KR20240025811A - 인공 지능 장치 및 그의 음원 위치 추정 방법 - Google Patents

인공 지능 장치 및 그의 음원 위치 추정 방법 Download PDF

Info

Publication number
KR20240025811A
KR20240025811A KR1020220103907A KR20220103907A KR20240025811A KR 20240025811 A KR20240025811 A KR 20240025811A KR 1020220103907 A KR1020220103907 A KR 1020220103907A KR 20220103907 A KR20220103907 A KR 20220103907A KR 20240025811 A KR20240025811 A KR 20240025811A
Authority
KR
South Korea
Prior art keywords
sound source
artificial intelligence
information
data
source location
Prior art date
Application number
KR1020220103907A
Other languages
English (en)
Inventor
최현식
조성문
오상준
서재필
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
Priority to KR1020220103907A priority Critical patent/KR20240025811A/ko
Priority to PCT/KR2022/018269 priority patent/WO2024038963A1/en
Priority to US18/062,483 priority patent/US20240061907A1/en
Publication of KR20240025811A publication Critical patent/KR20240025811A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/80—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using ultrasonic, sonic or infrasonic waves
    • G01S3/8006—Multi-channel systems specially adapted for direction-finding, i.e. having a single aerial system capable of giving simultaneous indications of the directions of different signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

다양한 환경 변화에 대응하여 음원 위치 추정 성능을 강화할 수 있는 인공 지능 장치 및 그의 음원 위치 추정 방법에 관한 것으로, 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하여 테스트 데이터(test data)을 생성하고, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하며, 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하고, 산출한 음원 위치 추정 평가 스코어를 기반으로 테스트 데이터를 검증 데이터(validation data)로 분류하며, 분류한 검증 데이터를 기반으로 인공지능 모델을 변경하고, 변경한 인공지능 모델에 테스트 데이터를 입력하여 업데이트할 수 있다.

