KR20210057556A - 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법 - Google Patents

사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법 Download PDF

Info

Publication number
KR20210057556A
KR20210057556A KR1020190144460A KR20190144460A KR20210057556A KR 20210057556 A KR20210057556 A KR 20210057556A KR 1020190144460 A KR1020190144460 A KR 1020190144460A KR 20190144460 A KR20190144460 A KR 20190144460A KR 20210057556 A KR20210057556 A KR 20210057556A
Authority
KR
South Korea
Prior art keywords
image
display panel
artificial intelligence
processor
reference image
Prior art date
Application number
KR1020190144460A
Other languages
English (en)
Inventor
맹지찬
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 KR1020190144460A priority Critical patent/KR20210057556A/ko
Priority to US16/737,406 priority patent/US20210142711A1/en
Publication of KR20210057556A publication Critical patent/KR20210057556A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/485—End-user interface for client configuration
    • H04N21/4854—End-user interface for client configuration for modifying image parameters, e.g. image brightness, contrast
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/02—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the way in which colour is displayed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/431—Generation of visual interfaces for content selection or interaction; Content or additional data rendering
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • G09G3/2003—Display of colours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/002—Specific input/output arrangements not covered by G06F3/01 - G06F3/16
    • G06F3/005—Input arrangements through a video camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G06K9/20—
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/42202—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS] environmental sensors, e.g. for detecting temperature, luminosity, pressure, earthquakes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/41—Structure of client; Structure of client peripherals
    • H04N21/422—Input-only peripherals, i.e. input devices connected to specially adapted client devices, e.g. global positioning system [GPS]
    • H04N21/4223—Cameras
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/4508—Management of client data or end-user data
    • H04N21/4532—Management of client data or end-user data involving end-user characteristics, e.g. viewer profile, preferences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/475—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data
    • H04N21/4755—End-user interface for inputting end-user data, e.g. personal identification number [PIN], preference data for defining user preferences, e.g. favourite actors or genre
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/68—Circuits for processing colour signals for controlling the amplitude of colour signals, e.g. automatic chroma control circuits
    • H04N9/69—Circuits for processing colour signals for controlling the amplitude of colour signals, e.g. automatic chroma control circuits for modifying the colour signals by gamma correction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/73—Colour balance circuits, e.g. white balance circuits or colour temperature control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/22—Cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/06—Adjustment of display parameters
    • G09G2320/0693—Calibration of display systems
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/08—Arrangements within a display terminal for setting, manually or automatically, display parameters of the display terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Business, Economics & Management (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Emergency Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Remote Sensing (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

본 개시의 일 실시 예는 디스플레이 패널을 조정하는 인공 지능 장치에 있어서, 카메라; 및 상기 카메라를 통해 촬영된 디스플레이 패널에 대한 촬영 이미지를 수신하고, 상기 촬영 이미지에 대응하는 레퍼런스 이미지를 수신하고, 상기 촬영 이미지의 수신 시점의 컨텍스트 정보를 수신하고, 상기 촬영 이미지, 상기 레퍼런스 이미지 및 상기 컨텍스트 정보에 기초하여 이미지 전처리 파라미터 세트를 결정하고, 상기 이미지 전처리 파라미터 세트를 이용하여 상기 레퍼런스 이미지를 전처리하고, 상기 전처리된 레퍼런스 이미지와 상기 촬영 이미지에 기초하여 상기 디스플레이 패널을 조정하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법 {ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR CALIBRATING DISPLAY PANEL IN CONSIDERATION OF USER'S PREFERENCE}
본 개시(disclosure)는 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법에 관한 것이다.
최근 디스플레이 장치는 TV나 모니터뿐만 아니라, 디지털 사이니지나 옥외 간판 등의 다양한 장치들로 구현되며, 사용 범위가 폭발적으로 증가하고 있다. 특히, 복수의 디스플레이 패널들을 연결하여 하나의 대형 디스플레이를 구성하는 상황이 늘어나고 있다.
그러나, 복수의 디스플레이 패널들이 하나의 대형 디스플레이를 구성하는 경우에는 각 디스플레이 패널들 사이에 색상이나 위치가 부정합하여 출력되는 이미지에 왜곡이 발생할 수 있다. 또한, 단일한 디스플레이 패널로 구성된 디스플레이라 하더라도, 각 출력 소자들 사이에 출력하는 색상이 부정합하여 출력되는 이미지에 왜곡이 발생할 수 있다. 또한, 플렉서블 디스플레이는 디스플레이의 굴곡에 의하여 실제 출력되는 이미지에 왜곡이 없더라도 사용자에게 관찰되는 이미지에는 왜곡이 발생할 수 있다. 따라서, 실제 사용자에게 관찰되는 이미지에 왜곡이 발생하지 않도록 디스플레이 패널을 조정/보정하는 기술의 필요성이 증대된다.
그러나, 디스플레이 패널의 사용자나 관리자는 출력하는 이미지의 종류나 날씨 등의 컨텍스트에 따라 디스플레이 패널의 설정을 달리할 수 있다. 따라서, 사용자의 선호도를 고려하여 디스플레이 패널을 조정/보정할 필요가 있다.
본 개시는, 사용자가 관찰하는 디스플레이 패널에서 출력된 이미지가 사용자가 선호하는 색상을 가지면서, 색상의 왜곡이 발생하지 않도록 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 개시의 일 실시 예는, 디스플레이 패널에 대한 촬영 이미지, 촬영 이미지에 대응하는 레퍼런스 이미지 및 촬영 이미지의 수신 시점의 컨텍스트 정보에 기초하여 이미지 전처리 파라미터 세트를 결정하고, 결정된 이미지 전처리 파라미터 세트를 이용하여 레퍼런스 이미지를 전처리하고, 전처리된 레퍼런스 이미지와 촬영 이미지에 기초하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법을 제공한다.
또한, 본 개시의 일 실시 예는, 사용자의 이미지 전처리 기록을 고려하여 이미지 전처리 파라미터를 결정하는 인공 지능 장치 및 그 방법을 제공한다.
본 개시의 다양한 실시 예에 따르면, 사용자는 디스플레이 패널에서 출력되는 이미지를 색상의 왜곡 없이 관찰할 수 있다.
또한, 본 개시의 다양한 실시 예에 따르면, 디스플레이 패널이 출력하는 이미지와 환경을 고려한 사용자 선호의 상태로 조정됨에 따라, 사용자는 각 상황별로 선호도에 맞는 색상을 갖는 이미지를 관찰할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 6은 본 개시의 일 실시 예에 따른 디스플레이 패널을 조정하는 방법을 나타낸 동작 흐름도이다.
도 7은 본 개시의 일 실시 예에 따른 디스플레이 패널을 조정하는 방법을 나타낸 도면이다.
도 8은 본 개시의 일 실시 예에 따른 이미지 전처리 파라미터 세트를 결정하는 방법을 나타낸 도면이다.
도 9는 본 개시의 일 실시 예에 따른 이미지 전처리 파라미터 결정 모델에 대한 학습 데이터의 예시를 나타낸 도면이다.
도 10은 도 6에 도시된 디스플레이 패널을 조정하는 단계(S611)의 일 예를 나타낸 동작 흐름도이다.
도 11은 본 발명의 일 실시 예에 따른 디스플레이 패널에 대한 색상의 왜곡을 제거하는 방법을 나타낸 도면이다.
도 12는 본 발명의 일 실시 예에 따른 색상 왜곡이 발생하는 영역을 판단하는 방법을 나타낸 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 개시의 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 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.
이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.
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, 인공 지능 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸 블록도이다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
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. 예컨대, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.
도 1과 중복되는 설명은 생략한다.
통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
센싱부(140)는 센서부라고 칭할 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 AI 시스템(1)은 AI 장치(100), AI 서버(200) 및 디스플레이 장치(300)를 포함할 수 있다.
AI 장치(100), AI 서버(200) 또는 디스플레이 장치(300) 중에서 적어도 하나 이상은 서로 유무선 통신 기술을 이용하여 서로 통신할 수 있다. 각 장치들(100, 200, 300)은 기지국, 라우터 등을 통하여 서로 통신할 수도 있지만, 근거리 통신 기술 등을 이용하여 직접 서로 통신할 수도 있다. 예컨대, 각 장치들(100, 200, 300)은 5G(5th generation) 통신을 이용하여 기지국을 통하거나 또는 직접 서로 통신할 수 있다.
AI 장치(100)는 디스플레이 장치(300)의 디스플레이 패널에 대하여 왜곡이 발생하는지 여부를 판단하고, 왜곡을 조정하는 설정 값들을 결정하여 디스플레이 장치(300)에 전송함으로써, 디스플레이 장치(300)의 디스플레이 패널의 왜곡을 바로잡을 수 있다. 디스플레이 패널의 왜곡은 디스플레이 패널의 색상의 왜곡 또는 위치의 왜곡 등을 포함한다.
디스플레이 패널의 색상의 왜곡은 복수의 디스플레이 패널들이 연결되어 하나의 디스플레이 패널을 구성하는 경우에, 각 디스플레이 패널 사이의 색상의 왜곡을 의미할 수도 있지만, 하나의 디스플레이 패널 내에서 각 디스플레이 소자 사이에 발생하는 색상의 왜곡을 포함할 수도 있다. 특히, 플렉서블 디스플레이 패널에서는 각 디스플레이 소자에 색상의 왜곡이 없다고 하더라도, 디스플레이 패널의 굴곡으로 인하여 관측자에게는 색상의 왜곡이 있는 것으로 관찰될 수 있으므로, 이 또한 색상의 왜곡이라 볼 수 있다. 디스플레이 패널의 색상의 왜곡에는 색 온도의 왜곡이나 휘도의 왜곡 등이 포함될 수 있다.
