KR20230078334A - 로봇 - Google Patents

Abstract

로봇은 내부에 수납 공간이 형성된 수납 바디를 포함하는 바디; 수납 공간을 여닫는 도어; 바디를 주행방향으로 주행시키는 구동 모듈 및 바디에 설치되어 상기 도어를 록킹시키는 록킹 모듈을 포함하고, 록킹 모듈은 수납 바디에 장착되고 내부에 모듈 공간이 형성된 하우징; 모듈 공간에 수용된 슬라이더; 하우징과 슬라이더 사이에서 슬라이더를 탄지하는 스프링; 및 슬라이더와 체결되고, 하우징에 주행방향으로 진퇴되게 배치되어 도어가 록킹되거나 언록킹되는 래치를 포함하고, 록킹 모듈은 주행방향에 직교한 방향의 길이가 주행방향의 길이보다 길다.

Description

로봇{Robot}

본 발명은 로봇에 관한 것이다.

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는　기계로서, 로봇의 응용분야는 대체로, 산업용, 의료용, 우주용, 해저용 등으로 분류될 수 있고, 다양한 분야에서 사용될 수 있다.

로봇 중 배송로봇은 내부에 수납 공간이 형성된 수납 바디와, 수납 공간을 개폐하는 도어를 포함할 수 있고, 사용자는 도어를 상측 방향으로 회전시켜 수납 공간을 개방할 수 있고, 수납 공간에 물품을 넣거나 수납 공간에 수납된 물품을 꺼낼 수 있다.

로봇은 도어를 록킹할 수 있는 록킹 모듈을 포함할 수 있고, 록킹 모듈은 로봇의 바디 중 도어의 회전 중심 반대편에 설치될 수 있다.

본 실시예는 도어의 회전 중심 반대편 공간이 협소한 경우에도 록킹 모듈이 장작될 수 있는 로봇을 제공하는데 그 목적이 있다.

본 실시 예에 따른 로봇은 내부에 수납 공간이 형성된 수납 바디를 포함하는 바디; 수납 공간을 여닫는 도어; 바디를 주행방향으로 주행시키는 구동 모듈 및 바디에 설치되어 도어를 록킹시키는 록킹 모듈을 포함하고, 록킹 모듈은 수납 바디에 장착되고 내부에 모듈 공간이 형성된 하우징; 모듈 공간에 수용된 슬라이더; 하우징과 슬라이더 사이에서 슬라이더를 탄지하는 스프링; 및 슬라이더와 체결되고, 하우징에 주행방향으로 진퇴되게 배치되어 도어가 록킹되거나 언록킹되는 래치를 포함하고, 록킹 모듈은 주행방향에 직교한 방향의 길이가 주행방향의 길이보다 길다.

도어의 회전 중심은 도어의 선단과 후단 중 후단에 더 근접할 수 있고, 록킹 모듈은 수납 바디의 전방부에 설치될 수 있다.

수납 바디는 로어 바디와, 로어 바디의 상측에 배치되고 일측에 함몰부가 형성된 어퍼 바디를 포함할 수 있다. 록킹 모듈은 함몰부의 전방에 배치될 수 있다.

하우징은 바디에 장착된 브래킷; 브래킷과 결합되고 솔레노이드를 커버하는 커버; 및 브래킷과 결합되고 래치가 통과하는 래치 홀이 형성된 슬라이드 패드를 포함할 수 있다.

록킹 모듈은 브래킷과 커버의 사이에 배치되고 슬라이더와 연결된 솔레노이드를 더 포함할 수 있다. 슬라이더는 솔레노이드 상측에 위치할 수 있다.

슬라이드 패드는 커버의 상부에 배치될 수 있다.

록킹 모듈은 스프링을 지지하는 지지 핀을 더 포함할 수 있다.

래치는 수납 공간을 향해 진퇴될 수 있다.

도어는 바디에 회전 가능하게 연결된 도어 바디와, 도어 바디의 저면에 돌출되게 배치되고 래치에 상하 방향으로 걸리는 걸림부재를 더 포함할 수 있다.

래치의 후단에는 걸림부재가 미끄러지는 구배부가 형성되고, 구배부는 후방 상측을 향할 수 있다.

