KR20210065612A - 전자 장치 및 그의 동작 방법 - Google Patents

전자 장치 및 그의 동작 방법 Download PDF

Info

Publication number
KR20210065612A
KR20210065612A KR1020190154575A KR20190154575A KR20210065612A KR 20210065612 A KR20210065612 A KR 20210065612A KR 1020190154575 A KR1020190154575 A KR 1020190154575A KR 20190154575 A KR20190154575 A KR 20190154575A KR 20210065612 A KR20210065612 A KR 20210065612A
Authority
KR
South Korea
Prior art keywords
infant
vehicle
information
model
driving
Prior art date
Application number
KR1020190154575A
Other languages
English (en)
Inventor
김현규
정준영
정상경
송기봉
이철희
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190154575A priority Critical patent/KR20210065612A/ko
Priority to US16/730,445 priority patent/US20210155262A1/en
Publication of KR20210065612A publication Critical patent/KR20210065612A/ko

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60KARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
    • B60K35/00Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14Adaptive cruise control
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08Interaction between the driver and the control system
    • B60W50/14Means for informing the driver, warning the driver or prompting a driver intervention
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001Planning or execution of driving tasks
    • B60W60/0013Planning or execution of driving tasks specially adapted for occupant comfort
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001Details of the control system
    • B60W2050/0019Control system elements or transfer functions
    • B60W2050/0028Mathematical models, e.g. for simulation
    • B60W2050/0029Mathematical model of the driver
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08Interaction between the driver and the control system
    • B60W50/14Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146Display means
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00Indexing codes relating to the type of sensors based on the principle of their operation
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403Image sensing, e.g. optical camera
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/54Audio sensitive means, e.g. ultrasound
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00Input parameters relating to overall vehicle dynamics
    • B60W2520/10Longitudinal speed
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00Input parameters relating to occupants
    • B60W2540/01Occupants other than the driver
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00Input parameters relating to occupants
    • B60W2540/043Identity of occupants
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60YINDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00Purposes or special features of road vehicle drive control systems
    • B60Y2300/14Cruise control
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • User Interface Of Digital Computer (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Toys (AREA)

Abstract

차량에 탑승한 유아에 관한 센싱 정보에 기초하여 유아의 상태를 인식하고, 인식된 유아의 상태를 고려하여 유아를 위한 차량의 주행 방식을 결정하는 방법 및 이를 위한 전자 장치를 제공한다. 본 개시에서는, 전자 장치, 차량, 차량 단말, 및 자율 주행 차량 중 하나 이상은 인공지능(Artificial Intelligence) 모듈, 드론(Unmmaned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(Virtual Reality, VR) 장치, 5G서비스와 관련된 장치 등과 연계될 수 있다.

Description

전자 장치 및 그의 동작 방법{ELECTRONIC APPARATUS AND OPERATION METHOD THEREOF}
본 개시는 유아의 상태를 고려하여 차량의 주행 방식을 결정하는 방법 및 이를 위한 전자 장치에 관한 것이다.
차량에 탑승한 유아는 차량의 주행 환경에 민감하게 반응할 수 있으므로, 차량의 주행 시 유아를 효과적으로 돌보기 위한 필요성이 존재한다.
또한, 자율 주행 차량은 차량 주변의 환경 및 차량 상태를 인식하고, 이에 따라 차량의 주행을 제어할 수 있는 자율 주행 장치가 탑재된 차량을 의미한다. 자율 주행 차량의 연구가 진행됨에 따라, 자율 주행 차량을 이용하여 사용자의 편의성을 증대시킬 수 있는 다양한 서비스에 관한 연구도 함께 진행 중에 있다.
개시된 실시 예들은 전자 장치 및 그의 동작 방법을 개시하고자 한다. 본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
본 개시의 일 실시 예에 따른, 전자 장치의 동작 방법은, 차량에 탑승한 유아에 관한 센싱 정보에 기초하여 유아의 상태를 인식하는 단계; 인식된 유아의 상태를 고려하여 유아를 위한 차량의 주행 방식을 결정하는 단계; 및 결정된 주행 방식에 따라 차량을 제어하는 단계를 포함할 수 있다.
다른 일 실시 예에 따라, 전자 장치는, 차량에 탑승한 유아에 관한 센싱 정보를 획득하는 인터페이스; 및 획득된 센싱 정보에 기초하여 유아의 상태를 인식하고, 인식된 유아의 상태를 고려하여 유아를 위한 차량의 주행 방식을 결정하고, 결정된 주행 방식에 따라 차량을 제어하는 제어부를 포함할 수 있다.
또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 비휘발성 기록매체를 포함한다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 개시에 따르면, 전자 장치는, 유아의 상태를 인식하고, 인식된 유아의 상태를 고려하여 차량의 주행 방식을 결정하는 바, 유아를 돌보기 위한 차량의 주행을 구현할 수 있다. 또한, 전자 장치는 인식된 유아의 상태를 고려하여 차량 내 적어도 하나의 장치의 동작 방식을 결정하는 바, 차량의 주행 중에 보다 효과적인 유아 돌봄을 구현할 수 있다.
발명의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당해 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 전자 장치가 동작하는 실시예를 나타낸다.
도 5는 전자 장치가 동작하는 흐름도의 일 실시예를 나타낸다.
도 6은 전자 장치가 유아의 상태를 인식하는 일 실시예를 나타낸다.
도 7은 전자 장치가 유아의 상태를 예측하기 위한 AI 모델을 생성하는 실시예를 나타낸다.
도 8은 전자 장치가 유아를 위한 차량의 주행 방식을 결정하는 실시예를 나타낸다.
도 9는 전자 장치가 유아를 위해 차량 내 장치의 동작 방식을 제어하는 일 실시예를 나타낸다.
도 10은 전자 장치가 유아를 위해 차량 내 장치의 동작 방식을 제어하는 다른 실시예를 나타낸다.
도 11은 전자 장치가 유아를 위한 차량의 주행 방식을 결정하는 다른 실시예를 나타낸다.
도 12는 전자 장치가 유아를 위한 차량의 주행 방식을 결정하는 또 다른 실시예를 나타낸다.
도 13은 전자 장치의 블록도를 나타낸다.
실시 예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "..부", "..모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
또한, 본 명세서에서 인공 지능(AI, Artificial Intelligence)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)을 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함수 값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
또한, 본 명세서에서 차량은 자율 주행 차량이 될 수 있다. 자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다. 또한, 자율 주행 차량은 차량 주변의 환경 및 차량 상태를 인식하고, 이에 따라 차량의 주행을 제어할 수 있는 자율 주행 장치가 탑재된 차량을 의미할 수 있다. 자율 주행 기능을 가진 로봇으로 볼 수 있다.
예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.
여기서 차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
이하에서는 도면을 참조하여 본 개시의 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 AI 장치를 나타낸다.
AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량, XR 장치 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 1을 참조하면, AI 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다. 그러나, 도 1에 도시된 구성 요소 모두가 AI 장치(100)의 필수 구성 요소인 것은 아니다. 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 AI 장치가 구현될 수도 있고, 도 1에 도시된 구성 요소보다 적은 구성 요소에 의해 AI 장치가 구현될 수도 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multiple Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(BluetoothTM), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)와 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다. 메모리(170)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는 일 실시 예에 따른 AI 서버를 나타낸다.
도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 일 실시 예에 따른 AI 시스템을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.
클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)를 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
본 실시 예에 따른 자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
도 4는 전자 장치가 동작하는 실시예를 나타낸다.
일 실시예에 따라, 전자 장치(400)는 차량에 포함될 수 있으며, 예를 들어, 전자 장치(400)는 자율 주행 차량에 포함되는 차량용 단말일 수 있다. 다른 실시예에 따라, 전자 장치(400)는 차량에 포함되지 않을 수 있으며, 예를 들어, 전자 장치(400)는 서버에 포함될 수 있다.
