KR20230039342A - Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법 - Google Patents

Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법 Download PDF

Info

Publication number
KR20230039342A
KR20230039342A KR1020210122535A KR20210122535A KR20230039342A KR 20230039342 A KR20230039342 A KR 20230039342A KR 1020210122535 A KR1020210122535 A KR 1020210122535A KR 20210122535 A KR20210122535 A KR 20210122535A KR 20230039342 A KR20230039342 A KR 20230039342A
Authority
KR
South Korea
Prior art keywords
electronic device
information
uwb
signal
uwb signal
Prior art date
Application number
KR1020210122535A
Other languages
English (en)
Inventor
이현우
김상연
김주영
한종희
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210122535A priority Critical patent/KR20230039342A/ko
Publication of KR20230039342A publication Critical patent/KR20230039342A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/08—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness for measuring thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
    • H04B1/3827—Portable transceivers
    • H04B1/385—Transceivers carried on the body, e.g. in helmets
    • H04B2001/3872—Transceivers carried on the body, e.g. in helmets with extendable microphones or earphones

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Telephone Function (AREA)

Abstract

다양한 실시예들에 따라서, 전자 장치는, UWB(ultra-wideband) 통신 회로, 및 프로세서를 포함하고, 상기 프로세서는, 제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하고, 상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하고, 상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하고 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및 상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하도록 설정될 수 있다. 그 밖의 다양한 실시예들도 가능할 수 있다.

