KR20210087718A

KR20210087718A - 공기 청정기

Info

Publication number: KR20210087718A
Application number: KR1020200000775A
Authority: KR
Inventors: 윤유술; 김홍중
Original assignee: 엘지전자 주식회사
Priority date: 2020-01-03
Filing date: 2020-01-03
Publication date: 2021-07-13

Abstract

본 개시의 공기 청정기는 실내 공간의 경계 정보를 수신하고, 경계 정보를 기초로 하여 토출 방향의 동작 정보를 결정하여 공기 정화를 수행하는 공기 청정기를 개시한다. 또한 실내 공간의 경계 정보와 환경 정보를 이용하여 토출 방향에 대응하는 동작 정보를 결정하고, 동작 정보에 기초하여 실내 공간의 공기 정화를 수행하는 공기 청정기를 개시한다.

Description

공기 청정기{AIR CLEANING APPARATUS}

본 개시는 경계 정보와 환경 정보를 이용하여 해당 공간의 공기 정화를 수행하기 위한 공기 청정기의 동작 정보를 결정하고, 결정된 동작 정보를 이용하여 해당 공간의 공기정화를 수행하는 공기 청정기를 제공한다.

공기 청정기는 오염된 공기를 흡입하여 정화한 후, 정화된 공기를 배출시키는 장치로서 이해된다. 일례로, 공기 청정기에는, 외부의 공기를 공기 청정기의 내부로 유입시키기 위한 송풍장치 및 공기 중 먼지나 세균등을 필터링 할 수 있는 필터가 포함될 수 있다.

일반적으로, 공기 청정기는 가정이나 사무실과 같은 실내 공간을 정화하도록 구성된다. 종래의 공기 청정기에 의하면, 공간의 특성과 관계없이 일정한 풍량, 풍향 및 시간에 따라 공기 정화를 수행하는 문제점이 있었다. 따라서, 공기 청정기의 주변의 공기는 정화될 수 있는 반면, 상기 공기 청정기로부터 멀리 떨어진 공간의 공기는 정화되는 것이 어려운 문제점이 있었다.

다시 말해서, 공기 청정기의 송풍팬은 제한된 범위에서 일정한 송풍량을 가지므로 송풍팬으로부터 토출된 정화된 공기는 공간의 형태 또는 주변 환경적 요인을 고려하지 못하여 제한된 구역의 공기만 정화되는 문제점이 있었다.

본 개시의 목적은 공기 청정기가 공간의 형태 또는 주변 환경적 요인에 따라 정화된 공기가 토출되는 공간에 대응하는 동작 정보를 결정하고, 결정된 동작 정보에 따라 오염된 구역에 정화된 공기가 빠르게 도착할 수 있도록 하는 공기 청정기를 제공하는 것을 목적으로 한다.

본 개시의 공기 청정기는 실내 공간에 대응하는 경계 정보를 수집하고, 경계 정보를 이용하여 토출 방향에 대응하는 동작 정보를 결정하고, 동작 정보에 기초하여 해당 토출 방향의 공기 정화를 수행할 수 있다.

또한, 본 개시는 토출 방향에 대응하는 환경 정보를 더 수집하고, 토출 방향에 대응하는 경계 정보와 환경 정보를 이용하여 동작 정보를 결정하여 실내 간의 공기 정화를 수행할 수 있다.

본 개시의 공기 청정기는 실내 공간의 구조 및 공간에서 발생한 환경 정보에 따라 상이할 수 있는 공기 청정기의 동작을 결정하여 공기 정화 수행 시 해당 공간에 대응하는 풍향, 풍량 및 송풍 간을 결정함으로써 공기 정화를 수행하는 공간에 최적 효율 운전을 제공할 수 있다.

또한, 오염된 구역 또는 우선순위가 부여된 공간에 효과적으로 정화된 공기를 토출하여 공기 정화가 더 필요한 구역에 대하여 먼저 공기 정화를 수행할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 인공 지능 장치(100)를 나타낸다.
도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버를(200)의 나타낸다.
도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 개시의 일 실시 예에 따른 공기 청정기를 나타낸다.
도 6은 본 개시의 흐름도를 나타낸다.
도 7은 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 8은 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 9는 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 10은 본 개시의 흐름도를 나타낸다.
도 11은 본 개시의 흐름도를 나타낸다.
도 12는 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 13은 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 14는 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 15는 본 개시의 동작 방법을 설명하기 위한 도면이다.
도 16는 본 개시의 인공 지능 모델을 나타낸다.
도 17는 본 개시의 동작 방법을 설명하기 위한 도면이다.

이하, 본 발명의 상세에 대하여 설명한다.

이하에 설명하는 실시 예는 본 발명의 일례 일 뿐이며, 본 발명은 다양한 형태로 변형 될 수 있다. 따라서, 이하에 개시된 특정 구성 및 기능은 청구 범위를 제한하지 않는다.

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 인공 지능 장치(100)를 나타낸다.

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

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

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

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

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

도 2는 본 개시의 일 실시 예에 따른 인공 지능 서버(200)를 나타낸다.

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

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

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

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

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

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

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

도 3은 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸다.

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

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

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

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

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

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

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

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

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

<AI+로봇>

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

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

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

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

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

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

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

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

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

<AI+자율주행>

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

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

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

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

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

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

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

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

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

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

<AI+XR>

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

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

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

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

<AI+로봇+자율주행>

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

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

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

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

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

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

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

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

<AI+로봇+XR>

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

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

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

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

<AI+자율주행+XR>

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

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

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

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

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

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

도 1과 중복되는 설명은 생략한다.

본 개시에서, 인공 지능 장치(100)는 엣지 디바이스(edge device)를 포함한다.

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

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

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

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

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

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

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

센싱부(140)는 센서부라고 칭할 수 있다.

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

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

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

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

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

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

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

도 5는 본 개시의 일 실시 예에 따른 공기 청정기를 나타낸다.

본 개시의 공기 청정기(700)은 도 1 내지 도 4의 인공 지능 장치(100)의 구성을 포함할 수 있다. 또한 공기 청정기(700)는 인공 지능 장치(100)의 동작을 수행할 수 있으며, 인공 지능 장치(100)와 혼용되어 사용될 수 있다.

도 5를 참조하면, 공기 청정기(700)는 통신부(710), 입력부(720), 센서부(730), 압축기(740), 팬모터(750), 출력부(760), 메모리(770), 프로세서(780), 및 전원 공급부(790)를 포함할 수 있다.

센서부(730)는 공기 청정기(700)를 둘러싼 주변 환경 정보 및 실내 공간의 경계 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센서부(730)는 공기 청정기(700)가 설치된 공간의 온도를 감지하기 위한 온도 센서(732), 상기 공간의 습도를 감지하기 위한 습도 센서(734)를 포함할 수 있다.

또한 센서부(730)는 공기 중 먼지의 양을 감지하는 먼지 센서(735) 및 공기 중 가스의 양을 감지하는 가스 센서(736)를 포함할 수 있다.

또한 센서부(730)는 주변 공간의 깊이, 너비 및 윤곽을 감지할 수 있는 3D 센서(737)을 포함할 수 있다. 구체적으로 3D 센서(737)은 TOF 카메라 및 비전 센서를 포함할 수 있다. ToF 카메라는 TOF(Time of Filght) 방식을 사용하여 거리(depth) 이미지를 출력해 주는 카메라를 의미할 수 있다. 이때, ToF는 적외선 등 빛이 물체에 닿았다가 반사돼 돌아오는 시간을 측정하는 방식을 의미할 수 있다.

프로세서(780)는 공기 청정기(700)의 전반적인 동작을 제어한다. 프로세서(780)는 공기 청정기(700)의 정화 정보에 기초하여 팬모터(750), 및 유동 전환 장치(755) 중 적어도 하나를 조절할 수 있다. 여기서 정화 정보는, 동작 모드, 풍량 및 풍향 중 적어도 하나를 포함할 수 있다.

송풍 장치(740)는 흡입구 및 토출구를 포함할 수 있다. 유동 전환 장치(755)는 송풍 장치의 토출구에서 토출되는 공기의 유동 방향을 전환시킬 수 있다.

팬모터(750)는 송풍 장치(740)의 내부에 설치되고, 송풍 장치(740) 내부에 구비되는 송풍팬(미도시)을 회전시켜 공기를 송풍할 수 있다. 이에 따라 팬모터(750)는 공기 유동을 발생시킬 수 있다.

즉, 팬모터(750)가 구동되면 송풍팬이 회전하고, 송풍팬이 회전함에 따라 흡입구를 통해 공기가 흡입되고, 토출구를 통해 공기가 토출될 수 있다.

또한 송풍 장치(740) 내부에는 정화 유닛(745)이 설치되며, 흡입구를 통해 공기가 흡입되고 토출구를 통해 공기가 토출됨에 따라 정화 유닛은 공기를 정화할 수 있다.

프로세서(780)는 정화 정보 중 동작 모드에 기초하여 팬 모터(750) 및 유동 전환 장치(755) 중 적어도 하나의 동작을 제어할 수 있다. 그리고 팬 모터(750) 및 유동 전환 장치(755) 중 적어도 하나의 동작이 제어 됨에 따라 공기 청정기의 동작 모드가 조절될 수 있다.

또한 프로세서(780)는 정화 정보 중 풍량에 기초하여 팬모터(750) 및 유동 전환 장치(780) 중 적어도 하나의 동작을 제어할 수 있다. 그리고 팬모터(750) 및 유동 전환 장치(780) 중 적어도 하나의 동작이 제어 됨에 따라 공기 청정기(780)의 풍량이 조절될 수 있다.

또한 프로세서(780)는 정화 정보 중 풍향에 기초하여 유동 전환 장치(780)의 동작을 제어할 수 있다. 그리고 유동 전환 장치(780)의 동작이 제어 됨에 따라 공기 청정기(780)의 풍향이 조절될 수 있다.

구동부(795)는, 구동 휠 및 모터를 포함하고, 프로세서(780)에 의해 제어되어 공기 청정기를 이동시킬 수 있다.

구동 휠은 모터의 구동력에 의해 작동할 수 있다.

프로세서(780)는 복수의 구동 휠 각각을 개별적으로 제어할 수 있다. 각 구동 휠의 회전 방향과 회전 속도를 서로 다르게 제어함으로써, 공기 청정기는 다양한 방향으로 주행 및 회전이 가능할 수 있다.

상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 공기 청정기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 공기 청정기의 동작, 제어, 또는 제어방법은 상기 메모리(770)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 공기 청정기 상에서 구현될 수 있다.

도 6은 본 개시의 흐름도를 나타낸다.

도 6은 본 개시의 일 실시예에 따른 공기 청정기(700)의 동작 방법을 설명하기 위한 도면이다.

본 개시의 실시 예에 따른 공기 청정기(700)의 센서부(730)는 실내 공간의 경계 정보를 센싱할 수 있다(S610). 그리고, 공기 청정기(700)의 프로세서(780)는 상기 경계 정보를 이용하여 정화된 공기가 토출되는 토출 방향에 대응하는 동작 정보를 결정할 수 있다(S620). 이후 프로세서(780)는 동작 정보에 기초하여 공기정화를 수행하도록 공기 청정기(700)를 제어할 수 있다(S630). 이하 각 구성에 대하여 구체적으로 설명한다.

먼저 센서부(730)는 실내 공간의 경계 정보를 센싱할 수 있다. 이때 상기 경계 정보는 실내 공간의 깊이(depth), 너비, 윤곽, 넓이 및 크기 정보 중 적어도 하나를 포함할 수 있다. 구체적으로 실내 공간의 깊이는 본 개시의 공기 청정기(700)의 센서부(730)가 센싱하는 공간의 끝점까지의 거리를 의미할 수 있다. 그리고, 실내 공간의 너비는 상기 실내 공간의 깊이로부터 도출 될 수 있다. 프로세서(780)는 너비와 깊이를 이용하여 경계 정보에 포함된 복수의 공간의 크기 또는 넓이를 획득할 수 있다.

또한, 본 개시의 센서부(730)는 3D센서(737)를 포함할 수 있다. 상기 3D 센서(737)는 입체 공간 또는 물체를 센싱할 수 있다. 또한 위치 및 방향을 확인하기 위하여 사전에 정의된 물체와 공간의 윤곽 또는 구조를 인식할 수 있다. 3D 센서(737)는 비전 센서 또는 ToF 카메라를 포함할 수 있다. 본 개시의 특정 공간의 깊이, 너비 및 윤곽 정보는 ToF 카메라에서 획득된 정보(예를 들어 깊이 맵)를 이용하여 획득될 수 있다.

한편, 본 개시의 실내 공간의 경계 정보는 다른 장치로부터 저장된 맵 정보를 활용하는 경우를 포함할 수 있다. 위의 경우는 도 17에서 설명한다.

상기 과정을 통하여 공기 청정기는 실내 공간의 경계 정보를 획득할 수 있다(S610).

본 개시의 공기 청정기(700)는 상기 경계 정보를 이용하여 실내 공간에 포함된 토출 방향에 대응하는 동작 정보를 결정할 수 있다(S620). 이때, 토출 방향에 대응하는 동작 정보는 상기 공기 청정기(700)의 풍향, 풍량, 송풍 시간 및 유동 전환 속도 중 적어도 하나를 포함할 수 있다. 이때, 유동 전환 속도는 상기 유동 전환 장치의 동작에 따른 풍향 회전 속도를 의미할 수 있다.

프로세서(780)는 상기 동작 정보에 기초하여 공기 정화를 수행할 수 있다(S630). 구체적으로 프로세서(780)는 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어하여 공기 청정기의 풍향, 풍량, 해당 방향의 송풍 시간 및 유동 전환 속도를 제어함으로써 실내 공간의 공기 정화를 수행할 수 있다.

도 7은 본 개시의 동작 방법을 설명하기 위한 도면이다.

<깊이 정보를 이용한 공기 정화>

도 7을 참조하면, 공기 청정기(700)의 센서부(730)에서 획득된 실내 공간의 경계 정보를 이용하여, 프로세서(780)는 공기 청정기(700)의 토출 방향에 대응하는 깊이 정보를 획득할 수 있다. 또한 깊이 정보에 기초하여 상기 토출 방향에 대응하는 동작 정보를 결정할 수 있다. 이때 상기 토출 방향에 대응하는 동작 정보는 상기 공기 청정기의 풍향, 풍량,송풍 시간 및 유동 전환 속도 중 적어도 하나를 포함할 수 있다. 상기 프로세서(780)는 상기 동작 정보에 기초하여 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어할 수 있다.

예를 들어, 도 7을 참조하면 공기 청정기(700)는 실내 공간의 경계 정보를 획득할 수 있다. 공기 청정기(700)의 프로세서(780)는 획득된 경계 정보를 이용하여 실내 공간의 깊이 정보를 획득할 수 있다. 그리고, 프로세서(780)는 깊이 정보에 따른 공기 정화를 수행할 수 있다.

구체적으로 공기 청정기(700)의 풍향이 제1 토출 방향을 향하는 경우, 프로세서는 제1 토출 방향에 대응되는 깊이 정보를 이용하여 동작 정보를 결정하고, 상기 동작정보에 따라 제1 토출 방향으로 공기 정화를 수행할 수 있다.

또한 본 개시의 공기 청정기(700)는 실내 공간의 경계 정보로부터 각 방향에 대응하는 깊이 정보를 획득할 수 있다. 그리고 상기 각 방향에 대응하는 깊이 정보를 이용하여 동작 정보를 결정할 수 있다.

예를 들어 일정 범위의 공기 정화를 수행하는 공기 청정기(700)에 있어서 프로세서는 제1 토출 방향에 대응하는 깊이 정보가 제2 토출 방향에 대응하는 깊이 정보 보다 깊으면 상기 제1 토출 방향의 동작 정보에 포함되는 풍량을 상기 제2 토출 방향의 동작 정보에 포함되는 풍량보다 강하게 설정하거나 상기 제1 토출 방향의 동작 정보에 포함되는 송풍 시간을 상기 제2 토출 방향의 동작 정보에 포함되는 송풍 시간보다 길게 설정할 수 있다.

구체적으로 제1 토출 방향과 제2 토출 방향의 공기 정화를 수행하는 공기 청정기가 있다고 하면, 공기 청정기(700)의 센서부(730)는 제1 토출 방향과 제2 토출 방향을 포괄하는 실내 공간의 깊이 정보를 센싱할 수 있다. 센서부(730)에서 획득한 깊이 정보를 살펴보면, 제1 토출 방향의 깊이는 약 3미터이고 제2 토출 방향의 깊이는 약 2미터이다. 프로세서는 제1 토출 방향에 대응하는 동작 정보를 풍량 '강' 송풍 시간 '5분' 유동 전환 속도 '1도/초' 와 같이 결정할 수 있다. 그리고 제2 토출 방향에 대응하는 동작 정보를 풍향 '중' 송풍시간 '3분' 유동 전환속도 '2도/초'와 같이 결정할 수 있다. 프로세서(780)는 각 토출 방향에 대응하는 깊이 정보와 깊이 정보에 따른 동작 정보를 메모리(770)에 저장할 수 있다. 이후 공기 청정기(700)는 제1 토출 방향과 제2 토출 방향을 순회하고, 각 토출 방향에 대응하는 동작 정보에 기초하여 공기 정화를 수행할 수 있다.

< 공간별 공기 정화>

도 7을 참조하면, 실내 공간에는 복수의 공간이 포함될 수 있다. 이때 복수의 공간은 그 용도와 종류에 따라 특정 공간으로 분류 될 수 있다. 예를 들어 상기 특정 공간은 부엌, 복도, 거실, 안방, 다목적실 및 기타 방일 수 있다.

복수의 공간을 포함하는 실내 공간의 공기 정화를 수행함에 있어서, 본 개시의 공기 청정기(700)의 프로세서(780)는 실내 공간의 경계 정보를 이용하여, 공기 정화가 수행중인 토출 방향에 대응하는 공간 정보를 획득하고, 상기 토출 방향에 대응하는 공간 정보를 이용하여 상기 토출 방향에 대응하는 동작 정보를 결정할 수 있다. 이때 상기 공간 정보는 상기 실내 공간의 윤곽, 크기 및 넓이 정보 중 적어도 하나를 포함할 수 있다.

본 개시의 실시예에 따르면, 프로세서(780)는 복수의 공간 각각의 동작 정보를 결정하고, 상기 복수의 공간 각각의 동작 정보를 이용하여 상기 실내 공간의 공기 정화를 수행할 수 있다. 이때, 복수의 공간 각각의 동작 정보는 각 공간의 공간 정보에 기초하여 다르게 결정될 수 있다. 이때, 공간 정보란 공기 청정기(700)가 토출하는 정화된 공기의 토출 방향에 있는 공간의 크기 또는 넓이를 의미할 수 있다.

예를 들어, 본 개시의 공기 청정기(700)가 도 7과 같이 실내 공간에 위치하고 있다고 하면, 공기 청정기(700)의 센서부(730)는 실내 공간에 포함된 복수의 공간인 제1 공간 내지 제4 공간의 경계 정보를 센싱할 수 있다. 이때, 프로세서(780)는 센싱된 경계 정보를 이용하여, 상기 토출 방향에 대응하는 공간 정보를 획득하고, 상기 토출 방향에 대응하는 공간 정보를 이용하여 상기 토출 방향에 대응하는 동작 정보를 결정할 수 있다.

프로세서(780)는 획득한 공간 정보를 이용하여 각 공간에 대응하는 공기 청정기의 풍향, 풍량, 송풍 시간 및 유동 전환 속도를 결정할 수 있다. 그리고, 프로세서(780)는 상기 동작 정보에 기초하여 팬 모터 및 유동 전환 장치를 제어하여 각 공간으로 공기 정화를 수행할 수 있다.

예를 들어, 공기 청정기(700)의 프로세서(780)는 획득된 경계 정보에서 복수개의 공간 정보를 획득하였다고 하자. 센서부(730)는 제1 토출 방향으로의 공기 정화를 수행할 때, 제1 토출 방향에 대응하는 제1 공간의 깊이가 3미터, 너비가 3미터의 공간 정보를 센싱할 수 있다. 프로세서(780)는 제1 공간의 공간 정보(예를 들어 넓이가 9 제곱미터)를 이용하여 공기 청정기(700)의 풍량을 '중'의 세기, 공기 청정기(700)의 풍향을 '수평 각도 0도 내지 90도', '수직 방향으로 30도 내지 60도' 및 '해당 구역에 지속시간 5분' 와 같이 일정 범위 내의 풍량, 풍향, 송풍 시간 및 유동 전환 속도(예를 들어 초당 5도 전환)을 제1 공간의 동작 정보로 결정하고, 해당 동작 정보에 기초하여 공기 정화를 수행하도록 공기 청정기(700)를 제어할 수 있다.

그리고 공기 청정기(700)의 센서부(730)는 복수의 공간 중 제2 토출 방향에 대응하는 제2 공간의 깊이가 4미터, 너비가 1미터의 공간 정보를 센싱할 수 있다. 프로세서(780)는 제2 공간의 공간 정보(예를 들어 넓이가 4제곱미터)를 획득할 수 있다. 만약 제1 토출 방향에 대응되는 공간에서 제2 토출 방향에 대응되는 공간으로 공기 정화가 진행되는 경우 동작 정보 또한 각 토출 방향에 대응되는 공간 정보에 따라 변화하게 된다.

구체적으로 공기 청정기(700)는 제1 토출 방향에 대응하는 공간 정보가 제2 토출 방향에 대응하는 공간 정보 보다 크면, 상기 제1 토출 방향의 동작 정보에 포함된 풍량을 상기 제2 토출 방향의 동작 정보에 포함된 풍량보다 강하게 설정하거나, 상기 제1 토출 방향의 동작 정보에 포함된 송풍 시간을 상기 제2 토출 방향의 동작 정보에 포함된 송풍 시간보다 길게 설정할 수 있다. 따라서 제1 토출 방향의 풍량 또는 송풍 시간은 제2 토출 방향의 풍량 또는 송풍시간 보다 강하거나 길 수 있다.

예를 들어 제1 토출 방향의 풍량은 '강' 송풍 시간은 '5분'으로 결정되고, 제2 토출 방향의 풍량은 '중' 송풍 시간은 '3분'와 같이 결정될 수 있다. 그리고 프로세서(780)은 메모리(770)에 해당 공간의 동작 정보를 저장하고 해당 공간의 공기 정화를 수행할 때 저장된 동작 정보대로 공기 정화를 수행할 수 있다.

본 개시의 공간 정보를 획득하는 방법에 있어서, 본 개시의 센서부(730)는 공간 정보를 획득하는 ToF 카메라를 포함할 수 있다.

그리고 본 개시의 공기 청정기(700)는 센서부의 3D센서를 이용하여 상기 토출 방향에 대응하는 공간 내 물체를 검출할 수 있다. 프로세서(780)는 토출 방향에 대응하는 공간 내 물체가 경계 정보에 해당하지 않는 오브젝트(예를 들어 가구, 기타 물체)로 판단되면 상기 토출 방향과 상기 물체가 검출된 방향이 일치하지 않도록 풍향을 조정할 수 있다.

도 8은 본 개시의 동작 방법을 설명하기 위한 도면이다.

도 8을 참조하면, 제1 토출 방향에 대응하는 깊이 정보는 제2 토출 방향에 대응하는 깊이 정보 보다 깊은 경우의 예시이다. 프로세서(780)는 제1 토출 방향에 대한 공기 정화를 수행할 때, 풍량을 제2 토출 방향에 대한 공기 정화를 수행할 때보다 강하게 설정하거나, 송풍 시간을 길게 설정할 수 있다.

또 다른 예시로, 프로세서(780)는 제1 토출 방향에 대응하는 깊이 정보가 제2 토출 방향에 대응하는 깊이 정보 보다 깊으면 상기 제1 토출 방향의 동작 정보에 포함되는 유동 전환 속도를 상기 제2 토출 방향의 동작 정보에 포함되는 유동 전환 속도보다 느리게 설정할 수 있다. 이때 유동 전환 속도는 토출구에서 토출되는 공기의 유동 방향을 전환시키는 유동 전환 장치가 제어됨에 따라 변화하는 토출 방향 전환 속도를 의미할 수 있다.

본 개시의 공기 청정기(700)의 프로세서(780)는 센서부(730)에서 획득한 공간 정보를 이용하여 복수의 공간을 구분하고, 구분된 복수의 각 공간의 동작 정보를 결정하여 공기 정화를 수행할 수 있다. 도면에서 나타난 바와 같이 제2 공간보다 제1 공간의 깊이 또는 너비가 넓은 경우, 제1 공간의 공기 정화를 수행할 때, 풍량을 제2 공간의 풍량보다 강하게, 지속 시간을 제2 공간보다 길게 동작 정보를 결정할 수 있다. 실내 공간에서 사용 시나리오는 도 9에서 설명한다.

도 9는 본 개시의 동작 방법을 설명하기 위한 도면이다.

도 9를 참조하면 본 개시의 공기 청정기(700)는 실내 공간에 배치되고, 배치된 위치에서 공기 청정기(700)의 센서부는 주변 공간을 센싱하여 공간 정보를 수집할 수 있다.

본 개시의 프로세서(780)는 수집한 공간 정보를 이용하여, 실내 공간에 포함된 복수의 공간을 구분할 수 있다. 구체적으로 프로세서(780)는 ToF 카메라에서 획득한 공간의 윤곽 또는 형태에서 따라 실내 공간에 포함된 복수의 공간을 구분할 수 있다. 또한 3D센서(737)에서 획득한 공간의 깊이 값이 일정 값 이상 급변하는 구역을 각 공간의 경계로 판단하여 복수의 공간을 구분할 수 있다.

예를 들어 공기 청정기(700)는 주변 공간을 센싱하여 획득한 공간 정보를 이용하여 도면과 같이 실내 공간을 제1 공간 내지 제4 공간으로 구분할 수 있다. 공기 청정기(700)의 프로세서(780)는 공간 정보에 포함된 윤곽 정보를 이용하여 각 공간의 맵을 형성하고, 각 공간마다 동작 정보를 결정할 수 있다. 도 8과 같이 각 공간의 깊이, 너비 및 윤곽은 서로 상이하므로, 각 공간의 동작 정보 또한 서로 상이할 수 있다. 프로세서(780)는 각 공간마다 결정된 동작 정보에 기초하여 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어하여 실내 공간의 공기 정화를 수행할 수 있다.

본 개시의 실시예에 있어서, 프로세서(780)는 각 공간의 경계 정보에서 획득된 깊이 또는 너비를 이용하여 공기 정화 우선 순위를 결정할 수 있다. 예를 들어 제1 공간의 너비가 상기 제2 공간의 너비보다 넓은 경우 또는 상기 제1 공간의 깊이가 상기 제2 공간의 깊이보다 깊은 경우, 상기 제1 공간을 제2 공간보다 먼저 공기 정화를 수행할 수 있다.

예를 들어, 공기 청정기(700)는 제1 공간 내지 제4 공간을 일정 범위 내에서 풍향을 조절하여 실내 공간의 공기 정화를 수행할 수 있다. 통상적으로 공기 청정기(700)는 일정 범위의 풍향을 갖는다. 예를 들어 공기 청정기(700)는 제1 공간 내지 제4 공간을 회전하며 공기 정화를 수행한다고 가정하자. 프로세서(780)는 제1 공간 내지 제 4공간의 경계 정보에서 획득된 깊이 또는 너비를 이용하여 각 공간의 우선 순위를 결정하고, 해당 공간의 우선 순위에 기초하여 공기 정화를 수행할 수 있다. 이때, 우선 순위에 기초하여 공기정화를 수행하는 동작은 제1 순위인 제4 공간에 대응하는 방향으로 공기 정화를 수행한 뒤, 제 2 순위인 제1 공간에 대응하는 방향으로 공기 정화를 수행하는 방식으로 이루어 질 수 있다.

또한, 본 개시의 공기 청정기(700)의 제1 토출 방향에 대응하는 깊이 정보가 제2 토출 방향에 대응하는 깊이 정보 보다 깊은 경우 또는 상기 제1 토출 방향에 대응하는 공간 정보가 제2 토출 방향에 대응하는 공간 정보 보다 큰 경우 상기 제1 토출 방향에 우선 순위를 부여하고, 상기 우선 순위에 기초하여 공기 정화를 수행할 수 있다. 이때, 상기 공간 정보는 상기 실내 공간의 윤곽, 크기 및 넓이 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 제1 토출 방향에 대응하는 깊이는 5미터, 제2 토출 방향에 대응하는 깊이 정보는 3미터라고 하면, 제1 토출 방향의 우선 순위는 1순위이고 제2 토출 방향의 우선 순위는 2순위로 결정될 수 있다.

또 다른 예시로 제1 토출 방향에 대응하는 제1 공간의 크기는 25 제곱미터 이고 제2 토출 방향에 대응하는 제2 공간의 크기는 9 제곱미터인 경우 제1 공간의 우선 순위는 1순위, 제2 공간의 우선 순위는 2순위로 결정될 수 있다.

도 10은 본 개시의 흐름도를 나타낸다.

도 10은 본 개시의 공기 청정기(700)가 경계 정보뿐만 아니라 환경 정보를 추가적으로 고려하여 공기 정화를 수행하는 동작을 나타낸 흐름도이다.

본 개시의 공기 청정기(700)의 센서부(730)는 실내 공간에 대응하는 경계 정보를 획득할 수 있다(S1010). 그리고, 본 개시의 센서부(730)는 실내 공간에 대응하는 환경 정보를 획득할 수 있다(S1020). 이때, 환경 정보는 실내 공간의 비전 정보, 공기 질 및 먼지 발생 정보 중 적어도 하나를 포함할 수 있다.

상기 실내 공간의 비전 정보는 센서부(730)의 3D 센서(737)에서 수집될 수 있다. 3D 센서(7370)는 비전 센서, ToF 카메라를 포함할 수 있다. 환경 정보에 포함된 공기 질은 공기 중의 먼지의 양에 의존할 수 있다. 즉 공기 질이 좋다는 것은 공기 중의 먼지 양이 적다는 것을 의미할 수 있으며, 공기 질이 나쁘다는 것은 공기 중의 먼지 양이 많다는 것을 의미할 수 있다.

또한 먼지 발생 정보는 소리, 카메라로 촬영되는 영상 등을 통하여 특정 위치에서 먼지가 발생되고 있음을 나타내는 먼지 발생 정보를 의미할 수 있다.

상기 공기 질, 먼지 발생 정보 및 비전 정보는 실내 공간에 설치된 다른 장치 또는 다른 장치의 센서부에 탑재된 먼지 센서로부터 수집될 수 있으며, 실내 공간에 설치된 공기 청정기(700)의 외부 센서에서 수신될 수 있다.

프로세서(780)는 수집한 경계 정보 및 환경 정보를 이용하여 정화된 공기의 토출 방향에 대응하는 동작 정보를 조정할 수 있다(S1030). 그리고 결정된 동작 정보에 기초하여 공기 정화를 수행할 수 있다(S1040).

본 개시의 프로세서(780)는 정화된 공기의 토출 방향에서 상기 환경 정보가 검출된 경우, 상기 토출 방향의 동작 정보에 포함된 송풍 시간을 이전보다 오래 지속시키거나 상기 토출 방향의 동작 정보에 포함된 풍량을 더 강하게 조정할 수 있다.

이로써 본 개시의 공기 청정기(700)는 경계 정보를 이용한 깊이 또는 공간의 넓이를 고려하고, 해당 공간의 특수한 상황이 반영된 환경 정보를 이용하여 효과적으로 공기 정화를 수행할 수 있다.

도 11은 본 개시의 흐름도를 나타낸다.

도 11은 상기 실내 공간이 복수의 공간을 포함하고 있는 경우 공기 청정기(700)의 동작을 나타내기 위한 흐름도이다.

도 11을 참조하면, 공기 청정기(700)의 센서부(730)는 각 공간에 대응하는 경계 정보를 획득하고(S1110), 각 공간에 대응하는 환경 정보를 획득할 수 있다(S1120). 프로세서(780)는 실내 공간에 포함된 복수의 공간의 우선 순위를 결정할 수 있다(S1130). 구체적으로 프로세서(780)는 환경 정보가 검출된 토출 방향에 공기 정화 우선순위를 부여할 수 있다. 또는 프로세서(780)는 경계 정보와 환경 정보 각각에 가중치를 부여하여 상기 가중치의 조합으로부터 도출된 최종 우선 순위를 부여할 수 있다. 프로세서(780)는 결정된 우선 순위에 기초하여 해당 방향의 공기 정화를 수행할 수 있다(S1140).

도 12는 본 개시의 동작 방법을 설명하기 위한 도면이다.

도 12는 본 개시의 실내 공간에서 발생한 환경 정보를 반영하여 토출 방향에 대응하는 공기 정화를 수행하는 예시를 나타낸 것이다.

도 12를 참조하면, 공기 청정기(700)의 센서부는 공기 청정기(700)의 토출 방향에 대응되는 실내 공간의 비전 정보, 공기 질 및 먼지 발생 정보를 포함하는 환경 정보를 더 수집할 수 있다. 예를 들어 공기 청정기(700)의 정화된 공기 토출 방향이 제4 토출 방향에 대응하는 경우, 공기 청정기(700)의 센서부(730)는 제4 토출 방향에 대응하는 환경 정보로 반려 동물 유무를 판단할 수 있다. 프로세서(780)는 센서부(730)에서 수집된 환경 정보에서 반려 동물이 검출되면, 제4 노출 방향에 대응하는 동작 정보를 조정하여 공기 정화를 수행할 수 있다.

또한, 공기 청정기(700)의 정화된 공기 토출 방향이 제1 토출 방향에 대응하는 경우, 공기 청정기(700)의 센서부(730)는 제1 토출 방향에서 발생한 먼지 발생 정보를 수집하고, 제1 토출 방향에 대응하는 동작 정보를 조정하여 공기 정화를 수행할 수 있다.

공기 청정기(700)의 프로세서(780)는 환경 정보가 검출된 토출 방향에 대응하는 구역을 기초로 공기 청정기(700)의 동작 모드, 풍량 및 풍향 중 적어도 하나를 조절할 수 있다. 이로써 환경 정보가 검출된 토출 방향에 공기 정화가 수행되는 경우 실내 공간 내 다른 토출 방향보다 공기 정화가 빠르게 향상될 수 있다.

동작 정보를 결정하는 방법으로 프로세서(780)는 상기 토출 방향에서 상기 환경 정보가 검출된 경우 상기 토출 방향의 동작 정보에 포함된 송풍 시간을 이전보다 오래 지속시키거나 상기 토출 방향의 동작 정보에 포함된 풍량을 더 강하게 조정할 수 있다.

그리고 본 개시의 프로세서(780)는 환경 정보가 검출되지 않은 토출 방향의 공기 정화를 수행할 때, 상기 서술하였던 경계 정보를 이용하여 결정된 동작 정보를 결정하고 결정된 동작 정보를 기초로 공기 정화를 수행할 수 있다.

예를 들어 도 12에서 경계 정보만 고려하였을 때 제4 토출 방향에 대응하는 풍량은 '중' 송풍 시간 은 '3분'이었다면, 반려 동물이 검출된 이후 환경 정보를 고려하였을 때, 제4 토출 방향에 대응하는 풍량은 '강' 송풍 시간은 '5분'와 같이 조정될 수 있다.

도 13은 본 개시의 동작 방법을 설명하기 위한 도면이다.

도 13은 본 개시의 실내 공간에 포함된 복수의 공간을 구분하고 복수의 공간 각각의 환경 정보를 반영하여 해당 공간에 대응하는 공기 정화를 수행하는 예시를 나타낸 것이다.

도 13을 참조하면, 공기 청정기(700)는 공기 정화를 수행하면서, 토출 방향에 대응하는 경계 정보를 수신할 수 있다. 프로세서(780)는 수신한 경계 정보를 이용하여 토출 방향에 대응하는 공간 정보를 획득할 수 있다. 이때 공간 정보는 실내 공간의 윤곽 크기 및 넓이 정보 중 적어도 하나를 포함할 수 있다.

실내 공간이 복수의 공간을 포함하고 있는 경우, 공기 청정기(700)의 프로세서(780)는 상기 공간 정보에 기초하여 상기 실내 공간에 포함된 복수의 공간을 구분할 수 있다. 이때, 복수의 공간을 구분하는 방법에 있어서 센서부(730)의 ToF 카메라로부터 수집된 각 공간의 윤곽 또는 크기, 넓이를 이용할 수 있다.

센서부(730)는 구분된 복수의 공간 각각의 비전 정보, 공기 질 및 먼지 발생 정보 중 적어도 하나를 포함하는 환경 정보를 수집할 수 있다. 그리고 프로세서(780)는 토출 방향에 대응하는 동작 정보 및 환경 정보를 이용하여 구분된 공간의 동작 정보를 결정할 수 있다. 또한 프로세서(780)는 복수의 공간 중 환경 정보가 검출된 공간에 우선 순위를 부여할 수 있다.

도 13을 참조하면, 프로세서(780)는 센서부(730)에서 획득한 공간 정보를 이용하여 제1 공간 내지 제4 공간을 구분하고, 구분된 공간 각각의 환경 정보를 수집하여 각 공간에 대응하는 공기 청정기의 동작 정보를 결정할 수 있다. 동작 정보가 결정되면, 프로세서(780)는 해당 공간에 대응하는 방향으로 정화된 공기를 토출할 때, 각 공간에 대응하는 동작 정보에 알맞게 팬 모터 및 유동 전환 장치를 제어할 수 있다. 그리고 프로세서(780)는 센서부에서 획득한 환경 정보를 이용하여 동작 정보를 조정하고, 환경 정보가 검출된 공간에 우선 순위를 부여할 수 있다.

예를 들어, 도 13의 제 4 공간에 반려 동물이 검출된 경우 프로세서(780)는 환경 정보(반려 동물)이 검출된 제4 공간의 우선 순위를 1순위로 결정하고, 상기 순위에 기초하여 실내 공간의 공기 정화를 수행할 수 있다.

본 개시의 프로세서(780)는 환경 정보가 검출되지 않은 토출 방향 이외의 공간(제1 내지 제3공간)은 상기 서술하였던 경계 정보를 이용하여 우선 순위를 부여하고, 부여된 우선 순위에 기초하여 공기 정화를 수행할 수 있다.

본 개시의 환경 정보가 검출된 경우 동작 정보의 조정 예시는 아래와 같다.

첫번째로 프로세서는 상기 복수의 공간 중 제1 공간의 비전 정보에서 사람 또는 반려 동물이 검출된 경우, 상기 제1 공간의 동작 정보에 포함된 풍량보다 더 강하게 또는 송풍 시간을 더 오래 지속시키도록 상기 제1 공간의 동작 정보를 조정할 수 있다. 프로세서(780)는 조정된 동작 정보에 기초하여 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어하여 해당 공간의 공기 정화를 수행할 수 있다.

두번째로, 상기 프로세서(780)는 상기 복수의 공간 중 제1 공간의 공기 질이 다른 공간의 공기 질보다 나쁜 경우, 상기 제1 공간의 동작 정보에 포함된 풍량보다 더 강하게 또는 송풍 시간을 더 오래 지속시키도록 상기 제1 공간의 동작 정보를 조정할 수 있다. 프로세서(780)는 조정된 동작 정보에 기초하여 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어하여 공기 정화를 수행할 수 있다.

세번째로 상기 프로세서(780)는 상기 복수의 공간 중 제1 공간의 먼지 발생이 감지되면, 상기 제1 공간의 동작 정보에 포함된 풍량보다 더 강하게 또는 송풍 시간을 더 오래 지속시키도록 상기 제1 공간의 동작 정보를 조정할 수 있다. 프로세서는 조정된 동작 정보에 기초하여 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어하여 해당 공간의 공기 정화를 수행할 수 있다.

또 다른 예시로 본 개시의 공기 청정기(700)의 프로세서(780)는 상기 복수의 공간 각각에 대응하는 복수의 공간 정보 및 복수의 환경 정보를 이용하여 상기 복수의 공간 중 특정 공간의 깊이가 깊을수록 또는 상기 특정 공간의 너비가 넓을수록 높은 제1 우선 순위를 부여하고, 상기 복수의 공간 중 특정 공간의 환경 정보에 포함된 '사람 또는 반려 동물' 검출 여부, 공기 질 및 먼지 발생 여부에 따른 제2 우선 순위를 부여하고, 상기 제1 우선 순위와 제2 우선 순위를 조합한 최종 우선 순위를 결정하고, 상기 최종 우선 순위에 기초하여 공기 정화를 수행할 수 있다.

도 14 내지 도 15는 본 개시의 동작 방법을 설명하기 위한 도면이다.

도 14 내지 도 15는 본 개시의 공기 청정기(700)가 검출한 환경 정보가 먼지 발생 정보 및 공기 질을 포함하는 경우를 설명하기 위한 도면이다.

도 14를 참조하면, 공기 청정기의 센싱부(730)에서 제1 공간에 대응하는 환경 정보로 '먼지 발생 정보'를 수집할 수 있다. 또한 센싱부(730)에서 제3 공간에 대응하는 환경 정보로 공기 질 '미세먼지 최악'을 수집하고, 제4 공간에 대응하는 환경 정보로 공기 질 '미세먼지 보통'을 수집할 수 있다.

본 개시의 공기 청정기의 프로세서(780)는 제1 공간 내지 제4 공간에 대응하는 동작 정보를 경계 정보 및 환경 정보를 이용하여 결정할 수 있다. 각 공간에 대응하는 동작 정보는 환경 정보가 검출된 경우, 환경 정보가 검출되기 이전의 동작 정보보다 풍량이 강하게 설정되거나, 지속 시간이 길게 설정될 수 있다.

그리고, 제3 공간에 대응하는 동작 정보는 제4 공간에 대응하는 동작 정보보다 풍량이 강하거나, 송풍 시간이 길도록 결정될 수 있다.

프로세서(780)는 환경 정보가 발생한 구역에 정화된 공기를 원활하게 전달하기 위하여 풍향을 환경 정보가 검출된 방향에 대응하게 정화된 공기의 토출 방향을 조정할 수 있다.

도 15를 참조하면, 프로세서(780)는 경계 정보와 환경 정보를 기초로 제1 공간 내지 제4 공간의 공기 정화 우선 순위를 결정할 수 있다.

예를 들어, 프로세서(780)는 환경 정보가 검출되지 않은 제2 공간은 우선 순위 4위로 결정할 수 있다. 그리고 제1 공간, 제3 공간 및 제2 공간의 우선 순위는 경계 정보와 환경 정보를 조합하여 우선 순위를 결정할 수 있다. 구체적으로 제3 공간은 공기 질이 '미세먼지 최악'이므로, 제 4 공간의 공기 질이 '미세먼지 보통'의 경우보다 우선 순위가 높을 수 있다.

제1 공간과 제4 공간과 같이 환경 정보의 종류가 서로 상이한 경우 경계 정보를 이용하여 우선 순위가 결정될 수 있다. 또한 기 설정된 환경 정보의 중요도에 따라 우선 순위가 결정될 수 있다. 예를 들어 사용자가 공기질의 미세먼지와 관련된 민감성을 높게 설정한 경우 제4 공간의 우선 순위가 제1 공간의 우선 순위보다 높게 결정될 수 있다.

본 개시의 프로세서(780)는 제1 공간 내지 제4 공간을 결정된 우선 순위대로 공기 정화를 수행할 수 있다. 프로세서(780)는 공기 정화를 수행하는 도중, 환경 정보에 해당하는 정보가 해소된 경우(예를 들어 제3 공간의 미세먼지 농도가 최악에서 좋음으로 변경된 경우), 실내 공간에 포함된 복수의 공간의 우선 순위를 재설정하여 공기 정화를 수행할 수 있다. 또는 해당 우선 순위 다음 순위의 공간의 공기 정화를 수행할 수 있다.

예를 들어 프로세서(780)는 제3 공간을 1순위로 공기 정화를 수행하는 도중, 제3 공간의 미세먼지 농도가 최악에서 좋음으로 변경된 경우, 각 공간의 우선 순위를 재설정하고, 제4 공간을 1순위로 판단하여 제4 공간에 대응하는 방향으로 정화된 공기를 토출할 수 있다.

도 16는 본 개시의 인공 지능 모델을 나타낸다.

본 개시의 인공 지능 모델(1630)은 센싱부(730)에서 획득한 경계 정보 및 환경 정보가 입력되면 그에 대응하는 동작 정보를 출력하도록 학습된 인공 지능 모델(1630)을 포함할 수 있다. 상기 인공 지능 모델은 공기 청정기(700)에 탑재될 수 있다.

그리고, 상기 인공 지능 모델(1630)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 또한 인공 지능 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 인공 지능 모델을 구성하는 하나 이상의 명령어는 공기 청정기의 메모리에 저장될 수 있다.

한편, 공기 청정기의 프로세서(780)는 실내에 배치된 다른 장치 또는 서버로부터 공간 정보 또는 환경 정보를 수신하여 인공 지능 모델에 입력할 수 있다. 상기 예시는 도 17에서 자세히 설명한다.

본 개시의 인공 지능 모델(1630)은 강화 학습 기반의 뉴럴 네트워크, 순환 신경망(Recurrent Neural Network, RNN) 알고리즘 등을 통하여 결정될 수 있다. 본 개시의 인공 지능 모델은 학습 과정에서 토출 방향에 대응하는 최적의 동작 정보가 결정되도록 학습될 수 있다. 이때 최적의 동작 정보는 공간의 특성 및 환경 정보가 반영된 수많은 시뮬레이션을 통하여 결정될 수 있다. 예를 들어 실내 공간에서 수집된 공간 정보 및 환경 정보를 A라고 가정한다. 이 경우 학습시 A 및 A에 레이블링된 최적의 A 동작 정보를 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 그리고 상기 과정은 반복적으로 수행될 수 있다.

도 17는 본 개시의 동작 방법을 설명하기 위한 도면이다.

도 17은 본 개시의 공기 청정기가 동작 정보 또는 환경 정보를 수집할 때의 시스템 도면을 나타낸다. 먼저 본 개시의 공기 청정기(700)의 통신부(710)는 실내 공간에 배치된 다른 장치로부터 상기 실내 공간에 대응하는 환경 정보를 수신할 수 있다. 공기 청정기(700)의 프로세서(780)는 상기 경계 정보와 통신부(710)에서 수신된 환경 정보를 이용하여 상기 실내 공간에 대응하는 동작 정보를 결정하고, 상기 동작 정보에 기초하여 공기 정화를 수행할 수 있다.

또한 본 개시의 공기 청정기의 통신부(710)는 인공 지능 서버(200)와 통신하고, 공기 청정기의 프로세서(780)는 상기 인공 지능 서버에서 수신한 상기 실내 공간에 대응하는 경계 정보 또는 환경 정보를 이용하여 상기 실내 공간에 대응하는 동작 정보를 결정하고, 상기 동작 정보에 기초하여 공기정화를 수행할 수 있다.

또한 프로세서(780)는 다른 장치가 수집한 공간 정보를 이용하여 실내 공간의 맵을 생성하고, 생성된 맵을 이용하여 토출 방향에 대응하는 동작 정보를 결정할 수 있다. 또한 다른 장치로부터 수집한 공간 정보 또는 환경 정보를 도 16의 인공 지능 모델에 입력하여 해당 공간에 대응하는 동작 정보를 결정할 수 있다.

한편, 동작 정보를 결정하는 방식은 인공 지능 서버에 의해서도 수행될 수 있다. 구체적으로 공기 청정기의 프로세서는 인공 지능 서버에서 실내 공간에 대응하는 경계 정보 또는 환경 정보를 수집할 수 있다. 상기 인공 지능 서버에 저장된 경계 정보 또는 환경 정보는 다른 장치로부터 서버에 업로드된 정보일 수 있다.

상기 동작들은 동시에 수행될 수 있으며, 상기 수행되는 순서에 구속되지 않는다.

또한, 본 개시는 소프트웨어, firmware 또는 소프트웨어 나 firmware의 조합으로 구성될 수 있다.

그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

또한, 이상에서 서비스 및 실시 예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 서비스 및 실시 예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시 예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

실내 공간에 배치되는 공기 청정기에 있어서,
흡입구 및 토출구를 포함하는 송풍 장치;
공기 유동을 발생시키는 팬 모터;
상기 송풍 장치 내부에 설치되어 공기를 정화하는 정화 유닛;
상기 토출구에서 토출되는 공기의 유동 방향을 전환시키는 유동 전환 장치;
실내 공간의 경계 정보를 센싱하는 센서부; 및
상기 실내 공간의 경계 정보를 이용하여 토출 방향에 대응하는 동작 정보를 결정하고, 상기 동작 정보에 기초하여 공기 정화를 수행하는 프로세서를 포함하는,
공기 청정기.
제1항에 있어서
상기 프로세서는
상기 경계 정보를 이용하여, 상기 토출 방향에 대응하는 깊이 정보를 획득하고, 상기 깊이 정보에 기초하여 상기 토출 방향에 대응하는 동작 정보를 결정하는,
공기 청정기.
제2항에 있어서
상기 프로세서는
상기 경계 정보를 이용하여, 상기 토출 방향에 대응하는 공간 정보를 획득하고, 상기 토출 방향에 대응하는 공간 정보를 이용하여 상기 토출 방향에 대응하는 동작 정보를 결정하고,
상기 공간 정보는 상기 실내 공간의 윤곽, 크기 및 넓이 정보 중 적어도 하나를 포함하는,
공기 청정기.
제3항에 있어서,
상기 센서부는 상기 공간 정보를 획득하는 ToF 카메라를 포함하는
공기 청정기.
제 1항에 있어서,
상기 토출 방향에 대응하는 동작 정보는 상기 공기 청정기의 풍향, 풍량 ,송풍 시간 및 유동 전환 속도 중 적어도 하나를 포함하고,
상기 프로세서는 상기 동작 정보에 기초하여 상기 팬 모터 및 상기 유동 전환 장치 중 적어도 하나를 제어하는,
공기 청정기.
제 2항에 있어서
상기 프로세서는
제1 토출 방향에 대응하는 깊이 정보가 제2 토출 방향에 대응하는 깊이 정보 보다 깊으면 상기 제1 토출 방향의 동작 정보에 포함되는 유동 전환 속도를 상기 제2 토출 방향의 동작 정보에 포함되는 유동 전환 속도보다 느리게 설정하는,
공기 청정기.
제 2항에 있어서.
상기 프로세서는
제1 토출 방향에 대응하는 깊이 정보가 제2 토출 방향에 대응하는 깊이 정보 보다 깊으면 상기 제1 토출 방향의 동작 정보에 포함되는 풍량을 상기 제2 토출 방향의 동작 정보에 포함되는 풍량보다 강하게 설정하거나 상기 제1 토출 방향의 동작 정보에 포함되는 송풍 시간을 상기 제2 토출 방향의 동작 정보에 포함되는 송풍 시간보다 길게 설정하는
공기 청정기.
제 3항에 있어서,
상기 프로세서는
제1 토출 방향에 대응하는 공간 정보가 제2 토출 방향에 대응하는 공간 정보 보다 크면, 상기 제1 토출 방향의 동작 정보에 포함된 풍량을 상기 제2 토출 방향의 동작 정보에 포함된 풍량보다 강하게 설정하거나, 상기 제1 토출 방향의 동작 정보에 포함된 송풍 시간을 상기 제2 토출 방향의 동작 정보에 포함된 송풍 시간보다 길게 설정하는,
공기 청정기.
제 3항에 있어서
상기 프로세서는 상기 경계 정보를 이용하여 상기 토출 방향에 대응하는 공간 내 물체를 검출하고, 상기 토출 방향과 상기 물체가 검출된 방향이 일치하지 않도록 풍향을 조정하는,
공기 청정기.
제2항에 있어서,
상기 프로세서는
'제1 토출 방향에 대응하는 깊이 정보가 제2 토출 방향에 대응하는 깊이 정보 보다 깊은 경우' 또는 '상기 제1 토출 방향에 대응하는 공간 정보가 제2 토출 방향에 대응하는 공간 정보보다 큰 경우', 상기 제1 토출 방향에 우선 순위를 부여하고, 상기 우선 순위에 기초하여 공기 정화를 수행하는,
공기 청정기
제1항에 있어서,
상기 센서부는 상기 실내 공간의 비전 정보, 공기 질 및 먼지 발생 정보 중 적어도 하나를 포함하는 환경 정보를 더 수집하고,
상기 프로세서는,
상기 환경 정보가 검출된 토출 방향에 우선순위를 부여하고, 상기 우선순위에 기초하여 해당 방향의 공기 정화를 수행하는,
공기 청정기.
제3항에 있어서
상기 실내 공간은 복수의 공간을 포함하고,
상기 센서부는 상기 복수의 공간 각각의 비전 정보, 공기 질 및 먼지 발생 정보 중 적어도 하나를 포함하는 환경 정보를 더 수집하고,
상기 프로세서는
상기 공간 정보에 기초하여 상기 실내 공간에 포함된 복수의 공간을 구분하고,
상기 복수의 공간 중 환경 정보가 검출된 공간에 우선 순위를 부여하고, 상기 우선 순위에 기초하여 상기 실내 공간의 공기 정화를 수행하는,
공기 청정기.
제1항에 있어서
상기 센서부는 상기 복수의 공간 각각의 비전 정보, 공기 질 및 먼지 발생 정보 중 적어도 하나를 포함하는 환경 정보를 더 수집하고,
상기 프로세서는
상기 토출 방향에 대응하는 동작 정보 및 환경 정보를 이용하여 상기 실내 공간의 동작 정보를 결정하는
공기 청정기.
제 13항에 있어서,
상기 프로세서는 상기 토출 방향에서 상기 환경 정보가 검출된 경우, 상기 토출 방향의 동작 정보에 포함된 송풍 시간을 이전보다 오래 지속시키거나 상기 토출 방향의 동작 정보에 포함된 풍량을 더 강하게 조정하는,
공기 청정기.
제1항에 있어서,
상기 실내 공간에 배치된 다른 장치로부터 상기 실내 공간의 경계 정보를 수신하는 통신부를 더 포함하고
상기 프로세서는 상기 통신부에서 수신된 경계 정보에 기초하여 상기 동작 정보를 결정하고, 상기 동작 정보에 기초하여 공기 정화를 수행하는,
공기 청정기.
제1항에 있어서,
상기 실내 공간에 배치된 다른 장치로부터 상기 실내 공간에 대응하는 환경 정보를 수신하는 통신부를 더 포함하고,
상기 프로세서는 상기 경계 정보와 상기 통신부에서 수신된 환경 정보를 이용하여 상기 실내 공간에 대응하는 동작 정보를 결정하고, 상기 동작 정보에 기초하여 공기 정화를 수행하는,
공기 청정기.
제1항에 있어서,
서버와 통신하는 통신부를 더 포함하고,
상기 프로세서는 상기 서버에서 수신한 상기 실내 공간에 대응하는 경계 정보 또는 환경 정보를 이용하여 상기 실내 공간에 대응하는 동작 정보를 결정하고, 상기 동작 정보에 기초하여 공기정화를 수행하는,
공기 청정기.
제1항에 있어서
상기 프로세서는 상기 실내 공간에 대응하는 경계 정보 및 환경 정보를 인공 지능 모델에 입력하고, 상기 인공 지능 모델이 출력한 상기 실내 공간에 대응하는 동작 정보에 기초하여 공기 정화를 수행하는,
공기 청정기.
실내 공간의 거리 정보를 센싱하는 단계;
상기 실내 공간의 경계 정보를 이용하여 토출 방향에 대응하는 동작 정보를 결정하는 단계 및 상기 동작 정보에 기초하여 공기 정화를 수행하는 단계를 포함하는,
공기 청정기의 동작 방법.