KR20210061115A - 인공지능형 로봇 디바이스의 음성 인식 방법 - Google Patents
인공지능형 로봇 디바이스의 음성 인식 방법 Download PDFInfo
- Publication number
- KR20210061115A KR20210061115A KR1020190148936A KR20190148936A KR20210061115A KR 20210061115 A KR20210061115 A KR 20210061115A KR 1020190148936 A KR1020190148936 A KR 1020190148936A KR 20190148936 A KR20190148936 A KR 20190148936A KR 20210061115 A KR20210061115 A KR 20210061115A
- Authority
- KR
- South Korea
- Prior art keywords
- voice
- artificial intelligence
- robot device
- noise
- intelligence robot
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 463
- 238000000034 method Methods 0.000 title claims abstract description 127
- 238000013528 artificial neural network Methods 0.000 claims description 68
- 230000005540 biological transmission Effects 0.000 claims description 56
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 230000003190 augmentative effect Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 67
- 238000012545 processing Methods 0.000 description 46
- 230000033001 locomotion Effects 0.000 description 44
- 238000010586 diagram Methods 0.000 description 38
- 238000005516 engineering process Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 35
- 210000004027 cell Anatomy 0.000 description 34
- 230000004044 response Effects 0.000 description 26
- 238000003062 neural network model Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 24
- 238000001514 detection method Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 17
- 230000003993 interaction Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/22—Interactive procedures; Man-machine interfaces
- G10L17/24—Interactive procedures; Man-machine interfaces the user being prompted to utter a password or a predefined phrase
-
- 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
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/003—Controls for manipulators by means of an audio-responsive input
-
- 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
- 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
- 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
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0044—Arrangements for allocating sub-channels of the transmission path allocation of payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
- H04L5/0051—Allocation of pilot signals, i.e. of signals known to the receiver of dedicated pilots, i.e. pilots destined for a single user or terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
- H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
- H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
- H04R1/406—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers microphones
-
- H04W72/0413—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
-
- 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
- G10L2015/088—Word spotting
-
- 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
- G10L2015/223—Execution procedure of a spoken command
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Otolaryngology (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Manipulator (AREA)
Abstract
인공지능형 로봇 디바이스의 음성 인식 방법을 개시한다. 본 명세서는 이용자가 발화하는 제1 음성을 수집하고, 수집되는 상기 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어의 인식 여부를 판단하는 단계; 상기 기동어가 인식되지 않으면, 적어도 하나의 센서를 이용하여 상기 이용자의 위치를 센싱하고, 센싱되는 상기 이용자의 위치가 설정된 음성 수집 범위 내에 포함되는지 여부를 판단하는 단계; 상기 이용자가 상기 음성 수집 범위 내에 포함되는 경우, 상기 제1 음성을 학습하고, 학습된 상기 제1 음성에 기초하여 상기 제1 음성의 노이즈 상태를 판단하는 단계; 판단된 상기 제1 음성의 노이즈 상태에 대한 결과에 따라 상기 이용자의 위치와 반대 방향에서 제2 음성을 수집하는 단계; 및 상기 제2 음성을 기초하여 노이즈의 특징값을 추출하고, 추출된 상기 노이즈의 특징값을 상기 제1 음성에서 제거하여 상기 기동어를 획득하는 단계;를 포함한다.
본 명세서의 인공지능형 로봇 디바이스는 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
본 명세서의 인공지능형 로봇 디바이스는 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 명세서는 인공지능형 로봇 디바이스의 음성 인식 방법에 관한 것으로서, 보다 구체적으로는 안내 로봇 디바이스에 장착되는 마이크에 공항에서 안내되는 안내 방송 등과 같이 심한 잡음이 유입이 되는 경우, 공항 이용자의 반대쪽에 위치한 마이크로 수집한 음성을 기반으로 공항 이용자가 위치한 방향의 마이크에서 수집한 음성에서 어답티브하게 차감시킴으로써, 공항 이용자의 음성 인식 성능을 향상시킬 수 있는 인공지능형 로봇 디바이스의 음성 인식 방법에 관한 것이다.
최근 공항과 같은 공공 장소에서 이용자들에게 각종 서비스를 보다 효과적으로 제공하기 위하여, 로봇 등의 도입이 논의되고 있다. 이용자들은 공항에 배치된 로봇을 통해 공항 내 길 안내 서비스, 탑승 정보 안내 서비스, 기타 멀티미디어 컨텐츠 제공 서비스 등과 같은 각종 서비스를 이용할 수 있다.
그러나, 로봇과 같은 첨단 기기의 경우 단가가 높을 수 밖에 없으므로, 공항 내에 배치되는 공항 로봇의 수는 한정될 수 있다. 따라서, 한정된 수의 공항 로봇을 이용한 보다 효율적인 서비스 제공 방안이 요구될 수 있다.
특히, 공항에 배치되는 안내 로봇은 공항에서 발생되는 다양한 잡음에 의해 공항 이용자의 음성을 인식하는데 많은 어려움이 발생하였다.
본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 명세서는 안내 로봇 디바이스에 장착되는 마이크에 공항에서 안내되는 안내 방송 등과 같이 심한 잡음이 유입이 되는 경우, 공항 이용자의 반대쪽에 위치한 마이크로 수집한 음성을 기반으로 공항 이용자가 위치한 방향의 마이크에서 수집한 음성에서 어답티브하게 차감시킴으로써, 공항 이용자의 음성 인식 성능을 개선시킬 수 있는 인공지능형 로봇 디바이스의 음성 인식 방법을 제공하는 것을 목적으로 한다.
또한, 본 명세서는 AI 프로세싱을 통해 인공지능형 로봇 디바이스를 제어함으로써, 인공지능형 로봇 디바이스의 음성 인식 방법의 신뢰성을 향상시키는 것을 목적으로 한다.
본 명세서의 일실시 예에 따른 인공지능형 로봇 디바이스의 음성 인식 방법은 이용자가 발화하는 제1 음성을 수집하고, 수집되는 상기 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어의 인식 여부를 판단하는 단계; 상기 기동어가 인식되지 않으면, 적어도 하나의 센서를 이용하여 상기 이용자의 위치를 센싱하고, 센싱되는 상기 이용자의 위치가 설정된 음성 수집 범위 내에 포함되는지 여부를 판단하는 단계; 상기 이용자가 상기 음성 수집 범위 내에 포함되는 경우, 상기 제1 음성을 학습하고, 학습된 상기 제1 음성에 기초하여 상기 제1 음성의 노이즈 상태를 판단하는 단계; 판단된 상기 제1 음성의 노이즈 상태에 대한 결과에 따라 상기 이용자의 위치와 반대 방향에서 제2 음성을 수집하는 단계; 및 상기 제2 음성을 기초하여 노이즈의 특징값을 추출하고, 추출된 상기 노이즈의 특징값을 상기 제1 음성에서 제거하여 상기 기동어를 획득하는 단계;를 포함한다.
상기 제1 음성은 상기 인공지능형 로봇 디바이스의 전방에 장착되는 전면 마이크를 이용하여 수집하는 것을 포함할 수 있다.
상기 인공지능형 로봇 디바이스의 기동어의 인식 여부를 판단하는 단계는, 상기 제1 음성으로부터 특징값들을 추출하는 단계; 상기 특징값들을 상기 인공지능형 로봇 디바이스의 기동어를 인식 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및 상기 인공 신경망의 출력으로부터 상기 인공지능형 로봇 디바이스의 기동어를 인식 상태를 판단하는 단계;를 포함할 수 있다.
상기 특징값들은, 상기 인공지능형 로봇 디바이스의 기동어를 인식 여부 상태를 구분할 수 있는 값들인 것을 포함할 수 있다.
상기 이용자의 위치가 설정된 음성 수집 범위 내에 포함되는지 여부를 판단하는 단계는, 상기 이용자의 위치에 대한 위치 정보로부터 특징값들을 추출하는 단계; 상기 특징값들을 상기 음성 수집 범위 내에 위치하는지 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및 상기 인공 신경망의 출력으로부터 상기 음성 수집 범위 내에 위치하는지 여부 상태를 판단하는 단계;를 포함할 수 있다.
상기 특징값들은, 상기 음성 수집 범위 내에 위치하는지 여부 상태를 구분할 수 있는 값들인 것을 포함할 수 있다.
학습된 상기 제1 음성에 기초하여 상기 제1 음성의 노이즈 상태를 판단하는 단계는, 상기 제1 음성으로부터 노이즈의 특징값들을 추출하는 단계; 상기 노이즈의 특징값들을 상기 제1 음성의 노이즈 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및 상기 인공 신경망의 출력으로부터 상기 제1 음성의 노이즈 상태 여부 상태를 판단하는 단계;를 포함할 수 있다.
상기 노이즈의 특징값들은, 상기 제1 음성에서 노이즈 상태 여부 상태를 구분할 수 있는 값들인 것을 포함할 수 있다.
판단된 상기 제1 음성의 노이즈 상태에 대한 결과에 따라 상기 이용자의 위치와 반대 방향에서 제2 음성을 수집하는 단계;는 상기 제1 음성의 노이즈 상태가 노이즈 상태라 판단되면, 상기 인공지능형 로봇 디바이스의 후방에 장착되는 후면 마이크를 이용하여 상기 제2 음성을 수집하는 것을 포함할 수 있다.
서버로부터 전송되는 상기 제1 음성 또는 상기 위치 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 상기 제1 음성 또는 상기 위치 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 포함할 수 있다.
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 상기 제1 음성 또는 상기 위치 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 포함할 수 있다.
상기 제1 음성 또는 상기 위치 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 송수신기를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 송수신기를 제어하고, 상기 AI 프로세싱된 정보는, 상기 인공지능형 로봇 디바이스의 기동어를 인식 상태를 판단 정보, 상기 음성 수집 범위 내에 위치하는지 여부 상태를 판단 정보, 상기 제1 음성의 노이즈 상태 여부 상태를 판단 정보 중 하나인 것을 포함할 수 있다.
상기 제1 음성은, 상기 공항 이용자가 발화하는 기동어와 공항 주변 노이즈를 포함한 음성이고, 상기 제2 음성은, 상기 공항 주변 노이즈를 포함한 음성인 것을 포함할 수 있다.
상기 노이즈의 특징값은, 공항의 내부 알림 방송, 공항을 청소하는 청소기 소리, 공항 밖의 이착륙하는 비행기의 엔진 소리, 공항 내를 주행하는 공항 카트 소리, 공항 내를 움직이는 캐리어의 바퀴소리로부터 추출하는 것을 포함할 수 있다.
상기 기동어를 획득하는 단계는, 상기 제2 음성으로부터 상기 노이즈의 특징값을 추출하는 단계; 상기 추출된 노이즈의 특징값을 기초하여 노이즈 기준 범위를 설정하는 단계; 및 설정된 상기 노이즈 기준 범위에 상기 제1 음성을 적용하여 상기 제1 음성의 노이즈를 제거하는 단계;를 포함할 수 있다.
본 명세서에 따른 인공지능형 로봇 디바이스의 음성 인식 방법의 효과에 대해 설명하면 다음과 같다.
또한, 본 명세서는 안내 로봇 디바이스에 장착되는 마이크에 공항에서 안내되는 안내 방송 등과 같이 심한 잡음이 유입이 되는 경우, 공항 이용자의 반대쪽에 위치한 마이크로 수집한 음성을 기반으로 공항 이용자가 위치한 방향의 마이크에서 수집한 음성에서 어답티브하게 차감시킴으로써, 공항 이용자의 음성 인식 성능을 향상시킬 수 있다.
또한, 본 명세서는 공항 이용자들의 음성을 정확하게 인식하고, 인식된 음성에 따라 신속하게 동작을 수행함으로써, 공항 이용자에게 최상의 공항 서비스를 제공할 수 있는 효과가 있다.
또한, 본 명세서는 공항 서비스를 필요로 하는 공항 이용자의 음성을 정확하게 인식하고, 인식된 결과에 따라 신속하고 정확하게 동작을 수행함으로써, 공항 이용자의 편의를 개선시킬 수 있다.
또한, 본 명세서는 AI 프로세싱을 통해 인공지능형 로봇 디바이스를 제어함으로써, 인공지능형 로봇 시스템의 신뢰성을 향상시킬 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 AI 장치의 일실시 예를 나타내는 개념도이다.
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 5는 5G 통신을 이용한 로봇 대 로봇 간의 기본 동작의 일 예를 예시한다.
도 6은 본 명세서의 일 실시 예에 따라 인공지능형 로봇 디바이스의 음성 인식 방법을 설명하기 위한 도이다.
도 7은 본 명세서의 일 실시 예에 따른 AI 장치의 블록도이다.
도 8은 본 명세서의 실시 예에 따른 인공지능형 로봇 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도이다.
도 9는 본 명세서의 일 실시 예에 따른 인공지능형 로봇 디바이스의 하드웨어 구성을 도시한 블록도이다.
도 10은 본 명세서의 다른 일 실시 예에 따른 인공지능형 로봇 디바이스의 마이컴 및 AP의 구성을 자세하게 도시한 도면이다.
도 11은 본 명세서의 일 실시 예에 따라 공항 내에 배치되는 복수의 인공지능형 로봇 디바이스 및 복수의 카메라를 설명하기 위한 도이다.
도 12는 본 명세서의 실시 예에 따른 인공지능형 로봇 디바이스의 음성 인식 방법의 흐름도이다.
도 13은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하는 예를 설명하기 위한 도이다.
도 14는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하는 다른 예를 설명하기 위한 도이다.
도 15는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 이용하여 이용자의 위치를 판단하는 예를 설명하기 위한 도이다.
도 16은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 이용하여 이용자의 위치를 판단하는 다른 예를 설명하기 위한 도이다.
도 17은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 통해 제1 음성의 노이즈 상태를 판단하는 예를 설명하기 위한 도이다.
도 18은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 통해 제1 음성의 노이즈 상태를 판단하는 다른 예를 설명하기 위한 도이다.
도 19는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 제2 음성을 기초하여 제1 음성의 노이즈를 제거하는 예를 설명하기 위한 도이다.
도 20은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스의 음성 인식 방법을 설명하기 위한 도이다.
도 21은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 음성 수집 범위를 설정하는 것을 설명하기 위한 도이다.
도 22는 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 제1 음성에서 노이즈를 제거하는 것을 설명하기 위한 도이다.
도 23은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 노이즈 정도를 결정하는 방법을 설명하기 위한 도이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 4는 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
도 5는 5G 통신을 이용한 로봇 대 로봇 간의 기본 동작의 일 예를 예시한다.
도 6은 본 명세서의 일 실시 예에 따라 인공지능형 로봇 디바이스의 음성 인식 방법을 설명하기 위한 도이다.
도 7은 본 명세서의 일 실시 예에 따른 AI 장치의 블록도이다.
도 8은 본 명세서의 실시 예에 따른 인공지능형 로봇 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도이다.
도 9는 본 명세서의 일 실시 예에 따른 인공지능형 로봇 디바이스의 하드웨어 구성을 도시한 블록도이다.
도 10은 본 명세서의 다른 일 실시 예에 따른 인공지능형 로봇 디바이스의 마이컴 및 AP의 구성을 자세하게 도시한 도면이다.
도 11은 본 명세서의 일 실시 예에 따라 공항 내에 배치되는 복수의 인공지능형 로봇 디바이스 및 복수의 카메라를 설명하기 위한 도이다.
도 12는 본 명세서의 실시 예에 따른 인공지능형 로봇 디바이스의 음성 인식 방법의 흐름도이다.
도 13은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하는 예를 설명하기 위한 도이다.
도 14는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하는 다른 예를 설명하기 위한 도이다.
도 15는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 이용하여 이용자의 위치를 판단하는 예를 설명하기 위한 도이다.
도 16은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 이용하여 이용자의 위치를 판단하는 다른 예를 설명하기 위한 도이다.
도 17은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 통해 제1 음성의 노이즈 상태를 판단하는 예를 설명하기 위한 도이다.
도 18은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 통해 제1 음성의 노이즈 상태를 판단하는 다른 예를 설명하기 위한 도이다.
도 19는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 제2 음성을 기초하여 제1 음성의 노이즈를 제거하는 예를 설명하기 위한 도이다.
도 20은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스의 음성 인식 방법을 설명하기 위한 도이다.
도 21은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 음성 수집 범위를 설정하는 것을 설명하기 위한 도이다.
도 22는 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 제1 음성에서 노이즈를 제거하는 것을 설명하기 위한 도이다.
도 23은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 노이즈 정도를 결정하는 방법을 설명하기 위한 도이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시 예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
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 명세서의 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.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
5G의 세 가지 주요 요구 사항 영역은 (1) 개선된 모바일 광대역(Enhanced Mobile Broadband, eMBB) 영역, (2) 다량의 머신 타입 통신(massive Machine Type Communication, mMTC) 영역 및 (3) 초신뢰 및 저 지연 통신(Ultra-reliable and Low Latency Communications, URLLC) 영역을 포함한다.
일부 사용 예(Use Case)는 최적화를 위해 다수의 영역들이 요구될 수 있고, 다른 사용 예는 단지 하나의 핵심 성능 지표(Key Performance Indicator, KPI)에만 포커싱될 수 있다. 5G는 이러한 다양한 사용 예들을 유연하고 신뢰할 수 있는 방법으로 지원하는 것이다.
eMBB는 기본적인 모바일 인터넷 액세스를 훨씬 능가하게 하며, 풍부한 양방향 작업, 클라우드 또는 증강 현실에서 미디어 및 엔터테인먼트 애플리케이션을 커버한다. 데이터는 5G의 핵심 동력 중 하나이며, 5G 시대에서 처음으로 전용 음성 서비스를 볼 수 없을 수 있다. 5G에서, 음성은 단순히 통신 시스템에 의해 제공되는 데이터 연결을 사용하여 응용 프로그램으로서 처리될 것이 기대된다. 증가된 트래픽 양(volume)을 위한 주요 원인들은 콘텐츠 크기의 증가 및 높은 데이터 전송률을 요구하는 애플리케이션 수의 증가이다. 스트리밍 서비스 (오디오 및 비디오), 대화형 비디오 및 모바일 인터넷 연결은 더 많은 장치가 인터넷에 연결될수록 더 널리 사용될 것이다. 이러한 많은 응용 프로그램들은 사용자에게 실시간 정보 및 알림을 푸쉬하기 위해 항상 켜져 있는 연결성이 필요하다. 클라우드 스토리지 및 애플리케이션은 모바일 통신 플랫폼에서 급속히 증가하고 있으며, 이것은 업무 및 엔터테인먼트 모두에 적용될 수 있다. 그리고, 클라우드 스토리지는 상향링크 데이터 전송률의 성장을 견인하는 특별한 사용 예이다. 5G는 또한 클라우드의 원격 업무에도 사용되며, 촉각 인터페이스가 사용될 때 우수한 사용자 경험을 유지하도록 훨씬 더 낮은 단-대-단(end-to-end) 지연을 요구한다. 엔터테인먼트 예를 들어, 클라우드 게임 및 비디오 스트리밍은 모바일 광대역 능력에 대한 요구를 증가시키는 또 다른 핵심 요소이다. 엔터테인먼트는 기차, 차 및 비행기와 같은 높은 이동성 환경을 포함하는 어떤 곳에서든지 스마트폰 및 태블릿에서 필수적이다. 또 다른 사용 예는 엔터테인먼트를 위한 증강 현실 및 정보 검색이다. 여기서, 증강 현실은 매우 낮은 지연과 순간적인 데이터 양을 필요로 한다.
또한, 가장 많이 예상되는 5G 사용 예 중 하나는 모든 분야에서 임베디드 센서를 원활하게 연결할 수 있는 기능 즉, mMTC에 관한 것이다. 2020년까지 잠재적인 IoT 장치들은 204 억 개에 이를 것으로 예측된다. 산업 IoT는 5G가 스마트 도시, 자산 추적(asset tracking), 스마트 유틸리티, 농업 및 보안 인프라를 가능하게 하는 주요 역할을 수행하는 영역 중 하나이다.
URLLC는 주요 인프라의 원격 제어 및 자체-구동 차량(self-driving vehicle)과 같은 초 신뢰 / 이용 가능한 지연이 적은 링크를 통해 산업을 변화시킬 새로운 서비스를 포함한다. 신뢰성과 지연의 수준은 스마트 그리드 제어, 산업 자동화, 로봇 공학, 드론 제어 및 조정에 필수적이다.
다음으로, 다수의 사용 예들에 대해 보다 구체적으로 살펴본다.
5G는 초당 수백 메가 비트에서 초당 기가 비트로 평가되는 스트림을 제공하는 수단으로 FTTH(fiber-to-the-home) 및 케이블 기반 광대역(또는 DOCSIS)을 보완할 수 있다. 이러한 빠른 속도는 가상 현실과 증강 현실뿐 아니라 4K 이상(6K, 8K 및 그 이상)의 해상도로 TV를 전달하는데 요구된다. VR(Virtual Reality) 및 AR(Augmented Reality) 애플리케이션들은 거의 몰입형(immersive) 스포츠 경기를 포함한다. 특정 응용 프로그램은 특별한 네트워크 설정이 요구될 수 있다. 예를 들어, VR 게임의 경우, 게임 회사들이 지연을 최소화하기 위해 코어 서버를 네트워크 오퍼레이터의 에지 네트워크 서버와 통합해야 할 수 있다.
자동차(Automotive)는 차량에 대한 이동 통신을 위한 많은 사용 예들과 함께 5G에 있어 중요한 새로운 동력이 될 것으로 예상된다. 예를 들어, 승객을 위한 엔터테인먼트는 동시의 높은 용량과 높은 이동성 모바일 광대역을 요구한다. 그 이유는 미래의 사용자는 그들의 위치 및 속도와 관계없이 고품질의 연결을 계속해서 기대하기 때문이다. 자동차 분야의 다른 활용 예는 증강 현실 대시보드이다. 이는 운전자가 앞면 창을 통해 보고 있는 것 위에 어둠 속에서 물체를 식별하고, 물체의 거리와 움직임에 대해 운전자에게 말해 주는 정보를 겹쳐서 디스플레이 한다. 미래에, 무선 모듈은 차량들 간의 통신, 차량과 지원하는 인프라구조 사이에서 정보 교환 및 자동차와 다른 연결된 디바이스들(예를 들어, 보행자에 의해 수반되는 디바이스들) 사이에서 정보 교환을 가능하게 한다. 안전 시스템은 운전자가 보다 안전한 운전을 할 수 있도록 행동의 대체 코스들을 안내하여 사고의 위험을 낮출 수 있게 한다. 다음 단계는 원격 조종되거나 자체 운전 차량(self-driven vehicle)이 될 것이다. 이는 서로 다른 자체 운전 차량들 사이 및 자동차와 인프라 사이에서 매우 신뢰성이 있고, 매우 빠른 통신을 요구한다. 미래에, 자체 운전 차량이 모든 운전 활동을 수행하고, 운전자는 차량 자체가 식별할 수 없는 교통 이상에만 집중하도록 할 것이다. 자체 운전 차량의 기술적 요구 사항은 트래픽 안전을 사람이 달성할 수 없을 정도의 수준까지 증가하도록 초저지연과 초고속 신뢰성을 요구한다.
스마트 사회(smart society)로서 언급되는 스마트 도시와 스마트 홈은 고밀도 무선 센서 네트워크로 임베디드될 것이다. 지능형 센서의 분산 네트워크는 도시 또는 집의 비용 및 에너지-효율적인 유지에 대한 조건을 식별할 것이다. 유사한 설정이 각 가정을 위해 수행될 수 있다. 온도 센서, 창 및 난방 컨트롤러, 도난 경보기 및 가전 제품들은 모두 무선으로 연결된다. 이러한 센서들 중 많은 것들이 전형적으로 낮은 데이터 전송 속도, 저전력 및 저비용이다. 하지만, 예를 들어, 실시간 HD 비디오는 감시를 위해 특정 타입의 장치에서 요구될 수 있다.
열 또는 가스를 포함한 에너지의 소비 및 분배는 고도로 분산화되고 있어, 분산 센서 네트워크의 자동화된 제어가 요구된다. 스마트 그리드는 정보를 수집하고 이에 따라 행동하도록 디지털 정보 및 통신 기술을 사용하여 이런 센서들을 상호 연결한다. 이 정보는 공급 업체와 소비자의 행동을 포함할 수 있으므로, 스마트 그리드가 효율성, 신뢰성, 경제성, 생산의 지속 가능성 및 자동화된 방식으로 전기와 같은 연료들의 분배를 개선하도록 할 수 있다. 스마트 그리드는 지연이 적은 다른 센서 네트워크로 볼 수도 있다.
건강 부문은 이동 통신의 혜택을 누릴 수 있는 많은 응용 프로그램을 보유하고 있다. 통신 시스템은 멀리 떨어진 곳에서 임상 진료를 제공하는 원격 진료를 지원할 수 있다. 이는 거리에 대한 장벽을 줄이는데 도움을 주고, 거리가 먼 농촌에서 지속적으로 이용하지 못하는 의료 서비스들로의 접근을 개선시킬 수 있다. 이는 또한 중요한 진료 및 응급 상황에서 생명을 구하기 위해 사용된다. 이동 통신 기반의 무선 센서 네트워크는 심박수 및 혈압과 같은 파라미터들에 대한 원격 모니터링 및 센서들을 제공할 수 있다.
무선 및 모바일 통신은 산업 응용 분야에서 점차 중요해 지고 있다. 배선은 설치 및 유지 비용이 높다. 따라서, 케이블을 재구성할 수 있는 무선 링크들로의 교체 가능성은 많은 산업 분야에서 매력적인 기회이다. 그러나, 이를 달성하는 것은 무선 연결이 케이블과 비슷한 지연, 신뢰성 및 용량으로 동작하는 것과, 그 관리가 단순화될 것이 요구된다. 낮은 지연과 매우 낮은 오류 확률은 5G로 연결될 필요가 있는 새로운 요구 사항이다.
물류(logistics) 및 화물 추적(freight tracking)은 위치 기반 정보 시스템을 사용하여 어디에서든지 인벤토리(inventory) 및 패키지의 추적을 가능하게 하는 이동 통신에 대한 중요한 사용 예이다. 물류 및 화물 추적의 사용 예는 전형적으로 낮은 데이터 속도를 요구하지만 넓은 범위와 신뢰성 있는 위치 정보가 필요하다.
본 명세서에서 후술할 본 명세서는 전술한 5G의 요구 사항을 만족하도록 각 실시 예를 조합하거나 변경하여 구현될 수 있다.
도 1은 AI 장치의 일실시 예를 나타내는 개념도이다.
도 1을 참조하면, AI 시스템은 AI 서버(20), 로봇(11), 자율 주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(11), 자율 주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 등을 AI 장치(11 내지 15)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 시스템을 구성하는 각 장치들(11 내지 15, 20)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(11 내지 15, 20)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(20)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(20)는 AI 시스템을 구성하는 AI 장치들인 로봇(11), 자율 주행 차량(12), XR 장치(13), 스마트폰(14) 또는 가전(15) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(11 내지 15)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때 AI 서버(20)는 AI 장치(11 내지 15)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(11 내지 15)에 전송할 수 있다.
이때 AI 서버(20)는 AI 장치(11 내지 15)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(11 내지 15)로 전송할 수 있다.
또는, AI 장치(11 내지 15)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
<AI+로봇>
로봇(11)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(11)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(11)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(11)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(11)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(11)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(11)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(11)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.
이때 로봇(11)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(11)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(11)을 주행시킬 수 있다.
맵 데이터에는 로봇(11)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(11)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때 로봇(11)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율 주행>
자율 주행 차량(12)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(12)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(12)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(12)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(12)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(12)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(12)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(11)과와 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(12)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(12)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(12)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(12)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(12)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(12)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(12)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(12)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(12)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때 자율 주행 차량(12)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(13)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(13)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(13)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(13)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(13)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(13)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.
이때 XR 장치(13)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율 주행>
로봇(11)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(11)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(12)과 상호작용하는 로봇(11) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(11)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(11) 및 자율 주행 차량(12)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(11) 및 자율 주행 차량(12)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량과 별개로 존재하면서, 자율 주행 차량(12)의 내부 또는 외부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(12)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때 자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량(12)을 대신하여 센서 정보를 획득하여 자율 주행 차량(12)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(12)에 제공함으로써, 자율 주행 차량(12)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량(12)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(12)의 기능을 제어할 수 있다. 예컨대, 로봇(11)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(12)의 자율 주행 기능을 활성화하거나 자율 주행 차량(12)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(11)이 제어하는 자율 주행 차량(12)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(12)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(12)과 상호작용하는 로봇(11)은 자율 주행 차량(12)의 외부에서 자율 주행 차량(12)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(11)은 스마트 신호등과 같이 자율 주행 차량(12)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(12)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(11)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(11)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(11)은 XR 장치(13)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(11)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(11) 또는 XR 장치(13)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(13)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(11)은 XR 장치(13)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(13) 등의 외부 장치를 통해 원격으로 연동된 로봇(11)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(11)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율 주행+XR>
자율 주행 차량(12)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(12)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(12)은 XR 장치(13)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(12)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(12)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(12)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(12)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(12)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(12) 또는 XR 장치(13)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(13)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(12)은 XR 장치(13) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
[확장 현실 기술]
확장 현실(XR: eXtended Reality)은 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 보여 준다는 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.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 2는 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2를 참조하면, 로봇 디바이스는 제1 통신 장치로 정의(910)하고, 프로세서(911)가 로봇 디바이스의 상세 동작을 수행할 수 있다. 로봇 디바이스는 로봇이라 칭할 수 있다.
로봇 디바이스와 통신하는 5G 네트워크는 제2 통신 장치로 정의(920)하고, 프로세서(921)가 로봇 디바이스의 상세 동작을 수행할 수 있다. 여기서, 5G 네트워크는 로봇과 통신하는 다른 로봇을 포함할 수 있다.
5G 네트워크가 제1 통신 장치로, 로봇 디바이스가 제2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 로봇 등일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 로봇, 드론(Drone), UAV(Unmanned Aerial Vehicle), 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기(smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 도 2를 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제1 통신 장치에서 제2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 3은 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3을 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)을 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 3을 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 3을 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제1 주파수 자원에서 제2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 로봇 기본 동작
도 4는 5G 통신 시스템에서 로봇과 5G 네트워크의 기본 동작의 일 예를 나타낸다.
로봇은 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 로봇의 원격 제어 여부를 결정할 수 있다(S2). 여기서, 상기 5G 네트워크는 로봇 관련 원격 제어를 수행하는 서버 또는 모듈을 포함할 수 있다. 그리고, 상기 5G 네트워크는 로봇의 원격 제어와 관련된 정보(또는 신호)를 상기 로봇으로 전송할 수 있다(S3).