본 실시 예에 따르면, 록킹 모듈의 두께가 주행 방향으로 최소화될 수 있고, 록킹 모듈이 협소한 공간에도 설치될 수 있다.

또한, 수납 바디가 함몰부가 형성된 어퍼 바디를 포함하고, 록킹 모듈이 함몰부의 전방에 배치되어, 수납 공간 내에 위치하지 않기 때문에, 수납 공간이 최대화될 수 있다.

또한, 걸림부재가 함몰부에 수용되므로, 수납 공간이 최대화될 수 있다.

또한, 솔레노이드와 연결된 슬라이더가 솔레노이드 상측에 위치하므로, 록킹 모듈의 두께를 최소화할 수 있다.

또한, 래치 홀이 형성된 슬라이드 패드가 래치의 마모를 최소화할 수 있고, 록킹 모듈의 수명이 최대화될 수 있다.

또한, 래치의 후단에 형성된 구배부에 의해 걸림부재가 미끄러지면서 부드럽게 진입할 수 있다.

도 1은 본 실시 예에 따른 로봇을 포함하는 AI 장치를 나타낸다.
도 2는 본 실시 예에 따른 로봇과 연결되는 AI 서버를 나타낸다.
도 3은 본 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 실시 예에 따른 로봇의 도시된 사시도이다.
도 5는 본 실시 예에 따른 수납 바디의 배면이 도시된 사시도이다.
도 6는 본 실시예에 따른 수납 바디의 전면이 도시된 사시도이다.
도 7은 본 실시예에 따른 도어가 록킹 모듈에 록킹 되었을 때의 단면도이다.
도 8은 본 실시예에 따른 도어가 록킹 모듈에 록킹 해제되었을 때의 단면도이다.
도 9은 본 실시예에 따른 록킹 모듈의 사시도이다.
도 10은 본 실시예에 따른 록킹 모듈의 분해 사시도이다.

이하에서는 본 발명의 구체적인 실시 예를 도면과 함께 상세히 설명하도록 한다.

이하에서, 일 요소가 타 요소에 "체결" 또는 "연결"된다고 기재된 것은, 두 요소가 직접 체결되거나 연결된 것을 의미하거나, 두 요소 사이에 제3의 요소가 존재하고 상기 제3의 요소에 의해 두 요소가 서로 연결되거나 체결된 것을 의미할 수 있다. 반면, 일 요소가 타 요소에 "직접 체결" 또는 "직접 연결"된다고 기재한 것은, 두 요소 사이에 제3의 요소가 존재하지 않는다고 이해될 수 있을 것이다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

도 1은 본 실시 예에 따른 로봇을 포함하는 AI 장치를 나타낸다.

AI 장치(10)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, AI장치(10)는 통신 인터페이스(11), 입력 인터페이스(12), 러닝 프로세서(13), 센서(14), 출력 인터페이스(15), 메모리(17) 및 프로세서(18) 등을 포함할 수 있다.

통신 인터페이스(11)는 유무선 통신 기술을 이용하여 다른 AI 장치(10a 내지 10e)나 AI 서버(20) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신 인터페이스(11)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신 인터페이스(11)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력 인터페이스(12)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력 인터페이스(12)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력 인터페이스 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력 인터페이스(12)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력 인터페이스(12)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(18) 또는 러닝 프로세서(13)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(13)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(13)는 AI 서버(20)의 러닝 프로세서(24)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(13)는 AI 장치(10)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(13)는 메모리(17), AI 장치(10)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센서(14)는 다양한 센서들을 이용하여 AI 장치(10) 내부 정보, AI 장치(10)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센서(14)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력 인터페이스(15)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력 인터페이스(15)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(17)는 AI 장치(10)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(17)는 입력 인터페이스(12)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(18)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(10)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(18)는 AI 장치(10)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(18)는 러닝 프로세서(13) 또는 메모리(17)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(10)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(18)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(18)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(18)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(13)에 의해 학습된 것이나, AI 서버(20)의 러닝 프로세서(24)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(18)는 AI 장치(10)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(17) 또는 러닝 프로세서(13)에 저장하거나, AI 서버(20) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(18)는 메모리(17)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(10)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(18)는 상기 응용 프로그램의 구동을 위하여, AI 장치(10)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 실시 예에 따른 로봇과 연결되는 AI 서버를 나타낸다.

