 수 있다.
예를 들어 프로세서는 브러쉬 및 흡입 팬의 동작 속도를 감소시키거나, 브러쉬 및 흡입 팬의 동작을 중단시킬 수 있다.
오브젝트가 파우더나 종이 등 가벼운 물질인 경우에는 무빙 에이전트의 동작에 의해 영향을 받을 수 있다(흩날리거나 이동).
다만 본 발명에 따르면, 무빙 에이전트(100)가 제한 구역(720)을 둘러싸는 완충 영역(810)에 진입한 경우 무빙 에이전트의 이동 속도를 감소시키고 청소부의 동작을 약화시킴으로써, 무빙 에이전트의 동작이 오브젝트에 영향을 미치는 것을 방지할 수 있다.
한편 프로세서는, 사용자에 의해 설정된 제한 구역(720)과 하나 이상의 오브젝트의 점유 영역(911, 912, 913)을 비교하여 제한 구역의 재 설정 여부를 결정할 수 있다. 이와 관련해서는 도 10 내지 도 12를 참고하여 설명한다.
도 10 내지 도 12는 제한 구역의 재 설정 여부를 결정하는 방법을 설명하기 위한 도면이다.
도 10을 참고하면, 제한 구역 내 오브젝트의 개수가 복수인 경우, 복수의 오브젝트(711, 712, 713)의 점유 영역(910)은, 복수의 오브젝트(711, 712, 713)에 각각 대응하는 복수의의 세부 점유 영역(911, 912, 913)을 포함할 수 있다.
프로세서는 사용자에 의해 설정된 제한 구역(720)의 면적 및 하나 이상의 오브젝트의 점유 영역(910)의 면적을 산출할 수 있다. 면적의 산출을 위하여 몬테카를로 방법(Monte Carlo method)이 이용될 수 있으나 이에 한정되지 않으며, 면적 산출을 위한 다양한 알고리즘이 사용될 수 있다.
그리고 나서 프로세서는 사용자에 의해 설정된 제한 구역(720)의 면적 및 하나 이상의 오브젝트의 점유 영역(910)의 면적을 이용하여 제한 구역의 재 설정 여부를 결정할 수 있다.
구체적으로, 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트의 점유 영역(910)의 면적의 비율이 제1 기 설정된 값보다 작으면, 프로세서는 제한 구역을 재 설정 할 것으로 결정할 수 있다.
예를 들어 제1 기 설정된 값이 0.5(50%)라고 가정한다. 그리고 사용자에 의해 설정된 제한 구역(720)의 면적이 100이고 하나 이상의 오브젝트의 점유 영역(910)의 면적이 30인 경우, 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트의 점유 영역(910)의 면적의 비율은 0.3(30%)으로 제1 기 설정된 값보다 작다. 이 경우 프로세서는 제한 구역을 재 설정할 것으로 결정할 수 있다.
반대로, 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트의 점유 영역(910)의 면적의 비율이 제1 기 설정된 값보다 크면(또는 제1 기 설정된 값 이상이면), 프로세서는 사용자에 의해 설정된 제한 구역을 유지할 것을 결정할 수 있다.
사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트(910)의 점유 영역의 면적의 비율이 제1 기 설정된 값보다 작다는 것은, 제한 구역(720)이 과하게 넓게 설정되었다는 것을 의미할 수 있다. 따라서 본 발명에 따르면, 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트(910)의 점유 영역의 면적의 비율이 제1 기 설정된 값보다 작은 경우 제한 구역을 재 설정 함으로써, 무빙 에이전트의 이동 영역(로봇 청소기의 경우 이동 및 청소 영역)이 불필요하게 제한되는 것을 방지할 수 있다.
한편 도 11a 및 도 11b을 참고하면, 하나 이상의 오브젝트의 점유 영역(910)의 일부 또는 전부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 경우, 프로세서는 제한 구역(720)을 재 설정 할 것으로 결정할 수 있다.
구체적으로 도 11a 및 도 11b를 참고하면, 점유 영역(910)의 일부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 상태이다.
또한 도 11c를 참고하면, 점유 영역(910)의 전부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 상태이다.
그리고 하나 이상의 오브젝트의 점유 영역(910)의 일부 또는 전부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 경우, 프로세서는 제한 구역(720)을 재 설정 할 것으로 결정할 수 있다.
하나 이상의 오브젝트의 점유 영역(910)의 일부 또는 전부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 경우, 무빙 에이전트가 오브젝트와 충돌할 수 있다. 따라서 본 발명에 따르면, 하나 이상의 오브젝트의 점유 영역(910)의 일부 또는 전부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 경우 제한 구역을 재 설정 함으로써, 무빙 에이전트가 오브젝트와 충돌하는 것을 방지할 수 있다.
한편 도 12을 참고하면, 프로세서는 사용자에 의해 설정된 제한 구역의 경계와 하나 이상의 오브젝트의 점유 영역의 경계와의 거리에 기초하여, 프로세서는 제한 구역의 재 설정 여부를 결정할 수 있다.