Description

인공 지능 장치 및 그의 음원 위치 추정 방법{AN ARTIFICIAL INTELLIGENCE APPARATUS AND METHOD FOR ESTIMATING SOUND SOURCE LOCALIZATION THEREOF}
본 개시는, 다양한 환경 변화에 대응하여 음원 위치 추정 성능을 강화할 수 있는 인공 지능 장치 및 그의 음원 위치 추정 방법에 관한 것이다.
일반적으로, 인공 지능(artificial intelligence)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은, 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히, 현대에는, 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고, 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 연구되고 있다.
그리고, 이러한 각종 동작과 기능을 제공하는 전자장치를 인공지능 디바이스라고 명칭할 수 있다.
최근, 1인 가구의 증가로 인하여 원격 진료 및 AI 케어 서비스가 중요해지고 있으며, 이에 상응하여 음원 위치 추정 기술에 대한 연구가 활발히 진행되고 있다.
음원 위치 추정 기술은, 음성 명령을 내리는 화자의 위치를 정확하게 추정하는 기술로서, 스마트 스피커, 로봇 등과 같이 다양한 제품에 사용되고 있으며, 빔포밍 기술과 함께 잡음제거를 위해 필요한 멀티 마이크로폰(multi-microphone) 기술이다.
하지만, 기존의 음원 위치 추정 기술은, 화자가 이동하거나 실내 환경이 변할 경우, 음원 위치 추정 성능이 급저하되어 음성 인식이 불가능하고, 화자 위치 추적이나 실내 공간 내의 화자 행동 분석 등에 제한이 발생하는 한계점이 있었다.
따라서, 향후, 다양한 환경 변화에 대응하여 음원 위치 추정을 지속적으로 학습 및 업데이트함으로써, 음원 위치 추정 성능을 강화할 수 있는 인공 지능 장치의 개발이 필요하다.
본 개시는, 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 개시는, 테스트 데이터별 음원 위치 추정 평가 스코어를 기반으로 분류된 검증 데이터로 인공지능 모델을 변경하고 변경된 인공지능 모델을 테스트 데이터로 업데이트함으로써, 다양한 환경 변화에 대응하여 음원 위치 추정을 지속적으로 학습 및 업데이트할 수 있고, 음원 위치 추정 성능을 강화할 수 있는 인공 지능 장치 및 그의 음원 위치 추정 방법의 제공을 목적으로 한다.
본 개시의 일 실시예에 따른 인공 지능 장치는, 영상 정보, 음원 정보 및 센서 정보를 저장하는 메모리, 그리고 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 기반으로 음원 위치를 추정하는 프로세서를 포함하고, 프로세서는, 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하여 테스트 데이터(test data)을 생성하고, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하며, 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하고, 산출한 음원 위치 추정 평가 스코어를 기반으로 테스트 데이터를 검증 데이터(validation data)로 분류하며, 분류한 검증 데이터를 기반으로 인공지능 모델을 변경하고, 변경한 인공지능 모델에 테스트 데이터를 입력하여 업데이트할 수 있다.
본 개시의 일 실시예에 따른 인공 지능 장치의 음원 위치 추정 방법은, 실내에 위치하는 복수의 디바이스들로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 획득하는 단계, 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하는 단계, 전처리한 영상 정보, 음원 정보 및 센서 정보를 기반으로 테스트 데이터(test data)을 생성하는 단계, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하는 단계, 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하는 단계, 산출한 음원 위치 추정 평가 스코어를 기반으로 테스트 데이터를 검증 데이터(validation data)로 분류하는 단계, 분류한 검증 데이터를 기반으로 인공지능 모델을 변경하는 단계, 및 변경한 인공지능 모델에 테스트 데이터를 입력하여 업데이트하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 인공 지능 장치는, 테스트 데이터별 음원 위치 추정 평가 스코어를 기반으로 분류된 검증 데이터로 인공지능 모델을 변경하고 변경된 인공지능 모델을 테스트 데이터로 업데이트함으로써, 다양한 환경 변화에 대응하여 음원 위치 추정을 지속적으로 학습 및 업데이트할 수 있고, 음원 위치 추정 성능을 강화할 수 있다.
또한, 본 개시는, 특정환경에서만 성능이 보장되는게 아니라 환경 변화에도 대응이 가능하여 사용할수록 진화할 수 있다.
예를 들면, 본 개시는, 사용자의 환경변화(이사, 바닥재질 변경 등)에도 대응할 수 있다.
또한, 본 개시는, 사용자의 위치추적 및 행동분석 등을 통해 실내 공간 내의 라이프 로깅(life logging)을 활용할 수 있고, 사용자의 상황 인지 및 조치를 수행할 수 있다.
예를 들면, 본 개시는, 실내의 기존 디바이스들을 활용하여 행동분석이 가능하고, 사용자의 낙상 및 쓰러짐 등을 감지할 수 있는 노인 케어 서비스를 제공할 수 있으며, 방범 기능, 화재 상황 인지, 응급 상황 인지, 아이의 이상 행동 감지 등과 같이 다양한 상황을 인지하고 및 그에 상응하는 조치를 수행할 수 있다.
또한, 본 개시는, 다수의 화자가 존재할 경우, 데이터 전처리 과정을 수행하여 각 화자의 생활패턴 분석하고, 각 화자가 자주 사용하는 기능을 추천할 수 있다.
도 1은, 본 개시의 일 실시 예에 따른 인공 지능 장치를 나타낸다.
도 2는, 본 개시의 일 실시 예에 따른 인공 지능 서버를 나타낸다.
도 3은, 본 개시의 일 실시 예에 따른 인공 지능 시스템을 나타낸다.
도 4는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 프로세서를 설명하기 위한 도면이다.
도 5는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 정보 획득 과정을 설명하기 위한 도면이다.
도 6은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 동작을 설명하기 위한 도면이다.
도 7 및 도 8은, 본 개시의 일 다른 실시 예에 따른 인공 지능 장치의 데이터 추출 과정을 설명하기 위한 도면이다.
도 9 및 도 10은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 테스트 데이터 생성 과정을 설명하기 위한 도면이다.
도 11은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 데이터 그룹핑 과정을 설명하기 위한 도면이다.
도 12 및 도 13은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 음원 위치 추정 결과에 대한 서비스 제공을 설명하기 위한 도면이다.
도 14는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 음원 위치 추정 평가 스코어 산출 과정을 설명하기 위한 도면이다.
도 15는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 검증 데이터 분류 과정을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 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 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 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.
또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 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 업데이트하는 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.
<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.
<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.
<확장 현실(XR: eXtended Reality)>
확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.
MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.
XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.
도 1은, 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
AI 장치(100)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, AI 장치(100)는, 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는, 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)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.
입력부(120)는, 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는, 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는, 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는, 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)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(130)는, 도 2의 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는, AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는, 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는, 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)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.
출력부(150)는, 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는, 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는, AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는, 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는, AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는, 러닝 프로세서(130) 또는 메모리(170)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(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)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(180)는, 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서(180)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(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는, AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 업데이트하는데 이용될 수 있다.
