KR20210066207A

KR20210066207A - 객체를 인식하는 인공 지능 장치 및 그 방법

Info

Publication number: KR20210066207A
Application number: KR1020190155159A
Authority: KR
Inventors: 김재홍; 김수연
Original assignee: 엘지전자 주식회사
Priority date: 2019-11-28
Filing date: 2019-11-28
Publication date: 2021-06-07
Also published as: US11210567B2; US20210166084A1

Abstract

본 개시의 일 실시 예는 객체를 인식하는 인공 지능 장치에 있어서, 카메라; 서로 적어도 하나 이상의 공유 레이어(shared layer)를 공유하는 복수의 객체 인식 모델을 저장하는 메모리; 및 상기 카메라를 통해 객체를 포함하는 이미지 데이터를 수신하고, 상기 복수의 객체 인식 모델을 포함하는 객체 인식 모델 세트를 이용하여 상기 이미지 데이터에 포함된 상기 객체를 인식하고, 객체별 인식 빈도에 기초하여 상기 객체 인식 모델 세트를 갱신하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

객체를 인식하는 인공 지능 장치 및 그 방법 {ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR RECOGNIZING OBJECT}

본 개시(disclosure)는 서로 적어도 일부의 레이어를 공유하는 복수의 객체 인식 모델을 이용하여 객체를 인식하는 인공 지능 장치 및 그 방법에 관한 것이다.

최근 차량에 인공 지능을 이용한 이미지 인식 기술의 성능이 크게 향상되고 있다. 그러나, 이미지 데이터에 포함된 객체를 인식하는데 이용되는 객체 인식 모델을 학습하기 위하여는 많은 학습 데이터가 요구되며, 이를 이용한 학습에도 많은 연산이 요구된다. 또한, 하나의 객체 인식 모델만을 이용하게 될 경우 하나의 인식 대상 객체에 변화가 발생하더라도 모델 전체에 대하여 재학습이 필요하여 비효율적이다.

따라서, 실제 객체 인식 모델을 탑재하는 엣지 디바이스(edge device)에서 적은 학습량으로도 객체 인식 모델을 갱신하고 관리할 수 있는 방법이 필요하다.

본 개시는 적은 연산으로도 이미지 데이터에서 객체를 인식하는 객체 인식 모델을 갱신 및 관리할 수 있는 인공 지능 장치 및 그 방법을 제공하고자 한다.

또한, 본 개시는 객체의 인식 빈도에 기초하여 객체 인식 모델들을 동적으로 관리하는 인공 지능 장치 및 그 방법을 제공하고자 한다.

본 개시의 일 실시 예는, 객체를 포함하는 이미지 데이터를 수신하고, 적어도 하나 이상의 공유 레이어를 공유하는 복수의 객체 인식 모델들을 포함하는 객체 인식 모델 세트를 이용하여 수신한 이미지 데이터에서 객체를 인식하고, 객체 인식 빈도에 기초하여 객체 인식 모델 세트를 갱신하는, 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 각 객체 인식 모델이 적어도 하나 이상의 공유 레이어와 적어도 하나 이상의 비공유 레이어를 포함하고, 비공유 레이어는 적어도 하나 이상의 배치 정규화 레이어 및 출력 레이어를 포함하는 인공 지능 장치 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 인식에 실패한 객체를 알 수 없는 객체로 결정하고, 알 수 없는 객체들을 군집화하고, 각 군집에 대하여 군집별 인식 빈도를 산출하고, 객체별 인식 빈도와 군집별 인식 빈도를 고려하여 객체 인식 모델 세트를 갱신하는 인공 지능 장치 및 그 방법을 제공한다.

본 개시의 다양한 실시 예에 따르면, 서로 적어도 하나 이상의 공유 레이어를 공유하는 복수의 객체 인식 모델을 이용하여 객체를 인식함에 따라, 보다 적은 학습량으로도 다양한 객체 인식 모델들의 높은 성능을 기대할 수 있다.

또한, 본 개시의 다양한 실시 예에 따르면, 객체별 인식 빈도를 고려하여 객체 인식 모델 세트를 구성하는 객체 인식 모델들을 갱신함에 따라, 실제 사용 환경에서 인식될 객체들에 적합한 객체 인식 모델들을 동적으로 관리할 수 있고, 적은 연산량으로도 높은 객체 인식 성능을 기대할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 인공 지능 장치의 사시도이다.
도 6은 본 개시의 일 실시 예에 따른 인공 지능 장치의 저면도이다.
도 7는 본 개시의 일 실시 예에 따른 객체를 인식하는 방법을 나타낸 동작 흐름도이다.
도 8은 본 개시의 일 실시 예에 따른 객체를 인식하는 방법을 나타낸 도면이다.
도 9는 도 7에 도시된 객체 인식 모델 세트를 갱신하는 단계(S707)의 일 예를 나타낸 동작 흐름도이다.
도 10은 본 개시의 일 실시 예에 따른 인식 빈도를 산출하는 방법의 예시를 나타낸 도면이다.
도 11은 본 개시의 일 실시 예에 따른 객체 인식 모델 세트를 갱신하는 방법의 예시를 나타낸 도면이다.
도 12는 본 개시의 일 실시 예에 따른 객체 인식 모델 세트를 갱신하는 방법의 예시를 나타낸 도면이다.
도 13은 본 개시의 일 실시 예에 따른 객체 인식 모델 세트를 갱신하는 방법의 예시를 나타낸 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.

이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 인공 지능 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸 블록도이다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예컨대, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.

도 1과 중복되는 설명은 생략한다.

통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

센싱부(140)는 센서부라고 칭할 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

주행 구동부(160)는 AI 장치(100)를 특정 방향으로 또는 특정 거리만큼 이동시킬 수 있다. 주행 구동부(160)는 AI 장치(100)의 좌륜을 구동시키는 좌륜 구동부(161) 및 우륜을 구동시키는 우륜 구동부(162)를 포함할 수 있다.

좌륜 구동부(161)는 좌륜을 구동시키기 위한 모터를 포함할 수 있고, 우륜 구동부(162)는 우륜을 구동시키기 위한 모터를 포함할 수 있다. 도 4에서는 주행 구동부(160)가 좌륜 구동부(161) 및 우륜 구동부(162)를 포함하는 것을 예로 들어 설명하였으나, 본 개시가 이에 한정되지 않는다. 즉, 일 실시 예에서 주행 구동부(160)는 하나의 휠 만으로 구성될 수도 있다.

청소부(190)는 흡입부(191) 또는 걸레질부(192) 중에서 적어도 하나 이상을 포함하여, AI 장치(100) 인근의 바닥 면을 청소할 수 있다.

흡입부(191)는 진공 청소부라 부를 수도 있다. 흡입부(191)는 공기를 흡입하여 AI 장치(100) 주변의 먼지나 쓰레기 등의 이물질을 흡입할 수 있다. 흡입부(191)는 이물질을 모아주는 수단으로써 브러쉬 등을 포함할 수 있다.

걸레질부(192)는 걸레를 AI 장치(100)의 바닥 면에 적어도 일부 접촉시킨 상태에서 바닥을 닦을 수 있다. 걸레질부(192)는 걸레와 걸레를 움직이는 걸레 구동부 등을 포함할 수 있다. 걸레질부(192)의 걸레는 걸레 구동부를 통해 지면으로부터의 거리가 조절될 수 있다. 즉, 걸레 구동부는 걸레질이 필요한 경우에 걸레가 지면에 접촉되도록 동작할 수 있다.

다양한 실시 예에서, 인공 지능 장치(100)는 이미지 데이터로부터 객체를 인식하고, 인식된 객체를 고려하여 주행하는 인공 지능 로봇 청소기 또는 인공 지능 로봇 등으로 구현될 수 있다.

도 5는 본 개시의 일 실시 예에 따른 인공 지능 장치(100)의 사시도이다.

도 5를 참조하면, 인공 지능 장치(100)는 인공 지능 로봇 청소기로 구현될 수 있고, 청소기 본체(50)와 카메라(121) 또는 센싱부(140)를 포함할 수 있다.

카메라(121) 또는 센싱부(140)는 전방에 빛을 조사하고, 반사된 빛을 수신할 수 있다. 프로세서(180)는 카메라(121) 또는 센싱부(140)에서 수신한 빛이 돌아오는 시간 차이를 이용하여 깊이 정보를 획득할 수 있다.

도 6은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)의 저면도이다.

도 6을 참조하면, 인공 지능 장치(100)는 청소기 본체(50), 좌륜(61a), 우륜(61b) 및 흡입부(70)를 더 포함할 수 있다.

좌륜(61a) 및 우륜(61b)은 청소기 본체(50)를 주행시킬 수 있다. 좌륜 구동부(161)는 좌륜(61a)을 구동시킬 수 있고, 우륜 구동부(162)는 우륜(61b)을 구동시킬 수 있다. 좌륜(61a) 및 우륜(61b)이 주행 구동부(160)에 의해 회전됨에 따라, 인공 지능 장치(100)는 흡입부(70)를 통해 먼지나 쓰레기 등의 이물질을 흡입할 수 있다.

흡입부(70)는 청소기 본체(50)에 구비되어 바닥 면의 먼지를 흡입할 수 있다. 흡입부(70)는 흡입된 기류 중에서 이물질을 채집하는 필터(미도시)와, 상기 필터에 의해 채집된 이물질들이 축적되는 이물질 수용기(미도시)를 더 포함할 수 있다.

인공 지능 장치(100)는 걸레질부(미도시)를 더 포함할 수 있다. 걸레질부(미도시)는 걸레(미도시)와, 걸레를 바닥 면에 접촉시킨 상태에서 회전시키거나 설정된 패턴에 따라 움직이는 모터(미도시)를 포함할 수 있다. 인공 지능 장치(100)는 걸레질부(미도시)를 통해 바닥 면을 닦을 수 있다.

도 7는 본 개시의 일 실시 예에 따른 객체를 인식하는 방법을 나타낸 동작 흐름도이다.

도 7를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 객체를 포함하는 이미지 데이터를 수신한다(S701).

프로세서(180)는 카메라(121) 또는 센서부(140)로부터 객체를 포함하는 이미지 데이터를 수신할 수도 있고, 통신부(110)를 통해서 외부 장치(미도시)로부터 객체를 포함하는 이미지 데이터를 수신할 수도 있다. 이미지 데이터에는 하나 이상의 객체가 포함될 수 있다.

외부 기기(미도시)는 카메라나 이미지 센서를 포함하여 이미지 데이터를 생성할 수 있으며, 통신부를 구비하여 생성한 이미지 데이터를 다른 장치에 전송할 수 있는 기기를 의미할 수 있다. 예컨대, 외부 기기(미도시)는 사물 인터넷 카메라, 감시 카메라, 드론, 로봇 등을 포함할 수 있다.

이미지 데이터는 RGB 이미지 데이터, IR 이미지 데이터 또는 Depth 이미지 데이터 중에서 적어도 하나 이상을 포함할 수 있다. 예컨대, 일 실시 예에 따른 이미지 데이터는 각 픽셀에 대한 RGB 정보와 IR 정보를 포함하는 RGB-IR 이미지 데이터일 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 객체 인식 모델 세트에 포함된 객체 인식 모델들을 이용하여 이미지 데이터에 포함된 객체를 인식한다(S703).

객체 인식 모델 세트는 이미지 데이터에 포함된 객체를 인식하는데 이용될 복수의 객체 인식 모델을 포함할 수 있다. 각 객체 인식 모델은 이미지 데이터에서 미리 정해진 한 종류의 객체만을 인식하는 모델을 의미할 수 있다. 예컨대, 제1 객체 인식 모델 또는 개 인식 모델(dog recognition model)은 이미지 데이터에 개가 포함되어 있는지 판단하는 모델일 수 있다. 따라서, 객체 인식 모델 세트는 복수의 객체 인식 모델들을 이용하여 여러 종류의 객체를 인식할 수 있고, 단일한 객체 인식 모델로 간주할 수 있다.

각 객체 인식 모델은 인공 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다. 객체 인식 모델이 이미지 데이터에서 한 종류의 객체만을 인식하기 때문에, 객체 인식 모델은 합성곱 신경망(CNN: Convolutional Neural Network)를 포함하고, 출력 레이어(output layer)는 인식 대상 객체가 이미지 데이터에 포함되어 있는지 여부를 나타내는 단일한 노드만을 포함할 수 있다. 예컨대, 개 인식 모델의 출력 레이어에 포함된 단일한 노드는 그 출력 값이 1일 경우에는 입력되는 이미지 데이터 안에 개가 포함되어 있다는 의미이며, 그 출력 값이 0일 경우에는 입력되는 이미지 데이터 안에 개가 포함되어 있지 않다는 의미일 수 있다.

프로세서(180)는 객체 인식 모델 세트에 포함된 하나 이상의 객체 인식 모델 각각을 이용하여 이미지 데이터에 포함된 객체를 인식할 수 있다. 따라서, 이미지 데이터 안에 서로 다른 종류의 복수의 객체가 포함된 경우라면, 서로 다른 객체 인식 모델에 기초하여 복수의 객체가 인식될 수 있다.

객체 인식 모델 세트에 포함된 객체 인식 모델들은 서로 적어도 일부의 레이어를 공유할 수 있다. 즉, 각 객체 인식 모델은 적어도 하나 이상의 공유 레이어(shared layer)와 적어도 하나 이상의 비공유 레이어(unshared layer)를 포함할 수 있다. 비공유 레이어는 객체 인식 모델들끼리 서로 공유하지 않고 서로 독립적인 레이어를 의미할 수 있다.

비공유 레이어에는 적어도 하나 이상의 배치 정규화(BN: Batch Normalization) 레이어와 출력 레이어가 포함될 수 있다. 배치 정규화 레이어는 배치(batch) 단위로 입력되는 값을 정규화(normalize)하고, 정규화된 값을 스케일링(scaling) 및 쉬프팅(shift)하여 출력하는 레이어를 의미할 수 있다. 이 경우, 배치 정규화 레이어에서의 학습 대상은 스케일 팩터(scale factor)와 쉬프트 팩터(shift factor)이다.

각 객체 인식 모델의 출력 레이어는 비공유 레이어이며, 상술하였듯, 출력 레이어는 객체 인식 모델의 인식 대상 객체가 이미지 데이터에 포함되어 있는지 여부를 나타내는 단일한 노드만을 포함할 수 있다.

프로세서(180)는 객체 인식 모델 세트에 포함된 모든 객체 인식 모델을 이용하더라도 이미지 데이터에 포함된 객체의 인식에 실패한 경우, 프로세서(180)는 이미지 데이터에 포함된 객체를 알 수 없는 객체(unknown object) 또는 알 수 없는 클래스(unknown class)에 속하는 객체로 결정할 수 있다. 이러한 측면에서, 객체 인식 모델 세트는 오픈 셋 인식 모델(open set recognition model)로 간주될 수 있다.

프로세서(180)는 알 수 없는 객체로 결정된 객체들을 인식하는데 이용될 새로운 객체 인식 모델을 학습하거나 기존의 객체 인식 모델을 재학습하기 위하여, 알 수 없는 객체를 포함하는 것으로 결정된 이미지 데이터를 메모리(170)에 학습 데이터로써 저장할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 객체 인식 결과를 이용하여 동작을 결정하고, 결정한 동작을 수행하기 위한 제어를 수행한다(S705).

프로세서(180)는 인식된 객체 (또는, 인식에 성공한 객체)에 대한 정보뿐만 아니라 알 수 없는 객체에 대한 정보를 이용하여, 현재 수행 중인 동작 또는 현재 동작 모드에 적합한 동작을 결정하고, 결정된 동작을 수행하기 위한 제어를 수행할 수 있다.

일 실시 예에서, 프로세서(180)는 객체 인식 결과에 기초하여 주행 동선 및 주행 스케줄을 결정할 수 있고, 결정한 주행 동선 및 결정된 주행 스케줄에 기초하여 주행 구동부(160)를 제어할 수 있다. 예컨대, 프로세서(180)는 현재 특정 객체를 추종하는 동작을 수행 중이고, 추종 대상 객체가 인식되면, 인식된 추종 대상 객체로 이동하는 주행 동선을 결정할 수 있다. 또는, 프로세서(180)는 정해진 주행 동선에 따라 주행 중이고, 전방에 알 수 없는 객체가 인식되면, 주행 동선을 해당 알 수 없는 객체를 회피하는 주행 동선으로 갱신할 수 있다.

일 실시 예에서, 프로세서(180)는 출력부(150)를 통해 생성한 객체 인식 정보를 출력할 수도 있다. 예컨대, 프로세서(180)는 이미지 데이터에 포함된 객체에 대한 정보를 출력하는 동작을 수행 중인 경우, 객체 인식 결과를 디스플레이부(151) 또는 음향 출력부(152)를 통해 출력할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 객체별 인식 빈도에 기초하여 객체 인식 모델 세트를 갱신한다(S707).

프로세서(180)는 객체 인식 결과에 기초하여 인식된 객체에 대한 객체별 인식 빈도와 알 수 없는 객체에 대한 인식 빈도를 산출하고, 산출한 인식 빈도에 기초하여 객체 인식 모델 세트에 포함될 객체 인식 모델들의 구성을 변경할 수도 있고, 객체 인식 모델 세트에 포함될 객체 인식 모델 중에서 적어도 하나 이상을 학습 또는 재학습하여 갱신할 수 있다. 예컨대, 프로세서(180)는 특정 객체에 대한 인식 빈도가 미리 정해진 기준 값보다 작아진 경우에는 해당 특정 객체를 인식하기 위한 객체 인식 모델을 객체 인식 모델 세트에서 제외할 수 있다. 이에 대한 구체적인 설명은 후술한다.

도 7에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 객체 인식 모델 세트를 갱신하면서 반복적으로 객체를 인식할 수 있다.

도 7에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 7에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 7에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 8은 본 개시의 일 실시 예에 따른 객체를 인식하는 방법을 나타낸 도면이다.

도 8을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 객체 인식 모델 세트(820)를 이용하여 이미지 데이터(811)로부터 객체 인식 결과(831)를 생성할 수 있다.

객체 인식 모델 세트(820)는 복수의 객체 인식 모델들(821_1, 821_2, 821_n)을 포함하며, 각 객체 인식 모델들(821_1, 821_2, 821_n)은 이미지 데이터(811)에서 미리 정해진 하나의 종류의 객체를 인식할 수 있다. 제1 객체 인식 모델(821_1)은 미리 정해진 제1 객체를 인식하는 모델이고, 제2 객체 인식 모델(821_2)는 미리 정해진 제2 객체를 인식하는 모델이며, 제n 객체 인식 모델(821_n)은 미리 정해진 제n 객체를 인식하는 모델일 수 있다.

각 객체 인식 모델들(821_1, 821_2, 821_n)은 객체 인식 모델들(821_1, 821_2, 821_n) 사이에서 서로 동일한 공유 레이어(821_1_1, 821_1_3)를 적어도 하나 이상 포함할 수 있다. 여기서, 제1 공유 레이어(821_1_1)와 제2 공유 레이어(821_1_3)는 구조와 모델 파라미터가 서로 동일할 필요는 없다.

각 객체 인식 모델들(821_1, 821_2, 821_n)은 비공유 레이어(821_1_2, 821_1_4)를 적어도 하나 이상 포함할 수 있다. 비공유 레이어에는 적어도 하나 이상의 배치 정규화 레이어(BN layer, 821_1_2)와 출력 레이어(821_1_4)가 포함될 수 있다. 즉, 제1 객체 인식 모델(821_1)은 비공유 레이어로써 배치 정규화 레이어(821_1_2) 및 제1 출력 레이어(821_1_4)를 포함할 수 있고, 제1 출력 레이어(821_1_4)는 이미지 데이터(811)에 미리 정해진 제1 객체가 포함되어 있는지 여부를 출력하는 레이어일 수 있다. 나아가, 비공유 레이어에는 배치 정규화 레이어(821_1_2)와 출력 레이어(821_1_4)가 아닌, 다른 종류의 레이어가 더 포함될 수도 있다.

각 공유 레이어(821_1_1, 821_1_3)는 각 객체 인식 모델(821_1, 821_2, 821_n)이 갱신될 때 함께 갱신될 수 있다. 예컨대, 제1 객체 인식 모델(821_1)을 갱신하는 과정에서 제1 공유 레이어(821_1_1)와 제2 공유 레이어(821_1_3)가 갱신될 수 있고, 그에 따라 제2 객체 인식 모델(821_1)과 제n 객체 인식 모델(821_n)에 포함된 제1 공유 레이어와 제2 공유 레이어도 동일하게 갱신될 수 있다.

일 실시 예에서, 각 공유 레이어(821_1_1, 821_1_3)는 각 객체 인식 모델(821_1, 821_2, 821_n)이 갱신될 때 함께 갱신되지 않을 수도 있다. 예컨대, 제1 객체 인식 모델(821_1)을 갱신하는 과정에서 제1 공유 레이어(821_1_1)와 제2 공유 레이어(821_1_3)가 갱신되더라도, 제2 객체 인식 모델(821_1)과 제n 객체 인식 모델(821_n)에 포함된 제1 공유 레이어와 제2 공유 레이어는 갱신하지 않고 그대로 유지할 수도 있다. 그러나, 적어도 객체 인식 모델들(821_1, 821_1_2, 821_1_n)의 최초의 학습 과정에서는 모든 객체 인식 모델들(821_1, 821_1_2, 821_1_n)에 포함된 공유 레이어들(821_1_1, 821_1_2)이 동일하게 갱신될 필요가 있다.

각 객체 인식 모델들(821_1, 821_1_2, 821_1_n)의 최초의 학습은 인공 지능 장치(100)의 프로세서(180)나 러닝 프로세서(160)뿐만 아니라, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)에서 수행될 수 있다. 즉, 인공 지능 서버(200)에서 각 객체 인식 모델들(821_1, 821_1_2, 821_1_n)이 학습된 경우, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)로부터 학습된 객체 인식 모델들(821_1, 821_1_2, 821_1_n)을 수신하여 메모리(170)에 저장할 수 있다. 이후에 적어도 하나 이상의 객체 인식 모델(821_1, 821_1_2, 821_1_n)의 학습이 필요한 경우에도, 학습은 인공 지능 장치(100)의 프로세서(180)나 러닝 프로세서(130)뿐만 아니라, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)에서 수행될 수 있다. 그러나, 객체 인식 모델들(821_1, 821_1_2, 821_1_n)이 적어도 하나 이상의 공유 레이어(821_1_1, 821_1_3)를 포함함에 따라, 상대적으로 적은 연산으로 객체 인식 모델을 갱신할 수 있으며, 따라서 객체 인식 모델들(821_1, 821_1_2, 821_1_n)에 대한 추가적인 학습은 엣지 디바이스(edge device)로서의 인공 지능 장치(100)에서 프로세서(180) 또는 러닝 프로세서(130)를 통해 효과적으로 수행될 수 있다.

도 9는 도 7에 도시된 객체 인식 모델 세트를 갱신하는 단계(S707)의 일 예를 나타낸 동작 흐름도이다.

도 9를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 객체 군집화 모델(object clustering model)을 이용하여 알 수 없는 객체들을 군집화한다(S901).

객체 군집화 모델은 이미지 데이터에 포함된 객체를 군집화하는 모델로, 이미지 데이터에서 추출된 특징들(features)을 기초로 유사한 객체들끼리 군집화할 수 있다. 객체 군집화 모델은 인공 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다. 프로세서(180)는 객체 군집화 모델을 이용하여 알 수 없는 객체에 대하여만 군집화할 수 있다.

객체 군집화 모델은 특징 공간(feature space) 상에 각 이미지 데이터를 매핑하고, 매핑된 이미지 데이터들 사이의 인접도에 기초하여 객체들을 군집화할 수 있다. 예컨대, 객체 군집화 모델은 특징 공간 상에서 매핑된 이미지 데이터 사이의 거리에 기초하여, 일정 거리 이내의 매핑된 이미지 데이터끼리 하나의 군집으로 분류할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 군집별 인식 빈도를 산출한다(S903).

프로세서(180)는 미리 정해진 기간 동안 각 군집별로 얼마나 많이 또는 얼마나 자주 인식되었는지 인식 빈도를 산출할 수 있다. 미리 정해진 기간은 특정 동작을 수행하는 시간을 포함할 수도 있다. 인식 빈도는 인식 횟수 또는 인식 횟수의 비율을 의미할 수 있다. 예컨대, 인공 지능 장치(100)의 프로세서(180)가 24시간 동안 동작하면서 객체 인식 모델 세트를 이용하여 총 500개의 객체의 인식을 시도하였으나 100개의 객체를 알 수 없는 객체로 결정하였고, 100개의 알 수 없는 객체들을 군집화한 결과 100개의 알 수 없는 객체들이 5개의 군집으로 나뉘었으며, 제1 군집에 30개의 알 수 없는 객체가 포함된 경우, 프로세서(180)는 제1 군집에 대한 인식 빈도를 30(회) 또는 0.06으로 산출할 수 있다. 또는, 인공 지능 장치(100)의 프로세서(180)가 청소 동작을 3회 수행하면서 객체 인식 모델 세트를 이용하여 총 200개의 객체의 인식을 시도하였으나 20개의 객체를 알 수 없는 객체로 결정하였고, 그 중에서 제2 군집에 5개의 알 수 없는 객체가 포함된 경우, 프로세서(180)는 제2 군집에 대한 인식 빈도를 5(회) 또는 0.025로 산출할 수 있다.

특정 군집의 인식 빈도가 높다는 것은 비록 객체 인식 모델 세트에서 정확히 인식할 수는 없는 객체이지만, 해당 군집에 포함된 알 수 없는 객체가 서로 유사하여 동일한 종류의 객체라고 판단되며, 그 객체가 자주 인식되고 있음을 나타낸다. 따라서, 인식 빈도가 높은 군집에 상응하는 객체는 인공 지능 장치(100)의 동작 과정에서 자주 인식을 시도하는 객체이므로, 객체 인식 모델 세트에서 인식해야 할 필요가 있는 객체라고 볼 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 객체별 인식 빈도를 산출한다(S905).

프로세서(180)는 미리 정해진 기간 동안 각 객체별로 얼마나 많이 또는 얼마나 자주 인식되었는지 인식 빈도를 산출할 수 있다. 미리 정해진 기간은 특정 동작을 수행하는 시간을 포함할 수도 있다. 인식 빈도는 인식 횟수 또는 인식 횟수의 비율을 의미할 수 있다. 예컨대, 인공 지능 장치(100)의 프로세서(180)가 24시간 동안 동작하면서 객체 인식 모델 세트를 이용하여 총 500개의 객체의 인식을 시도하였으나 400개의 인식에 성공하였고, 그 중에서 객체 "의자"를 20번 인식한 경우, 프로세서(180)는 "의자"에 대한 인식 빈도를 20(회) 또는 0.04로 산출할 수 있다. 또는, 인공 지능 장치(100)의 프로세서(180)가 청소 동작을 3회 수행하면서 객체 인식 모델 세트를 이용하여 총 200개의 객체의 인식을 시도하였으나 180개의 인식에 성공하였고, 그 중에서 객체 "의자"를 12번 인식한 경우, 프로세서(180)는 "의자"에 대한 빈도를 12(회) 도는 0.06으로 산출할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 인식 빈도가 미리 정해진 제1 기준 값보다 낮은 객체를 인식하는 객체 인식 모델을 객체 인식 모델 세트에서 제외한다(S907).

상술한 각 군집별 인식 빈도나 각 객체별 인식 빈도는 인공 지능 장치(100)의 동작 영역에서 인공 지능 장치(100)가 접하는 객체들의 개수에 대한 분포를 나타낼 수 있다. 즉, 낮은 인식 빈도를 갖는 객체는 인공 지능 장치(100)가 거의 마주하지 않는 객체이므로 인식의 필요성이 낮은 객체라고 간주할 수 있다. 따라서, 인공 지능 장치(100)의 프로세서(180)는 인식 빈도가 미리 정해진 기준 값 (예컨대, 제1 기준 값)보다 낮은 객체를 인식하는 객체 인식 모델을 객체 인식 모델 세트에서 제외할 수 있다.

객체 인식 모델 세트에서 특정 객체 인식 모델이 제외되게 될 경우, 인공 지능 장치(100)가 해당 제외되는 객체 인식 모델이 인식하는 대상 객체를 인식할 수 없으므로, 상술한 제1 기준 값은 보수적으로 작게 정해질 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 출력부(150)를 통해 인식 빈도가 미리 정해진 제2 기준 값보다 높은 제1 군집에 대응하는 객체 정보를 요청한다(S909).

상술한 각 군집별 인식 빈도나 각 객체별 인식 빈도는 인공 지능 장치(100)의 동작 영역에서 인공 지능 장치(100)가 접하는 객체들의 개수에 대한 분포를 나타낼 수 있다. 즉, 높은 인식 빈도를 갖는 객체는 인공 지능 장치(100)가 자주 마주하는 객체이므로 인식의 필요성이 높은 객체라고 간주할 수 있다. 따라서, 인공 지능 장치(100)의 프로세서(180)는 인식 빈도가 미리 정해진 기준 값 (예컨대, 제2 기준 값)보다 높은 제1 군집에 속하는 객체를 인식하기 위하여, 출력부(150)를 통해 해당 제1 군집에 대응하는 객체 정보를 요청하는 출력을 출력하고, 그 응답으로써 제1 군집에 대응하는 객체 정보를 수신할 수 있다.

입력되는 이미지 데이터에 포함된 알 수 없는 객체가 속하는 제1 군집의 인식 빈도가 미리 정해진 제2 기준 값보다 높은 경우에, 인공 지능 장치(100)의 프로세서(180)는 출력부(150)를 통해 제1 군집에 대한 객체 정보를 요청하고, 그에 대한 응답으로써 제1 군집에 대한 객체 정보를 수신할 수 있다. 예컨대, 프로세서(180)는 음향 출력부(151)를 통해 "전방의 객체는 무엇인가요?"와 같이 질의하여 현재 이미지 데이터에 포함된 객체에 대한 객체 정보를 요청할 수 있고, 그에 대한 사용자의 응답을 마이크로폰(122) 또는 사용자 입력부(123)를 통해 수신하여 객체 정보를 획득할 수 있다.

일 실시 예에서, 프로세서(180)는 객체별 인식 빈도의 변화량을 고려하여 제1 군집에 대한 객체 정보를 요청할 수 있다. 프로세서(180)는 객체별 인식 빈도의 감소량이 높은 순서대로 객체들을 정렬하고, 제1 군집이 인식 빈도의 감소량이 가장 높은 제1 객체인지 질의하고, 제1 군집이 제1 객체에 대응하지 않는다는 응답을 획득하면, 제1 군집이 인식 빈도의 감소량이 두 번째로 높은 제2 객체인지 질의할 수 있다. 예컨대, 프로세서(180)는 인식 대상 객체들 중에서 인식 빈도가 가장 많이 감소한 제1 객체가 "선풍기"인 경우, 제1 군집이 "선풍기"인지 질의하며 제1 군집에 대한 객체 정보를 요청할 수 있다.

일 실시 예에서, 프로세서(180)는 객체별 인식 빈도의 변화량과 군집별 인식 빈도의 변화량을 고려하여 제1 군집에 대한 객체 정보를 요청할 수 있다. 프로세서(180)는 제1 군집에 대한 인식 빈도의 증가량과 가장 유사한 인식 빈도의 감소량을 보이는 제2 객체를 식별하고, 제1 군집이 가장 유사한 정도로 인식 빈도가 반대로 변화하는 제2 객체인지 질의할 수 있다. 예컨대, 프로세서(180)는 제1 군집의 인식 빈도가 0.278만큼 증가하였고, 인식 대상 객체 중에서 제2 객체 "선풍기"의 인식 빈도가 0.299만큼 감소한 경우, 제1 군집이 "선풍기"인지 질의하며 제1 군집에 대한 객체 정보를 요청할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 수신한 객체 정보와 제1 군집에 대응하는 이미지 데이터를 이용하여 객체 인식 모델 세트를 갱신한다(S911).

상술한 것과 같이, 제1 군집은 인식 빈도가 상대적으로 높아 객체 인식 모델 세트를 통해 인식되어야 하는 객체에 대응된다. 따라서, 단계(S909)를 통해 제1 군집에 대응하는 객체 정보를 수신하고, 인공 지능 장치(100)의 프로세서(180)는 제1 군집에 대응하는 이미지 데이터와 수신한 객체 정보에 기초하여 객체 인식 모델 세트를 갱신할 수 있다. 객체 인식 모델 세트의 갱신 방법은 제1 군집에 대응하는 객체가 기존의 객체 인식 모델 세트에서 인식 가능한 객체인지 여부에 따라 달라질 수 있다.

프로세서(180)는 수신한 객체 정보가 객체 인식 모델 세트에서 인식할 수 있는 객체들에 중에 하나와 대응하는지 판단하고, 대응하는 객체가 존재하는 경우에는 해당 대응하는 객체를 인식하는 객체 인식 모델을 제1 군집에 대응하는 이미지 데이터를 이용하여 갱신할 수 있다. 예컨대, 특정 종류의 객체에 대하여 새로운 폼 팩터(form factor)가 형성되는 경우라면, 기존의 객체 인식 모델로는 해당 새로운 폼 팩터를 갖는 객체를 인식하지 못할 수 있다. 이러한 경우, 새로운 폼 팩터를 갖는 객체가 기존의 객체 인식 모델에서 인식 가능한 객체에 포함된다면, 이를 반영하여 객체 인식 모델을 갱신할 수 있다.

프로세서(180)는 수신한 객체 정보가 객체 인식 모델 세트에서 인식할 수 있는 객체들에 중에 하나와 대응하는지 판단하고, 대응하는 객체가 존재하지 않는 경우에는 제1 군집에 대응하는 이미지 데이터를 이용하여 새로운 객체 인식 모델을 학습하여 객체 인식 모델 세트에 추가할 수 있다. 새로운 객체 인식 모델 역시 기존의 객체 인식 모델 세트에 포함된 객체 인식 모델들과 마찬가지로, 적어도 하나 이상의 공유 레이어와 적어도 하나 이상의 비공유 레이어를 포함하며, 비공유 레이어에는 적어도 하나 이상의 배치 정규화 레이어와 출력 레이어가 포함될 수 있다.

다양한 실시 예에서, 프로세서(180)는 새로운 객체 인식 모델을 생성 및 학습하거나 기존의 객체 인식 모델을 학습하는 과정에서 공유 레이어의 모델 파라미터가 변경되게 될 경우, 선택에 따라 변경된 모델 파라미터를 나머지 객체 인식 모델들의 공유 레이어에 반영할 수도 있고, 반영하지 않을 수도 있다. 또한, 일 실시 예에서, 프로세서(180)는 새로운 객체 인식 모델을 생성 및 학습하거나 기존의 객체 인식 모델을 학습할 때, 공유 레이어의 모델 파라미터는 고정한 채로 비공유 레이어의 모델 파라미터만을 갱신할 수도 있다.

도 9에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 9에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 9에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 10은 본 개시의 일 실시 예에 따른 인식 빈도를 산출하는 방법의 예시를 나타낸 도면이다.

도 10을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 객체 인식 모델 세트(1020)를 이용하여 수신한 이미지 데이터(1011)에 대한 객체 인식 결과(1031)를 생성할 수 있다. 예컨대, 객체 인식 모델 세트(1020)에는 제1 객체(1041_1)를 인식하는 제1 객체 인식 모델(1021_1), 제2 객체(1041_2)를 인식하는 제2 객체 인식 모델(1021_2), 제n 객체(1041_n)를 인식하는 제n 객체 인식 모델(1021_n) 등이 포함될 수 있다.

인공 지능 장치(100)의 프로세서(180)는 객체 인식 결과(1031)에 기초하여 객체별 인식 빈도(1040)를 산출할 수 있다. 예컨대, 산출된 객체별 인식 빈도(1040)에서 제1 객체(1041_1)의 인식 빈도는 0.001, 제2 객체(1041_2)의 인식 빈도는 0.4, 제n 객체(1041_n)의 인식 빈도는 0.5일 수 있다.

인공 지능 장치(100)의 프로세서(180)는 객체 인식 모델 세트(1020)를 통하여 인식에 실패한 객체들, 즉 알 수 없는 객체(unknown object, 1042)들에 대하여 객체 군집화 모델(1050)을 이용하여 알 수 없는 객체들(1042)을 군집화할 수 있다. 객체 군집화 모델(1050)은 알 수 없는 객체들(1042)에 대응하는 이미지 데이터에서 추출된 특징들(features)를 특징 공간(feature space, 1060)에 매핑하고, 매핑된 이미지 데이터들의 유사도 또는 인접도에 기초하여 알 수 없는 객체들(1042)을 군집화할 수 있다. 예컨대, 알 수 없는 객체들(1042)은 제1 군집(1061_1), 제2 군집(1061_2) 및 제3 군집(1061_3)으로 군집화될 수 있다.

인공 지능 장치(100)의 프로세서(180)는 객체 군집화 모델(1050)의 군집화 결과에 기초하여 군집별 인식 빈도(1070)를 산출할 수 있다. 예컨대, 산출된 군집별 인식 빈도(1070)에서 제1 군집(1061_1)의 인식 빈도는 0.11, 제2 군집(1061_2)의 인식 빈도는 0.05, 제3 군집(1061_3)의 인식 빈도는 0.04일 수 있다.

상술한 과정에 따라, 인공 지능 장치(100)의 프로세서(180)는 객체별 인식 빈도(1040)와 군집별 인식 빈도(1070)를 산출할 수 있다. 객체별 인식 빈도(1040)는 객체 인식 모델 세트(1020)를 통하여 인식에 성공한 객체들의 인식 빈도를 의미하며, 군집별 인식 빈도(1070)는 객체 인식 모델 세트(1020)를 통하여 인식하지 못한 객체들의 인식 빈도를 의미할 수 있다.

도 11은 본 개시의 일 실시 예에 따른 객체 인식 모델 세트를 갱신하는 방법의 예시를 나타낸 도면이다.

도 11을 참조하면, 인공 지능 장치(1110)는 인공 지능 로봇 청소기일 수 있다. 인공 지능 장치(1110)는 미리 정해진 동작 구역에서, 예컨대 가정 내에서 동작할 수 있다. 인공 지능 장치(1110)는 가정 내에서 청소 동작을 수행하면서 객체 인식 모델 세트(1140)를 이용하여 가정 내의 객체들을 인식하고, 인식 결과에 기초하여 객체별 인식 빈도(1130)를 산출할 수 있다. 객체 인식 모델 세트(1140)에는 선풍기(1131_1)를 인식하는 선풍기 인식 모델(1141_1), 의자(1131_2)를 인식하는 의자 인식 모델(1141_2), 고양이(1131_n)를 인식하는 고양이 인식 모델(1141_n) 등이 포함될 수 있다.

가정 내에 선풍기(1120)가 배치되어 있다가 없어지게 될 경우, 객체 인식 빈도(1130)에서 선풍기(1131_1)의 인식 빈도가 0.3에서 0.001로 현저히 줄어들 수 있다. 반면, 가정 내에서 의자(1131_2)와 고양이(1131_n)에 변화가 없다면, 의자(1131_2)의 인식 빈도는 0.4에서 0.41로 근소하게 변하거나 그대로 유지될 수 있으며, 마찬가지로 고양이(1131_n)의 인식 빈도도 0.5에서 0.55로 근소하게 변하거나 유지될 수 있다.

인공 지능 장치(1110)는 선풍기(1131_1)의 인식 빈도가 0.001로 현저하게 줄어들었음을 파악할 수 있고, 선풍기(1131_1)의 인식 빈도가 미리 정해진 제1 기준 값보다 작아졌는지 판단할 수 있다. 예컨대, 미리 정해진 제1 기준 값이 0.1이라 가정하면, 인공 지능 장치(1110)는 선풍기(1131_1)의 인식 빈도가 미리 정해진 제1 기준 값 0.1보다 작아졌으므로, 객체 인식 모델 세트(1140)에서 선풍기 인식 모델(1141_1)을 제외할 수 있다.

도 12는 본 개시의 일 실시 예에 따른 객체 인식 모델 세트를 갱신하는 방법의 예시를 나타낸 도면이다.

도 12를 참조하면, 인공 지능 장치(1210)는 인공 지능 로봇 청소기일 수 있다. 인공 지능 장치(1210)는 미리 정해진 동작 구역에서, 예컨대 가정 내에서 동작할 수 있다. 인공 지능 장치(1210)는 가정 내에서 청소 동작을 수행하면서 객체 인식 모델 세트(1250)를 이용하여 가정 내의 객체들을 인식하고, 인식 결과에 기초하여 군집별 인식 빈도(1230)를 산출할 수 있다. 객체 인식 모델 세트(1250)에는 의자를 인식하는 의자 인식 모델(1251_1), 고양이를 인식하는 고양이 인식 모델(1251_n) 등이 포함될 수 있다.

기존에 가정 내에 선풍기(1220)가 없던 상태에서 새로 배치될 경우, 인공 지능 장치(1210)는 객체 인식 모델 세트(1250)에 선풍기(1220)를 인식할 수 있는 객체 인식 모델이 포함되어 있지 않으므로, 선풍기(1220)의 인식에 실패할 수 있다. 그리고, 인공 지능 장치(1210)는 선풍기(1220)를 알 수 없는 객체로 판단할 것이며, 선풍기(1220)는 알 수 없는 객체들 중에서 실제 가정 내에 배치된 객체이므로, 군집화시 인식 빈도가 높게 나타날 수 있다. 인공 지능 장치(1210)가 알 수 없는 객체들에 대하여 군집화한 결과 제1 군집(1231_1)의 인식 빈도는 0.002에서 0.28로 증가하고, 제2 군집(1231_2)의 인식 빈도는 0.02에서 0.021로 근소하게 변하거나 그대로 유지될 수 있으며, 제m 군집(1231_m)의 인식 빈도는 0.005에서 0.01로 근소하게 변화하거나 그대로 유지될 수 있다.

인공 지능 장치(1210)는 제1 군집(1231_1)에 대한 인식 빈도가 0.002에서 0.4로 급격히 증가하였음을 파악할 수 있고, 제1 군집(1231_1)에 대한 인식 빈도가 미리 정해진 제2 기준 값보다 커졌는지 판단할 수 있다. 예컨대, 미리 정해진 제2 기준 값이 0.1이라 가정하면, 인공 지능 장치(1210)는 제1 군집(1231_1)의 인식 빈도가 미리 정해진 제2 기준 값 0.1보다 커졌으므로, 사용자에게 제1 군집(1231_1)에 대한 객체 정보를 요청할 수 있고, 요청에 대한 응답으로써 제1 군집(1231_1)에 대한 객체 정보를 획득할 수 있다.

인공 지능 장치(1210)는 제1 군집(1231_1)에 대한 객체 정보에 기초하여 제1 군집(1231_1)이 객체 "선풍기"에 대응됨을 파악할 수 있고, 제1 군집(1231_1)에 대응하는 이미지 데이터를 이용하여 선풍기 인식 모델(1241)을 학습하고, 학습한 선풍기 인식 모델(1241)을 객체 인식 모델 세트(1250)에 추가할 수 있다. 그 결과, 객체 인식 모델 세트(1250)에는 선풍기를 인식하는 선풍기 인식 모델(1241), 의자를 인식하는 인식 모델(1251_1) 및 고양이를 인식하는 고양이 인식 모델(1251_n) 등이 포함될 수 있다.

도 13은 본 개시의 일 실시 예에 따른 객체 인식 모델 세트를 갱신하는 방법의 예시를 나타낸 도면이다.

도 13을 참조하면, 인공 지능 장치(1310)는 인공 지능 로봇 청소기일 수 있다. 인공 지능 장치(1310)는 미리 정해진 동작 구역에서, 예컨대 가정 내에서 동작할 수 있다. 인공 지능 장치(1310)는 가정 내에서 청소 동작을 수행하면서 객체 인식 모델 세트(1350)를 이용하여 가정 내의 객체들을 인식하고, 인식 결과에 기초하여 객체별 인식 빈도(1330)를 산출할 수 있다. 객체 인식 모델 세트(1350)에는 선풍기(1331_1)를 인식하는 선풍기 인식 모델(1351_1), 의자(1331_2)를 인식하는 의자 인식 모델(1351_2), 고양이(1331_n)를 인식하는 고양이 인식 모델(1351_n) 등이 포함될 수 있다. 여기서, 선풍기(1331_1)를 인식하는 선풍기 인식 모델(1351_1)은 기존의 폼 팩터를 갖는 제1 선풍기(1320_1)만을 인식할 수 있다고 가정한다.

기존에 가정 내에 배치되어 있던 기존의 폼 팩터를 갖는 제1 선풍기(1320_1)가 새로운 폼 팩터를 갖는 제2 선풍기(1320_2)로 변경될 경우, 선풍기 인식 모델(1351_1)이 새로운 폼 팩터를 갖는 제2 선풍기(1320_2)를 인식하지 못하므로, 객체 인식 빈도(1330)에서 선풍기(1331_1)의 인식 빈도가 0.3에서 0.001로 현저히 줄어들 수 있다. 반면, 가정 내에서 의자(1331_2)와 고양이(1331_n)에 변화가 없다면, 의자(1331_2)의 인식 빈도는 0.4에서 0.41로 근소하게 변하거나 그대로 유지될 수 있으며, 마찬가지로 고양이(1331_n)의 인식 빈도도 0.5에서 0.55로 근소하게 변하거나 유지될 수 있다.

그리고, 인공 지능 장치(1310)는 객체 인식 모델 세트(1350)에 포함된 선풍기 인식 모델(1351_1)이 새로운 폼 팩터를 갖는 제2 선풍기(1320_2)를 인식하지 못하므로, 제2 선풍기(1320_2)의 인식에 실패할 수 있다. 그리고, 인공 지능 장치(1310)는 제2 선풍기(1320_2)를 알 수 없는 객체로 판단할 것이며, 제2 선풍기(1320_2)는 알 수 없는 객체들 중에서 실제 가정 내에 배치된 객체이므로, 군집화시 인식 빈도가 높게 나타날 수 있다. 인공 지능 장치(1310)가 알 수 없는 객체들에 대하여 군집화한 결과 제1 군집(1431_1)의 인식 빈도는 0.002에서 0.28로 증가하고, 제2 군집(1341_2)의 인식 빈도는 0.02에서 0.021로 근소하게 변하거나 그대로 유지될 수 있으며, 제m 군집(1431_m)의 인식 빈도는 0.005에서 0.01로 근소하게 변화하거나 그대로 유지될 수 있다.

인공 지능 장치(1310)는 선풍기(1331_1)에 대한 인식 빈도가 0.3에서 0.001로 현저히 감소하였고, 제1 군집(1341_1)에 대한 인식 빈도가 0.002에서 0.4로 급격히 증가하였음을 파악할 수 있으며, 제1 군집(1341_1)에 대한 인식 빈도가 미리 정해진 제2 기준 값보다 커졌는지 판단할 수 있다. 예컨대, 미리 정해진 제2 기준 값이 0.1이라 가정하면, 인공 지능 장치(1310)는 제1 군집(1341_1)의 인식 빈도가 미리 정해진 제2 기준 값 0.1보다 커졌으므로, 사용자에게 제1 군집(1341_1)에 대한 객체 정보를 요청할 수 있고, 요청에 대한 응답으로써 제1 군집(1341_1)에 대한 객체 정보를 획득할 수 있다. 여기서, 인공 지능 장치(1310)는 선풍기(1331_1)에 대한 인식 빈도가 현저히 감소함과 동시에 제1 군집(1341_1)에 대한 인식 빈도가 현저히 증가하였음을 파악하였으므로, 제1 군집(1341_1)에 대응하는 객체가 선풍기(1331_1)인지 질의하고, 그에 대한 응답으로써 제1 군집(1341_1)에 대한 객체 정보를 획득할 수 있다.

인공 지능 장치(1310)는 제1 군집(1341_1)에 대한 객체 정보에 기초하여 제1 군집(1341_1)이 객체 "선풍기"에 대응됨을 파악할 수 있고, 객체 인식 모델 세트(1350)에 이미 선풍기 인식 모델(1351_1)이 포함되어 있으므로, 제1 군집(1341_1)에 대응하는 이미지 데이터를 이용하여 선풍기 인식 모델(1351_1)을 갱신할 수 있다. 그 결과, 선풍기 인식 모델(1351_1)은 기존의 폼 팩터를 갖는 제1 선풍기(1320_1)뿐만 아니라 새로운 폼 팩터를 갖는 제2 선풍기(1351_2)도 인식할 수 있다.

비록 상기 설명에서는 인식 대상 객체가 새로운 폼 팩터를 갖는 객체로 변경되는 상황만을 예시하였으나, 본 개시가 이에 한정되지 않는다. 즉, 본 개시는 폼 팩터가 변경된 상황뿐만 아니라, 동일한 종류의 객체이면서 외관이 크게 변하지 않았으나 객체 인식 모델의 성능이 낮아 정확하게 인식하지 못하는 상황에서도 적용될 수 있다.

본 개시의 일 실시 예에 따르면, 전술한 방법은 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.

Claims

객체를 인식하는 인공 지능 장치에 있어서,
카메라;
서로 적어도 하나 이상의 공유 레이어(shared layer)를 공유하는 복수의 객체 인식 모델을 저장하는 메모리; 및
상기 카메라를 통해 객체를 포함하는 이미지 데이터를 수신하고, 상기 복수의 객체 인식 모델을 포함하는 객체 인식 모델 세트를 이용하여 상기 이미지 데이터에 포함된 상기 객체를 인식하고, 객체 인식 빈도에 기초하여 상기 객체 인식 모델 세트를 갱신하는 프로세서
를 포함하는, 인공 지능 장치.
청구항 2에 있어서,
상기 객체 인식 모델은
합성곱 신경망(CNN: Convolutional Neural Network)을 포함하고, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
청구항 2에 있어서,
상기 객체 인식 모델은
상기 공유 레이어 및 적어도 하나 이상의 비공유 레이어(unshared layer)를 포함하고,
상기 비공유 레이어는
적어도 하나 이상의 배치 정규화(BN: Batch Normalization) 레이어 및 출력 레이어를 포함하는, 인공 지능 장치.
청구항 3에 있어서,
상기 객체 인식 모델은
단일한 종류의 객체를 인식하는 모델인, 인공 지능 장치.
청구항 4에 있어서,
상기 프로세서는
상기 객체 인식 모델 세트를 이용하여 인식에 성공한 객체들에 대하여 객체별 인식 빈도를 산출하는, 인공 지능 장치.
청구항 5에 있어서,
상기 프로세서는
상기 산출된 인식 빈도가 미리 정해진 제1 기준 값보다 낮은 제1 객체를 인식하는 제1 객체 인식 모델을 상기 객체 인식 모델 세트에서 제외하는, 인공 지능 장치.
청구항 5에 있어서,
상기 프로세서는
상기 객체 인식 모델 세트를 이용하여 인식에 실패한 객체를 알 수 없는 객체로 결정하고, 상기 알 수 없는 객체들을 복수의 군집들로 군집화하고, 상기 군집에 대하여 군집별 인식 빈도를 산출하는, 인공 지능 장치.
청구항 7에 있어서,
디스플레이 또는 음향 출력부를 포함하는 출력부
를 더 포함하고,
상기 프로세서는
상기 디스플레이 또는 상기 음향 출력부를 통해, 상기 산출된 인식 빈도가 미리 정해진 제2 기준 값보다 높은 제1 군집에 대한 객체 정보를 요청하는, 인공 지능 장치.
청구항 8에 있어서,
상기 프로세서는
상기 객체별 인식 빈도를 고려하여 상기 제1 군집에 대한 상기 객체 정보를 요청하는, 인공 지능 장치.
청구항 8에 있어서,
마이크로폰 또는 사용자 입력부를 포함하는 입력부
를 더 포함하고,
상기 프로세서는
상기 마이크로폰 또는 상기 사용자 입력부를 통해 상기 제1 군집에 대한 객체 정보를 수신하고, 상기 수신한 객체 정보 및 상기 제1 군집에 대응하는 이미지 데이터를 이용하여 상기 객체 인식 모델 세트를 갱신하는, 인공 지능 장치.
청구항 10에 있어서,
상기 프로세서는
상기 수신한 객체 정보가 상기 객체 인식 모델 세트의 인식 대상 객체들 중에 하나와 대응하는 경우, 상기 객체 정보에 대응하고 상기 객체 인식 모델 세트에 포함된 제1 객체 인식 모델을 갱신하는, 인공 지능 장치.
청구항 10에 있어서,
상기 프로세서는
상기 수신한 객체 정보가 상기 객체 인식 모델 세트의 인식 대상 객체들 중에 어느 것과도 대응하지 않는 경우, 상기 객체 정보를 인식하는 새로운 제2 객체 인식 모델을 학습하여 상기 객체 인식 모델 세트에 추가하고,
상기 제2 객체 인식 모델은
상기 공유 레이어와 적어도 하나 이상의 비공유 레이어를 포함하는, 인공 지능 장치.
객체를 인식하는 방법에 있어서,
서로 적어도 하나 이상의 공유 레이어(shared layer)를 공유하는 복수의 객체 인식 모델을 저장하는 메모리; 및
카메라를 통해 객체를 포함하는 이미지 데이터를 수신하는 단계;
서로 적어도 하나 이상의 공유 레이어(shared layer)를 공유하는 복수의 객체 인식 모델을 포함하는 객체 인식 모델 세트를 이용하여 상기 이미지 데이터에 포함된 상기 객체를 인식하는 단계; 및
객체별 인식 빈도에 기초하여 상기 객체 인식 모델 세트를 갱신하는 단계
를 포함하는, 방법.
객체를 인식하는 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서, 상기 방법은,
서로 적어도 하나 이상의 공유 레이어(shared layer)를 공유하는 복수의 객체 인식 모델을 저장하는 메모리; 및
카메라를 통해 객체를 포함하는 이미지 데이터를 수신하는 단계;
서로 적어도 하나 이상의 공유 레이어(shared layer)를 공유하는 복수의 객체 인식 모델을 포함하는 객체 인식 모델 세트를 이용하여 상기 이미지 데이터에 포함된 상기 객체를 인식하는 단계; 및
객체별 인식 빈도에 기초하여 상기 객체 인식 모델 세트를 갱신하는 단계
를 포함하는, 기록 매체.