전자 장치(400)는 차량에 탑승한 유아(410)의 상태를 인식할 수 있다. 일 실시예에 따라, 전자 장치(400)는 유아(410)에 관한 센싱 정보에 기초하여 유아(410)의 상태를 인식할 수 있다. 예를 들어, 전자 장치(400)는 유아(410)의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보에 기초하여, 유아(410)의 배고픈 상태, 수면 상태, 또는 식사 중인 상태를 인식할 수 있다. 다른 실시예에 따라, 전자 장치(400)는 유아(410)의 주변 환경에 관한 정보에 기초하여 유아(410)의 상태를 인식할 수 있다. 예를 들어, 전자 장치(400)는 현재 시간 정보에 기초하여 유아(410)의 수면 상태를 인식할 수 있다.
전자 장치(400)는 유아(410)의 상태를 고려하여 유아(410)를 위한 차량의 주행 방식을 결정할 수 있다. 구체적으로, 전자 장치(400)는 유아(410)의 상태를 고려하여 차량의 주행 속도 또는 주행 예정 경로를 결정할 수 있다. 예를 들어, 전자 장치(400)는 유아(410)의 현재 상태가 수면 상태인 경우, 직선 도로 위주의 주행 경로로 주행 예정 경로를 결정할 수 있다. 따라서, 전자 장치(400)는 결정된 주행 방식에 따라 차량을 제어하는 바, 유아(410)를 위한 주행 환경을 구현할 수 있다.
도 5는 전자 장치가 동작하는 흐름도의 일 실시예를 나타낸다.
단계 S510에서, 전자 장치(400)는 차량에 탑승한 유아에 관한 센싱 정보에 기초하여 유아의 상태를 인식할 수 있다. 구체적으로, 전자 장치(400)는 유아에 관한 센싱 정보를 획득할 수 있고, 획득된 센싱 정보에 기초하여 유아의 상태를 인식할 수 있다.
일 실시예에 따라, 차량 내 적어도 하나의 센서는 유아를 센싱할 수 있고, 유아에 관한 센싱 정보를 전자 장치(400)로 전송할 수 있다. 유아에 관한 센싱 정보는, 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 정보를 포함할 수 있다. 차량 내 적어도 하나의 센서는 카메라 또는 마이크를 포함할 수 있다.
다른 실시예에 따라, 전자 장치(400)는 적어도 하나의 센서를 포함하는 바, 적어도 하나의 센서를 통해 유아에 관한 센싱 정보를 획득할 수 있다. 또 다른 실시예에 따라, 전자 장치(400)는 메모리로부터 메모리에 저장된 유아에 관한 센싱 정보를 획득할 수 있다.
전자 장치(400)는 유아의 상태를 예측하기 위한 모델을 이용하여, 유아에 관한 센싱 정보를 기초로 유아의 상태를 인식할 수 있다.
일 실시예에 따라, 유아의 상태를 예측하기 위한 모델은, 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 제1정보 및 제1정보에 대응되는 유아의 상태에 관한 제2정보의 연관성을 나타내는 모델일 수 있다. 유아의 상태를 예측하기 위한 모델은 AI 모델일 수 있다. 예를 들어, 유아의 상태를 예측하기 위한 모델은, 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 제1정보 및 제1정보의 타겟 정보인 유아의 상태에 관한 제2정보에 기초하여 학습된 딥러닝 모델일 수 있다. 따라서, 전자 장치(400)는, 유아의 상태를 예측하기 위한 AI 모델에 유아에 관한 센싱 정보를 입력한 결과 추론되는 정보를 통해 유아의 상태를 인식할 수 있다. 예를 들어, 전자 장치(400)는 유아의 소리에 관한 센싱 정보를 AI 모델에 입력한 결과 추론되는 정보를 통해 유아가 배고픈 상태임을 인식할 수 있다.
다른 실시예에 따라, 유아의 상태를 예측하기 위한 모델은 시간대별 유아의 상태에 관한 정보를 통해 모델링되는 모델일 수 있다. 유아의 상태를 예측하기 위한 모델은 시간대별 유아의 생활 패턴에 관한 정보를 포함할 수 있다. 따라서, 전자 장치(400)는, 유아의 상태를 예측하기 위한 모델을 통해 현재 시간에 기반하여 유아의 상태를 인식할 수 있다. 예를 들어, 전자 장치(400)는 현재 시간이 새벽 1시인 바, 유아의 상태를 예측하기 위한 모델을 통해 유아가 수면 중인 상태임을 인식할 수 있다.
단계 S520에서, 전자 장치(400)는 S510에서 인식된 유아의 상태를 고려하여 유아를 위한 차량의 주행 방식을 결정할 수 있다. 구체적으로, 전자 장치(400)는 기 인식된 유아의 상태에 적합한 차량의 주행 속도 또는 주행 예정 경로를 결정할 수 있다. 예를 들어, 전자 장치(400)는 기 인식된 유아의 상태가 식사 중인 상태인 경우, 커브 구간을 최소화하는 주행 예정 경로를 결정할 수 있다.
전자 장치(400)는 유아의 각 상태 별로 유아를 돌보기에 적합한 주행 방식에 관한 정보를 획득할 수 있고, 획득된 정보에 따라 차량의 주행 방식을 결정할 수 있다. 구체적인 실시예는 이하 도 8에서 살펴보기로 한다.
전자 장치(400)는 S510에서 인식된 유아의 상태를 고려하여 차량 내의 적어도 하나의 장치의 동작 방식을 결정할 수 있다. 일 실시예에 따라, 전자 장치(400)는 유아의 상태를 고려하여 차량에 탑재된 카시트의 동작 방식을 결정할 수 있다. 예를 들어, 전자 장치(400)는 유아가 수면 중인 상태인 경우, 유아의 편안한 수면을 위해, 유아가 탑승하고 있는 카시트의 기울기 각도를 조절하여 카시트를 뒤로 눕힐 수 있다. 다른 실시예에 따라, 전자 장치(400)는 유아의 상태를 고려하여 차량과 무선 또는 유선으로 연결된 장난감의 동작 방식을 결정할 수 있다. 예를 들어, 전자 장치(400)는 유아가 울고 있는 상태인 경우, 유아를 돌보기 위해 유아용 모빌 장난감의 동작을 제어할 수 있다. 또 다른 실시예에 따라, 전자 장치(400)는 유아의 상태를 고려하여 차량 내 디스플레이 장치, 오디오 장치, 또는 조명 장치의 동작 방식을 결정할 수 있다. 예를 들어, 전자 장치(400)는 유아가 수면 중인 상태인 경우, 유아의 편안한 수면을 위해, 조명 장치의 조도를 낮출 수 있다.
전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 획득할 수 있고, 획득된 모델을 고려하여 유아를 위한 차량의 주행 방식을 결정할 수 있다. 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델은, 차량의 주행 환경에 관한 제1정보 및 제1정보의 타겟 정보인 유아의 상태에 관한 제2정보에 기초하여 학습된 AI 모델일 수 있다. 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 이용하여 차량의 주행 속도 및 주행 경로 중 적어도 하나를 결정할 수 있다. 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 이용하여 유아가 선호하는 주행 경로 또는 주행 속도를 결정할 수 있다.
전자 장치(400)는 차량의 주행 환경을 예측하기 위한 모델을 획득할 수 있다. 차량의 주행 환경을 예측하기 위한 모델은, 차량의 주행 상태 또는 차량의 외부 환경에 관한 정보인 입력 정보, 및 차량의 실제 주행 환경에 관한 정보인 타겟 정보에 기초하여 학습된 AI 모델일 수 있다. 전자 장치(400)는 획득된 모델을 이용하여, 차량의 주행 상태에 관한 정보 또는 차량의 외부 환경에 관한 정보에 기초하여 차량의 실제 주행 환경을 인식할 수 있고, 인식된 실제 주행 환경을 기초로 차량의 주행 방식을 결정할 수 있다. 구체적인 실시예는 이하 도 12에서 살펴보기로 한다.