여기서 사용자에 의해 설정된 제한 구역의 경계와 하나 이상의 오브젝트의 점유 영역의 경계와의 거리는, 제한 구역의 경계의 일 지점과, 상기 일 지점과 가장 가까운 점유 영역의 일 지점 간의 거리를 의미할 수 있다.
그리고 도 12a에서 도시하는 바와 같이, 사용자에 의해 설정된 제한 구역(720)의 경계가 하나 이상의 오브젝트의 점유 영역의 경계와 제1 기 설정된 거리 이상인 경우, 프로세서는 사용자에 의해 설정된 제한 구역(720)을 유지할 것으로 결정할 수 있다.
구체적으로 프로세서는, 제한 구역(720)의 제1-1 지점과 ‘상기 제1-1 지점에 가장 가까운 점유 영역의 제1-2 지점’간의 거리(a)가 제1 기 설정된 거리 이상인지 판단하고, 제한 구역(720)의 제2-1 지점과 ‘상기 제2-1 지점에 가장 가까운 점유 영역의 제2-2 지점’간의 거리(b)가 제1 기 설정된 거리 이상인지 판단하고, 제한 구역(720)의 제3-1 지점과 ‘상기 제3-1 지점에 가장 가까운 점유 영역의 제3-2 지점’간의 거리(c)가 제1 기 설정된 거리 이상인지 판단할 수 있다.
그리고 모든 거리(a, b, c)가 제1 기 설정된 거리 이상이면, 프로세서는 사용자에 의해 설정된 제한 구역(720)을 유지할 것으로 결정할 수 있다.
한편 도 12b에서 도시하는 바와 같이, 사용자에 의해 설정된 제한 구역(720)의 경계가 하나 이상의 오브젝트의 점유 영역의 경계와 제1 기 설정된 거리 이내인 경우, 프로세서는 사용자에 의해 설정된 제한 구역(720)을 재 설정할 것으로 결정할 수 있다.
구체적으로, 제한 구역(720)의 경계의 임의의 일 지점과, 상기 일 지점과 가장 가까운 점유 영역의 일 지점 간의 거리(d)가 제1 기 설정된 거리 이내인 경우, 프로세서는 사용자에 의해 설정된 제한 구역(720)을 재 설정할 것으로 결정할 수 있다.
오브젝트와 무빙 에이전트의 이동 영역 간의 거리가 너무 가까운 경우, 오작동으로 인하여 무빙 에이전트가 오브젝트와 충돌할 염려가 있으며, 오브젝트가 파우더나 종이 등 가벼운 물질인 경우에는 무빙 에이전트의 동작에 의해 영향을 받을 수 있다(흩날리거나 이동). 따라서 본 발명에 따르면, 사용자에 의해 설정된 제한 구역의 경계가 하나 이상의 오브젝트의 점유 영역의 경계와 기 설정된 거리 이내인 경우 하나 이상의 오브젝트의 점유 영역(910)의 일부 또는 전부가 사용자에 의해 설정된 제한 구역(720) 내에 위치하지 않는 경우 제한 구역을 재 설정 함으로써, 무빙 에이전트가 오브젝트에 영향을 미치는 것을 방지할 수 있다.
한편 제한 구역을 재 설정할 것으로 결정되면, 프로세서는 하나 이상의 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정한 조정 구역을 획득할 수 있다.
구체적으로 프로세서는, 하나 이상의 오브젝트의 점유 영역에 기초하여, 하나 이상의 오브젝트의 점유 영역을 둘러싸고 점유 영역보다 큰 조정 구역을 획득할 수 있다.
여기서 조정 구역이 점유 영역을 둘러싼다는 의미는, 조정 구역의 경계가 점유 영역을 둘러싼 다는 것을 의미할 수 있다. 또한 조정 구역이 점유 영역보다 큰 구역이라는 의미는, 조정 구역의 면적이 점유 영역의 면적보다 크다는 것을 의미할 수 있다. 또한 조정 구역은 하나 이상의 오브젝트의 점유 영역을 포함할 수 있다.
이와 관련해서는 도 13 내지 도 15를 참고하여 설명한다.
도 13은 제한 구역 내 오브젝트가 하나인 경우의 동작을 설명하기 위한 도면이다.
도 13a를 참고하면, 사용자에 의해 설정된 제한 구역 내 오브젝트가 하나인 경우, 프로세서는 하나의 오브젝트의 점유 영역(1310)에 기초하여 하나의 오브젝트의 점유 영역(1310)을 둘러싸고 점유 영역보다 큰 마진 영역(1320)을 조정 구역(1330)으로써 획득할 수 있다. 즉 사용자에 의해 설정된 제한 구역 내 오브젝트가 하나인 경우, 마진 영역(1320)과 조정 구역(1330)은 일치할 수 있다.
구체적으로 프로세서는, 하나의 오브젝트의 점유 영역(1310)을 둘러싸고 점유 영역보다 큰 마진 영역(1320)을 획득할 수 있다.
여기서 마진 영역(1320)이 점유 영역(1310)을 둘러싼다는 의미는, 마진 영역(1320)의 경계가 점유 영역(1310)을 둘러싼 다는 것을 의미할 수 있다. 또한 마진 영역(1320)이 점유 영역(1310)보다 큰 구역이라는 의미는, 마진 영역(1320)의 면적이 점유 영역(1310)의 면적보다 크다는 것을 의미할 수 있다. 또한 마진 영역(1320)은 점유 영역(1310)을 포함할 수 있다.
즉 본 발명에 따르면, 하나 이상의 오브젝트의 점유 영역을 둘러싸고 점유 영역보다 큰 조정 구역이 설정된다. 즉 본 발명에 따르면, 하나 이상의 오브젝트의 점유 영역의 전부가 조정 구역 내에 위치하기 때문에, 무빙 에이전트가 오브젝트와 충돌하는 것을 방지할 수 있는 장점이 있다.
한편 조정 구역(1330)의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율은 제2 기 설정된 값보다 클 수 있다.
구체적으로 사용자에 의해 설정된 제한 구역 내 오브젝트가 하나인 경우 마진 영역(1320)과 조정 구역(1330)은 일치하므로, 마진 영역(1320)의 면적 대비 하나의 오브젝트의 점유 영역(1310)의 면적의 비율은 제2 기 설정된 값보다 클 수 있다.