프로세서(180)는, 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는, 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는, 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 2를 참조하면, AI 서버(200)는, 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는, 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는, 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는, AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는, 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는, 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는, 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은, 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 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(230)에 저장될 수 있다.
프로세서(260)는, 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)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(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.
AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.
이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.
또는, AI 장치(100a 내지 100e)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(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.
<AI+로봇>
로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.
로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.
로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)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(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)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(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
로봇(100a)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(100a)을 주행시킬 수 있다.
맵 데이터에는 로봇(100a)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(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+자율주행>
자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.
자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.
여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.
특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.
자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
자율 주행 차량(100b)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 자율 주행 차량(100b)을 주행시킬 수 있다.
맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.
또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.
<AI+XR>
XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.
XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.
XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.
이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.
<AI+로봇+자율주행>
로봇(100a)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(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.
자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.
자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.
자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.
이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.
또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.
<AI+로봇+XR>
로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.
XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.
<AI+자율주행+XR>
자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.
XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.
XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.
이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.
XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.
도 4는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 프로세서를 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 본 개시는, 영상 정보, 음원 정보 및 센서 정보를 저장하는 메모리(170), 그리고 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 기반으로 음원 위치를 추정하는 프로세서(180)를 포함할 수 있다.
여기서, 프로세서(180)는, 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하여 테스트 데이터(test data)을 생성하고, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하며, 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하고, 산출한 음원 위치 추정 평가 스코어를 기반으로 테스트 데이터를 검증 데이터(validation data)로 분류하며, 분류한 검증 데이터를 기반으로 인공지능 모델을 변경하고, 변경한 인공지능 모델에 테스트 데이터를 입력하여 업데이트할 수 있다.
그리고, 프로세서(180)는, 실내에 위치하는 복수의 디바이스들과 통신 연결되어 복수의 디바이스들로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 획득할 수 있다.
일 예로, 복수의 디바이스들은, 실내에 위치하는 객체의 영상 정보를 획득하는 카메라, 실내에 위치하는 객체의 사운드 정보를 획득하는 마이크, 실내에 위치하는 객체를 센싱하여 센서 정보를 획득하는 센서 중 적어도 어느 하나를 포함할 수 있다.
여기서, 객체는, 사운드를 생성하는 음원의 주체 또는 화자 등을 포함할 수 있다.
이어, 프로세서(180)는, 영상 정보, 음원 정보 및 센서 정보를 전처리할 때, 영상 정보로부터 타겟 객체를 분류하여 객체 영상 데이터를 추출하도록 전처리를 수행하고, 음원 정보로부터 타겟 객체에 상응하는 객체 사운드 데이터를 추출하도록 전처리를 수행하며, 센서 정보로부터 타겟 객체에 상응하는 객체 센서 데이터를 추출하도록 전처리를 수행할 수 있다.
여기서, 프로세서(180)는, 영상 정보를 전처리할 때, 영상 정보로부터 분류되는 타겟 객체가 복수 개이면 사전 등록된 객체의 이미지 정보를 기반으로 복수의 타겟 객체들을 식별하고, 각각의 타겟 객체별로 객체 영상 데이터를 추출하도록 전처리를 수행할 수 있다.
또한, 프로세서(180)는, 음원 정보를 전처리할 때, 영상 정보로부터 분류되는 타겟 객체가 복수 개이면 사전 등록된 객체의 사운드 정보를 기반으로 음원 정보로부터 복수의 타겟 객체들에 대한 사운드를 식별하고, 각각의 타겟 객체별로 객체 사운드 데이터를 추출하도록 전처리를 수행할 수 있다.
다음, 프로세서(180)는, 테스트 데이터를 생성할 때, 영상 정보로부터 추출한 객체 영상 데이터, 음원 정보로부터 추출한 객체 사운드 데이터 및 센서 정보로부터 추출한 객체 센서 데이터를 수집하고, 수집한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 객체별로 그룹핑(grouping)하여 각 객체에 상응하는 테스트 데이터 셋(test data set)을 생성할 수 있다.
여기서, 프로세서(180)는, 수집한 객체 영상 데이터를 영상 정보를 획득한 디바이스별로 분류하고, 수집한 객체 사운드 데이터를 음원 정보를 획득한 디바이스별로 분류하며, 수집한 객체 센서 데이터를 센서 정보를 획득한 디바이스별로 분류할 수 있다.
또한, 프로세서(180)는, 객체 사운드 데이터를 객체별로 그룹핑할 때, 객체 영상 데이터에 상응하는 객체 주변에 위치하는 디바이스들로부터 수집한 객체 사운드 데이터들을 그룹핑할 수 있다.
일 예로, 프로세서(180)는, 영상 정보로부터 객체 영상 데이터가 추출되면 객체 영상 데이터에 상응하는 객체의 위치를 추정하고, 객체의 위치를 중심으로 객체 주변에 위치하는 디바이스들에 대한 식별 정보를 획득하며, 디바이스들의 식별 정보를 기반으로 해당하는 디바이스들로부터 수집한 객체 사운드 데이터들을 그룹핑할 수 있다.
여기서, 프로세서(180)는, 객체의 위치를 추정할 때, 영상 정보를 획득한 디바이스의 위치 정보를 수집하고, 디바이스의 위치를 기반으로 객체의 위치를 추정할 수 있다.
예를 들면, 프로세서(180)는, 객체의 위치를 추정할 때, 영상 정보를 획득한 제1 디바이스의 위치 정보를 수집하고, 제1 디바이스의 위치를 기반으로 객체의 위치를 1차 추정하고, 1차 추정된 객체의 위치를 기반으로 객체 주변에 위치하는 적어도 하나의 제2 디바이스의 위치 정보를 수집하며, 제2 디바이스의 위치를 기반으로 객체의 위치를 2차 추정할 수 있다.
또한, 프로세서(180)는, 객체 사운드 데이터들을 그룹핑할 때, 객체 사운드 데이터들이 디바이스별로 분류되면 디바이스들의 식별 정보를 기반으로 해당하는 디바이스의 객체 사운드 데이터를 추출하고, 추출한 객체 사운드 데이터를 그룹핑할 수 있다.
또한, 프로세서(180)는, 객체 센서 데이터를 객체별로 그룹핑할 때, 객체 영상 데이터에 상응하는 객체의 주변에 위치하는 디바이스들로부터 수집한 객체 센서 데이터들을 그룹핑할 수 있다.
즉, 프로세서(180)는, 영상 정보로부터 객체 영상 데이터가 추출되면 객체 영상 데이터에 상응하는 객체의 위치를 추정하고, 객체의 위치를 중심으로 객체 주변에 위치하는 디바이스들에 대한 식별 정보를 획득하며, 디바이스들의 식별 정보를 기반으로 해당하는 디바이스들로부터 수집한 객체 센서 데이터들을 그룹핑할 수 있다.
여기서, 프로세서(180)는, 객체의 위치를 추정할 때, 영상 정보를 획득한 디바이스의 위치 정보를 수집하고, 디바이스의 위치를 기반으로 객체의 위치를 추정할 수 있다.
예를 들면, 프로세서(180)는, 객체의 위치를 추정할 때, 영상 정보를 획득한 제1 디바이스의 위치 정보를 수집하고, 제1 디바이스의 위치를 기반으로 객체의 위치를 1차 추정하고, 1차 추정된 객체의 위치를 기반으로 객체 주변에 위치하는 적어도 하나의 제2 디바이스의 위치 정보를 수집하며, 제2 디바이스의 위치를 기반으로 객체의 위치를 2차 추정할 수 있다.
그리고, 프로세서(180)는, 객체 센서 데이터들을 그룹핑할 때, 객체 센서 데이터들이 디바이스별로 분류되면 디바이스들의 식별 정보를 기반으로 해당하는 디바이스의 객체 센서 데이터를 추출하고, 추출한 객체 센서 데이터를 그룹핑할 수 있다.
프로세서(180)는, 각 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 하나를 포함하는 테스트 데이터 셋을 생성할 수 있다.
다음, 프로세서(180)는, 음원 위치를 추정할 때, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하고, 타겟 객체의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
여기서, 프로세서(180)는, 음원 위치 추정 결과 정보를 제공할 때, 타겟 객체가 다수이면 타겟 객체별로 타겟 객체의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
또한, 프로세서(180)는, 음원 위치 추정 결과 정보를 기반으로 실내 환경 내에서의 상기 타겟 객체의 행동을 분석하고, 타겟 객체의 행동에 상응하여 실내에 위치하는 디바이스 제어 서비스, 추천 정보 서비스, 그리고 미리 설정된 외부 서버 및 외부 단말로 알림 정보 전송 서비스 중 적어도 어느 하나를 제공할 수 있다.
예를 들면, 프로세서(180)는, 타겟 객체의 행동이 이동 상황이면 타겟 객체의 이동 경로에 위치하는 조명 디바이스의 밝기를 제어하는 디바이스 제어 서비스를 제공하고, 타겟 객체의 행동이 운동 상황이면 타겟 객체의 주변에 위치하는 디바이스를 통해 추천 운동을 영상 또는 사운드로 알려주는 추천 정보 서비스를 제공하며, 타겟 객체의 행동이 위험 상황이면 타겟 객체의 주변에 위치하는 디바이스를 통해 위험 정보 및 처치 정보를 알려주고, 통신 디바이스를 통해 미리 설정된 연락처로 상기 위험 정보를 전송하는 알림 정보 전송 서비스를 제공할 수 있다.
또한, 프로세서(180)는, 실내에 위치하는 복수의 디바이스들로부터 획득한 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 포함하는 훈련 데이터(training data)를 인공지능 모델에 입력하여 사전 학습시킬 수 있다.
이어, 프로세서(180)는, 음원 위치 추정 평가 스코어를 산출할 때, 인공지능 모델이 테스트 데이터에 대한 음원 위치 추정 결과를 제공하면 음원 위치 추정 결과를 기반으로 인공지능 모델의 음원 위치 추정 평가 스코어를 각 테스트 데이터별로 산출하고, 음원 위치 추정 평가 스코어와 그에 상응하는 테스트 데이터를 매칭시킬 수 있다.
일 예로, 프로세서(180)는, 음원 위치 추정 평가 스코어를 산출할 때, 정밀도((Precision), 재현율(Recall), 정확도(Accuracy), 정밀도와 재현율의 조화 평균인 에프원 스코어(F1 Score), 컨퓨전 매트릭스(Confusion Matrix) 중 적어도 어느 하나를 포함하는 모델 성능 평가 방식을 기반으로 음원 위치 추정 평가 스코어를 산출할 수 있다.
또한, 프로세서(180)는, 음원 위치 추정 평가 스코어를 산출할 때, 인공지능 모델이 제1 테스트 데이터에 대한 음원 위치 추정 결과를 제공하면 음원 위치 추정 결과를 기반으로 인공지능 모델의 제1 음원 위치 추정 평가 스코어를 산출하고, 제1 음원 위치 추정 평가 스코어와 제1 테스트 데이터를 매칭시키며, 인공지능 모델이 제2 테스트 데이터에 대한 음원 위치 추정 결과를 제공하면 음원 위치 추정 결과를 기반으로 인공지능 모델의 제2 음원 위치 추정 평가 스코어를 산출하고, 제2 음원 위치 추정 평가 스코어와 제2 테스트 데이터를 매칭시킬 수 있다.
다음, 프로세서(180)는, 테스트 데이터를 검증 데이터로 분류할 때, 음원 위치 추정 평가 스코어가 산출되면 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상인지를 확인하고, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상이면 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 검증 데이터로 분류하며, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 미만이면 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 무시(disregard)할 수 있다.
그리고, 프로세서(180)는, 인공지능 모델을 변경할 때, 검증 데이터를 인공지능 모델에 입력하여 인공지능 모델을 재학습시키고, 인공지능 모델의 일부를 변경할 수 있다.
여기서, 프로세서(180)는, 테스트 데이터가 검증 데이터로 분류될 때마다 검증 데이터를 인공지능 모델에 입력하여 인공지능 모델을 변경할 수 있다.
이어, 프로세서(180)는, 인공지능 모델을 업데이트할 때, 인공지능 모델이 변경되면 새로운 테스트 데이터를 변경한 인공지능 모델에 입력하여 인공지능 모델을 업데이트하고, 음원 위치를 추정할 수 있다.
이와 같이, 본 개시는, 테스트 데이터별 음원 위치 추정 평가 스코어를 기반으로 분류된 검증 데이터로 인공지능 모델을 변경하고 변경된 인공지능 모델을 테스트 데이터로 업데이트함으로써, 다양한 환경 변화에 대응하여 음원 위치 추정을 지속적으로 학습 및 업데이트할 수 있고, 음원 위치 추정 성능을 강화할 수 있다.
또한, 본 개시는, 특정환경에서만 성능이 보장되는게 아니라 환경변화에도대응이 가능하여 사용할수록 진화할 수 있다.
또한, 본 개시는, 사용자의 위치추적 및 행동분석 등을 통해 실내 공간 내의 라이프 로깅(life logging)을 활용할 수 있고, 사용자의 상황 인지 및 조치를 수행할 수 있다.
또한, 본 개시는, 다수의 화자가 존재할 경우, 데이터 전처리 과정을 수행하여 각 화자의 생활패턴 분석하고, 각 화자가 자주 사용하는 기능을 추천할 수 있다.
도 5는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 정보 획득 과정을 설명하기 위한 도면이다.
도 5에 도시된 바와 같이, 본 개시의 인공 지능 장치(100)는, 실내에 위치하는 복수의 디바이스(500, 600, 700, 800)들과 통신 연결되어 복수의 디바이스(500, 600, 700, 800)들로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 획득할 수 있다.
복수의 디바이스(500, 600, 700, 800)들은, 실내에 위치하는 객체(910)의 영상 정보를 획득하는 카메라(510, 610, 710) 실내에 위치하는 객체(910)의 사운드 정보를 획득하는 마이크(520, 620, 720, 820), 실내에 위치하는 객체(910)를 센싱하여 센서 정보를 획득하는 센서(630, 730) 중 적어도 어느 하나를 포함할 수 있다.
여기서, 객체(910)는, 사운드를 생성하는 음원의 주체 또는 화자 등을 포함할 수 있다.
일 예로, 복수의 디바이스(500, 600, 700, 800)들은, 감시 장치, TV, 냉장고, 로봇 청소기 및 공기 청정기 등을 포함하는 가전기기 등을 포함할 수 있다.
각각의 디바이스(500, 600, 700, 800)는, 카메라, 마이크 및 센서 중 적어도 어느 하나를 포함할 수 있으며, 카메라를 통해 영상 정보를 획득하고, 마이크를 통해 사운드 정보를 획득하며, 센서를 통해 센서 정보를 획득할 수 있다.
그리고, 각각의 디바이스(500, 600, 700, 800)는, 객체(910)에 상응하는 영상 정보, 사운드 정보, 센서 정보 중 적어도 어느 하나를 획득하면 통신 연결된 인공 지능 장치(100)로 전송할 수 있다.
다음, 본 개시의 인공 지능 장치(100)는, 복수의 디바이스(500, 600, 700, 800)들로부터 획득한 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 기반으로 객체(910)에 상응하는 음원 위치를 추정하고, 객체(910)의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
여기서, 본 개시의 인공 지능 장치(100)는, 음원 위치 추정 결과 정보를 기반으로 실내 환경 내에서의 객체(910)의 행동을 분석하고, 객체(910)의 행동에 상응하여 실내에 위치하는 디바이스 제어 서비스, 추천 정보 서비스, 그리고 미리 설정된 외부 서버 및 외부 단말로 알림 정보 전송 서비스 중 적어도 어느 하나를 제공할 수 있다.
도 6은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 동작을 설명하기 위한 도면이다.
도 6에 도시된 바와 같이, 본 개시는, 실내에 위치하는 복수의 디바이스들로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 획득할 수 있다(S10).
그리고, 본 개시는, 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하고, 전처리한 영상 정보, 음원 정보 및 센서 정보를 기반으로 테스트 데이터(test data)을 생성할 수 있다(S20).
여기서, 본 개시는, 영상 정보로부터 타겟 객체를 분류하여 객체 영상 데이터를 추출하도록 전처리를 수행하고, 음원 정보로부터 타겟 객체에 상응하는 객체 사운드 데이터를 추출하도록 전처리를 수행하며, 센서 정보로부터 타겟 객체에 상응하는 객체 센서 데이터를 추출하도록 전처리를 수행할 수 있다.
또한, 본 개시는, 영상 정보로부터 추출한 객체 영상 데이터, 음원 정보로부터 추출한 객체 사운드 데이터 및 센서 정보로부터 추출한 객체 센서 데이터를 수집하고, 수집한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 객체별로 그룹핑(grouping)하여 각 객체에 상응하는 테스트 데이터 셋(test data set)을 생성할 수 있다.
다음, 본 개시는, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정할 수 있다(S30).
여기서, 본 개시는, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하고, 타겟 객체의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
또한, 본 개시는, 음원 위치 추정 결과 정보를 기반으로 실내 환경 내에서의 타겟 객체의 행동을 분석하고, 타겟 객체의 행동에 상응하여 실내에 위치하는 디바이스 제어 서비스, 추천 정보 서비스, 그리고 미리 설정된 외부 서버 및 외부 단말로 알림 정보 전송 서비스 중 적어도 어느 하나를 제공할 수 있다.