Description

UWB 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법{ELECTRONIC DEVICE FOR IDENTIFYING OBJECT BY USING ULTRA-WIDEBAND SIGNAL AND PERFORMING FUNCTION CORRESPONDING TO IDENTIFIED OBJECT AND METHOD FOR OPERATING THEREOF}
다양한 실시예들은, UWB 신호를 이용하여 전자 장치가 거치된 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 방법 및 장치에 관한 것이다.
UWB는 기존의 스펙트럽에 비해 넓은 대역에 걸쳐 낮은 전력으로 대용량의 정보를 전송하는 무선통신 기술이다. UWB는 6.25~8.25GHz 주파수 대역에서 500MHz의 대역폭과, 수ns 단위의 매우 짧은 펄스폭(pulse width)의 신호를 사용하며, 이에 따라 노이즈에 강건할 수 있을 뿐만 아니라, DS-TWR(double-sided two-way ranging) 방법을 사용함으로써, cm단위의 높은 정확도를 가지는 레인징(ranging)에 이용될 수 있다.
UWB 신호를 이용하여 물체의 재질만 식별하는 경우, 복합 재질로 구성된 물체들을 명확하기 구분하기 어려운 점이 있고, 또한, 물체의 특성에 대하여 미리 정해진 데이터 세트를 이용하여 물체를 식별하는 경우, 상기 미리 정해진 데이터 세트에 포함되지 않은 데이터에 대응하는 물체를 식별하기 어려울 수 있다.
다양한 실시예들은, UWB 신호를 이용하여 전자 장치가 거치된 물체에 관한 정보(예: 물체의 재질, 물체의 두께, 및/또는 전자 장치의 높이)를 식별하고, 상기 물체에 관한 정보를 딥러닝 모델에 적용하여 상기 물체를 특정하고, 특정된 물체에 대응하는 기능을 수행하는 방법을 제공할 수 있다.
다양한 실시예들에 따라서, 전자 장치는, UWB(ultra-wideband) 통신 회로, 및 프로세서를 포함하고, 상기 프로세서는, 제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하고, 상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하고, 상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하고 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및 상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하도록 설정될 수 있다.
다양한 실시예들에 따라서, UWB(ultra-wideband) 통신 회로를 포함하는 전자 장치의 동작 방법은, 제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하는 동작, 상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하는 동작, 상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하는 동작 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및 상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하는 동작을 포함할 수 있다.
다양한 실시예들에 따라서, UWB 신호를 이용하여 전자 장치가 거치된 물체에 관한 적어도 하나의 정보를 식별하고, 상기 식별된 정보를 딥러닝 모델에 적용하여 물체를 특정할 수 있을 뿐만 아니라, 새로이 제공된 데이터 세트를 학습하여 새로운 물체를 라벨링하고, 기존에 라벨링된 물체와 새로이 라벨링된 물체를 용이하게 구분함으로써, 전자 장치의 동작 성능을 향상시킬 수 있다.
도 1은 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예들에 따른, 전자 장치가 거치된 물체를 식별하고, 물체에 대응하는 기능을 실행하는 방법을 설명하기 위한 흐름도이다.
도 3은 다양한 실시예들에 따른, 전자 장치가 거치된 물체들을 나타내는 실시예이다.
도 4a는 다양한 실시예들에 따른, 제2 UWB 신호의 거리 별 신호 강도를 나타내는 그래프이다.
도 4b는 다양한 실시예들에 따른, 각 재질 별로 제2 UWB 신호의 거리 별 신호 강도를 나타내는 그래프 및 시각화 알고리즘에 따라 각 재질에 대응하는 군집을 나타내는 도면이다.
도 4c는 다양한 실시예들에 따른, 제2 UWB 신호의 거리 별 신호 강도에 미리 정해진 가중치가 적용된 신호의 그래프이다.
도 5는 다양한 실시예들에 따른, 시각화 알고리즘에 따라 각 물체에 대응하는 군집을 나타내는 도면이다.
도 6은 다양한 실시예들에 따른, 전자 장치가 거치된 물체의 재질을 식별하기 위한 딥러닝 모델을 학습하는 방법을 설명하기 위한 흐름도이다.
도 7은 다양한 실시예들에 따른, 전자 장치가 거치된 물체의 재질을 식별하기 위한 딥러닝 모델을 학습하는 실시예를 설명하기 위한 도면이다.
도 8은 다양한 실시예들에 따른, 전자 장치가 복수개의 물체들을 식별하기 위한 딥러닝 모델을 학습하는 방법을 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른, 전자 장치가 복수개의 물체들을 식별하기 위한 딥러닝 모델을 학습하는 실시예를 설명하기 위한 도면이다.
도 1은, 본 개시의 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)) (예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)이 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제1 네트워크(198) 또는 제2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104 또는 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 거치된 물체를 식별하고, 물체에 대응하는 기능을 실행하는 방법을 설명하기 위한 흐름도이다.
도 3은 다양한 실시예들에 따른, 전자 장치(101)가 거치된 물체들을 나타내는 실시예이다.
도 4a는 다양한 실시예들에 따른, 제2 UWB 신호의 거리 별 신호 강도를 나타내는 그래프이다.
도 4b는 다양한 실시예들에 따른, 각 재질 별로 제2 UWB 신호의 거리 별 신호 강도를 나타내는 그래프 및 시각화 알고리즘에 따라 각 재질에 대응하는 군집을 나타내는 도면이다.
도 4c는 다양한 실시예들에 따른, 제2 UWB 신호의 거리 별 신호 강도에 미리 정해진 가중치가 적용된 신호의 그래프이다.
도 5는 다양한 실시예들에 따른, 시각화 알고리즘에 따라 각 물체에 대응하는 군집을 나타내는 도면이다.
201 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제1 UWB(ultra-wideband) 신호를 송신하고, 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 통신 모듈(예: 도 1의 통신 모듈(190))에 포함된 UWB 통신 회로를 제어할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 전자 장치(101)의 움직임이 임계값 이하인 것에 기반하여, UWB 통신 회로를 통하여 제1 UWB 신호를 송신할 수 있다. 예를 들어, 도 3의 <301> 및 <302>를 참조하면, 전자 장치(101)가 물체(예: 테이블 또는 소파) 위에 거치되어 미리 정해진 시간 동안 전자 장치(101)의 움직임이 임계값 이하인 경우, 전자 장치(101)는 UWB 통신 회로를 통하여 제1 UWB 신호를 송신할 수 있다. 이 경우, 전자 장치(101)는 센서 모듈(예: 도 1의 센서 모듈(176))에 포함된 가속도 센서 또는 자이로 센서를 이용하여 전자 장치(101)의 움직임을 식별할 수 있고, 이는 하나의 예시일 뿐, 전자 장치(101)의 움직임을 식별하기 위하여 다양한 센서들을 이용할 수 있다.