예를 들어 제2 기 설정된 값이 0.7(70%)라고 가정한다. 그리고 하나의 오브젝트의 점유 영역(1310)의 면적이 70인 경우, 프로세서는 마진 영역(1320)의 면적이 100보다 작도록 마진 영역(1320)을 설정할 수 있다.
이에 따라 조정 구역(1330)의 면적 대비 하나 이상의 오브젝트의 점유 영역(1310)의 면적의 비율은 0.7(70%)보다 클 수 있다.
한편 도 10에서는, 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율이 제1 기 설정된 값보다 작으면, 제한 구역을 재 설정 한다고 설명한 바 있다.
그리고 도 13a에서는, 조정 구역(1330)의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율은 제2 기 설정된 값보다 크다고 설명한 바 있다.
여기서 제2 기 설정된 값은 제1 기설정된 값보다 같거나 클 수 있다.
예를 들어 제1 기 설정된 값이 0.5(50%)이고, 제2 기 설정된 값이 0.7(70%)라고 가정한다. 또한 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율이 0.4(40%)이라고 가정한다.
그리고 사용자에 의해 설정된 제한 구역(720)의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율(0.4(40%))이 제1 기 설정된 값(0.5(50%))보다 작기 때문에, 프로세서는 제한 구역을 재 설정한 조정 구역을 획득할 수 있다.
또한 조정 구역은, 조정 구역의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율이 제2 기 설정된 값(0.7(70%))보다 크거나 같도록 설정될 수 있다.
즉 점유 영역의 면적은 동일하게 때문에, 조정 구역의 면적은, 사용자에 의해 설정된 제한 구역의 면적보다 작아지는 것을 알 수 있다.
즉 본 발명에 따르면, 사용자에 의해 설정된 제한 구역의 면적 대비 하나 이상의 오브젝트의 점유 영역의 면적의 비율이 기 설정된 값보다 작은 경우 제한 구역보다 더 작은 조정 구역을 설정함으로써, 무빙 에이전트의 이동 영역(로봇 청소기의 경우 이동 및 청소 영역)이 불필요하게 제한되는 것을 방지할 수 있다.
도 13b를 참고하면, 사용자에 의해 설정된 제한 구역 내 오브젝트가 하나인 경우, 프로세서는 하나의 오브젝트의 점유 영역(1310)에 기초하여 하나의 오브젝트의 점유 영역(1310)을 둘러싸고 점유 영역보다 큰 마진 영역(1320)을 조정 구역(1330)으로써 획득할 수 있다.
이 경우 점유 영역(1310)의 경계와 조정 구역(1330)의 경계 사이의 거리는 제2 기 설정된 거리보다 클 수 있다.
구체적으로 사용자에 의해 설정된 제한 구역 내 오브젝트가 하나인 경우 마진 영역(1320)과 조정 구역(1330)은 일치하므로, 점유 영역(1310)의 경계와 마진 영역(1320)의 경계 사이의 거리는 제2 기 설정된 거리보다 클 수 있다.
더욱 구체적으로 프로세서는, 점유 영역(1310)의 경계의 일 지점과 ‘상응하는 마진 영역(1320)의 일 지점’ 사이의 거리가 제2 기 설정된 거리보다 크도록, 마진 영역(1320)을 설정할 수 있다.
이 경우 프로세서는, 점유 영역(1310)의 경계의 모든 지점과 ‘상응하는 마진 영역(1320)의 지점’ 사이의 거리들(e, f, g, h)이 제2 기 설정된 거리보다 크도록, 마진 영역(1320)을 설정할 수 있다.
예를 들어 점유 영역(1310)의 경계의 제1-1점과 ‘상기 제1-1 지점에 가장 가까운 마진 영역(1320)의 제1-2 지점’간의 거리(f), 점유 영역(1310)의 경계의 제2-1점과 ‘상기 제2-1 지점에 가장 가까운 마진 영역(1320)의 제2-2 지점’간의 거리(g), 점유 영역(1310)의 경계의 제3-1점과 ‘상기 제3-1 지점에 가장 가까운 마진 영역(1320)의 제3-2 지점’간의 거리(h), 점유 영역(1310)의 경계의 제4-1점과 ‘상기 제4-1 지점에 가장 가까운 마진 영역(1320)의 제4-2 지점’간의 거리(e)는 모두 제2 기 설정된 거리보다 클 수 있다.
한편 도 12에서는, 사용자에 의해 설정된 제한 구역(720)의 경계가 하나 이상의 오브젝트의 점유 영역의 경계와 제1 기 설정된 거리 이내인 경우, 사용자에 의해 설정된 제한 구역(720)을 재 설정하는 것으로 설명한 바 있다.
그리고 도 13b에서는, 점유 영역(1310)의 경계의 일 지점과 ‘상응하는 마진 영역(1320)의 일 지점’ 사이의 거리가 제2 기 설정된 거리보다 크도록, 마진 영역(1320)을 설정한다고 설명한 바 있다.
여기서 제2 기 설정된 거리는 제1 기설정된 거리보다 같거나 클 수 있다.
예를 들어 제1 기설정된 거리가 3이고 제2 기설정된 거리는 4라고 가정한다. 그리고 사용자에 의해 설정된 제한 구역(720)과 점유 영역 사이의 임의의 거리가 2라고 가정한다.
그리고 사용자에 의해 설정된 제한 구역(720)의 경계와 하나 이상의 오브젝트의 점유 영역의 경계와의 거리가 제1 기 설정된 거리(3) 이내인 2이기 때문에, 프로세서는 제한 구역을 재 설정한 조정 구역을 획득할 수 있다.
또한 조정 구역은, 조정 구역의 경계와 점유 영역의 경계 사이의 거리가 4보다 크도록 설정될 수 있다.