도 2를 참조하면, AI 서버(20)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(20)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(20)는 AI 장치(10)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(20)는 통신 인터페이스(21), 메모리(23), 러닝 프로세서(24) 및 프로세서(26) 등을 포함할 수 있다.

통신 인터페이스(21)는 AI 장치(10) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(23)는 모델 스토리지(23a)를 포함할 수 있다. 모델 스토리지(23a)는 러닝 프로세서(24)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 23b)을 저장할 수 있다.

러닝 프로세서(24)는 학습 데이터를 이용하여 인공 신경망(23b)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(20)에 탑재된 상태에서 이용되거나, AI 장치(10) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(23)에 저장될 수 있다.

프로세서(26)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 실시 예에 따른 AI 시스템을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(20), 로봇(10a), 자율 주행 차량(10b), XR 장치(10c), 스마트폰(10d) 또는 가전(10e) 중에서 적어도 하나 이상이 클라우드 네트워크(2)와 연결된다. 여기서, AI 기술이 적용된 로봇(10a), 자율 주행 차량(10b), XR 장치(10c), 스마트폰(10d) 또는 가전(10e) 등을 AI 장치(10a 내지 10e)라 칭할 수 있다.

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

즉, AI 시스템(1)을 구성하는 각 장치들(10a 내지 10e, 20)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(10a 내지 10e, 20)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(20)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(20)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(10a), 자율 주행 차량(10b), XR 장치(10c), 스마트폰(10d) 또는 가전(10e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(10a 내지 10e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(20)는 AI 장치(10a 내지 10e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(10a 내지 10e)에 전송할 수 있다.

이때, AI 서버(20)는 AI 장치(10a 내지 10e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(10a 내지 10e)로 전송할 수 있다.

또는, AI 장치(10a 내지 10e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(10a 내지 10e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(10a 내지 10e)는 도 1에 도시된 AI 장치(10)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(10a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(10a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(10a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(10a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(10a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(10a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(10a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(10a)에서 직접 학습되거나, AI 서버(20) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(10a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(20) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(10a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(10a)을 주행시킬 수 있다.

맵 데이터에는 로봇(10a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(10a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(10a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+로봇+자율주행>

로봇(10a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(10a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(10b)과 상호작용하는 로봇(10a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(10a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(10a) 및 자율 주행 차량(10b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(10a) 및 자율 주행 차량(10b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(10b)과 상호작용하는 로봇(10a)은 자율 주행 차량(10b)과 별개로 존재하면서, 자율 주행 차량(10b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(10b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(10b)과 상호작용하는 로봇(10a)은 자율 주행 차량(10b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(10b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(10b)에 제공함으로써, 자율 주행 차량(10b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(10b)과 상호작용하는 로봇(10a)은 자율 주행 차량(10b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(10b)의 기능을 제어할 수 있다. 예컨대, 로봇(10a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(10b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(10b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(10a)이 제어하는 자율 주행 차량(10b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(10b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(10b)과 상호작용하는 로봇(10a)은 자율 주행 차량(10b)의 외부에서 자율 주행 차량(10b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(10a)은 스마트 신호등과 같이 자율 주행 차량(10b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(10b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

도 4는 본 실시 예에 따른 로봇의 도시된 사시도이고, 도 5는 본 실시 예에 따른 수납 바디의 배면이 도시된 사시도이며, 도 6는 본 실시예에 따른 수납 바디의 전면이 도시된 사시도이다.

로봇(10a)은 바디(30)와, 바디(30)에 장착된 구동 모듈(32)를 포함할 수 있다.

구동 모듈(32)은 바디(30)을 전후 방향(Y, 주행 방향)으로 주행시킬 수 있는 것으로, 바디(30)의 하부에 제공될 수 있다. 주행방향(Y)은 로봇(10a)의 전진 주행하는 전방 방향과, 로봇(10b)의 후진 주행하는 후방 방향으로 포함할 수 있다. 구동 모듈(32)는 적어도 하나의 휠(33)과, 휠(33)을 회전시킬 수 있는 모터(34)를 포함할 수 잇다.

