KR20220009511A - 지능형 세탁기 및 이의 제어방법 - Google Patents

지능형 세탁기 및 이의 제어방법 Download PDF

Info

Publication number
KR20220009511A
KR20220009511A KR1020197021461A KR20197021461A KR20220009511A KR 20220009511 A KR20220009511 A KR 20220009511A KR 1020197021461 A KR1020197021461 A KR 1020197021461A KR 20197021461 A KR20197021461 A KR 20197021461A KR 20220009511 A KR20220009511 A KR 20220009511A
Authority
KR
South Korea
Prior art keywords
laundry
information
washing machine
rpm
image
Prior art date
Application number
KR1020197021461A
Other languages
English (en)
Inventor
박윤식
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Publication of KR20220009511A publication Critical patent/KR20220009511A/ko

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/48—Preventing or reducing imbalance or noise
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F23/00—Washing machines with receptacles, e.g. perforated, having a rotary movement, e.g. oscillatory movement, the receptacle serving both for washing and for centrifugally separating water from the laundry 
    • D06F23/04—Washing machines with receptacles, e.g. perforated, having a rotary movement, e.g. oscillatory movement, the receptacle serving both for washing and for centrifugally separating water from the laundry  and rotating or oscillating about a vertical axis
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/40—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of centrifugal separation of water from the laundry
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/16—Imbalance
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F37/00—Details specific to washing machines covered by groups D06F21/00 - D06F25/00
    • D06F37/30—Driving arrangements 
    • D06F37/304—Arrangements or adaptations of electric motors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06K9/6271—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/08—Humidity
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/26—Imbalance; Noise level
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/46—Drum speed; Actuation of motors, e.g. starting or interrupting
    • D06F2105/48—Drum speed
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/52—Changing sequence of operational steps; Carrying out additional operational steps; Modifying operational steps, e.g. by extending duration of steps
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Textile Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Robotics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명의 실시 예에 따른 지능형 세탁기는 세탁물이 안착되는 내조, 내조에 회전력을 전달하는 모터, 세탁 과정 이후에 내조에 안착된 세탁물의 이미지를 획득하는 영상획득부 및 세탁물의 이미지로부터 세탁물의 함수율 정보가 반영된 포 분류 정보를 획득하고, 포 분류 정보를 학습하여 탈수 과정에서 발생할 수 있는 내조의 진동 정도를 예측하고, 예측된 내조의 진동 정도에 따라 탈수 과정에서 모터의 RPM을 가변시키는 제어부를 포함한다.
본 발명의 세탁기는 인공 지능(Artificail Intelligenfce) 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

지능형 세탁기 및 이의 제어방법
본 발명은 지능형 세탁기 및 이의 제어방법에 관한 것으로, 특히 탈수 과정에서 과진동에 의해서 단락이 발생하는 것을 방지할 수 있는 지능형 세탁기 및 이의 제어방법에 관한 것이다.
일반적으로 세탁기는 의복, 침구 등의 세탁물에 물리적 작용 및/또는 화학적 작용을 가하여 포를 처리하는 각종 장치를 의미한다. 세탁기는 세탁수가 담기는 외조와, 포가 담기며 상기 외조 내에 회전 가능하게 설치되는 내조를 포함한다. 일반적인 세탁기의 세탁방법은 내조를 회전시켜서 포를 세탁하는 세탁 과정, 및 내조의 원심력을 이용하여 포를 탈수하는 탈수 과정을 포함한다.
세탁 과정과 탈수 과정에서는 내조의 회전에 의해서 세탁물이 일측으로 편심되는 현상이 발생한다. 세탁물의 편심에 의해서 내조의 무게 중심이 일측으로 쏠리게 되고, 내조가 과진동을 하면서 외조와 충돌하는 현상이 발생하기도 한다. 내조와 외조의 충돌은 소음을 유발하기도 하며 내조 또는 외조의 물리적 충격을 가하기도 한다.
특히, 내조의 편심으로 인한 과진동 문제는 내조가 빠르게 회전하는 탈수 과정에서 발생하며, 탈수 과정에서의 과진동을 개선하는 방안이 요구된다.
본 발명은 전술한 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 탈수 과정에서 내조의 과진동으로 인한 문제점을 개선하기 위한 것이다.
또한, 본 발명은 내조의 과진동을 미연에 방지할 수 있는 방안을 제시하기 위한 것이다.
본 발명의 실시 예에 따른 지능형 세탁기는 세탁물이 안착되는 내조, 내조에 회전력을 전달하는 모터, 세탁 과정 이후에 내조에 안착된 세탁물의 이미지를 획득하는 영상획득부 및 세탁물의 이미지로부터 세탁물의 함수율 정보가 반영된 포 분류 정보를 획득하고, 상기 포 분류 정보를 학습하여 탈수 과정에서 발생할 수 있는 내조의 진동 정도를 예측하고, 예측된 상기 내조의 진동 정도에 따라 탈수 과정에서 모터의 RPM을 가변시키는 제어부를 포함한다.
본 발명의 실시 예에 따른 제어부는, 상기 포 분류 정보를 학습한 결과, 상기 탈수 과정에서 과진동으로 인한 단락이 예측될 경우에 상기 탈수 과정에서 상기 모터의 RPM을 낮추도록 제어할 수 있다.
상기 제어부는, n(n은 자연수)차 탈수 과정에서 과진동으로 인한 단락이 발생한 경우에, 상기 포 분류 정보를 단락 유발 포로 분류하고, (n+i)(i는 자연수)차 탈수 과정 이전에 상기 영상획득부에서 획득한 상기 포 분류 정보가 상기 단락 유발 포에 매칭될 경우에, (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮출 수 있다.
상기 제어부는, 상기 n차 탈수 과정에서 상기 단락이 발생한 단락 타이밍 정보를 획득하고, 상기 단락 타이밍 정보에 따라, 상기 (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮출 수 있다.
상기 영상획득부는 상기 세탁 과정 이전에 획득된 상기 세탁물의 이미지로부터 포 분산 정보를 획득하고, 상기 제어부는 상기 포 분산 정보에 따라 상기 세탁물의 포 분산 제어를 수행할 수 있다.
상기 제어부는, 상기 포 분산 제어를 위해서 사용자 알림 이벤트를 생성할 수 있다.
상기 제어부는, 상기 포 분산 제어를 위해서 상기 내조를 회전시킬 수 있다.
본 발명의 실시 예에 따른 지능형 세탁기의 제어방법은 세탁기의 내조에 안착된 세탁물의 이미지를 획득하는 단계; 상기 세탁물의 이미지로부터 세탁물의 함수율 정보가 반영된 포 분류 정보를 획득하는 단계; 상기 포 분류 정보로부터 탈수 과정 동안 상기 내조의 진동 정도를 예측하는 단계; 및 예측된 상기 내조의 진동 정도에 따라, 상기 내조에 회전력을 전달하는 모터의 RPM을 조절하는 단계;를 포함한다.
상기 모터의 RPM을 조절하는 단계는, 상기 탈수 과정에서 과진동으로 인한 단락이 예측될 경우 상기 탈수 과정 동안 상기 모터의 RPM을 낮추는 단계일 수 있다.
상기 내조의 진동 정도를 예측하는 단계는 n(n은 자연수)차 탈수 과정에서 과진동으로 인한 단락이 발생한 경우에, 상기 포 분류 정보를 단락 유발 포로 분류하는 단계를 포함할 수 있다.
상기 모터의 RPM을 조절하는 단계는, (n+i)(i는 자연수)차 탈수 과정 이전에 상기 포 분류 정보가 상기 단락 유발 포에 매칭될 경우에, (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮추는 단계를 포함할 수 있다.
상기 내조의 진동 정도를 예측하는 단계는 상기 n차 탈수 과정에서 상기 단락이 발생한 단락 타이밍 정보를 획득하는 단계를 포함할 수 있다.
상기 모터의 RPM을 조절하는 단계는, 상기 단락 타이밍 정보에 따라, 상기 (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮추는 단계를 포함할 수 있다.
상기 세탁물의 이미지 또는 상기 포 분류 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고, 상기 세탁물의 이미지 또는 상기 포 분류 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것일 수 있다.
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고, 상기 상기 세탁물의 이미지 또는 상기 포 분류 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것일 수 있다.
본 발명에 의하면, 탈수 과정에서 진동 정도를 예측하여 모터의 RPM을 제어함으로써, 과진동이 발생하는 것을 미연에 방지할 수 있다.
본 발명에 의하면, 과진동에 의해서 단락이 발생한 이벤트를 학습하고 이를 바탕으로 탈수 과정에서 RPM을 제어함으로써, 추후 탈수 과정에서 단락이 발생하는 것을 미연에 방지할 수 있다.
본 발명에 의하면, 진동에 따라 고속 탈수를 진행함으로써, 탈수 시간을 단축시킬 수 있다.
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 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4 및 도 5는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 7은 본 발명에 의한 세탁기의 제어방법을 나타내는 순서도이다.
도 8은 다른 실시 예에 따른 세탁기의 제어방법을 나타내는 순서도이다.
도 9는 저진동으로 예측된 경우, 탈수 과정에서 모터의 RPM을 제어하는 방법을 설명하는 도면이다.
도 10은 탈수 과정에서 모터의 RPM을 저속으로 제어하는 방법을 설명하는 도면이다.
도 11은 본 발명의 또 다른 실시 예에 따른 RPM 제어신호를 생성하는 방법을 설명하는 도면이다.
도 12는 본 발명의 실시 예에 따른 이벤트 알림의 실시 예를 나타내는 방법이다.
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 발명의 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.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 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.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 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 발명에서 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 발명에서 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 발명에서 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 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
지능형 세탁기
도 4는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다. 도 5는 도 4에 도시된 세탁기의 주요 구성을 나타내는 블록도이다.
도 4 및 도 5를 참조하면, 본 발명의 실시 예에 따른 세탁기(10)는 제어부(100), 하드웨어부(200), 영상획득부(300) 및 사용자 인터페이스(400)를 포함한다.
제어부(100)는 사용자 인터페이스(400)를 통해서 입력되는 정보에 따라 하드웨어(200)를 제어함으로써, 세탁기(10) 전반의 구동을 제어한다. 또한, 제어부(100)는 영상획득부(300)를 통해서 획득되는 세탁물 이미지를 바탕으로 하드웨어(200)의 동작을 제어한다. 보다 구체적으로 제어부(100)는 세탁물 이미지로부터 포 분류 정보 또는 포 분산 정보를 획득하고, 포 분류 정보 또는 포 분산 정보를 바탕으로 하드웨어(200)의 동작을 제어할 수 있다. 포 분류 정보는 세탁물의 종류, 재질 등에 대한 정보로써 특히 세탁물의 함수율 정보를 지칭할 수 있다. 포 분산 정보는 내조(211)에 안착된 세탁물의 배치 정도 또는 높이 정보를 지칭할 수 있다.
제어부(100)는 포 분류 정보를 학습하여 탈수 과정에서 발생할 수 있는 내조(211)의 진동 정도를 예측하고, 내조(211)의 진동 정도에 따라 탈수 과정에서 모터(220)의 RPM을 가변시킬 수 있다. 예를 들어, 제어부(100)는 포 분류 정보가 단락 유발이 우려되는 세탁물로 판단될 경우에, 탈수 과정에서 모터(220)의 RPM을 낮추도록 제어할 수 있다.
하드웨어(200)는 세탁조(210), 모터(220), 급수 밸브(230) 및 히터(240) 등을 포함할 수 있다.
세탁조(210)는 세탁수를 수용하는 외조(213), 및 외조(213)의 내측에 배치되어 세탁물이 안착되며 모터(220)로부터 제공받는 회전력을 이용하여 회전하는 내조(211)를 포함한다. 급수 밸브(230)는 세탁수의 공급을 제어한다. 히터(240)는 세탁조 내의 급수의 가열한다.
영상획득부(300)는 내조(211)에 안착된 세탁물의 이미지를 획득한다. 영상획득부(300)는 2D 또는 3D 카메라 중에서 적어도 어느 하나를 이용할 수 있으며, 세탁기(10)의 덮개에 배치될 수 있다.
사용자 인터페이스(400)는 전원 입력부(410), 시작 입력부(420), 코스 선택부(430), 옵션 선택부(440), 디스플레이부(450) 및 스피커(460)를 포함할 수 있다.
전원 입력부(410)는 세탁기의 메인 전원의 온/오프를 제어하기 위한 수단을 제공한다. 시작 입력부(420)는 세탁 과정, 헹굼 과정 또는 탈수 과정 등의 시작을 제어하기 위한 수단을 제공한다. 코스 선택부(430)는 세탁 과정, 헹굼 과정 또는 탈수 과정의 종류를 선택할 수 있는 수단을 제공한다. 옵션 선택부(440)는 세탁 과정, 헹굼 과정 또는 탈수 과정을 진행하기 위한 세부적인 옵션들을 선택할 수 있는 수단을 제공한다. 예를 들어, 옵션 선택부(440)는 물 온도, 시간, 예약 등의 옵션들을 선택하기 위한 수단이 될 수 있다. 디스플레이부(450)는 세탁기(10)의 동작 상태를 표시하거나, 사용자가 코스 선택부(430)를 통해서 선택한 코스 정보 또는 옵션 선택부(440)를 통해서 선택한 옵션 정보 등을 표시할 수 있다. 스피커(460)는 세탁기(10)의 동작 상태 또는 특정 이벤트에 대한 상황을 음성 신호로 출력한다. 특정 이벤트는 포 이미지를 바탕으로 포분산 제어 또는 RPM 제어와 상황이 될 수 있다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 6을 살펴보면, AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 4 및 도 5에 도시된 세탁기(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
AI 프로세싱은 도 4에 도시된 세탁기(10)의 제어부(100)와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 세탁기(10)는 세탁물 이미지 또는 포 분류 정보 또는 포 분산 정보를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다.
AI 장치(20)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. 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 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 세탁기(10)의 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 세탁기(10)의 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 발명의 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.
모델 학습부(24)는 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, 세탁기(10)의 촬영수단을 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. 예를 들어, 외부 전자 기기는 블루투스 장치, 자율주행 차량, 로봇, 드론, AR 기기, 모바일 기기, 가전 기기 등을 포함할 수 있다.
한편, 도 6에 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.
지능형 세탁기의 제어방법
도 7은 본 발명에 의한 세탁기의 제어방법을 나타내는 순서도이다.
도 7을 참조하면, 본 발명에 의한 세탁기의 제어방법은 제1 단계(S710)에서, 세탁물의 포 분류 정보를 획득한다. 탈수 과정이 진행되기 이전에, 영상획득부(300)는 내조(211)에 안착된 세탁물의 이미지를 획득한다. 제어부(100)는 세탁물의 이미지로부터 포 분류 정보를 획득한다. 포 분류 정보는 세탁물 각각에 대한 종류, 재질, 또는 함수율 정보를 지칭한다. 제어부(100)는 세탁물의 이미지 또는 이미지의 특징점들을 미리 설정된 이미지 또는 특징점들과 비교하여, 세탁물의 종류, 재질 또는 함수율 정보를 획득할 수 있다.
영상획득부(300)는 복수의 세탁물들 각각에 대한 포 분류 정보를 획득하기 위해서, 다수의 영상 이미지를 획득할 수 있다. 특히, 제어부(100)는 내조(211)의 바닥면에 위치한 세탁물의 포 분류 정보를 획득하기 위해서, 내조(211)에 안착된 세탁물의 위치를 재배치할 수 있다. 예를 들어, 제어부(100)는 모터(220)를 짧게 구동하여 내조(211)를 회전시킴으로써, 내조(211)에 안착된 세탁물의 위치를 재배치할 수 있다.
예를 들어, 영상획득부(300)가 첫 번째 세탁물 이미지를 획득한 이후에, 제어부(100)는 내조(211)의 세탁물 위치를 재배치할 수 있다. 그리고, 제어부(100)는 첫 번째 세탁물 이미지로부터 포 분류 정보를 획득한다.
이어서 영상획득부(300)는 두 번째 세탁물 이미지를 획득한 이후에, 제어부(100)는 내조(211)의 세탁물 위치를 재배치할 수 있다. 그리고, 제어부(100)는 두 번째 세탁물 이미지로부터 포 분류 정보를 추가적으로 획득한다.
이와 같이, 제어부(100)는 영상획득부(300)가 세탁물 이미지를 획득할 때마가 내조(211)에 안착된 세탁물의 위치를 재배치함으로써, 복수의 세탁물들에 대한 포 분류 정보를 획득할 수 있다.
제2 단계(S720)에서, 포 분류 정보를 바탕으로 탈수 과정에서의 진동 정도를 예측한다.
제어부(100)는 포 분류 정보를 바탕으로 세탁물 각각에 대한 함수율을 산출한다. 이를 위해서, 제어부(100)는 포 분류 정보에서 서로 다른 객체를 개별적인 세탁물로 추정하고, 각 세탁물에 대한 포 분류 정보를 바탕으로 각각의 세탁물들의 함수율 정도를 산출한다. 세탁물의 함수율은 물리적 단위로 산출될 필요는 없으며, 각 세탁물들의 상대적 차이를 나타낼 수 있으면 무방하다.
그리고, 제어부(100)는 내조(211)에 안착된 세탁물들 각각의 함수율 차이를 산출하고, 산출된 함수율 차이를 이용하여 탈수 과정에서의 진동 정도를 예측한다.
제3 단계(S730)에서, 예측된 진동 정도에 따라 모터(220)의 RPM을 조절하여, 탈수 과정을 진행한다.
이하, 탈수 과정에서 모터(220)의 RPM을 제어하는 보다 구체적인 실시 예를 살펴보면 다음과 같다.
도 8은 본 발명의 다른 실시 예에 따른 세탁기의 제어방법을 나타내는 순서도이다.
도 8을 참조하면, 본 발명의 다른 실시 예에 따른 세탁기의 제어방법은 제1 단계(S801)에서, 1차 이미지를 판독한다. 1차 이미지 판독은 영상획득부(300)가 획득한 내조(211)의 세탁물 이미지로부터 포 분산 정보를 획득하는 단계를 지칭한다. 포 분산 정보는 내조(211)에서 세탁물의 배치 및 세탁물의 높이에 대한 정보를 지칭한다. 포 분산 정보는 세탁물의 부하 정보로 간주될 수도 있다.
제2 단계(S802)에서, 제어부(100)는 포 분산 정보를 바탕으로 UB 판독을 수행한다. UB 판독은 세탁 과정 또는 탈수 과정에서 과진동으로 인한 단락이 예측되는지를 판단하는 단계이다.
제3 단계(S803)에서, 제어부(100)는 세탁물을 재배치한다. 세탁물을 재배치하는 과정은 제2 단계(S802)에서 진행된 UB 판독에 따라 세탁 과정 또는 탈수 과정에서 과진동으로 인한 단락이 예측될 경우에 진행된다. 세탁물을 재배치하기 위해서, 제어부(100)는 모터(220)를 회전시켜서 내조(211)에 배치된 세탁물을 분산시킬 수 있다.
또한, 제어부(100)는 사용자에게 세탁물을 재배치하도록 알림을 전달하는 알림 이벤트를 생성할 수 있다. 예를 들어, 제어부(100)는 디스플레이부(450)를 통해서 세탁물 재배치를 권유하는 메시지를 표시하거나, 스피커(460)를 통해서 세탁물 재배치를 권유하는 음성신호를 송출할 수 있다.
제4 단계(S804)에서, 제어부(100)는 세탁 과정을 진행한다. 제어부(100)는 제3 단계(S803)에서 세탁물을 재배치한 이후, 또는 제2 단계(S802)에서 단락이 예측되지 않을 경우에 바로 세탁 과정을 진행한다.
세탁 절차가 완료되면, 제5 단계(S805)에서 2차 이미지 판독을 수행한다.
2차 이미지 판독은 영상획득부(300)가 획득한 내조(211)의 세탁물 이미지로부터 포 분류 정보를 획득하는 단계를 지칭한다. 포 분류 정보는 세탁물 각각에 대한 종류, 재질, 또는 함수율 정보를 지칭한다. 제어부(100)는 세탁물의 이미지 또는 이미지의 특징점들을 미리 설정된 이미지 또는 미리 설정된 특징점들과 비교하여, 세탁물의 종류, 재질 또는 함수율 정보를 획득할 수 있다.
앞서 도 7에 도시된 실시 예에서와 같이, 영상획득부(300)는 복수의 세탁물들 각각에 대한 포 분류 정보를 획득하기 위해서, 다수의 영상 이미지를 획득할 수 있다.
제6 단계(S806)에서, 제어부(100)는 2차 이미지 판독결과를 바탕으로 탈수 과정의 진동을 예측한다.
제7 단계(S807) 및 제8 단계(S808)에서, 탈수 과정에서 예측된 진동이 저진동일 경우에, 제어부(100)는 고RPM으로 탈수 과정을 진행한다.
탈수 과정에서 진동 정도를 예측하기 위해서, 제어부(100)는 세탁물들의 포 분류 정보를 바탕으로 각 세탁물들의 함수율 차이를 산출할 수 있다. 제어부(100)는 함수율 차이가 작을수록 탈수 과정에서 진동이 적을 것으로 간주할 수 있다. 따라서, 제어부(100)는 세탁물들의 함수율 차이가 미리 설정된 제1 임계치 이하일 경우에 저진동일 것으로 판단한다.
도 9는 저진동으로 예측된 경우, 탈수 과정에서 모터의 RPM을 제어하는 방법을 설명하는 도면이다. 제1 그래프(g1)는 노멀한 상태의 탈수 과정에서 모터(220)의 RPM을 나타내는 그래프이고, 제2 그래프(g2)는 저진동으로 예측된 경우에 모터(220)의 RPM을 나타내는 그래프이다.
도 9를 참조하면, 제1 타이밍(t1)에서 탈수 과정이 시작된 이후에, 모터(220)는 단계별로 RPM을 높이면서 탈수 과정을 진행한다. 제2 타이밍(t2)은 마지막으로 RPM을 높이기 시작하는 타이밍을 나타낸다. 노멀 상태에서, 모터(220)는 제4 타이밍(t4)에 최대 RPM으로 구동한다. 제8 단계(S808)에서, 제어부(100)는 RPM을 높이는 속도를 빠르게 하여, 제3 타이밍(t3)에 최대 RPM까지 도달하도록 모터(220)를 제어한다. 그 결과, 노멀 상태에서 탈수 과정의 종료 시점이 제6 타이밍(t6)이었다면, 제8 단계(S808)에서 RPM을 고속 제어할 경우에 탈수 과정의 종료 시점은 제5 타이밍(t5)이 될 수 있다.
이와 같이, 본 발명의 실시 예에서 제어부(100)는 예측된 탈수 과정의 진동이 적을 경우에, 고속 탈수를 진행함으로써 탈수 과정의 시간을 단축시킬 수 있다.
제9 단계(S809)에서, 예측된 탈수 과정의 진동이 저진동이 아닐 경우, 제어부(100)는 과진동 가능성을 판단한다.
제9 단계(S809)는 저진동이 아닌 경우를 전제로 하기 때문에, 제9 단계(S809)에서 예측된 탈수 과정의 진동이 과진동이 아닌 경우는 예측된 진동 정도가 노멀 상태인 경우에 해당한다. 따라서, 제9 단계(S809)에서 예측된 진동이 과진동이 아닐 경우, 제어부(100)는 제10 단계(S810)에서 일반 탈수 과정을 진행한다. 일반 탈수 과정은 도 9에 도시된 제1 그래프(g1)와 같은 모터(220)의 RPM 제어를 바탕으로 진행될 수 있다.
제9 단계(S809)에서 예측된 진동이 과진동일 경우, 제어부(100)는 제11 단계(S811)에서 RPM을 저속으로 제어한다.
도 10은 탈수 과정에서 모터의 RPM을 저속으로 제어하는 방법을 설명하는 도면이다. 제1 그래프(g1)는 노멀 탈수 과정에서 모터(220)의 RPM을 나타내는 그래프이고, 제2 그래프(g2)는 저속으로 제어된 모터(220)의 RPM을 나타내는 그래프이다.
도 10을 참조하면, 예측된 탈수 과정의 진동이 과진동일 경우, 제어부(100)는 모터(220)의 최대 RPM을 노멀 탈수 과정에서의 최대 RPM 보다 낮게 제어한다.
제어부(100)는 최대 RPM의 수치를 낮추어서 탈수 과정에서 과진동으로 인해서 단락이 발생하는 것을 개선할 수 있다.
도 8의 실시 예는 2차 이미지 판독을 위해서 포 분류 정보를 이용하는 방법을 중심으로 설명되었다. 세탁 과정 이후에 2차 이미지 판독은 포 분류 정보 이외에도 1차 이미지 판독과 마찬가지로 포 분산 정보를 이용할 수도 있다. 예를 들어, 탈수 과정에서 진동의 정도는 세탁물의 양에 따라 비례한다. 따라서, 도 8의 제6 단계(S806)에서 진동 정도를 예측하는 과정에서, 제어부(100)는 예측되는 진동이 세탁물의 양에 비례하는 것으로 간주할 수 있다.
또한, 제어부(100)는 포 분류 정보 및 포 분산 정보를 결합하여 진동 정도를 예측할 수 있다. 제어부(100)는 포 분류 정보 및 포 분산 정보 각각에 미리 설정된 가중치를 부여하고, 포 분류 정보에 의한 진동 정도와 포 분산 정보에 의한 진동 정도를 합산함으로써, 탈수 과정에서의 진동 정도를 예측할 수 있다.
도 11은 본 발명의 또 다른 실시 예에 따른 RPM 제어신호를 생성하는 방법을 설명하는 도면이다.
제어부(100)는 세탁기(10)의 상태 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 제어부(100)는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 통신부를 제어할 수 있다. AI 프로세싱된 정보는, 세탁물이 단락을 유발하는 포 또는 단락 위험성이 없는 포 중 어느 하나로 판단한 정보일 수 있다.
제어부(100)는 DCI에 기초하여 세탁기(10)의 이미지 정보 또는 특징값을 네트워크로 전송할 수 있다. 이와 더불어, 제어부(100)는 단락 정보를 네트워크로 전송할 수 있다. 세탁기(10)의 이미지 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 11을 참조하면, 세탁기(10)는 이미지 정보 또는 특징값과 더불어 단락 정보를 5G 네트워크로 전송할 수 있다(S1400).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 이미지 정보에 기초하여 AI 프로세싱을 수행할 수 있다.
제어부(100)는 세탁기(10)가 세탁 과정 또는 탈수 과정에서 단락이 발생하였을 경우 단락 정보를 생성하고, 단락 정보를 5G 네트워크로 전송한다.
AI 시스템은, 세탁기(10)로부터 수신된 이미지 정보 또는 특징값들을 ANN 분류기에 입력할 수 있다(S1411). AI 시스템은 ANN 출력값을 분석하고(S1413), ANN 출력값으로부터 탈수과정에서의 진동 정도를 예측하여, 진동 정도에 따라 RPM 제어신호를 생성한다(S1415). 특히, AI 시스템은 단락 정보를 결합하여 RPM 제어신호를 생성할 수 있다. 즉, AI 시스템은 n(n은 자연수)차 탈수 과정에서 과진동으로 인한 단락이 발생한 경우에, 해당 이미지 정보를 단락 유발 포로 분류한다. 그리고, AI 시스템은 이후 탈수 과정에서 단락 유발 포에 해당하는 이미지 정보 또는 특징값을 전달받았을 경우, 탈수 과정에서 모터의 RPM을 낮추도록 RPM 제어신호를 생성할 수 있다.
또한, 단락 정보는 단락이 발생한 타이밍 정보를 포함할 수 있다. AI 시스템은 탈수 과정에서 단락이 발생한 시점에서 RPM을 낮추도록 RPM 제어신호를 생성할 수 있다.
5G 네트워크는 AI 시스템에서 판단한 RPM 제어신호를 무선 통신부를 통해 세탁기(10)로 전송할 수 있다(S1420).
도 11에 도시된 실시 예는 단락 정보를 결합하여, AI 시스템에서 RPM 제어신호를 생성하는 방법을 설명하고 있다. 본 발명의 실시 예에서, 단락 정보를 이용하는 방법은 앞서 전술한 실시 예들에 적용될 수도 있다. 즉, 세탁기(10)의 제어부(100)는 세탁 과정 또는 탈수 과정에서 단락이 발생한 경우, 세탁물의 이미지와 더불어 단락 정보를 메모리(미도시)에 저장할 수 있다. 그리고, 이후의 세탁 과정 또는 탈수 과정에서, 영상획득부(300)가 획득한 세탁물 이미지를 단락 유발 포 이미지와 비교함으로써, 모터(220)의 RPM을 제어할 수 있다.
도 12는 본 발명의 실시 예에 따른 이벤트 알림의 실시 예를 나타내는 방법이다.
도 12를 참조하면, 제어부(100)는 특정 이벤트가 발생하거나 세탁기(10)의 전반적인 동작 상태를 스피커(460)를 통해서 음성신호로 송출할 수 있다.
예를 들어, 제어부(100)는 도 8에 도시된 제3 단계(S803)와 관련하여, 세탁물을 재배치하도록 사용자에게 알리는 음성신호를 송출할 수 있다.
또한, 제어부(100)는 도 8에 도시된 RPM 제어와 관련한 단계들(S808, S810, S811)을 사용자에게 알릴 수 있다.
본 명세서에 기재된 구성들은 모든 면에서 제한적으로 해석되어서는 아니되고 예시 적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (15)

  1. 세탁물이 안착되는 내조;
    상기 내조에 회전력을 전달하는 모터;
    세탁 과정 이후에, 상기 내조에 안착된 상기 세탁물의 이미지를 획득하는 영상획득부; 및
    상기 세탁물의 이미지로부터 상기 세탁물의 함수율 정보가 반영된 포 분류 정보를 획득하고, 상기 포 분류 정보를 학습하여 탈수 과정에서 발생할 수 있는 상기 내조의 진동 정도를 예측하고, 예측된 상기 내조의 진동 정도에 따라 상기 탈수 과정에서 상기 모터의 RPM을 가변시키는 제어부를 포함하는 지능형 세탁기.
  2. 제 1 항에 있어서,
    상기 제어부는,
    상기 포 분류 정보를 학습한 결과, 상기 탈수 과정에서 과진동으로 인한 단락이 예측될 경우에 상기 탈수 과정에서 상기 모터의 RPM을 낮추도록 제어하는 것을 특징으로 하는 지능형 세탁기.
  3. 제 2 항에 있어서,
    상기 제어부는,
    n(n은 자연수)차 탈수 과정에서 과진동으로 인한 단락이 발생한 경우에, 상기 포 분류 정보를 단락 유발 포로 분류하고,
    (n+i)(i는 자연수)차 탈수 과정 이전에 상기 영상획득부에서 획득한 상기 포 분류 정보가 상기 단락 유발 포에 매칭될 경우에, (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮추는 것을 특징으로 하는 지능형 세탁기.
  4. 제 3 항에 있어서,
    상기 제어부는,
    상기 n차 탈수 과정에서 상기 단락이 발생한 단락 타이밍 정보를 획득하고,
    상기 단락 타이밍 정보에 따라, 상기 (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮추는 것을 특징으로 하는 지능형 세탁기.
  5. 제 1 항에 있어서,
    상기 영상획득부는 상기 세탁 과정 이전에 획득된 상기 세탁물의 이미지로부터 포 분산 정보를 획득하고,
    상기 제어부는 상기 포 분산 정보에 따라 상기 세탁물의 포 분산 제어를 수행하는 것을 특징으로 하는 지능형 세탁기.
  6. 제 5 항에 있어서,
    상기 제어부는,
    상기 포 분산 제어를 위해서, 사용자 알림 이벤트를 생성하는 것을 특징으로 하는 지능형 세탁기.
  7. 제 5 항에 있어서,
    상기 제어부는,
    상기 포 분산 제어를 위해서, 상기 내조를 회전시키는 것을 특징으로 하는 지능형 세탁기.
  8. 세탁기의 내조에 안착된 세탁물의 이미지를 획득하는 단계;
    상기 세탁물의 이미지로부터 세탁물의 함수율 정보가 반영된 포 분류 정보를 획득하는 단계;
    상기 포 분류 정보로부터 탈수 과정 동안 상기 내조의 진동 정도를 예측하는 단계; 및
    예측된 상기 내조의 진동 정도에 따라, 상기 내조에 회전력을 전달하는 모터의 RPM을 조절하는 단계;
    를 포함하는 지능형 세탁기의 제어방법.
  9. 제 8 항에 있어서,
    상기 모터의 RPM을 조절하는 단계는,
    상기 탈수 과정에서 과진동으로 인한 단락이 예측될 경우, 상기 탈수 과정 동안 상기 모터의 RPM을 낮추는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  10. 제 9 항에 있어서,
    상기 내조의 진동 정도를 예측하는 단계는
    n(n은 자연수)차 탈수 과정에서 과진동으로 인한 단락이 발생한 경우에, 상기 포 분류 정보를 단락 유발 포로 분류하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  11. 제 10 항에 있어서,
    상기 모터의 RPM을 조절하는 단계는,
    (n+i)(i는 자연수)차 탈수 과정 이전에 상기 포 분류 정보가 상기 단락 유발 포에 매칭될 경우에, (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮추는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  12. 제 9 항에 있어서,
    상기 내조의 진동 정도를 예측하는 단계는
    상기 n차 탈수 과정에서 상기 단락이 발생한 단락 타이밍 정보를 획득하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  13. 제 12 항에 있어서,
    상기 모터의 RPM을 조절하는 단계는,
    상기 단락 타이밍 정보에 따라, 상기 (n+i)차 탈수 과정에서 상기 모터의 RPM을 낮추는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  14. 제 8 항에 있어서,
    상기 세탁물의 이미지 또는 상기 포 분류 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고,
    상기 세탁물의 이미지 또는 상기 포 분류 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  15. 제 14 항에 있어서,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고,
    상기 상기 세탁물의 이미지 또는 상기 포 분류 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는 지능형 세탁기의 제어방법.
KR1020197021461A 2019-06-12 2019-06-12 지능형 세탁기 및 이의 제어방법 KR20220009511A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/007102 WO2020251079A1 (ko) 2019-06-12 2019-06-12 지능형 세탁기 및 이의 제어방법

Publications (1)

Publication Number Publication Date
KR20220009511A true KR20220009511A (ko) 2022-01-25

Family

ID=73746060

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197021461A KR20220009511A (ko) 2019-06-12 2019-06-12 지능형 세탁기 및 이의 제어방법

Country Status (3)

Country Link
US (1) US11746457B2 (ko)
KR (1) KR20220009511A (ko)
WO (1) WO2020251079A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11982035B2 (en) * 2020-11-16 2024-05-14 Haier Us Appliance Solutions, Inc. Method of using image recognition processes for improved operation of a laundry appliance
US11686030B2 (en) * 2021-02-17 2023-06-27 Haier Us Appliance Solutions, Inc. Method for detecting and correcting out of balance conditions in a washing machine appliance
US11851799B2 (en) * 2021-03-25 2023-12-26 Haier Us Appliance Solutions, Inc. Systems and methods of operating a washing machine appliance to detect and mitigate out-of-balance conditions
US11891740B2 (en) * 2021-03-31 2024-02-06 Haier Us Appliance Solutions, Inc. Water temperature evaluation method using image recognition in a laundry appliance
US20220314492A1 (en) * 2021-04-05 2022-10-06 Sysdyne Technologies LLC Concrete mixer truck drum rotation measurement using camera

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2254146B1 (ko) * 1973-12-10 1977-09-30 Amiens Const Elect Mec
JPH10174798A (ja) 1996-12-19 1998-06-30 Sharp Corp 洗濯機
KR20160061696A (ko) 2014-11-24 2016-06-01 엘지전자 주식회사 세탁 장치 및 그의 제어방법
CN106192289A (zh) 2015-04-30 2016-12-07 青岛海尔洗衣机有限公司 洗衣机控制方法及洗衣机
CA3029894A1 (en) 2016-07-27 2018-02-01 Form 700 Pty Ltd Improved formwork assembly
US10448408B2 (en) * 2016-08-04 2019-10-15 Samsung Electronics Co., Ltd. Method and apparatus for coordinating multi-point transmission in advanced wireless systems
US10273623B2 (en) * 2016-09-22 2019-04-30 Midea Group Co., Ltd. Laundry washing machine incorporating distance sensor
US10619284B2 (en) * 2017-05-26 2020-04-14 Whirlpool Corporation Laundry treating appliance and method of operation
CN109588058B (zh) * 2017-07-28 2021-10-26 Lg电子株式会社 无线通信系统中执行bwp操作的方法及其装置
KR102395012B1 (ko) 2017-09-05 2022-05-04 엘지전자 주식회사 세탁기 및 그 제어방법
US10686573B2 (en) * 2017-09-11 2020-06-16 Lenovo (Singapore) Pte Ltd Reference signals for radio link monitoring
US20190153653A1 (en) * 2017-11-17 2019-05-23 Whirlpool Corporation Laundry treating appliance having a user interface and methods of operating same

Also Published As

Publication number Publication date
US11746457B2 (en) 2023-09-05
US20200392660A1 (en) 2020-12-17
WO2020251079A1 (ko) 2020-12-17

Similar Documents

Publication Publication Date Title
KR102246661B1 (ko) 음성 인에이블 디바이스 선택 방법 및 장치
US20190380559A1 (en) Dishwashing method using artificial intelligence device and apparatus therefor
US10968555B2 (en) Method for inspecting unbalance error of washing machine and washing machine
KR20220009511A (ko) 지능형 세탁기 및 이의 제어방법
US11245544B2 (en) Intelligent washing machine and method for controlling washing timing using the same
US10938464B1 (en) Intelligent beamforming method, apparatus and intelligent computing device
KR20190103083A (ko) 딥러닝 기반의 세탁기의 진동 분석 방법과 그 장치
KR102273033B1 (ko) 인공지능 기반의 세제량 조절 방법 및 그 장치
US20220349102A1 (en) Intelligent washing machine
US11695464B2 (en) Method for intelligently transmitting and receiving signal and device l'hereof
KR20210048895A (ko) Gan 기반 인공 신경망 모델의 트레이닝
KR20210023034A (ko) 지능형 세탁기를 이용한 세탁물 건조 방법 및 이를 위한 장치
US11514316B2 (en) Method and apparatus for inspecting defects in washer based on deep learning
KR20220017007A (ko) 음성인식 방법 및 그 장치
KR20210054796A (ko) 지능형 디바이스의 도어 오픈 모니터링
KR20210052920A (ko) 무빙 행거를 이용한 의류 관리
US20200024788A1 (en) Intelligent vibration predicting method, apparatus and intelligent computing device
US11741424B2 (en) Artificial intelligent refrigerator and method of storing food thereof
KR20210087792A (ko) 사용자 인증
US20210324560A1 (en) Intelligent washing machine and control method of the same
US20210332519A1 (en) Intelligent washing machine and control method thereof
US20230209368A1 (en) Wireless communication method using on-device learning-based machine learning network
US11359319B2 (en) Intelligent washing machine and method for controlling ball balancer using the same
KR20210094961A (ko) 피접촉면의 재질에 따른 청소로봇 제어방법
KR20210106685A (ko) 지능형 조리장치의 제어

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal