KR20210121472A

KR20210121472A - 인공지능 기반의 음질개선

Info

Publication number: KR20210121472A
Application number: KR1020200038168A
Authority: KR
Inventors: 오상준; 황승현; 김영만; 이규호; 정재웅
Original assignee: 엘지전자 주식회사
Priority date: 2020-03-30
Filing date: 2020-03-30
Publication date: 2021-10-08
Also published as: US20210306746A1; US11240602B2

Abstract

인공지능 기반의 음질개선이 개시된다. 본 명세서의 일 실시예에 따른 인공지능 기반의 음향제어방법은, 이동단말의 주소록에 저장된 복수의 인물정보에 기반하여 인물별로 서로다른 통화음질을 제공한다. 본 명세서의 이동단말 및 5G 네트워크는 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

인공지능 기반의 음질개선{SOUND QUALITY IMPROVEMENT BASED ON ARTIFICIAL INTELLIGENCE}

본 명세서는 인공지능 기반의 음질개선에 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, 인공지능 기술은 이동 단말기를 통한 통화 서비스에도 적용될 수 있다. 종래의 제공되는 통화 서비스에 있어서, 이동 단말기의 통화 음질은 사용자 또는 상대방(Far-end)의 소리특성(Sound Feature)에 따라 통화 음질을 개인화(Personalization)하지 못하고, 일정하게 출력되는 한계가 있다.

본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 명세서는, 이동 단말의 통화 음질을 사용자 또는 상대방의 특성에 따라 개인화할 수 하는 인공지능 기반의 음질개선을 구현하는 것을 목적으로 한다.

또한, 본 명세서는, 상대방의 통화 음성의 특성을 주소록에 기록된 사용자 정보 별로 학습할 수 있는 인공지능 기반의 음질개선을 구현하는 것을 목적으로 한다.

본 명세서의 일 실시예에 따른 음향제어방법은 소리신호(Sound Signal)의 속성(attribute)에 기초하여 하나 이상의 인물정보(Person Information)를 포함하는 하나 이상의 인물정보세트(Set of Person Information)를 생성하는 단계; 상기 인물정보세트를 나타내는 정보, 상기 소리신호의 특징벡터에 기초하여 오디오 이퀄라이저의 파라미터를 조절하는 태스크(Task)를 머신러닝모델을 사용하여 수행하는 단계;를 포함한다.

또한, 통신연결된 이동 단말기와 무선통화를 수행하는 동안에 상기 소리신호를 수신하는 단계; 및 상기 수신된 소리신호를 메모리에 저장하는 단계;를 더 포함하되, 상기 소리신호는 상기 통신연결된 이동 단말기의 마이크를 통해 얻은 음성신호를 포함할 수 있다.

또한, 상기 속성은 복수의 주파수대역에 각각에 관한 볼륨을 포함할 수 있다.

또한, 상기 인물정보세트를 생성하는 단계는, 2 이상의 인물의 속성들을 주파수대역별로 비교하여 유사도를 산출하는 단계; 상기 유사도에 기초하여, 상기 2 이상의 인물정보를 구분하는 단계; 및 상기 구분된 2 이상의 인물정보를 포함하는 상기 인물정보세트를 생성하는 단계;를 포함할 수 있다.

또한, 상기 복수의 주파수대역은 제1 내지 제N대역(N은 자연수)을 포함하고, 제K대역(K 2 이상의 자연수, K<N)의 주파수대역폭은 제K-1대역의 주파수대역폭의 정수배일 수 있다.

또한, 상기 오디오 이퀄라이저의 파라미터가 제1상태에서 제2상태로 변화하는 경우, 상기 제1, 제2 상태의 차이에 기초하여 상기 머신러닝모델의 파라미터를 조절하는 강화학습을 수행할 수 있다.

또한, 상기 태스크의 수행 결과에 대한 피드백의 수신에 응답하여 상기 머신러닝모델의 파라미터를 조절할 수 있다.

또한, 상기 피드백은 상기 사용자 인터페이스를 통해 오디오 이퀄라이저의 파라미터를 조절하는 입력일 수 있다.

또한, 상기 오디오 이퀄라이저의 파라미터는 상기 인물정보에 매핑되어 상기 메모리에 저장될 수 있다.

또한, 상기 메모리에 저장된 인물정보에 대응되는 사용자의 호 신호를 수신하는 경우, 상기 호 신호에 응답하여 상기 메모리에 저장된 오디오 이퀄라이저의 파라미터를 로드하는 단계; 및 상기 로드된 오디오 이퀄라이저의 파라미터에 기반하여 스피커를 통해 출력되는 통화음질을 제어하는 단계;를 더 포함할 수 있다.

본 명세서의 다른 실시예에 따른 지능형 이동단말은 네트워크를 통해 소리신호를 수신하는 송수신부; 하나 이상의 인물정보가 기록된 메모리; 및 상기 소리신호의 속성에 기초하여 상기 하나 이상의 인물정보를 포함하는 하나 이상의 인물정보세트를 생성하고, 상기 인물정보세트를 나타내는 정보, 상기 소리신호의 특징벡터에 기초하여 오디오 이퀄라이저의 파라미터를 조절하는 태스크를 머신러닝모델을 사용하여 수행하는 프로세서;를 포함한다.

본 명세서의 일 실시예에 따른 인공지능 기반의 음질개선의 효과에 대해 설명하면 다음과 같다.

본 명세서는 이동 단말의 통화 음질을 사용자 또는 상대방의 특성에 따라 개인화할 수 있다.

또한, 본 명세서는 상대방의 통화 음성의 특성을 주소록에 기록된 사용자 정보 별로 학습할 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 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 5은 본 명세서와 관련된 이동 단말기를 설명하기 위한 블록도이고, 도 6 및 도 7은 본 명세서와 관련된 이동 단말기의 일 예를 서로 다른 방향에서 바라본 개념도이다.
도 8은 AI 장치의 일 실시예를 나타내는 개념도이다.
도 9는 본 명세서의 일 실시예에 따른 인공지능 기반의 음향제어방법의 순서도이다.
도 10은 도 9의 S120을 구체적으로 설명하기 위한 순서도이다.
도 11은 머신러닝모델의 강화학습 알고리즘의 순서도이다.
도 12는 학습된 머신러닝모델에 기반한 음향제어방법의 순서도이다.
도 13은 5G 네트워크에 기반한 음향제어방법의 시퀀스도이다.
도 14 및 도 15은 본 명세서의 일 실시예에 따른 음향제어방법의 구현예를 설명하기 위한 도면이다.

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 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 본 명세서에 개시된 디바이스의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 AI 프로세싱은, 본 명세서에 개시되는 디바이스의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 상기 디바이스가 자율주행 차량인 경우, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행하거나, 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다. 또한, 예를 들어, 상기 디바이스가 IoT 디바이스(예: 지능형 가전, 지능형 이동단말 등)인 경우, IoT 디바이스는 센싱 데이터 또는 사용자 데이터를 AI 프로세싱하여 처리/판단, 제어 신호 생성 동작을 수행하거나, 상기 IoT 디바이스 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱하여 IoT 디바이스의 제어동작을 수행할 수 있다.

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.

모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.

한편, 도 4에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 5은 본 명세서와 관련된 이동 단말기를 설명하기 위한 블록도이고, 도 6 및 도 7은 본 명세서와 관련된 이동 단말기의 일 예를 서로 다른 방향에서 바라본 개념도이다.

상기 이동 단말기(100)는 무선 통신부(110), 입력부(120), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 도 5에 도시된 구성요소들은 이동 단말기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 이동 단말기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

보다 구체적으로, 상기 구성요소들 중 무선 통신부(110)는, 이동 단말기(100)와 무선 통신 시스템 사이, 이동 단말기(100)와 다른 이동 단말기(100) 사이, 또는 이동 단말기(100)와 외부서버 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 무선 통신부(110)는, 이동 단말기(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

이러한 무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

입력부(120)는, 영상 신호 입력을 위한 카메라(121) 또는 영상 입력부, 오디오 신호 입력을 위한 마이크로폰(microphone, 122), 또는 오디오 입력부, 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123, 예를 들어, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다. 입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

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

음향출력부(152)는 복수 개를 포함할 수 있으며, 도 6에 도시된 바와 같이 전면에 위치하는 제1 음향출력부(152a) 및 도 7에 도시된 바와 같이 후면에 위치하는 제2 음향출력부(152b)를 포함할 수 있다. 제1 음향출력부(152a)는 통화 시에 사용자가 귀를 밀착하여 듣는 용도로 많이 이용되고 제2 음향출력부(152b)는 이격된 상태에서 듣는 용도로 이용될 수 있다. 따라서, 제2 음향출력부(152b)의 출력이 제1 음향출력부(152a)에 비해 상대적으로 클 수 있다.

인터페이스부(160)는 이동 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 이동 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

또한, 메모리(170)는 이동 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(170)는 이동 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 이동 단말기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 이동 단말기(100)의 기본적인 기능(예를 들어, 전화 착신, 발신 기능, 메시지 수신, 발신 기능)을 위하여 출고 당시부터 이동 단말기(100)상에 존재할 수 있다. 한편, 응용 프로그램은, 메모리(170)에 저장되고, 이동 단말기(100) 상에 설치되어, 제어부(180)에 의하여 상기 이동 단말기의 동작(또는 기능)을 수행하도록 구동될 수 있다.

제어부(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 이동 단말기(100)의 전반적인 동작을 제어한다. 제어부(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 제어부(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 5와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 제어부(180)는 상기 응용 프로그램의 구동을 위하여, 이동 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

전원공급부(190)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 이동 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 이동 단말기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 이동 단말기의 동작, 제어, 또는 제어방법은 상기 메모리(170)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 이동 단말기 상에서 구현될 수 있다.

도 6 및 10를 참조하면, 개시된 이동 단말기(100)는 바 형태의 단말기 바디를 구비하고 있다. 다만, 본 명세서는 여기에 한정되지 않고 와치 타입, 클립 타입, 글래스 타입 또는 2 이상의 바디들이 상대 이동 가능하게 결합되는 폴더 타입, 플립 타입, 슬라이드 타입, 스윙 타입, 스위블 타입 등 다양한 구조에 적용될 수 있다. 이동 단말기의 특정 유형에 관련될 것이나, 이동 단말기의 특정유형에 관한 설명은 다른 타입의 이동 단말기에 일반적으로 적용될 수 있다.

여기에서, 단말기 바디는 이동 단말기(100)를 적어도 하나의 집합체로 보아 이를 지칭하는 개념으로 이해될 수 있다.

이동 단말기(100)는 외관을 이루는 하우징(예를 들면, 하우징, 윈도우 등)를 포함한다. 종래에는 프론트 케이스와 리어 케이스를 이용하여 이동 단말기(100)의 전면과 후면을 구성하고 상기 프론트 케이스와 리어 케이스 사이의 내부공간에 전자부품을 실장 하였다. 그러나 최근은 디스플레이부(151)의 크기가 커지면서 전면의 상당부분을 디스플레이부(151)가 차지하고, 디스플레이부(151)의 전면을 보호하는 윈도우(151a)의 크기를 확장하여 이동 단말기(100) 전면 전체를 커버하는 형태를 이용하기도 한다. 이때, 리어 케이스(102)의 둘레가 전면방향으로 돌출되어 이동 단말기(100)의 측면을 커버할 수 있다.

프론트 케이스를 생략하는 대신, 디스플레이부(151)의 배면을 지지하면서 이동 단말기(100)의 강성을 보강하는 미들 프레임(105)을 구비하고 상기 미들 프레임(105)의 배면에 전자 부품을 실장하고 리어 케이스가 배면에 결합하여 이동 단말기(100)의 하우징을 구성할 수 있다.

이동 단말기(100)의 측면을 커버하는 사이드 케이스(104)를 별도로 구비할 수 있으며, 사이드 케이스(104)는 전술한 미들 프레임(105)과 일체형으로 구성할 수도 있다. 즉, 미들 프레임(105)의 둘레 부분 중 외측으로 노출 되는 부분이 사이드 케이스(104)가 될 수 있다. 사이드 케이스(104)가 금속재질을 포함하는 경우, 사이드 케이스(104)를 안테나의 일부로 이용할 수 있으며, 리어 케이스(102)는 사이드 케이스(104)와 다른 소재를 이용할 수도 있다. 리어 케이스(102)를 금속이나 글래스 재질을 적용한 디자인이 채택되고 있다.

전술한 바와 같이 이동 단말기(100)의 외관을 형성하는 하우징은 복수개의 케이스(102, 104) 및 윈도우(151a)를 포함하고, 각 케이스(102, 104) 및 윈도우(151a) 사이의 틈으로 물이 유입될 수 있다. 방수를 위해 이동 단말기(100)의 각 케이스(102, 104) 및 윈도우(151a) 사이를 차폐하는 방수 테이프나, 방수본드, 레진, 러버 또는 탄성재질의 방수링(108)을 이용하여 부품이 실장된 내부공간으로 물이 유입되지 않도록 차폐할 수 있다. 이동 단말기(100)의 기능이 다양해 지면서 수영장이나 비가 오는 상황에서도 이동 단말기(100)를 이용하기 때문에 방수기능은 필수 기능이 되어 가고 있다.

이동 단말기(100)의 전면에는 디스플레이부(151), 제1 음향출력부(152a), 근접 센서(141), 조도 센서(142), 광 출력부(154), 제1 카메라(121a) 및 전면 입력부(미도시)이 전면에 배치될 수 있고, 전면의 디스플레이부(151)의 크기를 크게 하기 위해 상기 구성 요소 중 일부를 생략하거나 다른 부분에 배치할 수도 있다.

이동 단말기(100)의 측면에 측면 입력부(123b), 마이크로폰(122), 제2 음향출력부(152b) 및 인터페이스부(160)이 배치되며, 단말기 바디의 후면에 제2 카메라(121b) 및 후면 입력부(123c)가 배치된 이동 단말기(100)를 일 예로 들어 설명한다. 이러한 배치에 제한되지 않고 측면 입력부(123b), 마이크로폰(122), 제2 음향출력부(152b) 및 인터페이스부(160)는 생략되거나 이동 단말기(100)의 배면 또는 전면에 배치될 수 있다.

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

광 출력부(154)는 이벤트의 발생시 이를 알리기 위한 빛을 출력하도록 이루어진다. 상기 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등을 들 수 있다. 제어부(180)는 사용자의 이벤트 확인이 감지되면, 빛의 출력이 종료되도록 광 출력부(154)를 제어할 수 있다.

제1 카메라(121a)는 촬영 모드 또는 화상통화 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시될 수 있으며, 메모리(170)에 저장될 수 있다.

전면 입력부 및 측면 입력부(123a, 123b)에 의하여 입력되는 내용은 다양하게 설정될 수 있다. 예를 들어, 전면 입력부는 메뉴, 홈키, 취소, 검색 등의 명령을 입력 받고, 측면 입력부(123b)은 제1 또는 제2 음향출력부 (152a, 152b)에서 출력되는 음향의 크기 조절, 디스플레이부(151)의 터치 인식 모드로의 전환 등의 명령을 입력 받을 수 있다.

한편, 단말기 바디의 후면에는 사용자 입력부(123)의 다른 일 예로서, 후면 입력부(123c)가 구비될 수 있다. 이러한 후면 입력부(123c)는 이동 단말기(100)의 동작을 제어하기 위한 명령을 입력 받기 위해 조작되는 것으로서, 입력되는 내용은 다양하게 설정될 수 있다. 예를 들어, 전원의 온/오프, 시작, 종료, 스크롤 등과 같은 명령, 제1 및 제2 음향출력부(152a, 152b)에서 출력되는 음향의 크기 조절, 디스플레이부(151)의 터치 인식 모드로의 전환 등과 같은 명령을 입력 받을 수 있다. 후면 입력부(123c)는 터치입력, 푸시입력 또는 이들의 조합에 의한 입력이 가능한 형태로 구현될 수 있다.

후면 입력부(123c)는 단말기 바디의 두께방향으로 전면의 디스플레이부(151)와 중첩되게 배치될 수 있다. 일 예로, 사용자가 단말기 바디를 한 손으로 쥐었을 때 검지를 이용하여 용이하게 조작 가능하도록, 후면 입력부(123c)는 단말기 바디의 후면 상단부에 배치될 수 있다. 다만, 본 명세서는 반드시 이에 한정되는 것은 아니며, 후면 입력부(123c)의 위치는 변경될 수 있다.

이처럼 단말기(100) 바디의 후면에 후면 입력부(123c)가 구비되는 경우, 이를 이용한 새로운 형태의 유저 인터페이스가 구현될 수 있다. 또한, 앞서 설명한 터치 스크린 또는 후면 입력부(123c)가 단말기 바디의 전면에 구비되는 전면 입력부의 적어도 일부 기능을 대체하여, 단말기 바디의 전면에 전면 입력부가 미배치되는 경우, 디스플레이부(151)가 보다 대화면으로 구성될 수 있다.

한편, 이동 단말기(100)에는 사용자의 지문을 인식하는 지문인식센서가 구비될 수 있으며, 제어부(180)는 지문인식센서를 통하여 감지되는 지문정보를 인증수단으로 이용할 수 있다. 상기 지문인식센서는 디스플레이부(151) 또는 사용자 입력부(123)에 내장될 수 있다.

마이크로폰(122)은 사용자의 음성, 기타 소리 등을 입력 받도록 이루어진다. 마이크로폰(122)은 복수의 개소에 구비되어 스테레오 음향을 입력 받도록 구성될 수 있다.

인터페이스부(160)는 이동 단말기(100)를 외부기기와 연결시킬 수 있는 통로가 된다. 예를 들어, 인터페이스부(160)는 다른 장치(예를 들어, 이어폰, 외장 스피커)와의 연결을 위한 접속단자, 근거리 통신을 위한 포트[예를 들어, 적외선 포트(IrDA Port), 블루투스 포트(Bluetooth Port), 무선 랜 포트(Wireless LAN Port) 등], 또는 이동 단말기(100)에 전원을 공급하기 위한 전원공급단자 중 적어도 하나일 수 있다. 이러한 인터페이스부(160)는 SIM(Subscriber Identification Module) 또는 UIM(User Identity Module), 정보 저장을 위한 메모리 카드 등의 외장형 카드를 수용하는 소켓의 형태로 구현될 수도 있다.

단말기 바디의 후면에는 제2카메라(121b)가 배치될 수 있다. 이 경우, 제2카메라(121b)는 제1카메라(121a)와 실질적으로 반대되는 촬영 방향을 가지게 된다.

제2카메라(121b)는 적어도 하나의 라인을 따라 배열되는 복수의 렌즈를 포함할 수 있다. 복수의 렌즈는 행렬(matrix) 형식으로 배열될 수도 있다. 이러한 카메라는, '어레이(array) 카메라'로 명명될 수 있다. 제2카메라(121b)가 어레이 카메라로 구성되는 경우, 복수의 렌즈를 이용하여 다양한 방식으로 영상을 촬영할 수 있으며, 보다 나은 품질의 영상을 획득할 수 있다.

플래시(124)는 제2카메라(121b)에 인접하게 배치될 수 있다. 플래시(124)는 제2카메라(121b)로 피사체를 촬영하는 경우에 피사체를 향하여 빛을 비추게 된다.

단말기 바디에는 제2 음향출력부(152b)가 추가로 배치될 수 있다. 제2 음향출력부(152b)는 제1 음향출력부 (152a) 와 함께 스테레오 기능을 구현할 수 있으며, 통화 시 스피커폰 모드의 구현을 위하여 사용될 수도 있다.

단말기 바디에는 무선 통신을 위한 적어도 하나의 안테나가 구비될 수 있다. 안테나는 단말기 바디에 내장되거나, 케이스에 형성될 수 있다. 예를 들어, 방송 수신 모듈(111, 도 5 참조)의 일부를 이루는 안테나는 단말기 바디에서 인출 가능하게 구성될 수 있다. 또는, 안테나는 필름 타입으로 형성되어 후면 커버(103)의 내측면에 부착될 수도 있고, 도전성 재질을 포함하는 케이스가 안테나로서 기능하도록 구성될 수도 있다.

단말기 바디에는 이동 단말기(100)에 전원을 공급하기 위한 전원 공급부(190, 도 5 참조)가 구비된다. 전원 공급부(190)는 단말기 바디에 내장되거나, 단말기 바디의 외부에서 착탈 가능하게 구성되는 배터리(191)를 포함할 수 있다.

배터리(191)는 인터페이스부(160)에 연결되는 전원 케이블을 통하여 전원을 공급받도록 구성될 수 있다. 또한, 배터리(191)는 무선충전기기를 통하여 무선충전 가능하도록 구성될 수도 있다. 상기 무선충전은 자기유도방식 또는 공진방식(자기공명방식)에 의하여 구현될 수 있다.

이동 단말기(100)에는 외관을 보호하거나, 이동 단말기(100)의 기능을 보조 또는 확장시키는 액세서리가 추가될 수 있다. 이러한 액세서리의 일 예로, 이동 단말기(100)의 적어도 일면을 덮거나 수용하는 커버 또는 파우치를 들 수 있다. 커버 또는 파우치는 디스플레이부(151)와 연동되어 이동 단말기(100)의 기능을 확장시키도록 구성될 수 있다. 액세서리의 다른 일 예로, 터치 스크린에 대한 터치입력을 보조 또는 확장하기 위한 터치펜을 들 수 있다.

이하에서는 이와 같이 구성된 이동 단말기에서 구현될 수 있는 제어 방법과 관련된 실시 예들에 대해 첨부된 도면을 참조하여 살펴보겠다. 본 명세서는 본 명세서의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다.

도 8은 AI 장치의 일 실시예를 나타내는 개념도이다.

도 8을 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.

본 명세서의 일 실시예에 적용되는 이동 단말은 도 8의 AI 장치 중 어느 하나에 해당할 수 있다. 일 예로, 이동 단말은 스마트폰(104)에 해당할 수 있다. 이동 단말은 클라우드 네트워크를 통해 통신할 수 있는 다양한 AI 장치의 AI 프로세서에 의한 AI 프로세싱을 수행하거나, 이동 단말 내부에 온-디바이스 형태로 구비된 AI 모듈(도 4의 AI 장치(20))을 사용하여 AI 프로세싱을 수행할 수 있다.

한편, 전술한 문제점과 같이 통화 서비스에 있어서, 이동 단말의 통화 음질은 상대방(Far-end)의 소리특성(Sound Feature)에 따라 통화 음질을 개인화(Personalization)하지 못하고, 일정하게 출력되는 한계가 있다. 또한, 상대방 측 디바이스의 종류 및 상대방의 목소리 크기, 주파수 특성에 따라서 이동 단말의 사용자에게 불편한 소리가 출력될 수도 있다.

이하 명세서에서, 전술한 문제점 및/또는 과제를 해결하기 위한 다양한 실시예를 설명한다.

도 9는 본 명세서의 일 실시예에 따른 인공지능 기반의 음향제어방법의 순서도이다.

도 9를 참조하면, 통신연결된 이동 단말과 통화를 수행하는 동안에 상기 소리신호를 수신하여, 메모리에 저장할 수 있다(S110).

이때, 상기 소리신호는 상기 통신연결된 이동 단말의 마이크를 통해 얻은 음성신호를 포함할 수 있다. 또한, 소리신호는 상기 음성신호 외에도 통화가 수행되는 동안에 수집되는 환경정보를 포함할 수도 있다. 상기 환경정보는 이동 단말의 공간 내의 노이즈를 의미한다. 상기 환경정보는 이동 단말의 위치정보와 매핑되어, 메모리에 함께 저장될 수 있다. 이동정보가 매핑된 환경정보는 이후에, 이동 단말의 환경별로 서로다른 통화 서비스를 제공하기 위하여 이용될 수 있다.

또한, 이동 단말은 송수신부를 통해 상기 소리신호를 수신함과 동시에 통화 상대방 측의 단말정보를 함께 수신할 수 있다. 단말정보란 디바이스를 나타내는 식별자를 나타낸다. 참고로, 식별자는 식별정보와 상호혼용될 수 있다. 이때, 상기 단말정보는 인물정보의 일 요소로 기록될 수도 있다.

한편, 일 예에서, 소리신호는 이동 단말의 통화용 마이크를 통해 수신될 수 있고, 노이즈는 이동 단말에 상기 통화용 마이크와 구분되어 구비된 노이즈 마이크를 통해 얻을 수 있다.

이동 단말의 프로세서는 소리신호(Sound Signal)의 속성(attribute)에 기초하여 상기 속성과 연관된 하나 이상의 인물정보(Person Information)를 포함하는 하나 이상의 인물정보세트(Set of Person Information)를 생성할 수 있다(S120).

상기 복수의 주파수대역은 제1 내지 제N대역(N은 자연수)을 포함하고, 제K대역(K 2 이상의 자연수, K<N)의 주파수대역폭은 제K-1대역의 주파수대역폭의 정수배일 수 있다. 예를 들어, 주파수대역은 250Hz, 500Hz, 1kHz, 및 2kHz 밴드로 구분될 수 있다.

또한, 상기 속성은 소리신호로부터 추출된 특징 파라미터를 포함할 수 있다. 상기 특징 파라미터의 추출을 위해 Pitch, LPC(Linear Predictive Coding), MFCC(Mel-frequency Cepstrum Coefficient) 등의 알고리즘이 사용될 수 있다. 일 예로, 상기 속성은 복수의 주파수대역에 각각에 연관된 볼륨을 포함할 수 있다. 이때, 250Hz 밴드, 500Hz 밴드, 1kHz 밴드, 및 2kHz 밴드는 서로 다른 볼륨을 가질 수 있다. 수신된 소리신호는 구분된 각각의 주파수대역의 비중에 따라 군집화될 수 있다.

인물정보는 이동 단말의 주소록 애플리캐이션에 의해 메모리에 저장된 주소록정보를 의미한다. 예를 들어, 상기 인물정보는 특정 인물의 이름, 나이, 성별, 직업에 관한 정보를 포함할 수 있으며, 상기 인물정보는 사용자의 입력에 따라 이동 단말의 메모리에 기록되거나, 네트워크를 통해 수신되어 메모리에 기록될 수 있다. 한편, 상기 인물정보는 주소록정보(Address Information)와 상호혼용될 수 있다. 또한, 상기 인물정보는 상기 인물정보에 매핑되는 음성정보(예:음성의 음향적 특징)를 더 포함할 수 있다.

인물정보세트는 하나 이상의 인물정보를 포함하는 군집을 의미한다. 한편, 군집은 클러스터와 상호혼용될 수 있다. 군집화는 사용자의 입력에 따라 수동으로 수행되거나, 도 10의 후술하는 설명과 같이 이동 단말의 프로세서에 의해 동적으로 수행될 수도 있다.

상기 인물정보세트를 나타내는 정보, 상기 소리신호의 특징벡터에 기초하여 오디오 이퀄라이저의 파라미터를 조절하는 태스크(Task)를 머신러닝모델을 사용하여 수행할 수 있다(S130).

이때, 오디오 이퀄라이저의 파라미터는 주파수, 이득, 또는 Q-Factor를 포함할 수 있다. 예를 들어, 프로세서는 전술한 복수의 주파수대역별로 상기 이득 또는 Q-Factor를 조절할 수 있다. 그 결과, 이동 단말의 통화음질은 조절된 이퀄라이저의 파라미터에 기반하여 변화될 수 있다.

상기 인물정보세트를 나타내는 정보는, 상기 인물정보세트를 나타내는 식별정보를 의미한다. 예를 들어, 복수의 인물정보세트는 구분되는 벡터 또는 계수를 가질 수 있다. 이때, 구분되는 벡터 또는 계수는 상기 머신러닝모델의 입력층에 구비된 적어도 하나의 노드를 통해 입력될 수 있다.

한편, S120이 도 10에서 후술하는 설명과 같이 프로세서에 의해 동적으로 수행되는 경우, 상기 태스크는 설정된 주기로 수행되는 군집화 알고리즘의 주기와 대응되어 수행될 수 있다. 또한, 상기 군집화 알고리즘이 이동 단말의 휴지상태에 응답하여 수행되는 경우, 상기 태스크는 상기 인물정보세트의 생성에 응답하여 수행될 수 있다.

이처럼, 본 명세서의 다양한 실시예는 이동 단말로 수신되는 소리신호의 특성을 분석하여, 적응적인 통화음질을 제공할 수 있다. 그 결과, 통화 상대방별로 서로 다른 통화음질이 이동 단말의 송수신부를 통해 수신되더라도, 사용자의 이동 단말의 통화용 스피커는 개인화된 통화환경을 제공할 수 있다.

또한, 본 명세서의 다양한 실시예에 따르면, 소리신호와 함께 상대방 측 단말의 식별자를 함꼐 수신함으로써, 단순히 상대방의 음성적 특징에 한정되지 않고 상대방 측 단말의 통화와 연관된 성능에 따라 다르게 제공되는 통화음질의 차이도 개인화되도록 조절할 수 있다.

도 10은 도 9의 S120을 구체적으로 설명하기 위한 순서도이다.

도 10을 참조하면, 이동 단말의 프로세서는 2 이상의 인물정보와 연관된 속성들을 주파수대역별로 비교하여 유사도를 산출할 수 있다(S210). 일 예로, 프로세서는 HMM(Hidden Markov Model), GMM(Gaussian Mixture Model), 또는 SVM(Support Vector Machine) 등의 알고리즘을 이용하여 거리값 또는 확률값 등의 유사도 값을 산출할 수 있다.

프로세서는 상기 유사도에 기초하여, 상기 2 이상의 인물정보를 구분할 수 있다(S220).

이동 단말의 호 처리를 수행하는 경우, 호 처리의 대상이 되는 상대방의 식별정보를 확인할 수 있다. 프로세서는 통화의 종료에 응답하여 상대방의 인물정보에 매핑되도록 음성정보를 메모리에 저장할 수 있다. 이때, 저장된 음성정보는 오디오 이퀄라이저의 파라미터를 조절하기 위한 머신러닝모델의 학습에 이용되거나, 설정된 시간이 경과한 이후에 메모리에서 제거될 수 있다.

한편, 프로세서는 2 이상의 인물정보에 매핑된 속성(즉, 음성정보)를 서로 비교하여, 복수의 군집을 생성할 수 있다. 그 결과, 생성된 복수의 군집에 포함된 인물정보에 매핑된 음성정보는 서로 유사한 음향적 특성을 나타낼 수 있다.

프로세서는 상기 구분된 2 이상의 인물정보를 포함하는 상기 인물정보세트를 생성할 수 있다(S230).

예를 들어, 저음이 강하고 목소리가 작은 군집, 저음이 강하고 목소리가 큰 군집, 고음이 강하고 목소리가 작은 군집, 및/또는 고음이 강하고 목소리가 큰 군집 등을 생성할 수 있다.

도 10의 군집화 알고리즘은 설정된 주기로 수행되거나, 이동 단말이 휴지상태인 경우, 상기 휴지상태로의 전환에 응답하여 수행될 수 있다.

이처럼, 본 명세서의 다양한 실시예는 군집화를 수행함으로써, 상대적으로 적은 학습을 위한 데이터로도 충분한 학습환경을 제공할 수 있다. 구체적으로, 각각의 인물정보에 대하여 학습을 수행하는 경우, 자주 통화를 수행하지 않는 인물은 거의 학습이 수행되지 않는다. 다만, 본 명세서의 다양한 실시예는 군집에 포함된 다양한 인물들에 대하여 학습을 수행할 수 있으므로 보다 개선된 머신러닝모델의 학습환경을 제공할 수 있다.

도 11은 머신러닝모델의 강화학습 알고리즘의 순서도이다.

도 11을 참조하면, 이동 단말의 프로세서는 S130의 태스크의 수행결과 생성된 오디오 이퀄라이저의 파라미터와 상기 태스크가 수행되기 이전의 오디오 이퀄라이저의 파라미터를 비교하여, 설정된 조건을 만족하는 경우 강화학습을 수행하지 않고, 머신러닝모델에 기반하여 추론된 음성을 출력할 수 있다(S310:YES, S320A).

일 예로, 상기 설정된 조건은 태스크의 수행 전후의 파라미터의 값을 비교하여 유사도가 미리 설정된 임계치 이상이고, 사용자에 의한 수동조작 신호가 입력되지 않을 것을 의미한다.

프로세서는 상기 설정된 조건을 만족하지 못하는 경우에 강화학습을 수행할 수 있다(S310:NO, S320B).

상기 오디오 이퀄라이저의 파라미터가 제1상태에서 제2상태로 변화하는 경우, 상기 제1상태와 제2상태의 차이에 기초하여 상기 머신러닝모델의 파라미터를 조절하는 강화학습을 수행할 수 있다.

또한, 프로세서는 상기 태스크의 수행 결과에 대한 피드백의 수신에 응답하여 상기 머신러닝모델의 파라미터를 조절할 수도 있다(S330:YES, S340).

상기 피드백은 상기 사용자 인터페이스를 통해 오디오 이퀄라이저의 파라미터를 조절하는 입력일 수 있다. 사용자 인터페이스는, 예를 들어, 터치 스크린, 입력버튼, 핫키, 마이크를 포함할 수 있다. 상기 오디오 이퀄라이저의 파라미터는 상기 인물정보 및/또는 인물정보세트에 매핑되어 상기 메모리에 저장될 수 있다. 이 경우, 사용자가 오디오 이퀄라이저의 파라미터를 조절한 정도가 리워드로 활용되어 강화학습이 진행될 수 있다. 예를 들어, 사용자가 선호하는 음색일수록 사용자는 볼륨을 크게 높이지 않을 것이며, 사용자가 알아듣기 힘든 음색일수록 볼륨을 크게 높일 것이다. 사용자가 볼륨을 많이 조절할수록 선호 볼륨추정에 실패한 것이므로, 더 큰 벌점이 부여된다.

도 12는 학습된 머신러닝모델에 기반한 음향제어방법의 순서도이다.

도 12를 참조하면, 이동 단말의 프로세서는 상기 메모리에 저장된 인물정보에 대응되는 사용자의 호 신호를 수신하는 경우, 상기 호 신호에 응답하여 상기 메모리에 저장된 오디오 이퀄라이저의 파라미터를 로드할 수 있다(S410).

여기서, 오디오 이퀄라이저의 파라미터는 도 11의 S320에서 메모리에 저장될 수 있다. 호 신호를 수신하는 경우, 프로세서는 호 신호와 매칭되는 인물정보를 확인하고, 확인된 인물정보와 대응되는 오디오 이퀄라이저의 파라미터를 메모리로부터 수신할 수 있다. 또한, 오디오 이퀄라이저의 파라미터가 인물정보세트에 매핑되어 기록된 경우, 프로세서는 인물정보세트와 대응되는 오디오 이퀄라이저의 파라미터를 메모리로부터 수신할 수 있다. 각각의 오디오 이퀄라이저의 파라미터는 인물정보 및/또는 인물정보세트에 기초하여, 서로 다른 값을 가질 수 있다.

프로세서는 상기 로드된 오디오 이퀄라이저의 파라미터에 기반하여 스피커를 통해 출력되는 통화음질을 제어할 수 있다(S420).

예를 들어, 프로세서는 제1인물정보세트로 확인된 경우, 상기 제1인물정보세트에 연관된 오디오 이퀄라이저의 파라미터로 소리를 출력하도록 통화용 스피커를 제어할 수 있다. 또한, 프로세서는 제1인물정보세트의 제1인물로 확인되고 제1인물에 대하여 개인화된 오디오 이퀄라이저의 파라미터가 조절이력이 존재하는 경우에는 상기 제1인물정보세트의 제1인물에 연관된 오디오 이퀄라이저의 파라미터로 소리를 출력하도록 통화용 스피커를 제어할 수도 있다.

이처럼, 프로세서는, 인물정보에 기반하여 오디오 이퀄라이저의 파라미터를 제어하거나, 인물정보세트에 기반하여 제어하거나, 또는 인물정보 및 인물정보세트에 기반하여 제어함으로써 상대방 측에 적응적으로 개인화된 통화 서비스를 제공할 수 있다.

도 13은 5G 무선 통신 시스템에 기반한 음향제어방법의 시퀀스도이다.

5G 무선 통신 시스템에 기반한 AI 프로세싱은 5G 네트워크에 포함된 AI 프로세서와 연계하여 수행될 수 있다. 구체적으로, 프로세서는 소리정보 또는 소리신호로부터 추출된 특징값을 5G 네트워크에 포함된 AI 프로세서로 전송하도록 송수신부를 제어할 수 있다. 또한, 프로세서는 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 송수신부를 제어할 수 있다.

한편, 프로세서는 5G 네트워크로 소리정보 또는 소리신호로부터 추출된 특징값을 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 프로세서는 SSB(synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.

또한, 프로세서는 송수신부를 통해 소리정보 또는 소리신호로부터 추출된 특징값의 전송을 스케줄링하기 위해 사용되는 DCI(downlink control information)을 네트워크로부터 수신할 수 있다.

제어부는 상기 DCI에 기초하여 소리정보 또는 소리신호로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다.

소리정보 또는 소리신호로부터 추출된 특징값은 PUSCH를 통해 5G 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.

도 13을 참조하면, 프로세서는 송수신부를 통해 소리정보 또는 소리신호로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S510).

여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 센싱 정보에 기초하여 AI 프로세싱을 수행할 수 있다(S520).

AI 시스템은 이동 단말로부터 수신된 소리정보 또는 특징값들을 ANN 모델에 입력할 수 있다(S530). AI 시스템은 ANN 출력값을 분석하고, ANN 출력값으로부터 가중치를 연산할 수 있다(S540). 5G 네트워크는 AI 시스템에서 산출한 가중치를 바탕으로 이동 단말에 구비된 오디오 이퀄라이저의 파라미터를 조절할 수 있다(S550). 5G 네트워크는 AI 프로세싱된 정보를 이동 단말로 전송할 수 있고, AI 프로세싱된 정보는 조절된 오디오 이퀄라이저의 파라미터를 포함할 수 있다.

도 13에 도시된 실시예는 서버 또는 AI 프로세서에 의하여 수행되는 실시예를 중심으로 설명되었지만, 해당 동작은 외부 디바이스의 프로세서에 의해서 수행될 수도 있다. 또한, 도 13에 도시된 실시예에도 도 9 내지 도 12에서 전술한 알고리즘이 동일하게 적용될 수 있다.

도 14 및 도 15은 본 명세서의 일 실시예에 따른 음향제어방법의 구현예를 설명하기 위한 도면이다.

도 14을 참조하면, 본 명세서의 일 실시예에 적용되는 머신러닝모델은 이동 단말의 등록된 사용자정보(User Information), 통화 상대방 측의 등록된 인물정보(Person Information), 통화환경의 노이즈를 포함하는 환경정보(Environment Information), 및/또는 상기 인물정보에 매핑된 인물의 음성정보(또는 음성특징)을 입력데이터로 사용할 수 있다. 여기서, 인물의 음성정보는 상기 인물정보의 일 요소로 포함될 수 있다. 또한, 상기 인물정보는 상기 통화 상대방 측이 이용 중인 단말의 종류(예:LG V50S ThinQ, iPhone11 등)를 구분하기 위한 식별정보를 더 포함할 수도 있다.

머신러닝모델은 전술한 입력데이터가 적용되는 경우, 출력으로 복수의 음성후보(voice candidates) 및 상기 음성후보에 대한 컨피던스 스코어(confidence score)를 출력할 수 있다. 여기서, 음성후보는 전술한 입력데이터의 입력에 응답하여, 이동 단말의 프로세서가 예측할 수 있는 다양한 조합의 오디오 이퀄라이저의 파라미터 값들을 의미한다. 예를 들어, 제1후보, 제2후보는 주파수밴드별로 서로다른 이득을 가질 수 있다.

상기 머신러닝모델에 softmax layer 및 argmax layer가 적용되는 경우에, 상기 softmax layer는 복수의 후보 각각에 대한 확률값을 산출하고, 상기 머신러닝 모델은 argmax layer에 기반하여, 상기 복수의 후보 중 일 후보를 선택할 수 있다.

도 15를 참조하면, 주소록에 등록된 John, Smith, Jane, 및 Coco는 군집A, 군집B, 군집C로 구분될 수 있다. 이러한 구분은 도 10에서 전술한 바와 같이, 인물정보와 연관된 속성들의 주파수대역별 유사도에 기반하여 수행될 수 있다.

프로세서는 군집을 나타내는 정보(예:A, B, C), 인물정보(예:John, Smith, Jane, Coco), 단말정보(예:LG V50S ThinQ, Galaxy S10, iPhone 10, Xiaomi Redmi Note 5), 및 음성특징(예:저음레벨, 고음레벨, 소리의 크기 등)에 기반하여, 통화음질을 통화 상대방별로 서로 다르게 개인화할 수 있다. 참고로, 도 15에서 저음레벨 및 고음레벨은 레벨의 계수가 클수록 더 낮은 주파수가 강세이거나, 더 높은 주파수가 강세인 것을 예시하며, 본 명세서는 도 15의 예시에 한정될 것은 아니다. 또한, 소리의 크기도 단순히 큰 소리, 작은 소리로 구분되는 것이 아니며, 주파수레벨과 마찬가지로 이산적 또는 연속적인 값으로 산출될 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

소리신호(Sound Signal)의 속성(attribute)에 기초하여 하나 이상의 인물정보(Person Information)를 포함하는 하나 이상의 인물정보세트(Set of Person Information)를 생성하는 단계;
상기 인물정보세트를 나타내는 정보, 상기 소리신호의 특징벡터에 기초하여 오디오 이퀄라이저의 파라미터를 조절하는 태스크(Task)를 머신러닝모델을 사용하여 수행하는 단계;
를 포함하는 인공지능 기반의 음향제어방법.
제1항에 있어서,
통신연결된 이동 단말기와 무선통화를 수행하는 동안에 상기 소리신호를 수신하는 단계; 및
상기 수신된 소리신호를 메모리에 저장하는 단계;
를 더 포함하되,
상기 소리신호는 상기 통신연결된 이동 단말기의 마이크를 통해 얻은 음성신호를 포함하는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제1항에 있어서,
상기 속성은 복수의 주파수대역에 각각에 관한 볼륨을 포함하는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제3항에 있어서,
상기 인물정보세트를 생성하는 단계는,
2 이상의 인물의 속성들을 주파수대역별로 비교하여 유사도를 산출하는 단계;
상기 유사도에 기초하여, 상기 2 이상의 인물정보를 구분하는 단계; 및
상기 구분된 2 이상의 인물정보를 포함하는 상기 인물정보세트를 생성하는 단계;
를 포함하는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제3항에 있어서,
상기 복수의 주파수대역은 제1 내지 제N대역(N은 자연수)을 포함하고,
제K대역(K 2 이상의 자연수, K<N)의 주파수대역폭은 제K-1대역의 주파수대역폭의 정수배인 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제1항에 있어서,
상기 오디오 이퀄라이저의 파라미터가 제1상태에서 제2상태로 변화하는 경우,
상기 제1, 제2 상태의 차이에 기초하여 상기 머신러닝모델의 파라미터를 조절하는 강화학습을 수행하는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제1항에 있어서,
상기 태스크의 수행 결과에 대한 피드백의 수신에 응답하여 상기 머신러닝모델의 파라미터를 조절하는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제7항에 있어서,
상기 피드백은 상기 사용자 인터페이스를 통해 오디오 이퀄라이저의 파라미터를 조절하는 입력인 것을 특징으로 하는 인공지능 기반의 음향제어방법..
제1항에 있어서,
상기 오디오 이퀄라이저의 파라미터는 상기 인물정보에 매핑되어 상기 메모리에 저장되는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
제9항에 있어서,
상기 메모리에 저장된 인물정보에 대응되는 사용자의 호 신호를 수신하는 경우,
상기 호 신호에 응답하여 상기 메모리에 저장된 오디오 이퀄라이저의 파라미터를 로드하는 단계; 및
상기 로드된 오디오 이퀄라이저의 파라미터에 기반하여 스피커를 통해 출력되는 통화음질을 제어하는 단계;
를 더 포함하는 것을 특징으로 하는 인공지능 기반의 음향제어방법.
네트워크를 통해 소리신호를 수신하는 송수신부;
하나 이상의 인물정보가 기록된 메모리; 및
상기 소리신호의 속성에 기초하여 상기 하나 이상의 인물정보를 포함하는 하나 이상의 인물정보세트를 생성하고, 상기 인물정보세트를 나타내는 정보, 상기 소리신호의 특징벡터에 기초하여 오디오 이퀄라이저의 파라미터를 조절하는 태스크를 머신러닝모델을 사용하여 수행하는 프로세서;
를 포함하는 지능형 이동단말.
제11항에 있어서,
상기 프로세서는,
상기 네트워크를 통해 통신연결된 다른 이동단말와 무선통화를 수행하는 동안에 상기 소리신호를 수신하기 위하여 상기 송수신부를 제어하고, 상기 수신된 소리신호를 메모리에 저장하고,
상기 소리신호는 상기 다른 이동단말의 마이크를 통해 얻은 음성신호(voice signal)를 포함하는 것을 특징으로 하는 지능형 이동단말.
제11항에 있어서,
상기 속성은 복수의 주파수대역에 각각에 관한 볼륨을 포함하는 것을 특징으로 하는 지능형 이동단말.
제13항에 있어서,
상기 프로세서는,
2 이상의 인물의 속성들을 주파수대역별로 비교하여 유사도를 산출하고, 상기 유사도에 기초하여 상기 2 이상의 인물정보를 구분하고, 상기 구분된 2 이상의 인물정보를 포함하는 상기 인물정보세트를 생성하는 것을 특징으로 하는 지능형 이동단말.
제11항에 있어서,
상기 프로세서는,
상기 오디오 이퀄라이저의 파라미터가 제1상태에서 상기 제1상태와 구분되는 제2상태로 변화하는 경우, 상기 제1, 제2 상태의 차이에 기초하여 상기 머신러닝모델의 파라미터를 조절하는 강화학습을 수행하는 것을 특징으로 하는 지능형 이동단말.
제11항에 있어서,
상기 프로세서는,
상기 태스크의 수행 결과에 대한 피드백의 수신에 응답하여 상기 머신러닝모델의 파라미터를 조절하는 것을 특징으로 하는 지능형 이동단말.
제16항에 있어서,
상기 피드백은 상기 사용자 인터페이스를 통해 오디오 이퀄라이저의 파라미터를 조절하는 입력인 것을 특징으로 하는 지능형 이동단말.
제11항에 있어서,
상기 오디오 이퀄라이저의 파라미터는 상기 인물정보에 매핑되어 상기 메모리에 저장되는 것을 특징으로 하는 지능형 이동단말.
제18항에 있어서,
상기 프로세서는,
상기 메모리에 저장된 인물정보에 대응되는 사용자의 호 신호를 수신하는 경우, 상기 호 신호에 응답하여 상기 메모리에 저장된 오디오 이퀄라이저의 파라미터를 로드하고, 상기 로드된 오디오 이퀄라이저의 파라미터에 기반하여 스피커를 통해 출력되는 통화음질을 제어하는 것을 특징으로 하는 지능형 이동단말.
제1항 내지 제10항 중 어느 한 항의 방법을 컴퓨터 시스템에서 실행하기 위한 프로그램이 기록된 컴퓨터 시스템이 판독 가능한 기록매체