마찬가지로, 디스플레이 패널의 위치의 왜곡은 복수의 디스플레이 패널들이 연결되어 하나의 디스플레이 패널 그룹을 구성하는 경우에, 각 디스플레이 패널 사이의 배치 또는 정렬의 왜곡을 의미할 수 있다. 이하에서, 디스플레이 패널은 특별한 구분이 없는 한 디스플레이 패널 그룹을 포함한다.
AI 장치(100)는 디스플레이 장치(300)의 디스플레이 패널에 대한 촬영 이미지를 이용하여 디스플레이 패널에 존재하는 색상의 왜곡이나 위치의 왜곡을 판단하고, 왜곡을 바로잡기 위한 조정 값을 결정하여 디스플레이 장치(300)에 전송할 수 있다. 그리고, AI 장치(100)는 다시 디스플레이 장치(300)의 디스플레이 패널에 대한 촬영 이미지를 이용하여 디스플레이 패널에 대한 재조정을 수행할 수 있다. AI 장치(100)는 고정된 장치일 수도 있지만, 로봇 청소기나 안내 로봇 등과 같이 이동 가능한 로봇일 수도 있다.
AI 서버(200)는 AI 장치(100)로부터 디스플레이 장치(300)의 디스플레이 패널을 조정하는데 이용할 데이터를 수신하고, 수신한 데이터를 기초로 디스플레이 패널의 조정을 위한 설정 값들을 결정할 수 있다.
디스플레이 장치(300)는 디스플레이 패널, 프로세서 (또는 디스플레이 컨트롤러), 통신부를 포함하고, 디스플레이 패널을 통해 이미지를 출력할 수 있다. 디스플레이 장치(300)는 롤러블 디스플레이, 플렉서블 디스플레이, 마이크로 LED 디스플레이, LCD 등을 포함한다.
도 5에서는 AI 장치(100)와 디스플레이 장치(300)가 서로 구분되는 구성으로 도시되어 있지만, 본 발명이 이에 한정되지는 않는다. 즉, 다른 실시 예에서는 AI 장치(100)가 AI 기능을 구비한 디스플레이 장치를 의미하며, 도 5의 AI 장치(100)와 디스플레이 장치(300)가 하나로 구성될 수 있다. 이 경우, AI 장치(100)의 프로세서(180)는 자신의 디스플레이 패널 또는 디스플레이부(151)를 조정할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 디스플레이 패널을 조정하는 방법을 나타낸 동작 흐름도이다.
도 6을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 카메라(121)를 통해 디스플레이 패널에 대한 촬영 이미지를 수신한다(S601).
디스플레이 패널은 인공 지능 장치(100)에 포함된 디스플레이부(151)를 의미할 수도 있고, 외부의 디스플레이 장치(300)의 디스플레이 패널을 의미할 수도 있다. 디스플레이 패널은 LCD 패널, LED 패널, OLED 패널 등의 다양한 패널을 포함한다. 디스플레이 패널에 대한 촬영 이미지는 디스플레이 패널을 촬영한 이미지를 의미하며, 촬영 이미지 데이터라 칭할 수 있다.
카메라(121)는 RGB 카메라이고, 촬영 이미지는 RGB 이미지일 수 있다. 카메라(121)는 색상 조정의 대상이 되는 디스플레이 패널을 바라보는 고정된 위치에 설치되어 고정된 시점을 가질 수도 있지만, 인공 지능 장치(100)의 몸체에 설치되고 인공 지능 장치(100)가 이동함에 따라 시점이 변동될 수도 있다.
카메라(121)는 미리 설정된 카메라 설정 값을 이용하여 촬영 이미지를 수신할 수 있다. 카메라 설정 값에는 셔터 속도, 조리개, ISO, 화이트밸런스 등이 포함될 수 있다.
프로세서(180)는 수신한 촬영 이미지에서 디스플레이 패널 이외의 영역을 제거하고, 디스플레이 패널 영역을 직사각형 모양으로 변환할 수 있다. 카메라(121)의 시점이 디스플레이 패널의 중심 높이에서 중심을 바라보는 경우라면 촬영 이미지에 포함된 디스플레이 패널은 직사각형 모양일 수 있으나, 카메라(121)의 시점이 디스플레이 패널을 정면 중앙에서 바라보는 것이 아니라면 촬영 이미지에 포함된 디스플레이 패널은 마름모와 같이 직사각형 모양이 아닐 수 있다. 프로세서(180)는 촬영 이미지에서 디스플레이 패널의 영역이 직사각형이 아닌 경우, 디스플레이 패널의 영역이 직사각형 모양이 되도록 촬영 이미지를 변환할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 촬영 이미지에 대응하는 레퍼런스 이미지를 수신한다(S603).
레퍼런스 이미지는 디스플레이 패널을 통하여 출력될 컨텐츠 이미지를 의미할 수 있고, 레퍼런스 이미지 데이터라 칭할 수도 있다. 즉, 디스플레이 패널은 레퍼런스 이미지를 표시(display)할 때, 디스플레이 패널에 표시된 이미지가 촬영됨으로써 촬영 이미지가 생성될 수 있다. 촬영 이미지에 대응하는 레퍼런스 이미지는 동일한 타임스탬프(timestamp)에서의 디스플레이 패널에서 출력되어야 하는 컨텐츠 이미지를 의미할 수 있다.
레퍼런스 이미지는 디스플레이 패널에서 출력 또는 표시되는 컨텐츠 이미지를 의미하며, 컨텐츠 이미지 또는 컨텐츠 이미지 데이터라 칭할 수 있다. 따라서, 레퍼런스 이미지는 디스플레이 패널의 색상을 조정하기 위한 용도의 이미지가 아닌 사진이나 비디오와 같은 이미지를 의미한다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 촬영 이미지의 수신 시점의 컨텍스트 정보를 수신한다(S605).
컨텍스트 정보는 날씨 정보, 날짜와 시각을 포함하는 시간 정보 등을 포함할 수 있다. 날씨 정보는 비, 눈, 우박, 안개 등의 대기 중의 물 현상을 나타내는 제1 날씨 정보; 황사, 연무, 연기 등의 대기 중의 먼지 현상을 나타내는 제2 날씨 정보; 무지개, 아지랑이, 노을 등의 대기 중의 빛 현상을 나타내는 제3 날씨 정보; 또는 번개, 오로라 등의 대기 중의 전기 현상을 나타내는 제4 날씨 정보 중에서 적어도 하나 이상을 포함할 수 있다. 또한, 날씨 정보는 기상 상태, 온도, 습도, 대기 질 등을 포함할 수 있다. 대기 질에는 미세 먼지 수치로써 pm2.5, pm10 등이 포함될 수 있다.
프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200) 또는 다른 외부 서버(미도시)로부터 날씨 정보를 수신할 수 있다. 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200) 또는 다른 외부 서버(미도시)로부터 시간 정보를 수신할 수도 있고, 프로세서(180)에 내장된 시계로부터 시간 정보를 수신할 수도 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 촬영 이미지, 레퍼런스 이미지 및 컨텍스트 정보에 기초하여 이미지 전처리 파라미터 세트를 결정한다(S607).
이미지 전처리 파라미터 세트는 레퍼런스 이미지를 전처리하는데 이용되는 파라미터들의 모음으로, 명도 조정 파라미터, 채도 조정 파라미터, 색상 조정 파라미터, 노이즈 제거 파라미터 등이 포함될 수 있다. 용어 "전처리"는 디스플레이 패널을 조정(calibration)하기 전에 레퍼런스 이미지에 처리가 수행된다는 것을 의미할 수 있다.
프로세서(180)는 사용자 (또는 관리자)의 이미지 전처리 기록을 고려하여 이미지 전처리 파라미터 세트를 결정할 수 있다. 사용자는 출력하는 이미지에 따라 그리고 이미지를 출력할 때의 컨텍스트나 레퍼런스 이미지의 특징에 따라 이미지에 대한 전처리를 다르게 수행할 수 있고, 따라서 사용자의 전처리 기록에는 컨텐츠 이미지, 촬영 이미지, 컨텍스트 정보 및 이미지 전처리 파라미터들이 포함될 수 있다.
이미지 전처리 기록에는 이미지 필터 적용 기록이 포함될 수 있다. 이미지 필터는 이미지 전처리 파라미터 세트 프리셋을 의미할 수 있다. 이미지 필터 적용 기록은 미리 정해진 복수의 이미지 필터들 중에서 어떠한 이미지 필터를 적용하였는지의 기록을 나타내고, 각 이미지 필터는 이미지 전처리 파라미터들로 표현될 수 있으므로, 이미지 필터 적용 기록은 이미지 전처리 파라미터 세트들로 표현될 수 있다. 예컨대, 특정 상황에서 사용자가 특정 이미지에 대하여는 세피아톤 필터를 적용한다는 이미지 전처리 기록이 존재하는 경우라면, 프로세서(180)는 해당 특정 상황과 해당 특정 이미지에 대하여는 이미지 전처리 파라미터 세트를 세피아톤 필터에 대응하는 이미지 전처리 파라미터 세트로 결정할 수 있다.
프로세서(180)는 촬영 이미지와 레퍼런스 이미지 각각에서 특징점(feature)을 추출하고, 각 추출된 특징점과 컨텍스트 정보를 고려하여 이미지 전처리 파라미터 세트를 결정할 수 있다. 특징점에는 색상, 명도, 채도 등의 분포 정보가 포함될 수 있다. 예컨대, 프로세서(180)는 고채도 이미지에 대한 이미지 전처리 파라미터 세트와 저채도 이미지에 대한 이미지 전처리 파라미터 세트를 서로 다르게 결정할 수 있다.
일 실시 예에서, 프로세서(180)는 수신한 촬영 이미지, 수신한 레퍼런스 이미지 및 수신한 컨텍스트 정보와 대응되는 상황에서의 이미지 전처리 기록이 존재하는 경우, 해당 이미지 전처리 기록을 이용하여 이미지 전처리 파라미터를 결정할 수 있다. 예컨대, 사용자의 이미지 전처리 기록들 중에서 현재 상황과 동일한 상황에서의 이미지 전처리 기록이 존재한다면, 프로세서(180)는 그 전처리 기록과 동일한 이미지 전처리를 수행하는 이미지 전처리 파라미터 세트를 결정할 수 있다.
일 실시 예에서, 프로세서(180)는 이미지 전처리 기록을 이용하여 학습된 전처리 파라미터 결정 모델을 이용하여, 수신한 촬영 이미지, 수신한 레퍼런스 이미지 및 수신한 컨텍스트 정보로부터 이미지 전처리 파라미터를 결정할 수 있다. 전처리 파라미터 결정 모델은 인공 신경망을 포함하고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 이미지 전처리 파라미터 세트를 이용하여 레퍼런스 이미지를 전처리한다(S609).
프로세서(180)는 결정된 이미지 전처리 파라미터 세트에 포함된 각 이미지 전처리 파라미터들에 기초하여 레퍼런스 이미지를 전처리할 수 있다. 레퍼런스 이미지의 전처리는 결정된 이미지 전처리 파라미터들에 기초한 레퍼런스 이미지의 속성을 변경하거나 이미지를 수정 또는 변환하는 처리를 포함할 수 있다. 예컨대, 프로세서(180)는 레퍼런스 이미지에 대하여, 결정된 명도 조정 파라미터에 기초하여 명도를 조정하고, 결정된 채도 조정 파라미터에 기초하여 채도를 조정하고, 결정된 색상 조정 파라미터에 기초하여 색상을 조정하고, 결정된 노이즈 제거 파라미터에 기초하여 노이즈를 제거할 수 있다.
이미지 전처리 파라미터 세트는 사용자의 이미지 전처리 기록을 고려하여 결정되므로, 결정된 이미지 전처리 파라미터 세트에는 사용자의 이미지 전처리 선호도가 반영된 이미지 전처리 파라미터들이 포함될 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 전처리된 레퍼런스 이미지와 촬영 이미지에 기초하여 디스플레이 패널을 조정(calibrate)한다(S611).
프로세서(180)는 미리 설정된 단위별로 디스플레이 패널을 조정할 수 있다. 미리 설정된 단위에는 디스플레이 패널을 구성하는 단위 픽셀, 미리 정해진 크기의 픽셀 그룹 등이 포함될 수 있다. 만약, 복수의 디스플레이 패널들이 하나의 디스플레이 패널 그룹을 구성하는 경우, 디스플레이 패널은 디스플레이 패널 그룹을 의미할 수 있다. 이 경우, 디스플레이 패널(디스플레이 패널 그룹)에 대한 미리 설정된 단위에는 디스플레이 패널 그룹을 구성하는 단위 디스플레이 패널이 포함될 수 있다. 즉, 디스플레이 패널의 색상 왜곡은 단일한 디스플레이 패널을 구성하는 단위 픽셀들 사이에도 발생할 수 있으며, 단일한 디스플레이 패널 그룹을 구성하는 단위 디스플레이 패널들 사이에서도 발생할 수 있다.
프로세서(180)는 전처리된 레퍼런스 이미지와 촬영 이미지를 서로 비교하여 미리 설정된 단위별로 색상, 명도, 채도 등의 속성 값에 대한 오프셋을 계산하고, 계산된 오프셋에 기초하여 디스플레이 패널 조정 값을 결정하고, 결정한 디스플레이 패널 조정 값에 기초하여 디스플레이 패널을 조정할 수 있다. 또는, 프로세서(180)는 전처리된 레퍼런스 이미지와 촬영 이미지를 서로 비교하여 미리 설정된 단위별로 밝기, 명암, 감마, 대비 및 밸런스 등의 속성 값에 대한 오프셋을 계산하고, 계산된 오프셋에 기초하여 디스플레이 패널 조정 값을 결정하고, 결정도니 디스플레이 패널 조정 값에 기초하여 디스플레이 패널을 조정할 수 있다.
도 6은 일 실시 예에 따른 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 방법의 한 사이클(cycle)을 도시한 것에 불과하다. 도 6에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 반복적으로 사용자의 선호도를 반영하여 레퍼런스 이미지를 전처리하고, 전처리된 레퍼런스 이미지를 이용하여 디스플레이 패널을 조정할 수 있다. 인공 지능 장치(100)는 실시간으로 또는 주기적으로 사용자의 선호도를 반영하여 디스플레이 패널을 조정하므로, 그에 따라 날씨가 변경됨에 따라 컨텍스트 정보가 변경되거나, 레퍼런스 이미지가 변경되거나, 디스플레이 패널의 상태가 바뀜에 따라 촬영 이미지가 변경되더라도, 사용자의 선호도에 맞춘 디스플레이 패널의 출력을 유지할 수 있다.
도 6에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 6에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 6에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.
도 7은 본 개시의 일 실시 예에 따른 디스플레이 패널을 조정하는 방법을 나타낸 도면이다.
도 7을 참조하면, 디스플레이 장치(710)의 디스플레이 패널(711)은 컨텐츠 이미지 또는 레퍼런스 이미지(721)를 출력하도록 제어된다. 레퍼런스 이미지(721)는 출력의 대상이 되는 이미지이지만, 디스플레이 패널(711)의 설정이나 동작 상태에 따라 색상, 밝기, 채도 등이 변경되어 출력될 수 있다.
인공 지능 장치(100)의 카메라(701)는 디스플레이 장치(710)의 디스플레이 패널(711)을 촬영하여 촬영 이미지(722)를 수신할 수 있다. 촬영 이미지(721)는 디스플레이 패널(711)을 포함한다. 촬영 이미지(722)는 디스플레이 패널(711)의 설정이나 동작 상태와 컨텍스트 정보(723)에 따라 다르게 촬영될 수 있다.
인공 지능 장치(100)의 프로세서(180)는 레퍼런스 이미지(721), 촬영 이미지(722) 및 컨텍스트 정보(723)에 기초하여 이미지 전처리 파라미터 세트(731)를 결정할 수 있다. 상술한 것과 같이, 인공 지능 장치(100)의 프로세서(180)는 사용자의 전처리 기록을 고려하여 이미지 전처리 파라미터 세트(731)를 결정할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 이미지 전처리 파라미터 세트(731)를 이용하여 레퍼런스 이미지(721)를 전처리함으로써, 전처리된 레퍼런스 이미지(741)를 생성한다. 그리고, 인공 지능 장치(100)의 프로세서(180)는 전처리된 레퍼런스 이미지(741)과 촬영 이미지(722)를 비교하여 비교 결과(751)를 생성하고, 비교 결과(751)를 이용하여 디스플레이 장치(710)의 디스플레이 패널(711)을 조정할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 이미지 전처리 파라미터 세트를 결정하는 방법을 나타낸 도면이다.
도 8을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 이미지 전처리 파라미터 결정 모델(820)을 이용하여 레퍼런스 이미지(811), 촬영 이미지(812) 및 컨텍스트 정보(813)로부터 이미지 전처리 파라미터 세트(831)를 결정할 수 있다.
이미지 전처리 파라미터 결정 모델(820)은 사용자의 이미지 전처리 기록으로부터 생성한 학습 데이터를 이용하여 학습될 수 있다. 이미지 전처리 기록에는 레퍼런스 이미지, 촬영 이미지, 컨텍스트 정보 및 그에 대응하는 이미지 전처리 파라미터들이 포함될 수 있다. 따라서, 이미지 전처리 기록으로부터 레퍼런스 이미지, 촬영 이미지 및 컨텍스트 정보와 라벨 정보로써 그에 대응하는 이미지 전처리 파라미터를 포함하는 학습 데이터를 생성할 수 있고, 생성된 학습 데이터는 이미지 전처리 파라미터 결정 모델(820)를 학습하는데 이용될 수 있다. 이미지 전처리 파라미터 결정 모델(820)은 사용자의 이미지 전처리 기록을 추종하도록 학습되며, 따라서 특정 이미지 전처리 기록과 동일한 상황(레퍼런스 이미지, 촬영 이미지 및 컨텍스트 정보)에서는 이미지 전처리 파라미터 결정 모델(820)이 해당 특정 이미지 전처리 기록에 포함된 이미지 전처리 파라미터와 동일하거나 유사한 이미지 전처리 파라미터 세트를 결정할 수 있다.
레퍼런스 이미지(811)와 촬영 이미지(812)는 각 픽셀에 대한 색상 정보를 나타내는 원본 이미지 데이터가 이미지 전처리 파라미터 결정 모델(820)로 입력될 수도 있고, 각 이미지로부터 추출된 이미지 특징(image feature) 또는 이미지 특징 벡터(image feature vector)이 이미지 전처리 파라미터 결정 모델(820)로 입력될 수도 있다. 예컨대, 각 이미지로부터 추출된 이미지 특징 또는 이미지 특징 벡터에는 이미지의 색상, 명도 및 채도 각각에 대한 평균, 분산, 분포도 등이 포함될 수 있다.
이미지 전처리 파라미터 결정 모델(820)은 인공 지능 장치(100)의 프로세서(180) 또는 러닝 프로세서(130)에서 학습되어 인공 지능 장치(100)의 메모리(170)에 저장될 수도 있고, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)에서 학습되어 인공 지능 서버(200)의 메모리(230) 또는 인공 지능 장치(100)의 메모리(170)에 저장될 수 있다.
만약, 이미지 전처리 파라미터 결정 모델(820)이 인공 지능 서버(200)의 메모리(230)에만 저장된 경우, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해해 레퍼런스 이미지(811), 촬영 이미지(812) 및 컨텍스트 정보(813)를 인공 지능 서버(200)에 전송하고, 인공 지능 서버(200)의 프로세서(260)는 메모리(230)에 저장된 이미지 전처리 파라미터 결정 모델(820)을 이용하여 이미지 전처리 파라미터 세트를 결정하고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 결정된 이미지 전처리 파라미터 세트를 수신할 수 있다.
도 9는 본 개시의 일 실시 예에 따른 이미지 전처리 파라미터 결정 모델에 대한 학습 데이터의 예시를 나타낸 도면이다.
도 9를 참조하면, 이미지 전처리 파라미터 결정 모델에 대한 학습 데이터(910)는 레퍼런스 이미지(911), 촬영 이미지(912) 및 컨텍스트 정보(913)와 그에 대응하는 라벨 정보로써의 이미지 전처리 파라미터들(914)을 포함할 수 있다. 전술하였듯, 이미지 전처리 파라미터 결정 모델에 대한 학습 데이터(910)는 사용자의 이미지 전처리 기록으로부터 생성될 수 있다.
컨텍스트 정보(913)에는 날씨, 온도, 습도 및 공기 질(예컨대, pm2.5, pm10 등) 등이 포함될 수 있고, 이미지 전처리 파라미터(914)에는 색상, 채도 및 명도의 조정 값이 포함될 수 있다.
도 10은 도 6에 도시된 디스플레이 패널을 조정하는 단계(S611)의 일 예를 나타낸 동작 흐름도이다.
도 10을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 전처리된 레퍼런스 이미지와 촬영 이미지를 이용하여 미리 설정된 단위별로 디스플레이 패널에 대한 오프셋을 산출한다(S1001).
오프셋은 촬영 이미지와 전처리된 레퍼런스 이미지 사이의 색상, 명도 및 채도의 차이를 의미할 수 있으며, 미리 설정된 단위별로 계산될 수 있다. 그리고, 오프셋은 미리 설정된 단위별 위치와 해당 위치에서의 색상, 명도 및 채도의 차이를 포함할 수 있다. 예컨대, 프로세서(180)는 디스플레이 패널의 각 단위 픽셀에 상응하는 오프셋을 결정할 수 있다. 또는, 프로세서(180)는 디스플레이 패널 그룹의 각 단위 디스플레이 패널에 상응하는 오프셋을 결정할 수 있다.
프로세서(180)는 촬영 이미지의 색상과 전처리된 레퍼런스 이미지의 색상을 HSV 모델, RGB 모델, YCbCr 모델 등을 이용하여 표현할 수 있고, 표현된 색상 모델에 기초하여 오프셋을 산출할 수 있다.
프로세서(180)는 전처리된 레퍼런스 이미지와 촬영 이미지를 맵핑(mapping)하고, 맵핑 정보를 이용하여 오프셋을 결정할 수 있다. 맵핑 정보에는 전처리된 레퍼런스 이미지와 촬영 이미지 사이의 좌표 관계 정보를 포함될 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 산출된 오프셋을 이용하여 디스플레이 패널에 대한 조정 값을 결정한다(S1003).
조정 값은 디스플레이 패널이 이미지를 출력할 때, 출력 설정 값에 추가적으로 연산되는 보정 값 또는 조정 값을 의미하며, 프로세서(180)는 미리 설정된 단위별로 조정 값을 결정할 수 있다. 예컨대, 프로세서(180)는 디스플레이 패널의 각 단위 픽셀에 상응하는 조정 값을 결정할 수 있다. 또는, 프로세서(180)는 디스플레이 패널 그룹의 각 단위 디스플레이 패널에 상응하는 조정 값을 결정할 수 있다.
조정 값은 색상, 명도 및 채도를 포함하는 출력 설정 값에 대하여 조정되어야 할 값으로 구성될 수도 있고, 밝기, 명암, 감마, 대비 및 밸런스를 포함하는 출력 설정 값에 대하여 조정되어야 할 값으로 구성될 수 있다. 조정 값은 디스플레이 패널에서의 출력 설정 값에 더해지는 값으로 구성될 수도 있고, 곱해지는 값으로 구성될 수도 있으며, 더하는 값과 곱하는 값을 포함하여 구성될 수도 있다.
일 실시 예에서, 프로세서(180)는 0을 기준으로 조정 값들을 계산할 수 있다. 이는, 디스플레이 패널이 전처리된 레퍼런스 이미지를 최대한 정확히 출력하도록 조정하는 상황을 가리킬 수 있다. 예컨대, 디스플레이 패널이 4개의 단위로 구분되고, 각 단위에 대한 (색상, 명도, 채도)의 오프셋이 {(0, 1, 0), (1, 1, 2), (0, 0, 0), (2, 1, 4)}이라면, 프로세서(180)는 0에 대하여 각 오프셋 값들을 뺌으로써 각 단위에 대한 (색상, 명도, 채도)의 조정 값을 {(0, -1, 0), (-1, -1, -2), (0, 0, 0), (-2, -1, -4)}로 결정할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 디스플레이 패널에 결정된 조정 값을 전송한다(S1005).
조정 값은 디스플레이 패널의 출력 설정 값의 조정 값을 의미할 수 있다. 프로세서(180)는 디스플레이 패널에 조정 값을 전송하여 디스플레이 패널의 출력 설정 값을 조정함으로써 색상의 왜곡을 제거할 수 있다. 또는, 프로세서(180)는 디스플레이 패널을 제어하는 컨트롤러에 조정 값을 전송할 수 있다.
만약, 이미 디스플레이 패널에 왜곡 제거를 위한 조정 값이 존재하는 경우라면, 디스플레이 패널 또는 디스플레이 패널의 컨트롤러는 이미 존재하던 조정 값에 수신한 조정 값을 추가적으로 반영할 수 있다.