203 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제2 UWB 신호에 기반하여, 전자 장치(101)가 거치된 물체의 재질에 관한 제1 정보, 물체의 두께에 관한 제2 정보, 또는 물체에 거치된 경우의 전자 장치(101)의 높이에 관한 제3 정보 중 적어도 하나를 식별할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 UWB 통신 회로를 통하여 로우 데이터(raw data)로서 제2 UWB 신호의 거리 별 신호 강도를 획득할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정해진 거리를 기준으로 제2 UWB 신호를 획득한 시간 동안의 제2 UWB 신호의 거리 별 신호 강도의 평균 값을 산출함으로써, 제2 UWB 신호에 대한 전처리(pre-processing)를 수행할 수 있다. 예를 들어, 도 4a를 참조하면, 전자 장치(101)는 미리 정해진 거리(예: 3미터)를 기준으로 제2 UWB 신호를 획득한 시간(예: n초) 동안의 거리 별 신호 강도의 평균 값들을 산출할 수 있고, 산출된 값들을 도 4a와 같은 그래프의 형태로 나타낼 수 있다. 더욱 구체적으로 예를 들어, 전자 장치(101)는 UWB 통신 회로를 활성화화여 n초 동안 제2 UWB 신호를 수신하는 경우, 미리 정해진 거리(예: 3미터)에 대하여, 0~1초 구간 동안의 신호 강도, 0~2초 구간 동안의 신호 강도, 0~3초 구간 동안의 신호 강도, ??, 0~n-1초 구간 동안의 신호 강도, 및 0~n초 구간 동안의 신호 강도를 모두 더하여 n으로 나눔으로써, 제2 UWB 신호의 거리 별 신호 강도의 평균 값들을 산출할 수 있다. 상기 간격(예: 1초)은 일 실시예일 뿐, 다양한 방법에 따라 상기 간격이 설정될 수 있다. 이하에서, UWB 신호의 거리 별 신호 강도는, 미리 정해진 거리를 기준으로 UWB 신호를 획득한 시간에 기반하여 산출된 신호 강도의 평균 값을 지칭하는 것으로 한다.
다양한 실시예들에 따르면, 전자 장치(101)는(예: 도 1의 프로세서(120))는 제2 UWB 신호의 거리 별 신호 강도에 관한 데이터에 기반하여, 전자 장치(101)가 거치된 물체의 재질에 관한 제1 정보를 식별할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제2 UWB 신호의 거리 별 신호 강도에 관한 데이터(예: 거리 별 신호 강도의 평균 값) 중에서 일부 거리에 대응하는 데이터를 선택할 수 있다. 예를 들어, 도 4a를 참조하면, 전자 장치(101)는 제2 UWB 신호의 거리 별 신호 강도의 평균 값들 중에서, 제1 거리(410)에 대응하는 데이터를 선택할 수 있다. 이 경우, 도 4b의 <401>과 같이, 제1 거리(410)에 대하여, 각 물체의 재질에 따라 상이한 신호 파형을 구성하는 거리 별 신호 강도들이 식별될 수 있다. 일 실시예에 따르면, 전자 장치(101)는 획득한 제2 UWB 신호의 거리 별 신호 강도의 신호 파형의 모양에 기반하여, 물체의 재질에 관한 제1 정보를 식별할 수 있다. 예를 들어, 전자 장치(101)는 이미지 유사도 측정을 위한 알고리즘을 이용하여 제2 UWB 신호의 거리 별 신호 강도의 신호 파형의 모양과 및 미리 정해진 신호 파형의 모양 사이의 유사도를 판단할 수 있고, 상기 유사도가 임계치 이상인 경우, 상기 미리 정해진 신호 파형에 대응하는 재질을 제1 정보로서 추정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제2 UWB 신호의 거리 별 신호 강도에 관한 데이터에 t-SNE(t-stochastic neighbor embedding) 알고리즘을 적용하여, 물체의 재질에 관한 제1 정보를 식별할 수 있다. 예를 들어, 도 4b의 <402>를 참조하면, 각각의 재질은 t-SNE 알고리즘에 따라 상기 재질을 나타내는 군집(cluster)으로 분류될 수 있고, 전자 장치(101)는 제2 UWB 신호의 거리 별 신호 강도에 관한 데이터로부터 변환된 벡터 값이 속하는 군집을 판단할 수 있고, 상기 군집에 대응하는 재질을 상기 제1 정보로서 추정할 수 있다. 제2 UWB 신호의 거리 별 신호 강도에 기반하여 전자 장치(101)가 거치된 물체의 재질을 식별하기 위한 딥러닝 모델을 학습하는 방법은 도 6에서 후술하도록 한다.
다양한 실시예들에 따르면, 전자 장치(101)는(예: 도 1의 프로세서(120))는 제2 UWB 신호의 거리 별 신호 강도에 관한 데이터에 기반하여, 전자 장치(101)가 거치된 물체의 두께에 관한 제2 정보를 식별할 수 있다. 물체의 두께는 전자 장치(101)를 지지하는 물체의 일 면으로부터 상기 일 면이 향하는 방향과 반대 방향을 향하는 타 면까지의 거리를 의미할 수 있다. 예를 들어, 도 3의 <301> 및 <302>를 참조하면, 테이블은 제1 두께(예: w1)을 가지고, 소파는 제2 두께(예: w2)를 가질 수 있다. 일 실시예에 따르면, 전자 장치(101)는 거리 별 신호 강도에 관한 데이터 중에서 제1 피크(peak) 구간을 이용하여 물체의 두께에 관한 제2 정보를 식별할 수 있다. 예를 들어, 도 4a를 참조하면, 전자 장치(101)는 거리 별 신호 강도를 나타내는 데이터로부터 제1 임계치 이상의 신호 강도를 갖는 제1 피크 구간(411)의 길이(d)를 식별할 수 있고, 상기 제1 피크 구간(411)의 길이(d)를 물체의 두께에 관한 제2 정보로서 추정할 수 있다. 또 다른 예를 들어, 도 4c를 참조하면, 전자 장치(101)는 도 4a의 그래프에 미리 정해진 가중치를 적용함으로써 도출된 거리 별 신호 강도에 관한 데이터 중에서 제1 피크(peak) 구간을 이용하여 물체의 두께에 관한 제2 정보를 식별할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는(예: 도 1의 프로세서(120))는 제2 UWB 신호의 거리 별 신호 강도에 관한 데이터에 기반하여, 전자 장치(101)가 거치된 경우의 전자 장치(101)의 높이에 관한 제3 정보를 식별할 수 있다. 전자 장치(101)의 높이는 전자 장치(101)가 거치된 물체를 지지하는 바닥의 일 면으로부터 상기 전자 장치를 지지하는 물체의 일 면까지의 거리를 의미할 수 있다. 예를 들어, 도 3의 <301> 및 <302>를 참조하면, 테이블은 제1 높이(예: h1)을 가지고, 소파는 제2 높이(예: h2)를 가질 수 있다. 일 실시예에 따르면, 전자 장치(101)는 거리 별 신호 강도에 관한 데이터 중에서 제2 피크(peak) 구간을 이용하여 물체의 높이에 관한 제2 정보를 식별할 수 있다. 예를 들어, 도 4a를 참조하면, 전자 장치(101)는 거리 별 신호 강도를 나타내는 데이터로부터 제2 임계치 이상의 신호 강도를 갖는 제2 피크 구간(412)의 중간 값(m)을 식별할 수 있고, 상기 제2 피크 구간(412)의 중간 값(m)을 전자 장치(101)의 높이에 관한 제3 정보로서 추정할 수 있다. 또 다른 예를 들어, 도 4c를 참조하면, 전자 장치(101)는 도 4a의 그래프에 미리 정해진 가중치를 적용함으로써 도출된 거리 별 신호 강도에 관한 데이터 중에서 제2 피크(peak) 구간을 이용하여 물체의 높이에 관한 제3 정보를 식별할 수 있다. 일 실시예에 따르면, 물체를 지지하는 바닥의 재질에 의하여 상기 바닥에 대하여 UWB 신호가 반사되지 않거나 또는 반사된 UWB 신호의 강도가 미리 정해진 강도 이하임에 따라 물체의 높이를 추정할 수 없는 경우, 전자 장치(101)는 물체의 높이가 추정되지 않음을 나타내는 제3 정보를 저장할 수 있다.
205 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 복수 개의 물체들 중에서 제1 물체를 선택할 수 있다.
일 실시예에 따르면, 상기 딥러닝 모델은 복수 개의 물체들 각각의 재질에 관한 정보, 복수 개의 물체들 각각의 두께에 관한 정보, 또는 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치(101)의 높이에 관한 정보 중 적어도 하나에 기반하여 생성될 수 있다.
일 실시예에 따르면, 복수 개의 물체들 각각은 상기 딥러닝 모델에 따라, 각각의 물체를 나타내는 군집으로 분류될 수 있고 각 군집은 라벨링된 데이터 세트로 구성될 수 있다. 일 실시예에 따르면, 전자 장치(101)는 상기 딥러닝 모델로부터 출력된 출력 데이터에 t-SNE(t-stochastic neighbor embedding) 알고리즘을 적용하여, 각 데이터를 시각적으로 표현할 수 있다. 예를 들어, 도 5를 참조하면, 딥러닝 모델 내에서 제1 군집(501)(예: 군집 ID '0')은 제1 물체(예: 테이블)에 대응하는 제1 데이터 세트로 구성될 수 있다.
일 실시예에 따르면, 전자 장치(101)는 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 딥러닝 모델 내에서 상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나에 대응하는 데이터가 속하는 군집을 판단할 수 있고, 상기 군집에 대응하는 물체를 상기 제1 물체로서 결정할 수 있다. 예를 들어, 도 4a 및 도 4b를 참조하면, 전자 장치(101)가 특정 물체(예: 테이블) 위에 거치된 경우, 전자 장치(101)는 특정 물체의 재질에 관한 제1 정보(예: 나무), 특정 물체의 두께에 관한 제2 정보(예: d), 및 전자 장치(101)의 높이에 관한 제3 정보(예: m)를 딥러닝 모델에 적용함으로써, 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보에 대응하는 데이터가 속하는 특정 군집을 판단하거나 또는 상기 데이터가 특정 군집으로부터 미리 정해진 거리 이내에 위치하는지를 판단할 수 있고, 이 경우, 특정 군집에 대응하는 특정 물체를 제1 물체로서 결정할 수 있다. 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나에 기반하여, 복수개의 물체들을 식별하기 위한 딥러닝 모델을 학습하는 방법은 도 8에서 후술하도록 한다.
207 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제1 물체에 대응하는 전자 장치(101)의 기능을 실행할 수 있다. 예를 들어, 전자 장치(101)가 거치된 물체가 외부 스피커임을 식별한 것에 기반하여, 전자 장치(101)는 외부 스피커에 대하여 미리 지정된 기능을 실행(예: 외부 스피커와 자동으로 블루투스 통신 연결 개시 및 음악 재생)할 수 있다. 또 다른 예를 들어, 전자 장치(101)가 거치된 물체가 테이블임을 식별한 것에 기반하여, 전자 장치(101)는 테이블에 대하여 미리 지정된 기능을 실행(예: 디스플레이를 통하여 보조 조명을 턴 온(turn on)하고 방해 금지 기능을 실행)할 수 있다. 또 다른 예를 들어, 전자 장치(101)가 거치된 물체가 거치대(예: 충전 장치)임을 식별한 것에 기반하여, 전자 장치(101)는 거치대에 대하여 미리 지정된 기능을 실행(예: 가로 모드 및 무음 모드를 자동으로 해제하고 동영상 재생 모드를 실행)할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 사용자 요청에 응답하여, 식별된 객체에 관한 정보를 출력할 수 있다. 예를 들어, 전자 장치(101)는 사용자로부터 전자 장치(101)의 위치를 문의하는 요청을 획득한 것에 응답하여, 전자 장치(101)가 거치된 물체가 소파임을 식별한 것에 기반하여, 상기 전자 장치(101)가 소파 위에 거치되어 있음을 나타내는 정보를 스피커(예: 도 1의 음향 출력 모듈(155))를 통하여 출력할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제1 물체에 대응하는 전자 장치(101)의 기능을 정의하는 참조 테이블을 메모리(예: 도 1의 메모리(130))에 저장할 수 있고, 상기 참조 테이블을 이용하여, 제1 물체에 대응하는 전자 장치(101)의 기능을 실행할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제1 물체에 대응하는 전자 장치(101)의 기능을 정의하는 참조 테이블을 생성할 수 있다. 예를 들어, 참조 테이블은 하기의 [표 1]의 형태로 메모리(130)에 저장될 수 있고, 발명의 이해를 돕고자 '전자 장치(101)에서 실행될 기능'이 문장 형태로 기재되었지만, 실제 기술 구현 시에는 프로그램 코드 형태로 메모리(130)에 저장될 수 있다.
제1 물체의 종류 전자 장치(101)에서 실행될 기능
외부 스피커(물체 ID: 1) (1)블루투스 통신 모듈 활성화,
(2)스피커와 블루투스 통신 연결,
(3)뮤직 어플리케이션 실행 후, 외부 스피커로 최근 음악 자동 재생
제1 테이블(물체 ID: 2) (1) 디스플레이를 통하여 보조 조명 모드 실행
(2) 방해 금지 모드 실행
제2 테이블(물체 ID: 3) 뮤직 어플리케이션 실행 후, 내부 스피커로 최근 음악 자동 재생
거치대 또는 충전 장치(물체 ID: 4) (1) 가로 모드 및 무음 모드 해지
(2) 동영상 어플리케이션 실행 후, 최근 동영상 자동 재생
소파(물체 ID: 5) 특정 메시지(예: 장치(101)가 거치된 물체의 종류 및/또는 위치에 관한 정보)를 내부 스피커로 출력
일 실시예에 따르면, 전자 장치(101)는 사용자의 설정에 따라 참조 테이블을 생성하거나, 전자 장치(101)의 제조 시에 전자 장치(101)의 제조사의 설정에 따라 참조 테이블을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제1 물체에 상기 전자 장치(101)가 거치된 상태에서, (1)상기 특정 기능이 상기 제1 물체에 대응하지 않고, (2)사용자에 의하여 전자 장치(101) 상에서 특정 기능이 실행된 누적 횟수가 정해진 횟수를 초과하는 것에 기반하여, 상기 제1 물체에 상기 특정 기능을 대응시키고, 상기 제1 물체와 상기 특정 기능의 대응 관계를 상술한 참조 테이블에 등록할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제1 물체에 거치된 상태에서, (1)상기 특정 기능이 상기 제1 물체에 대응하지 않고, (2)사용자에 의하여 전자 장치(101) 상에서 특정 기능이 실행된 누적 횟수가 정해진 횟수를 초과하는 것에 기반하여, 상기 제1 물체와 상기 특정 기능의 대응 관계를 상술한 참조 테이블에 등록할 것인지를 문의하는 메시지를 디스플레이(160) 상에 표시하고, 사용자로부터 상기 문의 메시지에 대한 수락 응답을 획득하는 것에 기반하여, 상기 제1 물체에 상기 특정 기능을 대응시키고, 상기 제1 물체와 상기 특정 기능의 대응 관계를 상술한 참조 테이블에 등록할 수 있다.
도 6은 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 거치된 물체의 재질을 식별하기 위한 딥러닝 모델을 학습하는 방법을 설명하기 위한 흐름도이다.
도 7은 다양한 실시예들에 따른, 전자 장치(101)가 거치된 물체의 재질을 식별하기 위한 딥러닝 모델을 학습하는 실시예를 설명하기 위한 도면이다.
601 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 통신 모듈(예: 도 1의 통신 모듈(190))에 포함된 UWB 통신 회로를 통하여, 제1 UWB 신호를 송신하고, 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 센서 모듈(예: 도 1의 센서 모듈(176))을 통하여 검출된 전자 장치(101)의 움직임이 임계값 이하인 것에 기반하여, UWB 통신 회로를 통하여 제1 UWB 신호를 송신할 수 있고, 물체가 놓인 바닥에 의하여 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신할 수 있다. 예를 들어, 도 3의 <301>을 참조하면, 전자 장치(101)가 물체(예: 테이블) 위에 거치되어 미리 정해진 시간 동안 전자 장치(101)의 움직임이 임계값 이하인 경우, 전자 장치(101)는 UWB 통신 회로를 통하여 제1 UWB 신호를 송신할 수 있고, 테이블이 놓인 바닥에 의하여 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신할 수 있다.