전자 장치(400)는 S510에서 인식된 유아의 상태를 고려하여 유아를 돌보기 위한 가이드를 차량 내에서 제공할 수 있다. 전자 장치(400)는 유아의 상태를 고려하여 유아를 돌보기 위한 가이드를 출력부를 통해 제공할 수 있다. 예를 들어, 전자 장치(400)는 유아가 불안한 상태인 경우, 유아가 선호하는 장난감에 관한 정보를 유아의 보호자에게 제공할 수 있다.
단계 S530에서, 전자 장치(400)는 S520에서 결정된 주행 방식에 따라 차량을 제어할 수 있다. 구체적으로, 전자 장치(400)는 S520에서 결정된 주행 속도 또는 주행 경로에 따라 차량을 제어할 수 있다.
전자 장치(400)는 S520에서 결정된 동작 방식에 따라 차량 내의 적어도 하나의 장치의 동작 방식을 제어할 수 있다. 예를 들어, 전자 장치(400)는 차량 내의 카시트, 조명 장치, 디스플레이 장치, 음향 장치 및 장난감 중 적어도 하나의 동작 방식을 제어할 수 있다.
따라서, 전자 장치(400)는 유아의 상태를 인식하고, 인식된 유아의 상태를 고려하여 차량의 주행 방식을 결정하는 바, 유아를 돌보기 위한 차량의 주행을 구현할 수 있다. 또한, 전자 장치(400)는 인식된 유아의 상태를 고려하여 차량 내 적어도 하나의 장치의 동작 방식을 결정하는 바, 차량의 주행 중에 보다 효과적인 유아 돌봄을 구현할 수 있다.
도 6은 전자 장치가 유아의 상태를 인식하는 일 실시예를 나타낸다.
단계 S610에서, 전자 장치(400)는 유아의 상태를 예측하기 위한 모델을 획득할 수 있다. 유아의 상태를 예측하기 위한 모델은 AI 모델일 수 있다. 구체적으로, 유아의 상태를 예측하기 위한 모델은, 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 제1정보 및 제1정보의 타겟 정보인 유아의 상태에 관한 제2정보에 기초하여 학습된 딥러닝 모델일 수 있다.
일 실시예에 따라, 전자 장치(400)는 유아의 상태를 예측하기 위한 모델을 생성할 수 있다. 먼저, 전자 장치(400)는 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 제1정보를 입력 정보로써 획득할 수 있고, 유아의 상태에 관한 제2정보를 제1정보의 타겟 정보로써 획득할 수 있다. 예를 들어, 전자 장치(400)는 Home IoT(Internet of Thing) 기반의 카메라를 통해 유아의 모습 또는 동작에 관한 정보를 입력 정보로써 획득할 수 있고, Home IoT 기반의 마이크를 통해 유아의 소리에 관한 정보를 입력 정보로써 획득할 수 있고, 입력 정보에 대응되는 유아의 상태에 관한 정보를 타겟 정보로써 획득할 수 있다. 다음으로, 전자 장치(400)는 획득된 입력 정보 및 타겟 정보를 기초로 AI 모델을 학습시킬 수 있다. 따라서, 전자 장치(400)는 학습된 AI 모델을 생성할 수 있다.
다른 실시예에 따라, 전자 장치(400)는 유아의 상태를 예측하기 위한 모델을 외부 장치로부터 전달받을 수 있다. 예를 들어, 외부 장치는 유아의 집에서 유아의 상태를 예측하기 위한 모델을 생성할 수 있고, 생성된 모델에 관한 정보를 전자 장치(400)로 전송할 수 있다. 또 다른 실시예에 따라, 전자 장치(400)는 메모리에 저장된 유아의 상태를 예측하기 위한 모델을 메모리로부터 획득할 수 있다.
단계 S620에서, 전자 장치(400)는 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 획득할 수 있다. 전자 장치(400)는 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 적어도 하나의 센서로부터 획득할 수 있다.
전자 장치(400)는 획득된 센싱 정보의 유효성을 판단할 수 있다. 구체적으로, 전자 장치(400)는 S610에서 획득된 모델을 기준으로 S620에서 획득한 센싱 정보의 유효성을 판단할 수 있다. 전자 장치(400)는 S620에서 획득한 센싱 정보가 S610에서 획득한 모델을 학습시키는 정보와는 다른 종류의 정보인 경우, 획득된 센싱 정보를 유효하지 않다고 판단할 수 있다. 예를 들어, 전자 장치(400)는, 센싱 정보가 유아가 특수한 상황에서만 보이는 행동에 따른 센싱 정보인 경우, 이러한 센싱 정보가 유효하지 않다고 판단할 수 있다.
단계 S630에서, 전자 장치(400)는 S610에서 획득된 모델을 이용하여, S620에서 획득된 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 기초로 유아의 상태를 인식할 수 있다. 일 실시예에 따라, 전자 장치(400)는 유아의 상태를 예측하기 위한 AI 모델에 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 입력할 수 있고, 그 결과 추론되는 유아의 상태를 인식할 수 있다. 예를 들어, 전자 장치(400)는 AI 모델에 유아의 표정에 관한 센싱 정보를 입력할 수 있고, 그 결과 추론되는 유아의 불안한 상태를 인식할 수 있다.
도 7은 전자 장치가 유아의 상태를 예측하기 위한 AI 모델을 생성하는 실시예를 나타낸다.
전자 장치(400)는 유아의 동작, 모습, 및 소리 중 적어도 하나에 관한 정보를 입력 정보로써 획득할 수 있고, 유아의 동작, 모습, 및 소리 중 적어도 하나에 대응되는 유아의 상태에 관한 정보를 타겟 정보로써 획득할 수 있고, 획득된 입력 정보 및 타겟 정보를 기초로 AI 모델(710)을 학습시킬 수 있다. 예를 들어, 전자 장치(400)는 유아의 배고픈 상태, 졸린 상태, 수면 중인 상태, 식사 중인 상태, 기저귀 교체가 필요한 상태, 및 트림이 필요한 상태 중 적어도 하나를 나타내는 유아의 동작, 모습, 또는 소리에 관한 정보를 통해 AI 모델(710)을 학습시킬 수 있다.
일 예에 따라, 전자 장치(400)는 카메라를 통해 촬영된 유아의 표정, 및 마이크를 통해 측정한 유아의 소리에 따른 유아 돌봄 방식을 분석할 수 있고, 분석 결과를 통해 AI 모델(710)을 학습시킬 수 있다. 예를 들어, 전자 장치(400)는 유아의 울음소리에 따른 기저귀 교체 영상을 통해 AI 모델(710)을 학습시킬 수 있다. 다른 예에 따라, 전자 장치(400)는 카메라를 통해 획득한 유아의 동작을 분석하여 패턴을 정의할 수 있고, 유아의 동작 패턴 및 유아의 동작 패턴이 나타내는 유아의 상태를 통해 AI 모델(710)을 학습시킬 수 있다. 또 다른 예에 따라, 전자 장치(400)는 카메라를 통해 유아의 주변 기기에 대한 인지 영상을 획득할 수 있고, 획득된 영상을 통해 AI 모델(710)을 학습시킬 수 있다. 예를 들어, 전자 장치(400)는 헤드셋을 통해 음악을 즐겨 듣는 유아의 영상을 통해 AI 모델(710)을 학습시킬 수 있다.
따라서, 전자 장치(400)는 AI 모델(710)을 학습시킬 수 있고, 그 결과 유아의 상태, 유아의 성향, 유아의 생활 패턴, 유아에게 안정감을 주는 기기, 및 유아의 요구 사항을 예측하기 위해 학습된 AI 모델(720)을 생성할 수 있다.
도 8은 전자 장치가 유아를 위한 차량의 주행 방식을 결정하는 실시예를 나타낸다.
전자 장치(400)는 유아의 상태를 고려하여 유아를 위한 차량의 주행 방식을 결정할 수 있다. 일 실시예에 따라, 전자 장치(400)는, 유아의 각 상태 별로 유아를 돌보기에 적합한 주행 방식에 관한 정보(810)에 따라 차량의 주행 방식을 결정할 수 있다.
예를 들어, 전자 장치(400)는 유아가 수면 중인 상태인 경우, 유아의 원활한 수면을 위해, 차량의 주행 예정 경로를 터널 또는 숲길과 같이 어두운 구간 위주의 경로로 결정할 수 있고, 차량이 가속 또는 감속을 최소화하도록 차량의 주행 속도를 결정할 수 있다. 또한, 전자 장치(400)는 유아가 식사 중인 상태인 경우, 유아의 안정적인 식사를 위해, 차량의 주행 예정 경로를 커브 구간을 최소화하는 경로로 결정할 수 있고, 차량이 가속 또는 감속을 최소화하도록 차량의 주행 속도를 결정할 수 있다. 또한, 전자 장치(400)는 유아가 기저귀 교체가 필요한 상태인 경우, 유아의 원활한 기저귀 교체를 위해, 차량의 주행 예정 경로를 정차가 가능한 구간을 포함하는 경로로 결정할 수 있다.
도 9는 전자 장치가 유아를 위해 차량 내 장치의 동작 방식을 제어하는 일 실시예를 나타낸다.
전자 장치(900)는 유아(910)의 상태를 고려하여 유아(910)가 탑승하고 있는 카시트(920)의 동작 방식을 결정할 수 있다. 일 실시예에 따라, 전자 장치(900)는 유아(910)의 각 상태 별로 유아를 돌보기에 적합한 카시트(920)의 기울기 각도, 높이, 또는 위치를 결정할 수 있다. 전자 장치(900)는 결정된 동작 방식에 따라 카시트(920)로 제어 신호를 전달하여, 카시트(920)의 동작을 제어할 수 있다. 예를 들어, 전자 장치(900)는 CAN(Controller Area Network) 통신을 통해 카시트(920)를 제어할 수 있다.
예를 들어, 전자 장치(900)는 유아(910)가 수면 중인 상태이거나 기저귀 교체가 필요한 경우, 유아(910)가 탑승하고 있는 카시트(920)의 기울기를 90도만큼 조절하여 카시트(920)를 뒤로 눕힐 수 있다. 또한, 전자 장치(900)는 유아(910)가 트림이 필요한 상태인 경우, 유아(910)의 트림을 위해, 카시트(920)가 진동 모드로 동작하도록 제어할 수 있다. 또한, 전자 장치(900)는 유아(910)가 식사 중인 상태인 경우, 유아(910)의 원활한 식사를 위해, 카시트(920)의 기울기를 30도 내지 45도만큼 조절하여 카시트(920)를 약간 뒤로 눕힐 수 있다. 또한, 전자 장치(900)는 유아(910)가 불안한 상태인 경우, 유아(910)를 돌보기 위해 카시트(920)가 일정 각도 내에서 기울기가 반복적으로 변화하도록 제어할 수 있다.
도 10은 전자 장치가 유아를 위해 차량 내 장치의 동작 방식을 제어하는 다른 실시예를 나타낸다.
전자 장치(1000)는 유아(1010)의 상태를 고려하여 유선 또는 무선으로 연결된 장난감(1020)의 동작 방식을 결정할 수 있다. 구체적으로, 전자 장치(1000)는 유아(1010)의 각 상태 별로 유아를 돌보기에 적합한 장난감(1020)의 동작 방식을 결정할 수 있다. 전자 장치(1000)는 결정된 동작 방식에 따라 장난감(1020)으로 제어 신호를 전달하여 장난감(1020)의 동작을 제어할 수 있다. 예를 들어, 전자 장치(1000)는 CAN(Controller Area Network) 통신을 통해 장난감(1020)을 제어할 수 있다.
예를 들어, 전자 장치(1000)는 유아(1010)가 울고 있는 상태이거나 불안한 상태인 경우, 유아(1010)를 돌보기 위해, 장난감(1020)을 유아(1010)의 시야에 제공할 수 있다. 또한, 전자 장치(1000)는 유아의 선호도에 관한 정보에 기초하여 차량 내에서 복수의 장난감들 중에서 유아(1010)가 선호하는 장난감(1020)을 선택할 수 있고, 선택된 장난감(1020)을 유아(1010)에게 제공할 수 있다.
도 11은 전자 장치가 유아를 위한 차량의 주행 방식을 결정하는 다른 실시예를 나타낸다.
단계 S1110에서, 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 획득할 수 있다. 모델은 기 학습된 AI 모델일 수 있다. 구체적으로, 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델은, 차량의 주행 환경에 관한 제1정보 및 제1정보의 타겟 정보인 유아의 상태에 관한 제2정보에 기초하여 학습된 딥러닝 모델일 수 있다.
일 실시예에 따라, 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 생성할 수 있다. 먼저, 전자 장치(400)는, 차량의 주행 경로, 차량 주변의 도로 상태, 차량의 주행 속도 중 하나에 관한 제1정보를 입력 정보로써 획득할 수 있고, 유아의 상태에 관한 제2정보를 제1정보의 타겟 정보로써 획득할 수 있다. 예를 들어, 전자 장치(400)는 차량 내 센서 또는 네비게이션으로부터 제1정보를 획득할 수 있고, 차량 내 카메라 또는 마이크로부터 제2정보를 획득할 수 있다. 다음으로, 전자 장치(400)는 획득된 입력 정보 및 타겟 정보를 기초로 AI 모델을 학습시킬 수 있다. 따라서, 전자 장치(400)는 학습된 AI 모델을 생성할 수 있다.
예를 들어, 전자 장치(400)는 제1정보인 차량의 속도에 관한 정보, 및 제2정보인 차량의 각 속도 별 유아의 반응에 관한 정보를 통해 AI 모델을 학습시킬 수 있고, 차량의 속도에 대한 유아의 선호도를 나타내는 모델을 생성할 수 있다. 또한, 전자 장치(400)는 제1정보인 차량의 주행 경로에 관한 정보, 및 차량의 주행 경로 별 유아의 반응에 관한 정보를 통해 AI 모델을 학습시킬 수 있고, 차량의 주행 경로에 대한 유아의 선호도를 나타내는 모델을 생성할 수 있다.
다른 실시예에 따라, 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 외부 장치로부터 전달받을 수 있다. 또 다른 실시예에 따라, 전자 장치(400)는 메모리에 저장된 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 메모리로부터 획득할 수 있다.
단계 S1120에서, 전자 장치(400)는 S1110에서 획득된 모델을 고려하여 유아를 위한 차량의 주행 방식을 결정할 수 있다.
전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 이용하여 차량의 주행 속도 및 주행 경로 중 적어도 하나를 결정할 수 있다. 예를 들어, 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 이용하여, 유아가 100km/h 이상의 고속 주행에 대해서는 불안한 상태임을 인식할 수 있고, 따라서, 주행 속도를 100km/h 미만으로 유지하도록 결정할 수 있다. 또한, 전자 장치(400)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 이용하여, 유아가 내리막길을 주행하는 것에 대해서는 즐거운 상태임을 인식할 수 있고, 따라서, 내리막길을 포함하는 주행 경로를 결정할 수 있다.