즉 본 발명에 따르면, 사용자에 의해 설정된 제한 구역의 경계가 오브젝트가 너무 가까운 경우 제한 구역을 재 설정하여 조정 구역을 획득할 수 있다. 이 경우 조정 구역의 경계와 오브젝트 사이의 거리는 기존보다 더 멀어질 수 있다. 이에 따라 본 발명에 따르면, 무빙 에이전트의 동작이 오브젝트에 영향을 미치는 것을 방지할 수 있는 장점이 있다.
한편 프로세서는, 하나 이상의 오브젝트의 점유 영역에 기초하여 하나 이상의 오브젝트의 점유 영역을 둘러싸고 점유 영역보다 큰 조정 구역을 획득할 수 있다. 이 경우 조정 구역의 면적 대비 하나 이상의 점유 영역의 면적의 비율은 제2 기 설정된 값보다 클 수 있으며, 하나 이상의 점유 영역의 경계와 조정 구역의 경계 사이의 거리는 제2 기 설정된 거리보다 클 수 있다.
도 14는 제한 구역 내 오브젝트가 복수인 경우의 동작을 설명하기 위한 도면이다.
복수의 오브젝트의 점유 영역(910)은, 복수의 오브젝트에 각각 대응하는 복수의 세부 점유 영역(911, 912, 913)을 포함할 수 있다.
그리고 프로세서는 복수의 오브젝트의 점유 영역(910)에 기초하여 복수의 오브젝트의 점유 영역(910)을 둘러싸고 점유 영역보다 조정 구역(1430)을 획득할 수 있다.
구체적으로 프로세서는, 복수의 세부 점유 영역(911, 912, 913)에 각각 대응하는 복수의 세부 마진 영역(1411, 1412, 1413)을 설정할 수 있다.
여기서 제1 세부 점유 영역(911)에 대한 제1 세부 마진 영역(1411)을 설정하는 방법, 제2 세부 점유 영역(912)에 대한 제2 세부 마진 영역(1412)을 설정하는 방법, 제3 세부 점유 영역(913)에 대한 제3 세부 마진 영역(1413)을 설정하는 방법에는, 도 13에서 설명한 마진 영역의 설정 방법이 적용될 수 있다.
한편 프로세서는, 복수의 세부 점유 영역(911, 912, 913)에 각각 대응하는 복수의 세부 마진 영역(1411, 1412, 1413)을 포함하는 조정 구역(1430)을 설정할 수 있다.
여기서 조정 구역(1430)은 복수의 세부 마진 영역(911, 912, 913)을 연결한 영역(1420)일 수 있다. 즉 프로세서는 복수의 세부 마진 영역(911, 912, 913)을 연결한 영역(1420)을 조정 구역(1430)으로써 획득할 수 있다.
여기서 제1 세부 마진 영역(1411)는 제1 세부 점유 영역(911)을 둘러싸고 제1 세부 마진 영역(1411)는 제1 세부 점유 영역(911)보다 크다. 또한 제2 세부 마진 영역(1412)은 제2 세부 점유 영역(912)을 둘러싸고 제2 세부 점유 영역(912)보다 크다. 또한 제3 세부 마진 영역(1413)은 제3 세부 점유 영역(913)을 둘러싸고 제3 세부 점유 영역(913)보다 크다.
따라서 복수의 세부 마진 영역(911, 912, 913)을 연결한 조정 구역(1430) 역시, 점유 영역(910)을 둘러싸고 점유 영역(910)보다 클 수 있다.
즉 본 발명에 따르면, 복수의 오브젝트의 점유 영역(910)을 둘러싸고 점유 영역(910)보다 큰 조정 구역(1430)이 설정된다. 즉 본 발명에 따르면, 복수의 오브젝트의 점유 영역(910)의 전부가 조정 구역 내에 위치하기 때문에, 무빙 에이전트와 오브젝트의 충돌을 방지할 수 있는 장점이 있다.
한편 조정 구역(1330)의 면적 대비 복수의 오브젝트의 점유 영역(910)의 면적의 비율은 제2 기 설정된 값보다 클 수 있다. 즉 프로세서는, 조정 구역(1330)의 면적 대비 복수의 오브젝트의 점유 영역(910)의 면적의 비율이 제2 기 설정된 값보다 크도록, 복수의 세부 점유 영역(911, 912, 913)에 각각 대응하는 복수의 세부 마진 영역(1411, 1412, 1413)을 설정할 수 있다.
한편 도 10에서는, 사용자에 의해 설정된 제한 구역(720)의 면적 대비 복수의 오브젝트의 점유 영역의 면적의 비율이 제1 기 설정된 값보다 작으면, 제한 구역을 재 설정 한다고 설명한 바 있다. 그리고 도 14에서는, 조정 구역(1430)의 면적 대비 복수의 오브젝트의 점유 영역의 면적의 비율은 제2 기 설정된 값보다 크다고 설명한 바 있다. 이 경우 제2 기 설정된 값은 제1 기설정된 값보다 같거나 클 수 있다.
즉 본 발명에 따르면, 사용자에 의해 설정된 제한 구역의 면적 대비 복수의 오브젝트의 점유 영역의 면적의 비율이 기 설정된 값보다 작은 경우 제한 구역보다 더 작은 조정 구역을 설정함으로써, 무빙 에이전트의 이동 영역(로봇 청소기의 경우 이동 및 청소 영역)이 불필요하게 제한되는 것을 방지할 수 있다.
한편 조정 구역(1430)의 경계와 점유 영역(910) 사이의 거리는 제2 기 설정된 거리보다 클 수 있다. 즉 프로세서는, 조정 구역(1430)의 경계와 점유 영역(910) 사이의 거리가 제2 기 설정된 거리보다 크도록, 복수의 세부 점유 영역(911, 912, 913)에 각각 대응하는 복수의 세부 마진 영역(1411, 1412, 1413)을 설정할 수 있다.
한편 도 12에서는, 사용자에 의해 설정된 제한 구역(720)의 경계가 복수의 오브젝트의 점유 영역의 경계와 제1 기 설정된 거리 이내인 경우, 사용자에 의해 설정된 제한 구역(720)을 재 설정하는 것으로 설명한 바 있다.