603 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 수신된 제2 UWB 신호로부터 로우 데이터(raw data)로서 제2 UWB 신호의 거리 별 신호 강도를 식별할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 미리 정해진 거리를 기준으로 제2 UWB 신호를 획득한 시간 동안의 거리 별 신호 강도의 평균 값을 산출함으로써, 제2 UWB 신호에 대한 전처리(pre-processing)를 수행할 수 있다. 이하에서, UWB 신호의 거리 별 신호 강도는, 미리 정해진 거리를 기준으로 UWB 신호를 획득한 시간에 기반하여 산출된 신호 강도의 평균 값을 지칭하는 것으로 한다.
605 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제2 UWB 신호의 거리 별 신호 강도를 물체의 재질을 식별하기 위한 딥러닝 모델에 적용하여, 전자 장치(101)가 거치된 물체의 재질을 학습할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 제2 UWB 신호의 거리 별 신호 강도를 지도 학습(supervised learning)에 기반하는 CNN(convolutional neural network) 모델에 입력하여 물체의 재질을 학습할 수 있다. 예를 들어, 도 7을 참조하면, 전자 장치(101)는 1차원 데이터 포맷인 제2 UWB 신호의 거리 별 신호 강도를 1차원 CNN 구조(예: convolution layer, dropout layer, max pooling layer, dense layer)에 입력하여 물체의 재질을 나타내는 특징(feature)을 추출할 수 있고, 상기 CNN 모델을 학습하는 과정에서, 아래의 [수학식 1]에 따라 크로스 엔트로피 로스(cross entropy loss)를 최소화하도록 경사 하강법(gradient descent)을 이용하여, 상기 추출된 특징에 대한 재질을 분류(classify)할 수 있다. 하기의 [수학식 1]은 크로스 엔트로피 로스를 산출하는데 사용되는 수식으로서, 해당 기술 분야에서 통상의 지식을 가진 사람이 용이하게 실시할 수 있으므로, 수식에 대한 파라미터의 정의를 생략하기로 한다.
Figure pat00001
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 물체의 재질을 학습한 결과, 새로이 추가된 물체의 재질에 대하여 새로운 재질 식별 정보를 할당할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제2 UWB 신호의 거리 별 신호 강도를 물체의 재질을 식별하기 위한 딥러닝 모델에 적용함으로써 복수의 재질 학습 데이터에 관한 벡터(예: 도 4의 <402> 내의 벡터 값)(이하 '학습 데이터'라고 칭함)를 획득할 수 있고, 물체의 재질 식별 정보가 할당되지 않은 재질 학습 데이터 중에서 군집(그룹)을 형성하는 복수의 제1 학습 데이터의 개수(예: 획득 횟수)가 정해진 개수를 초과하는 경우, 물체의 재질에 관한 제1 정보로서, 새로운 재질 식별 정보를 생성하고, 상기 군집 및 상기 군집에 포함된 상기 복수의 제1 학습 데이터에 새로이 생성된 재질 식별 정보를 할당할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 새로이 생성된 재질 식별 정보를 자동으로 할당하기 전에, 새로운 재질을 등록할 것인지를 문의하는 메시지를 디스플레이(160) 상에 표시하고, 사용자로부터 상기 문의 메시지에 대한 수락 응답을 획득하는 것에 기반하여, 상기 군집 및 상기 군집에 포함된 복수의 제1 학습 데이터에 상기 새로운 재질 식별 정보를 할당할 수 있다.
도 8은 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 복수개의 물체들을 식별하기 위한 딥러닝 모델을 학습하는 방법을 설명하기 위한 흐름도이다.
도 9는 다양한 실시예들에 따른, 전자 장치(101)가 복수개의 물체들을 식별하기 위한 딥러닝 모델을 학습하는 실시예를 설명하기 위한 도면이다.
801 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 전자 장치(101)가 거치된 물체의 재질에 관한 제1 정보, 물체의 두께에 관한 제2 정보, 또는 물체에 거치된 경우의 전자 장치(101)의 높이에 관한 제3 정보 중 적어도 하나를 획득할 수 있다. 예를 들어, 전자 장치(101)는 도 2의 203 동작에 따라, 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호에 기반하여, 전자 장치(101)가 거치된 물체의 재질에 관한 제1 정보, 물체의 두께에 관한 제2 정보, 또는 물체에 거치된 경우의 전자 장치(101)의 높이에 관한 제3 정보 중 적어도 하나를 식별할 수 있다.
803 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 복수개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 전자 장치(101)가 거치된 물체의 종류를 학습할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 복수개의 물체들을 식별하기 위한 딥러닝 모델에 적용함으로써 복수의 물체 학습 데이터에 관한 벡터(예: 도 5의 벡터 값)(이하 '학습 데이터'라고 칭함)를 획득할 수 있고, 물체 식별 정보가 할당되지 않은 물체 학습 데이터 중에서 군집(그룹)을 형성하는 복수의 제2 학습 데이터의 개수(예: 획득 횟수)가 정해진 개수를 초과하는 경우, 새로운 물체 식별 정보를 생성하고, 상기 군집 및 상기 군집에 포함된 상기 복수의 제2 학습 데이터에 새로이 생성된 물체 식별 정보를 할당할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 복수개의 물체들을 식별하기 위한 딥러닝 모델로서, 샴 신경망(siamese neural network)에 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 적용하여, 전자 장치(101)가 거치된 물체의 종류를 학습할 수 있다. 예를 들어, 도 9를 참조하면, 전자 장치(101)는 제1 입력 데이터(910)(예: 상술한 제2 학습 데이터)로서 801 동작에서 식별된 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 샴 신경망(900)에 적용하고, 제2 입력 데이터(920)(예: 도 5에서 물체 식별 정보가 이미 할당된 데이터)로서 이전에 입력되어 학습이 완료된 제1 정보, 제2 정보, 또는 제3 정보 중 적어도 하나를 샴 신경망(900)에 적용함으로써, 제1 입력 데이터(910)에 의하여 특정된 제1 특정 물체가 제2 입력 데이터(920)에 의하여 특정된 제2 특정 물체와 동일한지 또는 상이한지 여부를 결정할 수 있다. 일 실시예에 따르면, 제1 입력 데이터에 의하여 특정된 제1 특정 물체와 제2 입력 데이터에 의하여 특정된 제2 특정 물체가 동일한 경우, 전자 장치(101)는 제2 특정 물체에 대응하는 물체 식별 정보를 제1 입력 데이터 및/또는 제1 특정 물체에 할당할 수 있다. 일 실시예에 따르면, 제1 입력 데이터에 의하여 특정된 제1 특정 물체에 대응하는 물체 식별 정보가 딥러닝 모델 내에 존재하지 않고, 제1 입력 데이터를 포함하는 군집의 데이터의 개수가 정해진 개수를 초과하는 경우, 전자 장치(101)는 새로운 물체 식별 정보를 생성하고, 새로이 생성된 물체 식별 정보를 상기 제1 입력 데이터 및/또는 상기 제1 특정 물체에 할당할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 새로이 생성된 물체 식별 정보를 자동으로 할당하기 전에, 새로운 물체를 등록할 것인지를 문의하는 메시지를 디스플레이(160) 상에 표시하고, 사용자로부터 상기 문의 메시지에 대한 수락 응답을 획득하는 것에 기반하여, 새로이 생성된 물체 식별 정보를 상기 제1 입력 데이터 및/또는 상기 제1 특정 물체에 할당할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
다양한 실시예들에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, UWB(ultra-wideband) 통신 회로, 및 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 프로세서는, 제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하고, 상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하고, 상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하고 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및 상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 전자 장치의 움직임이 임계값 이하인 것에 기반하여, 상기 UWB 통신 회로를 통하여 상기 제1 UWB 신호를 송신하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 UWB 통신 회로를 통하여 로우 데이터(raw data)로서 상기 제2 UWB 신호의 거리 별 신호 강도를 획득하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 미리 정해진 거리를 기준으로 상기 제2 UWB 신호를 획득한 시간 동안의 상기 제2 UWB 신호의 상기 거리 별 신호 강도의 평균 값을 산출함으로써, 상기 제2 UWB 신호에 대한 전처리(pre-processing)를 수행하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 제2 UWB 신호의 거리 별 신호 강도에 t-SNE(t-stochastic neighbor embedding) 알고리즘을 적용하여, 상기 제2 UWB 신호의 거리 별 신호 강도에 대응하는 군집을 판단하고, 및 상기 군집에 대응하는 재질을 상기 제1 정보로서 결정하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제1 피크(peak) 구간의 길이를 식별하고, 및 상기 제1 피크 구간의 길이를 상기 제2 정보로서 결정하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제2 피크(peak) 구간의 중간 값을 식별하고, 및 상기 제2 피크 구간의 중간 값을 상기 제3 정보로서 결정하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 딥러닝 모델에 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보를 적용하여, 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보에 대응하는 데이터가 속하는 군집을 판단하고, 및 상기 군집에 대응하는 물체를 상기 제1 물체로서 결정하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 제1 물체에 대응하는 상기 기능을 정의하는 참조 테이블을 저장하는 메모리를 더 포함하고, 상기 프로세서는, 상기 참조 테이블을 이용하여, 상기 제1 물체에 대응하는 상기 전자 장치의 상기 기능을 실행하도록 설정될 수 있다.
다양한 실시예들에 따르면, 상기 프로세서는, 상기 제1 물체에 상기 전자 장치가 거치된 상태에서, (1)상기 특정 기능이 상기 제1 물체에 대응하지 않고, (2)사용자에 의하여 상기 전자 장치 상에서 상기 기능이 실행된 누적 횟수가 정해진 횟수를 초과하는 것에 기반하여, 상기 제1 물체에 상기 기능을 대응시키고, 및 상기 제1 물체와 상기 기능의 대응 관계를 상기 참조 테이블에 등록하도록 설정될 수 있다.
다양한 실시예들에 따르면, UWB(ultra-wideband) 통신 회로를 포함하는 전자 장치의 동작 방법은, 제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하는 동작, 상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하는 동작, 상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하는 동작 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및 상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 제1 UWB 신호를 송신하는 동작은, 상기 전자 장치의 움직임이 임계값 이하인 것에 기반하여, 상기 UWB 통신 회로를 통하여 상기 제1 UWB 신호를 송신하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치의 동작 방법은, 상기 UWB 통신 회로를 통하여 로우 데이터(raw data)로서 상기 제2 UWB 신호의 거리 별 신호 강도를 획득하는 동작을 더 포함할 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치의 동작 방법은, 미리 정해진 거리를 기준으로 상기 제2 UWB 신호를 획득한 시간 동안의 상기 제2 UWB 신호의 상기 거리 별 신호 강도의 평균 값을 산출함으로써, 상기 제2 UWB 신호에 대한 전처리(pre-processing)를 수행하는 동작을 더 포함할 수 있다.
다양한 실시예들에 따르면, 상기 제1 정보를 식별하는 동작은, 상기 제2 UWB 신호의 거리 별 신호 강도에 t-SNE(t-stochastic neighbor embedding) 알고리즘을 적용하여, 상기 제2 UWB 신호의 거리 별 신호 강도에 대응하는 군집을 판단하는 동작, 및 상기 군집에 대응하는 재질을 상기 제1 정보로서 결정하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 제2 정보를 식별하는 동작은, 상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제1 피크(peak) 구간의 길이를 식별하는 동작, 및 상기 제1 피크 구간의 길이를 상기 제2 정보로서 결정하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 제3 정보를 식별하는 동작은, 상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제2 피크(peak) 구간의 중간 값을 식별하는 동작, 및 상기 제2 피크 구간의 중간 값을 상기 제3 정보로서 결정하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 제1 물체를 선택하는 동작은, 상기 딥러닝 모델에 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보를 적용하여, 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보에 대응하는 데이터가 속하는 군집을 판단하는 동작, 및 상기 군집에 대응하는 물체를 상기 제1 물체로서 결정하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치의 상기 기능을 실행하는 동작은, 상기 제1 물체에 대응하는 상기 기능을 정의하는 참조 테이블을 이용하여, 상기 제1 물체에 대응하는 상기 전자 장치의 상기 기능을 실행하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 상기 전자 장치의 동작 방법은, 상기 제1 물체에 상기 전자 장치가 거치된 상태에서, (1)상기 특정 기능이 상기 제1 물체에 대응하지 않고, (2)사용자에 의하여 상기 전자 장치 상에서 상기 기능이 실행된 누적 횟수가 정해진 횟수를 초과하는 것에 기반하여, 상기 제1 물체에 상기 기능을 대응시키는 동작, 및 상기 제1 물체와 상기 기능의 대응 관계를 상기 참조 테이블에 등록하는 동작을 더 포함할 수 있다.

Claims (20)

  1. 전자 장치에 있어서,
    UWB(ultra-wideband) 통신 회로, 및
    프로세서를 포함하고,
    상기 프로세서는,
    제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하고,
    상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하고,
    상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하고 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및
    상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하도록 설정된, 전자 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 전자 장치의 움직임이 임계값 이하인 것에 기반하여, 상기 UWB 통신 회로를 통하여 상기 제1 UWB 신호를 송신하도록 설정된, 전자 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 UWB 통신 회로를 통하여 로우 데이터(raw data)로서 상기 제2 UWB 신호의 거리 별 신호 강도를 획득하도록 설정된, 전자 장치.
  4. 제3 항에 있어서,
    상기 프로세서는,
    미리 정해진 거리를 기준으로 상기 제2 UWB 신호를 획득한 시간 동안의 상기 제2 UWB 신호의 상기 거리 별 신호 강도의 평균 값을 산출함으로써, 상기 제2 UWB 신호에 대한 전처리(pre-processing)를 수행하도록 설정된, 전자 장치.
  5. 제3 항에 있어서,
    상기 프로세서는,
    상기 제2 UWB 신호의 거리 별 신호 강도에 t-SNE(t-stochastic neighbor embedding) 알고리즘을 적용하여, 상기 제2 UWB 신호의 거리 별 신호 강도에 대응하는 군집을 판단하고, 및
    상기 군집에 대응하는 재질을 상기 제1 정보로서 결정하도록 설정된, 전자 장치.
  6. 제3 항에 있어서,
    상기 프로세서는,
    상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제1 피크(peak) 구간의 길이를 식별하고, 및
    상기 제1 피크 구간의 길이를 상기 제2 정보로서 결정하도록 설정된, 전자 장치.
  7. 제3 항에 있어서,
    상기 프로세서는,
    상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제2 피크(peak) 구간의 중간 값을 식별하고, 및
    상기 제2 피크 구간의 중간 값을 상기 제3 정보로서 결정하도록 설정된, 전자 장치.
  8. 제1 항에 있어서,
    상기 프로세서는,
    상기 딥러닝 모델에 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보를 적용하여, 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보에 대응하는 데이터가 속하는 군집을 판단하고, 및
    상기 군집에 대응하는 물체를 상기 제1 물체로서 결정하도록 설정된, 전자 장치.
  9. 제1 항에 있어서,
    상기 제1 물체에 대응하는 상기 기능을 정의하는 참조 테이블을 저장하는 메모리를 더 포함하고,
    상기 프로세서는,
    상기 참조 테이블을 이용하여, 상기 제1 물체에 대응하는 상기 전자 장치의 상기 기능을 실행하도록 설정된, 전자 장치.
  10. 제1 항에 있어서,
    상기 프로세서는,
    상기 제1 물체에 상기 전자 장치가 거치된 상태에서, (1)상기 기능이 상기 제1 물체에 대응하지 않고, (2)사용자에 의하여 상기 전자 장치 상에서 상기 기능이 실행된 누적 횟수가 정해진 횟수를 초과하는 것에 기반하여, 상기 제1 물체에 상기 기능을 대응시키고, 및
    상기 제1 물체와 상기 기능의 대응 관계를 상기 참조 테이블에 등록하도록 설정된, 전자 장치.
  11. UWB(ultra-wideband) 통신 회로를 포함하는 전자 장치의 동작 방법에 있어서,
    제1 UWB 신호를 송신하고, 상기 제1 UWB 신호의 적어도 일부가 반사되어 생성된 제2 UWB 신호를 수신하도록 상기 UWB 통신 회로를 제어하는 동작,
    상기 제2 UWB 신호에 기반하여, 상기 전자 장치가 거치된 물체의 재질에 관한 제1 정보, 상기 물체의 두께에 관한 제2 정보, 또는 상기 물체에 거치된 경우의 상기 전자 장치의 높이에 관한 제3 정보 중 적어도 하나를 식별하는 동작,
    상기 제1 정보, 상기 제2 정보, 또는 상기 제3 정보 중 적어도 하나를 복수 개의 물체들을 식별하기 위한 딥러닝 모델에 적용하여, 상기 복수 개의 물체들 중 제1 물체를 선택하는 동작 -상기 딥러닝 모델은 상기 복수 개의 물체들 각각의 재질에 관한 정보, 상기 복수 개의 물체들 각각의 두께에 관한 정보, 또는 상기 복수 개의 물체들 각각에 거치된 경우의 상기 전자 장치의 높이에 관한 정보 중 적어도 하나에 기반하여 생성됨-, 및
    상기 제1 물체에 대응하는 상기 전자 장치의 기능을 실행하는 동작을 포함하는, 전자 장치의 동작 방법.
  12. 제11 항에 있어서,
    상기 제1 UWB 신호를 송신하는 동작은,
    상기 전자 장치의 움직임이 임계값 이하인 것에 기반하여, 상기 UWB 통신 회로를 통하여 상기 제1 UWB 신호를 송신하는 동작을 포함하는, 전자 장치의 동작 방법.
  13. 제11 항에 있어서,
    상기 UWB 통신 회로를 통하여 로우 데이터(raw data)로서 상기 제2 UWB 신호의 거리 별 신호 강도를 획득하는 동작을 더 포함하는, 전자 장치의 동작 방법.
  14. 제13 항에 있어서,
    미리 정해진 거리를 기준으로 상기 제2 UWB 신호를 획득한 시간 동안의 상기 제2 UWB 신호의 상기 거리 별 신호 강도의 평균 값을 산출함으로써, 상기 제2 UWB 신호에 대한 전처리(pre-processing)를 수행하는 동작을 더 포함하는, 전자 장치의 동작 방법.
  15. 제13 항에 있어서,
    상기 제1 정보를 식별하는 동작은,
    상기 제2 UWB 신호의 거리 별 신호 강도에 t-SNE(t-stochastic neighbor embedding) 알고리즘을 적용하여, 상기 제2 UWB 신호의 거리 별 신호 강도에 대응하는 군집을 판단하는 동작, 및
    상기 군집에 대응하는 재질을 상기 제1 정보로서 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  16. 제13 항에 있어서,
    상기 제2 정보를 식별하는 동작은,
    상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제1 피크(peak) 구간의 길이를 식별하는 동작, 및
    상기 제1 피크 구간의 길이를 상기 제2 정보로서 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  17. 제13 항에 있어서,
    상기 제3 정보를 식별하는 동작은,
    상기 제2 UWB 신호의 거리 별 신호 강도 중에서 제2 피크(peak) 구간의 중간 값을 식별하는 동작, 및
    상기 제2 피크 구간의 중간 값을 상기 제3 정보로서 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  18. 제11 항에 있어서,
    상기 제1 물체를 선택하는 동작은,
    상기 딥러닝 모델에 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보를 적용하여, 상기 제1 정보, 상기 제2 정보, 및 상기 제3 정보에 대응하는 데이터가 속하는 군집을 판단하는 동작, 및
    상기 군집에 대응하는 물체를 상기 제1 물체로서 결정하는 동작을 포함하는, 전자 장치의 동작 방법.
  19. 제11 항에 있어서,
    상기 전자 장치의 상기 기능을 실행하는 동작은,
    상기 제1 물체에 대응하는 상기 기능을 정의하는 참조 테이블을 이용하여, 상기 제1 물체에 대응하는 상기 전자 장치의 상기 기능을 실행하는 동작을 포함하는, 전자 장치의 동작 방법.
  20. 제11 항에 있어서,
    상기 제1 물체에 상기 전자 장치가 거치된 상태에서, (1)상기 기능이 상기 제1 물체에 대응하지 않고, (2)사용자에 의하여 상기 전자 장치 상에서 상기 기능이 실행된 누적 횟수가 정해진 횟수를 초과하는 것에 기반하여, 상기 제1 물체에 상기 기능을 대응시키는 동작, 및
    상기 제1 물체와 상기 기능의 대응 관계를 상기 참조 테이블에 등록하는 동작을 더 포함하는, 전자 장치의 동작 방법.
KR1020210122535A 2021-09-14 2021-09-14 Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법 KR20230039342A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210122535A KR20230039342A (ko) 2021-09-14 2021-09-14 Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210122535A KR20230039342A (ko) 2021-09-14 2021-09-14 Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법

Publications (1)

Publication Number Publication Date
KR20230039342A true KR20230039342A (ko) 2023-03-21

Family

ID=85801191

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210122535A KR20230039342A (ko) 2021-09-14 2021-09-14 Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법

Country Status (1)

Country Link
KR (1) KR20230039342A (ko)

Similar Documents

Publication Publication Date Title
US20220309352A1 (en) Method for training artificial neural network and electronic device for supporting the same
KR20230039342A (ko) Uwb 신호를 이용하여 물체를 식별하고, 식별된 물체에 대응하는 기능을 실행하는 전자 장치 및 그 작동 방법
KR20230047870A (ko) 무선 통신을 이용한 측위 방법 및 이를 지원하는 전자 장치
KR20220043534A (ko) 컨텐츠 추천 서비스를 제공하는 전자 장치 및 그 방법
KR20220120154A (ko) 복수의 어플리케이션들에 공유되는 기계 학습 모델을 이용한 장치 및 방법
US20240005928A1 (en) Electronic device and method by which electronic device stores tag information of content
US20230224053A1 (en) Method of determining device location and electronic device performing the method
US20220343106A1 (en) Electronic device for processing data based on artificial intelligence model and method for operating the same
US20230003866A1 (en) Electronic device and method using uwb signal
KR20230075956A (ko) 위치에 기반한 사용자 액션 추천 방법 및 전자 장치
US20230164515A1 (en) Electronic device and method for recommending user action based on location
KR20230060426A (ko) 위치 측위를 수행하는 전자 장치 및 이의 동작 방법
US20230362256A1 (en) Electronic device and iot control information sharing method
KR20220144119A (ko) 전자 기기 제어를 위한 전자 장치 및 방법
US20230113030A1 (en) Method for performing wireless communication and electronic device supporting the same
US20220086578A1 (en) Electronic device for outputting sound and method for operating the same
US20240022120A1 (en) Method of providing wireless charging guide and electronic device performing same
KR20230055269A (ko) 광학 문자 인식을 수행하는 전자 장치, 방법, 및 컴퓨터 판독가능 저장 매체
KR20230068936A (ko) 디바이스 위치 결정 방법 및 상기 방법을 수행하는 전자 장치
KR20240074614A (ko) 연결의 우선순위를 식별하는 전자 장치, 방법, 및 비일시적 컴퓨터 판독가능 저장 매체
KR20230116629A (ko) 물체의 식별 방법 및 이를 지원하는 전자 장치
KR20230173554A (ko) 전자 장치의 외기 온도 예측 방법 및 장치
KR20220147398A (ko) 인공 지능 모델에 기반하여 데이터를 처리하는 전자 장치 및 그 동작 방법
KR20230091740A (ko) 기지국이 전송하는 신호의 빔 포밍 패턴을 결정하는 장치 및 방법
KR20230114659A (ko) 무선 충전 가이드 제공 방법 및 이를 수행하는 전자 장치