WO2020251096A1 - 인공 지능 로봇 및 그의 동작 방법 - Google Patents

인공 지능 로봇 및 그의 동작 방법 Download PDF

Info

Publication number
WO2020251096A1
WO2020251096A1 PCT/KR2019/007222 KR2019007222W WO2020251096A1 WO 2020251096 A1 WO2020251096 A1 WO 2020251096A1 KR 2019007222 W KR2019007222 W KR 2019007222W WO 2020251096 A1 WO2020251096 A1 WO 2020251096A1
Authority
WO
WIPO (PCT)
Prior art keywords
artificial intelligence
robot
intelligence robot
intention
processor
Prior art date
Application number
PCT/KR2019/007222
Other languages
English (en)
French (fr)
Inventor
채종훈
김범오
김태현
맹지찬
신원호
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 PCT/KR2019/007222 priority Critical patent/WO2020251096A1/ko
Priority to US16/963,822 priority patent/US20210401255A1/en
Priority to KR1020190089822A priority patent/KR20190094311A/ko
Publication of WO2020251096A1 publication Critical patent/WO2020251096A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
    • A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
    • A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2805—Parameters or conditions being sensed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/008—Manipulators for service tasks
    • B25J11/0085—Cleaning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/003—Controls for manipulators by means of an audio-responsive input
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/006—Controls for manipulators by means of a wireless system for controlling one or several manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B25J19/021—Optical sensing devices
    • B25J19/023—Optical sensing devices including video camera means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0003—Home robots, i.e. small robots for domestic use
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/04—Automatic control of the travelling movement; Automatic obstacle detection
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
    • A47L2201/06—Control of the cleaning action for autonomous devices; Automatic detection of the surface condition before, during or after cleaning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Definitions

  • the present invention relates to an artificial intelligence robot, and to an artificial intelligence robot capable of searching for lost items during cleaning.
  • a vacuum cleaner is a device that inhales air containing dust by using a suction force generated by a suction motor installed inside the body, and then filters the dust inside the body.
  • a robot cleaner is a device that automatically cleans by inhaling foreign substances such as dust from a floor surface while traveling by itself in an area to be cleaned without user manipulation.
  • the conventional robot cleaner recognizes a relatively large object through a camera and performs cleaning while avoiding the recognized object.
  • the robot cleaner has a limitation in that its function performs the role of cleaning.
  • An object of the present invention is to provide an artificial intelligent robot capable of recognizing an object corresponding to a user's ignition command during cleaning.
  • An object of the present invention is to be able to recognize an object corresponding to a user's utterance command, identify the location of the recognized object, and provide it to the user.
  • the artificial intelligence robot may recognize an object suitable for an intention of a user's voice command, based on image data, and output a location of the recognized object.
  • the artificial intelligence robot may transmit a cleaning map including the location of an object suitable for the intention of the user's voice command to the user's mobile terminal.
  • a user can easily find an object to be searched with only a simple speech, thereby improving convenience.
  • a user can easily find an object at the corresponding position by checking the exact position of the object he or she is looking for.
  • 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 shows an AI device according to another embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a method of operating an artificial intelligence robot according to an embodiment of the present invention.
  • 6 and 7 are diagrams illustrating a process of obtaining a user's voice command by an artificial intelligence robot according to an embodiment of the present invention.
  • FIGS. 8 and 9 are diagrams illustrating a learning process of an object recognition model according to an embodiment of the present invention.
  • FIG. 10 is a diagram illustrating a table including object identification information acquired by the artificial intelligence robot of the present invention and location information of an object on a cleaning map.
  • FIG. 11 is a diagram illustrating an example of displaying the location of an object acquired in FIG. 10 on a cleaning map.
  • FIGS. 12 and 13 are diagrams illustrating a process of transmitting location information of an object corresponding to a user's voice command to a user's mobile terminal according to an embodiment of the present invention.
  • FIG. 14 is a diagram illustrating a process of regenerating a cleaning path when an object matching a user's search intention is searched according to an embodiment of the present invention.
  • 15 is a diagram illustrating a method of operating an artificial intelligence robot according to another 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, etc. in a 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.
  • the communication technologies used by the communication unit 110 include Global System for Mobile communication (GSM), Code Division Multi Access (CDMA), Long Term Evolution (LTE), 5G, Wireless LAN (WLAN), and Wireless-Fidelity (Wi-Fi). ), Bluetooth, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), ZigBee, and Near Field Communication (NFC).
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • 5G Fifth Generation
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Bluetooth Bluetooth
  • 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 obtained 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 trained 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 to 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-described 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 by using sensor information acquired from various types of sensors, detects (recognizes) the surrounding environment 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 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 to 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 shows an AI device 100 according to an embodiment of the present invention.
  • the input unit 120 includes a camera 121 for inputting an image signal, a microphone 122 for receiving an audio signal, and a user input unit for receiving information from a user. 123).
  • the voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.
  • the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user.
  • image information or signal
  • audio information or signal
  • data or information input from a user.
  • the AI device 100 Cameras 121 may be provided.
  • the camera 121 processes an image frame such as a still image or a video obtained by an image sensor in a video call mode or a photographing mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170.
  • the microphone 122 processes an external sound signal into electrical voice data.
  • the processed voice data may be variously utilized according to a function (or an application program being executed) being executed by the AI device 100. Meanwhile, various noise removal algorithms for removing noise generated in a process of receiving an external sound signal may be applied to the microphone 122.
  • the user input unit 123 is for receiving information from a user, and when information is input through the user input unit 123, the processor 180 may control the operation of the AI device 100 to correspond to the input information. .
  • the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the terminal 100, a dome switch, a jog wheel, a jog switch, etc.) and It may include a touch input means.
  • the touch-type input means comprises a virtual key, a soft key, or a visual key displayed on a touch screen through software processing, or a portion other than the touch screen It may be made of a touch key (touch key) disposed on.
  • the output unit 150 includes at least one of a display unit 151, a sound output unit 152, a haptic module 153, and an optical output unit 154. can do.
  • the display unit 151 displays (outputs) information processed by the AI device 100.
  • the display unit 151 may display execution screen information of an application program driven by the AI device 100, or UI (User Interface) and GUI (Graphic User Interface) information according to the execution screen information.
  • UI User Interface
  • GUI Graphic User Interface
  • the display unit 151 may implement a touch screen by forming a layer structure or integrally with the touch sensor.
  • a touch screen may function as a user input unit 123 that provides an input interface between the AI device 100 and a user, and may provide an output interface between the terminal 100 and the user.
  • the sound output unit 152 may output audio data received from the communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.
  • the sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that a user can feel.
  • a typical example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event using light from a light source of the AI device 100.
  • Examples of events occurring in the AI device 100 may be message reception, call signal reception, missed call, alarm, schedule notification, email reception, and information reception through an application.
  • FIG. 5 is a flowchart illustrating a method of operating an artificial intelligence robot according to an embodiment of the present invention.
  • the artificial intelligence robot 100-1 includes the components of FIG. 4.
  • the processor 180 of the artificial intelligence robot 100-1 acquires a voice command (S501).
  • the voice command may be a command uttered by a user.
  • the processor 180 may directly acquire a voice command uttered by the user through the microphone 122.
  • the processor 180 may acquire a voice command through the user's mobile terminal. Specifically, the mobile terminal may acquire a user's voice command and transmit the acquired voice command to the artificial intelligence robot 100-1.
  • the communication unit 110 of the artificial intelligence robot 100-1 may perform short-range wireless communication with the mobile terminal. That is, the communication unit 110 may include a short-range communication module conforming to a short-range communication standard such as Wi-Fi and Bluetooth.
  • the processor 180 may acquire voice data corresponding to the voice command.
  • 6 and 7 are diagrams illustrating a process of obtaining a user's voice command by an artificial intelligence robot according to an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a situation in which the artificial intelligence robot 100-1 directly acquires a voice command uttered by a user
  • FIG. 7 is a diagram illustrating a situation in which the artificial intelligence robot receives a voice command from a mobile terminal. .
  • the artificial intelligence robot 100-1 may receive a user's voice command through a microphone (not shown).
  • the user's mobile terminal 700 may receive a voice command uttered by the user and transmit the received voice command to the artificial intelligence robot 100-1.
  • the mobile terminal 700 may include all the components of FIG. 4.
  • the mobile terminal 700 directly analyzes the intention of the voice command and, when the analyzed intention is an object search, may determine a target to which the voice command is to be transmitted as the artificial intelligence robot 100-1.
  • FIG. 5 will be described.
  • the processor 180 analyzes the intention of the acquired voice command, and the intention of the voice command is determined according to the analysis result. Object It is determined whether it is a search (S503).
  • the processor 180 may convert voice data corresponding to a voice command into text data using a voice-to-text conversion engine.
  • the speech-to-text conversion engine may be included in the processor 180.
  • the processor 180 may perform intention analysis of the converted text data using a natural language processing engine provided therein.
  • the processor 180 may transmit voice data to an external natural language processing server, and may receive an intention analysis result of the voice data from the natural language processing server.
  • the processor 180 may determine whether the intention of the voice command is to search for an object based on the result of the intention analysis of the voice data.
  • the processor 180 has the intention of the voice command Object For search , Corresponding to the intention of the voice command Object Information is acquired (S505).
  • the object information may be object identification information for identifying an object.
  • the object identification information may be the name of the object or the type of the object.
  • the processor 180 cleans along the cleaning path Medium term Saved Object Recognition model Based on , Object Recognize (S507).
  • the artificial intelligence robot 100-1 may perform cleaning while driving along a preset cleaning path.
  • the object recognition model may be an artificial neural network model trained using a deep learning algorithm or a machine learning algorithm.
  • the object recognition model may be a model capable of recognizing a specific object from image data acquired through the camera 121.
  • the object recognition model may be received from the AI server 200 of FIG. 2 and stored in the memory 170.
  • the object recognition model may be a model learned by the learning processor 130 of FIG. 4.
  • the processor 180 may store the location of the object in the object identification information and the memory 170.
  • the location of the object may include the coordinates where the object is located on the cleaning map stored by the artificial intelligence robot 100-1.
  • the object recognition model will be described with reference to FIGS. 8 and 9.
  • FIGS. 8 and 9 are diagrams illustrating a learning process of an object recognition model according to an embodiment of the present invention.
  • the object recognition model 800 may be a machine learning algorithm or an artificial neural network model learned by a deep learning algorithm.
  • the object recognition model 800 may be learned through supervised learning.
  • Training data used for training the object recognition model 800 may include image data and labeling data.
  • the labeling data is correct answer data to be inferred by the object recognition model 900, and may be data labeled on image data.
  • the labeling data may be object identification information for identifying an object.
  • the object identification information may be information identifying a class to which the object belongs.
  • the object identification information may be information indicating the type of an object such as a valuables, a mobile phone, and a remote control.
  • the object recognition model 800 may be a model trained to infer object identification information representing a feature point by using image data as input data.
  • the loss function (cost function) of the object recognition model may be expressed as a square average of a difference between a label, which is object identification information corresponding to each image data, and inferred object identification information.
  • a result of determining the object identification information may be output as a target feature vector.
  • the object recognition model 800 may be trained to minimize a loss function corresponding to a difference between the output target feature vector and the labeled data.
  • the object recognition model 800 may be learned by the AI server 200 of FIG. 2 and mounted on the artificial intelligence robot 100-1. That is, the AI server 200 may transmit the learned object recognition model 200 to the artificial intelligence robot 100-1.
  • FIG. 9 an object identification process of the object recognition model 800 is illustrated.
  • the object identification process may include a data augmentation process 910, a feature extraction process 930, and a classification process 950.
  • the data augmentation process 910 may be a process of increasing the number of image data including a specific object.
  • the data augmentation process 910 may be a process of transforming image data and generating the transformed image data as input data.
  • the data augmentation process 910 may be a process of obtaining new image data by changing a pixel of the image data.
  • the data augmentation process 910 may be a process of inverting the left and right of an image image, randomly cropping, or scaling to obtain new image data.
  • the feature extraction process 930 may be a process of extracting an input feature vector from image data after the data augmentation process 910.
  • the classification process 950 may be a process of obtaining a target feature vector from the extracted input feature vector, and determining a type of an object corresponding to the image data through the obtained target feature vector.
  • FIG. 5 will be described.
  • the processor 180 recognizes Object Acquired Object It is determined whether the information is matched (S509).
  • the processor 180 may determine whether the recognized object is the same as the object corresponding to the intention of the voice command.
  • the processor 180 may determine whether the object identification information determined through the object recognition model 800 matches an object corresponding to the voice command.
  • the processor 180 recognizes Object Object If it is determined that it matches the information, Object A notification indicating that the search has been performed is output (S511).
  • the processor 180 may output a notification informing that an object corresponding to a voice command has been searched through the sound output unit 152.
  • the processor 180 may transmit a notification indicating that an object corresponding to a voice command has been searched to the user's mobile terminal through the communication unit 110.
  • the notification may include one or more of a message indicating that the object has been searched and location information of the searched object on the cleaning map.
  • a message indicating that the object has been searched and location information of the searched object may be displayed on the display of the mobile terminal.
  • the user can easily check the location of the lost object through the notification received from the artificial intelligence robot 100-1.
  • the artificial intelligence robot 100-1 may recognize an object that has fallen during cleaning, and help a user to easily find an object to be found.
  • FIG. 10 is a diagram illustrating a table including object identification information acquired by the artificial intelligence robot of the present invention and location information of an object on a cleaning map.
  • a table 1000 shows identification information and coordinates of a searched object while the artificial intelligence robot 100-1 is traveling along a cleaning path.
  • the processor 180 may store object information acquired during cleaning in the memory 170.
  • the table 1000 may include information on first to third objects.
  • the first object information may include a remote control that is identification information of the first object and a first coordinate on a cleaning map of the remote control.
  • the second object information may include a ring that is identification information of the second object and a second coordinate on the cleaning map of the ring.
  • the third object information may include a remote control that is identification information of a third object and a third coordinate on a cleaning map of the remote control.
  • FIG. 11 is a diagram illustrating an example of displaying the location of an object acquired in FIG. 10 on a cleaning map.
  • a cleaning map 1100 for a cleaning area stored by the artificial intelligence robot 100-1 is shown.
  • the processor 180 creates a cleaning map 1100 for a cleaning area according to simultaneous location estimation and map creation (Simultaneous Localization And Mapping, hereinafter referred to as SLAM), and stores the created cleaning map 1100 in the memory 170 Can be saved on.
  • SLAM simultaneous Location estimation and map creation
  • the processor 180 may identify the coordinates of the object searched during cleaning on the cleaning map 1100.
  • the processor 180 identifies each of the coordinates 1101 of the first object, the coordinates 1103 of the second object, and the coordinates 1105 of the third object shown in FIG. 10 on the cleaning map 1100 can do.
  • a location of an object corresponding to an object that the user wants to find may be transmitted to the user's mobile terminal 700.
  • FIGS. 12 and 13 are diagrams illustrating a process of transmitting location information of an object corresponding to a user's voice command to a user's mobile terminal according to an embodiment of the present invention.
  • the processor 180 may extract coordinates of an object corresponding to a user's voice command from among the first to third coordinates 1101, 1103, and 1105 on the cleaning map 1100.
  • the processor 180 may extract the first coordinate 1101 and the second coordinate 1103 corresponding to the location of the remote control on the cleaning map 1100.
  • the processor 180 may transmit the cleaning map 1100 and the first coordinate 1101 and the second coordinate 1103 identified on the cleaning map 1100 to the mobile terminal 700 through the communication unit 110.
  • the mobile terminal 700 may display information on the location of the remote control received from the artificial intelligence robot 100-1.
  • the mobile terminal 700 may display a message 1310 indicating that the artificial intelligence robot 100-1 has searched for the remote control and the cleaning map 1100 including the locations 1101 and 1103 of the remote control.
  • the message 1310 may include the number of objects and the name of the object corresponding to the user's voice command.
  • the user can easily grasp the object he or she is looking for through the locations 1101 and 1103 of the remote control identified on the cleaning map 1100.
  • the user can easily check the location of the object simply by uttering a request to find the object he is looking for. Accordingly, even if the user loses the object, the user can quickly find the lost object, thereby maximizing convenience.
  • the cleaning path may be corrected.
  • FIG. 14 is a diagram illustrating a process of regenerating a cleaning path when an object matching a user's search intention is searched according to an embodiment of the present invention.
  • a first cleaning path 1410 indicating a path through which the artificial intelligent robot 100-1 should travel is shown.
  • the artificial intelligence robot 100-1 may search for an object corresponding to a user's search command while driving along the first cleaning path 1410 and obtain a location 1411 of the searched object.
  • the processor 180 may regenerate the cleaning path.
  • the processor 180 may remove the grid area 1420 including the location of the object on the first cleaning path 1410 from the path.
  • the processor 180 may change the first cleaning path 1410 to the second cleaning path 1430 after removing the grid area 1420.
  • the processor 180 may travel according to the changed second cleaning path 1430.
  • the artificial intelligence robot 100-1 may not suck the object that the user wants to find.
  • 15 is a diagram illustrating a method of operating an artificial intelligence robot according to another embodiment of the present invention.
  • the artificial intelligence robot 100-1 stores information on recognized objects along a cleaning path, and after cleaning is completed, provides object information corresponding to a user's voice command. .
  • FIG. 5 previously described is an embodiment in which the artificial intelligence robot 100-1 may provide information on an object corresponding to a user's voice command while cleaning along a cleaning path.
  • the processor 180 is Object Recognition model Based on , Performing cleaning, recognized Objects Each information about is stored in the memory 170 (S1501).
  • the processor 180 may determine the type of the object based on the image captured through the camera 121 and the object recognition model.
  • the processor 180 may store identification information of an object corresponding to the determined type of object and location information of the recognized object on the cleaning map in the memory 170.
  • the table 1000 of FIG. 10 shows information on each object acquired while the artificial intelligence robot 100-1 travels along the cleaning path.
  • the processor 180 obtains a voice command (S1503).
  • Processor 180 is the intention of the acquired voice command Of the object It is determined whether it is a search (S1505).
  • Processor 180 is the intention of the acquired voice command Of the object For search , For search Of the object Information is acquired (S1507).
  • the object information is information for identifying the object and may include one or more of the name of the object or the type of the object.
  • Processor 180 corresponds to the voice command Object It is determined whether information is stored (S1509).
  • the processor 180 may compare the acquired object information with the information of each object previously stored in the memory 170.
  • the processor 180 is obtained Of the object
  • Object A notification indicating that the search has been performed is output (S1511).
  • the processor 180 is obtained Of the object Identification information is not stored in the memory 170 If not , Object A notification indicating that the search has not been performed is output (S1513).
  • the processor 180 may output a notification indicating that the object is not searched through the sound output unit 152.
  • the processor 180 transmits a notification indicating that the object is not searched to the user's mobile terminal 700. I can.
  • the artificial intelligence robot 100-1 can find an object lost by a user during cleaning, so that the usability of the artificial intelligence robot 100-1 can be diversified.
  • the present invention described above can be implemented as a computer-readable code in a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices storing 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.
  • the computer may include the processor 180 of an artificial intelligence device.

Abstract

본 발명의 일 실시 예에 따른 인공 지능 로봇은 영상 데이터를 획득하는 카메라와 상기 영상 데이터로부터, 오브젝트를 인식하는데 사용되는 오브젝트 인식 모델을 저장하는 메모리 및 음성 명령어를 획득하고, 획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단하고, 상기 의도가 상기 오브젝트의 검색을 나타내는 경우, 주행 중 상기 오브젝트 인식 모델에 기반하여, 상기 영상 데이터로부터 오브젝트를 인식하고, 인식된 오브젝트가 상기 의도에 맞는 오브젝트인 경우, 오브젝트가 검색되었음을 알림을 출력하는 프로세서를 포함할 수 있다.