또는, 프로세서(180)는 이전에 조정 값을 결정한 이력이 있다면, 이전에 결정되었던 조정 값과 현재 결정된 조정 값을 함께 반영하여 새로운 조정 값을 결정하고, 새로 결정된 조정 값을 디스플레이 패널에 전송할 수 있다. 이 경우, 디스플레이 패널은 이전의 조정 값들을 고려할 필요 없이, 프로세서(180)가 전송해주는 조정 값을 바로 적용하는 것만으로도 색상 왜곡을 제거하는 조정을 수행 수 있다.
도 10에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 10에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 10에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.
도 11은 본 발명의 일 실시 예에 따른 디스플레이 패널에 대한 색상의 왜곡을 제거하는 방법을 나타낸 도면이다.
도 11을 참조하면, 디스플레이 장치(1120)는 복수의 디스플레이 패널들(1121, 11222, 1123 및 1124)로 구성된 하나의 디스플레이 패널 그룹을 포함할 수 있다. 도 11에서는 디스플레이 장치(1120)가 디지털 사이니지로 도시되어 있으나, 본 개시가 이에 한정되지는 않는다. 또한, 도 11에서는 디스플레이 장치(1120)가 복수의 디스플레이 패널이 하나의 디스플레이 패널 그룹을 구성하도록 도시되어 있으나, 본 개시가 이에 한정되지 않는다.
인공 지능 장치(100)의 프로세서(180)는 카메라(1110)를 통해 디스플레이 장치(1120)에 대한 이미지를 촬영하여 촬영 이미지를 수신할 수 있다.
인공 지능 장치(100)는 디스플레이 장치(1120)에 전처리된 레퍼런스 이미지(1140)을 출력하도록 제어 신호를 전송하고, 전처리된 레퍼런스 이미지(1140)를 출력할 수 있다. 여기서, 전처리된 레퍼런스 이미지는 모든 영역(1141, 1142, 1143, 1144)에서 평균 Hue 20 (또는 Hue의 평균이 20), 평균 Value 30, 평균 Saturation 50을 갖는 이미지일 수 있다. 여기서, 영역들이란 각 단위 디스플레이 패널들(1121, 1122, 1123 및 1124)에 상응하는 이미지 영역들을 의미할 수 있다.
그러나, 인공 지능 장치(100)의 카메라(1110)가 획득한 촬영 이미지(1130)는 레퍼런스 이미지(1140)와는 차이가 발생할 수 있다. 구체적으로, 총 4개의 영역들(1131, 1132, 1133 및 1134) 중에서 제1 영역(1131), 제2 영역(1132) 및 제3 영역(1133)에서는 전처리된 레퍼런스 이미지(1140)의 대응되는 제1 내지 제3 영역들(1141, 1142 및 1143)과 동일한 평균 색상 값(H: 20, V: 30, S: 50)이 측정되나, 제4 영역(1134)에서는 전처리된 레퍼런스 이미지(1140)의 대응되는 제4 영역(1144)과 상이한 평균 색상 값(H: 30, V: 30, S: 50)이 측정될 수 있다.
인공 지능 장치(100)의 프로세서(180)는 촬영 이미지(1130)의 제4 영역(1134)에서의 평균 Hue 값이 전처리된 레퍼런스 이미지(1140)의 제4 영역(1144)에서의 평균 Hue 값보다 10 높은 30의 값을 가짐을 파악할 수 있으므로, 이러한 비교 결과에 기초하여 오프셋을 산출할 수 있다. 인공 지능 장치(100)의 프로세서(180)는 오프셋을 촬영 이미지(1130)과 전처리된 레퍼런스 이미지(1140) 사이의 평균 H (Hue), 평균 V (Value) 및 평균 S (Saturation)의 차이 값의 순서쌍으로 표현할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 오프셋으로써 촬영 이미지(1130)의 각 영역들(1131, 1132, 1133, 1134)에 상응하는 오프셋을 산출할 수 있다. 예컨대, 인공 지능 장치(100)의 프로세서(180)는 오프셋을 {(0, 0, 0), (0, 0, 0), (0, 0, 0), (10, 0, 0)}과 같이 산출할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 산출된 오프셋을 고려하여 조정 값(1150)을 결정할 수 있다. 조정 값(1150)은 디스플레이 장치(1120)의 디스플레이 패널들(1121, 1122, 1123 및 1124)의 색상을 보정하기 위한 조정 값으로, 도 11의 예시에서는 각 디스플레이 패널들(1121, 1122, 1123 및 1124)에 대한 (H, S, V)의 조정 값들인 (dH, dV, dS)로 표현될 수 있다. 예컨대, 인공 지능 장치(100)의 프로세서(180)는 산출된 오프셋을 {(0, 0, 0), (0, 0, 0), (0, 0, 0), (10, 0, 0)}을 고려하여 조정 값(1150)을 {(0, 0, 0), (0, 0, 0), (0, 0, 0), (-10, 0, 0)}으로 결정할 수 있다.
그리고, 인공 지능 장치(100)의 프로세서(180)는 결정된 조정 값(1150)을 디스플레이 장치(1120)으로 전송하여, 각 디스플레이 패널들(1121, 1122, 1123 및 1124)에서 이미지를 출력할 때의 (H, V, S)를 조정 값(1150)만큼 조정 또는 보정하게 할 수 있다.
도 11의 예시에서는 디스플레이 장치(1120)가 조정 값(1150)만큼 출력되는 (H, V, S) 값에 더해주었지만, 본 발명이 이에 한정되지 않는다. 즉, 다른 실시 예에서는, 조정 값(1150)에 (H, V, S)에 합해지는 값뿐만 아니라 곱해지는 값이 추가되거나, 곱해지는 값만으로 구성될 수도 있다. 예컨대, 도 11의 촬영 이미지(1130)와 전처리된 레퍼런스 이미지(1140)의 예시에서, 인공 지능 장치(100)의 프로세서(180)는 조정 값을 {(1, 1, 1), (1, 1, 1), (1, 1, 1), (2/3, 1, 1)}으로 결정할 수도 있고, 이는 출력하는 (H, V, S)를 조정 값만큼 곱하는 것을 의미할 수 있다.
도 12는 본 발명의 일 실시 예에 따른 색상 왜곡이 발생하는 영역을 판단하는 방법을 나타낸 도면이다.
도 12를 참조하면, 인공 지능 장치(100)의 카메라(121)에서 디스플레이 장치(300)를 촬영한 촬영 이미지(1210)는 복수의 디스플레이 패널들이 하나의 디스플레이 패널 그룹을 구성하여, 복수의 영역들(1211, 1212, 1213 및 1214)로 구성된다.
인공 지능 장치(100)의 프로세서(180)는 촬영 이미지(1210)에서 각 영역의 경계선 영역들(1221, 1222, 1223 및 1224)를 관찰하고, 색상의 차이가 발생하는 경계선 영역들(1223 및 1224)에 기초하여 제4 영역(1214)가 제1 내지 제3 영역들(1211, 1212 및 1213)과 비교하여 색상 왜곡이 발생함을 판단할 수 있다.
도 11 및 도 12에서는 복수의 디스플레이 패널들이 하나의 디스플레이 패널 그룹을 구성하는 디스플레이 장치(11120)에 대한 예시를 도시하였는데, 인공 지능 장치(100)의 프로세서(180)는 디스플레이 장치(1120)로부터 디스플레이 패널들의 구성과 배치에 대한 정보를 수신하여 이용할 수 있다.
또한, 도 11 및 도 12는 복수의 디스플레이 패널들이 하나의 디스플레이 패널 그룹을 구성하는 디스플레이 장치(1120)에 대한 예시를 도시하였는데, 상술한 바와 같이 본 개시는 이에 한정되지 않고, 단일한 디스플레이 패널을 포함하는 디스플레이 장치에 대하여도 픽셀 단위 등의 미리 설정된 단위에 대한 색상 왜곡을 제거하는 조정을 수행할 수 있다.
본 개시의 일 실시 예에 따르면, 전술한 방법은 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.

Claims (15)

  1. 디스플레이 패널을 조정하는 인공 지능 장치에 있어서,
    카메라; 및
    상기 카메라를 통해 촬영된 디스플레이 패널에 대한 촬영 이미지를 수신하고, 상기 촬영 이미지에 대응하는 레퍼런스 이미지를 수신하고, 상기 촬영 이미지의 수신 시점의 컨텍스트 정보를 수신하고, 상기 촬영 이미지, 상기 레퍼런스 이미지 및 상기 컨텍스트 정보에 기초하여 이미지 전처리 파라미터 세트를 결정하고, 상기 이미지 전처리 파라미터 세트를 이용하여 상기 레퍼런스 이미지를 전처리하고, 상기 전처리된 레퍼런스 이미지와 상기 촬영 이미지에 기초하여 상기 디스플레이 패널을 조정하는 프로세서
    를 포함하는, 인공 지능 장치.
  2. 청구항 1에 있어서,
    상기 프로세서는
    상기 수신한 촬영 이미지에서 상기 디스플레이 패널 이외의 영역을 제거하고, 상기 디스플레이 패널 영역을 직사각형 모양으로 변환하는, 인공 지능 장치.
  3. 청구항 2에 있어서,
    상기 컨텍스트 정보는
    시간 정보 및 날씨 정보를 포함하고,
    상기 시간 정보는
    날짜 및 시각 중에서 적어도 하나 이상을 포함하고,
    상기 날씨 정보는
    기상 상태, 온도, 습도 또는 대기 질 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  4. 청구항 3에 있어서,
    상기 이미지 전처리 파라미터 세트는
    명도 조정 파라미터, 채도 조정 파라미터, 색상 조정 파라미터 또는 노이드 제거 파라미터 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  5. 청구항 4에 있어서,
    상기 프로세서는
    이미지 전처리 기록을 고려하여 상기 이미지 전처리 파라미터 세트를 결정하고,
    상기 이미지 전처리 기록은
    이미지 필터 적용 기록을 포함하는, 인공 지능 장치.
  6. 청구항 5에 있어서,
    상기 프로세서는
    이미지 전처리 파라미터 결정 모델을 이용하여 상기 촬영 이미지, 상기 전처리된 레퍼런스 이미지 및 상기 컨텍스트 정보로부터 상기 이미지 전처리 파라미터 세트를 결정하고,
    상기 이미지 전처리 파라미터 결정 모델은
    인공 신경망을 포함하고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
  7. 청구항 5에 있어서,
    상기 이미지 전처리 파라미터 결정 모델은
    상기 이미지 전처리 기록으로부터 생성된 학습 데이터를 이용하여 학습되는, 인공 지능 장치.
  8. 청구항 1에 있어서,
    상기 프로세서는
    상기 전처리된 레퍼런스 이미지와 상기 촬영 이미지의 비교하여 미리 설정된 단위별로 디스플레이 패널에 대한 오프셋을 산출하고, 상기 산출된 오프셋을 이용하여 상기 디스플레이 패널에 대한 조정 값을 결정하고, 상기 결정된 조정 값에 기초하여 상기 디스플레이 패널을 조정하는, 인공 지능 장치.
  9. 청구항 8에 있어서,
    상기 오프셋은
    상기 전처리된 레퍼런스 이미지와 상기 촬영 이미지 사이의 색상, 명도 및 채도의 차이인, 인공 지능 장치.
  10. 청구항 8에 있어서,
    상기 조정 값은
    상기 디스플레이 패널에 대한 밝기, 명암, 감마, 대비 또는 밸런스 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
  11. 청구항 1에 있어서,
    상기 디스플레이 패널은
    단일한 단위 디스플레이 패널만으로 구성되거나 또는 복수의 단위 디스플레이 패널들이 연결되어 구성되는 패널인, 인공 지능 장치.
  12. 청구항 11에 있어서,
    상기 미리 설정된 단위는
    상기 단위 디스플레이 패널 또는 상기 디스플레이 패널에 포함된 단위 디스플레이 소자인, 인공 지능 장치.
  13. 청구항 12에 있어서,
    상기 디스플레이 패널은
    플렉서블 디스플레이 패널이고,
    상기 미리 설정된 단위는
    상기 플렉서블 디스플레이 패널의 단위 디스플레이 소자인, 인공 지능 장치.
  14. 디스플레이 패널의 색상을 조정하는 방법에 있어서,
    카메라를 통해 촬영된 디스플레이 패널에 대한 촬영 이미지를 수신하는 단계;
    상기 촬영 이미지에 대응하는 레퍼런스 이미지를 수신하는 단계;
    상기 촬영 이미지의 수신 시점의 컨텍스트 정보를 수신하는 단계;
    상기 촬영 이미지, 상기 레퍼런스 이미지 및 상기 컨텍스트 정보에 기초하여 이미지 전처리 파라미터 세트를 결정하는 단계;
    상기 이미지 전처리 파라미터 세트를 이용하여 상기 레퍼런스 이미지를 전처리하는 단계; 및
    상기 전처리된 레퍼런스 이미지와 상기 촬영 이미지에 기초하여 상기 디스플레이 패널을 조정하는 단계
    를 포함하는, 방법.
  15. 디스플레이 패널을 조정하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,
    상기 디스플레이 패널을 조정하는 방법은
    카메라를 통해 촬영된 디스플레이 패널에 대한 촬영 이미지를 수신하는 단계;
    상기 촬영 이미지에 대응하는 레퍼런스 이미지를 수신하는 단계;
    상기 촬영 이미지의 수신 시점의 컨텍스트 정보를 수신하는 단계;
    상기 촬영 이미지, 상기 레퍼런스 이미지 및 상기 컨텍스트 정보에 기초하여 이미지 전처리 파라미터 세트를 결정하는 단계;
    상기 이미지 전처리 파라미터 세트를 이용하여 상기 레퍼런스 이미지를 전처리하는 단계; 및
    상기 전처리된 레퍼런스 이미지와 상기 촬영 이미지에 기초하여 상기 디스플레이 패널을 조정하는 단계
    를 포함하는, 기록 매체.
KR1020190144460A 2019-11-12 2019-11-12 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법 KR20210057556A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190144460A KR20210057556A (ko) 2019-11-12 2019-11-12 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법
US16/737,406 US20210142711A1 (en) 2019-11-12 2020-01-08 Artificial intelligence apparatus and method for calibrating display panel in consideration of user's preference

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190144460A KR20210057556A (ko) 2019-11-12 2019-11-12 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20210057556A true KR20210057556A (ko) 2021-05-21

Family

ID=75846717

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190144460A KR20210057556A (ko) 2019-11-12 2019-11-12 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법

Country Status (2)

Country Link
US (1) US20210142711A1 (ko)
KR (1) KR20210057556A (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018179151A1 (ja) 2017-03-29 2018-10-04 日本電気株式会社 映像解析装置、映像解析方法、および映像解析プログラム
TWI720813B (zh) * 2020-02-10 2021-03-01 商之器科技股份有限公司 醫療影像用行動裝置顯示器亮度校正系統與方法
KR20220005677A (ko) * 2020-07-06 2022-01-14 삼성디스플레이 주식회사 광학 센서를 포함하는 표시 장치 및 광학 센서의 위치 측정 방법
US20230306926A1 (en) * 2022-03-23 2023-09-28 Samsung Electronics Co., Ltd. Personalized color temperature adaptation for consumer display devices

Also Published As

Publication number Publication date
US20210142711A1 (en) 2021-05-13

Similar Documents

Publication Publication Date Title
KR20190102152A (ko) 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법
US20200005100A1 (en) Photo image providing device and photo image providing method
KR20210057556A (ko) 사용자의 선호도를 고려하여 디스플레이 패널을 조정하는 인공 지능 장치 및 그 방법
KR102258381B1 (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
KR20190110498A (ko) 영상 파일에서 불특정 인물의 얼굴 영역을 비식별화 처리하는 인공 지능 서버 및 그 방법
KR102658966B1 (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR102225975B1 (ko) 엔진음 합성 장치 및 엔진음 합성 방법
KR102282117B1 (ko) 인공지능 디스플레이 장치
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR20210004487A (ko) 환기 상황을 자동으로 파악할 수 있는 인공 지능 장치 및 그의 동작 방법
KR20210077482A (ko) 복수의 갱신 정보를 융합하여 인공 지능 모델을 갱신하는 인공 지능 서버 및 그 방법
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
KR102647028B1 (ko) Xr 디바이스 및 그 제어 방법
KR20230002021A (ko) 스마트 홈 장치 및 방법
KR102231922B1 (ko) 인공 지능을 이용하여, 복수의 로봇들을 제어하는 인공 지능 서버
KR102537381B1 (ko) 보행경로예측장치
KR20190114925A (ko) 소리 신호 분류를 이용한 인공지능장치 및 그 방법
KR102371880B1 (ko) 특정 기능을 강화하여 이미지 데이터를 생성하는 이미지 프로세서, 인공 지능 장치 및 그 방법
KR102229562B1 (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR102231909B1 (ko) 인공지능 장치
KR20210056019A (ko) 인공 지능 장치 및 그의 동작 방법
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20210057598A (ko) 알림을 제공하는 인공 지능 장치 및 그 방법
US11205248B2 (en) Mobile terminal