KR20210093072A - Personal roi를 활용한 프로파일링 - Google Patents
Personal roi를 활용한 프로파일링 Download PDFInfo
- Publication number
- KR20210093072A KR20210093072A KR1020200006795A KR20200006795A KR20210093072A KR 20210093072 A KR20210093072 A KR 20210093072A KR 1020200006795 A KR1020200006795 A KR 1020200006795A KR 20200006795 A KR20200006795 A KR 20200006795A KR 20210093072 A KR20210093072 A KR 20210093072A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- user
- roi
- data
- intimacy
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 137
- 230000005540 biological transmission Effects 0.000 claims description 39
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000013473 artificial intelligence Methods 0.000 abstract description 130
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 63
- 210000004027 cell Anatomy 0.000 description 35
- 230000008569 process Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000004044 response Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 239000000284 extract Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000002372 labelling Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 208000031968 Cadaver Diseases 0.000 description 4
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G06K9/00221—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Tourism & Hospitality (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
PERSONAL ROI를 활용한 프로파일링 방법 및 그 장치가 개시된다. 본 명세서의 일 실시예에 따른 프로파일링 방법은, 인물의 프로파일에 기초하여 사용자의 관심영역을 나타내는 ROI를 결정하고, 인물 간의 친밀도와 ROI에 기초하여 특정인물과 사용자 간의 관계를 나타내는 관계 정보를 생성한다. 본 명세서의 AI 장치 및 AI 시스템은 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 명세서는 PERSONAL ROI를 활용한 프로파일링 방법 및 그 장치에 관한 것이다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
한편, 다양한 시간 또는 장소에 획득된 이미지 또는 동영상는 소정의 기준으로 분류되거나 그룹화될 수 있다. 이때, 전자 기기는 사용자에 의한 수동 입력에 응답하여 상기 이미지 또는 동영상을 분류하거나 그룹화할 수 있다. 이러한 전자 기기 이용의 불편함을 개선하기 위하여 인공지능 기술이 이용될 필요가 있다.
본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 명세서는, 인물 간의 친밀도에 기반하여 복수의 인물에 대한 정보를 생성할 수 하는 PERSONAL ROI를 활용한 프로파일링 방법 및 그 장치를 구현하는 것을 목적으로 한다.
또한, 본 명세서는, ROI를 고려하여 인물 간의 관계정보를 생성할 수 있는 PERSONAL ROI를 활용한 프로파일링 방법 및 그 장치를 구현하는 것을 목적으로 한다.
본 명세서의 일 실시예에 따른 프로파일링 방법은 프로파일을 생성하기 위한 소스 데이터를 획득하는 단계; 상기 소스 데이터 및 상기 소스 데이터와 관련된 맵 정보에 기초하여 클러스터링을 수행하는 단계; 상기 클러스터링을 통해 생성된 클러스터를 이용하여 인물의 프로파일을 생성하는 단계; 상기 인물의 프로파일에 기초하여 상기 사용자의 관심영역을 나타내는 ROI(Region Of Interest)를 결정하고, 상기 ROI에서 획득된 복수의 이미지를 수집하는 단계; 및 상기 복수의 이미지를 분석하여 상기 복수의 이미지에 포함된 특정인물과 사용자 간의 친밀도(degree of intimacy)를 결정하고, 상기 친밀도와 상기 ROI로부터 상기 특정인물과 사용자 간의 관계를 나타내는 관계정보를 생성하는 단계;를 포함한다.
또한, 상기 소스 데이터는, 사용자의 위치정보, 메시지 정보, 이미지/비디오, 캘린더 정보, 사용자가 입력하는 태스크(Task)에 대한 정보, 통화기록, 메모, 또는 애플리케이션 사용기록을 포함할 수 있다
또한, 상기 소스 데이터는, 외부 단말로부터 수신될 수 있다
또한, 상기 복수의 이미지는, 상기 사용자 및 상기 특정인물이 모두 포함되어 있는 이미지인 것을 특징으로 하는 프로파일링 방법.
또한, 상기 친밀도는, 미리 학습된 제1 신경망 모델에 의하여 결정되고, 상기 제1 모델은 (i) 상기 특정인물과 상기 사용자 간의 거리 및 (ii) 상기 특정인물과 상기 사용자가 동시에 나타나는 이미지의 수 중 적어도 하나를 입력으로 설정하고, 상기 친밀도를 출력으로 설정하여 미리 학습된 신경망 모델일 수 있다.
또한, 상기 친밀도는, 상기 특정인물과 상기 사용자 간의 거리가 가까울수록 증가할 수 있다
또한, 상기 친밀도는, 상기 특정인물과 상기 사용자가 동시에 나타나는 이미지의 수가 많을수록 증가할 수 있다
또한, 상기 복수의 이미지에서 상기 특정인물과 상기 사용자의 얼굴을 검출하는 단계; 를 더 포함하고, 상기 거리는, 상기 특정인물의 제1 얼굴과 상기 사용자의 제2 얼굴 사이의 거리일 수 있다.
또한, 상기 소스 데이터의 전송을 스케줄링 하기 위해 사용되는 DCI를 네트워크로부터 수신하는 단계; 상기 소스 데이터를 상기 DCI에 기초하여 상기 네트워크로 전송하는 단계; 를 더 포함할 수 있다
또한, SSB에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계; 상기 소스 데이터는 PUSCH를 통해 상기 네트워크로 전송하는 단계;를 더 포함하되, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있을 수 있다.
또한, 상기 소스 데이터를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 트랜시버를 제어하는 단계; 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 트랜시버를 제어하는 단계;를 더 포함하되, 상기 AI 프로세싱된 정보는, 상기 상기 친밀도와 상기 ROI로부터 상기 특정인물과 사용자 간의 관계를 나타내는 관계정보를 포함할 수 있다.
본 명세서의 다른 실시예에 따른 프로파일링 방법은 위치 기반 컨텐츠를 수집하는 단계; 상기 위치 기반 컨텐츠에 포함된 복수의 인물 간의 거리 또는 동시에 등장하는 횟수 중 적어도 하나에 기초하여 상기 복수의 인물 간의 친밀도(intimacy value)를 생성하는 단계; 상기 친밀도 및 상기 컨텐츠의 위치 정보로부터 상기 복수의 인물 간의 인물관계에 관한 정보를 생성하는 단계;를 포함한다.
본 명세서의 일 실시예에 따른 PERSONAL ROI를 활용한 프로파일링 방법 및 그 장치의 효과에 대해 설명하면 다음과 같다.
본 명세서는 인물 간의 친밀도에 기반하여 복수의 인물에 대한 정보를 생성할 수 있다.
또한, 본 명세서는 ROI를 고려하여 인물 간의 관계정보를 생성할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 전자 기기의 블록도를 나타내는 도면이다.
도 5는 본 명세서의 일 실시예에 따른 AI 서버의 개략적인 블록도를 도시한다.
도 6은 본 명세서의 다른 실시예에 따른 AI 장치의 개략적인 블록도를 도시한다.
도 7은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 8은 본 명세서의 다양한 실시예에 적용될 수 있는 지능화 서비스 모델의 예시적인 도면이다.
도 9는 본 명세서의 다양한 실시예에 적용될 수 있는 지능화 서비스 모델의 구조도에 대한 예시이다.
도 10은 본 명세서의 ROI 생성방법에 따른 순서도이다.
도 11은 본 명세서의 다양한 실시예에 적용될 수 있는 POI 데이터가 적용된 전자지도의 예시이다.
도 12는 본 명세서의 다양한 실시예에 적용될 수 있는 레이블링 데이터의 예시이다.
도 13은 도 12에서 설명한 레이블링 데이터의 일 구현예이다.
도 14는 본 명세서의 일 실시예에 따른 프로파일링 방법의 순서도이다.
도 15a 및 도 15b는 본 명세서의 일 실시예에 따른 프로파일링 방법의 제1 구현예이다.
도 16a 및 도 16b는 본 명세서의 일 실시예에 따른 프로파일링 방법의 제2 구현예이다.
도 17은 본 명세서의 다른 실시예에 따른 프로파일링 방법의 시퀀스도이다.
도 18은 본 명세서의 또 다른 실시예에 따른 프로파일링 방법의 순서도이다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 전자 기기의 블록도를 나타내는 도면이다.
도 5는 본 명세서의 일 실시예에 따른 AI 서버의 개략적인 블록도를 도시한다.
도 6은 본 명세서의 다른 실시예에 따른 AI 장치의 개략적인 블록도를 도시한다.
도 7은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 8은 본 명세서의 다양한 실시예에 적용될 수 있는 지능화 서비스 모델의 예시적인 도면이다.
도 9는 본 명세서의 다양한 실시예에 적용될 수 있는 지능화 서비스 모델의 구조도에 대한 예시이다.
도 10은 본 명세서의 ROI 생성방법에 따른 순서도이다.
도 11은 본 명세서의 다양한 실시예에 적용될 수 있는 POI 데이터가 적용된 전자지도의 예시이다.
도 12는 본 명세서의 다양한 실시예에 적용될 수 있는 레이블링 데이터의 예시이다.
도 13은 도 12에서 설명한 레이블링 데이터의 일 구현예이다.
도 14는 본 명세서의 일 실시예에 따른 프로파일링 방법의 순서도이다.
도 15a 및 도 15b는 본 명세서의 일 실시예에 따른 프로파일링 방법의 제1 구현예이다.
도 16a 및 도 16b는 본 명세서의 일 실시예에 따른 프로파일링 방법의 제2 구현예이다.
도 17은 본 명세서의 다른 실시예에 따른 프로파일링 방법의 시퀀스도이다.
도 18은 본 명세서의 또 다른 실시예에 따른 프로파일링 방법의 순서도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 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 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 전자 기기의 블록도를 나타내는 도면이다.
도 4를 참조하면, 상기 전자 기기(100)는 적어도 하나 이상의 프로세서(110), 메모리(120), 출력 장치(130), 입력 장치(140), 입출력 인터페이스(150), 센서 모듈(160), 통신 모듈(170)을 포함할 수 있다.
프로세서(110)는 하나 이상의 어플리케이션 프로세서(application processor, AP), 하나 이상의 커뮤니케이션 프로세서(communication processor, CP) 또는 적어도 하나 이상의 AI 프로세서(artificial intelligence processor)를 포함할 수 있다. 어플리케이션 프로세서, 커뮤니케이션 프로세서 또는 AI 프로세서는 서로 다른 IC(integrated circuit) 패키지들 내에 각각 포함되거나 하나의 IC 패키지 내에 포함될 수 있다.
어플리케이션 프로세서는 운영체제 또는 응용 프로그램을 구동하여 어플리케이션 프로세서에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어하고, 멀티미디어 데이터를 포함한 각종 데이터 처리/연산을 수행할 수 있다. 일 례로, 상기 어플리케이션 프로세서는 SoC(system on chip)로 구현될 수 있다. 프로세서(110)는 GPU(graphic prcessing unit, 미도시)를 더 포함할 수 있다.
커뮤니케이션 프로세서는 전자 기기(100)와 네트워크로 연결된 다른 전자 기기들 간의 통신에서 데이터 링크를 관리하고 통신 프로토콜을 변환하는 기능을 수행할 수 있다. 일 례로, 커뮤니케이션 프로세서는 SoC로 구현될 수 있다. 커뮤니케이션 프로세서는 멀티미디어 제어 기능의 적어도 일부를 수행할 수 있다.
또한, 커뮤니케이션 프로세서는 통신 모듈(170)의 데이터 송수신을 제어할 수 있다. 커뮤니케이션 프로세서는 어플리케이션 프로세서의 적어도 일부로 포함되도록 구현될 수도 있다.
어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 각각에 연결된 비휘발성 메모리 또는 다른 구성요소 중 적어도 하나로부터 수신한 명령 또는 데이터를 휘발성 메모리에 로드(load)하여 처리할 수 있다. 또한, 어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 다른 구성요소 중 적어도 하나로부터 수신하거나 다른 구성요소 중 적어도 하나에 의해 생성된 데이터를 비휘발성 메모리에 저장할 수 있다.
메모리(120)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리 비휘발성 메모리(예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등) 중 적어도 하나를 포함할 수 있다. 일 실시예에 따르면, 상기 내장 메모리는 SSD(solid state drive)의 형태를 취할 수도 있다. 상기 외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 메모리 스틱(memory stick) 등을 더 포함할 수 있다.
출력 장치(130)는 디스플레이 모듈 또는 스피커 중 적어도 하나 이상을 포함할 수 있다. 출력 장치(130)는 사용자에게 멀티미디어 데이터, 텍스트 데이터, 음성 데이터 등을 포함하는 각종 데이터를 표시하거나 소리로 출력할 수 있다.
입력 장치(140)는 터치 패널(touch panel), 디지털 펜 센서(pen sensor), 키(key), 또는 초음파 입력 장치 등을 포함할 수 있다. 일 례로, 입력 장치(140)는 입출력 인터페이스(150)일 수도 있다. 터치 패널은 정전식, 감압식, 적외선 방식 또는 초음파 방식 중 적어도 하나 이상의 방식으로 터치 입력을 인식할 수 있다. 또한, 터치 패널은 컨트롤러(미도시)를 더 포함할 수도 있다. 정전식의 경우에 직접 터치 뿐만 아니라 근접 인식도 가능하다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함할 수도 있다. 이 경우, 터치 패널은 사용자에게 촉각 반응을 제공할 수 있다.
디지털 펜 센서는 사용자의 터치 입력을 받는 것과 동일 또는 유사한 방법 또는 별도의 인식용 레이어(layer)를 이용하여 구현될 수 있다. 키는 키패드 또는 터치키가 이용될 수 있다. 초음파 입력 장치는 초음파 신호를 발생하는 펜을 통해 단말에서 마이크로 음파를 감지하여 데이터를 확인할 수 있는 장치로서, 무선 인식이 가능하다. 전자 기기(100)는 통신 모듈(170)을 이용하여 이와 연결된 외부 장치(예를 들어, 네트워크, 컴퓨터 또는 서버)로부터 사용자 입력을 수신할 수도 있다.
입력 장치(140)는 카메라 모듈, 마이크로폰을 더 포함할 수 있다. 카메라 모듈은 화상 및 동영상을 촬영할 수 있는 장치로서, 하나 이상의 이미지 센서, ISP(image signal processor) 또는 플래시 LED를 포함할 수 있다. 마이크로폰은 음성 신호를 수신하여 전기 신호로 변환시킬 수 있다.
입출력 인터페이스(150)는 입력장치 또는 출력장치를 통하여 사용자로부터 입려된 명령 또는 데이터를 버스(미도시)를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등에 전달할 수 있다. 일 예로, 입출력 인터페이스(150)는 터치 패널을 ??아여 입력된 사용자의 터치 입력에 대한 데이터를 프로세서(110)로 제공할 수 있다. 일 예로, 입출력 인터페이스(150)는 버스를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등으로부터 수신된 명령 또는 데이터를 출력 장치(130)를 통하여 출력할 수 있다. 일 예로 입출력 인터페이스(150)는 프로세서(110)를 통하여 처리된 음성 데이터를 스피커를 통하여 사용자에게 출력할 수 있다.
센서 모듈(160)은 제스쳐 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, RGB(red, green, blue) 센서, 생체 센서, 온/습도 센서, 조도 센서 또는 UV(ultra violet) 센서 중의 적어도 하나 이상을 포함할 수 있다. 센서 모듈(160)은 물리량을 계측하거나 전자 기기(100)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(160)은, 후각 센서(E-nose sensor), EMG 센서(electromyography sensor), EEG 센서(electroencephalogram sensor, 미도시), ECG 센서(electrocardiogram sensor), PPG 센서 (photoplethysmography sensor), HRM 센서(heart rate monitor sensor), 땀 분비량 측정 센서(perspiration sensor), 또는 지문 센서(fingerprint sensor) 등을 포함할 수 있다. 센서 모듈(160)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어회로를 더 포함할 수 있다.
통신 모듈(170)은 무선 통신 모듈 또는 RF 모듈를 포함할 수 있다. 무선 통신 모듈은, 예를 들면, Wi-Fi, BT, GPS 또는 NFC를 포함할 수 있다. 예를 들면, 무선 통신 모듈은 무선 주파수를 이용하여 무선 통신 기능을 제공할 수 있다. 추가적으로 또는 대체적으로, 무선 통신 모듈은 전자 기기(100)를 네트워크(예: Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS 또는 5G network 등)와 연결시키기 위한 네트워크 인터페이스 또는 모뎀 등을 포함할 수 있다.
RF 모듈은 데이터의 송수신, 예를 들면, RF 신호 또는 호출된 전자 신호의 송수신을 담당할 수 있다. 일 례로, RF 모듈는 트랜시버(transceiver), PAM(power amp module), 주파수 필터(frequency filter) 또는 LNA(low noise amplifier) 등을 포함할 수 있다. 또한, RF 모듈은 무선통신에서 자유공간상의 전자파를 송수신하기 위한 부품, 예를 들면, 도체 또는 도선 등을 더 포함할 수 있다.
본 명세서의 다양한 실시예에 따른 전자 기기(100)는 서버, TV, 냉장고, 오븐, 의류 스타일러, 로봇 청소기, 드론, 에어컨, 공기 청정기, PC, 스피커, 홈 CCTV, 조명, 세탁기 및 스마트 플러그 중 적어도 하나를 포함할 수 있다. 도 4에서 설명한 전자 기기(100)의 구성요소는 일반적으로 전자 기기에 구비되는 구성요소를 예시한 것이므로, 본 명세서의 실시예에 따른 전자 기기(100)는 전술한 구성요소에 한정되지 않으며 필요에 따라 생략 및/또는 추가될 수 있다.
전자 기기(100)는 도 5에서 도시한 클라우드 환경으로부터 AI 프로세싱 결과를 수신함으로서 인공 지능 기반의 제어 동작을 수행하거나, AI 프로세스와 관련된 구성요소들이 하나의 모듈로 통합된 AI 모듈을 구비하여 온-디바이스(on-device) 방식으로 AI 프로세싱을 수행할 수 있다.
이하, 도 5 및 도 6를 통해 디바이스 환경(device environment) 및/또는 클라우드 환경(cloud environment) 또는 서버 환경(server environment)에서 수행되는 AI 프로세스를 설명한다. 도 5는 데이터 또는 신호를 입력받는 것은 전자 기기(100)에서 이루어질 수 있으나, 입력된 데이터 또는 신호를 처리하는 AI 프로세싱은 클라우드 환경에서 이루어지는 예를 도시한 것이다. 대조적으로, 도 6는 입력된 데이터 또는 신호에 대한 AI 프로세싱에 관한 전반적인 동작이 전자 기기(100) 내에서 이루어지는 온-디바이스 프로세싱(on-device processing)의 예를 도시한 것이다.
도 5 및 도 6에서 디바이스 환경은 '클라이언트 디바이스' 또는 'AI 장치'로 호칭될 수 있으며, 클라우드 환경은 '서버'로 호칭될 수 있다.
도 5는 본 명세서의 일 실시예에 따른 AI 서버의 개략적인 블록도를 도시한다.
서버(200)는 프로세서(210), 메모리(220), 통신 모듈(270)을 포함할 수 있다.
AI 프로세서(215)는 메모리(220)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(215)는 AI 장치(100)의 동작과 관련된 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 신경망은 인간의 뇌 구조(예를 들어, 인간의 신경망의 뉴런 구조)를 컴퓨터 상에서 모의하도록 설계될 수 있다. 신경망은 입력층(input layer), 출력층(output layer) 및 적어도 하나의 은닉층(hidden layer)를 포함할 수 있다. 각 층은 가중치를 갖는 적어도 하나의 뉴런을 포함하고, 신경망은 뉴런과 뉴런을 연결하는 시냅스(synapse)를 포함할 수 있다. 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호를 가중치(weight) 및/또는 편향(bias)에 대한 활성함수(activation function)의 함수값으로 출력할 수 있다.
복수의 네트워크 모드들은 뉴런이 시냅스를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 콘볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional neural network, CNN), 순환 신경망(recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine), 심층 신뢰 신경망(deep belief network), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥러닝 기법들을 포함하며, 비전인식, 음성인식, 자연어처리, 음성/신호처리 등의 분야에서 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서(210)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(220)는 AI 장치(100) 및/또는 서버(200)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(220)는 AI 프로세서(215)에 의해 액세스되며, AI 프로세서(215)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(220)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥러닝 모델)을 저장할 수 있다. 나아가, 메모리(220)는 학습 모델(221) 뿐만 아니라, 입력 데이터, 학습 데이터, 학습 히스토리 등을 저장할 수도 있다.
한편, AI 프로세서(215)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(215a)를 포함할 수 있다. 데이터 학습부(215a)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(215a)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(215a)는 적어도 하나의 하드웨어 칩 형태로 제작되어 서버(200)에 탑재될 수 있다. 일 예로, 데이터 학습부(215a)는 인공지능을 위한 전용 하드웨어 칩 형태로 제작될 수 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 서버(200)에 탑재될 수 있다. 또한, 데이터 학습부(215a)는 소프트웨어 모듈로 구현될 수도 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우에 적어도 하나의 소프트웨어 모듈은 OS(operating system)에 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(215a)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류/인식할지에 관한 판단기준을 가지도록 학습할 수 있다. 이때, 모델 학습부에 의한 학습 방식은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)으로 분류될 수 있다. 여기서, 지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 지칭하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해야 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 특정 환경 안에서 정의된 에이전트(agent)가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 방법을 의미할 수 있다. 또한, 모델 학습부는 오류 역전파법(backpropagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다. 신경망 모델이 학습되면 학습된 신경망 모델은 학습 모델(221)이라 호칭할 수 있다. 학습 모델(221)은 메모리(220)에 저장되어 학습 데이터가 아닌 새로운 입력 데이터에 대한 결과를 추론하는 데 사용될 수 있다.
한편, AI 프로세서(215)는 학습 모델(221)을 이용한 분석 결과를 향상시키거나, 학습 모델(221)의 생성에 필요한 리소스 또는 시간을 절약하기 위하여 데이터 전처리부(215b) 및/또는 데이터 선택부(215c)를 더 포함할 수도 있다.
데이터 전처리부(215b)는 획득된 데이터가 상황 판단을 위한 학습/추론에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 일 예로, 데이터 전처리부(215b)는 입력 장치를 통해 획득된 입력 데이터에 대하여 전처리로서 특징 정보(feature information)을 추출할 수 있으며, 특징 정보는 특징 벡터(feature vector), 특징점(feature point) 또는 특징맵(feature map) 등의 포맷으로 추출될 수 있다.
데이터 선택부(215c)는 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부에 제공될 수 있다. 일 예로, 데이터 선택부(215c)는 전자 기기의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다. 또한, 데이터 선택부(215c)는 입력 장치를 통해 획득된 입력 데이터 또는 전처리부에서 전처리된 입력 데이터 중 추론에 필요한 데이터를 선택할 수도 있다.
또한, AI 프로세서(215)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(215d)를 더 포함할 수 있다. 모델 평가부(215d)는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 학습 모델(221)을 평가하기 위한 기 설정된 데이터일 수 있다. 일 예로, 모델 평가부(215d)는 평가 데이터에 대한 학습된 신경망 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우에 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신 모듈(270)은 AI 프로세서(215)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
이상 도 5에서는 AI 프로세스가 컴퓨팅 연산, 저장 및 전원 제약 등으로 인해 클라우드 환경에서 구현되는 예를 설명하였으나, 본 명세서는 이에 한정되는 것은 아니며, AI 프로세서(215)는 클라이언트 디바이스에 포함되어 구현될 수도 있다. 도 6은 AI 프로세싱이 클라이언트 디바이스에서 구현되는 예로서, AI 프로세서(215)가 클라이언트 디바이스에 포함되어 있는 것을 제외하고는 도 5에서 도시된 바와 동일하다.
도 6은 본 명세서의 다른 실시예에 따른 AI 장치의 개략적인 블록도를 도시한다.
도 6에 도시된 각각의 구성의 기능은 도 5를 참조할 수 있다. 다만, AI 프로세서가 클라이언트 디바이스(100)에 포함되어 있으므로, 데이터 분류/인식 등의 과정을 수행함에 있어 서버(도 5의 200)와 통신할 필요가 없을 수 있으며, 이에 따라 즉각적이거나 실시간의 데이터 분류/인식 동작이 가능하다. 또한, 서버(도 5의 200)에 사용자의 개인 정보를 전송할 필요가 없으므로, 개인 정보의 외부 유출 없이 목적으로 한 데이터 분류/인식 동작이 가능하다.
한편, 도 5 및 도 6에 도시된 각 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태(예를 들어, AI 모듈)로 구현될 수 있음에 유의한다. 도 5 및 도 6에 도시된 복수의 구성 요소들 외에 개시되지 않은 구성 요소들이 포함되거나 생략될 수 있음은 물론이다.
도 7은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 7을 참조하면, AI 시스템(1)은 AI 서버(106), 로봇(101), 자율주행 차량(102), XR 장치(103), 스마트폰(104) 또는 가전(105) 중에서 적어도 하나 이상이 클라우드 네트워크(NW)와 연결된다. 여기서, AI 기술이 적용된 로봇(101), 자율주행 차량(102), XR 장치(103), 스마트폰(104) 또는 가전(105) 등을 AI 장치(101 내지 105)라 칭할 수 있다.
클라우드 네트워크(NW)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(NW)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(101 내지 106)은 클라우드 네트워크(NW)를 통해 서로 연결될 수 있다. 특히, 각 장치들(101 내지 106)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(106)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(106)는 AI 시스템을 구성하는 AI 장치들인 로봇(101), 자율주행 차량(102), XR 장치(103), 스마트폰(104) 또는 가전(105) 중에서 적어도 하나 이상과 클라우드 네트워크(NW)을 통하여 연결되고, 연결된 AI 장치들(101 내지 105)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이 때, AI 서버(106)는 AI 장치(101 내지 105)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(101 내지 105)에 전송할 수 있다.
이 때, AI 서버(106)는 AI 장치(101 내지 105)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(101 내지 105)로 전송할 수 있다.
또는, AI 장치(101 내지 105)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
지능화 서비스 모델
도 8은 본 명세서의 다양한 실시예에 적용될 수 있는 지능화 서비스 모델의 예시적인 도면이다.
도 8를 참조하면, 지능화 서비스 모델은 수집엔진(801), 분류엔진(802), ROI 제공자(803)를 포함할 수 있다. 지능화 서비스 모델은 어플리케이션 형태로 설치되어 프로세서(110)를 통해 구현되거나, 사용자의 단말 등과 연결되는 서버 등을 통해 구현될 수 있다.
수집엔진(801)은 사용자가 이용하는 단말 등을 통해 사용자 정보와 관련된 소스(Source) 데이터를 수집할 수 있다. 이러한 소스 데이터는 사용자의 ROI를 생성하기 위해, 정의될 수 있는 카테고리 별로 DB(data base)화 되어 관리 될 수 있다. 이러한 DB들은 사용자가 이용하는 가전제품, 가상현실 기구, 핸드폰, 로봇 등에 포함될 수 있으며, 별도의 서버에서 관리될 수 있다.
분류엔진(802)은 수집엔진(801)으로부터 획득된 소스 데이터를 클러스터링(clustering) 하여 분류할 수 있다. 클러스터링이란 비슷한 개체끼리 그룹화를 시키는 것으로, 이를 통해 사용자의 프로파일을 생성하기 위한, 클러스터(cluster)들을 생성할 수 있다. 이를 위해, AI 기술이 사용될 수 있으며, 이들은 빅-데이터화 되어 관리될 수 있다. 또한, 분류엔진(802)은 생성된 클러스터들을 이용하여, 사용자의 ROI를 생성하기 위해 사용될 수 있는 사용자의 프로파일을 생성할 수 있고, 이를 이용하여 사용자의 ROI를 생성할 수 있다. 본 명세서에서 사용자의 ROI란, 사용자의 프로파일에 따라, 사용자가 개인적으로 관심을 가진다고 판단될 수 있는 지리적 영역의 정보를 포함하거나 나타낼 수 있다.
ROI 제공자(803)는 분류엔진(802)에서 생성된 사용자의 ROI 데이터를 단말 등을 통해 사용자에게 제공 할 수 있다.
이러한 지능화 서비스 모델은 사용자의 요청없이도 사용자의 프로파일을 분석하고, 사용자의 ROI 데이터를 생성 할 수 있는 특징이 있다.
도 9는 본 명세서의 다양한 실시예에 적용될 수 있는 지능화 서비스 모델의 구조도에 대한 예시이다.
수집엔진(801)은 사용자의 단말 등을 통해, 소스 데이터들을 수집할 수 있다(S110). 이러한 소스 데이터는 사용자의 위치정보, 메시지 정보, 이미지/비디오, 캘린더 정보, 사용자가 입력하는 "할 일" 에 대한 정보, 통화기록, 메모, 어플사용 기록 등을 포함할 수 있다. 전술한 바와 같이 이들은 각각의 DB에 의해 관리될 수 있다.
분류엔진(802)은 수집엔진(801)을 통해 수집된 소스 데이터들을 정의된 카테고리 별로 클러스터링한다. 분류엔진(802)은 생성된 클러스터들을 이용하여, 사용자의 프로파일을 생성하는 프로파일(Profile) 엔진 및 생성된 사용자의 프로파일을 이용하여, GPS 데이터와 연관된 클러스터를 처리하는 장소(Place) 엔진을 포함할 수 있다(S120).
보다 구체적으로, 프로파일 엔진은 사용자의 단말 등을 통해 획득될 수 있는 소스 데이터로부터 다음과 같은 정보를 포함하는 클러스터를 생성할 수 있다.
- 메시지 : 주요 키워드 정보
- 이미지/비디오 : Image Tag / OCR 모델 등을 통해 추출될 수 있는 텍스트 정보
- 어플사용기록 : App Name / Category 정보
- 캘린더 : Title / 장소 정보
- 할 일 : Title 정보
- 통화 기록 : 주소록 이름 / 전화번호 정보
- 메모 : 주요 키워드 정보
또한, 프로파일 엔진은 상기 클러스터를 이용하여, 사용자의 프로파일을 생성할 수 있다. 이를 위해, 상기 클러스터들을 입력값으로 하는 머신러닝 모델 또는 딥러닝 모델이 이용될 수 있고, AI 기술이 이용될 수 있다.
장소 엔진은 사용자의 단말 등을 통해 획득할 수 있는 GPS 데이터를 클러스터링하고, 상기 사용자의 프로파일을 이용하여 상기 GPS 데이터들을 의미있는 영역단위로 합치며, 상기 영역단위를 상기 사용자의 프로파일을 이용하여 라벨링(Labeling)함으로써 사용자의 ROI를 생성할 수 있다.
사용자의 ROI 데이터는 예를 들어 아래와 같은 정보를 포함할 수 있다.
- Category : ROI 분류(POI type, ROI type)
- Label Name : 사용자의 프로파일에 따라 라벨링된 데이터
- Last visit time : 마지막 방문 시각
- Latitude : 위도
- Longitude : 경도
- Range : 범위
- Visit count : 총 방문 횟수
- Day count : 총 방문 일 수
- Total stayed time : 총 머문 시간
ROI 제공자(803)는 생성된 사용자의 ROI 데이터를 사용자의 단말등을 통해 사용자에게 제공할 수 있다(S130). 사용자는 사용자의 ROI 데이터 별로 라벨링된 정보를 통해, ROI 데이터를 검색하거나, 프로세서(110)는 지능화 서비스 모델을 통해 자동으로 사용자에게 ROI 데이터에 관한 정보를 제공할 수 있다.
ROI(Region Of Interest) 생성
도 10은 본 명세서의 ROI 생성방법에 따른 순서도이다.
수집엔진(801)은 사용자의 단말 등을 통해, 사용자의 프로파일을 생성하기 위한 소스 데이터들을 획득한다(S210). 이러한 소스 데이터는 사용자가 단말 등을 사용함으로써 생성될 수 있는 빅-데이터를 의미할 수 있다.
분류엔진(802)은 이러한 소스 데이터들을 이용하여, 사용자의 프로파일을 생성하기 위해, 사용자 ROI 데이터의 생성과 관련된 카테고리를 갖는 데이터의 집합으로 이루어지는 클러스터를 생성한다(S220).
또한, 분류엔진(802)은 클러스터를 분석하여 사용자의 프로파일을 생성한다(S230). 사용자의 프로파일은 지리적 영역과 관련된 사용자의 개인적인 정보를 의미할 수 있다.
또한, 분류엔진(802)은 사용자의 프로파일에 근거하여, 사용자가 관심을 갖고 있는 지리적 영역을 설정하고, 당해 지리적 영역에 사용자의 프로파일을 이용한 라벨링 작업등을 수행함으로써 사용자의 ROI 데이터를 생성한다(S240).
POI(Point of Interest) 데이터
도 11은 본 명세서의 다양한 실시예에 적용될 수 있는 POI 데이터가 적용된 전자지도의 예시이다.
POI 데이터란, 전자지도 위에 지리정보와 함께 좌표 등으로 표시되는 주요 시설물, 역, 공항, 터미널, 호텔, 백화점 등을 표현하는 데이터를 의미한다. 전자지도는 예를 들어, 점(Point), 선(Line), 면(Polygon)과 같은 3 요소로 구성될 수 있다. 전자지도에서는 이들 각각을 POI 데이터, 도로, 배경으로 표시할 수 있다.
도 11을 참조하면, POI 데이터는 강남역, 메리츠타워, 국민건강보험공단 등을 지시할 수 있다. 도로는 일반의 교통에 공용되는 길을 지시하며, 배경은 건물, 구역, 땅의 고저등이 표시된 면을 지시한다. 본 명세서에서 프로세서(110)는 사용자의 ROI를 생성하기 위해, 맵 정보를 통해 획득될 수 있는 상기 POI 데이터를 이용할 수 있다.
도 12는 본 명세서의 다양한 실시예에 적용될 수 있는 레이블링 데이터의 예시이다.
지능화 서비스 모델은 클러스터 생성을 위한 이벤트 데이터의 타입에 따라 사용자의 ROI 데이터의 Category 필드를 설정할 수 있다. 예를 들어, 이벤트 데이터의 타입이 SMS/MMS 인 경우에 Category 필드는 Message ROI로 설정될 수 있다. 레이블링 데이터는 이벤트의 데이터 타입에 따라 키워드를 추출하여 획득될 수 있다. 예를 들어, 이벤트의 데이터 타입이 SMS/MMS 인 경우 SMS/MMS 내의 텍스트(예를 들어, 결재내역)를 추출하여 레이블링 데이터를 획득할 수 있다. 이때, SMS/MMS 내의 텍스트가 ㅇㅇ횟집인 경우, 사용자의 ROI 데이터의 레이블링 데이터는 ㅇㅇ횟집으로 설정될 수 있다.
도 13은 도 12에서 설명한 레이블링 데이터의 일 구현예이다.
장소 엔진은 사용자 단말 등에 설정된 이벤트가 발생한 경우, 획득한 위치정보들이 포함된 일정영역을 설정할 수 있다. 최초 위치정보들의 정확도를 위하여 전술한 POI 데이터들이 사용될 수 있고, 또는 POI 데이터들에 대응되는 위치정보를 기준으로 사용자의 ROI 데이터의 일정영역을 설정할 수 있다. 이벤트 데이터의 타입이 이미지(image)인 경우, 레이블링 데이터는 이미지 데이터에 포함된 태그(tag), 또는 이미지로부터 추출하는 수 있는 텍스트로부터 획득될 수 있다. 예를 들어, 이미지에 포함된 태그가 바다, 일몰인 경우, 상기 이미지가 획득된 영역을 지시하는 사용자의 ROI 데이터에 포함된 Category 필드는 Photo ROI로 설정될 수 있고, 레이블명(label name)은 바다, 일몰로 설정될 수 있다.
한편, 본 명세서의 다양한 실시예에 적용되는 AI 장치(100)는 도 8 내지 도 13에서 전술한 방법에 의해 생성된 ROI를 활용하여, 사용자의 프로파일을 생성하거나, 또는 업데이트할 수 있다. 이에 관한 구체적인 내용은 이하 도 14 내지 16에서 설명하도록 한다.
도 14는 본 명세서의 일 실시예에 따른 프로파일링 방법의 순서도이다. 한편, 전술한 도 8 내지 도 13와 중복되는 내용은 생략한다.
도 14를 참조하면, AI 장치(100)는 통신 모듈을 통해 소스 데이터를 수신할 수 있다(S310). 소스 데이터는 사용자의 ROI를 생성하기 위하여 정의될 수 있는 카테고리 별로 저장되어 관리될 수 있다. 소스 데이터는 AI 장치(100)의 입력 장치에 의해 입력되어 메모리에 저장되거나, 통신 모듈을 통해 외부 단말로부터 수신되어 메모리에 저장될 수 있다. 이처럼 저장된 소스 데이터는 이후에 ROI 데이터를 생성하거나 추출하는 데에 이용될 수 있다. 소스 데이터는, 예를 들어, 메시지(예를 들어, SMS, MMS 등), 영상(스틸 이미지, 동영상), 애플리케이션 사용기록(Application usage), 캘린더(calendar), 업무(task), 통화기록(Call Log), Q메모(Q-memo) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
AI 장치(100)는 프로세서(110)를 통해 수신된 소스 데이터로부터 ROI 데이터를 생성할 수 있다(S320). 보다 구체적으로, 프로세서(110)는 소스 데이터가 발생하거나 수집되는 맵 데이터(예를 들어, GPS 데이터)에 기초하여, 상기 소스 데이터를 클러스터링하고, 상기 클러스터링 결과로 생성된 클러스터에 관한 정보로부터 상기 클러스터를 지시하는 ROI 데이터를 생성할 수 있다. 상기 클러스터링은 유클리드 거리(Euclidean distance), 마할라노비스 거리(Mahalanobis distance) 등을 이용하여 수행될 수 있으나, 이에 한정되는 것은 아니다. 일 예로, 프로세서(110)는 특정한 지역에 대한 방문시간, 방문횟수, 또는 카테고리 유형(category type)에 기초하여 2 이상의 소스 데이터를 클러스터링할 수 있다. 이처럼, 생성된 ROI는 상기 ROI의 기초가 된 2 이상의 소스 데이터에 관한 정보를 포함할 수 있다.
일 예로, 소스 데이터가 이미지인 경우에 프로세서(110)는 이미지에 포함된 적어도 하나의 객체에 대한 태그를 이용하여 ROI 데이터를 생성할 수 있다. ROI가 골프장인 경우에, 프로세서(110)는 이미지에 포함된 산, 호수, 언덕, 잔디, 공, 스포츠 등의 태그를 추출하고, 상기 추출된 태그들에 기초하여 골프장이라는 ROI 데이터를 생성할 수 있다.
다른 예로, 소스 데이터가 캘린더인 경우에 프로세서(110)는 캘린더의 제목, 장소, 또는 시간을 이용하여 ROI 데이터를 생성할 수도 있다. ROI가 봉사단 모임인 경우에, 프로세서(110)는 캘린더에 포함된 제목(예를 들어, 'LG전자 신년봉사모임'), 상기 일정의 장소 및 시간과 관련된 이미지를 수집하고, 상기 장소 및 시간에 관련된 복수의 이미지가 생성되거나 발생된 맵 정보에 기초하여 ROI를 결정할 수 있다. 보다 구체적으로, 봉사단 모임이 강원도에서 12월31일 오후 2시부터 오후 7시까지 예정되는 것으로 캘린더에 미리 저장되어 있는 경우, 기 설정된 시간 및 장소에서 생성되거나 발생된 복수의 이미지는 클러스터링의 대상이 될 수 있다. 이때, 생성된 클러스터는 봉사단모임의 ROI를 나타낼 수 있다.
AI 장치(100)는 ROI 데이터에 기반하여 인물 간의 관계를 분류할 수 있다(S330). 구체적으로, AI 장치(100)는 프로세서(110)를 통해 2 이상의 인물 간의 관계를 분류할 수 있다. 여기서, AI 장치(100)는 2 이상의 인물 간의 관계를 ROI 데이터에 기초하여 분류할 수 있다. 일 예로, AI 장치(100)는 ROI가 골프장인 경우, ROI 에서 수집된 이미지에 포함된 2 이상의 인물의 관계를 골프장과 관련된 관계로 분류할 수 있다. 다른 예로, AI 장치(100)는 ROI가 봉사단 모임인 경우, ROI 에서 수집된 이미지에 포함된 2 이상의 인물의 관계가 봉사단 모임과 관련된 관계로 분류할 수도 있다. 즉, 프로세서(110)는 소스 데이터에 기초하여 생성된 ROI 데이터에 기반하여 상기 ROI 에서 수집된 하나 또는 2 이상의 이미지에 포함된 2 이상의 인물의 관계를 상기 ROI 에 기초하여 설정할 수 있다.
AI 장치(100)는 인물의 동시등장의 빈도 및 거리에 기초하여 친밀도를 결정할 수 있다(S340). 구체적으로, AI 장치(100)는 프로세서(110)를 통해 ROI 에서 수집된 하나 또는 2 이상의 이미지를 분석하고, 상기 하나 또는 2 이상의 이미지에 포함된 인물의 동시등장의 빈도를 산출하거나, 상기 이미지에 포함된 2 이상의 인물 간의 거리를 산출할 수 있다. 프로세서(110)는 산출된 동시등장의 빈도와 인물 간의 거리를 신경망 모델의 입력 데이터로 설정하고, 상기 신경망 모델의 출력으로부터 2 이상의 인물 간의 친밀도에 관한 값을 생성할 수 있다. 이때, 프로세서(110)는 친밀도에 관한 값에 기초하여 인물의 관계를 설정할 수 있다.
보다 구체적으로, AI 장치(100)는 복수의 이미지에 포함된 인물의 얼굴을 검출하고, 검출된 얼굴을 나타내는 임베딩 벡터를 생성할 수 있다. 일 실시예에서, AI 장치(100)는 임베딩 벡터를 활용하여 사용자와 특정인물 간의 거리를 수치화 하고, 상기 수치로부터 사용자와 특정인물 간의 친밀도를 결정할 수 있다. 다른 실시예에서, AI 장치(100)는 사용자와 특정인물 간의 거리뿐만 아니라, 상기 특정인물이 복수의 이미지 중 사용자와 동시에 등장하는 빈도를 함께 이용하여 사용자와 특정인물 간의 친밀도를 결정할 수 있다.
AI 장치(100)는 ROI 및 친밀도에 기초하여 관계정보를 생성할 수 있다(S350). 구체적으로, AI 장치(100)를 프로세서(110)를 통해 S330, S340에서 생성된 ROI 및/또는 친밀도에 관한 값으로부터 관계정보를 생성할 수 있다. 관계정보는 특정 인물에 관한 프로파일(profile) 정보를 지칭한다. 프로파일 정보는, 특정 인물의 이름, 사진, 직장, 전화번호, 이메일, 그룹, 또는 사용자와의 관계 중 적어도 하나를 포함할 수 있다. 특히, 본 명세서의 다양한 실시예에서는 ROI 및 친밀도를 활용하여 상기 사용자와의 관계를 생성할 수 있다. 사용자와의 관계는 S330 및 S340에서 생성된 ROI 및/또는 친밀도로부터 결정될 수 있다. 일 예로, ROI 가 골프장이고 이미지에 포함된 2 인의 인물 간의 친밀도가 소정의 기준범위에 속하는 경우, 프로세서(110)는 이미지에 포함된 2 인의 인물은 '골프장+친구'관계로 설정할 수 있다. 다른 예로, ROI 가 봉사단 모임이고, 이미지에 포함된 6 인의 인물 간의 친밀도가 소정의 기준범위에 속하는 경우, 프로세서(110)는 이미지에 포함된 6 인의 인물은 '봉사단 모임+멤버' 관계로 설정할 수 있다.
한편, 전술한 봉사단 모임의 예시의 경우에, AI 장치(100)는 6 인의 그룹 각각에 대한 관계를 설정할 수 있을 뿐만 아니라, 6 인의 그룹 자체에 관한 관계를 설정할 수도 있다. 구체적으로, 6 인의 그룹 자체에 관하여 '봉사단 모임+멤버들'로 관계를 정의하거나, 6 인(제1 인물 내지 제6 인물)의 인물 각각에 대하여 제1 인물은 '봉사단 모임+친구'로, 제2 인물은 '봉사단 모임+멤버'로, 그리고 제3 인물은 '봉사단 모임+연인'으로 설정할 수도 있다.
이처럼 생성된 관계정보는 AI 장치(100)에 기록된 특정인물에 대한 프로파일 또는 사용자의 프로파일을 업데이트하는 데 이용될 수 있다. 이처럼, ROI 를 활용하여 관계정보를 생성 및 반영함으로써, 특정인물의 정보를 수동으로 입력할 필요 없이 갱신할 수 있다.
도 15a 및 도 15b는 본 명세서의 일 실시예에 따른 프로파일링 방법의 제1 구현예이다.
도 15a 및 도 15b를 참조하면, AI 장치(100)는 이미지의 태그에 기초하여 ROI 를 추출할 수 있다. 구체적으로, AI 장치(100)는 메모리에 저장된 복수의 이미지의 태그를 분석하고, 분석 결과와 상기 복수의 이미지의 맵 정보를 기준으로 클러스터를 생성할 수 있다. 이후에, AI 장치(100)는 생성된 클러스터를 나타내는 ROI 를 추출할 수 있다. 일 예로, AI 장치(100)는 메모리에 저장된 복수의 이미지 중 지리적 위치에서 저장된 2 이상의 이미지를 추출하고, 추출된 2 이상의 이미지의 태그를 분석할 수 있다. 상기 추출된 2 이상의 이미지의 태그를 분석하여, '산, 호수, 언덕, 잔디, 공, 스포츠' 등의 태그를 추출한다면, 상기 추출된 태그로부터 AI 장치(100)는 상기 지리적 위치를 골프장으로 추론하고, 골프장이라는 이름의 ROI 를 생성할 수 있다.
이때, AI 장치(100)는 상기 골프장이라는 ROI 에서 저장되거나 생성된 복수의 이미지에 포함된 인물을 분석할 수 있다. 상기 골프장에서 저장되거나 생성된 복수의 이미지를 분석하여, 사용자인 제1 인물과, 타인인 제2 인물이 동시에 등장하는 이미지의 수가 많을수록 친밀도는 높게 산출될 수 있다. 또한, 제1 인물과 제2 인물의 얼굴을 검출하여, 상기 검출 결과 얼굴 간의 거리가 더 가깝게 산출될수록 친밀도는 높게 산출될 수 있다. 일 예로, 도 15b의 경우, ROI 에서 생성된 이미지로부터 결정된 2 인의 인물 간의 관계정보는 '골프장 연인'으로 설정될 수 있다.
도 16a 및 도 16b는 본 명세서의 일 실시예에 따른 프로파일링 방법의 제2 구현예이다.
도 16a 및 16b를 참조하면, AI 장치(100)는 캘린더 정보에 기초하여 ROI 를 추출할 수 있다. 구체적으로, AI 장치(100)는 메모리에 저장된 캘린더 정보를 분석하고, 캘린더 정보와 관련된 복수의 이미지의 맵 정보를 기준으로 클러스터를 생성할 수 있다. 이후에, AI 장치(100)는 생성된 클러스터를 나타내는 ROI 를 추출할 수 있다. 일 예로, AI 장치(100)는 메모리에 저장된 캘린더 정보에서 '동기모임'이라는 POI Name과 'ㅇㅇ예식장'의 위치정보, 2019년 05월 19일 12:00~19:00의 시간정보를 추출할 수 있다. AI 장치(100)는 상기 캘린더 정보에 대응하는 위치 및/또는 시간에 저장되거나 생성되는 복수의 이미지를 추출하고, 상기 복수의 이미지를 대상으로 클러스터링을 수행할 수 있다. AI 장치(100)는 클러스터링 결과, 유의미한 ROI 로 판단되면 클러스터를 메모리에 저장할 수 있다. 이때, 도 15b에서 예시하는 경우에서, AI 장치(100)는 캘린더 정보에 기반하여 '동기모임'이라는 ROI 를 추출할 수 있다.
이때, AI 장치(100)는 상기 '동기모임'이라는 ROI 에서 저장되거나 생성된 복수의 이미지에 포함된 인물을 분석할 수 있다. 상기 봉사단 모임에서 저장되거나 생성된 복수의 이미지를 분석하여, 사용자인 제1 인물과, 타인인 제2 인물이 동시에 등장하는 이미지의 수가 많을수록 친밀도는 높게 산출될 수 있다. 또한, 제1 인물과 제2 인물의 얼굴을 검출하여, 상기 검출 결과 얼굴 간의 거리가 더 가깝게 산출될수록 친밀도는 높게 산출될 수 있다. 일 예로, 도 16b의 경우, ROI 에서 생성된 이미지에 포함된 복수의 인물은 '동기 친구들'로 관계가 정의될 수 있다. 한편, 복수의 인물은 모두 동일한 관계정보로 설정되어야 하는 것은 아니며, 각가의 인물에 따라 서로 다른 관계정보로 설정될 수도 있다.
도 17은 본 명세서의 다른 실시예에 따른 프로파일링 방법의 시퀀스도이다.
도 17을 참조하면, 사용자 단말(UE)은 소스 데이터 또는 소스 데이터로부터 추출된 특징을 5G 네트워크에 포함된 AI 시스템(1)으로 전송하도록 트랜시버를 제어할 수 있다. 또한, 사용자 단말(UE)은 AI 시스템(1)으로부터 AI 프로세싱된 정보를 수신하도록 트랜시버를 제어할 수 있다.
한편, 사용자 단말(UE)은 5G 네트워크로 소스 데이터를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 사용자 단말(UE)은 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 사용자 단말(UE)은 트랜시버를 통해 소스 데이터의 전송을 스케줄링 하기 위해 사용되는 DCI를 네트워크로부터 수신할 수 있다.
사용자 단말(UE)은 상기 DCI에 기초하여 소스 데이터 또는 소스 데이터로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다.
소스 데이터 또는 소스 데이터로부터 추출된 특징값은 PUSCH를 통해 5G 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 17을 다시 참고하면, 사용자 단말(UE)은 소스 데이터를 생성하거나 외부 단말로부터 수신할 수 있다(S410). 사용자 단말(UE)은 소스 데이터를 네트워크로 전송할 수 있다(S420). AI 시스템(1)은 소스 데이터로부터 ROI 데이터를 생성할 수 있다(S430). AI 시스템(1)은 ROI 에서 획득된 복수의 이미지로부터 산출된 특정인물의 사용자와 동시에 등장하는 빈도 및 사용자와의 거리에 기반하여 친밀도를 결정할 수 있다(S440). AI 시스템(1)은 ROI 및 친밀도에 기초하여 사용자와 특정인물 간의 관계를 나타내는 관계정보를 생성할 수 있다(S450). 네트워크는 관계정보를 사용자 단말(UE)로 전송할 수 있다(S460). 사용자 단말(UE)은 관계정보를 메모리에 저장할 수 있다(S470). 도 14와 비교하여, 도 17의 프로파일링 방법의 S410은 S310, S430은 S320, S440은 S330, 그리고 S450은 S340에 대응한다.
도 18은 본 명세서의 또 다른 실시예에 따른 프로파일링 방법의 순서도이다.
도 18을 참조하면, AI 장치(100)는 위치 기반 컨텐츠를 수집할 수 있다(S510). 일 예로, AI 장치(100)는 사용자가 관심을 가지는 것으로 판단될 수 있는 지리적 영역의 정보를 포함하는 ROI 정보를 활용하여 위치 기반 컨텐츠를 수집할 수 있다. 구체적으로, 제1 ROI 정보, ?? 제N ROI 정보가 존재하는 것으로 가정하였을 때, AI 장치(100)는 메모리 또는 클라우드에 저장되어 있는 컨텐츠를 분석하여, 상기 제1 내지 제N ROI 정보에 대응되는 컨텐츠를 수신하거나 수집할 수 있다. 이처럼 수집된 컨텐츠는 ROI를 활용한 프로파일링 방법에 이용될 수 있으며, ROI 정보가 존재하지 않는 컨텐츠는 도 18의 일 실시예에 따른 프로파일링에 제외되거나 ROI 정보를 생성하기 위하여 ROI 생성 알고리즘으로 전달될 수 있다. 위치 기반 컨텐츠는 위치 정보를 포함하는 다양한 컨텐츠로 정의된다. 위치 기반 컨텐츠는, 영상, SMS/MMS 메시지, 캘린더 등을 포함할 수 있으나 이에 한정되는 것은 아니다.
AI 장치(100)는 복수의 인물 각각을 감지하여, 인물 별로 분류할 수 있다(S520). AI 장치(100)는 인물의 얼굴을 감지할 수 있다. AI 장치(100)는 인물의 얼굴 별로 서로 다른 식별 정보(예를 들어, ID)를 부여하여 메모리에 저장하고 있을 수 있다. AI 장치(100)는 메모리에 저장된 식별 정보와 인물의 얼굴로부터 추론된 식별 정보를 비교하여 컨텐츠에 포함된 복수의 인물을 식별하거나 분류할 수 있다. 한편, 메모리에 미리 저장되어 있지 않은 인물의 경우, AI 장치(100)는 새로운 식별 정보를 부여하여 메모리에 저장할 수도 있다.
AI 장치(100)는 복수의 인물 각각의 친밀도에 관한 정보를 생성할 수 있다(S530). 친밀도에 관한 정보는 복수의 인물 중 각각의 친밀도를 개별적으로 포함할 수 있다. 예를 들어, 컨텐츠에 제1 내지 제3 인물이 포함되어 있는 경우, 복수의 인물 각각에 관한 친밀도는 제1 인물과 제2 인물 간의 친밀도, 제2 인물과 제3 인물 간의 친밀도, 제1 인물과 제3 인물 간의 친밀도를 포함할 수 있다. 친밀도는 위치 기반 컨텐츠에 포함된 복수의 인물 간의 거리 또는 동시에 등장하는 회수 중 적어도 하나에 기초하여 결정될 수 있다. 특히, 친밀도는 복수의 노드로 구성된 신경망 모델을 이용하여 추론될 수 있으며, 상기 신경망 모델은 하나의 컨텐츠 내에서 인물의 등장횟수와 인물 간의 거리에 관한 값을 입력으로 설정하여 지도학습된 신경망 모델일 수 있다. 한편, 인물 간의 거리는 인물의 얼굴 간의 거리, 어깨 사이의 거리, 정면을 바라보는 방향을 기준으로 몸체의 기울기 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
AI 장치(100)는 친밀도에 관한 정보 및/또는 컨텐츠의 위치 정보에 기초하여 복수의 인물 간의 인물 관계에 관한 정보를 생성할 수 있다(S540). 위치 정보는 ROI 정보를 포함한다. 또한, 관계에 관한 정보는 친구 관계, 연인 관계, 동창 관계 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 관계에 관한 정보는 위치 정보에 기초하여 골프장 친구 관계, 골프장 연인 관계, 골프장 동창 관계 등으로 구현될 수 있으나, 이에 한정되는 것은 아니다.
AI 장치(100)는 인물 관계에 관한 정보에 기초하여 ROI 정보를 상기 인물 관계에 관한 정보와 연계되도록 갱신할 수 있다(S550). 예를 들어, S540에서 예시한 골프장 친구, 골프장 연인, 골프장 동창회 등으로 업데이트될 수 있으나, 이에 한정되는 것은 아니다.
이처럼 본 명세서의 다양한 실시예에 따른 프로파일링 방법은 이후에 사용자의 컨텐츠 관리 및/또는 일정 관리에 이용될 수 있다. 예를 들어, 사용자 및 다른 인물과의 관계에 기반하여 메모리에 저장된 복수의 이미지를 친밀도 레벨에 기초하여 그룹화하고, 그룹화된 적어도 하나의 그룹에 인물 관계에 관한 정보를 레이블링할 수 있다. 이처럼 생성된 적어도 하나의 그룹은 이후에 사용자의 컨텐츠 확인에 있어서, 향상된 접근성을 제공할 수 있다.
또한, 본 명세서의 다양한 실시예에 따른 프로파일링 방법은 상기 프로파일링 방법에 따라 갱신된 ROI 정보를 이용하여 사용자와 연관된 인물 및/또는 연관된 인물을 포함하는 컨텐츠를 검색하는 데에 이용될 수 있다. 예를 들어, AI 장치(100)는 사용자의 입력에 응답하여 인물 간의 관계에 기반한 ROI 정보로 메모리에 저장된 복수의 컨텐츠 또는 유저 프로파일을 검색할 수 있다. 예를 들어, "서초구 동창모임"에 관한 검색이 입력되면, AI 장치(100)는 서초구 동창모임과 유관한 적어도 하나의 컨텐츠를 검색할 수 있다.
또한, 본 명세서의 다양한 실시예에 따른 프로파일링 방법은 친밀도 및/또는 인물 관계에 관한 정보가 없는 새로운 인물에 대해서도 친밀도 및/또는 관계를 제공할 수 있다. 예를 들어, 새로운 인물이 감지되는 경우, AI 장치(100)는 새로운 인물과 이미 저장된 인물 간의 거리, 동시에 등장하는 빈도, 또는 ROI 정보 중 적어도 하나에 기초하여 상기 새로운 인물에 관한 인물 관계 정보를 부여할 수 있다. 예를 들어, AI 장치(100)는 결혼식 장에 복수의 인물이 하나의 이미지에 포함된 경우에, 신랑 측 또는 신부 측으로 나누어 복수의 이미지 간의 관계를 유추할 수 있다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
Claims (19)
- 프로파일을 생성하기 위한 소스 데이터를 획득하는 단계;
상기 소스 데이터 및 상기 소스 데이터와 관련된 맵 정보에 기초하여 클러스터링을 수행하는 단계;
상기 클러스터링을 통해 생성된 클러스터를 이용하여 인물의 프로파일을 생성하는 단계;
상기 인물의 프로파일에 기초하여 상기 사용자의 관심영역을 나타내는 ROI(Region Of Interest)를 결정하고, 상기 ROI에서 획득된 복수의 이미지를 수집하는 단계; 및
상기 복수의 이미지를 분석하여 상기 복수의 이미지에 포함된 특정인물과 사용자 간의 친밀도(degree of intimacy)를 결정하고, 상기 친밀도와 상기 ROI로부터 상기 특정인물과 사용자 간의 관계를 나타내는 관계정보를 생성하는 단계;
를 포함하는 프로파일링 방법.
- 제1 항에 있어서,
상기 소스 데이터는,
사용자의 위치정보, 메시지 정보, 이미지/비디오, 캘린더 정보, 사용자가 입력하는 태스크(Task)에 대한 정보, 통화기록, 메모, 또는 애플리케이션 사용기록을 포함하는 것을 특징으로 하는 프로파일링 방법.
- 제1 항에 있어서,
상기 소스 데이터는,
외부 단말로부터 수신되는 것을 특징으로 하는 프로파일링 방법.
- 제1 항에 있어서,
상기 복수의 이미지는,
상기 사용자 및 상기 특정인물이 모두 포함되어 있는 이미지인 것을 특징으로 하는 프로파일링 방법.
- 제1 항에 있어서,
상기 친밀도는,
미리 학습된 제1 신경망 모델에 의하여 결정되고,
상기 제1 모델은 (i) 상기 특정인물과 상기 사용자 간의 거리 및 (ii) 상기 특정인물과 상기 사용자가 동시에 나타나는 이미지의 수 중 적어도 하나를 입력으로 설정하고, 상기 친밀도를 출력으로 설정하여 미리 학습된 신경망 모델인 것을 특징으로 하는 프로파일링 방법.
- 제5 항에 있어서,
상기 친밀도는,
상기 특정인물과 상기 사용자 간의 거리가 가까울수록 증가하는 것을 특징으로 하는 프로파일링 방법.
- 제5 항에 있어서,
상기 친밀도는,
상기 특정인물과 상기 사용자가 동시에 나타나는 이미지의 수가 많을수록 증가하는 것을 특징으로 하는 프로파일링 방법.
- 제5 항에 있어서,
상기 복수의 이미지에서 상기 특정인물과 상기 사용자의 얼굴을 검출하는 단계;
를 더 포함하고,
상기 거리는, 상기 특정인물의 제1 얼굴과 상기 사용자의 제2 얼굴 사이의 거리인 것을 특징으로 하는 프로파일링 방법.
- 제1 항에 있어서,
상기 소스 데이터의 전송을 스케줄링 하기 위해 사용되는 DCI를 네트워크로부터 수신하는 단계;
상기 소스 데이터를 상기 DCI에 기초하여 상기 네트워크로 전송하는 단계;
를 더 포함하는 것을 특징으로 하는 프로파일링 방법.
- 제9 항에 있어서,
SSB에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;
상기 소스 데이터는 PUSCH를 통해 상기 네트워크로 전송하는 단계;
를 더 포함하되,
상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는 이동 단말의 프로파일링 방법.
- 제10 항에 있어서,
상기 소스 데이터를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 트랜시버를 제어하는 단계;
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 트랜시버를 제어하는 단계;
를 더 포함하되,
상기 AI 프로세싱된 정보는,
상기 상기 친밀도와 상기 ROI로부터 상기 특정인물과 사용자 간의 관계를 나타내는 관계정보를 포함하는 것을 특징으로 하는 프로파일링 방법.
- 위치 기반 컨텐츠를 수집하는 단계;
상기 위치 기반 컨텐츠에 포함된 복수의 인물 간의 거리 또는 동시에 등장하는 횟수 중 적어도 하나에 기초하여 상기 복수의 인물 간의 친밀도에 관한 정보를 생성하는 단계; 및
상기 친밀도 및 상기 컨텐츠의 위치 정보로부터 상기 복수의 인물 간의 인물관계에 관한 정보를 생성하는 단계;
를 포함하는 프로파일링 방법.
- 제12 항에 있어서,
상기 위치 기반 컨텐츠의 위치 정보는,
사용자가 관심을 가지는 것으로 판단될 수 있는 지리적 영역의 정보를 포함하는 ROI 정보인 것을 특징으로 하는 프로파일링 방법.
- 제13 항에 있어서,
상기 ROI 정보를 상기 인물관계에 관한 정보와 연관되도록 업데이트하는 단계;
를 더 포함하는 것을 특징으로 하는 프로파일링 방법.
- 제13 항에 있어서,
상기 컨텐츠에 연관된 ROI 정보에 기초하여 상기 적어도 하나의 컨텐츠를 분류하는 단계;
를 더 포함하는 것을 특징으로 하는 프로파일링 방법.
- 제12 항에 있어서,
상기 복수의 인물 간의 거리는,
상기 복수의 인물로부터 감지된 상기 복수의 인물의 얼굴 간의 거리인 것을 특징으로 하는 프로파일링 방법.
- 제12 항에 있어서,
상기 친밀도를 생성하는 단계는,
신경망 모델을 이용하여, 상기 인물 간의 거리 또는 상기 동시에 등장하는 횟수 중 적어도 하나에 기초하여 상기 친밀도를 생성하는 것을 특징으로 하는 프로파일링 방법.
- 제17 항에 있어서,
상기 신경망 모델은,
상기 인물 간의 거리와 상기 동시에 등장하는 횟수를 입력 데이터로 설정하고, 상기 입력 데이터에 연관된 친밀도를 레이블로 설정하여 미리 학습된 신경망 모델인 것을 특징으로 하는 프로파일링 방법.
- 제1 항 내지 제18 항 중 어느 한 항의 방법을 컴퓨터 시스템에서 실행하기 위한 프로그램이 기록된 컴퓨터 시스템이 판독 가능한 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200006795A KR20210093072A (ko) | 2020-01-17 | 2020-01-17 | Personal roi를 활용한 프로파일링 |
| US17/103,049 US20210224542A1 (en) | 2020-01-17 | 2020-11-24 | Profiling based on personal region of interest |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200006795A KR20210093072A (ko) | 2020-01-17 | 2020-01-17 | Personal roi를 활용한 프로파일링 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210093072A true KR20210093072A (ko) | 2021-07-27 |
Family
ID=76857119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200006795A KR20210093072A (ko) | 2020-01-17 | 2020-01-17 | Personal roi를 활용한 프로파일링 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210224542A1 (ko) |
| KR (1) | KR20210093072A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023022344A1 (ko) * | 2021-08-20 | 2023-02-23 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8548256B2 (en) * | 2010-07-01 | 2013-10-01 | Intellectual Ventures Fund 83 Llc | Method for fast scene matching |
| JP5823499B2 (ja) * | 2011-04-01 | 2015-11-25 | パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | コンテンツ処理装置、コンテンツ処理方法、コンテンツ処理プログラム、及び集積回路 |
| JP2013003648A (ja) * | 2011-06-13 | 2013-01-07 | Sony Corp | コンテンツ抽出装置、コンテンツ抽出方法、及びプログラム |
| JP7229174B2 (ja) * | 2017-04-14 | 2023-02-27 | コーニンクレッカ フィリップス エヌ ヴェ | 人識別システム及び方法 |
| US10621416B2 (en) * | 2017-10-02 | 2020-04-14 | Microsoft Technology Licensing, Llc | Image processing for person recognition |
| CA3034009A1 (en) * | 2018-02-15 | 2019-08-15 | Comcast Cable Communications, Llc | Wireless communications using wireless device information |
| US10507793B1 (en) * | 2018-08-17 | 2019-12-17 | Felipe Boris De Moura Partika | Alarm, safety device and device for expelling attackers for motor vehicles |
-
2020
- 2020-01-17 KR KR1020200006795A patent/KR20210093072A/ko unknown
- 2020-11-24 US US17/103,049 patent/US20210224542A1/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023022344A1 (ko) * | 2021-08-20 | 2023-02-23 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210224542A1 (en) | 2021-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102622240B1 (ko) | 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 | |
| KR20190103090A (ko) | 연합학습(Federated learning)을 통한 단말의 POI 데이터를 생성하는 모델의 학습방법 및 이를 위한 장치 | |
| US20200027552A1 (en) | Method for predicting comfortable sleep based on artificial intelligence | |
| US11245544B2 (en) | Intelligent washing machine and method for controlling washing timing using the same | |
| US20200063315A1 (en) | Method and apparatus for compensating vibration of deep-learning based washing machine | |
| US11240629B2 (en) | Artificial device and method for controlling the same | |
| US11816197B2 (en) | Method of authenticating user and apparatus thereof | |
| US20200090192A1 (en) | Artificial device and method for controlling the same | |
| US20200002868A1 (en) | Method and apparatus for controlling detergent quantity | |
| KR20190108086A (ko) | 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스 | |
| US11562031B2 (en) | User profiling method using event occurrence time | |
| US11741424B2 (en) | Artificial intelligent refrigerator and method of storing food thereof | |
| KR20210052916A (ko) | 지능형 세탁기 | |
| US11323835B2 (en) | Method of inspecting sound input/output device | |
| US20200090643A1 (en) | Speech recognition method and device | |
| US20200043241A1 (en) | Artificial device and method for controlling the same | |
| US20200104578A1 (en) | User profiling method using captured image | |
| KR102388193B1 (ko) | 건강 기능식품 정보를 제공하는 웹 페이지에서 영상 정보 추출 방법 | |
| US20200024788A1 (en) | Intelligent vibration predicting method, apparatus and intelligent computing device | |
| US20210405758A1 (en) | Method of controlling augmented reality electronic device | |
| US11615760B2 (en) | Controlling of device based on user recognition utilizing vision and speech features | |
| US20210125478A1 (en) | Intelligent security device | |
| US20210224542A1 (en) | Profiling based on personal region of interest | |
| KR20210094961A (ko) | 피접촉면의 재질에 따른 청소로봇 제어방법 | |
| US11664022B2 (en) | Method for processing user input of voice assistant |