G. 5G 통신 시스템에서 로봇과 5G 네트워크 간의 응용 동작
이하, 도 2 및 도 3과 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 로봇 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 4의 S1 단계 및 S3 단계와 같이, 로봇이 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, 로봇은 도 4의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, 로봇은 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, 로봇이 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, 로봇은 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 로봇으로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 로봇은 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 로봇으로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 로봇으로 원격 제어와 관련된 정보(또는 신호)를 전송할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, 로봇은 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, 로봇은 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, 로봇은 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, 로봇은 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, 로봇은 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 4의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 4의 S1 단계에서, 로봇은 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 로봇은 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
H. 5G 통신을 이용한 로봇 대 로봇 간의 동작
도 5는 5G 통신을 이용한 로봇 디바이스 대 로봇 디바이스 간의 기본 동작의 일 예를 예시한다.
제1 로봇은 특정 정보를 제2 로봇으로 전송한다(S61). 제1 로봇은 제1 인공지능형 로봇 디바이스라 칭할 수 있고, 제2 로봇은 제2 인공지능형 로봇 디바이스라 칭할 수 있다.
제2 로봇은 특정 정보에 대한 응답을 제1 로봇으로 전송한다(S62).
한편, 5G 네트워크가 상기 특정 정보, 상기 특정 정보에 대한 응답의 자원 할당에 직접적(사이드 링크 통신 전송 모드 3) 또는 간접적으로(사이드 링크 통신 전송 모드 4) 관여하는지에 따라 로봇 대 로봇 간 응용 동작의 구성이 달라질 수 있다.
다음으로, 5G 통신을 이용한 로봇 대 로봇 간의 응용 동작에 대해 살펴본다.
먼저, 5G 네트워크가 로봇 대 로봇 간의 신호 전송/수신의 자원 할당에 직접적으로 관여하는 방법을 설명한다.
5G 네트워크는, 모드 3 전송(PSCCH 및/또는 PSSCH 전송)의 스케줄링을 위해 DCI 포맷 5G를 제1 로봇에 전송할 수 있다. 여기서, PSCCH(physical sidelink control channel)는 특정 정보 전송의 스케줄링을 위한 5G 물리 채널이고, PSSCH(physical sidelink shared channel)는 특정 정보를 전송하는 5G 물리 채널이다. 그리고, 제1 로봇은 특정 정보 전송의 스케줄링을 위한 SCI 포맷 1을 PSCCH 상에서 제2 로봇으로 전송한다. 그리고, 제1 로봇이 특정 정보를 PSSCH 상에서 제2 로봇으로 전송한다.
다음으로, 5G 네트워크가 신호 전송/수신의 자원 할당에 간접적으로 관여하는 방법에 대해 살펴본다.
제1 로봇은 모드 4 전송을 위한 자원을 제1 윈도우에서 센싱한다. 그리고, 제1 로봇은, 상기 센싱 결과에 기초하여 제2 윈도우에서 모드 4 전송을 위한 자원을 선택한다. 여기서, 제1 윈도우는 센싱 윈도우(sensing window)를 의미하고, 제2 윈도우는 선택 윈도우(selection window)를 의미한다. 제1 로봇은 상기 선택된 자원을 기초로 특정 정보 전송의 스케줄링을 위한 SCI 포맷 1을 PSCCH 상에서 제2 로봇으로 전송한다. 그리고, 제1 로봇은 특정 정보를 PSSCH 상에서 제2 로봇으로 전송한다.
앞서 살핀 5G 통신 기술은 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 6은 본 명세서의 일 실시 예에 따라 인공지능형 로봇 디바이스의 음성 인식 방법을 설명하기 위한 도이다.
도 6을 살펴보면, 본 명세서의 일 실시 예에 따른 인공지능형 로봇 디바이스의 음성 인식 방법은 인공지능형 로봇 디바이스(100), 서버(300), 카메라(400) 및 스마트 기기(500)를 포함할 수 있다.
인공지능형 로봇 디바이스(100)는 공항 내에서 순찰, 안내, 청소, 방역, 운반 등의 역할을 할 수 있다. 예를 들어, 인공지능형 로봇 디바이스(100)는 종합 전시관, 박물관, 전시회, 공항 등의 주변 또는 실내를 주행하면서, 고객 또는 공항 이용자에게 다양한 정보를 제공할 수 있다.
인공지능형 로봇 디바이스(100)는 서버(300) 또는 스마트 기기(500)와 신호를 송수신할 수 있다. 예를 들어, 인공지능형 로봇 디바이스(100)는 서버(300)와 공항 내 상황 정보 등을 포함한 신호를 송수신할 수 있다.
또한, 인공지능형 로봇 디바이스(100)는 공항 내 카메라(400)로부터 공항의 각 구역들을 촬영한 영상 정보를 수신할 수 있다. 인공지능형 로봇 디바이스(100)는 인공지능형 로봇 디바이스(100)가 촬영한 영상 정보 및 카메라(400)로부터 수신한 영상 정보를 종합하여 공항의 상황을 모니터링할 수 있다.
인공지능형 로봇 디바이스(100)는 공항 이용자로부터 직접 명령을 수신할 수 있다. 예를 들어, 인공지능형 로봇 디바이스(100)에 구비된 디스플레이부(160)를 터치하는 입력하거나 마이크를 통해 입력되는 음성 등을 통해 공항 이용자로부터 명령을 직접 수신할 수 있다.
인공지능형 로봇 디바이스(100)는 공항 이용자, 서버(300), 또는 스마트 기기(500) 등으로부터 수신된 명령에 따라 순찰, 안내, 청소 등의 동작을 수행할 수 있다.
서버(300)는 인공지능형 로봇 디바이스(100), 카메라(400), 및/또는 스마트 기기(500)로부터 정보를 수신할 수 있다. 서버(300)는 각 장치들로부터 수신된 정보들을 통합하여 저장 및 관리할 수 있다. 서버(300)는 저장된 정보들을 인공지능형 로봇 디바이스(100) 또는 스마트 기기(500)에 전송할 수 있다. 또한, 서버(300)는 공항에 배치된 복수의 인공지능형 로봇 디바이스(100)들 각각에 대한 명령 신호를 전송할 수 있다.
또한, 서버(300)는 공항 지도 등과 같은 공항 관련 데이터, 공항 내에 배치되는 물체 또는 공항 내에서 움직이는 사람에 대한 정보를 포함하는 매핑 데이터를 인공지능형 로봇 디바이스(100)에 전송할 수 있다.
카메라(400)는 공항 내에 설치된 카메라를 포함할 수 있다. 예를 들어, 카메라(400)는 공항 내에 설치된 복수의 CCTV(closed circuit television) 카메라, 적외선 열감지 카메라 등을 모두 포함할 수 있다. 카메라(400)는 촬영된 영상을 서버(300) 또는 인공지능형 로봇 디바이스(100)에 전송할 수 있다. 카메라(400)는 촬영된 영상은 공항 영상이라 칭할 수 있다.
스마트 기기(500)는 공항 내 서버(300) 또는 인공지능형 로봇 디바이스(100)와 데이터를 송수신할 수 있다. 예를 들어, 스마트 기기(500)는 인공지능형 로봇 디바이스(100) 또는 서버(300)로부터 비행 시간 스케쥴, 공항 지도 등과 같은 공항 관련 데이터를 수신할 수 있다. 공항 이용자는 스마트 기기(500)를 통해 공항에서 필요한 정보를 인공지능형 로봇 디바이스(100) 또는 서버(300)로부터 수신하여 얻을 수 있다. 또한, 스마트 기기(500)는 인공지능형 로봇 디바이스(100) 또는 서버(300)로 사진이나 동영상, 메시지 등과 같은 데이터를 전송할 수 있다. 예를 들어, 공항 이용자는 미아 사진을 인공지능형 로봇 디바이스(100) 또는 서버(300)로 전송하여 미아 접수를 하거나, 공항 내 청소가 필요한 구역을 카메라로 촬영하고, 촬영된 영상을 서버(300)로 전송함으로써 해당 구역의 청소를 요청할 수 있다.
또한, 스마트 기기(500)는 인공지능형 로봇 디바이스(100)를 호출하는 신호나 특정 동작을 수행하도록 명령하는 신호 또는 정보 요청 신호 등을 인공지능형 로봇 디바이스(100)로 전송할 수 있다. 인공지능형 로봇 디바이스(100)는 스마트 기기(500)로부터 수신된 호출 신호에 응답하여 스마트 기기(500)의 위치로 이동하거나 명령 신호에 대응하는 동작을 수행할 수 있다.
또는 인공지능형 로봇 디바이스(100)는 정보 요청 신호에 대응하는 데이터를 각 공항 이용자의 스마트 기기(500)로 전송할 수 있다.
도 7은 본 명세서의 일 실시 예에 따른 AI 장치의 블록도이다.
AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 6에 도시된 인공지능형 로봇 디바이스(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
AI 프로세싱은, 도 6에 도시된 인공지능형 로봇 디바이스(100)의 음성 입력과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 인공지능형 로봇 디바이스(100)는 입력되는 음성 신호 또는 음성 데이터를 AI 프로세싱하여 처리/판단함으로써, 음성에서 노이즈를 제거한 기동어를 정확하게 인식되거나 획득된 기동어에 대응하여 동작을 수행할 수 있다. 또한, 예를 들어, 인공지능형 로봇 디바이스(100)는 공항 내에 구비된 다른 전자 기기(예를 들어, 서버(300, 도 6 참조)와의 인터랙션(interaction)을 통해 획득되는 데이터를 AI 프로세싱하여 음성에서 노이즈를 제거한 기동어를 인식 또는 획득하고, 인식되거나 획득된 기동어에 대응하여 동작을 수행할 수 있다.
AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 로봇 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 로봇 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드 디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시 예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습 데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 학습 데이터 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 로봇의 마이크를 통해 획득한 음성 중 노이즈를 제거하고, 기동어를 검출함으로써, 노이즈가 제거된 기동어에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 인공지능형 로봇 디바이스로 정의될 수 있다. 또한, AI 장치(20)는 인공지능형 로봇 디바이스와 통신하는 다른 인공지능형 로봇 디바이스 또는 5G 네트워크로 정의될 수 있다. 한편, AI 장치(20)는 인공지능형 로봇 디바이스 내에 구비된 다양한 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 5G 네트워크는 로봇 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 7에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성 요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 8은 본 명세서의 실시 예에 따른 인공지능형 로봇 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도이다.
도 8을 참조하면, 인공지능형 로봇 디바이스(100)는 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 인공지능형 로봇 디바이스(100)으로 전송할 수 있다. AI 장치(20)는 도 7에 설명한 내용을 참조할 수 있다.
인공지능형 로봇 디바이스(100)는 메모리(150), 프로세서(110), 전원 공급부(120)를 포함할 수 있으며, 상기 프로세서(110)는 마이콤(111)과 AP(112)를 포함하고, AI 프로세서(113)를 더 포함할 수 있다.
또한, 상기 인공지능형 로봇 디바이스(100)은 인공지능형 로봇 디바이스(100) 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 연결되어 주행 제어에 필요한 데이터를 교환할 수 있는 인터페이스부를 포함할 수 있다. 상기 인터페이스부를 통해 연결된 적어도 하나의 전자 장치는 주행 구동부(140), 디스플레이부(160), 입력부(170), 송수신기(190) 등을 포함할 수 있다. 상기 인터페이스부는 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
메모리(150)는 프로세서(110)와 전기적으로 연결된다. 메모리(150)는 유닛에 대한 기본 데이터, 유닛의 동작 제어를 위한 제어 데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(150)는 프로세서(110)에서 처리된 데이터를 저장할 수 있다. 메모리(150)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(150)는 프로세서(110)의 처리 또는 제어를 위한 프로그램 등, 인공지능형 로봇 디바이스(100)에 대한 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(150)는 프로세서(110)와 일체형으로 구현될 수 있다. 실시 예에 따라, 메모리(150)는 프로세서(110)의 하위 구성으로 분류될 수 있다.
전원 공급부(120)는 인공지능형 로봇 디바이스(100)에 전원을 공급할 수 있다. 전원 공급부(120)는 인공지능형 로봇 디바이스(100)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 인공지능형 로봇 디바이스(100)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(120)는 메인 ECU로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(120)는 SMPS(switched-mode power supply)를 포함할 수 있다.
프로세서(110, processors)는 메모리(150), 인터페이스부(미도시), 전원 공급부(120)와 전기적으로 연결되어 신호를 교환할 수 있다. 프로세서(110)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
프로세서(110)는 전원 공급부(120)로부터 제공되는 전원에 의해 구동될 수 있다. 프로세서(110)는 전원 공급부(120)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
프로세서(110)는 인터페이스부를 통해, 인공지능형 로봇 디바이스(100) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(110)는 인터페이스부를 통해, 인공지능형 로봇 디바이스(100) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
인공지능형 로봇 디바이스(100)는 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(150), 인터페이스부, 전원 공급부(120) 및 프로세서(110)는 인쇄 회로 기판에 전기적으로 연결될 수 있다.
이하, 상기 인터페이스부와 연결된 인공지능형 로봇 디바이스(100) 내 다른 전자 장치 및 마이콤(111), AP(112), AI 프로세서(113)에 대하여 보다 구체적으로 설명한다. 이하, 설명의 편의를 위해 인공지능형 로봇 디바이스(100)를 로봇(100)으로 호칭하기로 한다.
인공지능형 로봇 디바이스(100)는 소정의 형상으로 형성되는 바디를 포함할 수 있다. 바디는 외부로부터 발생되는 이물질 또는 장애물로부터 내부에 배치되는 부품을 보호할 수 있으면 어떠한 형상으로 형성되더라도 무관할 수 있다.
송수신기(190), 입력부(170), 프로세서(190), 디스플레이부(160) 및 주행 구동부(140)를 포함할 수 있다.
송수신기(190)는 인공지능형 로봇 디바이스(100)의 바디에 내장되고, 공항 내에 배치되는 복수의 카메라로부터 촬영된 영상을 전송 받아, 공항 내에 위치하는 장애물에 대한 맵핑 데이터와 공항 이용자에 대한 이동 경로 데이터 또는 이동 예측 데이터를 제공받을 수 있다.
송수신기(190)는 인공지능형 로봇 디바이스(100)에서 수집되는 이용자의 음성을 서버 등에 전송하고, 서버로부터 음성과 관련된 다양한 정보를 제공받을 수 있다. 송수신기(190)는 5G 라우터(162, 도 9 참조)를 포함할 수 있다. 송수신기(190)는 5G 통신 또는 5G 네트워크를 이용하여 맵핑 데이터, 이동 경로 데이터, 이동 예측 데이터, 음성 관련 데이터를 제공받을 수 있다. 장애물은 공항 내에 이동하는 공항 이용자, 고객 또는 공항에 배치되는 물체 등을 포함할 수 있다.
공항 내에 배치되는 복수의 카메라에서 촬영된 영상은 공항 영상이라 칭할 수 있다.
입력부(170)는 바디에 배치되어 인공지능형 로봇 디바이스(110)의 경로 또는 경로의 주변에 위치하는 장애물을 촬영하거나 공항에 발생되는 소리를 수집하거나 인공지능형 로봇 디바이스(110)의 주변에 위치하는 공항 이용자의 음성을 수집할 수 있다. 입력부(170)는 적어도 하나 이상의 카메라와 적어도 하나 이상의 마이크를 포함할 수 있다. 적어도 하나 이상의 카메라는 로봇 카메라라 칭할 수 있다. 로봇 카메라는 주행 중이거나 이동 중인 인공지능형 로봇 디바이스의 주변을 실시간으로 촬영할 수 있다. 로봇 카메라에서 촬영된 영상은 순찰 영상, 이동 영상 또는 로봇 영상이라 칭할 수 있다. 적어도 하나 이상의 마이크는 로봇 마이크라 칭할 수 있다. 로봇 마이크는 주행 중이거나 이동 중인 인공지능형 로봇 디바이스의 주변에서 발생되는 소리와 음성을 실시간으로 수집할 수 있다.
프로세서(110)는 송수신기(190)로부터 공항 이용자의 움직임 정보를 제공받아, 공항 이용자의 움직임을 학습하고, 학습된 공항 이용자의 움직임에 기초하여 공항 이용자의 방황 상태를 인식하고, 인식된 결과에 따라 공항 이용자에게 이동하도록 제어할 수 있다. 또는 프로세서(110)는 송수신기(190) 또는 직접 공항 이용자의 음성과 관련된 정보를 제공받아, 공항 이용자의 음성과 관련된 정보를 학습하고, 학습된 공항 이용자의 음성에 기초하여 공항 이용자의 음성에서 음성의 노이즈 상태를 인식하고, 인식된 결과에 따라 획득된 기동어에 대응하여 동작을 수행할 수 있다.
프로세서(110)는 송수신기(190)로부터 전송되는 공항 이용자의 움직임 정보로부터 특징값들을 추출하고, 특징값들을 공항 이용자가 방황 상태인지 여부를 구별하도록 인공 신경망(ANN) 분류기에 입력하고, 인공 신경망의 출력으로부터 공항 이용자의 방황 상태를 판단할 수 있다. 또는 프로세서(110)는 송수신기(190)로부터 전송되는 공항 이용자의 음성으로부터 특징값들을 추출하고, 특징값들을 공항 이용자의 음성의 노이즈 상태인지 여부를 구별하도록 인공 신경망(ANN) 분류기에 입력하고, 인공 신경망의 출력으로부터 공항 이용자의 노이즈 상태를 판단할 수 있다.
프로세서(110)는 추출된 특징값들에 따라 서로 다른 가중치를 부여할 수 있다. 프로세서(110)는 부여된 가중치에 기초하여 우선 순위를 결정하고, 결정된 우선 순위에 기반하여, 복수의 인공지능형 로봇 디바이스 중 하나 이상의 인공지능형 로봇 디바이스의 이동을 제어할 수 있다.
주행 구동부(140)는 바디의 하부에 배치되고, 프로세서(110)의 제어 하에 목표 지점을 향해 이동할 수 있다. 주행 구동부(140)에 대한 자세한 설명은 후술하기로 한다. 주행 구동부(140)는 프로세서(110)의 제어 하에 송수신기(190)에서 제공되는 맵핑 데이터, 이동 경로 데이터, 이동 예측 데이터 그리고 입력부(170)에서 촬영된 로봇 영상을 기반으로 공항 내를 주행할 수 있다.
디스플레이부(160)는 바디의 전방 또는 전면에 배치되고, 공항 서비스에 대한 정보를 디스플레이할 수 있다. 예를 들어, 디스플레이부(160)는 인공지능형 로봇 디바이스(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(160)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.
또한, 디스플레이부(160)는 인공지능형 로봇 디바이스(100)의 형상에 따라 2개 이상 존재할 수 있다. 이 경우, 인공지능형 로봇 디바이스(100)에는 복수의 디스플레이부(160)가 전방(또는 전면) 또는 후방(또는 후면) 배치될 수 있다.
디스플레이부(160)는 터치 센서를 포함할 수 있다. 디스플레이부(160)는 터치 센서를 이용하여 제어 명령을 입력 받을 수 있다 예를 들어, 디스플레이부(160)에 터치가 감지되면, 터치 센서는 프로세서(110)의 제어 하에 터치에 대응하는 제어 명령 또는 명령 신호를 생성할 수 있다. 터치 방식에 의하여 입력되는 내용은 공항 서비스에 대한 정보 그리고 공항 서비스 메뉴 항목 등일 수 있다.
디스플레이부(160)는 터치 센서와 함께 터치 스크린(touch-screen) 또는 터치 모니터(touch-monitor)을 형성할 수 있으며, 이 경우에 터치 스크린은 유저 인터페이스로 기능할 수 있다. 디스플레이부(160)는 유저 인터페이스부라 칭할 수 있다.
한편, 인공지능형 로봇 디바이스(100)는 상기 적어도 하나의 센서를 통해 획득된 데이터를 송수신기(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 인공지능형 로봇 디바이스(100)로 전송할 수 있다. 인공지능형 로봇 디바이스(100)는 수신된 AI 프로세싱 데이터에 기초하여 검출된 이동 경로, 이동 예측 경로에 대한 정보를 인식하고, 프로세서(110)는 상기 인식한 정보를 이용하여 주행 제어 동작을 수행할 수 있다.
송수신기(190)는 인공지능형 로봇 디바이스(100) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 송수신기(190)는, 인프라(예를 들면, 서버, 방송국), 다른 인공지능형 로봇 디바이스(100), 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 송수신기(190)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
인공지능형 로봇 디바이스(100)는 송수신기(190)를 통해 제공되는 공항 이용자의 이동 경로 데이터 및/또는 이동 예측 데이터를 신경망 모델에 적용함으로써, 공항 이용자의 이동 방향에 대한 정보, 이동 경로 정보, 이동 예측 정보 중 적어도 하나를 생성할 수 있다. 또는 인공지능형 로봇 디바이스(100)는 송수신기(190)를 통해 제공되는 공항 이용자의 음성과 관련된 정보 또는 데이터를 신경망 모델에 적용함으로써, 공항 이용자의 음성에서 노이즈를 제거한 기동어를 정확하게 인식 또는 획득할 수 있다.
한편, AI 프로세서(113)는 주행 모드에서, 프로세서(110)을 통해 생성된 드라이빙 플랜에 따른 인공지능형 로봇 디바이스(100)의 움직임을 제어하기 위한 신호를 생성할 수 있다.
한편, 인공지능형 로봇 디바이스(100)는 주행의 제어에 필요한 데이터를 송수신기(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 인공지능형 로봇 디바이스(100)로 전송할 수 있다. 인공지능형 로봇 디바이스(100)는 수신된 AI 프로세싱 데이터에 기초하여 공항 내에서 인공지능형 로봇 디바이스(100)의 움직임 제어에 이용할 수 있다.
주행 구동부(140)는 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함할 수 있다.
주행 구동부(140)는 프로세서(110)에서 수신되는 신호에 기초하여, 파워 트레인, 조향 장치 및 브레이크 장치를 제어할 수 있다. 상기 프로세서(110)에서 수신되는 신호는 AI 프로세서(113)에서 인공지능형 로봇 디바이스(100)와 관련 데이터를 신경망 모델을 적용함으로써, 생성되는 주행 제어 신호일 수 있다. 상기 주행 제어 신호는 송수신기(190)를 통해 외부의 AI 장치(20)로부터 수신된 신호일 수도 있다.
센싱부(130)는 인공지능형 로봇 디바이스(100)의 상태를 센싱할 수 있다. 센싱부(130)는 IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 자이로 센서, 포지션 모듈(position module), 로봇 전진/후진 센서, 배터리 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서 중 적어도 어느 하나를 포함할 수 있다. 한편, IMU(inertial measurement unit) 센서는, 가속도 센서, 자이로 센서, 자기 센서 중 하나 이상을 포함할 수 있다.
센싱부(130)는 장애물 인식부라 칭할 수 있다.
AI 프로세서(113)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 인공지능형 로봇 디바이스(100)의 상태 데이터를 생성할 수 있다. 상기 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는 로봇 모션 데이터, 로봇 요(yaw) 데이터, 로봇 롤(roll) 데이터, 로봇 피치(pitch) 데이터, 로봇 충돌 데이터, 로봇 방향 데이터, 로봇 각도 데이터, 로봇 속도 데이터, 로봇 가속도 데이터, 로봇 기울기 데이터, 로봇 전진/후진 데이터, 로봇의 중량 데이터, 배터리 데이터, 타이어 공기압 데이터, 로봇 내부 온도 데이터, 로봇 내부 습도 데이터, 스티어링 휠 회전 각도 데이터, 로봇 외부 조도 데이터, 가속 데이터, 브레이크 데이터 등을 포함할 수 있다.
프로세서(110)는 AI 프로세싱된 로봇의 상태 데이터에 기초하여 주행 제어 신호를 생성할 수 있다.
한편, 인공지능형 로봇 디바이스(100)는 상기 적어도 하나의 센서를 통해 획득된 센싱 데이터를 송수신기(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 인공지능형 로봇 디바이스(100)로 전송할 수 있다.
위치 센싱부(180)는 인공지능형 로봇 디바이스(100)의 위치 데이터를 생성할 수 있다. 위치 센싱부(180)는 위치 인식부라 칭할 수 있다. 위치 인식부(180)는 GPS(Global Positioning System) 및 DGPS(Differential Global Positioning System) 중 적어도 어느 하나를 포함할 수 있다.
AI 프로세서(113)는 적어도 하나의 위치 인식부(180)에서 생성되는 위치 데이터에 신경망 모델을 적용함으로써, 보다 정확한 로봇의 위치 데이터를 생성할 수 있다.
본 명세서의 일실시 예에 따라, AI 프로세서(113)는 센싱부(130)의 IMU(Inertial Measurement Unit) 및 카메라 영상 중 적어도 어느 하나에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 위치 데이터를 보정할 수 있다.
한편, 인공지능형 로봇 디바이스(100)는 위치 인식부(180)로부터 획득된 위치 데이터를 송수신기(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신한 위치 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 인공지능형 로봇 디바이스(100)로 전송할 수 있다.
인공지능형 로봇 디바이스(100)는 내부 통신 시스템(미도시)을 포함할 수 있다. 인공지능형 로봇 디바이스(100)에 포함되는 복수의 전자 장치는 내부 통신 시스템(50)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(미도시)은 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.
프로세서(110)는 획득된 데이터에 기초하여, 주행을 위한 경로를 생성하고, 생성된 경로를 따라 주행하기 위한 드라이빙 플랜을 생성할 수 있다.
프로세서(110)는 자동 비상 제동 시스템(AEB: Autonomous Emergency Braking), 전방 충돌 알림 시스템(FCW : Foward Collision Warning), 타겟 추종 보조 시스템(TFA : Target Following Assist), 사각 지대 감시 시스템(BSD : Blind Spot Detection), 자동 주차 시스템(APS : Auto Parking System), 보행자 충돌 알림 시스템(PD collision warning system), 나이트 비전 시스템(NV : Night Vision) 및 이용자 상태 모니터링 시스템(CSM : Client Status Monitoring) 및 이용자 정체 지원 시스템(CJA : Client Jam Assist) 중 적어도 어느 하나를 구현할 수 있다.
AI 프로세서(113)는 인공지능형 로봇 디바이스(100)에 구비된 적어도 하나의 센서, 외부 기기로부터 수신된 공항 이용자 관련 정보, 상기 인공지능형 로봇 디바이스(100)와 통신하는 다른 인공지능형 로봇 디바이스로부터 수신된 정보를 신경망 모델에 적용함으로써, 전술한 적어도 하나의 시스템의 기능들을 수행 가능한 제어 신호를 프로세서(110)로 전달할 수 있다.
또한, 인공지능형 로봇 디바이스(100)는 상기 다양한 시스템의 기능들을 수행하기 위한 적어도 하나의 데이터를 송수신기(190)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 수신된 데이터에 신경망 모델(260)을 적용함으로써, 다양한 시스템의 기능을 수행할 수 있는 제어 신호를 인공지능형 로봇 디바이스(100)로 전달할 수 있다.
이상, 본 명세서의 일실시 예에 따른 로봇 제어 방법을 구현하기 위하여 필요한 5G 통신 및 상기 5G 통신을 적용하여 AI 프로세싱을 수행하고, AI 프로세싱 결과를 송수신하기 위한 개략적인 내용을 살펴보았다.
이하, 본 명세서의 일실시 예에 따른 인공지능형 로봇 지능형 디바이스에 대한 구체적인 구성을 설명한다.
도 9는 본 명세서의 일 실시 예에 따른 인공지능형 로봇 디바이스의 하드웨어 구성을 도시한 블록도이다.
도 9에 도시된 바와 같이, 본 명세서의 일 실시 예에 의한 인공지능형 로봇 디바이스(100)의 프로세서는 마이컴(Micom)과 AP(Application Processor)로 분리된 칩으로 구성될 수 있다. 이에 한정되는 것은 아니며, 마이컴(Micom)과 AP(Application Processor)는 하나의 칩으로 구성될 수 있다.
마이컴(111)은 인공지능형 로봇 디바이스(100)의 하드웨어 중 배터리 등을 포함하는 전원부(120), 각종 센서들을 포함하는 장애물 인식부(130) 및 복수의 모터 및 휠들을 포함하는 주행 구동부(140)를 관리할 수 있다.
전원부(120)는 배터리 드라이버(battery Driver, 121) 및 리튬-이온 배터리(Li-Ion Battery, 122)를 포함할 수 있다. 배터리 드라이버(121)는 리튬-이온 배터리(122)의 충전과 방전을 관리할 수 있다. 리튬-이온 배터리(122)는 인공지능형 로봇 디바이스(100)의 구동을 위한 전원을 공급할 수 있다. 예를 들어, 리튬-이온 배터리(122)는 24V/102A 리튬-이온 배터리 2 개를 병렬로 연결하여 구성될 수 있다.
장애물 인식부(130)는 IR 리모콘 수신부(131), USS(132), Cliff PSD(133), ARS(134), Bumper(135) 및 OFS(136)를 포함할 수 있다.
IR 리모콘 수신부(131)는 인공지능형 로봇 디바이스(100)를 원격 조정하기 위한 IR(Infrared) 리모콘의 신호를 수신하는 센서를 포함할 수 있다.
USS(Ultrasonic sensor, 132)는 초음파 신호를 이용하여 장애물과 인공지능형 로봇 디바이스(100) 사이의 거리를 판단하기 위한 센서를 포함할 수 있다.
Cliff PSD(133)는 360도 전방향의 인공지능형 로봇 디바이스(100) 주행 범위에서 낭떠러지 또는 절벽 등을 감지하기 위한 센서를 포함할 수 있다.
ARS(Attitude Reference System, 134)는 인공지능형 로봇 디바이스(100)의 자세를 검출할 수 있는 센서를 포함할 수 있다. ARS(134)는 인공지능형 로봇 디바이스(100)의 회전량 검출을 위한 가속도 3축 및 자이로 3축으로 구성되는 센서를 포함할 수 있다.
Bumper(135)는 인공지능형 로봇 디바이스(100)와 장애물 사이의 충돌을 감지하는 센서를 포함할 수 있다. Bumper(135)에 포함되는 센서는 360도 범위에서 인공지능형 로봇 디바이스(100)와 장애물 사이의 충돌을 감지할 수 있다.
OFS(Optical Flow Sensor, 136)는 인공지능형 로봇 디바이스(100)의 주행 시 헛바퀴가 도는 현상 및 다양한 바닥 면에서 인공지능형 로봇 디바이스(100)의 주행 거리를 측정할 수 있는 센서를 포함할 수 있다.
주행 구동부(140)는 모터 드라이버(Motor Drivers, 141), 휠 모터(142), 회전 모터(143), 메인 브러시 모터(144), 사이드 브러시 모터(145) 및 석션 모터 (Suction Motor, 146)를 포함할 수 있다.
모터 드라이버(141)는 인공지능형 로봇 디바이스(100)의 주행 및 청소를 위한 휠 모터, 브러시 모터 및 석션 모터를 구동하는 역할을 수행할 수 있다.
휠 모터(142)는 인공지능형 로봇 디바이스(100)의 주행을 위한 복수의 바퀴를 구동시킬 수 있다. 회전 모터(143)는 인공지능형 로봇 디바이스(100)의 메인 바디 또는 인공지능형 로봇 디바이스(100)의 헤드부(미도시)의 좌우 회전, 상하 회전을 위해 구동되거나 인공지능형 로봇 디바이스(100)의 바퀴의 방향 전환 또는 회전을 위하여 구동될 수 있다.
메인 브러시 모터(144)는 공항 바닥의 오물을 쓸어 올리는 브러시를 구동시킬 수 있다. 사이드 브러시 모터(145)는 인공지능형 로봇 디바이스(100)의 바깥면 주변 영역의 오물을 쓸어 담는 브러시를 구동시킬 수 있다.
석션 모터(146)는 공항 바닥의 오물을 흡입하기 위해 구동될 수 있다.
AP(Application Processor, 112)는 인공지능형 로봇 디바이스(100)의 하드웨어 모듈 전체 시스템을 관리할 수 있다. AP(150)는 각종 센서들을 통해 들어온 위치 정보를 이용하여 주행을 위한 응용 프로그램 구동과 공항 이용자의 입출력 정보를 마이컴(111)으로 전송하여 모터 등의 구동을 수행하게 할 수 있다.
유저 인터페이스부(160)는 유저 인터페이스 프로세서(UI Processor, 161), 5G 라우터(5G Router, 162), WIFI SSID(163), 마이크 보드(164), 바코드 리더기(165), 터치 모니터(166) 및 스피커(167)를 포함할 수 있다. 유저 인터페이스부(160)는 디스플레이부를 포함할 수 있다.
유저 인터페이스 프로세서(161)는 공항 이용자의 입출력을 담당하는 유저 인터페이스부(160)의 동작을 제어할 수 있다.
5G 라우터(162)는 외부로부터 필요한 정보를 수신하고 공항 이용자에게 정보를 송신하기 위한 5G 통신을 수행할 수 있다.
WIFI SSID(163)는 WiFi의 신호 강도를 분석하여 특정 물체 또는 인공지능형 로봇 디바이스(100)의 위치 인식을 수행할 수 있다.
마이크 보드(164)는 복수의 마이크 신호를 입력 받아 음성 신호를 디지털 신호인 음성 데이터로 처리하고, 음성 신호의 방향 및 해당 음성 신호를 분석할 수 있다.
바코드 리더기(165)는 공항에서 사용되는 복수의 티켓에 기재된 바코드 정보를 리드할 수 있다.
터치 모니터(166)는 공항 이용자의 입력을 수신하기 위해 구성된 터치 패널 및 출력 정보를 표시하기 위한 모니터를 포함할 수 있다.
스피커(167)는 공항 이용자에게 특정 정보를 음성으로 알려 주는 역할을 수행할 수 있다.
사물 인식부(170)는 카메라(171), RGBD 카메라(172) 및 인식 데이터 처리 모듈(173)를 포함할 수 있다. 사물인식부(170)는 입력부(170)라 칭할 수 있다.
카메라(171)는 2차원 영상을 기반으로 장애물을 인식하기 위한 센서일 수 있다. 장애물은 사람 또는 물체 등을 포함할 수 있다.
RGBD 카메라(Red, Green, Blue, Distance, 172)로서, RGBD 센서들을 갖는 카메라 또는 다른 유사한 3D 이미징 디바이스들로부터 획득되는 깊이(Depth) 데이터를 갖는 캡처된 이미지들을 이용하여 장애물을 검출하기 위한 센서일 수 있다.
인식 데이터 처리 모듈(173)은 2D 카메라(171) 및 RGBD 카메라(172)로부터 획득된 2D 이미지/영상 또는 3D 이미지/영상 등의 신호를 처리하여 장애물을 인식할 수 있다.
위치 인식부(180)는 스테레오 보드(Stereo B/D, 181), 라이더(Lidar, 182) 및 SLAM 카메라(183)를 포함할 수 있다. 위치 인식부(180)는 위치 센싱부(180)라 칭할 수 있다.
SLAM 카메라(Simultaneous Localization And Mapping 카메라, 183)는 동시간 위치 추적 및 지도 작성 기술을 구현할 수 있다.
인공지능형 로봇 디바이스(100)는 SLAM 카메라(183)를 이용하여 주변 환경 정보를 검출하고 얻어진 정보를 가공하여 임무 수행 공간에 대응되는 지도를 작성함과 동시에 자신의 절대 위치를 추정할 수 있다.
라이더(Light Detection and Ranging: Lidar, 182)는 레이저 레이더로서, 레이저 빔을 조사하고 에어로졸에 의해 흡수 혹은 산란된 빛 중 후방 산란된 빛을 수집, 분석하여 위치 인식을 수행하는 센서일 수 있다.
스테레오 보드(181)는 라이더(182) 및 SLAM 카메라(183) 등으로부터 수집되는 센싱 데이터를 처리 및 가공하여 인공지능형 로봇 디바이스(100)의 위치 인식과 장애물 인식을 위한 데이터 관리를 담당할 수 있다.
랜(LAN, 190)은 공항 이용자의 입출력 관련 유저 인터페이스 프로세서(161), 인식 데이터 처리 모듈(173), 스테레오 보드(181) 및 AP(150)와 통신을 수행할 수 있다.
도 10은 본 명세서의 다른 일 실시 예에 따른 인공지능형 로봇 디바이스의 마이컴 및 AP의 구성을 자세하게 도시한 도면이다.
도 9에 도시된 바와 같이, 인공지능형 로봇 디바이스(100)의 인식 및 행동을 제어하기 위해서 프로세서(110, 도 8 참조)는 다양한 실시 예로 구현될 수 있다. 프로세서(110, 도 8 참조)는 마이컴(210)과 AP(220)를 포함할 수 있다. 도 9에서는 마이컴(210)과 AP(220)가 분리된 것을 설명하였으나, 이에 한정되는 것은 아니며, 하나로 형성될 수 있다.
일 예로서, 마이컴(210)은 데이터 액세스 서비스 모듈(Data Access Service Module, 215)을 포함할 수 있다.
데이터 액세스 서비스 모듈(215)은 데이터 획득 모듈(Data acquisition module, 211), 이머전시 모듈(Emergency module, 212), 모터 드라이버 모듈(Motor driver module, 213) 및 배터리 매니저 모듈(Battery manager module, 214)을 포함할 수 있다.
데이터 획득 모듈(211)은 인공지능형 로봇 디바이스(100)에 포함된 복수의 센서로부터 센싱된 데이터를 취득하여 데이터 액세스 서비스 모듈(215)로 전달할 수 있다.
이머전시 모듈(212)은 인공지능형 로봇 디바이스(100)의 이상 상태를 감지할 수 있는 모듈로서, 인공지능형 로봇 디바이스(100)가 기정해진 타입의 행동을 수행하는 경우에 이머전시 모듈(212)은 인공지능형 로봇 디바이스(100)가 이상 상태에 진입했음을 감지할 수 있다.
모터 드라이버 모듈(213)은 인공지능형 로봇 디바이스(100)의 주행 및 청소를 위한 휠, 브러시, 석션 모터의 구동 제어를 관리할 수 있다.
배터리 매니저 모듈(214)은 도 9의 리튬-이온 배터리(122)의 충전과 방전을 담당하고, 인공지능형 로봇 디바이스(100)의 배터리 상태를 데이터 액세스 서비스 모듈(215)에 전달할 수 있다.
AP(220)는 각종 카메라 및 센서들과 공항 이용자의 입력 등을 수신하고, 인식 가공하여 인공지능형 로봇 디바이스(100)의 동작을 제어할 수 있다.
인터랙션 모듈(221)은 인식 데이터 처리 모듈(173)로부터 수신하는 인식데이터와 유저 인터페이스 모듈(222)로부터 수신하는 공항 이용자의 입력을 종합하여, 공항 이용자와 인공지능형 로봇 디바이스(100)가 상호 교류할 수 있는 소프트웨어(Software)를 총괄하는 모듈일 수 있다.
유저 인터페이스 모듈(222)은 인공지능형 로봇 디바이스(100)의 현재 상황 및 조작/정보 제공 등을 위한 모니터인 디스플레이(223)와 키(key), 터치 스크린, 리더기 등과 같은 공항 이용자의 근거리 명령을 수신하거나, 인공지능형 로봇 디바이스(100)를 원격 조정을 위한 IR 리모콘의 신호와 같은 원거리 신호를 수신하거나, 마이크 또는 바코드 리더기 등으로부터 공항 이용자의 입력 신호를 수신하는 사용자 입력부(224)로부터 수신되는 공항 이용자의 입력을 관리할 수 있다.
적어도 하나 이상의 공항 이용자의 입력이 수신되면, 유저 인터페이스 모듈(222)은 상태 관리 모듈(State Machine module, 225)로 공항 이용자의 입력 정보를 전달할 수 있다. 공항 이용자의 입력 정보를 수신한 상태 관리 모듈(225)은 인공지능형 로봇 디바이스(100)의 전체 상태를 관리하고, 공항 이용자의 입력 대응하는 적절한 명령을 내릴 수 있다.
플래닝 모듈(226)은 상태 관리 모듈(225)로부터 전달받은 명령에 따라서 인공지능형 로봇 디바이스(100)의 특정 동작을 위한 시작과 종료 시점/행동을 판단하고, 인공지능형 로봇 디바이스(100)가 어느 경로로 이동해야 하는지를 계산할 수 있다.
네비게이션 모듈(227)은 인공지능형 로봇 디바이스(100)의 주행 전반을 담당하는 것으로서, 플래닝 모듈(226)에서 계산된 주행 루트에 따라서 인공지능형 로봇 디바이스(100)가 주행하게 할 수 있다. 모션 모듈(228)은 주행 이외에 기본적인 인공지능형 로봇 디바이스(100)의 동작을 수행하도록 할 수 있다.
또한, 본 명세서의 다른 일 실시 예에 의한 인공지능형 로봇 디바이스(100)는 위치 인식부(230)를 포함할 수 있다. 위치 인식부(230)는 상대 위치 인식부(231)와 절대 위치 인식부(234)를 포함할 수 있다.
상대 위치 인식부(231)는 RGM mono(232) 센서를 통해 인공지능형 로봇 디바이스(100)의 이동량 또는 이동 거리를 보정하고, 일정한 시간 동안 인공지능형 로봇 디바이스(100)의 이동량 또는 이동 거리를 계산할 수 있고, LiDAR(233)를 통해 현재 인공지능형 로봇 디바이스(100)의 주변 환경을 인식할 수 있다.
절대 위치 인식부(234)는 Wifi SSID(235) 및 UWB(236)을 포함할 수 있다. Wifi SSID(235)는 인공지능형 로봇 디바이스(100)의 절대 위치 인식을 위한 UWB 센서 모듈로서, Wifi SSID 감지를 통해 현재 위치를 추정하기 위한 WIFI 모듈이다. Wifi SSID(235)는 Wifi의 신호 강도를 분석하여 인공지능형 로봇 디바이스(100)의 위치를 인식할 수 있다. UWB(236)는 발신부와 수신부 사이의 거리를 계산하여 인공지능형 로봇 디바이스(100)의 절대적 위치를 센싱할 수 있다.
또한, 본 명세서의 다른 일 실시 예에 의한 인공지능형 로봇 디바이스(100)는 맵 관리 모듈(240)을 포함할 수 있다.
맵 관리 모듈(240)은 그리드 모듈(Grid module, 241), 패스 플래닝 모듈(Path Planning module, 242) 및 맵 분할 모듈(243)을 포함할 수 있다.
그리드 모듈(241)은 인공지능형 로봇 디바이스(100)가 SLAM 카메라를 통해 생성한 격자 형태의 지도 혹은 사전에 미리 인공지능형 로봇 디바이스(100)에 입력된 위치 인식을 위한 주변 환경의 지도 데이터를 관리할 수 있다.
패스 플래닝 모듈(242)은 복수의 인공지능형 로봇 디바이스(100) 사이의 협업을 위한 맵 구분에서, 인공지능형 로봇 디바이스(100)의 주행 경로 계산을 담당할 수 있다.
또한, 패스 플래닝 모듈(242)은 인공지능형 로봇 디바이스(100) 한 대가 동작하는 환경에서 인공지능형 로봇 디바이스(100)가 이동해야 할 주행 경로도 계산할 수 있다.
맵 분할 모듈(243)은 복수의 인공지능형 로봇 디바이스(100)이 각자 담당해야 할 구역을 실시간으로 계산할 수 있다.
위치 인식부(230) 및 맵 관리 모듈(240)로부터 센싱되고 계산된 데이터들은 다시 상태 관리 모듈(225)로 전달될 수 있다. 상태 관리 모듈(225)은 위치 인식부(230) 및 맵 관리 모듈(240)로부터 센싱되고 계산된 데이터들에 기초하여, 인공지능형 로봇 디바이스(100)의 동작을 제어하도록 플래닝 모듈(226)에 명령을 내릴 수 있다.
이하에서는, 상술한 인공지능형 로봇 디바이스(100)가 공항 내에 배치되어 이용자의 음성에서 노이즈를 제거하여 기동어를 정확하게 인식하거나 획득할 수 있는 것에 대한 다양한 실시 예들에 대해 설명하기로 한다.
도 11은 본 명세서의 일 실시 예에 따라 공항 내에 배치되는 복수의 인공지능형 로봇 디바이스 및 복수의 카메라를 설명하기 위한 도이다.
도 11을 참조하면, 복수의 인공지능형 로봇 디바이스(100)는 공항 내에 배치될 수 있다. 복수의 인공지능형 로봇 디바이스(100) 각각은 안내, 순찰, 청소, 또는 방역 등과 같은 각종 서비스를 제공할 수 있고, 복수의 인공지능형 로봇 디바이스(100) 각각은 길 안내 서비스 또는 고객과 공항 이용자에게 다양한 정보를 제공할 수 있다. 본 명세서의 실시 예에 따르면, 복수의 인공지능형 로봇 디바이스(100)는 공항 내의 구역들에 분산 배치됨으로써, 보다 효율적으로 공항 서비스를 제공할 수 있다.
복수의 인공지능형 로봇 디바이스(100) 각각은, 공항의 구역 내를 이동하면서 길 안내 서비스를 제공할 수 있다. 예를 들어, 제Z 구역에 배치된 인공지능형 로봇 디바이스는 제Z 구역 내에서 이동하며 길 안내 서비스를 제공할 수 있다.
또한, 공항 내에는 복수의 카메라(400)가 배치될 수 있다. 복수의 카메라(400) 각각은 공항 내에 있는 복수의 인공지능형 로봇 디바이스(100), 고객 또는 공항 이용자를 촬영하고, 이들에 대한 현재 위치 그리고 이들의 이동 경로 등과 같은 각종 이동 또는 위치 서비스를 제공할 수 있다.
본 명세서의 실시 예에 따르면, 복수의 카메라(400)는 공항 내의 구역들에 분산 배치됨으로써, 보다 정확하고 효율적인 공항 서비스를 제공할 수 있다.
도 12는 본 명세서의 실시 예에 따른 인공지능형 로봇 디바이스의 음성 인식 방법의 흐름도이다.
본 명세서의 일실시 예에 따른 인공지능형 로봇 디바이스의 음성 인식 방법은 도 1 내지 13을 참조하여 설명한 기능을 포함하는 인공지능형 로봇 디바이스, 또는 인공지능형 로봇 디바이스를 제어하는 서버에서 구현될 수 있다.
프로세서(110, 도 8 참조)는 이용자가 발화하는 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어를 인식할 수 있다(S110). 이용자는 공항 이용자라 칭할 수 있다. 프로세서는 발화되는 제1 음성을 수집하고, 수집된 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어를 인식 여부를 판단할 수 있다. 프로세서는 제1 음성에서 인공지능형 로봇 디바이스의 기동어가 인식될 경우, 인식된 기동어에 대응하여 인공지능형 로봇 디바이스의 동작을 수행하도록 제어할 수 있다.
프로세서는 인공지능형 로봇 디바이스의 기동어가 인식되지 않으면, 적어도 하나의 센서를 이용하여 이용자의 위치를 센싱할 수 있다(S130). 프로세서는 인공지능형 로봇 디바이스의 기동어가 인식되지 않으면, 센서를 이용하여 이용자의 위치를 센싱하고, 센싱되는 이용자의 위치가 설정된 음성 수집 범위 내에 포함되는지 여부를 판단할 수 있다. 프로세서는 구비되는 적어도 하나의 센서를 이용하여 이용자의 위치를 센싱할 수 있다. 적어도 하나의 센서는 위치 센서 또는 방향 센서일 수 있다. 예를 들어, 센서는 USS(Ultrasonic sensor, 132, 도 9 참조), 위치 인식부(180, 도 9 참조) 등을 포함할 수 있다. 상술한 센서에 대한 자세한 설명은 앞에서 충분히 설명하였으므로 생략하기로 한다.
프로세서는 센싱된 이용자의 위치가 음성 수집 범위 내에 포함되지 않을 경우, 발화되는 제1 음성을 다시 수집하고, 수집된 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어를 인식 여부를 판단할 수 있다.
프로세서는 센싱된 이용자의 위치가 음성 수집 범위 내에 포함될 경우, 제1 음성의 노이즈 상태를 판단할 수 있다(S150). 프로세서는 이용자가 음성 수집 범위 내에 포함될 경우, 제1 음성을 학습하고, 학습된 제1 음성에 기초하여 제1 음성의 노이즈 상태를 판단할 수 있다. 프로세서는 음성 수집 범위 내에 이용자가 위치할 경우, 제1 음성을 학습하고, 학습된 제1 음성에 기반하여 학습된 노이즈 인식 모델을 생성하고, 생성된 노이즈 인식 모델에 제1 음성을 적용함으로써, 제1 음성의 노이즈 상태를 판단할 수 있다.
프로세서는 판단된 제1 음성의 노이즈 상태에 대한 결과에 따라 제2 음성을 수집할 수 있다(S170). 프로세서는 제1 음성이 기설정된 노이즈 인식 모델의 범위 내에 포함되는 경우, 제1 음성을 다시 수집하여 분석하고, 분석된 제1 음성에서 인공지능형 로봇 디바이스의 기동어를 인식 또는 판단할 수 있다.
프로세서는 제1 음성이 기설정된 노이즈 인식 모델의 범위를 벗어날 경우, 노이즈에 의해 제1 음성에서 인공지능형 로봇 디바이스의 기동어를 인식할 수 없다고 판단할 수 있다. 프로세서는 이용자가 위치하는 방향과 반대 방향에서 제2 음성을 수집할 수 있다. 프로세서는 이용자가 위치하는 방향과 반대 방향과 음성 수집 범위를 기초하여 제2 음성을 수집할 수 있다.
프로세서는 수집되는 제2 음성을 기초하여 제1 음성에서 노이즈를 제거할 수 있다(S190). 프로세서는 제2 음성을 기초하여 노이즈의 특징값을 추출하고, 추출된 노이즈의 특징값을 제1 음성과 비교하여 기동어를 획득할 수 있다.
도 13은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하는 예를 설명하기 위한 도이다.
도 13을 참조하면, 프로세서는 공항 이용자가 발화한 음성에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하기 위하여 적어도 하나의 마이크를 통해 획득되는 제1 음성으로부터 특징값들을 추출할 수 있다(S111). 예를 들어, 프로세서는 인공지능형 로봇 디바이스에 구비되는 마이크를 이용하여 공항 내에서 위치하거나 움직이면서 발화하는 공항 이용자의 제1 음성을 수신 또는 수집할 수 있다.
프로세서는 공항 이용자의 제1 음성으로부터 특징값을 추출할 수 있다. 상기 특징값은 공항 이용자의 음성에서 추출할 수 있는 적어도 하나의 특징들 중에서 인공지능형 로봇 디바이스의 기동어 인식 여부를 구체적으로 나타내는 것으로 판정된 것이다.
프로세서는 특징값들을 인공지능형 로봇 디바이스의 기동어를 인식 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S113).
프로세서는 추출된 특징값이 결합되어 기동어 검출 입력을 생성할 수 있다. 상기 기동어 검출 입력은, 추출된 특징값에 기초하여 인공지능형 로봇 디바이스의 기동어의 인식 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서는 인공 신경망의 출력값을 분석하고(S115), 인공 신경망 출력값에 기초하여 공항 이용자가 발화한 제1 음성에서 인공지능형 로봇 디바이스의 기동어 인식 여부를 판단할 수 있다(S117).
한편, 도 13에서는 AI 프로세싱을 통해 공항 이용자의 제1 음성에서 인공지능형 로봇 디바이스의 기동어 인식을 식별하는 동작이 인공지능형 로봇 디바이스의 프로세싱에서 구현되는 예를 설명하였으나, 본 명세서는 이에 한정되지 않는다. 예를 들어, AI 프로세싱은 인공지능형 로봇 디바이스로부터 수신된 제1 음성에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 14는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 기동어의 인식을 판단하는 다른 예를 설명하기 위한 도이다.
프로세서는 공항 이용자가 발화되는 제1 음성을 5G 네트워크에 포함된 AI 프로세서로 전송하도록 송수신기를 제어할 수 있다. 또한, 프로세서는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 송신수기를 제어할 수 있다.
AI 프로세싱된 정보는, 공항 이용자의 제1 음성에서 인공지능형 로봇 디바이스의 기동어 인식 여부를 판단한 정보일 수 있다.
한편, 인공지능형 로봇 디바이스는 5G 네트워크로 공항 이용자가 발화한 제1 음성을 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 인공지능형 로봇 디바이스는 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 인공지능형 로봇 디바이스는 송수신기를 통해 인공지능형 로봇 디바이스의 내부에 구비된 적어도 하나의 마이크에서 수집되는 공항 이용자가 발화한 제1 음성의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서는 DCI에 기초하여 공항 이용자가 발화한 제1 음성을 네트워크로 전송할 수 있다.
공항 이용자가 발화한 제1 음성은 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 14를 참조하면, 인공지능형 로봇 디바이스는 제1 음성으로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S300). 제1 음성은 공항 이용자가 발화한 음성일 수 있다.
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 획득되거나 수신된 제1 음성에 기초하여 AI 프로세싱을 수행할 수 있다(S310).
AI 시스템은 인공지능형 로봇 디바이스로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S311). AI 시스템은 ANN 출력값을 분석하고(S312), ANN 출력값으로부터 인공지능형 로봇 디바이스의 기동어 인식 여부를 판단할 수 있다(S313). 5G 네트워크는 AI 시스템에서 판단한 인공지능형 로봇 디바이스의 기동어 인식 여부에 대한 정보를 송수신기를 통해 인공지능형 로봇 디바이스로 전송할 수 있다(S320).
여기서 인공지능형 로봇 디바이스의 기동어 인식 여부에 대한 정보는 인공지능형 로봇 디바이스의 기동어가 인식된 상태인지 인식되지 않은 상태인지 등을 포함할 수 있다.
AI 시스템은 인공지능형 로봇 디바이스의 기동어를 인식된 상태로 판단한 경우(S314), 인식된 기동어에 대응하여 인공지능형 로봇 디바이스의 동작을 수행하도록 제어할 수 있다.
AI 시스템은 인공지능형 로봇 디바이스의 기동어를 인식되지 아니한 상태로 판단한 경우(S314), 센서를 이용하여 공항 이용자의 위치를 센싱하도록 요청할 수 있다(S315). 또한, AI 시스템은 공항 이용자의 위치를 센싱하도록 요청한 정보(또는 신호)를 인공지능형 로봇 디바이스로 전송할 수 있다(S330).
한편, 인공지능형 로봇 디바이스는 공항 이용자의 제1 음성을 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 제1 음성으로부터 인공지능형 로봇 디바이스의 기동어 인식 여부를 판단하기 위한 인공 신경망의 입력으로 이용될 기동어 검출 입력에 대응하는 특징값을 추출할 수도 있다.
도 15는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 이용하여 이용자의 위치를 판단하는 예를 설명하기 위한 도이다.
도 15를 참조하면, 프로세서는 공항 이용자의 위치를 판단하기 위하여 적어도 하나의 센서를 통해 획득되는 위치 정보로부터 특징값들을 추출할 수 있다(S131). 예를 들어, 프로세서는 인공지능형 로봇 디바이스에 구비되는 센서를 이용하여 공항 내에서 위치하는 공항 이용자의 위치를 센싱할 수 있다.
프로세서는 공항 이용자의 위치로부터 특징값을 추출할 수 있다. 상기 특징값은 공항 이용자의 위치에서 추출할 수 있는 적어도 하나의 특징들 중에서 음성 수집 범위 내에 위치하는지 여부를 구체적으로 나타내는 것으로 판정된 것이다.
프로세서는 특징값들을 음성 수집 범위 내에 위치하는지 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S133).
프로세서는 추출된 특징값이 결합되어 위치 검출 입력을 생성할 수 있다. 상기 위치 검출 입력은, 추출된 특징값에 기초하여 공항 이용자의 위치가 음성 수집 범위 내에 위치하는지 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서는 인공 신경망의 출력값을 분석하고(S135), 인공 신경망 출력값에 기초하여 공항 이용자의 위치가 음성 수집 범위 내에 위치하는지 여부를 판단할 수 있다(S137).
한편, 도 15에서는 AI 프로세싱을 통해 공항 이용자의 위치가 음성 수집 범위 내에 위치하는 여부를 식별하는 동작이 인공지능형 로봇 디바이스의 프로세싱에서 구현되는 예를 설명하였으나, 본 명세서는 이에 한정되지 않는다. 예를 들어, AI 프로세싱은 인공지능형 로봇 디바이스로부터 수신된 공항 이용자의 위치에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 16은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 이용하여 이용자의 위치를 판단하는 다른 예를 설명하기 위한 도이다.
프로세서는 공항 이용자의 위치에 대한 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 송수신기를 제어할 수 있다. 또한, 프로세서는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 송신수기를 제어할 수 있다.
AI 프로세싱된 정보는, 공항 이용자의 위치가 음성 수집 범위 내에 위치하는지 여부를 판단한 정보일 수 있다.
한편, 인공지능형 로봇 디바이스는 5G 네트워크로 공항 이용자의 위치 정보를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 인공지능형 로봇 디바이스는 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 인공지능형 로봇 디바이스는 송수신기를 통해 인공지능형 로봇 디바이스의 내부에 구비된 적어도 하나의 위치 센서 또는 방향 센서에서 수집되는 공항 이용자의 위치 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서는 DCI에 기초하여 공항 이용자의 위치 정보를 네트워크로 전송할 수 있다.
공항 이용자의 위치 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 16을 참조하면, 인공지능형 로봇 디바이스는 공항 이용자의 위치 정보로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S400).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 획득되거나 수신된 공항 이용자의 위치 정보에 기초하여 AI 프로세싱을 수행할 수 있다(S410).
AI 시스템은 인공지능형 로봇 디바이스로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S411). AI 시스템은 ANN 출력값을 분석하고(S412), ANN 출력값으로부터 공항 이용자의 위치에 대한 상태를 판단할 수 있다(S413). 5G 네트워크는 AI 시스템에서 판단한 공항 이용자의 위치 정보 상태에 대한 정보를 송수신기를 통해 인공지능형 로봇 디바이스로 전송할 수 있다(S420).
여기서 공항 이용자의 위치 정보 상태에 대한 정보는 공항 이용자의 위치가 음성 수집 범위 내에 포함 여부 등을 포함할 수 있다.
AI 시스템은 공항 이용자의 위치가 음성 수집 범위 내에 벗어난 상태라고 판단한 경우(S414), 마이크를 통해 발화되는 제1 음성을 다시 수집할 수 있다. 이후 AI 시스템은 마이크를 통해 수집된 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어를 인식 여부를 판단할 수 있다.
AI 시스템은 공항 이용자의 위치가 음성 수집 범위 내에 위치한 상태라고 판단한 경우(S414), 제1 음성을 학습하고, 학습된 제1 음성에서 노이즈를 체크할 수 있다(S415). 또한, AI 시스템은 제1 음성에서 잡음과 관련된 정보(또는 신호)를 인공지능형 로봇 디바이스로 전송할 수 있다(S430).
한편, 인공지능형 로봇 디바이스는 공항 이용자의 위치를 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 공항 이용자의 위치로부터 음성 수집 범위 내에 포함되는지 여부를 판단하기 위한 인공 신경망의 입력으로 이용될 위치 검출 입력에 대응하는 특징값을 추출할 수도 있다.
도 17은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 통해 제1 음성의 노이즈 상태를 판단하는 예를 설명하기 위한 도이다.
도 17을 참조하면, 프로세서는 공항 이용자가 음성 수집 범위 내에 포함될 경우, 수집된 제1 음성의 노이즈 상태를 판단하기 위하여 적어도 하나의 마이크를 통해 미리 획득된 제1 음성의 정보로부터 노이즈의 특징값들을 추출할 수 있다(S151).
프로세서는 공항 이용자의 제1 음성으로부터 노이즈의 특징값을 추출할 수 있다. 상기 노이즈의 특징값은 공항 이용자의 음성에서 추출할 수 있는 적어도 하나의 특징들 중에서 제1 음성에서 노이즈 상태 여부를 구체적으로 나타내는 것으로 판정된 것이다.
프로세서는 노이즈의 특징값들을 기초하여 노이즈 상태 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S153).
프로세서는 추출된 노이즈의 특징값이 결합되어 잡음 검출 입력을 생성할 수 있다. 상기 잡음 검출 입력은, 추출된 노이즈의 특징값에 기초하여 제1 음성의 노이즈 상태 여부를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서는 인공 신경망의 출력값을 분석하고(S155), 인공 신경망 출력값에 기초하여 공항 이용자가 발화한 제1 음성에서 노이즈 상태 여부를 판단할 수 있다(S157).
한편, 도 17에서는 AI 프로세싱을 통해 공항 이용자의 제1 음성에서 노이즈 상태를 식별하는 동작이 인공지능형 로봇 디바이스의 프로세싱에서 구현되는 예를 설명하였으나, 본 명세서는 이에 한정되지 않는다. 예를 들어, AI 프로세싱은 인공지능형 로봇 디바이스로부터 수신된 제1 음성에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 18은 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스를 통해 제1 음성의 노이즈 상태를 판단하는 다른 예를 설명하기 위한 도이다.
프로세서는 공항 이용자가 발화되는 제1 음성을 5G 네트워크에 포함된 AI 프로세서로 전송하도록 송수신기를 제어할 수 있다. 또한, 프로세서는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 송신수기를 제어할 수 있다.
AI 프로세싱된 정보는, 공항 이용자의 제1 음성에 대한 노이즈 상태 여부를 판단한 정보일 수 있다.
