WO2020241920A1 - 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치 - Google Patents

장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치 Download PDF

Info

Publication number
WO2020241920A1
WO2020241920A1 PCT/KR2019/006441 KR2019006441W WO2020241920A1 WO 2020241920 A1 WO2020241920 A1 WO 2020241920A1 KR 2019006441 W KR2019006441 W KR 2019006441W WO 2020241920 A1 WO2020241920 A1 WO 2020241920A1
Authority
WO
WIPO (PCT)
Prior art keywords
artificial intelligence
slave
information
intelligence device
intention
Prior art date
Application number
PCT/KR2019/006441
Other languages
English (en)
French (fr)
Inventor
박지수
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 KR1020197020561A priority Critical patent/KR20220001522A/ko
Priority to US16/498,130 priority patent/US11482210B2/en
Priority to PCT/KR2019/006441 priority patent/WO2020241920A1/ko
Publication of WO2020241920A1 publication Critical patent/WO2020241920A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • 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
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Definitions

  • the present invention relates to an artificial intelligence device capable of controlling another device based on device information.
  • the device is an artificial intelligence (AI) device that can issue commands and communicate through voice.
  • AI artificial intelligence
  • the voice recognition service has a structure in which an optimal answer to a user's question is selected using a huge amount of database.
  • the voice search function also converts the input voice data into text in the cloud server, analyzes it, and retransmits the real-time search result according to the result to the device.
  • the cloud server has the computing power to divide numerous words into voice data classified by gender, age, and intonation, store them, and process them in real time.
  • Speech recognition will become more accurate as more voice data are accumulated, the level of human parity.
  • an artificial intelligence device having the closest distance between a user and an artificial intelligence device is selected, but this may not be a device that the user wants to control.
  • the present invention is an artificial intelligence device capable of selecting and controlling a device suitable for the execution of a user's voice command in consideration of the distance between the user and the artificial intelligence device and state information of the artificial intelligence device when a plurality of artificial intelligence devices exist. It is for the purpose of providing.
  • the artificial intelligence device acquires the intention of the voice command and a microphone that receives a user's voice command, a communication unit that wirelessly communicates with a first slave artificial intelligence device and a second slave artificial intelligence device. And, based on the acquired intention, the artificial intelligence device, the first slave artificial intelligence device, and the information of each of the second slave artificial intelligence device, a device to perform an operation corresponding to the intention may be determined.
  • the method of operating an artificial intelligence device includes receiving a user's voice command, obtaining an intention of the voice command, information on a first slave artificial intelligence device, and information on a second slave artificial intelligence device. Receiving and determining a device to perform an operation corresponding to the intention, based on the information of each of the artificial intelligence device, the first slave artificial intelligence device, and the second slave artificial intelligence device, the acquired intention It may include.
  • the device that the user wants to control by voice can be properly identified.
  • FIG 1 shows an AI device according to an embodiment of the present invention.
  • FIG 2 shows an AI server according to an embodiment of the present invention.
  • FIG 3 shows an AI system according to an embodiment of the present invention.
  • FIG. 4 is a ladder diagram illustrating a method of operating an artificial intelligence system according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating an example of selecting a master artificial intelligence device according to an embodiment of the present invention.
  • FIG. 6 shows a state in which a plurality of artificial intelligence devices are provided according to an embodiment of the present invention.
  • FIGS. 7 to 11 are diagrams for explaining reward tables representing predetermined rewards based on states or characteristics of a plurality of artificial intelligence devices for one action.
  • FIG. 12 is a flowchart illustrating in detail a process of obtaining a priority based on information of artificial intelligence devices according to an embodiment of the present invention.
  • FIG. 13 is a diagram illustrating a process of calculating total rewards of devices based on information of artificial intelligence devices according to an embodiment of the present invention, and obtaining priority of each device accordingly.
  • FIG. 14 and 15 are views for explaining an example of determining a device to perform an operation corresponding to a voice command by reflecting user information according to an embodiment of the present invention.
  • Machine learning refers to the field of researching methodologies to define and solve various problems dealt with in the field of artificial intelligence. do.
  • Machine learning is also defined as an algorithm that improves the performance of a task through continuous experience.
  • An artificial neural network is a model used in machine learning, and may refer to an overall model with problem-solving capabilities, composed of artificial neurons (nodes) that form a network by combining synapses.
  • the artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process for updating model parameters, and an activation function for generating an output value.
  • the artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In an artificial neural network, each neuron can output a function of an activation function for input signals, weights, and biases input through synapses.
  • Model parameters refer to parameters determined through learning, and include weights of synaptic connections and biases of neurons.
  • hyperparameters refer to parameters that must be set before learning in a machine learning algorithm, and include a learning rate, iteration count, mini-batch size, and initialization function.
  • the purpose of learning artificial neural networks can be seen as determining model parameters that minimize the loss function.
  • the loss function can be used as an index to determine an optimal model parameter in the learning process of the artificial neural network.
  • Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to the learning method.
  • Supervised learning refers to a method of training an artificial neural network when a label for training data is given, and a label indicates the correct answer (or result value) that the artificial neural network should infer when training data is input to the artificial neural network. It can mean.
  • Unsupervised learning may refer to a method of training an artificial neural network in a state where a label for training data is not given.
  • Reinforcement learning may mean a learning method in which an agent defined in a certain environment learns to select an action or action sequence that maximizes the cumulative reward in each state.
  • machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is sometimes referred to as deep learning (deep learning), and deep learning is a part of machine learning.
  • DNN deep neural network
  • machine learning is used in the sense including deep learning.
  • a robot may refer to a machine that automatically processes or operates a task given by its own capabilities.
  • a robot having a function of recognizing the environment and performing an operation by self-determining may be referred to as an intelligent robot.
  • Robots can be classified into industrial, medical, household, military, etc. depending on the purpose or field of use.
  • the robot may be provided with a driving unit including an actuator or a motor to perform various physical operations such as moving a robot joint.
  • a driving unit including an actuator or a motor to perform various physical operations such as moving a robot joint.
  • the movable robot includes a wheel, a brake, a propeller, and the like in the driving unit, and can travel on the ground or fly in the air through the driving unit.
  • Autonomous driving refers to self-driving technology
  • autonomous driving vehicle refers to a vehicle that is driven without a user's manipulation or with a user's minimal manipulation.
  • a technology that maintains a driving lane a technology that automatically adjusts the speed such as adaptive cruise control, a technology that automatically drives along a specified route, and a technology that automatically sets a route when a destination is set, etc. All of these can be included.
  • the vehicle includes all of a vehicle having only an internal combustion engine, a hybrid vehicle including an internal combustion engine and an electric motor, and an electric vehicle including only an electric motor, and may include not only automobiles, but also trains and motorcycles.
  • the autonomous vehicle can be viewed as a robot having an autonomous driving function.
  • the extended reality collectively refers to Virtual Reality (VR), Augmented Reality (AR), and Mixed Reality (MR).
  • VR technology provides only CG images of real world objects or backgrounds
  • AR technology provides virtually created CG images on top of real object images
  • MR technology is a computer that mixes and combines virtual objects in the real world. It is a graphic technology.
  • MR technology is similar to AR technology in that it shows real and virtual objects together.
  • virtual objects are used in a form that complements real objects
  • MR technology virtual objects and real objects are used with equal characteristics.
  • XR technology can be applied to HMD (Head-Mount Display), HUD (Head-Up Display), mobile phones, tablet PCs, laptops, desktops, TVs, digital signage, etc., and devices applied with XR technology are XR devices. It can be called as.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • mobile phones tablet PCs, laptops, desktops, TVs, digital signage, etc.
  • devices applied with XR technology are XR devices. It can be called as.
  • FIG 1 shows an AI device 100 according to an embodiment of the present invention.
  • the AI device 100 includes a TV, a projector, a mobile phone, a smartphone, a desktop computer, a laptop computer, a digital broadcasting terminal, a personal digital assistant (PDA), a portable multimedia player (PMP), a navigation system, a tablet PC, a wearable device, a set-top box (STB). ), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, a digital signage, a robot, a vehicle, and the like.
  • PDA personal digital assistant
  • PMP portable multimedia player
  • STB set-top box
  • the terminal 100 includes a communication unit 110, an input unit 120, a running processor 130, a sensing unit 140, an output unit 150, a memory 170, and a processor 180.
  • the communication unit 110 may transmit and receive data with external devices such as other AI devices 100a to 100e or the AI server 200 using wired/wireless communication technology.
  • the communication unit 110 may transmit and receive sensor information, a user input, a learning model, and a control signal with external devices.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Bluetooth Radio Frequency Identification
  • IrDA Infrared Data Association
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the input unit 120 may acquire various types of data.
  • the input unit 120 may include a camera for inputting an image signal, a microphone for receiving an audio signal, a user input unit for receiving information from a user, and the like.
  • a camera or microphone for treating a camera or microphone as a sensor, a signal acquired from the camera or microphone may be referred to as sensing data or sensor information.
  • the input unit 120 may acquire training data for model training and input data to be used when acquiring an output by using the training model.
  • the input unit 120 may obtain unprocessed input data, and in this case, the processor 180 or the running processor 130 may extract an input feature as a preprocess for the input data.
  • the learning processor 130 may train a model composed of an artificial neural network using the training data.
  • the learned artificial neural network may be referred to as a learning model.
  • the learning model can be used to infer a result value for new input data other than the training data, and the inferred value can be used as a basis for a decision to perform a certain operation.
  • the learning processor 130 may perform AI processing together with the learning processor 240 of the AI server 200.
  • the learning processor 130 may include a memory integrated or implemented in the AI device 100.
  • the learning processor 130 may be implemented using the memory 170, an external memory directly coupled to the AI device 100, or a memory maintained in an external device.
  • the sensing unit 140 may acquire at least one of internal information of the AI device 100, information about the surrounding environment of the AI device 100, and user information by using various sensors.
  • the sensors included in the sensing unit 140 include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and a lidar. , Radar, etc.
  • the output unit 150 may generate output related to visual, auditory or tactile sense.
  • the output unit 150 may include a display unit that outputs visual information, a speaker that outputs auditory information, and a haptic module that outputs tactile information.
  • the memory 170 may store data supporting various functions of the AI device 100.
  • the memory 170 may store input data, training data, a learning model, and a learning history acquired from the input unit 120.
  • the processor 180 may determine at least one executable operation of the AI device 100 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. Further, the processor 180 may perform the determined operation by controlling the components of the AI device 100.
  • the processor 180 may request, search, receive, or utilize data from the learning processor 130 or the memory 170, and perform a predicted or desirable operation among the at least one executable operation.
  • the components of the AI device 100 can be controlled to execute.
  • the processor 180 may generate a control signal for controlling the corresponding external device and transmit the generated control signal to the corresponding external device.
  • the processor 180 may obtain intention information for a user input, and determine a user's requirement based on the obtained intention information.
  • the processor 180 uses at least one of a Speech To Text (STT) engine for converting a speech input into a character string or a Natural Language Processing (NLP) engine for obtaining intention information of a natural language. Intention information corresponding to the input can be obtained.
  • STT Speech To Text
  • NLP Natural Language Processing
  • At this time, at least one or more of the STT engine and the NLP engine may be composed of an artificial neural network, at least partially learned according to a machine learning algorithm.
  • at least one of the STT engine or the NLP engine is learned by the learning processor 130, learned by the learning processor 240 of the AI server 200, or learned by distributed processing thereof. Can be.
  • the processor 180 collects history information including user feedback on the operation content or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or the AI server 200 Can be transferred to an external device.
  • the collected history information can be used to update the learning model.
  • the processor 180 may control at least some of the components of the AI device 100 to drive an application program stored in the memory 170. Furthermore, the processor 180 may operate by combining two or more of the components included in the AI device 100 to drive the application program.
  • FIG 2 shows an AI server 200 according to an embodiment of the present invention.
  • the AI server 200 may refer to a device that trains an artificial neural network using a machine learning algorithm or uses the learned artificial neural network.
  • the AI server 200 may be composed of a plurality of servers to perform distributed processing, or may be defined as a 5G network.
  • the AI server 200 may be included as a part of the AI device 100 to perform at least part of AI processing together.
  • the AI server 200 may include a communication unit 210, a memory 230, a learning processor 240, and a processor 260.
  • the communication unit 210 may transmit and receive data with an external device such as the AI device 100.
  • the memory 230 may include a model storage unit 231.
  • the model storage unit 231 may store a model (or artificial neural network, 231a) being trained or trained through the learning processor 240.
  • the learning processor 240 may train the artificial neural network 231a using the training data.
  • the learning model may be used while being mounted on the AI server 200 of the artificial neural network, or may be mounted on an external device such as the AI device 100 and used.
  • the learning model can be implemented in hardware, software, or a combination of hardware and software. When part or all of the learning model is implemented in software, one or more instructions constituting the learning model may be stored in the memory 230.
  • the processor 260 may infer a result value for new input data using the learning model, and generate a response or a control command based on the inferred result value.
  • FIG 3 shows an AI system 1 according to an embodiment of the present invention.
  • the AI system 1 includes at least one of an AI server 200, a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e. It is connected with the cloud network 10.
  • the robot 100a to which the AI technology is applied, the autonomous vehicle 100b, the XR device 100c, the smartphone 100d, or the home appliance 100e may be referred to as the AI devices 100a to 100e.
  • the cloud network 10 may constitute a part of the cloud computing infrastructure or may mean a network that exists in the cloud computing infrastructure.
  • the cloud network 10 may be configured using a 3G network, a 4G or Long Term Evolution (LTE) network, or a 5G network.
  • LTE Long Term Evolution
  • the devices 100a to 100e and 200 constituting the AI system 1 may be connected to each other through the cloud network 10.
  • the devices 100a to 100e and 200 may communicate with each other through a base station, but may communicate with each other directly without through a base station.
  • the AI server 200 may include a server that performs AI processing and a server that performs an operation on big data.
  • the AI server 200 includes at least one of a robot 100a, an autonomous vehicle 100b, an XR device 100c, a smartphone 100d, or a home appliance 100e, which are AI devices constituting the AI system 1 It is connected through the cloud network 10 and may help at least part of the AI processing of the connected AI devices 100a to 100e.
  • the AI server 200 may train an artificial neural network according to a machine learning algorithm in place of the AI devices 100a to 100e, and may directly store the learning model or transmit it to the AI devices 100a to 100e.
  • the AI server 200 receives input data from the AI devices 100a to 100e, infers a result value for the received input data using a learning model, and generates a response or control command based on the inferred result value. It can be generated and transmitted to the AI devices 100a to 100e.
  • the AI devices 100a to 100e may infer a result value of input data using a direct learning model, and generate a response or a control command based on the inferred result value.
  • the AI devices 100a to 100e to which the above technology is applied will be described.
  • the AI devices 100a to 100e illustrated in FIG. 3 may be viewed as a specific example of the AI device 100 illustrated in FIG. 1.
  • the robot 100a is applied with AI technology and may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, and the like.
  • the robot 100a may include a robot control module for controlling an operation, and the robot control module may refer to a software module or a chip implementing the same as hardware.
  • the robot 100a acquires status information of the robot 100a using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, generates map data, or moves paths and travels. It can decide a plan, decide a response to user interaction, or decide an action.
  • the robot 100a may use sensor information obtained from at least one sensor from among a lidar, a radar, and a camera in order to determine a moving route and a driving plan.
  • the robot 100a may perform the above operations using a learning model composed of at least one artificial neural network.
  • the robot 100a may recognize a surrounding environment and an object using a learning model, and may determine an operation using the recognized surrounding environment information or object information.
  • the learning model may be directly learned by the robot 100a or learned by an external device such as the AI server 200.
  • the robot 100a may perform an operation by generating a result using a direct learning model, but it transmits sensor information to an external device such as the AI server 200 and performs the operation by receiving the result generated accordingly. You may.
  • the robot 100a determines a movement path and a driving plan using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the determined movement path and travel plan. Accordingly, the robot 100a can be driven.
  • the map data may include object identification information on various objects arranged in a space in which the robot 100a moves.
  • the map data may include object identification information on fixed objects such as walls and doors and movable objects such as flower pots and desks.
  • the object identification information may include a name, type, distance, and location.
  • the robot 100a may perform an operation or run by controlling a driving unit based on a user's control/interaction.
  • the robot 100a may acquire interaction intention information according to a user's motion or voice speech, and determine a response based on the obtained intention information to perform an operation.
  • the autonomous vehicle 100b may be implemented as a mobile robot, vehicle, or unmanned aerial vehicle by applying AI technology.
  • the autonomous driving vehicle 100b may include an autonomous driving control module for controlling an autonomous driving function, and the autonomous driving control module may refer to a software module or a chip implementing the same as hardware.
  • the autonomous driving control module may be included inside as a configuration of the autonomous driving vehicle 100b, but may be configured as separate hardware and connected to the exterior of the autonomous driving vehicle 100b.
  • the autonomous driving vehicle 100b acquires state information of the autonomous driving vehicle 100b using sensor information obtained from various types of sensors, detects (recognizes) surrounding environments and objects, or generates map data, It is possible to determine the travel route and travel plan, or to determine the motion.
  • the autonomous vehicle 100b may use sensor information obtained from at least one sensor from among a lidar, a radar, and a camera, similar to the robot 100a, in order to determine a moving route and a driving plan.
  • the autonomous vehicle 100b may recognize an environment or object in an area where the field of view is obscured or an area greater than a certain distance by receiving sensor information from external devices or directly recognized information from external devices. .
  • the autonomous vehicle 100b may perform the above operations using a learning model composed of at least one artificial neural network.
  • the autonomous vehicle 100b may recognize a surrounding environment and an object using a learning model, and may determine a driving movement using the recognized surrounding environment information or object information.
  • the learning model may be directly learned by the autonomous vehicle 100b or learned by an external device such as the AI server 200.
  • the autonomous vehicle 100b may perform an operation by generating a result using a direct learning model, but it operates by transmitting sensor information to an external device such as the AI server 200 and receiving the result generated accordingly. You can also do
  • the autonomous vehicle 100b determines a movement path and a driving plan using at least one of map data, object information detected from sensor information, or object information acquired from an external device, and controls the driving unit to determine the determined movement path and driving.
  • the autonomous vehicle 100b can be driven according to a plan.
  • the map data may include object identification information on various objects arranged in a space (eg, a road) in which the autonomous vehicle 100b travels.
  • the map data may include object identification information on fixed objects such as street lights, rocks, and buildings, and movable objects such as vehicles and pedestrians.
  • the object identification information may include a name, type, distance, and location.
  • the autonomous vehicle 100b may perform an operation or drive by controlling a driving unit based on a user's control/interaction.
  • the autonomous vehicle 100b may acquire interaction intention information according to a user's motion or voice speech, and determine a response based on the obtained intention information to perform the operation.
  • the XR device 100c is applied with AI technology, such as HMD (Head-Mount Display), HUD (Head-Up Display) provided in the vehicle, TV, mobile phone, smart phone, computer, wearable device, home appliance, digital signage. , A vehicle, a fixed robot, or a mobile robot.
  • HMD Head-Mount Display
  • HUD Head-Up Display
  • the XR device 100c analyzes 3D point cloud data or image data acquired through various sensors or from an external device to generate location data and attribute data for 3D points, thereby providing information on surrounding spaces or real objects.
  • the XR object to be acquired and output can be rendered and output.
  • the XR apparatus 100c may output an XR object including additional information on the recognized object in correspondence with the recognized object.
  • the XR apparatus 100c may perform the above operations using a learning model composed of at least one artificial neural network.
  • the XR device 100c may recognize a real object from 3D point cloud data or image data using a learning model, and may provide information corresponding to the recognized real object.
  • the learning model may be directly learned by the XR device 100c or learned by an external device such as the AI server 200.
  • the XR device 100c may directly generate a result using a learning model to perform an operation, but transmits sensor information to an external device such as the AI server 200 and receives the result generated accordingly to perform the operation. You can also do it.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, etc. by applying AI technology and autonomous driving technology.
  • the robot 100a to which AI technology and autonomous driving technology are applied may refer to a robot having an autonomous driving function or a robot 100a interacting with the autonomous driving vehicle 100b.
  • the robot 100a having an autonomous driving function may collectively refer to devices that move by themselves according to a given movement line without the user's control or by determining the movement line by themselves.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may use a common sensing method to determine one or more of a moving route or a driving plan.
  • the robot 100a having an autonomous driving function and the autonomous driving vehicle 100b may determine one or more of a movement route or a driving plan using information sensed through a lidar, a radar, and a camera.
  • the robot 100a interacting with the autonomous driving vehicle 100b exists separately from the autonomous driving vehicle 100b, and is linked to an autonomous driving function inside the autonomous driving vehicle 100b, or in the autonomous driving vehicle 100b. It is possible to perform an operation associated with the user on board.
  • the robot 100a interacting with the autonomous driving vehicle 100b acquires sensor information on behalf of the autonomous driving vehicle 100b and provides it to the autonomous driving vehicle 100b, or acquires sensor information and information about the surrounding environment or By generating object information and providing it to the autonomous vehicle 100b, it is possible to control or assist the autonomous driving function of the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous vehicle 100b may monitor a user in the autonomous vehicle 100b or control the function of the autonomous vehicle 100b through interaction with the user. .
  • the robot 100a may activate an autonomous driving function of the autonomous driving vehicle 100b or assist the control of a driving unit of the autonomous driving vehicle 100b.
  • the functions of the autonomous vehicle 100b controlled by the robot 100a may include not only an autonomous driving function, but also functions provided by a navigation system or an audio system provided inside the autonomous driving vehicle 100b.
  • the robot 100a interacting with the autonomous driving vehicle 100b may provide information or assist a function to the autonomous driving vehicle 100b from outside of the autonomous driving vehicle 100b.
  • the robot 100a may provide traffic information including signal information to the autonomous vehicle 100b, such as a smart traffic light, or interact with the autonomous driving vehicle 100b, such as an automatic electric charger for an electric vehicle. You can also automatically connect an electric charger to the charging port.
  • the robot 100a may be implemented as a guide robot, a transport robot, a cleaning robot, a wearable robot, an entertainment robot, a pet robot, an unmanned flying robot, a drone, etc. by applying AI technology and XR technology.
  • the robot 100a to which the XR technology is applied may refer to a robot that is an object of control/interaction in an XR image.
  • the robot 100a is distinguished from the XR device 100c and may be interlocked with each other.
  • the robot 100a which is the object of control/interaction in the XR image, acquires sensor information from sensors including a camera
  • the robot 100a or the XR device 100c generates an XR image based on the sensor information.
  • the XR device 100c may output the generated XR image.
  • the robot 100a may operate based on a control signal input through the XR device 100c or a user's interaction.
  • the user can check the XR image corresponding to the viewpoint of the robot 100a linked remotely through an external device such as the XR device 100c, and adjust the autonomous driving path of the robot 100a through the interaction.
  • You can control motion or driving, or check information on surrounding objects.
  • the autonomous vehicle 100b may be implemented as a mobile robot, a vehicle, or an unmanned aerial vehicle by applying AI technology and XR technology.
  • the autonomous driving vehicle 100b to which the XR technology is applied may refer to an autonomous driving vehicle including a means for providing an XR image, or an autonomous driving vehicle that is an object of control/interaction within the XR image.
  • the autonomous vehicle 100b, which is an object of control/interaction in the XR image is distinguished from the XR device 100c and may be interlocked with each other.
  • the autonomous vehicle 100b provided with a means for providing an XR image may acquire sensor information from sensors including a camera, and may output an XR image generated based on the acquired sensor information.
  • the autonomous vehicle 100b may provide an XR object corresponding to a real object or an object in a screen to the occupant by outputting an XR image with a HUD.
  • the XR object when the XR object is output to the HUD, at least a part of the XR object may be output to overlap the actual object facing the occupant's gaze.
  • the XR object when the XR object is output on a display provided inside the autonomous vehicle 100b, at least a part of the XR object may be output to overlap an object in the screen.
  • the autonomous vehicle 100b may output XR objects corresponding to objects such as lanes, other vehicles, traffic lights, traffic signs, motorcycles, pedestrians, and buildings.
  • the autonomous driving vehicle 100b which is the object of control/interaction in the XR image, acquires sensor information from sensors including a camera
  • the autonomous driving vehicle 100b or the XR device 100c is based on the sensor information.
  • An XR image is generated, and the XR device 100c may output the generated XR image.
  • the autonomous vehicle 100b may operate based on a control signal input through an external device such as the XR device 100c or a user's interaction.
  • FIG. 4 is a ladder diagram illustrating a method of operating an artificial intelligence system according to an embodiment of the present invention.
  • the artificial intelligence system may include a master artificial intelligence device 100-1, a first slave artificial intelligence device 100-2, and a second slave artificial intelligence device 100-3.
  • the artificial intelligence system may include more slave artificial devices.
  • Each of the master artificial intelligence device 100-1, the first slave artificial intelligence device 100-2, and the second slave artificial intelligence device 100-3 may be the artificial intelligence device 100 illustrated in FIG. 1.
  • each of the master artificial intelligence device 100-1, the first slave artificial intelligence device 100-2, and the second slave artificial intelligence device 100-3 are all of the artificial intelligence device 100 shown in FIG. It may contain components.
  • the master artificial intelligence device 100-1 may be a device with the largest number of connected artificial intelligence devices.
  • Each artificial intelligence device may share the number of devices connected to each other through the communication unit 110, and the artificial intelligence device with the largest number of connected devices may be selected as the master artificial intelligence device 100-1.
  • the master artificial intelligence device 100-1 may transmit to other artificial intelligence devices a notification indicating that it has been selected as a master device having authority to control other artificial intelligence devices.
  • the artificial intelligence device 100-2 receives a voice command through a microphone (S401, S403).
  • the second slave artificial intelligence device 100-2 may be located in a location where it is not possible to receive a voice command uttered by a user.
  • the second slave artificial intelligence device 100-3 it is not necessary to be limited thereto, and if the second slave artificial intelligence device 100-3 is located at a distance sufficient to receive a user's voice command, the second slave artificial intelligence device 100-3 also, You can receive voice commands.
  • the processor 180 of the master artificial intelligence device 100-1 may analyze the intention of the voice command using a natural language processing engine (NLP engine).
  • NLP engine natural language processing engine
  • the processor 180 may convert voice data corresponding to a voice command into text data using a Speech To Text (STT) engine.
  • STT Speech To Text
  • the processor 180 may analyze the intention of the converted text data using the NLP engine.
  • the intention of the text data may be to indicate a specific operation of the artificial intelligence device.
  • FIG. 5 is a diagram illustrating an example of selecting a master artificial intelligence device according to an embodiment of the present invention.
  • a plurality of artificial intelligence devices 100-1 to 100-5 are provided in a home.
  • Each of the plurality of artificial intelligence devices 100-1 to 100-5 may identify an artificial intelligence device connected to itself through short-range wireless communication.
  • the short-range wireless communication standard may be Wi-Fi Direct, but this is only an example.
  • Each artificial intelligence device may have a Wi-Fi Direct module for short-range wireless communication.
  • Each artificial intelligence device can share the number of artificial intelligence devices connected to it.
  • the first artificial intelligence device 100-1 it is connected to the second artificial intelligence device 100-2, the third artificial intelligence device 100-3, and the fourth artificial intelligence device 100-4, Compared to other artificial intelligence devices, the most devices are connected.
  • the first artificial intelligence device 100-1 may select itself as a master artificial intelligence device and notify the other artificial intelligence devices 100-2 to 100-5.
  • the communication unit 110 of the master artificial intelligence device 100-1 is the first Slave The first from the artificial intelligence device 100-2 Slave Voice command received by the artificial intelligence device 100-2 and the first Slave The first device information of the artificial intelligence device 100-2 is received (S405).
  • the first slave artificial intelligence device 100-2 may transmit the received voice command and first device information, which is its device information, to the master artificial intelligence device 100-1. .
  • the first device information includes identification information for identifying the first slave artificial intelligence device 100-2, state information indicating the current state of the first slave artificial intelligence device 100-2, and the first slave artificial intelligence device 100 It may include one or more of the characteristic information of -2).
  • the identification information may include a product name, a model name, and the like of the first slave artificial intelligence device 100-2.
  • the state information may include operation information indicating an operation state of the first slave artificial intelligence device 100-2.
  • the state information may include a cleaning progress state of the robot cleaner.
  • the characteristic information may include information indicating a characteristic characteristic of only the first slave artificial intelligence device 100-2.
  • the characteristic information may be information indicating that the refrigerator is always turned on.
  • the master artificial intelligence device 100-1 may receive the distance between the first slave artificial intelligence device 100-2 and the utterance point of the user who uttered the voice command from the first slave artificial intelligence device 100-2. I can.
  • the first device information may include a distance between the first slave artificial intelligence device 100-2 and the utterance point of the user who uttered the voice command.
  • the communication unit 110 of the master artificial intelligence device 100-1 is Slave Request the second device information from the artificial intelligence device 100-3 (S407), and Slave The second device information is received from the artificial intelligence device 100-3 (S409).
  • the master artificial intelligence device 100-1 may transmit a message requesting device information to a device that has not transmitted device information within a predetermined time among slave artificial devices connected to it.
  • the predetermined time may be within 0.5 seconds from the time when the master artificial intelligence device 100-1 receives the voice command, but this is only an example.
  • the second device information includes identification information for identifying the second slave artificial intelligence device 100-3, motion information indicating the operation state of the second slave artificial intelligence device 100_3, and the second slave artificial intelligence device 100-3. ) May include one or more of the characteristic information.
  • the second slave artificial intelligence device 100-3 may also receive a voice command, and may transmit the received voice command to the master artificial intelligence device 100-1 together with the second device information.
  • the master artificial intelligence device 100-1 may receive the distance between the second slave artificial intelligence device 100-3 and the utterance point of the user who uttered the voice command from the second slave artificial intelligence device 100-3. I can.
  • the second device information may include a distance between the second slave artificial intelligence device 100-3 and an utterance point of the user who uttered the voice command.
  • Processor 180 of the master artificial intelligence device 100-1 based on its device information, first device information, and second device information, Priority Acquire (S411).
  • the priority may indicate the priority of a device to perform an operation corresponding to a user's voice command.
  • the processor 180 of the master artificial intelligence device 100-1 assigns a reward score for each device based on its device information, the first device information, and the second device information, and through the granted reward score, The priority of the device can be obtained.
  • the processor 180 may obtain the priority of the devices based on the intention of the voice command, the own device information, the first device information, and the second device information.
  • the processor 180 may prioritize devices based on the user's speech position and the distance between each artificial intelligence device, device information of the master artificial intelligence device 100-1, first device information, and second device information. You can get the rank.
  • the processor 180 may determine the priority of devices based on the distance-based reward, the reward based on state information of each of the artificial intelligence devices, and the reward based on characteristic information of each of the artificial intelligence devices.
  • the processor 180 of the master artificial intelligence device 100-1 is In priority Based on this, a device to perform an operation corresponding to the voice command is determined (S413).
  • the processor 180 of the master artificial intelligence device 100-1 may determine a device having the highest priority among the priorities of each device as a device for performing an operation.
  • FIG. 6 shows a state in which a plurality of artificial intelligence devices are provided according to an embodiment of the present invention.
  • a plurality of artificial intelligence devices 100-1 to 100-5 are provided around a user.
  • the user can speak a voice command called ⁇ turn-off>.
  • the master artificial intelligence device 100-1 may analyze the intention of the voice command and determine a device to perform an operation appropriate to the intention among the plurality of artificial intelligence devices 100-1 to 100-5.
  • FIGS. 7 to 11 are diagrams for explaining reward tables representing predetermined rewards based on states or characteristics of a plurality of artificial intelligence devices for one action.
  • FIG. 7 is a diagram showing a reward determined based on the condition of the air conditioner.
  • a reward of 0 points may be given to the air conditioner. This may be because the air conditioner is in a situation where it must continue to operate and should not be turned off.
  • a reward of 1 point may be given to the air conditioner. This may be because the operation purpose of the air conditioner has been achieved and may be turned off.
  • FIG. 8 is a diagram showing a reward determined based on a playback state of a TV.
  • a reward of 2 points may be given to the TV, and when the TV is playing a program, a reward of 1 point is given to the TV. Can be. This is because users are more interested in playing programs than advertising.
  • the TV since the TV is already playing an advertisement or program for the turn-on action, it is interpreted as a meaningless action, and a reward of -1 point may be given to the TV.
  • FIG. 9 is a diagram showing a reward determined based on a cleaning progress rate of a robot cleaner.
  • the turn-on action is interpreted as a meaningless action because the robot cleaner is cleaning, and a reward of -1 point may be given to the robot cleaner.
  • FIG. 10 is a diagram showing a reward determined based on the state of the air purifier.
  • 11 is a diagram showing a reward determined based on characteristics of a refrigerator.
  • a refrigerator In the case of a refrigerator, it may have a feature that the power is always on.
  • a reward of -2 points may be given to a refrigerator.
  • the refrigerator has a feature that the power is always turned on, and thus a reward of deduction may be given in order not to react to an action for turning on/off the power.
  • the granting of the above reward may be performed by the master artificial intelligence device 100-1.
  • the master artificial intelligence device 100-1 may store the reward tables shown in FIGS. 7 to 11 in the memory 170.
  • the master artificial intelligence device 100-1 may receive the reward tables of FIGS. 7 to 11 from each slave artificial intelligence device.
  • FIG. 12 is a flowchart illustrating in detail a process of obtaining a priority based on information of artificial intelligence devices according to an embodiment of the present invention.
  • Each of the steps of FIG. 12 may specify step S411 of FIG. 4.
  • the processor 180 of the master artificial intelligence device 100-1 acquires a distance between the user's utterance point and each artificial intelligence device (S1201).
  • the processor 180 may receive the distance between each slave device and the user's utterance point from the slave artificial intelligence devices 100-2 and 100-3 through the communication unit 110.
  • the processor 180 may calculate a distance between the master artificial intelligence device 100-1 and the user's utterance point through a distance measurement module (not shown).
  • the distance measurement module may be a module that measures the decibel of a received voice command.
  • the processor 180 may obtain a distance corresponding to the measured decibels. Each of the plurality of decibels and a distance corresponding thereto may be previously stored in the memory 170.
  • the processor 180 may obtain a distance corresponding to the decibel measured by the distance measurement module from the memory 170.
  • each of the slave artificial intelligence devices 100-2 and 100-3 may also obtain a distance between the user's utterance point and itself in this manner.
  • the processor 180 of the master artificial intelligence device 100-1 acquires the intention of the voice command using the natural language processing engine (S1203).
  • the natural language processing engine may be an engine capable of converting voice data corresponding to a voice command into text data, and obtaining an intention of a voice command from the converted text data.
  • the natural language processing engine may be included in the processor 180.
  • the processor 180 of the master artificial intelligence device 100-1 determines the acquired distance, the intention of the voice command, and the information of each artificial intelligence device. Based on , Of each artificial intelligence device total Reward Calculate (S1205).
  • the processor 180 provides a reward based on the distance between each artificial intelligence device and the user's utterance point, the intention of the voice command, and the reward based on the state information of the artificial intelligence device, Based on, it is possible to calculate the total reward for each device.
  • the processor 180 of the master artificial intelligence device 100-1 is calculated total On the reward Based on , Of each device Priority Acquire (S1207).
  • FIG. 13 is a diagram illustrating a process of calculating total rewards of devices based on information of artificial intelligence devices according to an embodiment of the present invention, and obtaining priority of each device accordingly.
  • the master artificial intelligence device 100-1 is an air conditioner
  • each of the four slave devices 100-2 to 100-5 is a TV, a robot cleaner, an air cleaner, and a refrigerator.
  • the master artificial intelligence device 100-1 may give a reward to each device based on the distance between the device and the point at which the user uttered the voice command.
  • the master artificial intelligence device 100-1 may provide a higher reward as the distance between the user's utterance point and each device is closer, and may provide a lower reward as the distance increases.
  • the user's ignition point is in the order of a robot cleaner (100-3), an air conditioner (100-1), a TV (100-2), an air purifier (100-4), and a refrigerator (100-5), the corresponding device In order, high rewards can be awarded.
  • a five-point reward is given to the robot cleaner 100-3, and the distance between the user's ignition point and the air conditioner 100-1 is In the case of 1m, 4.5 points of reward are given to the air conditioner 100-1, and when the distance between the user's ignition point and the TV 100-2 is 1.5m, 4 points are given to the TV 100-2, If the distance between the user's ignition point and the air purifier 100-4 is 2m, a reward of 3.5 points is given to the air purifier 100-4, and the distance between the user's ignition point and the refrigerator 100-5 is 4.5 In the case of m, a reward of 1 point may be given to the refrigerator 100-5.
  • the master artificial intelligence device 100-1 may provide a reward based on the intention of the voice command and state information of each device.
  • a reward of 0 points may be given to the air conditioner 100-1.
  • the corresponding reward may be given based on the reward table of FIG. 7.
  • the master artificial intelligence device 100-1 may provide a reward based on the intention of the voice command and characteristic information of each device.
  • the master artificial intelligence device 100-1 does not need to be turned on all the time, and may give a reward of 1 point to the devices 100-1 to 100-2 that are turned on.
  • the master artificial intelligence device 100-1 may give a reward of -2 points to the refrigerator 100-5 that must be turned on at all times.
  • the master artificial device device 100-1 may calculate a sum of a reward based on distance, a reward based on state information of each device, and a reward based on characteristic information of each device for each device.
  • the air conditioner which is the master artificial intelligence device 100-1, has its own total reward of 4.5, the TV 100-2's total reward of 7, the robot cleaner 100-3's total reward of 6, and an air purifier (You can get a total reward of 100-4) of 4.5, and a total reward of refrigerator -1 point.
  • the master artificial intelligence device 100-1 may assign a higher priority to the device as the total reward increases.
  • the master artificial intelligence device 100-1 may give the TV 100-2 with the largest total reward the highest priority.
  • step S413 of FIG. 4 may be performed.
  • the master artificial intelligence device 100-1 may determine the TV 100-2 having the highest priority as a device to perform an operation corresponding to a voice command.
  • the processor 180 of the master artificial intelligence device 100-1 determines whether the determined device is itself (S415), and the determined device is If you are yourself , Performs an operation corresponding to the voice command (S417).
  • the processor 180 may determine itself as a subject to perform an operation corresponding to a voice command, and may perform an operation corresponding to the voice command. .
  • the processor 180 of the master artificial intelligence device 100-1 determines that the determined device is the first, second Slave Any of the artificial intelligence devices (100-2, 100-3) If one , Applicable Slave A control command for performing an operation corresponding to the voice command is transmitted to the artificial intelligence device (S419).
  • the slave artificial intelligence device may receive a control command from the master artificial intelligence device 100-1 and perform an operation according to the received control command.
  • the processor 180 may transmit a control command requesting power off to the TV, which is the first slave artificial intelligence device 100-2.
  • the first slave artificial intelligence device 100-2 may turn off power according to a control command received from the master artificial intelligence device 100-1.
  • the user by reflecting not only the distance between the user's utterance point and each artificial intelligence device, but also the state information and characteristic information of the artificial intelligence device, the user can properly grasp the device to be controlled by voice. I can.
  • FIG. 14 and 15 are views for explaining an example of determining a device to perform an operation corresponding to a voice command by reflecting user information according to an embodiment of the present invention.
  • the master artificial intelligence device is the TV 100-2
  • the slave artificial intelligence device is the air purifier 100-4.
  • user A may utter a voice command ⁇ turn-on> while cooking.
  • the TV 100-2 and the air purifier 100-4 may receive corresponding voice commands through a microphone.
  • the TV 100-2 may acquire the distance between itself and user A based on the decibels of the received voice command. If the obtained distance is 1.5m, the reward based on the distance may be 4 points.
  • the air purifier 100-4 may measure the decibels of the received voice command and obtain a distance (0.5 m) between itself and the user A based on the measured decibels. The air purifier 100-4 may transmit the obtained distance to the TV 100-2.
  • the TV 100-2 may give a reward of 5 points to the air purifier 100-4 based on the distance between the air purifier 100-4 received from the air purifier 100-4 and the user A. .
  • the total reward of the TV 100-2 is 6 points, and the total reward of the air purifier 100-4 is 5 points.
  • the TV 100-2 may determine itself as a subject to perform an operation corresponding to the voice command.
  • user B may utter a voice command ⁇ turn-on> while cooking.
  • the TV 100-2 and the air purifier 100-4 may receive corresponding voice commands through a microphone.
  • the TV 100-2 may acquire a distance between itself and user B based on the decibels of the received voice command. If the obtained distance is 1.5m, the reward based on the distance may be 4 points.
  • the air purifier 100-4 may measure a decibel of the received voice command, and obtain a distance (0.5 m) between itself and the user B based on the measured decibel. The air purifier 100-4 may transmit the obtained distance to the TV 100-2.
  • the TV 100-2 may give a reward of 5 points to the air purifier 100-4 based on the distance between the air purifier 100-4 received from the air purifier 100-4 and the user B. .
  • the number of times the TV 100-2 is turned on is less than the number of times the air purifier 100-4 is turned on , A reward of 0 points can be given to the TV 100-2 and a reward of 2 points can be given to the air purifier 100-4.
  • the total reward of the TV 100-2 is 4 points, and the total reward of the air purifier 100-4 is 7 points.
  • the TV 100-2 may determine the air purifier 100-4 as a subject to perform an operation corresponding to a voice command.
  • the present invention described above can be implemented as a computer-readable code on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable media include HDD (Hard Disk Drive), SSD (Solid State Disk), SDD (Silicon Disk Drive), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this. Further, the computer may include the processor 180 of an artificial intelligence device.

Abstract

본 발명의 일 실시 예에 따른 인공 지능 장치는 사용자의 음성 명령어를 수신하는 마이크로폰과 제1 슬레이브 인공 지능 장치와 제2 슬레이브 인공 지능 장치와 무선으로 통신을 수행하는 통신부 및 상기 음성 명령어의 의도를 획득하고, 획득된 의도, 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각의 정보에 기초하여, 상기 의도에 대응하는 동작을 수행할 장치를 결정할 수 있다.

Description

장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
본 발명은 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치에 관한 것이다.
스마트폰에 시작된 음성인식 기술 경쟁은 사물인터넷(IoT)의 본격 확산과 맞물려 이제 집 안에서 본격적으로 불붙을 전망이다.
특히, 주목할 만 한 점은 그 기기가 음성을 매개로 명령을 내리고, 대화를 나눌 수도 있는 인공지능(AI) 기기라는 점이다.
음성인식 서비스는 막대한 양의 데이터베이스를 활용하여, 사용자의 질문에 최적 답변을 선택하는 구조를 갖고 있다.
음성검색 기능 역시 입력된 음성데이터를 클라우드 서버에서 텍스트로 변환하여 분석하고, 그 결과에 따른 실시간 검색결과를 기기로 재전송하는 방식이다.
클라우드 서버는 수많은 단어들을 성별, 연령별, 억양별로 구분된 음성 데이터로 구분하여, 저장하고 실시간으로 처리할 수 있는 컴퓨팅 능력을 보유하고 있다.
음성 인식은 더 많은 음성데이터가 축적될수록, 인간과 동등한(Human parity) 수준 정도로, 정확해 질 것이다.
최근에는, 음성 인식이 가능한 복수의 인공 지능 기기들이 댁내에 존재한다.
사용자가 제어할 인공 지능 기기를 선택하기 위해서는, 인공 지능 기기를 활성화 시키기 위한 기동 명령어를 발화해야 한다.
그러나, 복수의 인공 지능 기기들이 댁내에 있는 경우, 사용자가 발화한 기동 명령어에 대해 복수의 인공 지능 기기들이 활성화되어, 사용자가 제어할 기기를 선정하는데 어려움이 있다.
즉, 사용자는 기기의 명칭을 발화하지 않은 경우, 어느 기기가 제어되는지 불명확한 문제가 있다.
기존에는 사용자와 인공 지능 기기 간의 거리가 가장 가까운 인공 지능 기기가 선택되는 기술이 있으나, 이는 사용자가 제어하기 원하는 기기가 아닐 수 있다.
본 발명은 복수의 인공 지능 장치들이 존재하는 경우, 사용자와 인공 지능 장치 간의 거리 및 인공 지능 장치의 상태 정보를 고려하여, 사용자의 음성 명령어의 수행에 적합한 장치를 선정 및 제어할 수 있는 인공 지능 장치의 제공을 목적으로 한다.
본 발명의 일 실시 예에 따른 인공 지능 장치는 사용자의 음성 명령어를 수신하는 마이크로폰과 제1 슬레이브 인공 지능 장치와 제2 슬레이브 인공 지능 장치와 무선으로 통신을 수행하는 통신부 및 상기 음성 명령어의 의도를 획득하고, 획득된 의도, 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각의 정보에 기초하여, 상기 의도에 대응하는 동작을 수행할 장치를 결정할 수 있다.
본 발명의 실시 예에 따른 인공 지능 장치의 동작 방법은 사용자의 음성 명령어를 수신하는 단계와 상기 음성 명령어의 의도를 획득하는 단계와 제1 슬레이브 인공 지능 장치의 정보 및 제2 슬레이브 인공 지능 장치의 정보를 수신하는 단계 및 획득된 의도, 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각의 정보에 기초하여, 상기 의도에 대응하는 동작을 수행할 장치를 결정하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따르면, 사용자의 발화 지점과 각 인공 지능 장치 간의 거리만이 아닌, 인공 지능 장치의 상태 정보, 특성 정보를 반영하여, 사용자가 음성으로 제어하고자 하는 장치를 제대로 파악할 수 있다.
이에 따라, 음성 명령어를 통해 원하지 않는 장치가 제어되는 문제가 해결될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 AI 장치를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템을 나타낸다.
도 4는 본 발명의 일 실시 예에 따른 인공 지능 시스템의 동작 방법을 설명하는 래더 다이어 그램이다.
도 5는 본 발명의 일 실시 예에 따라, 마스터 인공 지능 장치를 선정하는 예를 보여주는 도면이다.
도 6은 본 발명의 일 실시 예에 따라, 복수의 인공 지능 장치들이 구비된 상태를 보여준다.
도 7 내지 도 11은 하나의 액션에 대해 복수의 인공 지능 장치들의 상태 또는 특성에 기초하여, 정해진 리워드를 나타내는 리워드 테이블들을 설명하는 도면이다.
도 12는 본 발명의 실시 예에 따라 인공 지능 장치들의 정보에 기초하여, 우선 순위를 획득하는 과정을 상세하게 설명하는 흐름도이다.
도 13은 본 발명의 일 실시 예에 따라 인공 지능 장치들의 정보에 기초하여, 장치들의 토탈 리워드를 계산하고, 이에 따라 각 장치의 우선 순위를 획득하는 과정을 보여주는 도면이다.
도 14 및 도 15는 본 발명의 실시 예에 따라 사용자 정보를 반영하여, 음성 명령어에 대응하는 동작을 수행할 장치를 결정하는 예를 설명하는 도면이다.
<인공 지능(AI: Artificial Intelligence)>
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
<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 발명의 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, 단말기(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(Bluetooth쪠), 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 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 갱신하는데 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 발명의 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 발명의 일 실시 예에 따른 인공 지능 시스템의 동작 방법을 설명하는 래더 다이어 그램이다.
인공 지능 시스템은 마스터 인공 지능 장치(100-1), 제1 슬레이브 인공 지능 장치(100-2), 제2 슬레이브 인공 지능 장치(100-3)를 포함할 수 있다.
그러나, 이는 예시에 불과하고, 인공 지능 시스템은 더 많은 슬레이브 인공 장치들을 포함할 수 있다.
마스터 인공 지능 장치(100-1), 제1 슬레이브 인공 지능 장치(100-2) 및 제2 슬레이브 인공 지능 장치(100-3) 각각은 도 1에 도시된 인공 지능 장치(100)일 수 있다.
즉, 마스터 인공 지능 장치(100-1), 제1 슬레이브 인공 지능 장치(100-2) 및 제2 슬레이브 인공 지능 장치(100-3) 각각은 도 1에 도시된 인공 지능 장치(100)의 모든 구성 요소들을 포함할 수 있다.
일 실시 예에서, 마스터 인공 지능 장치(100-1)는 연결된 인공 지능 장치의 수가 가장 많은 장치가 될 수 있다.
각 인공 지능 장치는 서로 연결된 장치의 수를 통신부(110)를 통해 공유할 수 있고, 연결된 장치의 수가 가장 많은 인공 지능 장치가 마스터 인공 지능 장치(100-1)로 선정될 수 있다.
마스터 인공 지능 장치(100-1)는 다른 인공 지능 장치들에 자신이 다른 인공 지능 장치를 제어할 수 있는 권한을 갖는 마스터 장치로 선정되었음을 나타내는 알림을 전송할 수 있다.
먼저, 마스터 인공 지능 장치(100-1) 및 제1 슬레이브 인공 지능 장치(100-2)는 마이크로폰을 통해 음성 명령어를 수신한다(S401, S403).
일 예로, 제2 슬레이브 인공 지능 장치(100-2)는 사용자가 발화한 음성 명령어를 수신할 수 없는 위치에 존재할 수 있다.
그러나, 이에 한정될 필요는 없고, 제2 슬레이브 인공 지능 장치(100-3)가 사용자의 음성 명령어를 수신할 수 있는 정도의 거리에 위치한다면, 제2 슬레이브 인공 지능 장치(100-3) 또한, 음성 명령어를 수신할 수 있다.
한편, 마스터 인공 지능 장치(100-1)의 프로세서(180)는 자연어 처리 엔진(Natural Language Process engine, NLP engine)을 이용하여, 음성 명령어의 의도를 분석할 수 있다.
먼저, 프로세서(180)는 STT(Speech To Text) 엔진을 이용하여, 음성 명령어에 대응하는 음성 데이터를 텍스트 데이터로 변환할 수 있다.
프로세서(180)는 NLP 엔진을 이용하여, 변환된 텍스트 데이터의 의도를 분석할 수 있다.
텍스트 데이터의 의도는 인공 지능 장치의 특정 동작을 지시하는 것일 수 있다.
도 5는 본 발명의 일 실시 예에 따라, 마스터 인공 지능 장치를 선정하는 예를 보여주는 도면이다.
도 5를 참조하면, 복수의 인공 지능 장치들(100-1 내지 100-5)가 댁 내에 구비되어 있다.
복수의 인공 지능 장치들(100-1 내지 100-5) 각각은 근거리 무선 통신을 통해 자신과 연결된 인공 지능 장치를 식별할 수 있다.
근거리 무선 통신 규격은 와이파이 다이렉트 일 수 있으나, 이는 예시에 불과하다. 각 인공 지능 장치는 근거리 무선 통신을 위해 와이파이 다이렉트 모듈을 구비할 수 있다.
각 인공 지능 장치는 자신과 연결된 인공 지능 장치의 수를 서로 공유할 수 있다.
제1 인공 지능 장치(100-1)의 경우, 제2 인공 지능 장치(100-2), 제3 인공 지능 장치(100-3) 및 제4 인공 지능 장치(100-4)와 연결되어 있어, 다른 인공 지능 장치에 비해, 가장 많은 장치가 연결되어 있다.
이에 따라, 제1 인공 지능 장치(100-1)는 자신을 마스터 인공 지능 장치로 선정하고, 이를 다른 인공 지능 장치들(100-2 내지 100-5)에 통지할 수 있다.
다시, 도 4를 설명한다.
마스터 인공 지능 장치(100-1)의 통신부(110)는 제1 슬레이브 인공 지능 장치(100-2)로부터 제1 슬레이브 인공 지능 장치(100-2)가 수신한 음성 명령어 및 제1 슬레이브 인공 지능 장치(100-2)의 제1 장치 정보를 수신한다(S405).
제1 슬레이브 인공 지능 장치(100-2)는 자신이 슬레이브 장치의 역할을 수행하므로, 수신된 음성 명령어 및 자신의 장치 정보인 제1 장치 정보를 마스터 인공 지능 장치(100-1)에 전송할 수 있다.
제1 장치 정보는 제1 슬레이브 인공 지능 장치(100-2)를 식별하기 위한 식별 정보, 제1 슬레이브 인공 지능 장치(100-2)의 현재 상태를 나타내는 상태 정보, 제1 슬레이브 인공 지능 장치(100-2)의 특성 정보 중 하나 이상을 포함할 수 있다.
식별 정보는 제1 슬레이브 인공 지능 장치(100-2)의 제품 명칭, 모델명 등을 포함할 수 있다.
상태 정보는 제1 슬레이브 인공 지능 장치(100-2)의 동작 상태를 나타내는 동작 정보를 포함할 수 있다. 예를 들어, 제1 슬레이브 인공 지능 장치(100-2)가 로봇 청소기인 경우, 상태 정보는 로봇 청소기의 청소 진행 상태를 포함할 수 있다.
특성 정보는 제1 슬레이브 인공 지능 장치(100-2)만이 갖는 고유의 특성을 나타내는 정보를 포함할 수 있다. 예를 들어, 제1 슬레이브 인공 지능 장치(100-2)가 냉장고인 경우, 특성 정보는 항상 냉장고의 전원이 켜져 있음을 나타내는 정보일 수 있다.
한편, 마스터 인공 지능 장치(100-1)는 제1 슬레이브 인공 지능 장치(100-2)와 음성 명령어를 발화한 사용자의 발화 지점 간의 거리를 제1 슬레이브 인공 지능 장치(100-2)로부터 수신할 수 있다.
제1 장치 정보에는 제1 슬레이브 인공 지능 장치(100-2)와 음성 명령어를 발화한 사용자의 발화 지점 간의 거리가 포함될 수 있다.
마스터 인공 지능 장치(100-1)의 통신부(110)는 제2 슬레이브 인공 지능 장치(100-3)에 제2 장치 정보를 요청하고(S407), 제2 슬레이브 인공 지능 장치(100-3)로부터 제2 장치 정보를 수신한다(S409).
마스터 인공 지능 장치(100-1)는 자신과 연결된 슬레이브 인공 장치들 중 일정 시간 내에, 장치 정보를 전송하지 않은 장치에 장치 정보를 요청하는 메시지를 전송할 수 있다.
일정 시간은 마스터 인공 지능 장치(100-1)가 음성 명령어를 수신한 시점부터 0.5 초 이내 일 수 있으나, 이는 예시에 불과하다.
제2 장치 정보는 제2 슬레이브 인공 지능 장치(100-3)를 식별하기 위한 식별 정보, 제2 슬레이브 인공 지능 장치(100_3)의 동작 상태를 나타내는 동작 정보 및 제2 슬레이브 인공 지능 장치(100-3)의 특성 정보 중 하나 이상을 포함할 수 있다.
또 다른 예로, 제2 슬레이브 인공 지능 장치(100-3)도 음성 명령어를 수신할 수 있고, 수신된 음성 명령어를 제2 장치 정보와 함께 마스터 인공 지능 장치(100-1)에 전송할 수 있다.
한편, 마스터 인공 지능 장치(100-1)는 제2 슬레이브 인공 지능 장치(100-3)와 음성 명령어를 발화한 사용자의 발화 지점 간의 거리를 제2 슬레이브 인공 지능 장치(100-3)로부터 수신할 수 있다.
제2 장치 정보에는 제2 슬레이브 인공 지능 장치(100-3)와 음성 명령어를 발화한 사용자의 발화 지점 간의 거리가 포함될 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 자신의 장치 정보, 제1 장치 정보 및 제2 장치 정보에 기초하여, 장치들의 우선 순위를 획득한다(S411).
일 실시 예에서, 우선 순위는 사용자의 음성 명령어에 상응하는 동작을 수행할 장치의 순위를 나타낼 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 자신의 장치 정보, 제1 장치 정보 및 제2 장치 정보에 기초하여, 각 장치 별 보상 점수를 부여하고, 부여된 보상 점수를 통해, 각 장치의 우선 순위를 획득할 수 있다.
프로세서(180)는 음성 명령어의 의도, 자신의 장치 정보, 제1 장치 정보 및 제2 장치 정보에 기초하여, 장치들의 우선 순위를 획득할 수 있다.
또 다른 예로, 프로세서(180)는 사용자의 발화 위치와 각 인공 지능 장치 간의 거리, 마스터 인공 지능 장치(100-1)의 장치 정보, 제1 장치 정보 및 제2 장치 정보에 기초하여, 장치들의 우선 순위를 획득할 수 있다.
프로세서(180)는 상기 거리에 기초한 리워드, 인공 지능 장치들 각각의 상태 정보에 기초한 리워드, 인공 지능 장치들 각각의 특성 정보에 기초한 리워드에 기초하여, 장치들의 우선 순위를 결정할 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 획득된 우선 순위에 기초하여, 음성 명령어에 대응하는 동작을 수행할 장치를 결정한다(S413).
마스터 인공 지능 장치(100-1)의 프로세서(180)는 각 장치의 우선 순위들 중 가장 우선 순위가 높은 장치를 동작 수행을 위한 장치로 결정할 수 있다.
이에 대해서는 이하의 도면을 참조하여 상세히 설명한다.
먼저, 도 6은 본 발명의 일 실시 예에 따라, 복수의 인공 지능 장치들이 구비된 상태를 보여준다.
도 6을 참조하면, 사용자의 주위에는 복수의 인공 지능 장치들(100-1 내지 100-5)이 구비되어 있다.
사용자는 <turn-off> 라는 음성 명령어를 발화할 수 있다.
마스터 인공 지능 장치(100-1)는 음성 명령어의 의도를 분석하고, 복수의 인공 지능 장치들(100-1 내지 100-5) 중 의도에 맞는 동작을 수행할 장치를 결정할 수 있다.
도 7 내지 도 11은 하나의 액션에 대해 복수의 인공 지능 장치들의 상태 또는 특성에 기초하여, 정해진 리워드를 나타내는 리워드 테이블들을 설명하는 도면이다.
먼저, 도 7은 에어컨의 상태에 기반하여, 정해진 리워드를 보여주는 도면이다.
turn-off 라는 액션에 대해, 현재 온도가 최적 온도보다 큰 경우, 에어컨에는 0점의 리워드가 부여될 수 있다. 이는, 에어컨이 계속 동작해야 하는 상황이어서, 꺼지면 안되기 때문일 수 있다.
turn-off 라는 액션에 대해, 현재 온도가 최적 온도보다 작은 경우, 에어컨에는 1점의 리워드가 부여될 수 있다. 이는, 에어컨의 동작 목적이 달성된 상황이어서, 꺼져도 되기 때문일 수 있다.
turn-on 이라는 액션에 대해, 현재 온도가 최적 온도보다 작은 경우, 에어컨에는 0점의 리워드가 부여될 수 있다. 이는, 에어컨의 동작 목적이 달성된 상황이어서, 꺼진 상태를 유지해도 되기 때문이다.
turn-on 이라는 액션에 대해, 현재 온도가 최적 온도보다 큰 경우, 에어컨에는 1점의 리워드가 부여될 수 있다. 이는, 에어컨이 동작해야 하는 상황이기 때문이다.
다음으로, 도 8을 설명한다.
도 8은 TV의 재생 상태에 기반하여, 정해진 리워드를 보여주는 도면이다.
도 8에서는 특히, TV의 전원이 켜진 상태에서, 컨텐트를 재생하고 있는 상황을 가정한다.
도 8을 참조하면, turn-off 라는 액션에 대해, TV가 광고를 재생 중인 경우, TV에는 2점의 리워드가 부여될 수 있고, TV가 프로그램을 재생 중인 경우, TV에는 1점의 리워드가 부여될 수 있다. 사용자는 광고보다는 프로그램의 재생에 더 관심이 많기 때문이다.
한편, turn-on 이라는 액션에 대해서는 TV가 이미 광고 또는 프로그램을 재생 중이기 때문에, 의미 없는 액션으로 해석되어, -1점의 리워드가 TV에 부여될 수 있다.
다음으로, 도 9를 설명한다.
도 9는 로봇 청소기의 청소 진행률에 기반하여, 정해진 리워드를 보여주는 도면이다.
도 9에서, 로봇 청소기의 전원이 켜져 있어, 청소를 진행 중인 상태임을 가정한다.
도 9를 참조하면, turn-off 라는 액션에 대해, 로봇 청소기의 청소 진행률이 80% 보다 큰 경우, 로봇 청소기에는 1점의 리워드가 부여될 수 있고, 로봇 청소기의 청소 진행률이 80% 보다 작은 경우, 0점의 리워드가 부여될 수 있다.
이는, 로봇 청소기의 청소 진행률이 80% 보다 작다면, 로봇 청소기는 청소를 계속해야 하기 때문이다.
한편, turn-on 이라는 액션에 대해서는 로봇 청소기가 청소를 진행 중이기 때문에, 의미 없는 액션으로 해석되어, -1점의 리워드가 로봇 청소기에 부여될 수 있다.
다음으로, 도 10을 설명한다.
도 10은 공기 청정기의 상태에 기반하여, 정해진 리워드를 보여주는 도면이다.
도 10은 공기 청정기가 온 되어, 작동 중인 상태임을 가정한다.
도 10을 참조하면, turn-off 라는 액션에 대해, 먼지 농도가 기준치 보다 작은 경우, 공기 청정기에는 1점의 리워드가 부여되고, 먼지 농도가 기준치 보다 큰 경우, 공기 청정기에는 0점의 리워드가 부여될 수 있다.
이는, 먼지 농도가 기준치 보다 작다면, 공기 청정기의 목적을 달성한 것으로 볼 수 있기 때문이다.
한편, turn-on 이라는 액션에 대해서는 공기 청정기가 환기를 진행 중이기 때문에, 의미 없는 액션으로 해석되어, -1점의 리워드가 공기 청정기에 부여될 수 있다.
다음으로, 도 11을 설명한다.
도 11은 냉장고의 특성에 기반하여, 정해진 리워드를 보여주는 도면이다.
냉장고의 경우, 항상 전원이 켜져 있는 특징(always on)을 가질 수 있다.
도 11을 참조하면, turn-off / turn-on 이라는 액션에 대해, 냉장고에는 -2점의 리워드가 부여될 수 있다.
이는 냉장고의 경우, 항상 전원이 켜져 있는 특징을 가지고 있으므로, 전원의 온/오프에 대한 액션에 대해 반응을 하지 않기 위해, 감점의 리워드가 부여될 수 있다.
일 실시 예에서, 위와 같은 리워드의 부여는 마스터 인공 지능 장치(100-1)에 의해 수행될 수 있다.
마스터 인공 지능 장치(100-1)는 도 7 내지 도 11에 도시된 리워드 테이블들을 메모리(170)에 저장하고 있을 수 있다. 마스터 인공 지능 장치(100-1)는 도 7 내지 도 11의 리워드 테이블들을 각 슬레이브 인공 지능 장치로부터 수신할 수 있다.
도 12는 본 발명의 실시 예에 따라 인공 지능 장치들의 정보에 기초하여, 우선 순위를 획득하는 과정을 상세하게 설명하는 흐름도이다.
도 12의 각 스텝들은 도 4의 단계 S411을 구체화하는 것일 수 있다.
도 12를 참조하면, 마스터 인공 지능 장치(100-1)의 프로세서(180)는 사용자의 발화 지점과 각 인공 지능 장치 간의 거리를 획득한다(S1201).
프로세서(180)는 통신부(110)를 통해 슬레이브 인공 지능 장치들(100-2, 100-3)로부터, 각 슬레이브 장치와 사용자의 발화 지점 간의 거리를 수신할 수 있다.
프로세서(180)는 거리 측정 모듈(미도시)를 통해 마스터 인공 지능 장치(100-1)와 사용자의 발화 지점 간의 거리를 계산할 수 있다. 예를 들어, 거리 측정 모듈은 수신된 음성 명령어의 데시벨을 측정하는 모듈일 수 있다.
프로세서(180)는 측정된 데시벨에 대응하는 거리를 획득할 수 있다. 복수의 데시벨들 각각과 이에 대응하는 거리는 메모리(170)에 미리 저장되어 있을 수 있다.
프로세서(180)는 거리 측정 모듈이 측정한 데시벨에 대응하는 거리를 메모리(170)로부터 획득할 수 있다.
또한, 슬레이브 인공 지능 장치들(100-2, 100-3) 각각도, 이러한 방식으로, 사용자의 발화 지점과 자신 간의 거리를 획득할 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 자연어 처리 엔진을 이용하여, 음성 명령어의 의도를 획득한다(S1203).
자연어 처리 엔진은 음성 명령어에 대응하는 음성 데이터를 텍스트 데이터로 변환하고, 변환된 텍스트 데이터로부터, 음성 명령어의 의도를 획득할 수 있는 엔진일 수 있다.
자연어 처리 엔진은 프로세서(180)에 포함될 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 획득된 거리, 음성 명령어의 의도, 각 인공 지능 장치의 정보에 기반하여 , 각 인공 지능 장치의 토탈 리워드를 계산한다(S1205).
프로세서(180)는 각 인공 지능 장치와 사용자의 발화 지점 간의 거리에 기초한 리워드, 음성 명령어의 의도와, 인공 지능 장치의 상태 정보에 기반한 리워드, 음성 명령어의 의도와 인공 지능 장치의 특성 정보에 기반한 리워드에 기초하여, 각 장치의 토탈 리워드를 계산할 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 계산된 토탈 리워드에 기반하여 , 각 장치의 우선 순위를 획득한다(S1207).
도 13은 본 발명의 일 실시 예에 따라 인공 지능 장치들의 정보에 기초하여, 장치들의 토탈 리워드를 계산하고, 이에 따라 각 장치의 우선 순위를 획득하는 과정을 보여주는 도면이다.
도 13에서, 사용자가 발화한 음성 명령어는 turn-off 이고, turn-off의 의도는 기기의 전원 오프임을 가정한다.
또한, 마스터 인공 지능 장치(100-1)는 에어컨이고, 4개의 슬레이브 장치들(100-2 내지 100-5) 각각은 TV, 로봇 청소기, 공기 청정기, 냉장고임을 가정한다.
마스터 인공 지능 장치(100-1)는 사용자가 음성 명령어를 발화한 지점과 각 장치 간의 거리에 기반하여, 각 장치에 리워드를 부여할 수 있다.
마스터 인공 지능 장치(100-1)는 사용자의 발화 지점과 각 장치 간의 거리가 가까울수록, 높은 리워드를 부여하고, 거리가 멀수록, 낮은 리워드를 부여할 수 있다.
사용자의 발화 지점이, 로봇 청소기(100-3), 에어컨(100-1), TV(100-2), 공기 청정기(100-4), 냉장고(100-5) 순으로, 가까운 경우, 해당 장치 순서대로, 높은 리워드가 부여될 수 있다.
사용자의 발화 지점과 로봇 청소기(100-3) 간의 거리가 0.5m인 경우, 5점의 리워드가 로봇 청소기(100-3)에 부여되고, 사용자의 발화 지점과 에어컨(100-1) 간의 거리가 1m인 경우, 4.5점의 리워드가 에어컨(100-1)에 부여되고, 사용자의 발화 지점과 TV(100-2) 간의 거리가 1.5m인 경우, TV(100-2)에 4점이 부여되고, 사용자의 발화 지점과 공기 청정기(100-4) 간의 거리가 2m인 경우, 공기 청정기(100-4)에는 3.5점의 리워드가 부여되고, 사용자의 발화 지점과 냉장고(100-5) 간의 거리가 4.5m인 경우, 냉장고(100-5)에는 1점의 리워드가 부여될 수 있다.
마스터 인공 지능 장치(100-1)는 음성 명령어의 의도 및 각 장치의 상태 정보에 기초하여, 리워드를 부여할 수 있다.
예를 들어, 에어컨(100-1)은 현재 온도가 최적 온도보다 큰 경우, 전원 오프라는 의도에 대응하여, 에어컨(100-1)에는 0점의 리워드가 부여될 수 있다. 해당 리워드는 도 7의 리워드 테이블에 기초하여, 부여될 수 있다.
마스터 인공 지능 장치(100-1)는 음성 명령어의 의도 및 각 장치의 특성 정보에 기초하여, 리워드를 부여할 수 있다.
마스터 인공 지능 장치(100-1)는 전원이 항상 켜질 필요가 없고, 전원이 켜져 있는 장치들(100-1 내지 100-2)에 대해서는 1점의 리워드를 부여할 수 있다.
또한, 마스터 인공 지능 장치(100-1)는 전원이 항상 켜져 있어야 하는 냉장고(100-5)에는 -2점의 리워드를 부여할 수 있다.
마스터 인공 장치 장치(100-1)는 각 장치에 대해 거리에 기반한 리워드, 각 장치의 상태 정보에 기반한 리워드 및 각 장치의 특성 정보에 기반한 리워드의 합을 계산할 수 있다.
마스터 인공 지능 장치(100-1)인 에어컨은 자신의 토탈 리워드를 4.5로, TV(100-2)의 토탈 리워드를 7로, 로봇 청소기(100-3)의 토탈 리워드를 6으로, 공기 청정기(100-4)의 토탈 리워드를 4.5로, 냉장고의 토탈 리워드를 -1점으로 획득할 수 있다.
마스터 인공 지능 장치(100-1)는 토탈 리워드가 클수록 높은 우선 순위를 해당 장치에 부여할 수 있다.
즉, 도 13에 따르면, 마스터 인공 지능 장치(100-1)는 토탈 리워드가 가장 큰 TV(100-2)에 가장 높은 우선 순위를 부여할 수 있다.
이후, 도 4의 단계 S413이 수행될 수 있다.
즉, 마스터 인공 지능 장치(100-1)는 가장 높은 우선 순위를 갖는 TV(100-2)를 음성 명령어에 대응하는 동작을 수행할 장치로 결정할 수 있다.
다시, 도 4를 설명한다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 결정된 장치가 자신인지를 판단하고(S415), 결정된 장치가 자신인 경우 , 음성 명령어에 상응하는 동작을 수행한다(S417).
프로세서(180)는 마스터 인공 지능 장치(100-1)의 우선 순위가 가장 높은 경우, 자신을 음성 명령어에 상응하는 동작을 수행할 주체로 결정할 수 있고, 음성 명령어에 상응하는 동작을 수행할 수 있다.
마스터 인공 지능 장치(100-1)의 프로세서(180)는 결정된 장치가 제1,2 슬레이브 인공 지능 장치들(100-2, 100-3) 중 어느 하나인 경우 , 해당 슬레이브 인공 지능 장치에 음성 명령어에 상응하는 동작을 수행하도록 하는 제어 명령을 전송한다(S419).
해당 슬레이브 인공 지능 장치는 마스터 인공 지능 장치(100-1)로부터 제어 명령을 수신하고, 수신된 제어 명령에 따른 동작을 수행할 있다.
즉, 도 13의 예에 따르면, 프로세서(180)는 제1 슬레이브 인공 지능 장치(100-2)인 TV에 전원 오프를 요청하는 제어 명령을 전송할 수 있다.
제1 슬레이브 인공 지능 장치(100-2)는 마스터 인공 지능 장치(100-1)로부터 수신된 제어 명령에 따라 전원을 오프할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 사용자의 발화 지점과 각 인공 지능 장치 간의 거리만이 아닌, 인공 지능 장치의 상태 정보, 특성 정보를 반영하여, 사용자가 음성으로 제어하고자 하는 장치를 제대로 파악할 수 있다.
이에 따라, 음성 명령어를 통해 원하지 않는 장치가 제어되는 문제가 해결될 수 있다.
도 14 및 도 15는 본 발명의 실시 예에 따라 사용자 정보를 반영하여, 음성 명령어에 대응하는 동작을 수행할 장치를 결정하는 예를 설명하는 도면이다.
도 14 및 도 15에서, 마스터 인공 지능 장치는 TV(100-2)임을 가정하고, 슬레이브 인공 지능 장치는 공기 청정기(100-4)임을 가정한다.
또한, 도 14 및 도 15에서 사용자의 음성 명령어는 <turn-on>으로, 전원의 온이라는 의도가 있음을 가정한다.
먼저, 도 14를 설명한다.
도 14를 참조하면, 사용자 A는 요리 중에, <turn-on> 이라는 음성 명령어를 발화할 수 있다. TV(100-2) 및 공기 청정기(100-4)는 해당 음성 명령어를 마이크로폰을 통해 수신할 수 있다.
TV(100-2)는 수신된 음성 명령어의 데시벨에 기반하여, 자신과 사용자 A의 거리를 획득할 수 있다. 획득된 거리가 1.5m인 경우, 거리에 기반한 리워드는 4점일 수 있다.
공기 청정기(100-4)는 수신된 음성 명령어의 데시벨을 측정하고, 측정된 데시벨에 기반하여, 자신과 사용자 A 간의 거리(0.5m)를 획득할 수 있다. 공기 청정기(100-4)는 획득된 거리를 TV(100-2)에 전송할 수 있다.
TV(100-2)는 공기 청정기(100-4)로부터 수신된 공기 청정기(100-4)와 사용자 A 간의 거리에 기반하여, 공기 청정기(100-4)에 5점의 리워드를 부여할 수 있다.
TV(100-2)는 사용자 A와 가전 기기 간의 거리가 0~2m 범위에서, TV(100-2)의 전원을 온 시킨 횟수가 공기 청정기(100-4)의 전원을 온 시킨 횟수보다 큰 경우, TV(100-2)에 2점의 리워드를 부여하고, 공기 청정기(100-4)에 0점의 리워드를 부여할 수 있다.
TV(100-2)의 토탈 리워드는 6점이고, 공기 청정기(100-4)의 토탈 리워드는 5점이다.
이에 따라, TV(100-2)는 사용자 A와 공기 청정기(100-4) 간의 거리가 더 가깝더라도, 자신을 음성 명령어에 대응하는 동작을 수행할 주체로 결정할 수 있다.
다음으로, 도 15를 설명한다.
도 15를 참조하면, 사용자 B는 요리 중에, <turn-on> 이라는 음성 명령어를 발화할 수 있다. TV(100-2) 및 공기 청정기(100-4)는 해당 음성 명령어를 마이크로폰을 통해 수신할 수 있다.
TV(100-2)는 수신된 음성 명령어의 데시벨에 기반하여, 자신과 사용자 B의 거리를 획득할 수 있다. 획득된 거리가 1.5m인 경우, 거리에 기반한 리워드는 4점일 수 있다.
공기 청정기(100-4)는 수신된 음성 명령어의 데시벨을 측정하고, 측정된 데시벨에 기반하여, 자신과 사용자 B 간의 거리(0.5m)를 획득할 수 있다. 공기 청정기(100-4)는 획득된 거리를 TV(100-2)에 전송할 수 있다.
TV(100-2)는 공기 청정기(100-4)로부터 수신된 공기 청정기(100-4)와 사용자 B 간의 거리에 기반하여, 공기 청정기(100-4)에 5점의 리워드를 부여할 수 있다.
TV(100-2)는 사용자 B와 가전 기기 간의 거리가 0~2m 범위에서, TV(100-2)의 전원을 온 시킨 횟수가 공기 청정기(100-4)의 전원을 온 시킨 횟수보다 작은 경우, TV(100-2)에 0점의 리워드를 부여하고, 공기 청정기(100-4)에 2점의 리워드를 부여할 수 있다.
TV(100-2)의 토탈 리워드는 4점이고, 공기 청정기(100-4)의 토탈 리워드는 7점이다.
이에 따라, TV(100-2)는 공기 청정기(100-4)를 음성 명령어에 대응하는 동작을 수행할 주체로 결정할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 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 (14)

  1. 인공 지능 장치에 있어서,
    사용자의 음성 명령어를 수신하는 마이크로폰;
    제1 슬레이브 인공 지능 장치와 제2 슬레이브 인공 지능 장치와 무선으로 통신을 수행하는 통신부; 및
    상기 음성 명령어의 의도를 획득하고, 획득된 의도, 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각의 정보에 기초하여, 상기 의도에 대응하는 동작을 수행할 장치를 결정하는 프로세서를 포함하는
    인공 지능 장치.
  2. 제1항에 있어서,
    각 장치의 정보는
    상기 사용자의 발화 지점과 각 장치 간의 거리, 각 장치의 상태 정보, 각 장치의 특성 정보를 포함하는
    인공 지능 장치.
  3. 제2항에 있어서,
    상기 프로세서는
    각 장치에 대해 상기 거리에 기초한 리워드, 상기 상태 정보에 기초한 리워드 및 상기 특성 정보에 기초한 리워드의 총합을 계산하고, 상기 총합에 따라 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각에 우선 순위를 부여하는
    인공 지능 장치.
  4. 제3항에 있어서,
    상기 프로세서는
    상기 총합이 가장 큰 장치에 가장 높은 우선 순위를 부여하고, 상기 가장 높은 우선 순위를 갖는 장치를 상기 의도에 대응하는 동작을 수행할 장치로 결정하는
    인공 지능 장치.
  5. 제4항에 있어서,
    상기 프로세스는
    결정된 장치가 상기 인공 지능 장치인 경우, 상기 의도에 대응하는 동작을 수행하는
    인공 지능 장치.
  6. 제4항에 있어서,
    상기 프로세서는
    결정된 장치가 상기 제1 슬레이브 인공 지능 장치 또는 상기 제2 슬레이브 인공 지능 장치 중 어느 하나인 경우, 해당 슬레이브 인공 지능 장치로, 상기 의도에 대응하는 동작을 수행하도록 하는 제어 명령을 전송하는
    인공 지능 장치.
  7. 제1항에 있어서,
    상기 프로세서는
    상기 음성 명령어를 수신한 경우, 상기 제1 슬레이브 인공 지능 장치 또는 상기 제2 슬레이브 인공 지능 장치에 장치의 정보를 요청하는 메시지를 전송하는
    인공 지능 장치.
  8. 제1항에 있어서,
    상기 프로세서는
    상기 통신부를 통해 연결된 다른 인공 지능 장치들의 개수를 획득하고, 획득한 개수가 가장 많은 경우, 자신을 상기 다른 인공 지능 장치들을 제어할 수 있는 권한을 갖는 마스터 장치로 선정하는
    인공 지능 장치.
  9. 인공 지능 장치의 동작 방법에 있어서,
    사용자의 음성 명령어를 수신하는 단계;
    상기 음성 명령어의 의도를 획득하는 단계;
    제1 슬레이브 인공 지능 장치의 정보 및 제2 슬레이브 인공 지능 장치의 정보를 수신하는 단계; 및
    획득된 의도, 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각의 정보에 기초하여, 상기 의도에 대응하는 동작을 수행할 장치를 결정하는 단계를 포함하는
    인공 지능 장치의 동작 방법.
  10. 제9항에 있어서,
    각 장치의 정보는
    상기 사용자의 발화 지점과 각 장치 간의 거리, 각 장치의 상태 정보, 각 장치의 특성 정보를 포함하고,
    각 장치에 대해 상기 거리에 기초한 리워드, 상기 상태 정보에 기초한 리워드 및 상기 특성 정보에 기초한 리워드의 총합을 계산하고, 상기 총합에 따라 상기 인공 지능 장치, 상기 제1 슬레이브 인공 지능 장치 및 상기 제2 슬레이브 인공 지능 장치 각각에 우선 순위를 부여하는 단계를 더 포함하는
    인공 지능 장치의 동작 방법.
  11. 제10항에 있어서,
    상기 장치를 결정하는 단계는
    상기 총합이 가장 큰 장치에 가장 높은 우선 순위를 부여하는 단계와
    상기 가장 높은 우선 순위를 갖는 장치를 상기 의도에 대응하는 동작을 수행할 장치로 결정하는 단계를 포함하는
    인공 지능 장치의 동작 방법.
  12. 제11항에 있어서,
    결정된 장치가 상기 인공 지능 장치인 경우, 상기 의도에 대응하는 동작을 수행하는 단계를 더 포함하는
    인공 지능 장치의 동작 방법.
  13. 제9항에 있어서,
    결정된 장치가 상기 제1 슬레이브 인공 지능 장치 또는 상기 제2 슬레이브 인공 지능 장치 중 어느 하나인 경우, 해당 슬레이브 인공 지능 장치로, 상기 의도에 대응하는 동작을 수행하도록 하는 제어 명령을 전송하는 단계를 더 포함하는
    인공 지능 장치의 동작 방법.
  14. 제9항에 있어서,
    상기 음성 명령어를 수신한 경우, 상기 제1 슬레이브 인공 지능 장치 또는 상기 제2 슬레이브 인공 지능 장치에 장치의 정보를 요청하는 메시지를 전송하는
    인공 지능 장치의 동작 방법.
PCT/KR2019/006441 2019-05-29 2019-05-29 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치 WO2020241920A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020197020561A KR20220001522A (ko) 2019-05-29 2019-05-29 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
US16/498,130 US11482210B2 (en) 2019-05-29 2019-05-29 Artificial intelligence device capable of controlling other devices based on device information
PCT/KR2019/006441 WO2020241920A1 (ko) 2019-05-29 2019-05-29 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/006441 WO2020241920A1 (ko) 2019-05-29 2019-05-29 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치

Publications (1)

Publication Number Publication Date
WO2020241920A1 true WO2020241920A1 (ko) 2020-12-03

Family

ID=73552855

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/006441 WO2020241920A1 (ko) 2019-05-29 2019-05-29 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치

Country Status (3)

Country Link
US (1) US11482210B2 (ko)
KR (1) KR20220001522A (ko)
WO (1) WO2020241920A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110088775B (zh) * 2016-11-04 2023-11-07 渊慧科技有限公司 使用加强学习的环境预测
US11721330B1 (en) * 2019-09-04 2023-08-08 Amazon Technologies, Inc. Natural language input processing
JP7331660B2 (ja) * 2019-11-26 2023-08-23 横河電機株式会社 装置、方法およびプログラム
JP2021174259A (ja) 2020-04-24 2021-11-01 横河電機株式会社 制御装置、制御方法および制御プログラム
US11915691B2 (en) * 2021-01-19 2024-02-27 Samsung Electronics Co., Ltd. Electronic apparatus and controlling method thereof

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170330564A1 (en) * 2016-05-13 2017-11-16 Bose Corporation Processing Simultaneous Speech from Distributed Microphones
KR101832648B1 (ko) * 2014-10-09 2018-02-26 구글 엘엘씨 다수의 디바이스에서의 핫워드 검출
KR20180034637A (ko) * 2015-09-30 2018-04-04 애플 인크. 지능형 디바이스 식별
US20190051289A1 (en) * 2017-08-09 2019-02-14 Lenovo (Singapore) Pte. Ltd. Voice assistant system, server apparatus, device, voice assistant method therefor, and program to be executed by copmuter
KR20190042903A (ko) * 2017-10-17 2019-04-25 삼성전자주식회사 음성 신호를 제어하기 위한 전자 장치 및 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9251804B2 (en) * 2012-11-21 2016-02-02 Empire Technology Development Llc Speech recognition
US9812128B2 (en) 2014-10-09 2017-11-07 Google Inc. Device leadership negotiation among voice interface devices
US9812126B2 (en) * 2014-11-28 2017-11-07 Microsoft Technology Licensing, Llc Device arbitration for listening devices
US10257363B2 (en) * 2016-07-22 2019-04-09 Lenovo (Singapore) Pte. Ltd. Coordinating input on multiple local devices
US10467510B2 (en) * 2017-02-14 2019-11-05 Microsoft Technology Licensing, Llc Intelligent assistant
US10264358B2 (en) * 2017-02-15 2019-04-16 Amazon Technologies, Inc. Selection of master device for synchronized audio
US10573171B2 (en) * 2017-05-23 2020-02-25 Lenovo (Singapore) Pte. Ltd. Method of associating user input with a device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101832648B1 (ko) * 2014-10-09 2018-02-26 구글 엘엘씨 다수의 디바이스에서의 핫워드 검출
KR20180034637A (ko) * 2015-09-30 2018-04-04 애플 인크. 지능형 디바이스 식별
US20170330564A1 (en) * 2016-05-13 2017-11-16 Bose Corporation Processing Simultaneous Speech from Distributed Microphones
US20190051289A1 (en) * 2017-08-09 2019-02-14 Lenovo (Singapore) Pte. Ltd. Voice assistant system, server apparatus, device, voice assistant method therefor, and program to be executed by copmuter
KR20190042903A (ko) * 2017-10-17 2019-04-25 삼성전자주식회사 음성 신호를 제어하기 위한 전자 장치 및 방법

Also Published As

Publication number Publication date
US20210335344A1 (en) 2021-10-28
US11482210B2 (en) 2022-10-25
KR20220001522A (ko) 2022-01-06

Similar Documents

Publication Publication Date Title
WO2020241920A1 (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
WO2020246643A1 (ko) 서빙 로봇 및 그를 이용한 고객 접대 방법
WO2018128362A1 (en) Electronic apparatus and method of operating the same
WO2018110818A1 (en) Speech recognition method and apparatus
WO2021006368A1 (ko) 인공지능 기반의 에너지 사용량 예측 장치 및 예측 방법
WO2021006404A1 (ko) 인공지능 서버
WO2020246640A1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
WO2020251074A1 (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
EP3545436A1 (en) Electronic apparatus and method of operating the same
WO2021015308A1 (ko) 로봇 및 그의 기동어 인식 방법
WO2020145625A1 (ko) 인공 지능 장치 및 그의 동작 방법
WO2019124963A1 (ko) 음성 인식 장치 및 방법
WO2021172642A1 (ko) 장치 간 연동에 기초한 장치 제어 기능을 제공하는 인공 지능 장치 및 그 방법
WO2020246647A1 (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
EP3533052A1 (en) Speech recognition method and apparatus
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
WO2019031825A1 (ko) 전자 장치 및 그 동작 방법
WO2021215547A1 (ko) 스마트 홈 장치 및 방법
WO2020256169A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
WO2021040105A1 (ko) 개체명 테이블을 생성하는 인공 지능 장치 및 그 방법
WO2020230928A1 (ko) 로봇 및 그의 제어 방법
WO2020241919A1 (ko) 인공지능 기반의 세탁물 데이터 분석 장치
WO2020251096A1 (ko) 인공 지능 로봇 및 그의 동작 방법
WO2020241923A1 (ko) 사용자 환경에서의 음성 인식 모델의 성능을 예측하는 인공 지능 장치 및 그 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19931063

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19931063

Country of ref document: EP

Kind code of ref document: A1