도 12는 전자 장치가 유아를 위한 차량의 주행 방식을 결정하는 또 다른 실시예를 나타낸다.
단계 S1210에서, 전자 장치(400)는 차량의 주행 환경을 예측하기 위한 모델을 획득할 수 있다. 예를 들어, 차량의 주행 환경을 예측하기 위한 모델은 차량이 주행하는 도로의 노면 상태를 예측하기 위한 모델일 수 있다. 또한, 차량의 주행 환경을 예측하기 위한 모델은 차량의 주행 경로 내에서 불안정한 요소를 예측하기 위한 모델일 수 있다. 주행 경로 내 불안정한 요소는 급 커브 구간, 언덕 구간, 내리막 구간, 및 정체 구간 등을 포함할 수 있다. 차량의 주행 환경을 예측하기 위한 모델은 학습된 AI 모델일 수 있다.
일 실시예에 따라, 전자 장치(400)는 차량의 주행 환경을 예측하기 위한 모델을 생성할 수 있다. 먼저, 전자 장치(400)는 차량의 주행 상태 또는 차량의 외부 환경에 관한 정보를 입력 정보로써 획득할 수 있고, 차량의 실제 주행 환경에 관한 정보를 입력 정보에 대한 타겟 정보로써 획득할 수 있다. 예를 들어, 전자 장치(400)는 차량 내 카메라, 레이더 센서, 라이다 센서, 또는 초음파 센서로부터 차량의 외부 환경에 관한 정보를 입력 정보로써 획득할 수 있고, 차량이 주행하는 도로의 실제 노면 상태 정보를 타겟 정보로써 획득할 수 있다. 또한, 전자 장치(400)는 쇼크 업소버(shock absorber) 또는 댐퍼(damper) 기반의 차량 기울기 정보, 자이로 센서 정보, 조향 핸들 정보, 서스펜션 정보, 차량의 속도 정보, 차량의 RPM 정보, 주행 예정 경로 정보 등을 입력 정보로써 획득할 수 있고, 차량의 실제 주행 경로 내에서 불안정한 요소에 관한 정보를 타겟 정보로써 획득할 수 있다. 다음으로, 전자 장치(400)는 획득된 입력 정보 및 타겟 정보를 기초로 AI 모델을 학습시킬 수 있다. 따라서, 전자 장치(400)는 학습된 AI 모델을 생성할 수 있다.
다른 실시예에 따라, 전자 장치(400)는 차량의 주행 환경을 예측하기 위한 모델을 외부 장치로부터 전달받을 수 있다. 또 다른 실시예에 따라, 전자 장치(400)는 메모리에 저장된 차량의 주행 환경을 예측하기 위한 모델을 메모리로부터 획득할 수 있다.
단계 S1220에서, 전자 장치(400)는 차량의 주행 상태에 관한 정보 또는 차량의 외부 환경에 관한 정보를 획득할 수 있다. 구체적으로, 전자 장치(400)는 차량 내에 장착된 카메라, 레이더 센서, 라이다 센서, 또는 초음파 센서로부터 차량의 외부 환경에 관한 센싱 정보를 획득할 수 있고, 차량으로부터 쇼크 업소버(shock absorber) 또는 댐퍼(damper) 기반의 차량 기울기 정보, 차량의 속도 정보, 또는 차량의 RPM 정보, 주행 예정 경로 정보 등을 획득할 수 있다.
단계 S1230에서, 전자 장치(400)는 S1210에서 획득된 모델을 이용하여 S1220에서 획득된 정보를 기초로 차량의 주행 방식을 결정할 수 있다. 예를 들어, 전자 장치(400)는 차량의 주행 환경을 예측하기 위한 모델을 이용하여 차량의 주행 예정 경로 내의 불안정한 요소를 인식할 수 있는 바, 불안정한 요소를 회피하도록 주행 예정 경로를 재설정할 수 있다. 예를 들어, 전자 장치(400)는 주행 예정 경로가 급 커브 구간, 언덕 구간 및 내리막 구간을 포함하지 않도록 주행 예정 경로를 결정할 수 있다.
도 13은 전자 장치의 블록도를 나타낸다.
전자 장치(1300)는 일 실시예에 따라 차량에 포함될 수 있으며, 다른 실시예에 따라 서버에 포함될 수 있다.
전자 장치(1300)는 일 실시예에 따라, 인터페이스(interface)(1310) 및 제어부(1320)를 포함할 수 있다. 도 13에 도시된 전자 장치(1300)는 본 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 13에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
인터페이스(1310)는 차량에 탑승한 유아에 관한 센싱 정보를 획득할 수 있다. 구체적으로, 인터페이스(1310)는 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 획득할 수 있다. 일 실시예에 따라, 인터페이스(1310)는 차량의 적어도 하나의 센서로부터 유아에 관한 센싱 정보를 획득할 수 있다. 다른 실시예에 따라, 인터페이스(1310)는 전자 장치(1300)의 적어도 하나의 센서로부터 유아에 관한 센싱 정보를 획득할 수 있다. 또 다른 실시예에 따라, 인터페이스(1310)는 전자 장치(1300)의 메모리로부터 유아에 관한 센싱 정보를 획득할 수 있다.
제어부(1320)는 전자 장치(1300)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다. 제어부(1320)는 적어도 하나의 하드웨어 유닛으로 구성될 수 있다. 또한, 제어부(1320)는 메모리에 저장된 프로그램 코드를 실행하여 생성되는 하나 이상의 소프트웨어 모듈에 의해 동작할 수 있다.
제어부(1320)는 인터페이스(1310)에 의해 획득된 센싱 정보에 기초하여 유아의 상태를 인식하고, 유아의 상태를 고려하여 유아를 위한 차량의 주행 방식을 결정할 수 있다. 구체적으로, 제어부(1320)는 유아의 상태를 고려하여 차량의 주행 예정 경로 및 주행 속도 중 적어도 하나를 결정할 수 있다. 또한, 제어부(1320)는 결정된 주행 방식에 따라 차량을 제어할 수 있다.
제어부(1320)는 유아의 상태를 고려하여 차량 내의 적어도 하나의 장치의 동작 방식을 결정할 수 있고, 결정된 동작 방식에 따라 적어도 하나의 장치를 제어할 수 있다.
인터페이스(1310)는 유아의 상태를 예측하기 위한 모델을 획득할 수 있고, 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 획득할 수 있다. 이어서, 제어부(1320)는 획득된 모델을 이용하여, 획득된 센싱 정보를 기초로 유아의 상태를 인식할 수 있다.
인터페이스(1310)는 차량의 주행 환경에 대한 유아의 선호도를 나타내는 모델을 획득할 수 있고, 획득된 모델을 고려하여 유아를 위한 차량의 주행 방식을 결정할 수 있다.
인터페이스(1310)는 차량의 주행 환경을 예측하기 위한 모델을 획득할 수 있고, 차량의 주행 상태에 관한 정보 또는 차량의 외부 환경에 관한 정보를 획득할 수 있다. 이어서, 제어부(1320)는 획득된 모델을 이용하여 획득된 정보를 기초로 차량의 주행 방식을 결정할 수 있다. 모델은, 차량의 주행 상태 또는 외부 환경에 관한 정보, 및 차량의 실제 주행 환경에 관한 정보에 기초하여 학습된 AI 모델일 수 있다.
전술한 실시예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-Access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
전술한 실시예들은 일 예시일 뿐 후술하는 청구항들의 범위 내에서 다른 실시예들이 구현될 수 있다.