로봇(10a)의 예는 음식물이나 포장용품 등의 다양한 물품을 운반할 수 있는 배송로봇일 수 있다.

바디(30)는 물품이 수용되는 수납 공간(S)이 형성된 수납 바디(40)를 포함할 수 있다.

수납 바디(40)의 상면은 개방될 수 있고, 수납 공간(S)은 수납 바디(40)의 내부에 형성될 수 있다. 사용자는 수납 바디(40)의 개방된 상면을 통해 물품을 수납 공간(S)으로 투입할 수 있고, 수납 공간(S)에 수용된 물품을 꺼낼 수 있다.

수납 바디(40)는 로어 바디(41)와, 어퍼 바디(42)를 포함할 수 있다.

로어 바디(41)의 크기는 어퍼 바디(42)의 크기 보다 클 수 있고, 로어 바디(41)는 메인 수납 박스일 수 있다.

어퍼 바디(42)는 로어 바디(41)의 상측에 배치될 수 있다. 어퍼 바디(42)의 일측에는 주변보다 높이가 낮은 함몰부(43)가 형성될 수 있다. 함몰부(43)는 어퍼 바디(42)의 전방부와 후방부 중 전방부에 형성될 수 있다.

바디(30)는 아우터 커버(44, 도 4 참조)를 더 포함할 수 있다.

아우터 커버(44)는 수납 바디(40)의 외측에 배치될 수 있고, 수납 바디(40)를 보호할 수 있다. 아우터 커버(44)는 수납 바디(40)의 외둘레를 둘러싸게 배치될 수 있다.

바디(30)에는 수납 공간(S)을 개폐하는 도어(50)가 배치될 수 있다. 도어(50)는 바디(30)에 회전 가능하게 연결될 수 있고, 수납 공간(S)의 상측에서 회전식으로 수납 공간(S)을 개폐할 수 있다.

도어(50)는 주행방향(Y)으로 선단(51)과 후단(52)을 포함할 수 있다. 도어(50)는 바디(30)의 상부에 회전 가능하게 지지될 수 있다. 바디(30)의 상부에 형성된 힌지 지지부(44)에 힌지 연결될 수 있다.

도어(50)의 회전 중심은 도어(50)의 선단(51)과 후단(52) 중 후단(52)에 더 근접할 수 있다.

바디(30)에는 도어(50)를 록킹하는 록킹 모듈(58)이 설치될 수 있다.

록킹 모듈(58)은 수납 바디(40)의 전방부에 설치될 수 있다. 록킹 모듈(58)은 바디(30)에 상부에 설치될 수 있다. 록킹 모듈(58)은 수납 바디(40)의 외면이 위치되게 수납 바디(40)에 설치될 수 있다. 수납 바디(40)의 전판부(45)와 후판부(46) 중 전판부(45)에 설치될 수 있다.

록킹 모듈(58)는 함몰부(43)의 전방에 배치될 수 있고, 수납공간(S)은 최대화될 수 있다.

도 7은 본 실시예에 따른 도어가 록킹 모듈에 록킹 되었을 때의 단면도이고,도 8은 본 실시예에 따른 도어가 록킹 모듈에 록킹 해제되었을 때의 단면도이며, 도 9은 본 실시예에 따른 록킹 모듈의 사시도이고, 도 10은 본 실시예에 따른 록킹 모듈의 분해 사시도이다.

도어(50)는 도 7 및 도 8에 도시된 바와 같이, 도어 바디(54)와, 걸림부재(56)를 포함할 수 있다.

도어 바디(54)는 바디(30)에 회전 가능하게 연결될 수 있다. 도어 바디(54)는 판 형상으로 형성될 수 있다. 도어(50)의 선단(51)과 후단(52)은 도어 바디(54)에 형성될 수 있다.

도어 바디(54)의 면적은 수납 공간(S)의 면적 보다 클 수 있다. 도어 바디(54)는 대략 수평하게 위치되었을 때, 어퍼 바디(42)에 안착될 수 있다.

도어 바디(54)는 수납 바디(40)의 상측에서 수납 바디(40)를 덮을 수 있다.