한편, 인공지능형 로봇 디바이스는 5G 네트워크로 공항 이용자가 발화한 제1 음성을 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 인공지능형 로봇 디바이스는 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 인공지능형 로봇 디바이스는 송수신기를 통해 인공지능형 로봇 디바이스의 내부에 구비된 적어도 하나의 마이크에서 수집되는 공항 이용자가 발화한 제1 음성의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서는 DCI에 기초하여 공항 이용자가 발화한 제1 음성을 네트워크로 전송할 수 있다.
공항 이용자가 발화한 제1 음성은 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 18을 참조하면, 인공지능형 로봇 디바이스는 제1 음성으로부터 추출된 노이즈의 특징값을 5G 네트워크로 전송할 수 있다(S500). 제1 음성은 공항 이용자가 발화한 음성일 수 있다.
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 획득되거나 수신된 제1 음성에 기초하여 AI 프로세싱을 수행할 수 있다(S510).
AI 시스템은 인공지능형 로봇 디바이스로부터 수신된 노이즈의 특징값들을 ANN 분류기에 입력할 수 있다(S511). AI 시스템은 ANN 출력값을 분석하고(S512), ANN 출력값으로부터 제1 음성의 노이즈 상태 여부를 판단할 수 있다(S513). 5G 네트워크는 AI 시스템에서 판단한 제1 음성의 노이즈 상태 여부에 대한 정보를 송수신기를 통해 인공지능형 로봇 디바이스로 전송할 수 있다(S520).
여기서 제1 음성의 노이즈 상태 여부에 대한 정보는 제1 음성에 노이즈가 기설정된 노이즈 기준 범위를 벗어난 노이즈 상태인지, 기설정된 노이즈 기준 범위를 벗어나지 않은 정상 상태인지 등을 포함할 수 있다. 노이즈 기준 범위는 이전에 수집된 제1 음성, 제2 음성 등을 학습하고, 분석하여 생성된 주파수 대역폭일 수 있다.
AI 시스템은 제1 음성을 정상 상태로 판단한 경우(S514), 판단된 제1 음성의 정상 상태에 대응하여 인공지능형 로봇 디바이스의 동작을 수행하도록 제어할 수 있다(S520).
AI 시스템은 제1 음성을 노이즈 상태로 판단한 경우(S514), 다른 마이크를 이용하여 공항 이용자가 위치하는 반대 방향으로부터 제2 음성을 수집할 수 있다(S515). 또한, AI 시스템은 다른 마이크를 이용하여 수집한 제2 음성과 관련된 정보(또는 신호)를 인공지능형 로봇 디바이스로 전송할 수 있다(S530).
한편, 인공지능형 로봇 디바이스는 공항 이용자의 제1 음성을 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 제1 음성의 노이즈 상태 여부를 판단하기 위한 인공 신경망의 입력으로 이용될 잡음 검출 입력에 대응하는 노이즈의 특징값을 추출할 수도 있다.
도 19는 본 명세서의 일실시 예에서 인공지능형 로봇 디바이스의 제2 음성을 기초하여 제1 음성의 노이즈를 제거하는 예를 설명하기 위한 도이다.
도 19를 참조하면, 프로세서는 제1 음성의 노이즈 상태에 대한 결과에 따라 제2 음성을 수집할 수 있다.
프로세서는 제1 음성의 노이즈 상태가 노이즈 상태라 판단되면, 제2 음성을 수집하도록 다른 마이크를 제어할 수 있다. 다른 마이크는 제1 음성을 수집하는 제1 마이크와 반대 방향에 위치될 수 있다. 예를 들어, 마이크가 인공지능형 로봇 디바이스의 전면 또는 전방을 향해 배치될 경우, 다른 마이크는 인공지능형 로봇 디바이스의 후면 또는 후방을 향해 배치될 수 있다.
마이크는 제1 마이크라 칭할 수 있다. 다른 마이크는 제2 마이크라 칭할 수 있다. 제1 마이크는 인공지능형 로봇 디바이스의 전방으로부터 발생되는 제1 음성을 수집할 수 있다. 예를 들어, 제1 마이크는 공항 이용자가 인공지능형 로봇 디바이스의 전방에 위치하고, 음성 수집 범위 내에 위치할 경우 제1 음성을 수집할 수 있다. 제2 마이크는 인공지능형 로봇 디바이스의 후방으로부터 발생되는 제2 음성을 수집할 수 있다. 예를 들어, 제2 마이크는 공항 이용자가 인공지능형 로봇 디바이스의 후방에 위치하고, 음성 수집 범위 내에 위치할 경우 제2 음성을 수집할 수 있다. 음성 수집 범위에 관련된 내용은 후술하기로 한다.
프로세서는 수집된 제2 음성을 기초하여 노이즈의 특징값을 추출할 수 있다(S191). 프로세서는 수집된 제2, 음성에서 추출된 노이즈의 특징값을 기초하여 노이즈 제거 필터를 설정할 수 있다(S193). 예를 들어, 노이즈 제거 필터는 주파수 대역으로 표현될 수 있다.
프로세서는 설정된 노이즈 제거 필터와 제1 음성을 비교할 수 있다. 프로세서는 제1 음성과 노이즈 제거 필터를 비교하되, 제1 음성에서 노이즈 제거 필터와 실질적으로 중첩되는 주파수 대역을 제거할 수 있다(S195). 프로세서는 제1 음성을 노이즈 제거 필터를 이용하여 필터링함으로써, 제1 음성에 포함된 노이즈를 제거할 수 있다(S197).
도 20은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스의 음성 인식 방법을 설명하기 위한 도이다. 도 21은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 음성 수집 범위를 설정하는 것을 설명하기 위한 도이다. 도 22는 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 제1 음성에서 노이즈를 제거하는 것을 설명하기 위한 도이다.
도 20을 살펴보면, 인공지능형 로봇 디바이스는 프로세서의 제어 하에 공항을 순찰하는 동안, 적어도 하나 이상의 센서를 이용하여 공항 이용자가 발화하는 제1 음성을 수집할 수 있다(S710). 제1 음성은 공항 이용자에 의해 발화되는 소리로, 인공지능형 로봇 디바이스를 동작 또는 기동시킬 수 있는 기동어를 포함할 수 있다. 예를 들어, 제1 음성은 기동어와 공항 주변 노이즈를 포함할 수 있다. 프로세서는 적어도 하나 이상의 센서를 이용하여 제1 음성을 수집함으로써, 기동어를 인식하도록 동작할 수 있다.
적어도 하나 이상의 센서는 마이크를 포함할 수 있다. 예를 들어, 마이크는 인공지능형 로봇 디바이스의 전면과 후면 각각에 장착될 수 있다.
인공지능형 로봇 디바이스는 프로세서의 제어 하에 수집된 제1 음성에서 기동어의 인식 여부를 판단할 수 있다(S720). 인공지능형 로봇 디바이스는 프로세서의 제어 하에 공항 이용자가 발화한 제1 음성에서 기동어가 정상적으로 인식된 경우, 기동어에 대응되는 동작을 수행할 수 있다(S760).
예를 들어, 기동어에 "하이 로봇, 비행기표 발권하는 장소를 알려줘."라는 내용이 포함될 경우, 인공지능형 로봇 디바이스는 프로세서의 제어 하에 인식된 기동어를 분석하여, 학습된 AI 프로세싱 결과에 따라 공항 이용자에게 비행기표 발권하는 장소를 디스플레이부 또는 스피커를 이용하여 제공할 수 있다. 또는 인공지능형 로봇 디바이스는 프로세서의 제어 하에 발권하는 장소가 인공지능형 로봇 디바이스의 담당 구역 내일 경우, 공항 이용자를 직접 에스코트하면서 발권하는 장소까지 안내할 수 있다.
이와 달리, 인공지능형 로봇 디바이스는 프로세서의 제어 하에 공항 이용자가 발화한 제1 음성에서 기동어가 비정상적으로 인식되는 경우, 기동어를 발화한 공항 이용자의 위치를 센싱하도록 동작할 수 있다.
인공지능형 로봇 디바이스는 위치 센서 또는 방향 센서 등을 이용하여 공항 이용자의 방향과 위치를 센싱할 수 있다(S730). 예를 들어. 위치 센서 또는 방향 센서는 3D 센서와 Liar 센서일 수 있다. 이에 대한 자세한 설명은 앞에서 충분히 설명하였으므로 생략하기로 한다.
인공지능형 로봇 디바이스는 센싱된 공항 이용자의 위치가 음성 수집 범위 내인지 여부를 판단할 수 있다. 음성 수집 범위는 도 21에 도시된 바와 같이, 인공지능형 로봇 디바이스를 중심으로 설정할 수 있다.
인공지능형 로봇 디바이스는 인공지능형 로봇 디바이스를 중심으로 대략 5 미터(m)의 반지름을 가지는 원형 구역을 형성할 수 있다. 이러한 원형 구역은 음성 수집 범위(V1)와 음성 불수집 범위(V2)를 가질 수 있다. 음성 수집 범위(V1)는 공항 이용자가 발화하는 음성을 수집할 수 있는 영역 또는 범위로 정의될 수 있다. 음성 불수집 범위(V2)는 공항 이용자가 발화하는 음성을 수집할 수 없는 영역 또는 범위로 정의될 수 있다.
음성 수집 범위(V1)는 전방 또는 후방을 바라보는 인공지능형 로봇 디바이스를 기준으로 120도 원의 각도를 가질 수 있다. 인공지능형 로봇 디바이스를 기준으로 수평 방향(또는 전후 방향)을 기준 라인이라 가정할 경우, 음성 수집 범위는 플러스 60 도의 원의 각도와 마이너스 60 도의 원의 각도를 가짐으로, 대략 120도 원의 각도를 가질 수 있다.
음성 불수집 범위(V2)는 원형 구역 내에서 음성 수집 범위(V1)를 제외한 영역 또는 범위일 수 있다.
음성 수집 범위(V1)는 이격 거리에 따라 적어도 하나 이상의 수집 구역을 설정할 수 있다. 예를 들어, 적어도 하나 이상의 수집 구역은 제1 수집 구역 내지 제3 수집 구역을 포함할 수 있다.
제1 수집 구역은 인공지능형 로봇 디바이스의 전방 또는 후방을 향해 대략 1 미터(m) 정도 이격되면서 좌우 방향으로 1 미터(m) 정도의 영역을 가질 수 있다. 제2 수집 구역은 인공지능형 로봇 디바이스의 전방 또는 후방을 향해 이격되고, 제1 수집 구역의 끝 라인부터 대략 1.2 미터(m) 정도 이격되면서 좌우 방향으로 1 미터(m) 정도의 영역을 가질 수 있다. 제3 수집 구역은 인공지능형 로봇 디바이스의 전방 또는 후방을 향해 이격되고, 제2 수집 구역의 끝 라인부터 대략 1.4 미터(m) 정도 이격되면서 좌우 방향으로 1 미터(m) 정도의 영역을 가질 수 있다.
인공지능형 로봇 디바이스는 센싱된 공항 이용자의 위치가 음성 수집 범위에 없거나 음성 수집 범위를 벗어난 음성 불수집 범위(V2)라고 판단된 경우, 프로세서의 제어 하에 공항을 계속해서 순찰하면서 적어도 하나 이상의 센서를 이용하여 공항 이용자가 발화하는 제1 음성을 수집할 수 있다.
인공지능형 로봇 디바이스는 센싱된 공항 이용자의 위치가 음성 수집 범위에 포함된다고 판단된 경우, 제1 음성을 학습하고, 학습된 제1 음성에서 노이즈를 체크할 수 있다. 즉, 인공지능형 로봇 디바이스는 공항 이용자의 위치를 통해 제1 음성에서 노이즈를 제거할 필요가 있는 제거 대상인지를 판단할 수 있다.
인공지능형 로봇 디바이스는 공항 이용자의 위치에 대한 결과 값에 의해 수집된 제1 음성이 노이즈 제거 대상이라 판단되면, 제1 음성을 학습하고, 학습된 제1 음성에서 노이즈의 상태를 체크할 수 있다.
인공지능형 로봇 디바이스는 학습된 제1 음성에서 노이즈의 특징값을 추출할 수 있다. 노이즈의 특징값은 공항 내에서 발생될 수 있는 다양한 소리 또는 소음일 수 있다. 예를 들어, 노이즈의 특징값은 공항의 내부 알림 방송, 공항을 청소하는 청소기 소리, 공항 밖의 이착륙하는 비행기의 엔진 소리, 공항 내를 주행하는 공항 카트 소리, 공항 내를 움직이는 캐리어의 바퀴소리 등일 수 있다.
인공지능형 로봇 디바이스는 추출된 노이즈의 특징값을 분석하여 RMS(Root Mean Square)값에 따른 잡음 정도를 판단할 수 있다(S740). RMS은 제1 음성에 대한 파형 신호의 순시값(instantaneous value) 제곱을 한 주기간 평균한 것의 제곱근일 수 있다. 즉, RMS은 증폭기가 연속적으로 낼 수 있는 출력을 표시하는 것으로, 이 출력 값이 높을수록 기본적인 증폭 능력이 좋을 수 있다.
인공지능형 로봇 디바이스는 전방 마이크를 통해 수집 또는 획득된 제1 음성의 RMS값을 기 설정된 임계값과 비교하여 환경 분석을 학습할 수 있다. 임계값은 이전에 수집된 제1 음성 제2 음성, 제1 음성의 RMS과 제2 음성의 RMS 등을 학습하여 설정될 수 있다.
인공지능형 로봇 디바이스는 학습된 제1 음성이 기설정된 임계값보다 작다고 판단되면, 프로세서의 제어 하에 공항을 계속해서 순찰하면서 적어도 하나 이상의 센서를 이용하여 공항 이용자가 발화하는 제1 음성을 수집할 수 있다. 즉, 인공지능형 로봇 디바이스는 학습된 제1 음성이 기설정된 임계 값보다 낮을 경우, 제1 음성에 노이즈가 있더라도 공항 이용자가 발화하는 기동어를 충분히 인식할 수 있다고 판단할 수 있다.
인공지능형 로봇 디바이스는 학습된 제1 음성이 기설정된 임계값보다 크다고 판단되면, 다른 마이크를 이용하여 제2 음성을 수집할 수 있다. 다른 마이크는 인공지능형 로봇 디바이스의 후방을 향해 장착되어 인공지능형 로봇 디바이스의 후방으로부터 제2 음성을 수집할 수 있다. 제2 음성은 공항 이용자가 발화하는 기동어가 포함되지 않은 소리일 수 있다.
인공지능형 로봇 디바이스는 수집된 제2 음성으로부터 노이즈의 특징값을 추출하고, 추출된 노이즈의 특징값을 기초하여 노이즈 기준 범위를 설정할 수 있다. 인공지능형 로봇 디바이스는 제2 음성을 기초로 설정된 노이즈 기준 범위에 제1 음성을 적용시킴으로써, 제1 음성의 노이즈를 제거할 수 있다.
인공지능형 로봇 디바이스는 Adaptive Noise Cancellation 알고리즘을 이용하여 노이즈를 제거할 수 있다(S750). 인공지능형 로봇 디바이스는 Adaptive Noise Cancellation 알고리즘을 이용하여 마이크 또는 마이크로폰을 통해 입력된 제1 음성에서 다른 마이크 또는 다른 마이크로폰을 통해 수집된 제2 음성을 빼 줌으로써, 노이즈가 제거된 깨끗한 음질의 기동어를 확보할 수 있다.
도 22에 도시된 바와 같이, 제1 음성은 주변 배경 노이즈와 공항 이용자 음성인 기동어(primary input, d(n))일 수 있고, 제2 음성은 공항 이용자 음성인 기동어를 제외한 주변 배경 노이즈인 순수 잡음원(Reference input, u(n))이라 정의될 수 있다.
인공지능형 로봇 디바이스는 효과적인 ANC 알고리즘을 적용하기 위해서 레퍼런스(reference) 입력 신호인 제2 음성에 공항 이용자가 발화하는 기동어 음성이 유입되지 않는 것이 바람직하다. 이에 인공지능형 로봇 디바이스는 공항 이용자가 발화하는 기동어 음성이 유입되는 것을 방지하기 위해 위치 센서 또는 방향 센서 등을 통해 공항 이용자가 감지되면 방향을 탐지하여 해당 방향 검출을 통해 아답테이션 (adaptation) 수행 여부를 결정할 수 있다. 해당 방향 검출 방법은 Steered response poser phase transform (SRP-PHAT)을 이용하여 센서 등을 통해 획득한 방향 정보로 들어오는 소리의 파워를 구할 수 있다.
인공지능형 로봇 디바이스는 기동어가 발화한 것으로 추정되는 공항 이용자의 위치를 파악하여 공항 이용자의 위치에 대해서만 SRP-PHAT(Steered Response Power - phase transform) 알고리즘을 이용하여 기동어의 위치를 추정할 수 있다. 즉, 인공지능형 로봇 디바이스는 검색해야 하는 대상 공간을 줄여 공항 이용자의 위치를 결정하고, 공항 이용자의 위치에 대해서만 SRP-PHAT 알고리즘을 적용함으로써 계산량을 줄일 수 있다.
또한, 인공지능형 로봇 디바이스는 노이즈 기준 범위의 기초인 제2 음성에 공항 이용자가 발화하는 기동어 등이 유입될 경우, 노이즈 기준 범위에 업데이트되지 않도록 미리 제거시킬 수 있다.
인공지능형 로봇 디바이스는 제2 음성을 기초하여 노이즈 기준 범위인 어답티브 필터를 설정하고, 제1 음성에서 설정된 어답티브 필터의 출력신호(y(n))를 제거시키고, 이에 대한 에러 신호를 다시 어답티브 필터에 적용함으로써, 출력신호(y(n))의 square error를 최소화할 수 있다. 이와 같은 동작에 의해 인공지능형 로봇 디바이스는 제1 음성에서 노이즈가 제거된 깨끗한 음질의 기동어를 확보할 수 있다.
이후 인공지능형 로봇 디바이스는 프로세서의 제어 하에 공항 이용자가 발화한 제1 음성에서 기동어를 정상적으로 인식하고, 인식된 기동어에 대응되는 동작을 수행할 수 있다(S760).
도 23은 본 명세서의 실시 예에 따라 인공지능형 로봇 디바이스를 이용하여 노이즈 정도를 결정하는 방법을 설명하기 위한 도이다.
도 23을 살펴보면, 인공지능형 로봇 디바이스는 전면 마이크를 이용하여 제1 음성을 유입 또는 수집할 수 있고, 후면 마이크를 이용하여 제2 음성을 유입 또는 수집할 수 있다(S810). 인공지능형 로봇 디바이스는 공항 주변 환경에 따라 제1 음성과 제2 음성을 동시에 수집하거나 순차적으로 수집할 수 있다.
인공지능형 로봇 디바이스는 프로세서의 제어 하에 전면 마이크를 통해 수집된 제1 음성의 RMS값을 계산할 수 있고, 후면 마이크를 통해 수집된 제2 음성의 RMS값을 계산할 수 있다(S820). 인공지능형 로봇 디바이스는 프로세서의 제어 하에 전,후면 마이크의 채널 별로 제1 음성의 RMS값과 제2 음성의 RMS값을 계산하고 분석할 수 있다(S830).
인공지능형 로봇 디바이스는 계산된 각각의 제1 음성의 RMS값과 제2 음성의 RMS값을 기설정된 임계값과 대비하여 노이즈 정도를 비교 분석할 수 있다.
인공지능형 로봇 디바이스는 계산된 각각의 제1 음성의 RMS값과 제2 음성의 RMS값이 기설정된 임계값과 비교하여 높을 경우 노이즈 정도를 높음으로 결정할 수 있고(S840), 낮을 경우 노이즈 정도를 낮음으로 결정할 수 있다.
인공지능형 로봇 디바이스는 결정된 노이즈 정도를 이용하여 기설정된 임계값에 적용하여 업그레이드할 수 있다. 이에 인공지능형 로봇 디바이스는 공항 주변 환경의 노이즈에 대응하여 임계값을 달리 설정할 수 있기 때문에 공항 주변 환경의 노이즈에 상관없이 공항 이용자의 기동어를 보다 효과적으로 인식할 수 있다.
전술한 본 명세서는, 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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
Claims (15)
- 인공지능형 로봇 디바이스의 음성 인식 방법에 있어서,
이용자가 발화하는 제1 음성을 수집하고, 수집되는 상기 제1 음성을 기초하여 인공지능형 로봇 디바이스의 기동어의 인식 여부를 판단하는 단계;
상기 기동어가 인식되지 않으면, 적어도 하나의 센서를 이용하여 상기 이용자의 위치를 센싱하고, 센싱되는 상기 이용자의 위치가 설정된 음성 수집 범위 내에 포함되는지 여부를 판단하는 단계;
상기 이용자가 상기 음성 수집 범위 내에 포함되는 경우, 상기 제1 음성을 학습하고, 학습된 상기 제1 음성에 기초하여 상기 제1 음성의 노이즈 상태를 판단하는 단계;
판단된 상기 제1 음성의 노이즈 상태에 대한 결과에 따라 상기 이용자의 위치와 반대 방향에서 제2 음성을 수집하는 단계; 및
상기 제2 음성을 기초하여 노이즈의 특징값을 추출하고, 추출된 상기 노이즈의 특징값을 상기 제1 음성에서 제거하여 상기 기동어를 획득하는 단계;
를 포함하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제1 항에 있어서,
상기 제1 음성은,
상기 인공지능형 로봇 디바이스의 전방에 장착되는 전면 마이크를 이용하여 수집하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제1 항에 있어서,
상기 인공지능형 로봇 디바이스의 기동어의 인식 여부를 판단하는 단계는,
상기 제1 음성으로부터 특징값들을 추출하는 단계;
상기 특징값들을 상기 인공지능형 로봇 디바이스의 기동어를 인식 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및
상기 인공 신경망의 출력으로부터 상기 인공지능형 로봇 디바이스의 기동어를 인식 상태를 판단하는 단계;를 포함하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제3 항에 있어서,
상기 특징값들은,
상기 인공지능형 로봇 디바이스의 기동어를 인식 여부 상태를 구분할 수 있는 값들인 인공지능형 로봇 디바이스의 음성 인식 방법. - 제3 항에 있어서,
상기 이용자의 위치가 설정된 음성 수집 범위 내에 포함되는지 여부를 판단하는 단계는,
상기 이용자의 위치에 대한 위치 정보로부터 특징값들을 추출하는 단계;
상기 특징값들을 상기 음성 수집 범위 내에 위치하는지 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및
상기 인공 신경망의 출력으로부터 상기 음성 수집 범위 내에 위치하는지 여부 상태를 판단하는 단계;를 포함하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제5 항에 있어서,
상기 특징값들은,
상기 음성 수집 범위 내에 위치하는지 여부 상태를 구분할 수 있는 값들인 인공지능형 로봇 디바이스의 음성 인식 방법. - 제5 항에 있어서,
학습된 상기 제1 음성에 기초하여 상기 제1 음성의 노이즈 상태를 판단하는 단계는,
상기 제1 음성으로부터 노이즈의 특징값들을 추출하는 단계;
상기 노이즈의 특징값들을 상기 제1 음성의 노이즈 여부 상태를 구별하도록 인공 신경망(ANN) 분류기에 입력하는 단계; 및
상기 인공 신경망의 출력으로부터 상기 제1 음성의 노이즈 상태 여부 상태를 판단하는 단계;를 포함하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제7 항에 있어서,
상기 노이즈의 특징값들은,
상기 제1 음성에서 노이즈 상태 여부 상태를 구분할 수 있는 값들인 인공지능형 로봇 디바이스의 음성 인식 방법. - 제1 항에 있어서,
판단된 상기 제1 음성의 노이즈 상태에 대한 결과에 따라 상기 이용자의 위치와 반대 방향에서 제2 음성을 수집하는 단계;는
상기 제1 음성의 노이즈 상태가 노이즈 상태라 판단되면,
상기 인공지능형 로봇 디바이스의 후방에 장착되는 후면 마이크를 이용하여 상기 제2 음성을 수집하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제7 항에 있어서,
서버로부터 전송되는 상기 제1 음성 또는 상기 위치 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고,
상기 제1 음성 또는 상기 위치 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제10 항에 있어서,
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고,
상기 제1 음성 또는 상기 위치 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제11 항에 있어서,
상기 제1 음성 또는 상기 위치 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 송수신기를 제어하고,
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 송수신기를 제어하고,
상기 AI 프로세싱된 정보는,
상기 인공지능형 로봇 디바이스의 기동어를 인식 상태를 판단 정보, 상기 음성 수집 범위 내에 위치하는지 여부 상태를 판단 정보, 상기 제1 음성의 노이즈 상태 여부 상태를 판단 정보 중 하나인 인공지능형 로봇 디바이스의 음성 인식 방법. - 제1 항에 있어서,
상기 제1 음성은,
상기 공항 이용자가 발화하는 기동어와 공항 주변 노이즈를 포함한 음성이고,
상기 제2 음성은,
상기 공항 주변 노이즈를 포함한 음성인 인공지능형 로봇 디바이스의 음성 인식 방법. - 제1 항에 있어서,
상기 노이즈의 특징값은,
공항의 내부 알림 방송, 공항을 청소하는 청소기 소리, 공항 밖의 이착륙하는 비행기의 엔진 소리, 공항 내를 주행하는 공항 카트 소리, 공항 내를 움직이는 캐리어의 바퀴소리로부터 추출하는 인공지능형 로봇 디바이스의 음성 인식 방법. - 제1 항에 있어서,
상기 기동어를 획득하는 단계는,
상기 제2 음성으로부터 상기 노이즈의 특징값을 추출하는 단계;
상기 추출된 노이즈의 특징값을 기초하여 노이즈 기준 범위를 설정하는 단계; 및
설정된 상기 노이즈 기준 범위에 상기 제1 음성을 적용하여 상기 제1 음성의 노이즈를 제거하는 단계;를 포함하는 인공지능형 로봇 디바이스의 음성 인식 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190148936A KR20210061115A (ko) | 2019-11-19 | 2019-11-19 | 인공지능형 로봇 디바이스의 음성 인식 방법 |
| US17/025,459 US11508362B2 (en) | 2019-11-19 | 2020-09-18 | Voice recognition method of artificial intelligence robot device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190148936A KR20210061115A (ko) | 2019-11-19 | 2019-11-19 | 인공지능형 로봇 디바이스의 음성 인식 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210061115A true KR20210061115A (ko) | 2021-05-27 |
Family
ID=75908807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190148936A KR20210061115A (ko) | 2019-11-19 | 2019-11-19 | 인공지능형 로봇 디바이스의 음성 인식 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11508362B2 (ko) |
| KR (1) | KR20210061115A (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220215835A1 (en) * | 2021-01-06 | 2022-07-07 | Comcast Cable Communications, Llc | Evaluating user device activations |
| CN114114274B (zh) * | 2021-11-02 | 2022-06-07 | 北京理工大学 | 一种基于类脑听觉模型的无人机识别方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014125736A1 (ja) * | 2013-02-14 | 2014-08-21 | ソニー株式会社 | 音声認識装置、および音声認識方法、並びにプログラム |
| US20160284349A1 (en) * | 2015-03-26 | 2016-09-29 | Binuraj Ravindran | Method and system of environment sensitive automatic speech recognition |
| JP6532021B2 (ja) * | 2015-09-29 | 2019-06-19 | 本田技研工業株式会社 | 音声処理装置及び音声処理方法 |
| US9900685B2 (en) * | 2016-03-24 | 2018-02-20 | Intel Corporation | Creating an audio envelope based on angular information |
| JP6755843B2 (ja) * | 2017-09-14 | 2020-09-16 | 株式会社東芝 | 音響処理装置、音声認識装置、音響処理方法、音声認識方法、音響処理プログラム及び音声認識プログラム |
| US11062727B2 (en) * | 2018-06-13 | 2021-07-13 | Ceva D.S.P Ltd. | System and method for voice activity detection |
| JP2020046774A (ja) * | 2018-09-14 | 2020-03-26 | 株式会社東芝 | 信号処理装置、距離計測装置、および距離計測方法 |
| KR20210128074A (ko) * | 2020-04-16 | 2021-10-26 | 엘지전자 주식회사 | 립리딩 기반의 화자 검출에 따른 오디오 줌 |
-
2019
- 2019-11-19 KR KR1020190148936A patent/KR20210061115A/ko active Search and Examination
-
2020
- 2020-09-18 US US17/025,459 patent/US11508362B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20210151043A1 (en) | 2021-05-20 |
| US11508362B2 (en) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11446817B2 (en) | Control system to control intelligent robot device | |
| KR102201858B1 (ko) | 인공지능 기반 영상 편집 방법 및 지능형 디바이스 | |
| US11479894B2 (en) | Method and apparatus for compensating vibration of deep-learning based washing machine | |
| KR102260214B1 (ko) | 인공지능 기반 수면 분석 방법 및 수면 분석 기능을 구비한 지능형 디바이스 | |
| US10968555B2 (en) | Method for inspecting unbalance error of washing machine and washing machine | |
| KR102246659B1 (ko) | 지능형 디바이스 및 지능형 디바이스의 영상 보정 방법 | |
| US20200013225A1 (en) | Vehicle external information output method using augmented reality and apparatus therefor | |
| US10819844B2 (en) | Intelligent electronic device and mode setting method | |
| US11250869B2 (en) | Audio zoom based on speaker detection using lip reading | |
| US20200085275A1 (en) | Intelligent dishwasher and method for controlling the same | |
| US20210232144A1 (en) | Method of controlling artificial intelligence robot device | |
| KR102273033B1 (ko) | 인공지능 기반의 세제량 조절 방법 및 그 장치 | |
| US20200120199A1 (en) | Method of providing notification according to surrounding situation of intelligent terminal and device for the same | |
| KR20190106948A (ko) | 지능형 디바이스 및 그 제어 방법 | |
| KR20190099380A (ko) | 사용자의 행동 패턴에 기반한 AI(Artificial Intelligence) 장치와 디바이스를 연계하는 방법 및 이를 위한 장치 | |
| KR20190098108A (ko) | 지능형 로봇 디바이스를 제어하는 관제 시스템 | |
| US20210362337A1 (en) | Intelligent robot device | |
| KR20190107613A (ko) | 촬상된 영상을 이용한 사용자 프로파일링 방법 | |
| US20200043241A1 (en) | Artificial device and method for controlling the same | |
| KR20210077977A (ko) | 지능형 전자 디바이스 및 이를 이용한 얼굴 인식 방법 | |
| KR20190107614A (ko) | 이벤트 발생 시간 이용한 사용자 프로파일링 방법 | |
| KR20220017008A (ko) | 지능형 로봇 청소기 | |
| US11508362B2 (en) | Voice recognition method of artificial intelligence robot device | |
| KR20210048892A (ko) | 차량 내부의 모니터링 | |
| US20210382477A1 (en) | Method of managing intelligent robot device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |