WO2020130177A1

WO2020130177A1 - 세탁 스케줄링 장치 및 그 방법

Info

Publication number: WO2020130177A1
Application number: PCT/KR2018/016185
Authority: WO
Inventors: 한종우; 김재홍; 김효은; 이태호; 정한길; 문범석; 전혜정; 최유진
Original assignee: 엘지전자 주식회사
Priority date: 2018-12-19
Filing date: 2018-12-19
Publication date: 2020-06-25
Also published as: CN111334972B; KR20210095140A; EP3670728A1; EP3670728B1; US20200199800A1; CN111334972A; US11379756B2

Abstract

본 발명의 실시 예는 세탁 스케줄링 장치에 있어서, 적어도 하나 이상의 세탁기와 연동하는 통신부; 사용자의 세탁 기록 또는 상기 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로하는 기계 학습(Machine Learning) 알고리즘 또는 딥 러닝(Deep Learning) 알고리즘 중에서 적어도 하나 이상을 통해 학습하여 생성된 상기 사용자에 대한 세탁 선호도 파라미터들을 획득하고, 상기 연동된 세탁기에 대한 세탁기 정보, 상기 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성하는 프로세서; 및 상기 세탁 스케줄링 정보를 출력하는 출력부를 포함하는, 세탁 스케줄링 장치를 제공한다.

Description

세탁 스케줄링 장치 및 그 방법

본 발명은 세탁 스케줄링 장치 및 그 방법에 관한 것이다. 구체적으로, 사용자의 세탁 기록과, 세탁기 정보 및 세탁물 정보를 고려하여 복수의 세탁기들을 유기적으로 이용하는 세탁 스케줄링 장치 및 그 방법에 관한 것이다.

현대에서 세탁 장치 또는 세탁 보조 장치는 모든 가정에서 필수적인 가전 제품이다.

세탁을 필요로 하는 의류, 침구 또는 인형 등은 다양한 소재로 구성되어 있으며, 각 소재 별로 세탁시 요구되는 사항이 상이하다. 따라서, 현재의 세탁 장치 또는 세탁 보조 장치들은 다양한 소재에 대하여 적합한 세탁 기능을 제공하기 위하여 여러 세탁 코스를 제공하고 있다.

한편 기존의 세탁 장치 또는 세탁 보조 장치들은 미리 정해진 세탁 코스를 사용자가 선택하면 해당 세탁 코스를 제공하거나, 사용자가 매 세탁시마다 각 세탁 단계에 대한 파라미터를 설정하면 해당 파라미터를 반영한 세탁 코스를 제공하는 기능만을 제공하고 있다.

또한, 세탁 장치 또는 세탁 보조 장치는 구동 방식이나 기능에 따라 여러 종류로 구분될 수 있으며, 이에 따라 한 가정 안에서도 복수의 세탁 장치 또는 세탁 보조 장치들을 구비하고 사용하는 경우가 많다.

예컨대, 세탁 장치 또는 세탁 보조 장치에는 통돌이 세탁기, 드럼 세탁기, 의류 관리기(트롬 스타일러, 에어드레서, 의류청정기 등), 건조기 등이 있다.

하지만, 종래의 기술은 사용자의 세탁 선호도 또는 취향을 고려하여 세탁 코스를 설정해주는 기능을 제공하지 못한다. 또한, 사용자가 다양한 세탁 장치 또는 세탁 보조 장치를 보유한 경우에 여러 세탁 장치들의 특성을 고려한 유기적인 통합 세탁 스케줄을 제공하지 못한다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명은 사용자의 세탁 기록, 연동된 복수의 세탁기들에 대한 특징 및 세탁물의 특징을 고려하여, 사용자에게 적합하고 복수의 세탁기들을 유기적으로 이용하는 통합 세탁 스케줄을 제공하는, 세탁 스케줄링 장치 및 그 방법을 제공하고자 한다.

또한, 본 발명은 투입된 세탁물의 오염도를 추가적으로 고려하여, 세탁물의 오염을 제거하기에 적합한 대체 세탁 스케줄을 제공하는, 세탁 스케줄링 장치 및 그 방법을 제공하고자 한다.

또한, 본 발명은 사용자의 스케줄을 추가적으로 고려하여, 사용자의 스케줄에 적합한 대체 세탁 스케줄을 제공하는, 세탁 스케줄링 장치 및 그 방법을 제공하고자 한다.

본 발명의 일 실시 예는, 기계 학습 알고리즘 또는 딥 러닝 알고리즘을 이용하여, 사용자의 세탁 기록으로부터 세탁기 선호도를 분석하고, 연동된 복수의 세탁기들에 대한 특징과 세탁물 정보를 고려하여 각 세탁기별 우선 순위를 결정하고, 세탁기 우선 순위에 따라 각 세탁기에 세탁물을 분배하는 통합 세탁 스케줄을 생성한다.

본 발명의 일 실시 예는, 세탁 스케줄을 사용자에게 제공하고 해당 세탁 스케줄을 실행할 때에 세탁기에 투입되는 세탁물에 상응하는 오염도 정보를 획득할 수 있고, 현재 세탁 스케줄이 해당 세탁물의 오염을 제거하기에 적합한지 판단하고, 부적합한 경우라면 해당 세탁물의 오염을 제거하기에 적합한 대체 세탁 스케줄을 생성할 수 있다.

본 발명의 일 실시 예는, 사용자의 스케줄을 고려하여 빠른 세탁 코스를 이용하여 세탁 시간을 단축시키거나 예약 기능을 이용하여 사용자의 도착 시간에 맞추어 세탁이 종료되도록 세탁 시간을 미루는 대체 세탁 스케줄을 생성할 수 있다.

본 발명의 다양한 실시 예에 따르면, 사용자의 세탁 기록, 세탁기 특징 및 세탁물 특징을 고려한 통합 세탁 스케줄을 제공하므로, 사용자는 자신의 선호도에 부합하면서도 각 세탁물에 적합한 세탁이 가능하므로 높은 만족도를 얻을 수 있다.

본 발명의 다양한 실시 예에 따르면, 현재 제공된 세탁 스케줄이 투입되는 세탁물의 오염을 제거하기에 부족하다는 정보와 현재 세탁물에 적합한 대체 세탁 스케줄을 제공하므로, 세탁의 신뢰도를 높일 수 있다.

본 발명의 다양한 실시 예에 따르면, 사용자의 스케줄에 적합한 대체 세탁 스케줄을 제공함으로써, 사용자는 스케줄이 있더라도 이에 지장 없이 세탁이 가능하다.

도 1은 본 발명의 일 실시 예에 따른 세탁 스케줄링 시스템의 구성을 나타낸 블록도이다.

도 2는 본 발명의 일 실시 예에 따른 세탁 스케줄링 장치의 구성을 나타낸 블록도이다.

도 3은 본 발명의 일 실시 예에 따른 세탁 스케줄링 세탁물 처리 기기의 구성을 나타낸 블록도이다.

도 4는 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 동작 흐름도이다.

도 5는 도 4에 도시된 세탁물 정보를 수신하는 단계의 일 예를 나타낸 동작 흐름도이다.

도 6은 도 4에 도시된 세탁 스케줄링 정보를 생성하는 단계의 일 예를 나타낸 동작 흐름도이다.

도 7은 도 4에 도시된 세탁 스케줄링 정보를 생성하는 단계의 일 예를 나타낸 동작 흐름도이다.

도 8은 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 동작 흐름도이다.

도 9는 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 동작 흐름도이다.

도 10은 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 래더 다이어그램이다.

도 11은 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 래더 다이어그램이다.

도 12는 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 래더 다이어그램이다.

도 13은 본 발명의 일 실시 예에 따른 세탁 스케줄링 정보를 제공하는 과정을 나타낸 도면이다.

도 14는 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 도면이다.

도 15는 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법을 나타낸 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 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 명세서에서 의복, 이불, 인형 등 세탁하거나 건조하거나 드라이클리닝 등을 수행하는데 필요한 기능을 수행하는 세탁 장치 및 세탁 보조 장치들을 통칭하여 세탁기, 세탁물 처리 장치 또는 세탁물 처리 기기라고 한다. 즉, 본 명세서에서의 세탁기는 통상적인 세탁 장치, 건조기 및 의류관리기 등을 포함한다.

세탁 장치는 그 동작 방법에 따라 드럼 세탁기 및 통돌이 세탁기 등으로 구분할 수 있고, 크기/용량에 따라 대형 세탁기, 일반 세탁기 및 미니 세탁기 등으로 구분할 수 있다.

건조기는 그 동작 방법에 따라 가스식 건조기 및 전기식 건조기 등으로 구분할 수 있으며, 세탁물을 건조시키는 장치를 의미할 수 있다.

의류관리기는 통상적인 세탁 장치와는 달리 물로 의류 등을 세탁하는 것이 아닌, 의류 등을 드라이클리닝하거나 먼지를 제거하거나 스팀을 이용하여 살균하거나 다림질하는 기능 중에서 적어도 하나 이상의 기능을 제공하는 장치를 의미할 수 있다.

본 명세서에서 의복이나 이불, 인형과 같이 세탁 가능한 옷감이나 섬유를 포함하는 사물들을 통칭하여 세탁물이라고 한다.

본 명세서에서 설명되는 단말기는 별도의 구별이 없으면 세탁 스케줄링 장치(100)를 의미할 수 있다.

본 명세서에서 휴대용 단말기(200)는 원격제어장치(200)와 혼용되어 사용될 수 있다.

본 명세서에서 스케줄링 지원 서버(400)는 학습 서버(400)와 혼용되어 사용될 수 있다.

이때, 본 명세서에서 설명되는 단말기에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등이 포함될 수 있다.

또한, 본 발명의 실시 예에 따른 단말기는 데스크탑 컴퓨터, 디지털사이니지, 지능형 세탁기, 지능형 냉장고, 지능형 스피커, 지능형 TV, 지능형 사물인터넷 통합 관리 장치 등과 같은 고정 단말기에도 적용될 수도 있다.

또한, 본 발명의 실시 예에 따른 단말기는 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

또한, 본 발명의 실시 예에 따른 단말기는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가할 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.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공신경망(Artificial neural network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성：conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망(Artificial Neural Network, ANN)은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(Layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망(Artificial Neural Network, ANN)은 기계 학습에서 사용되는 모델로써, 기계 학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망(Artificial Neural Network, ANN)은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망(Artificial Neural Network, ANN)은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망(Artificial Neural Network, ANN)은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망(Artificial Neural Network, ANN)은 뉴런(neuron)과 뉴런(neuron)을 연결하는 시냅스(synapse)를 포함할 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어(layer)의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망(Artificial Neural Network, ANN)은 계층(layer) 수에 따라 단층 신경망(Single Layer Neural Networks)과 다층 신경망(Multi Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망(Single Layer Neural Networks)은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층신경망(Multi Layer Neural Networks)은 입력층과 은닉층, 출력층으로 구성된다.

입력층(input layer)은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층(hidden layer)은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층(output layer)은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.

한편 입력층(input layer)과 출력 층(output layer) 사이에 복수의 은닉층(hidden layer)을 포함하는 심층 신경망(Deep Neural Network, DNN)은, 기계 학습(machine learning) 기술의 한 종류인 딥 러닝(deep learning)을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습(training)이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망(Artificial Neural Network, ANN)의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망(Artificial Neural Network, ANN)의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류(classification)하거나 군집화 (clustering)할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.

다음은 인공 신경망(Artificial Neural Network, ANN)의 학습 방식에 대하여 설명한다.

인공 신경망(Artificial Neural Network, ANN)의 학습 방식은 크게, 지도 학습(Supervised Learning), 비 지도 학습(Unsupervised Learning), 준 지도 학습(semi-supervised learning), 강화 학습(Reinforcement learning)으로 분류될 수 있다.

지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고할 수 있다.

지도 학습에서는, 훈련 데이터(training data)에 대한 레이블(label)이 주어진 상태에서 인공 신경망(Artificial Neural Network, ANN)을 학습시킨다.

여기서 레이블(label)이란, 훈련 데이터(training data)가 인공 신경망(Artificial Neural Network, ANN)에 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터(training data)가 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과값)을 레이블(label) 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망(Artificial Neural Network, ANN)의 학습을 위하여 훈련 데이터(training data)에 레이블(label)을 다는 것을, 훈련 데이터(training data)에 레이블링 데이터(labeling data)를 레이블링 한다(labeling)라고 명칭 한다.

이 경우 훈련 데이터(training data)와 훈련 데이터에 대응하는 레이블(label)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망(Artificial Neural Network, ANN)에는 트레이닝 셋(training set)의 형태로 입력될 수 있다.

한편 훈련 데이터(training data)는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블(label)이 레이블링(labeling)된다는 것은 훈련 데이터(training data)가 나타내는 특징에 레이블(label)이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터(training data)는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터와 레이블링 데이터(labeling data)를 이용하여, 훈련 데이터와 레이블링 데이터(labeling data)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망(Artificial Neural Network, ANN)은 유추된 함수에 대한 평가를 통해 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화)할 수 있다.

비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블(label)이 주어지지 않는다.

구체적으로, 비 지도 학습(Unsupervised Learning)은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블(label)의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습(Unsupervised Learning)의 예로는, 군집화(Clustering) 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(Generative　Adversarial　Network, GAN), 오토 인코더(Autoencoder, AE)를 들 수 있다.

생성적 적대 신경망(Generative　Adversarial　Network, GAN)이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.

이 경우 생성기(generator)는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기(discriminator)는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 생성기(generator)에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기(generator)는 판별기(discriminator)를 속이지 못한 데이터를 입력 받아 학습하며, 판별기(discriminator)는 생성기(generator)로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기(generator)는 판별기(discriminator)를 최대한 잘 속이도록 진화할 수 있고, 판별기(discriminator) 원본 데이터와 생성기(generator)에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더(Autoencoder, AE)는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더(Autoencoder, AE)는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더(Autoencoder, AE)는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습(Semi-Supervised Learning)은 기계 학습의 일종으로, 레이블(label)이 주어진 훈련 데이터와 레이블(label)이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.

준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

도 1은 본 발명의 일 실시 예에 따른 세탁 스케줄링 시스템(1)의 구성을 나타낸 블록도이다.

도 1을 참조하면, 세탁 스케줄링 시스템(1)은 세탁 스케줄링 장치(100), 원격제어장치(200), 적어도 하나 이상의 세탁기(300), 스케줄링 지원 서버(400) 및 음성 서버(500) 등을 포함할 수 있다.

일 실시 예에서, 세탁 스케줄링 시스템(1)은 원격제어장치(200), 스케줄링 지원 서버(400) 및 음성 서버(500) 중에서 적어도 하나 이상을 포함하지 않고도 구성될 수 있다.

일 실시 예에서, 세탁 스케줄링 시스템(1)은 세탁 스케줄링 장치(100) 및 적어도 하나 이상의 세탁기(300)만으로 구성될 수 있다.

세탁 스케줄링 장치(100)는 적어도 하나 이상의 세탁기(300)와 연동(pairing)하고, 사용자의 세탁 기록 또는 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로 학습하여 사용자의 세탁 선호도에 대한 정보(세탁 선호도 파라미터들)를 획득하고, 사용자의 세탁 선호도에 대한 정보, 연동된 세탁기들에 대한 세탁기 정보 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성하고, 생성된 세탁 스케줄링 정보를 출력하고, 세탁 스케줄링 정보에 따라 연동된 세탁기들을 제어한다.

여기서, 세탁 스케줄링 장치(100)는 텔레비전(TV), 프로젝터, 스마트폰, 태블릿, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 고정형 로봇 및 이동 가능한 로봇 등으로 구현될 수 있다. 즉, 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있다.

세탁 스케줄링 장치(100)가 세탁기로 구현된 경우에는, 다른 세탁기들(300)과 연동하여 복수의 세탁기 세트를 구성할 수 있다.

세탁 스케줄링 장치(100)가 세탁기가 아닌 다른 제품으로 구현된 경우에는, 복수의 세탁기들(300)과 연동하여 복수의 세탁기 세트를 구성할 수 있다.

세탁 스케줄링 장치(100)는 원격제어장치(200)와 연동되어, 원격제어장치(200)로부터 제어 신호를 수신하거나, 원격제어장치(200)로 데이터를 전송하여 출력할 수 있다.

세탁 스케줄링 장치(100)는 연동된 세탁기들(300)에 세탁 스케줄링 정보에 상응하는 제어 신호를 전송할 수 있다. 그리고, 연동된 세탁기들(300)로부터 제어 응답 신호를 수신하면 제어 응답 신호에 상응하는 사용자 안내 메시지를 출력하거나 새로운 제어 신호를 생성하여 연동된 세탁기들(300)에 전송할 수 있다.

세탁 스케줄링 장치(100)는 사용자의 음성을 기반으로 제어될 수 있다.

사용자의 음성은 세탁 스케줄링 장치(100) 또는 원격제어장치(200)를 통하여 음성 데이터로 변환될 수 있다.

세탁 스케줄링 장치(100)는 직접 음성 데이터를 분석하여 음성 데이터에 상응하는 의미 정보를 획득할 수 있다.

세탁 스케줄링 장치(100)는 의미 정보에 상응하는 제어 명령어를 생성하여 제어 명령에 상응하는 제어를 수행할 수 있다.

세탁 스케줄링 장치(100)는 음성 데이터를 음성 서버(500)에 전송하면, 음성 서버(500)가 수신한 음성 데이터를 분석하여 음성 데이터에 상응하는 의미 정보를 획득하고, 의미 정보 또는 의미 정보에 상응하는 제어 명령어를 세탁 스케줄링 장치(100)에 전송할 수 있다.

원격제어장치(200)는 마이크를 포함한 리모콘, 메뉴를 동작할 수 있도록 하는 단말기의 리모콘, 스마트폰으로 구현되는 리모콘 앱 등을 통칭한다.

예를 들어, 원격제어장치(200)는 사용자의 음성을 입력 받아 음성 데이터를 생성하고, 음성 데이터를 세탁 스케줄링 장치(100)에 전송할 수 있다. 또한, 원격제어장치(200)는 세탁 스케줄링 장치(100)로부터 세탁 스케줄링 정보를 수신하여 사용자에게 음성 정보 또는 화상 정보로서 출력할 수 있다. 나아가, 원격제어장치(200)는 세탁 스케줄링 장치(100)의 전원을 제어하는 전원 제어 신호 등을 생성하여 세탁 스케줄링 장치(100)에 전송할 수 있다.

원격제어장치(200)는 세탁 스케줄링 장치(100)와 연동되어 세탁 스케줄링 장치(100)를 제어하기 위한 제어 신호를 전송하거나, 다양한 데이터를 송수신할 수 있다.

원격제어장치(200)는 사용자의 음성을 입력 받을 수 있는 마이크를 포함하여 구성될 수 있고, 이러한 경우에 사용자의 음성을 입력 받아 세탁 스케줄링 장치(100)로 전송할 수 있다.

원격제어장치(200)는 소리를 출력할 수 있는 스피커를 포함하여 구성될 수 있고, 이러한 경우에 세탁 스케줄링 장치(100)로부터 수신한 소리 데이터를 소리로 출력할 수 있다.

원격제어장치(200)는 화상 정보를 출력할 수 있는 디스플레이부를 포함하여 구성될 수 있고, 이러한 경우에 세탁 스케줄링 장치(100)로부터 수신한 화상 데이터를 화상으로 출력할 수 있다.

원격제어장치(200)는 메뉴 또는 버튼을 구비하고, 사용자의 상호작용에 의하여 해당 메뉴 또는 버튼에 상응하는 제어 신호를 세탁 스케줄링 장치(100)에 전송하여 제어할 수 있다.

원격제어장치(200)는 사용자 입력부 혹은 인터페이스부를 구비하고, 사용자 입력부 또는 인터페이스부를 통하여 사용자의 상호작용에 상응하는 정보를 획득할 수 있다.

세탁기(300)는 세탁물에 대하여 물세탁, 드라이클리닝, 다림질, 먼지 제거, 건조, 살균 중에서 적어도 하나 이상의 기능을 갖는 세탁물 처리 기기를 의미할 수 있으며, 세탁 장치 및 세탁 보조 장치 등을 포함할 수 있다.

일 실시 예에서, 세탁 스케줄링 장치(100)가 세탁기로 구현될 수도 있다. 이 경우, 세탁기(300)가 세탁 스케줄링 장치(100)로 기능할 수 있다.

세탁기(300)는 통신 기능을 포함하여 다른 세탁기들 또는 세탁 스케줄링 장치(100)와 연동될 수 있다. 나아가, 원격제어장치(200)와도 연동될 수 있다.

세탁기(300)는 다양한 센서들, 카메라 또는 마이크를 구비하여 센서 정보, 음성 데이터, 화상 데이터를 수집할 수 있고, 수집한 정보 또는 데이터를 원하는 목적에 따라 직접 처리 또는 가공할 수도 있고, 세탁 스케줄링 장치(100)에 전송하여 원하는 데이터를 수신할 수 있다.

이때, 세탁기(300)의 센서들에는 근거리 센서, 조도 센서, 적외선 센서, 자외선 센서, 가시광선 센서 등이 포함될 수 있다.

이때, 세탁기(300)에서 수집된 센서 정보, 음성 데이터 또는 화상 데이터는 물체의 접근 여부, 투입되는 세탁물 정보, 사용자 구별 정보 등을 획득하는데 이용될 수 있다. 이러한 작업은 세탁기(300)에서 직접 수행할 수 있고, 세탁 스케줄링 장치(100), 스케줄링 지원 서버(400) 또는 음성 서버(500) 등에서 수행될 수도 있다.

예컨대, 음성 데이터를 분석하여 사용자의 음성이 갖는 의미를 분석할 수도 있고, 현재 사용자의 성별을 구별할 수도 있고, 복수의 사용자를 구별하여 현재 사용자를 특정할 수 있다.

또한, 세탁기(300)는 메모리를 포함하여 세탁기 기기 정보나 세탁기 사용 로그를 저장할 수 있고, 세탁 스케줄링 장치(100)에 세탁기 기기 정보나 사용 로그를 전송할 수 있다.

여기서, 세탁기 기기 정보에는 모델명, 소비 전력, 평균 세탁 시간, 각 세탁 코스별 세탁 시간, 용량, 옷감 손상 가능성, 사용에 적합한/부적합한 세탁물 및 지원 기능 목록 등에 관한 정보가 포함될 수 있다.

예컨대, 의류관리기의 경우에는 지원 기능 목록에 다림질, 먼지 제거, 스팀 살균 등이 포함될 수 있다. 또한, 건조기의 경우에는 사용에 부적합한 세탁물에 니트류가 포함될 수 있다.

여기서, 세탁기 사용 로그는 세탁 기록을 의미할 수 있고, 각 항목에는 세탁 시점, 세탁 코스 및 세탁물에 대한 정보 등이 포함될 수 있다. 또한, 세탁 코스에 대한 정보에는 세탁 강도, 물의 온도, 세제의 종류, 세제의 양, 각 단계별 세탁 시간, 각 단계별 반복 횟수 등이 포함될 수 있다.

스케줄링 지원 서버(400)는 외부에 별도로 구성된 서버로, 도 2에 도시된 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.

즉, 스케줄링 지원 서버(400)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.

스케줄링 지원 서버(400)는 적어도 하나의 세탁 스케줄링 장치(100) 또는 적어도 하나 이상의 세탁기(300)와 통신할 수 있고, 세탁 스케줄링 장치(100) 또는 세탁기(300)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.

스케줄링 지원 서버(400)는 음성 서버(500)와 통신할 수 있고, 음성 서버(500)를 대신하여 혹은 도와 음성 데이터에 상응하는 의미 정보를 도출할 수 있다.

스케줄링 지원 서버(400)는 복수로 구성되어 스케줄링 지원 서버 세트(혹은 클라우드 서버)를 구성할 수 있고, 스케줄링 지원 서버 세트에 포함된 적어도 하나 이상의 스케줄링 지원 서버(400)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.

스케줄링 지원 서버(400)는 적어도 하나 이상의 세탁 스케줄링 장치(100) 또는 적어도 하나 이상의 세탁기(300)로부터 복수의 사용자들에 대한 세탁기 사용 기록 또는 세탁 만족도 정보 중에서 하나 이상을 수집하여 데이터베이스를 구성할 수 있다.

나아가, 스케줄링 지원 서버(400)는 여러 제조사별 세탁기에 대한 기기 정보, 세탁물 분류 정보, 세탁물별 세탁 정보 등에 대한 데이터베이스를 포함할 수 있다.

스케줄링 지원 서버(400)는 주기적으로 혹은 요청에 의하여 세탁 스케줄링 장치(100)에 복수의 사용자들에 대한 세탁기 사용 기록 또는 세탁 만족도 정보 중에서 하나 이상을 전송할 수 있다.

스케줄링 지원 서버(400)는 주기적으로 혹은 요청에 의해 세탁 스케줄링 장치(100)에 다양한 세탁기에 대한 기기 정보, 여러 세탁물 분류 정보 또는 세탁물별 세탁 정보를 전송할 수 있다.

스케줄링 지원 서버(400)는 주기적으로 혹은 요청에 의하여 세탁 스케줄링 장치(100)에 기계 학습 또는 딥 러닝에 의하여 생성한 세탁 선호도 파라미터 프리셋을 전송할 수 있다.

여기서, 세탁 선호도 파라미터 프리셋은 다양한 사용자들의 세탁기 사용 기록이나 세탁 만족도 정보로부터 도출한 다양한 사용자 특성과 그에 상응하는 세탁 선호도 파라미터들의 모음을 의미할 수 있다.

예컨대, 다양한 사용자들에 대한 데이터를 학습하여 사용자들을 10가지의 타입으로 분류할 수 있고, 각 타입에 대하여 세탁 선호도 파라미터들을 결정하여 10개의 세탁 선호도 파라미터 프리셋을 구성할 수 있다.

음성 서버(500)는 세탁 스케줄링 장치(100), 원격제어장치(200) 또는 세탁기(300)에서 입력되는 음성 데이터를 수신하여 의미 정보를 획득하고, 획득한 의미 정보를 반환할 수 있다.

음성 서버(500)는 스케줄링 지원 서버(400)를 통하여 혹은 스케줄링 지원 서버(400)와 함께 음성 데이터에 상응하는 의미 정보를 획득할 수 있다.

음성 서버(500)와 스케줄링 지원 서버(400)는 하나로 통합된 서버로 구성될 수 있다. 서버를 다수 혹은 하나로 하는 것과, 기능 별로 서버를 분리하거나 하나의 서버로 통합하는 것은 다양한 실시 예에 해당하며, 본 발명이 어느 하나에 한정되는 것은 아니다.

도 2는 본 발명의 일 실시 예에 따른 세탁 스케줄링 장치(100)의 구성을 나타낸 블록도이다.

도 2를 참조하면, 세탁 스케줄링 장치(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190) 등을 포함할 수 있다.

일 실시 예에서, 세탁 스케줄링 장치(100)가 세탁기를 의미하거나 세탁기에 구현된 경우에는, 세탁부(310)를 더 포함할 수 있다.

세탁부(310)는 세탁 기능을 제공하는 구성 요소들을 포함한다. 예컨대, 세탁 기능에는 급수, 배수, 세탁, 헹굼, 건조, 드라이클리닝, 먼지 제거, 다림질 등이 포함될 수 있다.

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

이때, 무선 통신부(110)는 적어도 하나 이상의 세탁기(300)와 신호를 송수신할 수 있다.

이때, 무선 통신부(110)는 원격제어장치(200)와 신호를 송수신할 수 있다.

이때, 무선 통신부(110)는 음성 서버(500) 및 스케줄링 지원 서버(400) 중에서 적어도 하나 이상과 신호를 송수신할 수 있다.

송수신하는 신호는 장치 페어링을 위한 연동 신호, 페어링된 장치를 제어하는 제어 신호 및 기타 데이터에 상응하는 신호들을 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전빯캡* 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 단말기에 의해 수신, 검출, 감지 또는 생성된 데이터, 또는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 입력 기록 및 출력 기록, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 단말기 내 정보, 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

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

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

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

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

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

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

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

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

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 2와 함께 살펴본 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용프로그램의 구동을 위하여, 단말기(100)에 포함된 구성 요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

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

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 세탁 스케줄링 세탁물 처리 기기(300)의 구성을 나타낸 블록도이다.

도 3을 참조하면, 세탁물 처리 기기(300)는 도 2에 도시된 세탁 스케줄링 장치(100) 및 세탁부(310) 등을 포함할 수 있다.

세탁 스케줄링 장치(100)는 세탁물 처리 기기(300)의 내부 구성 요소로서 모듈화되어 구성될 수도 있다.

세탁물 처리 기기(300)는 도 2에 도시된 세탁 스케줄링 장치(100)의 내부 구성 요소들과 세탁부(310)를 병렬적인 구성 요소로서 포함할 수 있다.

세탁부(310)는 세탁과 관련된 기능을 수행하는 세탁 모듈(311), 건조와 관련된 기능을 수행하는 건조 모듈(312), 기타 의류 관리와 관련된 기능을 수행하는 의류 관리 모듈(313) 및 상기 모듈들(311, 312 및 313)을 제어하는 제어 프로세서(314) 중에서 적어도 하나 이상을 포함할 수 있다.

세탁 모듈(311)은 담금, 세탁, 헹굼 및 탈수 등의 세탁과 관련된 기능을 수행할 수 있다.

건조 모듈(312)은 다양한 방법을 이용하여 세탁물을 건조하는 기능을 수행할 수 있으며, 대표적으로 바람(열풍이나 냉풍)을 이용하여 세탁물을 건조할 수 있다.

의류 관리 모듈(313)은 의류 거치, 드라이클리닝, 먼지 제거, 살균, 주름 제거 및 다림질 등의 다양한 의류 관리와 관련된 기능을 수행할 수 있다.

프로세서(180) 또는 세탁부(310)에 구비된 제어 프로세서(314)는 세탁부(310)의 세탁 모듈(311), 건조 모듈(312) 또는 의류 관리 모듈(313)에 포함된 구성 요소들을 제어하여 다양한 세탁 기능을 제공한다.

만약, 프로세서(180)가 세탁부(310)의 모듈들(311, 312 및 313)을 제어하는 경우에는, 세탁부(310)는 제어 프로세서(314)를 포함하지 않고 구성될 수 있다.

입력부(120)와 센서부(140)는 세탁부(310)의 사용 및 제어와 관련된 사용자의 상호작용에 관련된 데이터를 수집할 수 있다. 예컨대, 입력부(120)와 센서부(140)는 음성이나 상호작용을 통한 코스 선택 정보 및 제어 정보 등을 수집할 수 있다.

출력부(150)는 세탁부(310)의 사용 및 제어와 관련된 정보를 출력할 수 있다. 예컨대, 출력부(150)는 세탁, 건조 및 의류 관리에 상응하는 코스 정보, 사용 기록, 제어 정보 등을 출력할 수 있다.

메모리(170)는 세탁부(310)의 사용 및 제어와 관련된 정보를 저장할 수 있다. 예컨대, 메모리(170)는 세탁, 건조 및 의류 관리에 상응하는 코스 정보, 사용 기록, 제어 정보 등을 저장할 수 있다.

구체적으로, 세탁 모듈(311)은 세탁수가 저장되는 터브(311a), 상기 터브 내에 회전 가능하도록 설치되어 세탁물이 투입되는 드럼(311b), 상기 드럼을 회전시키는 구동부(311c), 상기 세탁수를 공급하는 급수부(311d), 상기 세탁수를 순환 또는 배출시키는 펌프(311e) 및 상기 배출되는 세탁수를 배출하는 배수부(311f) 등을 포함할 수 있다.

터브(311a) 내에는 세탁물이 수용되는 드럼(311b)이 회전 가능하게 구비될 수 있다. 드럼(311b)은 세탁물을 수용하며, 세탁물이 투입되는 입구가 전면 또는 상면에 위치하도록 배치되며, 대략 수평한 또는 수직한 회전 중심선을 중심으로 회전된다. 터브(311a) 내의 물이 드럼(311b) 내로 유입될 수 있도록, 드럼(311b)에는 다수의 통공이 형성될 수 있다.

다만, 여기서의 "수평" 또는 "수직"은 수학적으로 엄밀한 의미로써 사용된 용어는 아니다. 즉, 실시예에서와 같이 회전 중심선이 수평 또는 수직에 대해 소정의 각도로 기울어진 경우에도 수평에 근접하기 때문에, 실질적으로 수평 또는 수직하다고 할 수 있다.

급수부(311d)는 급수밸브, 급수관 및 급수호스 등을 포함할 수 있다.

급수시 급수밸브, 급수관을 통과한 세탁수는 세제 디스펜서에서 세제와 혼합된 다음, 급수호스를 통하여 터브(311a)로 공급될 수 있다.

한편, 급수밸브에 직수 공급관이 연결되어 직수 공급관을 통하여 세탁수가 세제와 혼합되지 않고 터브(311a) 내로 직접 공급될 수 있다.

펌프(311e)는 세탁수를 외부로 배출시키는 배수 펌프(311e)와 세탁수를 순환시키는 순환 펌프(311e)로서의 기능을 수행하나, 이와 달리 배수 펌프(311e) 및 순환 펌프(311e)가 별개로 설치될 수 있다.

펌프(311e)는 배수부(311f)에 구비된 배수관과 연결되어, 배수관을 통하여 세탁수를 외부로 배출할 수 있다. 또한, 펌프(311e)는 순환수 공급관과 연결되어, 순환수 공급관을 통해 터브(311a) 내에 저장된 세탁수를 드럼(311b) 내부로 분사하여 세탁수를 순환시킬 수 있다.

드럼(311b)의 내측면에 드럼(311b)의 내부를 향하여 돌출된 하나 이상의 돌출부를 포함할 수 있다.

돌출부는 드럼(311b)의 내측면에 배치되는 리프터 또는 일체로 형성된 엠보싱일 수 있다. 드럼(311b)의 내측면에 리프터가 구비되거나 엠보싱이 형성되는 경우, 드럼(311b)의 회전시 세탁물이 리프터에 의해 들어올려졌다가 낙하되는 것을 반복할 수 있다.

구동부(311c)는 드럼(311b)을 회전시키며, 구동부(311c)에 의해 회전되는 구동축이 터브(311a)의 후면부를 통과하여 드럼(311b)과 결합될 수 있다.

구동부(311c)는 속도 제어가 가능한 모터를 포함할 수 있다.

이때, 모터는 직접 구동 방식의 인버터 모터(Inverter Direct Drive Motor)일 수 있다.

제어 프로세서(314)는 구동부(311c)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(311c)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(311c)의 모터의 구동을 제어할 수 있다.

그리고, 건조 모듈(312)은 세탁물이 투입되는 드럼(312a), 상기 드럼을 회전시키는 구동부(312b), 공기를 가열시키는 가열부(312c), 내부 공기를 순환시키는 송풍팬(312d) 및 내부 공기를 배출하는 배기부(312e) 등을 포함할 수 있다.

드럼(312a)은 건조물이 건조되는 공간으로, 본체의 내부에 회전 가능하게 설치된다. 그리고, 드럼(312a)의 내부에는 건조물을 상승시켜 낙하시키기 위한 하나 이상의 리프터가 구비될 수 있다.

드럼(312a)은 흡기구(미도시)와 연결되고, 송풍팬(312d)에 의해 내부로 공기가 유입될 수 있다.

구동부(312b)는 드럼(312a)을 회전시키며, 구동부(312b)에 의해 회전되는 구동축이 드럼(312a)와 결합될 수 있다.

구동부(312b)는 속도 제어가 가능한 모터를 포함할 수 있다.

제어 프로세서(314)는 구동부(312b)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(312b)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(312b)의 모터의 구동을 제어할 수 있다.

가열부(312c)는 드럼(312a) 내부의 공기 또는 외부에서 유입되는 공기를 가열하는 가열부를 포함할 수 있다.

가열부는 가스식 혹은 전기식 등의 다양한 에너지원을 이용하여 공기를 가열시키며, 전기식의 경우 코일 히터를 이용할 수 있다.

가열부(312c)는 복수의 가열부를 포함할 수 있고, 각 가열부는 서로 동일하지 않고 다양한 에너지원을 이용할 수도 있고, 각각의 성능이 상이할 수도 있다.

송풍팬(312d)은 가열부(312c)에서 가열된 공기 또는 드럼(312a) 내부의 공기를 순환시킨다.

배기부(312e)는 드럼(312a) 내부의 공기가 외부로 배출될 수 있도록 안내하는 역할을 하며, 배기 덕트 및 에어필터 등을 포함할 수 있다.

그리고, 의류 관리 모듈(313)은 의류를 거치할 수 있는 공간인 의류 컨테이너(313a), 의류 컨테이너(313a)에 구비된 거치대를 움직이는 구동부(313b), 내부 공기를 순환시키는 송풍팬(313c), 에어 필터(313d), 살균부(313e) 및 주름 관리부(313f) 등을 포함할 수 있다.

의류 컨테이너(313a)는 관리 또는 처리의 대상이 되는 의류(또는 세탁물)을 담는 공간으로, 의류를 고정할 수 있는 거치대를 포함할 수 있다. 예컨대, 의류 컨테이너는 옷걸이와 옷걸이를 거치할 수 있는 후크, 또는 토르소와 마네킹 같은 입체 형상 등을 포함할 수 있다.

의류 컨테이너(313a)는 흡기구(미도시)와 연결되어, 송풍팬(313c)에 의해 공기가 유입될 수 있다.

구동부(313b)는 거치대를 구동하여 거치대에 거치된 의류에 대하여 기 설정된 움직임을 유도할 수 있다.

예컨대, 구동부(313b)는 일정한 진동 패턴에 따라 거치대와 거치대에 거치된 의류가 진동하도록 동작할 수 있다. 거치된 의류를 진동시킴에 따라 의류에 부착 또는 점착된 먼지나 이물질 등을 제거할 수 있다.

구동부(313b)는 속도 제어가 가능한 모터를 포함할 수 있다.

제어 프로세서(314)는 구동부(313b)의 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 구동부(313b)의 모터의 회전수(또는, 회전속도)가 기 설정된 목표 회전수(또는, 목표 회전속도)를 추종하도록 제어할 수 있다. 또한, 제어 프로세서(314)는 구동 패턴에 따라 구동부(313b)의 모터의 구동을 제어할 수 있다.

송풍팬(313c)은 의류 컨테이너(313a)의 외부에서 유입된 공기 또는 의류 컨테이너 내부(313a)의 공기를 의류 컨테이너 내부로 공급하여 공기를 순환시킨다.

송풍팬(313c)은 의류 컨테이너(313a)에 거치된 의류에 공급하는 공기가 부딪히도록 설치되거나, 공기 공급 방향이 제어될 수 있다.

예컨대, 송풍팬(313c)은 거치된 의류에 공기를 분사하여 의류에 부착 또는 점착된 먼지를 의류에서 떨어지도록 유도하거나, 의류의 습기를 제거할 수 있다.

에어 필터(313d)는 의류 컨테이너(313a)의 내부 공기가 순환될 때 혹은 내부 공기가 외부로 배출될 때 먼지 등을 필터링한다.

살균부(313e)는 거치된 의류를 살균하는 다양한 살균 장치를 포함할 수 있다.

예컨대, 살균 장치에는 오존을 이용하는 살균 장치 및 자외선을 이용하는 살균 장치 등이 포함될 수 있다.

주름 관리부(313f)는 거치된 의류의 주름을 줄이거나 제거하며, 스팀 공급기, 다리미 및 다림질판 등을 포함할 수 있다.

스팀 공급기는 공급된 물을 가열하여 스팀으로 만들고, 스팀을 의류 컨테이너(313a)에 자연 공급하거나 거치된 의류에 직접 분사할 수 있다.

다리미 및 다림질판은 의류 컨테이너(313a)의 내부에 구비된다. 그리고, 다림질 대상 의류의 모양, 위치 및 소재 등을 고려하여 결정된 다림질 작동 정보에 따라 그 작동이 제어될 수 있다.

이때, 다림질 작동 정보에는 다리미와 다림질판의 위치/동선, 다림질 온도/시간 등이 포함될 수 있다.

제어 프로세서(314)는 구동부(313b) 또는 주름 관리부(313f)에 별도로 구비된 구동부를 제어하여 다리미와 다림질판을 움직임을 제어할 수 있으며, 다림질 작동 정보에 따라 다리미 및 다림질판을 제어할 수 있다.

도 4를 참조하면, 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법은 세탁 스케줄링 장치(100)의 무선 통신부(110)는 적어도 하나 이상의 세탁기(300)와 연동 신호를 송수신하여 연동(pairing)한다(S401).

이때, 세탁 스케줄링 장치(100)는 연동된 세탁기(300)에 대한 세탁기 정보를 획득할 수 있다.

세탁기 정보에는 세탁기 모델명, 세탁기 용량, 세탁기 소비 전력, 세탁기 평균 세탁 시간, 세탁기 코스별 세탁 시간, 지원 코스, 지원 기능, 적합한 세탁물, 부적합한 세탁물 등에 대한 정보가 포함될 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 사용자의 세탁 기록 또는 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로 학습되어 생성된 사용자에 대한 세탁 선호도 파라미터들을 획득한다(S403).

만약 복수의 사용자가 존재하는 경우에는, 프로세서(180)는 사용자의 음성을 분석하거나 사용자의 상호작용을 통하여 현재의 사용자를 특정할 수 있다.

세탁 기록, 세탁 만족도 정보 및 세탁 선호도 파라미터들은 각 사용자마다 구분될 수 있다.

세탁 만족도 정보는 사용자의 상호작용을 통하여 획득한 특정 세탁 기록에 상응하는 세탁 만족도를 의미할 수 있다.

예컨대, 세탁 만족도 정보는 사용자 Q&A를 통하여 획득할 수 있다.

또한, 세탁 만족도 정보는 별도의 사용자 입력이 없다고 하더라도 휴리스틱(heuristics) 기법을 통하여 획득할 수 있다.

만약 세탁 만족도 정보가 없다고 하더라도, 특정 사용자가 동일한 세탁 코스를 반복하여 사용한다면 그 사용자는 해당 세탁 코스에 대한 선호도가 높으며 만족도 또한 높을 것으로 판단할 수 있다.

이때, 하기 수학식 1과 같이 세탁 선호도 파라미터들을 가중치로 이용하여 세탁기 정보의 각 항목에 상응하는 세탁 만족도를 계산할 수 있다.

[수학식 1]

세탁 만족도 = (세탁 선호도 파라미터 1) * (세탁기별 운용 비용)

+ (세탁 선호도 파라미터 2) * (세탁기별 운용 시간)

+ (세탁 선호도 파라미터 3) * (세탁기별 용량)

+ (세탁 선호도 파라미터 4) * (권장 세탁물 양)

세탁기별 용량은 각 세탁기의 최대 용량, 옷감 손상 방지를 위한 최대/최소 용량, 고속 세탁을 위한 최대/최소 용량 등을 의미할 수 있다.

권장 세탁물 양은 기준치 이상의 세정력을 보장하는 세탁물의 양을 의미할 수 있다.

여기서, 세탁 선호도 파라미터들은 운영 비용 파라미터, 세탁 시간 파라미터, 용량 파라미터, 손상도 파라미터, 세정력 파라미터 등을 포함할 수 있다.

이때, 각 선호도 파라미터들은 상기한 세탁기 정보의 각 항목에 상응하는 가중치를 의미할 수 있다.

예컨대, 세탁기의 세탁시간에 가장 높은 가치를 두는 사용자에게는 세탁 시간 파라미터를 다른 세탁 선호도 파라미터들보다 높게 설정하고, 이를 통하여 세탁 시간에 높은 가중치를 부여할 수 있다.

이때, 각 세탁 선호도 파라미터들은 세탁기 정보의 각 항목(예: 운영 비용, 세탁 시간, 용량, 손상도, 세정력)과 1:1로 대응되지는 않지만, 다대다 대응 관계를 가질 수도 있다.

예컨대, 세탁 선호도 파라미터 1과 세탁 선호도 파라미터 2를 제1 가중 비율(예컨대, 3:6)을 이용하여 계산하면 운영 비용에 상응하는 선호도 가중치가 되고, 세탁 선호도 파라미터 1과 세탁 선호도 파라미터 2를 제2 가중 비율(예컨대, 2:1)을 이용하여 계산하면 세탁 시간에 상응하는 선호도 가중치가 될 수 있다.

즉, 각 세탁 선호도 파라미터는 직관적으로 세탁 선호도에 연관된 요소들과의 관계 또는 의미를 제공하지는 않을 수 있다.

이때, 세탁 선호도 파라미터들은 기계 학습 알고리즘 또는 딥 러닝 알고리즘 중에서 적어도 하나를 이용하여 학습될 수 있다.

이때, 세탁 선호도 파라미터들은 세탁 스케줄링 장치(100)의 러닝 프로세서(130) 또는 스케줄링 지원 서버(400)에서 학습될 수 있다. 또한, 세탁 선호도 파라미터들은 분산 처리를 통해 러닝 프로세서(130) 및 스케줄링 지원 서버(400)에서 학습될 수 있다.

이때, 프로세서(180)는 다른 사용자들에 대한 세탁 기록 또는 다른 사용자들에 대한 세탁 만족도 정보를 추가적으로 반영하여 세탁 선호도 파라미터들을 갱신할 수 있다.

이때, 프로세서(180)는 직접 혹은 스케줄링 지원 서버(400)를 통하여 여러 사용자들에 대한 세탁 기록과 세탁 만족도 정보에 대하여도 학습하여 세탁 선호도 파라미터들을 갱신할 수 있다.

이때, 스케줄링 지원 서버(400)는 여러 사용자들에 대한 세탁 기록 또는 세탁 만족도 정보를 취합하여 저장한 데이터베이스를 포함할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁의 대상이 될 세탁물에 대한 세탁물 정보를 수신한다(S405).

이때, 세탁물 정보는 사용자의 발화에 의한 세탁물 특정 음성 데이터를 통해 획득될 수 있다. 예컨대, "흰색, 블라우스, 커피 얼룩"이라는 사용자의 음성 데이터를 수신하여 세탁물 정보를 획득할 수 있다.

이때, 세탁물 정보는 사용자의 인터페이스부(160)와의 상호작용을 통하여 획득될 수 있다. 예컨대, 사용자가 인터페이스부(160)에 표시되는 "흰색"버튼, "블라우스"버튼 및 "커피 얼룩"버튼과 상호작용하면 각 버튼에 상응하는 세탁물 정보를 획득할 수 있다.

이때, 세탁물 정보는 센싱부(140)에 구비된 센서들을 통하여 획득될 수 있다. 예컨대, 세탁물에 부착된 의류 태그, 바코드, 인식 칩 등을 센싱하여 세탁물 정보를 획득할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁기 정보, 세탁물 정보 및 세탁 선호도 파라미터들을 이용하여 세탁 스케줄링 정보를 생성한다(S407).

예컨대, 세탁기 정보는 하기 [표 1]과 같이 종류, 모델명, 소비 전력, 평균 세탁 시간, 용량, 옷감 손상 가능성, 특징 등에 대한 정보를 포함할 수 있다.

종류	통돌이 세탁기	드럼 세탁기	미니 세탁기	의류관리기
모델명	TS20BV	FH21VBW	F5VR	S5MB
소비 전력	1500W	2200W	냉수 145W/가열 1530W	1700W
평균 세탁 시간	39분	70분	42분	51분
용량	20kg	21kg	5kg	상의 5벌 +바지 1벌
옷감 손상 가능성	고	중	중	저
특징	-	-	-	세탁하기 어려운 의류(니트, 정장, 코트)에 적합

세탁기 정보와 세탁 선호도 파라미터들을 고려하면 하기 [표 2]와 같이 세탁기 특징별 혹은 선호도별 순위를 결정할 수 있다.

	1순위	2순위	3순위	4순위
소비전력	통돌이 세탁기	드럼 세탁기	미니 세탁기	의류관리기
평균 세탁 시간	통돌이 세탁기	미니 세탁기	스타일러	드럼 세탁기
옷감 손상 가능성	의류 관리기	드럼 세탁기	미니 세탁기	통돌이 세탁기
용량	드럼 세탁기	통돌이 세탁기	미니 세탁기	의류 관리기
특수 기능	의류 관리기	-	-	-
사용자 선호도	통돌이 세탁기	드럼 세탁기	미니 세탁기	의류 관리기

이때, 프로세서(180)는 세탁 선호도 파라미터들과 세탁기 정보를 이용하여 연동된 세탁기에 대한 우선 순위를 결정하고, 우선 순위를 고려한 연동된 세탁기의 가동 순서를 포함하는 세탁 스케줄링 정보를 생성할 수 있다.예컨대, 세탁 선호도 파라미터들을 고려하였을 때 사용자가 소비 전력을 우선시하는 경우에는, 프로세서(180)는 소비 전력이 낮은 순서대로인 "통돌이 세탁기", "드럼 세탁기", "미니 세탁기", "의류 관리기" 우선 순위를 결정할 수 있다.

다만, 세탁 선호도 파라미터들을 고려하였을 때 사용자가 소비전력을 우선시하지만 옷감 손상도에 대하여도 많이 신경을 쓰는 경우에는, 프로세서(180)는 옷감 손상도를 고려한 세탁기 우선 순위를 결정할 수 있다.

이때, 프로세서(180)는 연동된 세탁기에 대한 우선 순위와 세탁물 정보를 고려하여 각 연동된 세탁기에 대한 세탁물 분배 정보를 포함하는 세탁 스케줄링 정보를 생성할 수 있다.

이때, 프로세서(180)는 사용자의 세탁 선호도 파라미터들 또는 세탁물 정보 중에서 적어도 하나 이상을 이용하여 각 연동된 세탁기별 세탁 코스를 포함하는 세탁 스케줄링 정보를 생성할 수 있다.

이때, 프로세서(180)는 세탁의 과정이 서로 연계되는 두 개 이상의 세탁기들(예컨대, 드럼세탁기와 건조기)에 대하여는 후처리 세탁기(예컨대, 건조기)의 가용 시점을 고려한 선처리 세탁기(예컨대, 드럼세탁기)에의 투입 시점 정보를 포함한 세탁 스케줄링 정보를 생성할 수 있다.

예를 들어, 세탁물 A를 드럼세탁기에서 세탁하도록 하는 세탁 스케줄링 정보에 있어서, 세탁물 A를 드럼세탁기에서 세탁하는 시간이 60분 소요되고, 건조기가 70분 이후에야 사용 가능한 것으로 판단되는 경우를 가정한다. 이때, 프로세서(180)는 드럼세탁기에 세탁물 A를 투입하는 시간을 10분 늦추어 세탁 종료 시점과 건조기 투입 시점을 일치시킨 세탁 스케줄링 정보를 생성할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 생성된 세탁 스케줄링 정보를 출력하여 사용자에게 제공한다(S409).

이때, 프로세서(180)는 출력부(150)를 통하여 세탁 스케줄링 정보를 출력할 수 있다.

디스플레이부(151)를 통하여 세탁 스케줄링 정보에 상응하는 화상 정보로서 도 14의 세탁 스케줄(15_4)를 출력할 수 있다.

또한, 디스플레이부(151)는 "세탁물 A는 지금 세탁기 a에 투입하고, 세탁물 B는 30분 이후에 세탁기 b에 투입하세요"와 같은 메시지를 출력할 수도 있다.

또한, 디스플레이부(151)는 세탁 스케줄에 상응하는 세탁물 투입에 대한 정보를 픽토그램 등을 활용하여 그림 정보로 출력할 수 있다.

음향 출력부(152)는 "세탁물 A는 지금 세탁기 a에 투입하고, 세탁물 B는 30분 이후에 세탁기 b에 투입하세요"메시지를 음성으로 출력할 수 있다.

이때, 프로세서(180)는 무선 통신부(110)를 통하여 원격제어장치(200)에 세탁 스케줄링 정보를 전송하고, 원격제어장치(200)는 세탁 스케줄링 정보를 화상 정보 또는 음성 정보 등으로 출력할 수 있다.

이때, 프로세서(180)는 무선 통신부(110)를 통하여 세탁기(300)에 세탁 스케줄링 정보를 전송하고, 세탁기(300)는 세탁 스케줄링 정보를 화상 정보 또는 음성 정보 등으로 출력할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 연동된 세탁기들(300)로부터 세탁물 투입 정보 또는 제어 정보 등을 수신하여 세탁 스케줄링 정보에 따라 작업이 수행되고 있는지 여부를 판단할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁 스케줄링 정보에 상응하는 세탁이 이루어지고 있지 아니한 경우에는 세탁 스케줄링 정보를 다시 출력하도록 출력부(150)를 제어할 수 있다.

만약, 세탁 스케줄링 정보와는 다른 세탁 작업이 수행되고 있는 경우, 프로세서(180)는 다시 현재 세탁물 정보를 고려한 대체 세탁 스케줄링 정보를 생성할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 인터페이스부(160) 또는 입력부(120)를 통하여 사용자로부터 세탁 스케줄링 정보에 상응하는 세탁 만족도 정보를 획득할 수 있다. 그리고, 획득한 세탁 만족도 정보는 메모리(170)에 저장될 수 있다.

세탁 스케줄링 장치(100)의 무선 통신부(110)는, 세탁 스케줄링 정보, 세탁 기록 또는 세탁 만족도 정보 중에서 적어도 하나를 스케줄링 지원 서버(400)에 전송할 수 있다.

일 실시 예에서, 세탁물 정보를 수신하는 단계(S405)와 세탁 선호도 파라미터들을 획득하는 단계(S403)는 병렬적으로 수행될 수 있다.

일 실시 예에서, 세탁물 정보를 수신하는 단계(S405)가 먼저 수행되고 세탁 선호도 파라미터들을 획득하는 단계(S403)가 수행될 수도 있다.

도 5는 도 4에 도시된 세탁물 정보를 수신하는 단계(S405)의 일 예를 나타낸 동작 흐름도이다.

도 5를 참고하면, 세탁 스케줄링 장치(100)의 마이크로폰(122)은, 세탁물에 대한 사용자의 발화 음성으로부터 음성 데이터를 생성하고, 프로세서(180)는 음성 데이터를 수신한다(S501).

예컨대, 사용자의 발화 음성은 "첫 번째 옷은 검은색 면 티셔츠이고, 두 번째 옷은 울 니트고 커피 얼룩이 있어"와 같이, 세탁물을 구분할 수 있는 세탁물 특정 정보가 포함될 수 있다. 나아가, 각 세탁물에 대한 오염도 정보도 포함될 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 직접 혹은 음성 서버(500)를 통하여 세탁물에 대한 음성 데이터를 텍스트 데이터로 변환하고, 변환된 텍스트 데이터에 상응하는 의미 정보를 획득한다(S503).

이때, 프로세서(180)의 STT(Speech to test) 엔진 또는 음성 서버(500)의 STT 엔진이 음성 데이터를 텍스트 데이터로 변환할 수 있다.

이때, 프로세서(180) 또는 음성 서버(500)는 기계 학습 알고리즘 또는 딥 러닝 알고리즘을 이용하여 텍스트 데이터에 대한 의미에 상응하는 의미 정보를 획득할 수 있다.

의미 정보에는 해당 텍스트 데이터에 관련된 키워드들이 포함될 수 있다.

예를 들어, "첫 번째 옷은 검은색 면 티셔츠"라는 텍스트 데이터에 대한 의미 정보에는 키워드 "옷 1", "검은색", "면" 및 "티셔츠"가 포함될 수 있다.

만약, 음성 서버(500)와 스케줄링 지원 서버(400)가 하나로 구성된 경우에는, 스케줄링 지원 서버(400)는 음성 데이터를 텍스트 데이터로 변환하고, 변환된 텍스트 데이터에 상응하는 의미 정보를 획득할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 의미 정보를 기반으로 세탁물 정보를 생성한다(S505).

세탁물 정보에는 각 세탁물의 색상, 소재, 종류, 크기, 무게, 부피, 오염도 등이 포함될 수 있다.

사용자는 각 세탁물의 특징을 발화하여 묘사할 수 있고, 프로세서(180)는 음성 데이터에 상응하는 의미 정보를 이용하여 세탁물 정보를 생성할 수 있다.

도 6은 도 4에 도시된 세탁 스케줄링 정보를 생성하는 단계(S407)의 일 예를 나타낸 동작 흐름도이다.

도 6을 참조하면, 세탁 스케줄링 장치(100)의 프로세서(180)는, 연동된 세탁기 정보를 수집한다(S601).

이때, 세탁기 정보는 무선 통신부(110)가 세탁기(300)와 연동할 때 수집하여 메모리(170)에 저장된 것이거나, 미리 메모리(170)에 저장된 다양한 세탁기에 상응하는 세탁기 정보일 수 있다.

이때, 프로세서(180)는 세탁기 정보가 필요한 시점에 무선 통신부(110)를 통하여 연동된 세탁기(300) 또는 스케줄링 지원 서버(400)로부터 수신할 수 있다.

세탁기 정보에는 모델명, 종류, 소비 전력, 평균 세탁 시간, 지원 세탁 코스, 세탁 코스별 세탁 시간, 옷감 손상도, 세탁 용량, 특징(지원 기능) 등을 포함될 수 있다. 그리고, 지원 기능에는 드라이클리닝, 의류 건조, 먼지 제거, 살균, 다림질 등이 포함될 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁물 정보를 기반으로 세탁물을 군집화한다(S603).

이때, 프로세서(180)는 러닝 프로세서(130) 또는 스케줄링 지원 서버(400)를 통하여 세탁물을 군집화할 수 있다.

세탁물의 군집화는 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 통하여 수행될 수 있다.

이때, 세탁물의 군집화는 분리하여 세탁하는 것이 적합한 세탁물을 서로 다르게 분류하는 것일 수 있다. 즉, 세탁물의 소재 및 색상을 고려하여 세탁물을 군집화할 수 있다.

이때, 사용자의 입력에 의하여 세탁 우선도 정보를 획득한 경우에는, 세탁 우선도 정보를 추가적으로 고려하여 세탁물을 군집화할 수도 있다.

예컨대, 세탁물의 소재를 기준으로 니트류와 면류의 옷감을 구분하고, 또 그 안에서 이염될 수 있는 유색 의류와 무색 의류를 구분할 수 있다. 또한, 사용자가 우선적으로 세탁하기를 원하는 의류들끼리 군집화할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁 선호도 파라미터들을 이용하여 연동된 세탁기 각각에 대한 우선도 점수를 계산한다(S605).

세탁 선호도 파라미터들에는 운영 비용(소비 전력), 운영 시간(세탁 시간), 용량, 손상도 등에 상응하는 파라미터들이 포함되어 있으며, 이에 따라 연동된 세탁기들 각각에 대한 우선도 점수를 계산할 수 있다.

이때, 프로세서(180)는 각 연동된 세탁기에 상응하는 세탁기 정보의 각 항목을 수치화하고, 세탁 선호도 파라미터와의 연산을 통하여 우선도 점수를 계산할 수 있다.

우선도 점수는 세탁 선호도 파라미터를 가중치로 이용하여 세탁기 정보의 각 항목을 가중합하여 계산할 수 있다.

예컨대, 특정 사용자는 운영 비용에 상응하는 파라미터가 20, 운영 시간에 상응하는 파라미터가 40, 용량에 상응하는 파라미터가 20, 손상도에 상응하는 파라미터가 20이라고 가정하면, 해당 사용자는 운영 시간에 가장 높은 우선도를 두고 있다.

따라서, 두 대의 세탁기가 운영 시간(세탁 시간)만 다르고, 운영 비용(소비 전력), 용량 및 손상도가 동일한 경우에는, 운영 시간이 짧은 세탁기가 그렇지 않은 세탁기에 비해 높은 우선도 점수를 가질 수 있다.

이때, 프로세서(180)는 세탁기 정보의 각 항목들을 정규화할 수 있다.

혹은 반대로, 프로세서(180)는 세탁기 정보의 각 항목에 적합하도록 세탁기 선호도 파라미터들을 학습시킬 수 있으므로, 이러한 경우에는 세탁기 정보의 각 항목들을 정규화하지 않을 수 있다.

세탁기 정보에서 운영 비용, 운영 시간 및 손상도는 보편적으로 그 수치가 낮을수록 선호되고, 용량은 보편적으로 그 수치가 높을수록 선호되는 특징이 있다. 따라서, 프로세서(180)는 운영 비용, 운영 시간 및 손상도에 대하여는 각각 역수(또는 이에 상응하는 수치)를 취하여 그 값을 이용할 수 있다.

혹은 반대로, 프로세서(180)는 세탁기 정보의 각 항목에 적합하도록 세탁기 선호도 파라미터들을 학습시킬 수 있고, 이러한 경우에는 운영 비용에 상응하는 파라미터, 운영 시간에 상응하는 파라미터 및 손상도에 상응하는 파라미터들은 그 수치가 낮을수록 사용자의 선호도가 높은 것을 의미할 수 있다.

프로세서(180)는 계산된 우선도 점수를 기반으로 각 연동된 세탁기들에 대한 할당 순서를 결정한다(S607).

이때, 프로세서(180)는 우선도 점수가 높은 순서대로 혹은 낮은 순서대로 세탁기의 할당 순서를 결정할 수 있다.

우선도 점수는 구현하기에 따라서 낮을수록 사용자의 선호도가 높은 것을 의미할 수도 있고, 높을수록 사용자의 선호도가 높은 것을 의미할 수도 있다. 따라서, 프로세서(180)는 우선도 점수의 구현 방식에 적합한 방식을 이용하여 세탁기 할당 순서를 결정할 수 있다.

예컨대, 연동된 세탁기가 드럼 세탁기, 미니 세탁기이고, 우선도 점수가 높을수록 사용자의 선호도가 높은 것을 의미하는 경우를 가정한다.

드럼 세탁기에 상응하는 우선도 점수가 100이고, 미니 세탁기에 상응하는 우선도 점수가 80인 경우, 프로세서(180)는 세탁 스케줄에서 드럼 세탁기를 첫 번째로 할당하고, 미니 세탁기를 두 번째로 할당할 수 있다.

프로세서(180)는 세탁기 할당 순서와 세탁물 군집화 정보를 이용하여 세탁 스케줄링 정보를 생성한다(S609).

프로세서(180)는 세탁물의 소재나 색상 등에 대한 정보를 통하여 함께 세탁하기에 적합한 세탁물들을 묶어 군집화하였으므로, 세탁기 할당 순서에 맞추어 각 세탁기에 군집화된 세탁물을 분배할 수 있다.

예컨대, 세탁물이 세탁물의 양이 많은 제1 군집과 세탁물의 양이 적은 제2 군집으로 구분되었으며, 각 군집 모두 특별한 세탁기에 의한 세탁이 요구되지 않는 경우를 가정한다. 프로세서(180)는 세탁물의 양이 많은 제1 군집을 드럼 세탁기에 할당하고, 세탁물의 양이 적은 제2 군집을 미니 세탁기에 할당하는 세탁 스케줄링 정보를 생성할 수 있다.

이때, 프로세서(180)는 세탁물을 세탁기에 분배함에 있어서, 각 세탁물 군집에 상응하는 세탁물 양(부피 또는 무게), 세탁물 처리 방법, 사용자의 세탁 우선순위 등을 고려할 수 있다.

예컨대, 세탁물의 양이 적은 제2 군집이 세탁물의 양이 많은 제1 군집에 비하여 사용자의 세탁 우선순위가 높고, 드럼 세탁기가 미니 세탁기에 비하여 할당 순위가 높은 경우를 가정한다. 만약, 제1 군집 세탁물이 미니 세탁기에서 세탁하기에는 양이 많다면, 프로세서(180)는 비록 제1 군집의 세탁 우선순위가 낮더라도 이를 드럼 세탁기에 배분할 수 있다.

또한, 특정 세탁물의 군집이 세탁에 특별한 처리를 요하여 특정 세탁기에 적합한 경우에는, 프로세서(180)는 해당 군집을 세탁에 적합한 세탁기에 분배할 수 있다.

프로세서(180)는 러닝 프로세서(130) 또는 스케줄링 지원 서버(400)를 통하여 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용한 학습을 수행하고, 세탁 스케줄링 정보를 생성할 수 있다.

선택적 실시 예에서, 세탁기 각각에 대하여 우선도 점수를 계산하고 할당 순서를 결정하는 단계(S605 및 S607)는 연동된 세탁기 정보를 수집하고 세탁물을 군집화하는 단계(S601 및 S603)보다 먼저 수행될 수 있다.

선택적 실시 예에서, 세탁기 각각에 대하여 우선도 점수를 계산하고 할당 순서를 결정하는 단계(S605 및 S607)는 연동된 세탁기 정보를 수집하고 세탁물을 군집화하는 단계(S601 및 S603)와 병렬적으로 수행될 수 있다.

도 7은 도 4에 도시된 세탁 스케줄링 정보를 생성하는 단계(S407)의 일 예를 나타낸 동작 흐름도이다.

도 7을 참조하면, 세탁 스케줄링 장치(100)의 프로세서(180)는, 연동된 세탁기 정보를 수집한다(S701).

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁물 정보를 기반으로 세탁물을 군집화한다(S703).

세탁 스케줄링 장치(100)의 프로세서(180)는, 사용자별 세탁 기록 또는 세탁 선호도 파라미터들을 이용하여 사용자별 세탁기 선호도 점수를 계산한다(S705).

프로세서(180)는 러닝 프로세서(130) 또는 스케줄링 지원 서버(400)를 통하여 각 사용자의 세탁 기록 또는 세탁 선호도 파라미터들로부터 각 사용자별 세탁기 선호도 점수를 학습시킬 수 있다.

예컨대, 사용자 A의 세탁 기록에서 세탁기 a의 사용 비율이 세탁기 b의 사용 비율보다 높은 경우라면, 프로세서(180)는 사용자 A의 세탁기 a에 대한 세탁기 선호도 점수를 세탁기 b에 대한 세탁기 선호도 점수보다 높게 계산할 수 있다.

프로세서(180)는 사용자별 세탁기 선호도 점수를 계산함에 있어서 세탁 선호도 파라미터들을 추가적으로 고려할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁 선호도 파라미터들을 이용하여 연동된 세탁기 각각에 대한 우선도 점수를 계산한다(S707).

프로세서(180)는 계산된 세탁기 선호도 점수와 우선도 점수를 기반으로 각 연동된 세탁기들에 대한 할당 순서를 결정한다(S709).

프로세서(180)는 세탁기 할당 순서와 세탁물 군집화 정보를 이용하여 세탁 스케줄링 정보를 생성한다(S711).

또한, 세탁 스케줄링 장치(100)는 사용자의 음성을 분석하나 상호작용을 통해 현재 사용자가 누구인지 구분(남편 또는 아내)하고, 해당 사용자의 선호도를 고려하여 선호도가 높은 세탁기를 주로 사용하는 세탁 스케줄링 정보를 생성할 수 있다.

예를 들어, 한 세대에서 아내는 일반 세탁기를 주로 사용하고, 남편은 의류관리기를 주로 사용하는 상황을 가정한다.

세탁 스케줄링 장치(100)는 아내가 세탁을 하는 경우라면 일반 세탁기를 중점적으로 이용하는 세탁 스케줄링 정보를 생성하고, 남편이 세탁을 하는 경우라면 의류관리기를 중점적으로 이용하는 세탁 스케줄링 정보를 생성할 수 있다.

선택적 실시 예에서, 사용자별 세탁기 선호도 점수를 계산하는 단계(S705)와 세탁기 각각에 대하여 우선도 점수를 계산하는 단계(S707)는 병렬적으로 수행될 수 있다.

선택적 실시 예에서, 사용자별 세탁기 선호도 점수를 계산하고, 세탁기 각각에 대하여 우선도 점수를 계산하고, 할당 순서를 결정하는 단계(S705 내지 S709)는 연동된 세탁기 정보를 수집하고 세탁물을 군집화하는 단계(S701 및 S703)보다 먼저 수행될 수 있다.

선택적 실시 예에서, 사용자별 세탁기 선호도 점수를 계산하고, 세탁기 각각에 대하여 우선도 점수를 계산하고, 할당 순서를 결정하는 단계(S705 내지 S709)는 연동된 세탁기 정보를 수집하고 세탁물을 군집화하는 단계(S701 및 S703)와 병렬적으로 수행될 수 있다.

도 8을 참조하면, 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법은 세탁 스케줄링 장치(100)의 무선 통신부(110)는 적어도 하나 이상의 세탁기(300)와 연동 신호를 송수신하여 연동한다(S801).

세탁 스케줄링 장치(100)의 프로세서(180)는, 사용자의 세탁 기록 또는 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로 학습되어 생성된 사용자에 대한 세탁 선호도 파라미터들을 획득한다(S803).

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁의 대상이 될 세탁물에 대한 세탁물 정보를 수신한다(S805).

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁기 정보, 세탁물 정보 및 세탁 선호도 파라미터들을 이용하여 세탁 스케줄링 정보를 생성한다(S807).

세탁 스케줄링 장치(100)의 프로세서(180)는, 생성된 세탁 스케줄링 정보를 출력하여 사용자에게 제공한다(S809).

세탁 스케줄링 장치(100)의 프로세서(180)는, 연동된 세탁기들로부터 세탁기에 투입된 세탁물에 대한 오염도 정보를 수신한다(S811).

세탁기(300)는 센싱부(340)를 통하여 투입된 세탁물의 오염도를 측정하고, 측정된 오염도 정보를 세탁 스케줄링 장치(100)로 전송할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 오염도 정보를 이용하여 세탁 스케줄링 정보의 적합성을 판단한다(S813 및 S815).

프로세서(180)는 투입된 세탁물의 오염도가 너무 높아 현재 생성된 세탁 스케줄링 정보에 따라 세탁을 하더라도 오염을 제거하기에 부족하다고 판단되는 경우에는, 세탁 스케줄링 정보가 부적합하다고 판단할 수 있다.

세탁 스케줄링 정보의 적합성은 해당 스케줄링 정보에서 기대할 수 있는 세정력과 투입된 세탁물의 오염도를 고려하여, 세탁 후의 예상 오염도가 기준치 이상인지 여부로 판단할 수 있다.

단계(S815)의 판단 결과 세탁 스케줄링 정보가 적합한 경우, 별도의 절차를 수행하지 않고 절차를 종료할 수 있다.

단계(S815)의 판단 결과 세탁 스케줄링 정보가 부적합한 경우, 세탁 스케줄링 장치(100)의 프로세서(180)는, 오염도 정보를 고려하여 대체 세탁 스케줄링 정보를 생성한다(S817).

대체 세탁 스케줄링 정보는 세탁물의 오염을 제거하기에 충분한 세탁 스케줄을 포함하는 세탁 스케줄링 정보를 의미할 수 있다.

예컨대, 기존의 세탁 스케줄링 정보에서는 세탁물 A는 세탁기 a에서 빠른 세탁 모드로 세탁하도록 설정되어 있었으나, 대체 세탁 스케줄링 정보에서는 세탁물 A의 오염도가 높아 세탁기 b에서 고세정 세탁 모드로 세탁하도록 설정될 수 있다.

그리고, 사용자에게는 "세탁물의 오염도가 너무 심해 빠른 세탁 모드보다는 고세정 세탁 모드가 적합합니다. 고세정 세탁 모드로 진행 하시겠습니까?"와 같은 메시지를 출력할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 생성된 대체 세탁 스케줄링 정보를 출력하여 사용자에게 제공한다(S819).

일 실시 예에서, 세탁물 정보를 수신하는 단계(S805)와 세탁 선호도 파라미터들을 획득하는 단계(S803)는 병렬적으로 수행될 수 있다.

일 실시 예에서, 세탁물 정보를 수신하는 단계(S805)가 먼저 수행되고 세탁 선호도 파라미터들을 획득하는 단계(S803)가 수행될 수도 있다.

도 9를 참조하면, 본 발명의 일 실시 예에 따른 세탁 스케줄링 방법은 세탁 스케줄링 장치(100)의 무선 통신부(110)는 적어도 하나 이상의 세탁기(300)와 연동 신호를 송수신하여 연동한다(S901).

세탁 스케줄링 장치(100)의 프로세서(180)는, 사용자의 세탁 기록 또는 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로 학습되어 생성된 사용자에 대한 세탁 선호도 파라미터들을 획득한다(S903).

세탁 스케줄링 장치(100)의 프로세서(180)는, 세탁의 대상이 될 세탁물에 대한 세탁물 정보를 수신한다(S905).

세탁 스케줄링 장치(100)의 프로세서(180)는, 사용자의 일정 데이터를 수신한다(S907).

프로세서(180)는 메모리(170)에 저장된 사용자의 일정 데이터를 수신할 수도 있고, 무선 통신부(110)를 통하여 원격제어장치(200) 또는 세탁 스케줄링 서버(400) 등에 저장된 사용자의 일정 데이터를 수신할 수도 있다.

사용자의 일정 데이터에는 사용자의 일정이 날짜 정보와 시간 정보로 표현될 수 있다.

나아가, 사용자의 일정 데이터에는 사용자의 일정의 종류를 나타내는 정보가 포함될 수 있다.

예컨대, 사용자의 일정 데이터에는 "내일 오후 2시, 회사 면접", "오늘 저녁 7시, 저녁 식사", "오늘 저녁 6시 산책, 저녁 8시 귀가"와 같이 시간을 나타내는 정보와 일정의 종류를 나타내는 정보가 포함될 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 사용자의 일정 데이터에 기반한 세탁 스케줄링 정보를 생성한다(S909).

예컨대, 사용자가 2시간 뒤에 일정이 있는 경우에, 프로세서(180)는 2시간 이내에 세탁이 완료될 수 있도록 빠른 세탁을 수행하는 세탁 스케줄링 정보를 생성할 수 있다.

또는, 사용자가 1시간 뒤에 외출하여 3시간 뒤에 돌아오는 일정이 있는 경우에, 프로세서(180)는 사용자의 귀가 시간에 맞추어 세탁이 종료되도록 세탁 예약 기능을 포함하는 세탁 스케줄링 정보를 생성할 수 있다.

즉, 현재 사용자가 깨끗한 세탁을 원하는 경우라고 하더라도 일정을 고려하여 빠른 세탁이나 세탁 예약모드를 추천하는 대체 세탁 스케줄링 정보를 제공할 수 있다.

세탁 스케줄링 장치(100)의 프로세서(180)는, 생성된 세탁 스케줄링 정보와 일정 데이터에 상응하는 정보를 출력하여 사용자에게 제공한다(S909).

예컨대, 프로세서(180)는 "2시간 뒤에 저녁 약속이 있습니다. 빠른 세탁을 하면 약속 전에 세탁을 마칠 수 있습니다", "1시간 뒤에 2시간짜리 약속이 있습니다. 귀가 시간에 맞추어 세탁이 종료되도록 예약 기능을 사용합니다"와 같은 메시지를 출력할 수 있다.

일 실시 예에서, 세탁물 정보를 수신하는 단계(S905)와 세탁 선호도 파라미터들을 획득하는 단계(S903)는 병렬적으로 수행될 수 있다.

일 실시 예에서, 세탁물 정보를 수신하는 단계(S905)가 먼저 수행되고 세탁 선호도 파라미터들을 획득하는 단계(S903)가 수행될 수도 있다.

도 10을 참조하면, 세탁 스케줄링 장치(100)는 세탁기(300)와 세탁기 연동 과정을 수행한다(S1001).

세탁 스케줄링 장치(100)는 세탁기(300)에 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 요청한다(S1003).

도 10에서는 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 세탁기(300)에서 저장하고 있으나, 세탁 스케줄링 장치(100)에서도 사용자의 세탁 기록 및 세탁 만족도 정보를 저장할 수 있다.

세탁기(300)는 세탁 스케줄링 장치(100)에 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 전송한다(S1005).

세탁 스케줄링 장치(100)는 수신한 데이터를 입력 데이터로 하여 세탁 선호도 파라미터들을 학습한다(S1007).

상술한 바와 같이, 세탁 스케줄링 장치(100)의 프로세서(180)는 러닝 프로세서(130) 또는 스케줄링 지원 서버(400)를 통하여 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 세탁 선호도 파라미터들을 학습할 수 있다.

세탁 스케줄링 장치(100)는 세탁물 정보를 수신한다(S1009).

이때, 세탁 스케줄링 장치(100)는 사용자의 발화에 의한 음성 데이터를 수신하거나, 세탁물에 구비된 바코드, 의류 태그, 칩 등을 인식하여 세탁물 정보를 획득할 수 있다.

세탁 스케줄링 장치(100)는 세탁기 정보, 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성한다(S1011).

세탁 스케줄링 장치(100)는 세탁 스케줄링 정보를 출력한다(S1013).

이때, 세탁 스케줄링 정보는 세탁 스케줄링 장치(100)의 출력부(150), 원격제어장치(200)의 출력부 또는 세탁기(300)의 출력부(350) 중에서 적어도 하나 이상에서 출력될 수 있다.

세탁 스케줄링 장치(100)는 세탁 스케줄링 정보에 따라 세탁기(300)를 제어한다(S1015).

예컨대, 세탁기 A에 대하여 세탁물 a를 빠른 세탁 코스에 따라 세탁하는 세탁 스케줄링 정보에 대응하여, 세탁 스케줄링 장치(100)는 세탁기 A에서 세탁물 a를 투입하라는 메시지를 출력하도록 제어할 수 있다. 그리고, 세탁기 A에 세탁물 a가 투입되면 빠른 세탁 코스를 제안하는 메시지를 출력하고, 세탁 코스를 빠른 세탁 코스로 설정하도록 제어할 수 있다.

여기서, 메시지의 출력은 음성, 화상, 진동, 발광, 점멸 등의 다양한 형태로 이루어질 수 있다.

세탁기(300)는 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 저장한다(S1017).

세탁이 수행됨에 따라 사용자의 세탁 기록이 생성되게 되며, 이러한 기록은 세탁기(300)의 메모리(370)에 저장될 수 있다.

그리고, 세탁기(300)는 사용자의 세탁 만족도 정보를 메모리(370)에 저장할 수 있다.

여기서, 세탁 만족도 정보는 세탁 스케줄링 장치(100)의 입력부(120), 원격 제어 장치(200)의 사용자 입력부 또는 음성 획득부, 세탁기(300)의 입력부 등을 통하여 획득할 수 있다.

또한, 세탁 만족도 정보에 대한 별도의 입력이 없는 경우에는, 세탁 기록으로부터 세탁 만족도를 계산할 수 있다.

예컨대, 세탁 선호도 파라미터들을 가중치로 이용하여 세탁 기록에 상응하는 세탁 만족도를 계산할 수 있다.

도 10 내지 12에서는 세탁기(300)가 사용자의 세탁 기록과 사용자의 세탁 만족도 정보를 저장하는 구성만을 개시하고 있지만, 이러한 사용자의 세탁 기록과 사용자의 세탁 만족도 정보는 세탁 스케줄링 장치(100)의 메모리(170) 또는 스케줄링 지원 서버(400) 등에도 저장될 수 있다.

도 11을 참조하면, 세탁 스케줄링 장치(100)는 세탁기(300)와 세탁기 연동 과정을 수행한다(S1101).

세탁 스케줄링 장치(100)는 세탁기(300)에 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 요청한다(S1103).

세탁기(300)는 세탁 스케줄링 장치(100)에 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 전송한다(S1105).

세탁 스케줄링 장치(100)는 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 스케줄링 지원 서버(400)에 전송한다(S1107).

스케줄링 지원 서버(400)는 수신한 데이터를 입력 데이터로 하여 세탁 선호도 파라미터들을 학습한다(S1109).

스케줄링 지원 서버(400)는 사용자 선호도 파라미터들을 세탁 스케줄링 장치(100)로 전송한다(S1111).

세탁 스케줄링 장치(100)는 세탁물 정보를 수신한다(S1113).

세탁 스케줄링 장치(100)는 세탁기 정보, 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성한다(S1115).

세탁 스케줄링 장치(100)는 세탁 스케줄링 정보를 출력한다(S1117).

세탁 스케줄링 장치(100)는 세탁 스케줄링 정보에 따라 세탁기(300)를 제어한다(S1119).

세탁기(300)는 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 저장한다(S1121).

도 12를 참조하면, 세탁 스케줄링 장치(100)는 세탁기(300)와 세탁기 연동 과정을 수행한다(S1201).

세탁 스케줄링 장치(100)는 세탁기(300)에 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 요청한다(S1203).

세탁기(300)는 세탁 스케줄링 장치(100)에 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 전송한다(S1205).

세탁 스케줄링 장치(100)는 사용자의 세탁 기록, 사용자의 세탁 만족도 정보, 세탁물 정보 및 세탁기 정보를 스케줄링 지원 서버(400)에 전송한다(S1207).

도 12에는 도시되지 않았으나, 세탁 스케줄링 장치(100)는 세탁기와 연동하는 단계(S1201)에서 세탁기 정보를 획득할 수 있다.

또한, 세탁 스케줄링 장치(100)는 스케줄링 지원 서버(400)에 데이터를 전송하는 단계(S1207) 이전에 사용자의 상호작용을 통한 세탁물 정보를 획득할 수 있다.

스케줄링 지원 서버(400)는 세탁 기록 및 세탁 만족도 정보를 입력 데이터로 하여 세탁 선호도 파라미터들을 학습한다(S1209).

스케줄링 지원 서버(400)는 세탁기 정보, 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성한다(S1211).

스케줄링 지원 서버(400)는 세탁 스케줄링 정보를 세탁 스케줄링 장치(100)에 전송한다(S1213).

세탁 스케줄링 장치(100)는 세탁 스케줄링 정보를 출력한다(S1215).

세탁 스케줄링 장치(100)는 세탁 스케줄링 정보에 따라 세탁기(300)를 제어한다(S1217).

세탁기(300)는 사용자의 세탁 기록 및 사용자의 세탁 만족도 정보를 저장한다(S1219).

도 13을 참조하면, 세탁 스케줄링 장치(100)는 사용자의 세탁 기록(13_1)과 스케줄링 지원 서버(13_2)에 저장된 데이터베이스 정보를 이용하여 세탁 스케줄링 정보(13_3)를 생성하여 제공한다.

사용자는 생성된 세탁 스케줄링 정보(13_3)를 따라 세탁을 수행할 수 있고, 이는 다시 사용자의 세탁 기록(13_1)이 되어 이후 세탁 스케줄링 정보(13_3)를 생성하는 기반이 된다.

스케줄링 지원 서버(13_2)는 다른 사용자의 세탁 기록(13_2a)와 각 세탁 기록에 상응하는 태그 정보(13_2b)를 저장할 수 있다. 그리고, 저장된 여러 사용자의 세탁 기록(13_2a)과 태그 정보(13_2b)로부터 기계 학습(13_2c)을 통하여 클라우드 데이터베이스(13_2d)를 구성할 수 있다.

또한, 해당 사용자의 세탁 기록(13_1)은 스케줄링 지원 서버(13_2)에 전송되고, 기계 학습(13_2c)을 통하여 클라우드 데이터베이스(13_2d)를 구성할 수 있다.

여기서, 기계 학습(13_2c)는 빅데이터 분석 기법을 의미할 수도 있다.

예컨대, 스케줄링 지원 서버(13_2)는 세탁 기록(13_2a)에 대하여 클러스터링(clustering)을 수행하여 군집화할 수도 있고, 세탁 기록(13_2a)에 대하여 태그 정보(13_2b)를 라벨로 하여 준지도 학습(semi-supervised learning)을 수행하여 세탁 기록들을 라벨링하여 클라우드 데이터베이스(13_2d)를 구성할 수 있다.

또한, 스케줄링 지원 서버(13_2)는 사용자의 세탁 만족도 정보를 획득한 경우에는 세탁 만족도 정보를 피드백으로 반영하여 클러스터링이나 준지도 학습에 반영하여 세탁 기록들의 분류를 수정할 수 있다.

세탁 기록(13_2a)에는 각 세탁 기록에 상응하는 세탁 코스에 대한 구체적인 정보가 포함될 수 있다.

예컨대, 세탁 기록 1은 세탁 2회, 헹굼 1회, 탈수 2회로 구성될 수 있다.

태그 정보(13_2b)는 각 세탁 기록에 상응하는 상황 또는 요청을 나타내는 메타 정보를 의미할 수 있다.

예컨대, 태그 정보(13_2b)에는 "빠른 세탁", "깨끗 헹굼", "절전 모드" 등이 포함될 수 있다.

이때, 모든 세탁 기록(13_2a)에 태그 정보(13_2b)가 포함될 필요는 없다.

클라우드 데이터베이스(13_2d)에는 각 코스별로 그 특징을 구분하는 태그 정보를 함께 저장할 수 있다.

즉, 클라우드 데이터베이스(13_2d)는 세탁 기록(13_2a) 및 태그 정보(13_2b)를 군집화하여 각 항목의 특징을 구분할 수 있다.

예컨대, 클라우드 데이터베이스(13_2d)에 저장되는 항목은 "빠른 세탁", "절전 모드", "깨끗 헹굼" 등으로 구분될 수 있다.

이와 같이, 스케줄링 지원 서버(13_2)를 통하여 여러 사용자들에 대한 세탁 기록을 함께 학습함으로써 입력 데이터를 많이 확보할 수 있고, 학습의 정확도를 높일 수 있다.

도 14를 참조하면, 세탁 스케줄링 장치(100)는 적어도 한 명 이상의 사용자들(14_1a, 14_1b 및 14_1c)이 이용할 수 있다.

세탁 스케줄링 장치(100)는 세탁물 정보(14_2)가 입력되면, 하나 이상의 세탁기들(14_3a, 14_3b, 14_3c 및 14_4d)로 구성된 세탁기 세트(14_3)에 기반한 세탁 스케줄링 정보(14_4)를 생성한다.

세탁기 세트(14_3)에는 일반 세탁기(통돌이 세탁기), 드럼 세탁기, 미니 세탁기, 건조기, 의류관리기 등의 세탁기들로 구성될 수 있다.

도 14에 도시된 바와 같이, 세탁 스케줄링 장치(100)는 세탁물 정보(14_2)와 세탁기 세트(14_3)에 적합한 세탁 스케줄링 정보(14_4)를 생성하여 여러 사용자들(14_1a, 14_1b 및 14_1c)에게 동일하게 제공할 수 있다.

도 15를 참조하면, 세탁 스케줄링 장치(100)는 적어도 한 명 이상의 사용자들(15_1a, 15_1b 및 15_1c)이 이용할 수 있다.

각 사용자들(15_1a, 15_1b 또는 15_1c)은 각자의 세탁 선호도가 존재할 수 있으며, 이에 대한 정보는 세탁 선호도 파라미터들로 나타날 수 있다.

예컨대, 사용자 A(15_1a)는 세탁 속도를 우선하고, 사용자 B(15_1b)는 옷감 보존에 우선하며, 사용자 C(15_1c)는 세정력을 우선할 수 있다.

세탁 스케줄링 장치(100)는 세탁물 정보(15_2)가 입력되면, 각 사용자들(15_1a, 15_1b 또는 15_1c)의 선호도와 하나 이상의 세탁기들(15_3a, 15_3b, 15_3c 및 15_4d)로 구성된 세탁기 세트(15_3)에 기반한 세탁 스케줄링 정보(15_4)를 생성한다.

예컨대, 세탁물 정보(15_2)에는 "옷감 상하기 쉬운 소재가 20%, 이불 50%, 일반 옷 30%"와 같이 세탁의 대상이 되는 세탁물의 특징을 구분한 정보가 포함될 수 있다.

도 15에 도시된 바와 같이, 세탁 스케줄링 장치(100)는 각 사용자들(15_1a, 15_1b 또는 15_1c)마다 사용자 선호도, 세탁물 정보(15_2)와 세탁기 세트(15_3)에 적합한 세탁 스케줄링 정보를 생성하여 각각의 사용자들(15_1a, 15_1b 또는 15_1c)에게 동일하게 제공할 수 있다.

사용자 A(15_1a)의 선호도를 고려하여 생성된 세탁 스케줄링 정보(15_4a)는 사용자 A(15_1a)에게 제공될 수 있다. 사용자 B(15_1b)의 선호도를 고려하여 생성된 세탁 스케줄링 정보(15_4b)는 사용자 B(15_1b)에게 제공될 수 있다. 사용자 C(15_1c)의 선호도를 고려하여 생성된 세탁 스케줄링 정보(15_4c)는 사용자 C(15_1c)에게 제공될 수 있다.

고세정 세탁을 선호하는 경우에는 일반 세탁기에 대한 신뢰도가 높으므로 일반 세탁기 중심의 세탁 스케줄링 정보를 생성하여 세탁 시간을 단축할 수 있다.

옷감 보존을 선호하는 경우에는 건조기보다는 의류관리기의 신뢰도가 높으므로, 건조기 대신 의류관리기를 사용하는 세탁 스케줄링 정보를 생성하여 옷감의 손상을 줄일 수 있다.

짧은 세탁 시간을 선호하는 경우에는 용량이 큰 세탁기를 선호하므로, 용량이 큰 세탁기의 할당 순위를 높이는 세탁 스케줄링 정보를 생성하여 세탁 속도를 높일 수 있다.

예를 들어, 사용자 A(15_1a)는 세탁 속도를 우선하므로, 세탁물 중 20%(세탁물 군집 a-1)를 미니 세탁기로 먼저 세탁 시작하고, 나머지(세탁물 군집 a-2)를 일반 세탁기로 세탁한다.

일반 세탁기의 세탁 시점은 세탁물 군집 a-1이 건조기에서 건조가 마쳐지는 시점과 일반 세탁기의 세탁 종료 시점이 일치하는 시점이 될 수 있다.

이에 따라, 일반 세탁기에서 세탁된 세탁물은 세탁이 종료됨과 함께 바로 건조기에서 건조를 시작할 수 있다. 이를 통해, 세탁 시간을 30분 단축할 수 있다.

또한, 사용자 B(15_b)는 옷감 보존을 우선하므로, 옷감이 상하기 쉬운 소재 중에서 절반(세탁물 군집 b-1)을 미니 세탁기로 먼저 세탁하고, 옷감이 상하기 쉬운 소재 중에서 나머지 절반(세탁물 군집 b-2)을 미니 세탁기로 세탁한다.

세탁물 군집 b-2의 세탁 시점은 세탁물 군집 b-2의 세탁 종료 시점과 세탁물 군집 b-1의 건조 종료 시점이 일치하게 되는 시점일 수 있다.

세탁물 군집 b-2의 세탁 시작 후에 일정 시간의 간격(예컨대, 20분)을 두고 나머지 세탁물(세탁물 군집 b-3)을 일반 세탁기에서 세탁할 수 있다.

세탁물 군집 b-3의 세탁 시점은 세탁물 군집 b-3의 세탁 종료 시점과 세탁물 군집 b-2의 건조 종료 시점이 일치하게 되는 시점일 수 있다.

이를 통해, 옷감 손상 없이 세탁할 수 있다.

또한, 사용자 C(15_c)는 세정력을 우선하므로, 세탁물 중 20%(세탁물 군집 c-1)를 미니 세탁기로 먼저 세탁하고, 나머지 중 절반(세탁물 군집 c-2)을 일반 세탁기로 세탁한다.

세탁물 군집 c-1의 세탁 및 건조가 끝날 때 즈음에 남은 세탁물(세탁물 군집 c-3)을 일반 세탁기에서 세탁할 수 있다.

이를 통해, 높은 세정력으로 세탁물을 깨끗하게 세탁할 수 있다.

본 발명의 일 실시 예에 의하면, 전술한 방법은, 프로그램이 기록된 매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 매체의 예로는, ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있으며, 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.

상기와 같이 설명된 디스플레이 장치는 상기 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims

세탁 스케줄링 장치에 있어서,

적어도 하나 이상의 세탁기와 연동하는 통신부;

사용자의 세탁 기록 또는 상기 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로하는 기계 학습(Machine Learning) 알고리즘 또는 딥 러닝(Deep Learning) 알고리즘 중에서 적어도 하나 이상을 통해 학습하여 생성된 상기 사용자에 대한 세탁 선호도 파라미터들을 획득하고,

상기 연동된 세탁기에 대한 세탁기 정보, 상기 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성하는 프로세서; 및

상기 세탁 스케줄링 정보를 출력하는 출력부

를 포함하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 프로세서는

상기 세탁 선호도 파라미터들 및 상기 세탁기 정보를 이용하여 상기 연동된 세탁기 각각에 대한 우선도 점수를 계산하고, 상기 우선도 점수를 기반으로 상기 연동된 세탁기에 대한 할당 순서를 결정하고, 상기 할당 순서와 상기 세탁물 정보를 이용하여 상기 세탁 스케줄링 정보를 생성하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 세탁 기록은

세탁에 사용된 세탁기의 종류, 세탁에 사용된 세탁 코스 및 대상 세탁물 중에서 적어도 하나 이상을 포함하고,

상기 세탁 스케줄링 정보는

상기 연동된 세탁기 각각에 대한 세탁물 분배 정보, 세탁 코스 정보 및 세탁물 투입 시간 정보 중에서 적어도 하나 이상을 포함하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 세탁기 정보는

상기 연동된 세탁기에 상응하는 모델명, 기기 종류, 소비 전력, 평균 세탁 시간, 코스별 세탁 시간, 지원 세탁 코스, 옷감 손상도, 세탁 용량 및 지원 기능 중에서 적어도 하나 이상을 포함하고,

상기 세탁물 정보는

세탁의 대상이 되는 세탁물에 상응하는 색상, 소재, 종류, 크기 및 오염도 중에서 적어도 하나 이상을 포함하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 프로세서는

상기 세탁 기록의 각 항목들에 대한 상황에 상응하는 태그 정보가 존재하는 경우에 상기 태그 정보를 추가적인 입력 데이터로 학습하여 생성된 상기 세탁 선호도 파라미터들을 획득하고,

상기 태그 정보는

세탁 시간에 상응하는 태그 정보, 세정력에 상응하는 태그 정보 및 세탁 비용에 상응하는 태그 정보 중에서 적어도 하나 이상을 포함하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 세탁 선호도 파라미터들은

운영 비용 파라미터, 세탁 시간 파라미터, 용량 파라미터, 손상도 파라미터 및 세정력 파라미터 중에서 적어도 하나 이상을 포함하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 프로세서는

상기 세탁 기록 또는 상기 세탁 선호도 파라미터들 중에서 적어도 하나 이상을 이용하여 상기 사용자의 세탁기 선호도 점수를 계산하고, 상기 세탁기 선호도 점수를 추가적으로 고려하여 상기 세탁 스케줄링 정보를 생성하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 프로세서는

상기 세탁 스케줄링 정보를 생성할 때 상기 사용자의 일정 데이터를 추가적으로 고려하고,

상기 출력부는

상기 일정 데이터에 상응하는 정보를 상기 세탁 스케줄링 정보와 함께 출력하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 통신부는

상기 연동된 세탁기로부터 상기 연동된 세탁기에 구비된 센서를 통하여 획득한 세탁물 오염도 정보를 수신하고,

상기 프로세서는

상기 세탁물 오염도 정보를 고려하여 상기 세탁 스케줄링 정보에 기반한 대체 세탁 스케줄링 정보를 생성하고,

상기 출력부는

상기 대체 세탁 스케줄링 정보를 출력하는, 세탁 스케줄링 장치.
청구항 1에 있어서,

상기 프로세서는

상기 기계 학습 알고리즘 또는 상기 딥 러닝 알고리즘을 수행하는 러닝 프로세서로부터 생성된 상기 세탁 선호도 파라미터들을 수신하거나, 상기 통신부를 통하여 상기 기계 학습 알고리즘 또는 상기 딥 러닝 알고리즘을 수행하는 스케줄링 지원 서버로부터 생성된 상기 세탁 선호도 파라미터들을 수신하는, 세탁 스케줄링 장치.
청구항 9에 있어서,

상기 통신부는

상기 세탁 기록 또는 상기 세탁 만족도 정보 중에서 적어도 하나 이상을 상기 스케줄링 지원 서버로 전송하고,

상기 프로세서는

상기 러닝 프로세스 또는 상기 스케줄링 지원 서버로부터 복수의 사용자들에 대한 세탁 기록 또는 세탁 만족도 정보 중에서 적어도 하나 이상을 추가 입력 데이터로 학습하여 생성된 세탁 선호도 파라미터들을 획득하는, 세탁 스케줄링 장치.
통신부가 적어도 하나의 세탁기와 연동하는 단계;

프로세서가 사용자의 세탁 기록 또는 상기 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로하는 기계 학습(Machine Learning) 알고리즘 또는 딥 러닝(Deep Learning) 알고리즘 중에서 적어도 하나 이상을 통해 학습하여 생성된 상기 사용자에 대한 세탁 선호도 파라미터들을 획득하는 단계;

상기 프로세서가 상기 연동된 세탁기에 대한 세탁기 정보, 상기 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성하는 단계; 및

출력부가 상기 세탁 스케줄링 정보를 출력하는 단계

를 포함하는, 세탁 스케줄링 방법.
세탁 스케줄링 방법을 수행하기 위한 프로그램이 기록된 기록 매체에 있어서,

상기 세탁 스케쥴링 방법은

프로세서가 사용자의 세탁 기록 또는 상기 사용자의 세탁 만족도 정보 중에서 적어도 하나 이상을 입력 데이터로하는 기계 학습(Machine Learning) 알고리즘 또는 딥 러닝(Deep Learning) 알고리즘 중에서 적어도 하나 이상을 통해 학습하여 생성된 상기 사용자에 대한 세탁 선호도 파라미터들을 획득하는 단계;

상기 프로세서가 연동된 세탁기에 대한 세탁기 정보, 상기 세탁 선호도 파라미터들 및 세탁물 정보를 이용하여 세탁 스케줄링 정보를 생성하는 단계; 및

출력부가 상기 세탁 스케줄링 정보를 출력하는 단계

를 포함하는, 기록 매체.