그리고, 본 개시는, 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출할 수 있다(S40).
여기서, 본 개시는, 음원 위치 추정 결과를 기반으로 인공지능 모델의 음원 위치 추정 평가 스코어를 각 테스트 데이터별로 산출하고, 음원 위치 추정 평가 스코어와 그에 상응하는 테스트 데이터를 매칭시킬 수 있다.
이어, 본 개시는, 산출한 음원 위치 추정 평가 스코어를 기반으로 테스트 데이터를 검증 데이터(validation data)로 분류할 수 있다(S50).
여기서, 본 개시는, 음원 위치 추정 평가 스코어가 산출되면 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상인지를 확인하고, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상이면 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 검증 데이터로 분류하며, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 미만이면 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 무시(disregard)할 수 있다.
다음, 본 개시는, 분류한 검증 데이터를 기반으로 인공지능 모델을 변경할 수 있다(S60).
여기서, 본 개시는, 검증 데이터를 인공지능 모델에 입력하여 인공지능 모델을 재학습시키고, 인공지능 모델의 일부를 변경할 수 있다.
그리고, 본 개시는, 변경한 인공지능 모델에 테스트 데이터를 입력하여 업데이트할 수 있다(S70).
여기서, 본 개시는, 인공지능 모델이 변경되면 새로운 테스트 데이터를 변경한 인공지능 모델에 입력하여 인공지능 모델을 업데이트하고, 음원 위치를 추정할 수 있다.
본 개시는, 테스트 데이터별 음원 위치 추정 평가 스코어를 기반으로 상위 레벨의 음원 위치 추정 평가 스코어를 갖는 테스트 데이터를 검증 데이터로 분류하고 분류한 검증 데이터를 통해 인공지능 모델을 변경함으로써, 다양한 환경 변화에도 대응이 가능하므로 인공지능 모델의 성능을 지속적으로 진화시킬 수 있다.
예를 들면, 사용자가 새로운 집으로 이사를 하거나 실내 바닥 재질을 변경한 경우, 본 개시의 인공 지능 장치는, 실내 환경 변화에 상응하여 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하고, 상위 레벨의 음원 위치 추정 평가 스코어를 갖는 테스트 데이터를 검증 데이터로 분류한 다음, 분류한 검증 데이터를 통해 인공지능 모델을 변경함으로써, 새로 이사온 집의 새로운 실내 환경이나 새로운 바닥 재질에 적응하는 인공지능 모델로 변경하고, 새로운 실내 환경에 상응하는 테스트 데이터를 입력하여 인공지능 모델을 업데이트시킬 수 있다.
또한, 본 개시는, 사용자별로 위치추적 및 행동분석 등을 통해 실내 공간 내의 라이프 로깅(life logging)을 활용할 수 있고, 사용자별로 상황 인지 및 조치를 수행할 수 있다.
도 7 및 도 8은, 본 개시의 일 다른 실시 예에 따른 인공 지능 장치의 데이터 추출 과정을 설명하기 위한 도면이다.
도 7은, 하나의 타겟 객체에 대한 데이터 추출 과정을 설명하기 위한 도면이고, 도 8은, 다수의 타겟 객체에 대한 데이터 추출 과정을 설명하기 위한 도면이ㄷ다.
도 7에 도시된 바와 같이, 본 개시는, 실내의 디바이스로부터 영상 정보를 획득하면 영상 정보로부터 타겟 객체를 분류하고(S210), 분류한 타겟 객체로부터 객체 영상 데이터를 추출할 수 있다(S220).
그리고, 본 개시는, 실내의 디바이스로부터 음원 정보를 획득하면 음원 정보로부터 타겟 객체에 상응하는 객체 음원 데이터를 추출할 수 있다(S230).
이어, 본 개시는, 실내의 디바이스로부터 센서 정보를 획득하면 센서 정보로부터 타겟 객체에 상응하는 객체 센서 데이터를 추출할 수 있다(S240).
또한, 본 개시는, 타겟 객체에 대한 객체 영상 데이터가 다수이면 영상 정보를 획득한 디바이스별로 분류하고, 타겟 객체에 대한 객체 사운드 데이터가 다수이면 음원 정보를 획득한 디바이스별로 분류하며, 타겟 객체에 대한 객체 센서 데이터가 다수이면 센서 정보를 획득한 디바이스별로 분류할 수 있다.
따라서, 본 개시는, 타겟 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터들을 디바이스별로 분류하여 저장할 수 있다.
다른 경우로서, 도 8에 도시된 바와 같이, 본 개시는, 실내의 디바이스로부터 영상 정보를 획득하면 영상 정보로부터 타겟 객체를 분류할 수 있다(S310).
여기서, 본 개시는, 영상 정보로부터 분류되는 타겟 객체가 복수 개이면 사전 등록된 객체의 이미지 정보를 기반으로 복수의 타겟 객체들을 식별하고(S320), 각각의 타겟 객체별로 객체 영상 데이터를 추출할 수 있다(S330).
또한, 본 개시는, 영상 정보로부터 분류되는 타겟 객체가 복수 개이면 사전 등록된 객체의 사운드 정보를 기반으로 복수의 타겟 객체들에 대한 타겟 사운드들을 식별하고(S340), 각각의 타겟 사운드별로 객체 사운드 데이터를 추출할 수 있다(S350).
도 8과 같이, 본 개시는, 각 사용자마다 이미지 정보와 사운드 정보를 사전 획득하고, 사전 획득한 사용자의 이미지 정보와 사운드 정보를 사전 등록할 수 있다.
일 예로, 본 개시는, 사전 등록한 객체(사용자)별 이미지 정보와 사운드 정보를 메모리(170)에 저장할 수 있다.
예를 들면, 메모리(170)는, 이미지 및 사운드 정보 중 적어도 어느 하나를 포함하는 제1 등록 객체 정보(172), 제2 등록 객체 정보(174) 등을 포함할 수 있다.
도 9 및 도 10은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 테스트 데이터 생성 과정을 설명하기 위한 도면이다.
도 9 및 도 10에 도시된 바와 같이, 본 개시는, 영상 정보로부터 추출한 객체 영상 데이터, 음원 정보로부터 추출한 객체 사운드 데이터 및 센서 정보로부터 추출한 객체 센서 데이터를 수집하고, 수집한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 객체별로 그룹핑(grouping)하여 각 객체에 상응하는 테스트 데이터 셋(test data set)을 생성할 수 있다.
도 9와 같이, 본 개시는, 제1 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 그룹핑하여 제1 객체에 상응하는 제1 테스트 데이터 셋(1110)을 생성할 수 있다.
또한, 본 개시는, 제2 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 그룹핑하여 제2 객체에 상응하는 제2 테스트 데이터 셋(1120)을 생성할 수 있다.
본 개시는, 제3 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 그룹핑하여 제3 객체에 상응하는 제3 테스트 데이터 셋(1130)을 생성할 수 있다.
경우에 따라, 본 개시는, 객체별로 수집한 객체 영상 데이터를 영상 정보를 획득한 디바이스별로 분류하고, 객체별로 수집한 객체 사운드 데이터를 음원 정보를 획득한 디바이스별로 분류하며, 객체별로 수집한 객체 센서 데이터를 센서 정보를 획득한 디바이스별로 분류할 수 있다.
도 10과 같이, 본 개시는, 제1 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 디바이스별로 분류하고 그룹핑하여 제1 객체에 상응하는 제1 테스트 데이터 셋(1110)을 생성할 수 있다.
또한, 본 개시는, 제2 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 디바이스별로 분류하고 그룹핑하여 제2 객체에 상응하는 제2 테스트 데이터 셋(1120)을 생성할 수 있다.
본 개시는, 제3 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 디바이스별로 분류하고 그룹핑하여 제3 객체에 상응하는 제3 테스트 데이터 셋(1130)을 생성할 수 있다.
일 예로, 제1 테스트 데이터 셋(1110)는, 제1 TV로부터 획득한 객체 영상 데이터, 제2 TV로부터 획득한 객체 영상 데이터, 냉장고로부터 획득한 객체 영상 데이터, 제1 TV로부터 획득한 객체 사운드 데이터, 제2 TV로부터 획득한 객체 사운드 데이터, 공기청정기로부터 획득한 객체 사운드 데이터, 로봇 청소기로부터 획득한 객체 센서 데이터를 포함할 수 있다.
제2 테스트 데이터 셋(1120)는, 제2 TV로부터 획득한 객체 영상 데이터, 제2 TV로부터 획득한 객체 사운드 데이터, 공기청정기로부터 획득한 객체 사운드 데이터를 포함할 수 있다.
제3 테스트 데이터 셋(1130)는, 제1 TV로부터 획득한 객체 사운드 데이터, 제2 TV로부터 획득한 객체 사운드 데이터, 공기청정기로부터 획득한 객체 사운드 데이터, 로봇 청소기로부터 획득한 객체 센서 데이터를 포함할 수 있다.
도 11은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 데이터 그룹핑 과정을 설명하기 위한 도면이다.
도 11에 도시된 바와 같이, 본 개시는, 객체 영상 데이터에 상응하는 객체(910) 주변에 위치하는 디바이스(600, 700, 800)들로부터 수집한 객체 사운드 데이터들을 그룹핑하여 테스트 데이터를 생성할 수 있다.
여기서, 본 개시는, 영상 정보로부터 객체 영상 데이터가 추출되면 객체 영상 데이터에 상응하는 객체(910)의 위치를 추정하고, 객체(910)의 위치를 중심으로 객체 주변에 위치하는 디바이스(600, 700, 800)들에 대한 식별 정보를 획득하며, 디바이스(600, 700, 800)들의 식별 정보를 기반으로 해당하는 디바이스(600, 700, 800)들로부터 수집한 객체 사운드 데이터들을 그룹핑할 수 있다.
이때, 본 개시는, 객체(910)의 위치를 추정할 때, 영상 정보를 획득한 디바이스의 위치 정보를 수집하고, 디바이스의 위치를 기반으로 객체(910)의 위치를 추정할 수 있다.
예를 들면, 본 개시는, 카메라(610)를 통해 영상 정보를 획득한 디바이스(600)가 TV이면 TV 디바이스(600)의 위치 정보를 수집하여 TV 디바이스(600)의 위치를 기반으로 객체(910)의 위치를 1차 추정하고, 1차 추정된 객체(910)의 위치를 기반으로 객체(910) 주변에 위치하는 디바이스들(700, 800)이 냉장고와 공기청정기이면 냉장고 디바이스(700)의 위치 정보를 수집하여 냉장고 디바이스(700)의 위치를 기반으로 객체의 위치를 2차 추정하며, 공기청정기 디바이스(800)의 위치 정보를 수집하여 공기청정기 디바이스(800)의 위치를 기반으로 객체의 위치를 3차 추정할 수 있다.
또한, 본 개시는, 카메라(710)를 통해 영상 정보를 획득한 디바이스(700)가 냉장고이면 냉장고 디바이스(700)의 위치 정보를 수집하여 냉장고 디바이스(700)의 위치를 기반으로 객체(910)의 위치를 1차 추정하고, 1차 추정된 객체(910)의 위치를 기반으로 객체(910) 주변에 위치하는 디바이스들(600, 800)이 TV와 공기청정기이면 TV 디바이스(600)의 위치 정보를 수집하여 TV 디바이스(600)의 위치를 기반으로 객체의 위치를 2차 추정하며, 공기청정기 디바이스(800)의 위치 정보를 수집하여 공기청정기 디바이스(800)의 위치를 기반으로 객체의 위치를 3차 추정할 수 있다.
그리고, 본 개시는, 객체 사운드 데이터들을 그룹핑할 때, 객체 사운드 데이터들이 디바이스별로 분류되면 디바이스들의 식별 정보를 기반으로 해당하는 디바이스의 객체 사운드 데이터를 추출하고, 추출한 객체 사운드 데이터를 그룹핑할 수 있다.
일 예로, 본 개시는, 마이크(620)를 통해 사운드 정보를 획득한 디바이스(600)가 TV이면 TV 디바이스(600)의 식별 정보를 수집하여 TV 디바이스(600)의 식별 정보를 기반으로 TV 디바이스(600)의 객체 사운드 데이터를 추출하고, 마이크(720)를 통해 사운드 정보를 획득한 디바이스(700)가 냉장고이면 냉장고 디바이스(700)의 식별 정보를 수집하여 냉장고 디바이스(700)의 식별 정보를 기반으로 냉장고 디바이스(700)의 객체 사운드 데이터를 추출하며, 마이크(820)를 통해 사운드 정보를 획득한 디바이스(800)가 공기청정기이면 공기청정기 디바이스(800)의 식별 정보를 수집하여 공기청정기 디바이스(800)의 식별 정보를 기반으로 공기청정기 디바이스(800)의 객체 사운드 데이터를 추출하고, 추출한 TV 디바이스(600)의 객체 사운드 데이터, 냉장고 디바이스(700)의 객체 사운드 데이터, 그리고 공기청정기 디바이스(800)의 객체 사운드 데이터를 그룹핑할 수 있다.
경우에 따라, 본 개시는, 객체 센서 데이터를 객체별로 그룹핑할 때, 객체 영상 데이터에 상응하는 객체(910)의 주변에 위치하는 디바이스들로부터 수집한 객체 센서 데이터들을 그룹핑할 수 있다.
여기서, 본 개시는, 영상 정보로부터 객체 영상 데이터가 추출되면 객체 영상 데이터에 상응하는 객체(910)의 위치를 추정하고, 객체(910)의 위치를 중심으로 객체 주변에 위치하는 디바이스들에 대한 식별 정보를 획득하며, 디바이스들의 식별 정보를 기반으로 해당하는 디바이스들로부터 수집한 객체 센서 데이터들을 그룹핑할 수 있다.
또한, 본 개시는, 객체 센서 데이터들을 그룹핑할 때, 객체 센서 데이터들이 디바이스별로 분류되면 디바이스들의 식별 정보를 기반으로 해당하는 디바이스의 객체 센서 데이터를 추출하고, 추출한 객체 센서 데이터를 그룹핑할 수 있다.
일 예로, 본 개시는, 센서(630)를 통해 센서 정보를 획득한 디바이스(600)가 TV이면 TV 디바이스(600)의 식별 정보를 수집하여 TV 디바이스(600)의 식별 정보를 기반으로 TV 디바이스(600)의 객체 센서 데이터를 추출하고, 센서(730)를 통해 센서 정보를 획득한 디바이스(700)가 냉장고이면 냉장고 디바이스(700)의 식별 정보를 수집하여 냉장고 디바이스(700)의 식별 정보를 기반으로 냉장고 디바이스(700)의 객체 센서 데이터를 추출하며, 추출한 TV 디바이스(600)의 객체 센서 데이터와 냉장고 디바이스(700)의 객체 센서 데이터를 그룹핑할 수 있다.
도 12 및 도 13은, 본 개시의 일 실시 예에 따른 인공 지능 장치의 음원 위치 추정 결과에 대한 서비스 제공을 설명하기 위한 도면이다.
도 12에 도시된 바와 같이, 본 개시는, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하고, 타겟 객체(910)의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
여기서, 본 개시는, 실내에 위치하는 TV, 공기청정기, 에어컨, 로봇청소기, 컴퓨터 등의 디바이스로부터 획득한 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 포함하는 훈련 데이터(training data)를 인공지능 모델에 입력하여 인공지능 모델을 사전 학습시킬 수 있다.
그리고, 본 개시는, 음원 위치 추정 결과 정보를 기반으로 실내 환경 내에서의 타겟 객체(910)의 행동을 분석하고, 타겟 객체(910)의 행동에 상응하여 실내에 위치하는 디바이스 제어 서비스, 추천 정보 서비스, 그리고 미리 설정된 외부 서버 및 외부 단말로 알림 정보 전송 서비스 중 적어도 어느 하나를 제공할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
예를 들면, 도 12와 같이, 노인이 거실에서 활동하다가 안방으로 이동하는 경우, 본 개시의 인공지능 모델은, 거실에 위치하는 TV, 공기청정기, 에어컨과 안방에 위치하는 로봇청소기 등의 디바이스로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 포함하는 테스트 데이터를 입력받아 타겟 객체(910)인 노인을 식별하고, 식별한 노인의 음원 위치를 추정하여 노인의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
그리고, 본 개시는, 타겟 객체인 노인의 행동이 이동 상황이면 노인의 이동 경로에 위치하는 조명 디바이스의 밝기를 제어하는 디바이스 제어 서비스를 제공할 수 있고, 타겟 객체인 노인의 행동이 운동 상황이면 노인의 주변에 위치하는 디바이스를 통해 추천 운동을 영상 또는 사운드로 알려주는 추천 정보 서비스를 제공할 수 있으며, 타겟 객체인 노인의 행동이 위험 상황이면 노인의 주변에 위치하는 디바이스를 통해 위험 정보 및 처치 정보를 알려주고, 통신 디바이스를 통해 미리 설정된 연락처로 위험 정보를 전송하는 알림 정보 전송 서비스를 제공할 수도 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
또한, 도 13에 도시된 바와 같이, 본 개시는, 타겟 객체(910, 920)가 다수이면 타겟 객체(910, 920)별로 타겟 객체의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
본 개시는, 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하고, 복수의 타겟 객체(910, 920)의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
그리고, 본 개시는, 음원 위치 추정 결과 정보를 기반으로 실내 환경 내에서의 타겟 객체(910, 920)별로 행동을 분석하고, 각각의 타겟 객체(910, 920)의 행동에 상응하여 실내에 위치하는 디바이스 제어 서비스, 추천 정보 서비스, 그리고 미리 설정된 외부 서버 및 외부 단말로 알림 정보 전송 서비스 중 적어도 어느 하나를 제공할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
예를 들면, 도 13와 같이, 제1 노인이 거실에서 활동하다가 안방으로 이동하고, 제2 노인이 거실에서 활동하는 경우, 본 개시의 인공지능 모델은, 거실에 위치하는 TV, 공기청정기, 에어컨과 안방에 위치하는 로봇청소기 등의 디바이스로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 포함하는 테스트 데이터를 입력받아 제1 타겟 객체(910)인 제1 노인과 제2 타겟 객체(920)인 제2 노인을 식별하고, 식별한 제1, 제2 노인의 음원 위치를 추정하여 제1, 제2 노인의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공할 수 있다.
그리고, 본 개시는, 제1 타겟 객체(910)인 제1 노인의 행동이 이동 상황이면 제1 노인의 이동 경로에 위치하는 조명 디바이스의 밝기를 제어하는 디바이스 제어 서비스를 제공할 수 있고, 제2 타겟 객체인 제2 노인의 행동이 운동 상황이면 제2 노인의 주변에 위치하는 디바이스를 통해 추천 운동을 영상 또는 사운드로 알려주는 추천 정보 서비스를 제공할 수 있다.
이와 같이, 본 개시는, 사용자별로 위치추적 및 행동분석 등을 통해 실내 공간 내의 라이프 로깅(life logging)을 활용할 수 있고, 사용자별로 상황 인지 및 조치를 수행할 수 있다.
예를 들면, 본 개시는, 실내의 기존 디바이스들을 활용하여 행동분석이 가능하고, 사용자의 낙상 및 쓰러짐 등을 감지할 수 있는 노인 케어 서비스를 제공할 수 있으며, 방범 기능, 화재 상황 인지, 응급 상황 인지, 아이의 이상 행동 감지 등과 같이 다양한 상황을 인지하고 및 그에 상응하는 조치를 수행할 수 있다.
또한, 본 개시는, 다수의 화자가 존재할 경우, 데이터 전처리 과정을 수행하여 각 화자의 생활패턴 분석하고, 각 화자가 자주 사용하는 기능을 추천할 수 있다.
도 14는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 음원 위치 추정 평가 스코어 산출 과정을 설명하기 위한 도면이다.
도 14에 도시된 바와 같이, 본 개시는, 인공지능 모델을 통해 테스트 데이터에 대한 음원 위치 추정 결과를 제공할 수 있다(S42).
이어, 본 개시는, 음원 위치 추정 결과를 기반으로 인공지능 모델의 음원 위치 추정 평가 스코어를 각 테스트 데이터별로 산출할 수 있다(S44).
여기서, 본 개시는, 정밀도((Precision), 재현율(Recall), 정확도(Accuracy), 정밀도와 재현율의 조화 평균인 에프원 스코어(F1 Score), 컨퓨전 매트릭스(Confusion Matrix) 중 적어도 어느 하나를 포함하는 모델 성능 평가 방식을 기반으로 음원 위치 추정 평가 스코어를 산출할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
다음, 본 개시는, 음원 위치 추정 평가 스코어와 그에 상응하는 테스트 데이터를 매칭시킬 수 있다(S46).
일 예로, 본 개시는, 인공지능 모델이 제1 테스트 데이터에 대한 음원 위치 추정 결과를 제공하면 음원 위치 추정 결과를 기반으로 인공지능 모델의 제1 음원 위치 추정 평가 스코어를 산출하고, 제1 음원 위치 추정 평가 스코어와 제1 테스트 데이터를 매칭시킬 수 있다.
그리고, 본 개시는, 인공지능 모델이 제2 테스트 데이터에 대한 음원 위치 추정 결과를 제공하면 음원 위치 추정 결과를 기반으로 인공지능 모델의 제2 음원 위치 추정 평가 스코어를 산출하고, 제2 음원 위치 추정 평가 스코어와 제2 테스트 데이터를 매칭시킬 수 있다.
도 15는, 본 개시의 일 실시 예에 따른 인공 지능 장치의 검증 데이터 분류 과정을 설명하기 위한 도면이다.
도 15에 도시된 바와 같이, 본 개시는, 테스트 데이터별로 음원 위치 추정 평가 스코어를 산출할 수 있다(S52).
그리고, 본 개시는, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상인지를 확인할 수 있다(S54).
이어, 본 개시는, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상이면 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 검증 데이터로 분류할 수 있다(S56).
또한, 본 개시는, 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 미만이면 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 무시(disregard)할 수 있다(S58).
이와 같이, 본 개시는, 테스트 데이터별 음원 위치 추정 평가 스코어를 기반으로 상위 레벨의 음원 위치 추정 평가 스코어를 갖는 테스트 데이터를 검증 데이터로 분류하고 분류한 검증 데이터를 통해 인공지능 모델을 변경함으로써, 다양한 환경 변화에도 대응이 가능하므로 인공지능 모델의 성능을 지속적으로 진화시킬 수 있다.
예를 들면, 사용자가 새로운 집으로 이사를 하거나 실내 바닥 재질을 변경한 경우, 본 개시의 인공 지능 장치는, 실내 환경 변화에 상응하여 테스트 데이터별로 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하고, 상위 레벨의 음원 위치 추정 평가 스코어를 갖는 테스트 데이터를 검증 데이터로 분류한 다음, 분류한 검증 데이터를 통해 인공지능 모델을 변경함으로써, 새로 이사온 집의 새로운 실내 환경이나 새로운 바닥 재질에 적응하는 인공지능 모델로 변경하고, 새로운 실내 환경에 상응하는 테스트 데이터를 입력하여 인공지능 모델을 업데이트시킬 수 있다.
또한, 사용자가 맨발로 이동하거나 또는 슬리퍼를 신고 이동하는 경우에도, 본 개시의 인공 지능 장치는, 새로 변경되는 음원 정보에 상응하여 인공지능 모델을 변경하고 업데이팅시킬 수 있다.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.

Claims (15)

  1. 영상 정보, 음원 정보 및 센서 정보를 저장하는 메모리; 그리고,
    상기 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 기반으로 음원 위치를 추정하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하여 테스트 데이터(test data)을 생성하고, 상기 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하며, 상기 테스트 데이터별로 상기 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하고, 상기 산출한 음원 위치 추정 평가 스코어를 기반으로 상기 테스트 데이터를 검증 데이터(validation data)로 분류하며, 상기 분류한 검증 데이터를 기반으로 상기 인공지능 모델을 변경하고, 상기 변경한 인공지능 모델에 상기 테스트 데이터를 입력하여 업데이트하는 것을 특징으로 하는 인공 지능 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    실내에 위치하는 복수의 디바이스들과 통신 연결되어 상기 복수의 디바이스들로부터 상기 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 획득하는 것을 특징으로 하는 인공 지능 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 영상 정보, 음원 정보 및 센서 정보를 전처리할 때, 상기 영상 정보로부터 타겟 객체를 분류하여 객체 영상 데이터를 추출하도록 전처리를 수행하고, 상기 음원 정보로부터 상기 타겟 객체에 상응하는 객체 사운드 데이터를 추출하도록 전처리를 수행하며, 상기 센서 정보로부터 상기 타겟 객체에 상응하는 객체 센서 데이터를 추출하도록 전처리를 수행하는 것을 특징으로 하는 인공 지능 장치.
  4. 제1 항에 있어서,
    상기 프로세서는,
    상기 테스트 데이터를 생성할 때, 상기 영상 정보로부터 추출한 객체 영상 데이터, 상기 음원 정보로부터 추출한 객체 사운드 데이터 및 상기 센서 정보로부터 추출한 객체 센서 데이터를 수집하고, 상기 수집한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 어느 하나를 객체별로 그룹핑(grouping)하여 각 객체에 상응하는 테스트 데이터 셋(test data set)을 생성하는 것을 특징으로 하는 인공 지능 장치.
  5. 제4 항에 있어서,
    상기 프로세서는,
    상기 객체 사운드 데이터를 객체별로 그룹핑할 때, 상기 객체 영상 데이터에 상응하는 객체 주변에 위치하는 디바이스들로부터 수집한 객체 사운드 데이터들을 그룹핑하는 것을 특징으로 하는 인공 지능 장치.
  6. 제4 항에 있어서,
    상기 프로세서는,
    상기 객체 센서 데이터를 객체별로 그룹핑할 때, 상기 객체 영상 데이터에 상응하는 객체의 주변에 위치하는 디바이스들로부터 수집한 객체 센서 데이터들을 그룹핑하는 것을 특징으로 하는 인공 지능 장치.
  7. 제4 항에 있어서,
    상기 프로세서는,
    상기 각 객체에 대한 객체 영상 데이터, 객체 사운드 데이터 및 객체 센서 데이터 중 적어도 하나를 포함하는 테스트 데이터 셋을 생성하는 것을 특징으로 하는 인공 지능 장치.
  8. 제1 항에 있어서,
    상기 프로세서는,
    상기 음원 위치를 추정할 때, 상기 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하고, 타겟 객체의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공하는 것을 특징으로 하는 인공 지능 장치.
  9. 제8 항에 있어서,
    상기 프로세서는,
    상기 음원 위치 추정 결과 정보를 제공할 때, 상기 타겟 객체가 다수이면 상기 타겟 객체별로 타겟 객체의 위치, 행동 및 이동 방향을 포함하는 음원 위치 추정 결과 정보를 제공하는 것을 특징으로 하는 인공 지능 장치.
  10. 제8 항에 있어서,
    상기 프로세서는,
    상기 음원 위치 추정 결과 정보를 기반으로 실내 환경 내에서의 상기 타겟 객체의 행동을 분석하고, 상기 타겟 객체의 행동에 상응하여 실내에 위치하는 디바이스 제어 서비스, 추천 정보 서비스, 그리고 미리 설정된 외부 서버 및 외부 단말로 알림 정보 전송 서비스 중 적어도 어느 하나를 제공하는 것을 특징으로 하는 인공 지능 장치.
  11. 제1 항에 있어서,
    상기 프로세서는,
    상기 음원 위치 추정 평가 스코어를 산출할 때, 상기 인공지능 모델이 상기 테스트 데이터에 대한 음원 위치 추정 결과를 제공하면 상기 음원 위치 추정 결과를 기반으로 상기 인공지능 모델의 음원 위치 추정 평가 스코어를 각 테스트 데이터별로 산출하고, 상기 음원 위치 추정 평가 스코어와 그에 상응하는 테스트 데이터를 매칭시키는 것을 특징으로 하는 인공 지능 장치.
  12. 제1 항에 있어서,
    상기 프로세서는,
    상기 테스트 데이터를 검증 데이터로 분류할 때, 상기 음원 위치 추정 평가 스코어가 산출되면 상기 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상인지를 확인하고, 상기 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 이상이면 상기 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 검증 데이터로 분류하며, 상기 음원 위치 추정 평가 스코어가 미리 설정한 기준 스코어 미만이면 상기 음원 위치 추정 평가 스코어에 상응하는 테스트 데이터를 무시(disregard)하는 것을 특징으로 하는 인공 지능 장치.
  13. 제1 항에 있어서,
    상기 프로세서는,
    상기 인공지능 모델을 변경할 때, 상기 검증 데이터를 상기 인공지능 모델에 입력하여 상기 인공지능 모델을 재학습시키고, 상기 인공지능 모델의 일부를 변경하는 것을 특징으로 하는 인공 지능 장치.
  14. 제1 항에 있어서,
    상기 프로세서는,
    상기 인공지능 모델을 업데이트할 때, 상기 인공지능 모델이 변경되면 새로운 테스트 데이터를 상기 변경한 인공지능 모델에 입력하여 상기 인공지능 모델을 업데이트하고, 상기 음원 위치를 추정하는 것을 특징으로 하는 인공 지능 장치.
  15. 인공 지능 장치의 음원 위치 추정 방법에 있어서,
    실내에 위치하는 복수의 디바이스들로부터 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 획득하는 단계;
    상기 영상 정보, 음원 정보 및 센서 정보 중 적어도 어느 하나를 전처리하는 단계;
    상기 전처리한 영상 정보, 음원 정보 및 센서 정보를 기반으로 테스트 데이터(test data)을 생성하는 단계;
    상기 테스트 데이터를 사전 학습한 인공지능 모델에 입력하여 음원 위치를 추정하는 단계;
    상기 테스트 데이터별로 상기 인공지능 모델의 음원 위치 추정 평가 스코어를 산출하는 단계;
    상기 산출한 음원 위치 추정 평가 스코어를 기반으로 상기 테스트 데이터를 검증 데이터(validation data)로 분류하는 단계;
    상기 분류한 검증 데이터를 기반으로 상기 인공지능 모델을 변경하는 단계; 및
    상기 변경한 인공지능 모델에 상기 테스트 데이터를 입력하여 업데이트하는 단계를 포함하는 것을 특징으로 하는 음원 위치 추정 방법.
KR1020220103907A 2022-08-19 2022-08-19 인공 지능 장치 및 그의 음원 위치 추정 방법 KR20240025811A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020220103907A KR20240025811A (ko) 2022-08-19 2022-08-19 인공 지능 장치 및 그의 음원 위치 추정 방법
PCT/KR2022/018269 WO2024038963A1 (en) 2022-08-19 2022-11-18 Artificial intelligence apparatus and method for estimating sound source localization thereof
US18/062,483 US20240061907A1 (en) 2022-08-19 2022-12-06 Artificial intelligence apparatus and method for estimating sound source localization thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220103907A KR20240025811A (ko) 2022-08-19 2022-08-19 인공 지능 장치 및 그의 음원 위치 추정 방법

Publications (1)

Publication Number Publication Date
KR20240025811A true KR20240025811A (ko) 2024-02-27

Family

ID=89906841

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220103907A KR20240025811A (ko) 2022-08-19 2022-08-19 인공 지능 장치 및 그의 음원 위치 추정 방법

Country Status (3)

Country Link
US (1) US20240061907A1 (ko)
KR (1) KR20240025811A (ko)
WO (1) WO2024038963A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11301504B2 (en) * 2018-09-28 2022-04-12 International Business Machines Corporation Post hoc bias compensation
KR20190110073A (ko) * 2019-09-09 2019-09-27 엘지전자 주식회사 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR102314824B1 (ko) * 2019-11-25 2021-10-19 광주과학기술원 딥러닝 기반 감지상황에서의 음향 사건 탐지 방법
KR20210066207A (ko) * 2019-11-28 2021-06-07 엘지전자 주식회사 객체를 인식하는 인공 지능 장치 및 그 방법
WO2022008677A1 (en) * 2020-07-08 2022-01-13 UMNAI Limited Method for detecting and mitigating bias and weakness in artificial intelligence training data and models

Also Published As

Publication number Publication date
US20240061907A1 (en) 2024-02-22
WO2024038963A1 (en) 2024-02-22

Similar Documents

Publication Publication Date Title
KR102367831B1 (ko) 운전 로그 및 인공지능모델을 이용하여 고장 진단을 하는 인공 지능 기기 및 그 방법
KR20190106861A (ko) 학습 데이터를 생성하는 인공 지능 장치, 인공 지능 서버 및 그 방법
KR20190110073A (ko) 인공 지능 모델을 갱신하는 인공 지능 장치 및 그 방법
KR102281602B1 (ko) 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
KR20190106867A (ko) 가구의 배치 위치를 가이드하는 인공 지능 장치 및 그의 동작 방법
KR20190096878A (ko) 인공지능 기반의 공기조화기
KR20210072362A (ko) 인공 지능 모델에 대한 학습 데이터를 생성하는 인공 지능 장치 및 그 방법
KR102258381B1 (ko) 복수의 로봇들을 관제하는 인공 지능 서버 및 그 방법
US20200050894A1 (en) Artificial intelligence apparatus and method for providing location information of vehicle
KR20190104489A (ko) 공기 조화기의 센서 데이터를 보정하는 인공 지능 공기 조화기 및 그 방법
KR102421488B1 (ko) 복수개의 출력 레이어를 이용한 인공 지능 장치 및 방법
KR102688230B1 (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
KR102331672B1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
KR102537381B1 (ko) 보행경로예측장치
KR20190085895A (ko) 사용자의 시선에 따라 제어 가능한 인공 지능 장치 및 그의 동작 방법
KR20210066207A (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
KR20220001522A (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
KR20190114925A (ko) 소리 신호 분류를 이용한 인공지능장치 및 그 방법
KR20190107616A (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
US11927931B2 (en) Artificial intelligence-based air conditioner
KR20190095194A (ko) 사용자의 동선을 결정하는 인공 지능 장치 및 그 방법
KR20210050201A (ko) 로봇, 로봇의 작동 방법 및 상기 로봇을 포함하는 로봇 시스템
KR20210073252A (ko) 인공 지능 장치 및 그의 동작 방법
KR20190114933A (ko) 인공지능 장치
KR20210052958A (ko) 인공 지능 서버