이 경우 제2 기 설정된 거리는 제1 기설정된 거리보다 같거나 클 수 있다.
즉 본 발명에 따르면, 사용자에 의해 설정된 제한 구역의 경계가 오브젝트가 너무 가까운 경우 제한 구역을 재 설정하여 조정 구역을 획득할 수 있다. 이 경우 조정 구역의 경계와 오브젝트 사이의 거리는 기존보다 더 멀어질 수 있다. 이에 따라 본 발명에 따르면, 무빙 에이전트의 동작이 오브젝트에 영향을 미치는 것을 방지할 수 있는 장점이 있다.
한편 프로세서는, 조정 구역(1330)의 면적 대비 복수의 오브젝트의 점유 영역(910)의 면적의 비율이 제2 기 설정된 값보다 크고, 조정 구역(1430)의 경계와 점유 영역(910) 사이의 거리가 제2 기 설정된 거리보다 크도록, 복수의 세부 점유 영역(911, 912, 913)에 각각 대응하는 복수의 세부 마진 영역(1411, 1412, 1413)을 설정할 수 있다.
도 15는 제한 구역 내 오브젝트가 복수인 경우의 또 다른 동작을 설명하기 위한 도면이다.
복수의 오브젝트의 점유 영역(910)은, 복수의 오브젝트에 각각 대응하는 복수의 세부 점유 영역(911, 912, 913)을 포함할 수 있다.
그리고 프로세서는, 복수의 세부 점유 영역(911, 912, 913)에 각각 대응하는 복수의 세부 마진 영역을 설정할 수 있다.
또한 프로세서는 복수의 세부 마진 영역(911, 912, 913)을 연결한 영역(1420)을 획득할 수 있다.
한편 프로세서는 복수의 세부 마진 영역(911, 912, 913)을 연결한 영역(1420)의 경계를 조절하고, 경계가 조절된 영역을 조정 구역(1430)으로써 획득할 수 있다.
예를 들어 프로세서는, 영역(1420)의 경계의 일부를, 곡선으로부터 직선으로 변경하거나, 호의 각도를 변경하거나, 직선으로부터 곡선으로 변경하거나, 두 변의 각도를 변경하는 등의 방식으로, 영역(1420)의 경계가 부드럽게 이어지도록 조절할 수 있다.
한편 이 경우에도, 조정 구역(1430)은 오브젝트의 점유 영역(910)을 둘러싸고 점유 영역(910)보다 클 수 있다. 또한 조정 구역(1430)의 면적 대비 오브젝트의 점유 영역(910)의 면적의 비율은 제2 기 설정된 값보다 클 수 있으며, 복수의 점유 영역(910)의 경계와 조정 구역(1430)의 경계 사이의 거리는 제2 기 설정된 거리보다 클 수 있다.
이에 따라 본 발명에 따르면, 무빙 에이전트가 조정 구역(1430) 근처에서 더욱 부드럽게(급격한 움직임 없이) 움직일 수 있도록 하는 장점이 있다.
도 16은 본 발명의 효과를 설명하기 위한 도면이다.
본 발명에 따르면, 조정 구역의 면적(1730)은 사용자에 의해 설정된 제한 구역(720)의 면적보다 작게 설정될 수 있다. 따라서 본 발명에 따르면, 무빙 에이전트의 이동 영역이 불필요하게 제한되는 것을 방지할 수 있다.
도 17은 조정 완충 영역을 설명하기 위한 도면이다.
프로세서는 조정 완충 영역(1710)을 설정할 수 있다. 여기서 조정 완충 영역(1710)은, 조정 구역(1430)을 포함할 수 있다. 또한 조정 완충 영역(1710)은, 조정 구역(1430)을 둘러싸고 조정 구역(1430)보다 큰 구역일 수 있다.
여기서 조정 완충 영역(1710)이 조정 구역(1430)을 둘러싼다는 의미는, 조정 완충 영역(1710)의 경계가 조정 구역(1430)을 둘러싼다는 것을 의미할 수 있다. 또한 조정 완충 영역(1710)이 조정 구역(1430)보다 큰 구역이라는 의미는, 조정 완충 영역(1710)의 면적이 조정 구역(1430)의 면적보다 크다는 것을 의미할 수 있다.
이 경우 프로세서는 조정 완충 영역(1710)의 경계가 조정 구역(1430)의 경계와 일정 거리를 가지도록 조정 완충 영역(1710)을 설정할 수 있다.
한편 무빙 에이전트가 조정 완충 영역(1710)에 진입하면, 프로세서는 무빙 에이전트의 이동 속도를 감소시키도록 주행 구동부를 제어할 수 있다. 구체적으로 프로세서는 무빙 에이전트의 이동 속도가 기 설정된 값보다 작은 속도를 유지하도록 주행 구동부를 제어할 수 있다. 또한 무빙 에이전트가 로봇 청소기인 경우, 프로세서는 오염물의 제거를 중단하거나 오염물의 제거의 강도를 감소시키도록 청소부를 제어할 수 있다.
또한 프로세서는 무빙 에이전트(100)가 조정 구역(1430)에 진입하지 않도록 주행 구동부를 제어할 수 있다.
이와 같이 본 발명에 따르면, 무빙 에이전트의 동작이 오브젝트에 영향을 미치는 것이나 무빙 에이전트가 오브젝트에 충돌하는 것을 방지할 수 있는 장점이 있다.
한편 프로세서는 실내 공간의 맵(750)을 표시하고, 조정 구역(1430) 및 조정 완충 영역(1710) 중 적어도 하나를 맵(750) 상에 표시하도록 디스플레이부를 제어할 수 있다.
또한 프로세서는, 조정 구역(1430) 및 조정 완충 영역(1710) 중 적어도 하나에 대한 정보를 사용자의 단말기에 전송할 수 있다. 이 경우 사용자의 단말기는, 실내 공간의 맵(750)을 표시하고, 조정 구역(1430) 및 조정 완충 영역(1710) 중 적어도 하나를 맵(750) 상에 표시할 수 있다.
이와 같이 본 발명에 따르면, 사용자에게 재 설정된 제한 구역을 안내할 수 있는 장점이 있다.
도 18은 오브젝트가 이동하는 경우의 동작을 설명하기 위한 도면이다.