Claims (20)

  1. 전자 장치의 동작 방법으로서,
    차량에 탑승한 유아에 관한 센싱 정보에 기초하여 상기 유아의 상태를 인식하는 단계;
    상기 인식된 유아의 상태를 고려하여 상기 유아를 위한 상기 차량의 주행 방식을 결정하는 단계; 및
    상기 결정된 주행 방식에 따라 상기 차량을 제어하는 단계를 포함하는, 동작 방법.
  2. 제1항에 있어서,
    상기 인식하는 단계는,
    상기 유아의 상태를 예측하기 위한 모델을 획득하는 단계;
    상기 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 획득하는 단계; 및
    상기 모델을 이용하여, 상기 획득된 센싱 정보를 기초로 상기 유아의 상태를 인식하는 단계를 포함하는, 동작 방법.
  3. 제2항에 있어서,
    상기 모델은,
    적어도 하나의 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 제1정보, 및 상기 제1정보의 타겟 정보인 상기 적어도 하나의 유아의 상태에 관한 제2정보에 기초하여 학습된 AI(Artificial Intelligence) 모델인, 동작 방법.
  4. 제2항에 있어서,
    상기 모델은,
    시간대 별 상기 유아의 생활 패턴에 관한 정보를 통해 모델링되는, 동작 방법.
  5. 제1항에 있어서,
    상기 결정하는 단계는,
    상기 유아의 상태를 고려하여 상기 차량의 주행 예정 경로 및 주행 속도 중 적어도 하나를 결정하는 단계를 포함하는, 동작 방법.
  6. 제1항에 있어서,
    상기 결정하는 단계는,
    상기 유아의 상태를 고려하여 상기 차량 내의 적어도 하나의 장치의 동작 방식을 결정하는 단계를 포함하고,
    상기 제어하는 단계는,
    상기 결정된 동작 방식에 따라 상기 적어도 하나의 장치를 제어하는 단계를 포함하는, 동작 방법.
  7. 제6항에 있어서,
    상기 적어도 하나의 장치는,
    카시트, 디스플레이 장치, 조명 장치, 음향 장치, 및 장난감 중 적어도 하나를 포함하는, 동작 방법.
  8. 제1항에 있어서,
    상기 결정하는 단계는,
    차량의 주행 환경에 대한 상기 유아의 선호도를 나타내는 모델을 획득하는 단계; 및
    상기 획득된 모델을 고려하여 상기 유아를 위한 상기 차량의 주행 방식을 결정하는 단계를 포함하는, 동작 방법.
  9. 제8항에 있어서,
    상기 모델은,
    상기 차량의 주행 환경에 대한 상기 유아의 반응에 기초하여 학습된 AI 모델인, 동작 방법.
  10. 제1항에 있어서,
    상기 결정하는 단계는,
    상기 차량의 주행 환경을 예측하기 위한 모델을 획득하는 단계;
    상기 차량의 주행 상태에 관한 정보 또는 상기 차량의 외부 환경에 관한 정보를 획득하는 단계; 및
    상기 획득된 모델을 이용하여 상기 획득된 정보를 기초로 상기 차량의 주행 방식을 결정하는 단계를 포함하는, 동작 방법.
  11. 제10항에 있어서,
    상기 모델은,
    상기 차량의 주행 상태 또는 외부 환경에 관한 정보, 및 상기 차량의 실제 주행 환경에 관한 정보에 기초하여 학습된 AI 모델인, 동작 방법.
  12. 제1항 내지 제11항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비휘발성 기록매체.
  13. 전자 장치로서,
    차량에 탑승한 유아에 관한 센싱 정보를 획득하는 인터페이스; 및
    상기 획득된 센싱 정보에 기초하여 상기 유아의 상태를 인식하고, 상기 인식된 유아의 상태를 고려하여 상기 유아를 위한 상기 차량의 주행 방식을 결정하고, 상기 결정된 주행 방식에 따라 상기 차량을 제어하는 제어부를 포함하는, 전자 장치.
  14. 제13항에 있어서,
    상기 인터페이스는,
    상기 유아의 상태를 예측하기 위한 모델, 및 상기 유아의 모습, 소리, 및 동작 중 적어도 하나에 관한 센싱 정보를 획득하고,
    상기 제어부는,
    상기 모델을 이용하여, 상기 획득된 센싱 정보를 기초로 상기 유아의 상태를 인식하는, 전자 장치.
  15. 제13항에 있어서,
    상기 제어부는,
    상기 유아의 상태를 고려하여 상기 차량의 주행 예정 경로 및 주행 속도 중 적어도 하나를 결정하는, 전자 장치.
  16. 제13항에 있어서,
    상기 제어부는,
    상기 유아의 상태를 고려하여 상기 차량 내의 적어도 하나의 장치의 동작 방식을 결정하고, 상기 결정된 동작 방식에 따라 상기 적어도 하나의 장치를 제어하는, 전자 장치.
  17. 제16항에 있어서,
    상기 적어도 하나의 장치는,
    카시트, 디스플레이 장치, 조명 장치, 음향 장치, 및 장난감 중 적어도 하나를 포함하는, 전자 장치.
  18. 제13항에 있어서,
    상기 인터페이스는,
    차량의 주행 환경에 대한 상기 유아의 선호도를 나타내는 모델을 획득하고,
    상기 제어부는,
    상기 획득된 모델을 고려하여 상기 유아를 위한 상기 차량의 주행 방식을 결정하는, 전자 장치.
  19. 제13항에 있어서,
    상기 인터페이스는,
    상기 차량의 주행 환경을 예측하기 위한 모델, 및 상기 차량의 주행 상태에 관한 정보 또는 상기 차량의 외부 환경에 관한 정보를 획득하고,
    상기 제어부는,
    상기 획득된 모델을 이용하여 상기 획득된 정보를 기초로 상기 차량의 주행 방식을 결정하는, 전자 장치.
  20. 제19항에 있어서,
    상기 모델은,
    상기 차량의 주행 상태 또는 외부 환경에 관한 정보, 및 상기 차량의 실제 주행 환경에 관한 정보에 기초하여 학습된 AI 모델인, 전자 장치.
KR1020190154575A 2019-11-27 2019-11-27 전자 장치 및 그의 동작 방법 KR20210065612A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190154575A KR20210065612A (ko) 2019-11-27 2019-11-27 전자 장치 및 그의 동작 방법
US16/730,445 US20210155262A1 (en) 2019-11-27 2019-12-30 Electronic apparatus and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190154575A KR20210065612A (ko) 2019-11-27 2019-11-27 전자 장치 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
KR20210065612A true KR20210065612A (ko) 2021-06-04

Family

ID=75971247

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190154575A KR20210065612A (ko) 2019-11-27 2019-11-27 전자 장치 및 그의 동작 방법

Country Status (2)

Country Link
US (1) US20210155262A1 (ko)
KR (1) KR20210065612A (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220244729A1 (en) * 2021-02-02 2022-08-04 Yu-Sian Jiang Baby transport and method for operating the same
WO2023048717A1 (en) * 2021-09-23 2023-03-30 Intel Corporation Systems and methods for accessible vehicles

Also Published As

Publication number Publication date
US20210155262A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
US11663516B2 (en) Artificial intelligence apparatus and method for updating artificial intelligence model
US11449045B2 (en) Artificial intelligence device and method of diagnosing malfunction using operation log and artificial intelligence model
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR20190096878A (ko) 인공지능 기반의 공기조화기
KR20190098735A (ko) 차량 단말 및 그의 동작 방법
KR102263250B1 (ko) 엔진 소음 제거 장치 및 엔진 소음 제거 방법
US11482210B2 (en) Artificial intelligence device capable of controlling other devices based on device information
US20200075004A1 (en) Artificial intelligence server
KR20190101333A (ko) 음성 인식 장치 및 음성 인식 방법
US20200020339A1 (en) Artificial intelligence electronic device
US11604952B2 (en) Artificial intelligence apparatus using sound signal classification and method for the same
KR20210065612A (ko) 전자 장치 및 그의 동작 방법
KR20210067432A (ko) 로봇의 비상 정지의 수행
KR20190094317A (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
KR20190098097A (ko) 전자 제어 시스템
US10931813B1 (en) Artificial intelligence apparatus for providing notification and method for same
US20200005121A1 (en) Artificial intelligence-based apparatus and method for providing wake-up time and bed time information
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20190095190A (ko) 음성 인식 서비스를 제공하는 인공 지능 장치 및 그의 동작 방법
KR20200145962A (ko) 자율 주행 장치 및 방법
US11345023B2 (en) Modular robot and operation method thereof
US11116027B2 (en) Electronic apparatus and operation method thereof