걸림부재(56)는 도어 바디(54)의 저면에 돌출되게 배치될 수 있다. 걸림부재(56)는 상단이 도어 바디(54)에 고정될 수 있다. 걸림부재(56)는 대략 U자 형상으로 형성될 수 있다.

걸림부재(56)는 록킹 모듈(58)의 래치(90)에 상하 방향(Z)으로 구속될 수 있다.

걸림부재(56)는 한 쌍의 연장부(56a)와, 한 쌍의 연장부(56a)에 하측을 잇는 연결부(56b)를 포함할 수 있다.

한 쌍의 연장부(56a)는 좌우 방향(X)으로 이격될 수 있다. 한 쌍의 연장부(56a) 사이에는 래치(90)가 삽입될 수 있는 틈이 형성될 수 있다.

연결부(56b)는 한 쌍의 연장부(56a) 하부에 수평하게 형성될 수 있다.

도어(50)를 닫았을 때, 걸림부재(56)는 수납 공간(S)으로 삽입될 수 있고, 도어 바디(54)에 의해 가려질 수 있다.

도어(50)를 닫았을 때, 연결부(56b)는 함몰부(43)로 삽입되어 함몰부(43)에 수용될 수 있다.

연결부(56b)가 함몰부(43)로 삽입된 상태에서, 래치(90)가 도 7에 도시된 바와 같이, 후방방향(R)으로 후퇴되면, 걸림부재(56)는 상측 방향으로 래치(90)에 걸릴 수 있고, 도어(50)는 래치(90)에 걸려 록킹될 수 있다.

연결부(56b)가 함몰부(43)로 삽입된 상태에서, 래치(90)는 도 8에 도시된 바와 같이, 전진될 수 있고, 래치(90)가 전진되면, 걸림부재(56)는 상측 방향으로 래치(90)에 걸리지 않고, 도어(50)는 래치(90)에 언록킹되어 상측 방향으로 회전될 수 있다.

록킹 모듈(58)은 주행방향(Y)에 직교한 방향의 길이(L1)가 주행방향(Y)의 길이(L2)보다 길 수 있다. 주행방향(Y)에 직교한 방향은 수평한 방향일 수 있고, 좌우 방향(X)일 수 있다.

주행방향(Y)의 길이(L1)는 래치(90)가 후방 방향(R)으로 최대 이동하였을 때, 록킹 모듈(50)의 전면부터 래치(90)의 후단까지의 거리로 정의될 수 있다.

주행방향(Y)과 직교한 방향(X)의 길이(L2)는 좌우 방향(X)의 길이일 수 있다.

록킹 모듈(58)은 좌우 방향(X)으로 길게 형성될 수 있고, 전후 방향(Y)의 길이(즉, 두께)가 상대적으로 짧게 형성될 수 있다.

록킹 모듈(58)는 좌우 방향(X)의 길이(L1)가 전후 방향(Y)의 길이(L2, 두께) 보다 길게 형성될 수 있다.

록킹 모듈(58)은 좌우 방향(X)으로 길이를 갖고, 상하 방향(Z)으로 높이를 갖으며, 전후 방향으로(Y)으로 두께를 갖는 것으로 정의될 수 있고, 록킹 모듈(58)의 길이의 값이 록킹 모듈(58)의 두께의 값 보다 클 수 있다.

록킹 모듈(58)은 수납 바디(40)와 아우터 커버(44)의 사이에 수용될 수 있는데, 수납 바디(40, 도 4 참조)의 전방부와 아우터 커버(44, 도 4 참조)의 전판부 사이의 공간이 협소한 경우에도 컴팩트하게 설치될 수 있고, 수납 공간(S)을 방해하지 않을 수 있다.

이하, 록킹 모듈(58)의 구성에 대해 설명한다.

록킹 모듈(58)은 하우징(60), 슬라이더(70), 스프링(80), 래치(90) 및 솔레노이드(100)를 포함할 수 있다.

하우징(60)은 수납 바디(40)에 장착되고 내부에 모듈 공간(61)이 형성될 수 있다. 하우징(60)은 록킹 모듈(58)의 외관을 형성할 수 있다.

하우징(60)은 복수개 부재의 결합체일 수 있다. 하우징(60)은 바디(30)에 장착된 브래킷(62)과, 브래킷(62)과 결합된 커버(64)과, 브래킷(62)과 결합된 슬라이드 패드(66)를 포함할 수 있다.

브래킷(62)는 록킹 모듈(58)의 전면 외관을 형성할 수 있다.

커버(64)는 브래킷(62)와 함께 록킹 모듈(58)의 내부 부품을 고정하는 구조물일 수 있다. 커버(64)는 솔레노이드(100)를 커버할 수 있다. 커버(64)는 브래킷(62)의 후방에 위치할 수 있고, 록킹 모듈(58)의 배면의 외관을 형성할 수 있다. 커버(64)는 브래킷(62)에 스크류 등의 체결부재로 체결될 수 있다. 커버(64)는 솔레노이드(100)를 보호할 수 있는 리어 리드일 수 있다.

슬라이드 패드(66)는 커버(64)의 상부에 배치될 수 있다. 슬라이드 패드(66)에는 래치(90)가 통과하는 래치 홀(67)이 형성될 수 있다.

슬라이드 패드(66)는 슬라이더(70) 및 래치(90)가 부드럽게 이동될 수 있도록 표면 윤활기능을 할 수 있다.

슬라이드 패드(66)는 래치(90)가 안착되는 래치 안착바디(66')를 포함할 수 있다. 래치 안착바디(66')는 대략 수평하게 형성될 수 있다. 래치 안착바디(66')는 솔레노이드(100)의 상측에 위치될 수 있다. 래지 안착바디(66')는 모듈 공간(61)을 래치(90)가 슬라이드되는 슬라이드 공간과, 솔레노이드(100)가 수용되는 솔레노이드 공간으로 구획할 수 있다.

슬라이드 패드(66)는 체결부(68)를 포함할 수 있다. 체결부(68)는 래치 홀(67)과 이격되게 형성될 수 있다. 슬라이드 패드(66)는 브래킷(62) 및 커버(66)에 체결될 수 있다. 체결부(68)는 브래킷(62)과 커버(64)의 사이에 위치될 수 있고, 스크류 등의 체결부재(69)로 브래킷(62)에 체결될 수 있다. 스크류 등의 체결부재(69)는 커버(64)와 슬라이드 패드(66)를 함께 브래킷(62)에 체결할 수 있다. 체결부재(69)는 커버(64)와 체결부(68)를 차례로 관통한 후, 브래키(62)에 체결될 수 있다. 슬라이드 패드(66)와 커버(64)는 동일한 체결부재(69)에 의해 브래킷(62)에 함께 체결될 수 있다.

하우징(60)에는 비상시 전원 공급이 되지 않더라도 록킹 모듈(58)을 언로킹 상태로 전환할 수 있는 홀이 형성될 수 있고, 슬라이더(70)나 솔레노이드(100)는 홀을 통해 수동으로 조작될 수 있고, 록킹 모듈(58)는 수동으로 조작될 수 있다.

슬라이더(70)는 모듈 공간(61)에 수용될 수 있다. 슬라이더(70)는 래치(90)에 고정되어 래치(90)가 1 자유도로 움직일 수 있도록 유도할 수 있다. 슬라이더(70)는 좌우 방향(X)으로 길게 형성될 수 있다. 슬라이더(70)의 좌우 방향(X) 길이는 슬라이더(70)의 전후 방향(Y) 길이 보다 길 수 있다.

슬라이더(70)는 래치(90)와 체결되는 체결 플레이트(72)를 포함할 수 있다. 체결 플레이트(72)는 스프링(80)와 래치(90)의 사이에 위치될 수 있다. 체결 플레이트(72)는 래치(90)에 외력이 가해지지 않으면, 스프링(80)에 밀려 래치(90)를 후방 방향(R)으로 후퇴시킬 수 있다. 체결 플레이트(72)은 래치(90)에 외력이 가해지면, 스프링(80)를 압축할 수 있고, 래치(90)에 의해 전방 방향(F)으로 전진될 수 있다.

슬라이더(70)는 솔레노이드(100)에 의해 동작되는 록킹 플레이트(74)를 포함할 수 있다. 록킹 플레이트(74)에 체결 플레이트(72)와 직교하게 형성될 수 있다.

록킹 플레이트(74)에는 전후 방향(Y)에 대해 45°각도로 기울이진 가이드 홀(78)이 형성될 수 있다. 슬라이더(70)는 가이드 홀(78)을 통해 솔레노이드(100)와 연결될 수 있다.

슬라이더(70)는 솔레노이드(100)에 구비된 록킹축(104)의 운동 방향과 직교한 방향으로 슬라이드 될 수 있다.

슬라이더(70)는 솔레노이드(100)의 상측에 위치될 수 있다. 슬라이더(70)는 솔레노이드(100) 상측에서 진퇴될 수 있다.

스프링(80)은 하우징(60)과 슬라이더(70) 사이에서 슬라이더(70)를 탄지할 수 있다. 스프링(80)은 슬라이더(70)와 연결된 솔레노이드(100)의 전원 비인가 상태를 유도할 수 있는 복원 장치이다. 스프링(80)은 압축 스프링 혹은 그와 유사한 효과를 나타낼 수 있는 구조물로서, 일 예로 코일 스프링일 수 있다.

록킹 모듈(80)은 스프링(80)을 지지하는 지지 핀(82)을 더 포함할 수 있다. 지지 핀(82)는 하우징(60)과 슬라이더(70) 사이에 위치될 수 있고, 전후 방향(Y)으로 길게 배치될 수 있다. 지지 핀(82)에는 스프링(80)이 안착되는 스프링 안착부가 형성될 수 있다.

래치(90)는 슬라이더(70)와 체결되고, 하우징(60)에 주행방향(Y)으로 진퇴되게 배치될 수 있다. 래치(90)는 도어(50)가 록킹되거나 도어(50)가 언록킹(즉, 록킹 해제)되는 부재일 수 있다.

래치(90)는 수납 공간(S)을 향해 진퇴될 수 있다.

래치(90)의 후단에는 후방 상측(RZ)을 향하는 구배부(92)가 형성될 수 있다. 구배부(92)는 경사로가 형성될 수 있고, 걸림부재(56)는 구배부(92)를 따라 미끌어질 수 있다.

솔레노이드(100)는 스크류 등의 체결부재에 의해 브래킷(62)에 체결될 수 있다.

솔레노이드(100)는 록킹 모듈(58)의 구동기로서, 전원이 인가되지 않은 경우 스프링에 의해 핀(102)이 외부로 돌출된 상태를 유지할 수 있고, 전원이 인가될 경우, 스프링의 반발력에 의해 핀(102)이 안으로 삽입될 수 있다. 솔레노이드(100)는 온/오프만 가능할 수 있다. 핀(102)에는 가동축(104)이 연결될 수 있다. 가동축(104)는 가이드 홀(78)에 삽입될 수 있다.

솔레노이드(100)는 슬라이더(70)를 주행방향(Y)으로 진퇴시킬 수 있다.

솔레노이드(100)는 외부전원을 통해 신호가 인가될 경우, 스프링(80)에 의해 밖으로 튀어나온 래치(90)를 모듈 공간(61)로 유도할 수 있고, 도어(50)를 록킹하고 있던 래치(90)를 풀어줄 수 있다.

솔레노이드(100)는 브래킷(62)과 커버(64)의 사이에 배치될 수 있다.

도 7 및 도 8을 참조하여, 록킹 모듈(58)의 록킹과 언록킹에 따른 도어(50)의 상태를 설명하면 다음과 같다.

록킹 모듈(58)이 록킹 상태(Locked)인 경우에 대해 설명한다.

록킹 상태(Locked)는 록킹 모듈(58) 특히 솔레노이드(100)에 외부 전원이 공급되지 않을 상태이고 이러한 상태가 유지되는 기본 상태일 수 있다.

록킹 모듈(58)의 래치(90)는 스프링(80)의 힘에 의해 래치 홀(67)의 외측으로 튀어나오며, 튀어나온 래치(90)는 도어(50)의 걸림부재(56)에 끼워져 도어(50)가 움직이지 않도록(잠기도록) 한다. 래치(90)의 구배부(92)는 열려 있던 도어(50)의 걸림부재(56)가 미끄러질 수 있도록 한다. 이 상태에서는 도어(50)를 닫은 것이 허용되며, 한 번 닫힌 도어(50)는 록킹 상태가 변하지 않는 한, 열리지 않는다.

록킹 모듈(58)이 언록킹 상태(Unlocked)인 경우에 대해 설명한다.

언록킹 상태(Unlocked)는 록킹 모듈(58) 특히 솔레노이드(100)에 외부 전원이 공급된 상태이고 이러한 상태가 유지 가능한 상태이다. 스프링(80)에 의해 밖으로 튀어나온 래치(90)를 모듈 공간(61)로 유도하여, 도어(50)를 록킹하고 있던 래치(90)를 풀어줄 수 있고, 이 상태에서는 도어(50)가 자유롭게 여닫힐 수 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.

본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

30: 바디 32: 구동 모듈
40: 수납 바디 50: 도어
58: 록킹 모듈 60: 하우징
61: 모듈 공간 70: 슬라이더
80: 스프링 90: 래치
100: 솔레노이드 S: 수납 공간
Y: 주행방향

Claims (10)

1. 내부에 수납 공간이 형성된 수납 바디를 포함하는 바디;
   상기 수납 공간을 여닫는 도어;
   상기 바디를 주행방향으로 주행시키는 구동 모듈 및
   상기 바디에 설치되어 상기 도어를 록킹시키는 록킹 모듈을 포함하고,
   상기 록킹 모듈은
   상기 수납 바디에 장착되고 내부에 모듈 공간이 형성된 하우징;
   상기 모듈 공간에 수용된 슬라이더;
   상기 하우징과 상기 슬라이더 사이에서 상기 슬라이더를 탄지하는 스프링; 및
   상기 슬라이더와 체결되고, 상기 하우징에 상기 주행방향으로 진퇴되게 배치되어 상기 도어가 록킹되거나 언록킹되는 래치를 포함하고,
   상기 록킹 모듈은 상기 주행방향에 직교한 방향의 길이가 상기 주행방향의 길이보다 긴 로봇.
2. 제 1 항에 있어서,
   상기 도어의 회전 중심은 도어의 선단과 후단 중 후단에 더 근접하고,
   상기 록킹 모듈은 상기 수납 바디의 전방부에 설치된 로봇.
3. 제 2 항에 있어서,
   상기 수납 바디는
   로어 바디와,
   상기 로어 바디의 상측에 배치되고 일측에 함몰부가 형성된 어퍼 바디를 포함하고,
   상기 록킹 모듈은 상기 함몰부의 전방에 배치된 로봇.
4. 제 1 항에 있어서,
   상기 하우징은
   상기 바디에 장착된 브래킷;
   상기 브래킷과 결합되고 상기 솔레노이드를 커버하는 커버; 및
   상기 브래킷과 결합되고 상기 래치가 통과하는 래치 홀이 형성된 슬라이드 패드를 포함하는 로봇.
5. 제 4 항에 있어서,
   상기 브래킷과 상기 커버의 사이에 배치되고 상기 슬라이더와 연결된 솔레노이드를 더 포함하고,
   상기 슬라이더는 상기 솔레노이드 상측에 위치하는 로봇.
6. 제 4 항에 있어서,
   상기 슬라이드 패드는 상기 커버의 상부에 배치된 로봇.
7. 제 1 항에 있어서,
   상기 록킹 모듈은 상기 스프링을 지지하는 지지 핀을 더 포함하는 로봇.
8. 제 1 항에 있어서,
   상기 래치는 상기 수납 공간을 향해 진퇴되는 로봇.
9. 제 1 항에 있어서,
   상기 도어는
   상기 바디에 회전 가능하게 연결된 도어 바디와,
   상기 도어 바디의 저면에 돌출되게 배치되고 상기 래치에 상하 방향으로 걸리는 걸림부재를 더 포함하는 로봇.
10. 제 9 항에 있어서,
    상기 래치의 후단에는 상기 걸림부재가 미끄러지는 구배부가 형성되고, 상기 구배부는 후방 상측을 향하는 로봇.
    

Images