도 18a를 참고하면, 실내 공간에 오브젝트(1811)가 놓여있고, 사용자에 의해 제한 구역(1820)이 설정되었다. 그리고 무빙 에이전트의 프로세서는 오브젝트(1811)의 점유 영역에 기초하여 제한 구역(1820)을 재 설정한 조정 구역(1830)을 획득한 상태이다.
이 경우 프로세서는, 사용자에 의해 설정된 제한 구역(1820) 내의 오브젝트의 식별 정보를 메모리에 저장할 수 있다. 여기서 식별 정보는, 오브젝트가 무엇인지를 판단하기 위한 것으로, 오브젝트의 영상, 오브젝트의 명칭, 오브젝트의 식별 코드 등을 포함할 수 있다.
한편 도 18b를 참조하면, 사용자는 오브젝트(1811)를 다른 곳으로 옮겨놓았다. 사용자가 화분의 위치를 변경한 상황을 그 예로 들 수 있다.
한편 프로세서는, 실내 공간을 이동하며 오브젝트를 탐지할 수 있다. 그리고 오브젝트(1811)의 점유 영역과 다른 위치에서 탐지된 오브젝트의 식별 정보가 메모리에 저장된 식별 정보에 대응하면, 프로세서는 탐지된 오브젝트의 점유 영역에 기초하여 제2 조정 구역(1840)을 설정할 수 있다.
즉 오브젝트(1811)의 점유 영역과 다른 위치에서 탐지된 오브젝트의 식별 정보가 메모리에 저장된 식별 정보에 일치하는 경우, 프로세서는 탐지된 오브젝트의 위치가 변경된 것으로 결정할 수 있다. 이 경우 프로세서는 탐지된 오브젝트의 점유 영역에 기초하여 제2 조정 구역(1840)을 설정할 수 있다.
한편 제2 조정 구역(1840)을 설정하는 방식에는, 앞서 설명한 조정 구역의 설정 방식이 적용될 수 있다. 또한 제2 조정 구역(1840)을 설정한 이후의 동작에는, 앞서 설명한 조정 구역을 설정한 이후의 동작이 적용될 수 있다.
한편 제2 조정 구역(1840)이 설정되는 경우, 프로세서는 조정 구역(1830)의 설정을 해제할 수 있다. 이에 따라 프로세서는 무빙 에이전트가 조정 구역(1830)에 진입하도록 주행 구동부를 제어할 수 있다.
이와 같이 본 발명에 따르면, 사용자가 제한 구역을 설정하여 보호하려는 오브젝트가 무엇인지 판단하고 오브젝트가 옮겨진 경우에는 자동으로 제한 구역을 설정함으로써, 사용자 편의성을 향상시킬 수 있는 장점이 있다.
도 19는 동일한 상황이 반복됨에 따른 무빙 에이전트의 동작을 설명하기 위한 도면이다.
도 19a를 참조하여, 실내 공간에 복수의 장난감(1931, 1932, 1933, 1934, 1935)이 놓여있고, 복수의 장난감(1931, 1932, 1933, 1934, 1935)이 딸(1920)을 둘러싸고 있는 상황을 가정한다. 그리고 아빠가 딸이 노는 것을 방해하지 않기 위해, 제한 구역(1910)을 설정한 상황을 가정한다.
프로세서는 하나 이상의 오브젝트(1931, 1932, 1933, 1934, 1935)의 점유 영역과 관련된 상황 정보를 획득할 수 있다.
여기서 상황 정보는, 하나 이상의 오브젝트(1931, 1932, 1933, 1934, 1935)가 위치하는 장소에서 벌어지는 상황을 나타내는 정보일 수 있다. 예를 들어 상황 정보는, “딸이 여러가지 장난감을 가지고 놀고 있다”일 수 있다.
이 경우 상황 정보는, 하나 이상의 오브젝트(1931, 1932, 1933, 1934, 1935)가 위치하는 장소에서 촬영된 다양한 요소들(오브젝트, 텍스트, 배경, 조명, 구조, 배치, 사람 등)을 이용하여 획득될 수 있다.
이 경우 상황 정보의 추출은 인공지능 모델(예를 들어 CNN)을 이용하여 수행될 수도 있다.
한편 프로세서는 하나 이상의 오브젝트(1931, 1932, 1933, 1934, 1935)의 점유 영역과 관련된 상황 정보를 메모리에 저장할 수 있다.
한편 프로세서는, 실내 공간을 이동하며 점유 영역을 결정하기 위한 데이터를 수집하고, 점유 영역을 결정하기 위한 데이터에 기초하여 상황 정보를 추출할 수 있다.
그리고 새롭게 획득된 제2 상황 정보가 메모리에 저장된 상황 정보에 대응하는 경우, 프로세서는 새로운 제2 조정 구역을 설정할 수 있다.
예를 들어 도 19b를 참고하면, 프로세서는 하나 이상의 오브젝트(1941, 1942, 1943) 및 딸(1920)의 영상에 기초하여, 프로세서는 “딸이 여러가지 장난감을 가지고 놀고 있다”라는 제2 상황 정보를 획득할 수 있다.
그리고 제2 상황 정보가 메모리에 저장된 상황 정보와 일치하는 경우, 프로세서는 제2 조정 구역을 설정할 수 있다.
구체적으로 프로세서는, 제2 상황 정보가 획득된 영역의 하나 이상의 오브젝트(1941, 1942, 1943)의 제2 점유 영역에 기초하여, 제2 점유 영역을 둘러싸고 제2 점유 영역보다 큰 제2 조정 구역을 획득할 수 있다.
한편 오브젝트는 물건뿐만 아니라 사람을 포함할 수도 있다. 예를 들어 프로세서는 제2 상황 정보가 획득된 영역의 하나 이상의 오브젝트(1941, 1942, 1943, 1920)의 제2 점유 영역에 기초하여, 제2 점유 영역을 둘러싸고 제2 점유 영역보다 큰 제2 조정 구역(1960)을 획득할 수 있다.
이와 같이 본 발명에 따르면, 일단 사용자에 의해 제한 구역이 설정되는 경우에는 사용자에 의해 제한 구역이 다시 설정되지 않아도, 무빙 에이전트가 스스로 제한 구역을 설정하여 동작할 수 있는 장점이 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 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100: 인공지능 무빙 에이전트

Claims (20)

  1. 인공지능 무빙 에이전트에 있어서,
    상기 인공지능 무빙 에이전트를 주행시키는 주행 구동부;
    점유 영역을 결정하기 위한 데이터를 획득하는 센싱부; 및
    상기 데이터에 기초하여 하나 이상의 오브젝트의 점유 영역을 결정하고, 상기 하나 이상의 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정한 조정 구역을 획득하는 프로세서를 포함하는
    인공지능 무빙 에이전트.
  2. 제 1항에 있어서,
    상기 프로세서는,
    상기 사용자에 의해 설정된 제한 구역과 상기 하나 이상의 오브젝트의 점유 영역을 비교하여 상기 제한 구역의 재설정 여부를 결정하는
    인공지능 무빙 에이전트.
  3. 제 2항에 있어서,
    상기 프로세서는,
    상기 사용자에 의해 설정된 제한 구역의 면적 대비 상기 하나 이상의 오브젝트의 점유 영역의 면적의 비율이 제1 기 설정된 값보다 작으면, 상기 제한 구역을 재 설정 할 것으로 결정하는
    인공지능 무빙 에이전트.
  4. 제 2항에 있어서,
    상기 프로세서는,
    상기 하나 이상의 오브젝트의 점유 영역의 일부 또는 전부가 상기 사용자에 의해 설정된 제한 구역 내에 위치하지 않는 경우, 상기 제한 구역을 재 설정 할 것으로 결정하는
    인공지능 무빙 에이전트.
  5. 제 2항에 있어서,
    상기 프로세서는,
    상기 사용자에 의해 설정된 제한 구역의 경계가 상기 하나 이상의 오브젝트의 점유 영역의 경계와 제1 기 설정된 거리 이내인 경우, 상기 제한 구역을 재 설정 할 것으로 결정하는
    인공지능 무빙 에이전트.
  6. 제 1항에 있어서,
    상기 센싱부는,
    카메라, 레이다(radar), 라이다(Lidar) 및 초음파 센서 중 적어도 하나를 포함하는
    인공지능 무빙 에이전트.
  7. 제 6항에 있어서,
    상기 프로세서는,
    상기 카메라에 의해 촬영된 영상을 인공지능 모델에 제공하여 상기 촬영된 영상 내의 오브젝트를 탐지하고, 상기 하나 이상의 오브젝트가 탐지되면 상기 데이터에 기초하여 상기 하나 이상의 오브젝트의 점유 영역을 결정하는
    인공지능 무빙 에이전트.
  8. 제 1항에 있어서,
    상기 프로세서는,
    상기 인공지능 무빙 에이전트가 상기 제한 구역을 둘러싸고 상기 제한 구역보다 큰 완충 영역에 진입하면, 상기 점유 영역을 결정하기 위한 데이터를 획득하는
    인공지능 무빙 에이전트.
  9. 제 8항에 있어서,
    상기 프로세서는,
    상기 인공지능 무빙 에이전트가 상기 완충 영역에 진입하면, 이동 속도를 감소시키도록 상기 주행 구동부를 제어하는
    인공지능 무빙 에이전트.
  10. 제 1항에 있어서,
    상기 프로세서는,
    상기 하나 이상의 오브젝트의 점유 영역에 기초하여, 상기 하나 이상의 오브젝트의 점유 영역을 둘러싸고 상기 점유 영역보다 큰 상기 조정 구역을 획득하는
    인공지능 무빙 에이전트.
  11. 제 10항에 있어서,
    상기 조정 구역의 면적 대비 상기 하나 이상의 오브젝트의 점유 영역의 면적의 비율은 제2 기 설정된 값보다 큰
    인공지능 무빙 에이전트.
  12. 제 11항에 있어서,
    상기 조정 구역의 면적은, 상기 사용자에 의해 설정된 제한 구역의 면적보다 작은
    인공지능 무빙 에이전트.
  13. 제 10항에 있어서,
    상기 하나 이상의 점유 영역의 경계와 상기 조정 구역의 경계 사이의 거리는 제2 기 설정된 거리보다 큰
    인공지능 무빙 에이전트.
  14. 제 10항에 있어서,
    상기 프로세서는,
    하나의 오브젝트의 점유 영역에 기초하여, 상기 하나의 오브젝트의 점유 영역을 둘러싸고 상기 점유 영역보다 큰 마진 영역을 상기 조정 구역으로써 획득하는
    인공지능 무빙 에이전트.
  15. 제 10항에 있어서,
    상기 하나 이상의 오브젝트의 점유 영역은,
    복수의 오브젝트에 각각 대응하는 복수의 세부 점유 영역을 포함하고,
    상기 조정 구역은,
    상기 복수의 세부 점유 영역에 각각 대응하는 복수의 세부 마진 영역을 포함하는
    인공지능 무빙 에이전트.
  16. 제 15항에 있어서,
    상기 조정 구역은,
    상기 복수의 세부 마진 영역을 연결한 영역인
    인공지능 무빙 에이전트.
  17. 제 1항에 있어서,
    메모리를 더 포함하고,
    상기 프로세서는,
    상기 하나 이상의 오브젝트의 식별 정보를 상기 메모리에 저장하고, 상기점유 영역과 다른 위치에서 탐지된 오브젝트의 식별 정보가 상기 메모리에 저장된 식별 정보에 대응하면 상기 탐지된 오브젝트의 점유 영역에 기초하여 제2 조정 구역을 설정하는
    인공지능 무빙 에이전트.
  18. 제 1항에 있어서,
    메모리를 더 포함하고,
    상기 프로세서는,
    상기 데이터에 기초하여 상기 하나 이상의 오브젝트의 점유 영역과 관련된 상황 정보를 획득하여 상기 메모리에 저장하고, 새롭게 획득된 제2 상황 정보가 상기 메모리에 저장된 상황 정보에 대응하면 제2 조정 구역을 설정하는
    인공지능 무빙 에이전트.
  19. 제 18항에 있어서,
    상기 프로세서는,
    상기 제2 상황 정보가 획득된 영역의 하나 이상의 오브젝트의 제2 점유 영역에 기초하여, 상기 제2 점유 영역을 둘러싸고 상기 제2 점유 영역보다 큰 상기 제2 조정 구역을 획득하는
    인공지능 무빙 에이전트.
  20. 인공지능 로봇 청소기에 있어서,
    상기 인공지능 로봇 청소기를 주행시키는 주행 구동부;
    오염물을 제거하는 청소부;
    점유 영역을 결정하기 위한 데이터를 획득하는 센싱부; 및
    상기 데이터에 기초하여 하나 이상의 오브젝트의 점유 영역을 결정하고, 상기 하나 이상의 오브젝트의 점유 영역에 기초하여 사용자에 의해 설정된 제한 구역을 재 설정한 조정 구역을 획득하는 프로세서를 포함하는
    인공지능 로봇 청소기.
KR1020190137070A 2019-10-31 2019-10-31 인공지능 무빙 에이전트 KR20210051601A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190137070A KR20210051601A (ko) 2019-10-31 2019-10-31 인공지능 무빙 에이전트
US16/812,162 US11385643B2 (en) 2019-10-31 2020-03-06 Artificial intelligence moving agent

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190137070A KR20210051601A (ko) 2019-10-31 2019-10-31 인공지능 무빙 에이전트

Publications (1)

Publication Number Publication Date
KR20210051601A true KR20210051601A (ko) 2021-05-10

Family

ID=75688957

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190137070A KR20210051601A (ko) 2019-10-31 2019-10-31 인공지능 무빙 에이전트

Country Status (2)

Country Link
US (1) US11385643B2 (ko)
KR (1) KR20210051601A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102524105B1 (ko) * 2022-11-30 2023-04-21 (주)토탈소프트뱅크 항만의 객체 점유 공간 인식 장치

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210282613A1 (en) * 2020-03-12 2021-09-16 Irobot Corporation Control of autonomous mobile robots
US11919175B2 (en) * 2020-04-15 2024-03-05 Mujin, Inc. Robotic system with collision avoidance mechanism and method of operation thereof
US11730328B2 (en) * 2020-08-14 2023-08-22 Irobot Corporation Visual fiducial for behavior control zone
EP4296014A1 (en) * 2021-08-20 2023-12-27 Samsung Electronics Co., Ltd. Robot and control method therefor

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8589014B2 (en) * 2011-06-01 2013-11-19 Google Inc. Sensor field selection
US9383753B1 (en) * 2012-09-26 2016-07-05 Google Inc. Wide-view LIDAR with areas of special attention
US9367065B2 (en) * 2013-01-25 2016-06-14 Google Inc. Modifying behavior of autonomous vehicles based on sensor blind spots and limitations
JP6430907B2 (ja) * 2015-07-17 2018-11-28 株式会社Ｓｏｋｅｎ 運転支援システム
KR101962701B1 (ko) * 2017-09-25 2019-03-27 주식회사 만도 가시 거리에 따라 경보 영역이 변경되는 차량 경보 장치 및 방법
EP3462212B1 (en) * 2017-09-28 2022-03-16 Aptiv Technologies Limited Radar system of a vehicle and method for detecting an object in standstill situation

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102524105B1 (ko) * 2022-11-30 2023-04-21 (주)토탈소프트뱅크 항만의 객체 점유 공간 인식 장치

Also Published As

Publication number Publication date
US20210132607A1 (en) 2021-05-06
US11385643B2 (en) 2022-07-12

Similar Documents

Publication Publication Date Title
KR102286132B1 (ko) 인공지능 로봇 청소기
KR102287460B1 (ko) 인공지능 무빙 에이전트
US10102429B2 (en) Systems and methods for capturing images and annotating the captured images with information
US11385643B2 (en) Artificial intelligence moving agent
KR102306394B1 (ko) 인공지능 로봇 청소기
US10967512B2 (en) Moving robot and controlling method
KR102235270B1 (ko) 이동 로봇 시스템 및 그 제어방법
KR102298582B1 (ko) 센서 데이터를 이용하여 청소 동선을 결정하는 인공 지능 로봇 및 그 방법
US11330951B2 (en) Robot cleaner and method of operating the same
KR20190106867A (ko) 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
US11399143B2 (en) Artificial intelligence display device
US11348276B2 (en) Mobile robot control method
KR20190093529A (ko) 공기 청정기의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
KR20190104008A (ko) 인공 지능을 이용하여, 청소하는 로봇 청소기 및 그 동작 방법
KR20190104488A (ko) 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법
KR20190105214A (ko) 인공 지능을 통해 구속 상황을 회피하는 로봇 청소기 및 그의 동작 방법
US20210204785A1 (en) Artificial intelligence moving agent
Vincze et al. Perception and computer vision
KR20210047431A (ko) 구속 위험 영역 정보를 공유하는 인공 지능 장치 및 그 방법
KR20230011698A (ko) 이동 로봇

Legal Events

Date Code Title Description
A201 Request for examination