Description

인공 지능 로봇 및 그의 동작 방법
본 발명은 인공 지능 로봇에 관한 것으로, 청소 수행 중 분실물을 검색할 수 있는 인공 지능 로봇에 관한 것이다.
일반적으로 청소기는 본체 내부에 장착되는 흡입 모터에 의하여 발생되는 흡입력을 이용하여, 먼지가 포함된 공기를 흡입한 다음, 본체 내부에서 먼지를 필터링하는 장치이다.
최근에는 사용자가 수동으로 청소기를 들고 다닐 필요없이, 자동으로 청소를 수행하는 로봇 청소기가 등장하였다.
로봇 청소기는 사용자의 조작 없이도 청소하고자 하는 구역 내를 스스로 주행하면서 바닥 면으로부터 먼지 등의 이물질을 흡입하여 자동으로 청소하는 기기이다.
종래의 로봇 청소기는 카메라를 통해 비교적 큰 오브젝트를 인식하여, 인식된 오브젝트를 회피하면서, 청소를 수행하였다.
그러나, 방치된 반지와 같이, 비교적 소형 물품에 대해서는 회피하지 않고, 흡입하거나, 흡입하지 못할 경우, 그냥 지나치게 되었다.
이에 따라, 로봇 청소기는 그 기능이 청소의 역할을 수행하는 것으로 한계가 있었다.
본 발명은 청소 수행 중, 사용자의 발화 명령어에 상응하는 오브젝트를 인식할 수 있는 인공 지능 로봇의 제공을 그 목적으로 한다.
본 발명은 사용자의 발화 명령어에 상응하는 오브젝트를 인식하고, 인식된 오브젝트의 위치를 파악하여, 사용자에게 제공할 수 있는 것을 그 목적으로 한다.
본 발명의 실시 예에 따른 인공 지능 로봇은 사용자의 음성 명령어의 의도에 맞는 오브젝트를 영상 데이터에 기반하여, 인식하고, 인식된 오브젝트의 위치를 출력할 수 있다.
본 발명의 실시 예에 따른 인공 지능 로봇은 사용자의 음성 명령어의 의도에 맞는 오브젝트의 위치를 포함하는 청소 지도를 사용자의 이동 단말기에 전송할 수 있다.
본 발명의 실시 예에 따르면, 사용자는 간단한 발화만으로, 찾고자 하는 오브젝트를 손쉽게 찾을 수 있어, 편의성이 향상된다.
본 발명의 실시 예에 따르면, 사용자는 자신이 찾고자 하는 오브젝트의 정확한 위치를 확인하여, 해당 위치에서, 오브젝트를 쉽게 찾을 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 또 다른 실시 예에 따른 AI 장치를 나타낸다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 로봇의 동작 방법을 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 발명의 실시 예에 따라, 인공 지능 로봇이 사용자의 음성 명령어를 획득하는 과정을 설명하는 도면이다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 오브젝트 인식 모델의 학습 과정을 설명하는 도면이다.
도 10은 본 발명의 인공 지능 로봇이 획득한 오브젝트 식별 정보와, 청소 지도상 오브젝트의 위치 정보를 포함하는 테이블을 설명하는 도면이다.
도 11은 도 10에서 획득된 오브젝트의 위치를 청소 지도 상에 표시한 예를 설명하는 도면이다.
도 12 및 도 13은 본 발명의 실시 예에 따라, 사용자의 음성 명령어에 상응하는 오브젝트의 위치 정보를 사용자의 이동 단말기로 전송하는 과정을 설명하는 도면이다.
도 14는 본 발명의 실시 예에 따라, 사용자의 검색 의도에 맞는 오브젝트가 검색된 경우, 청소 경로를 재 생성하는 과정을 설명하는 도면이다.
도 15는 본 발명의 또 다른 실시 예에 따른 인공 지능 로봇의 동작 방법을 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 오브젝트에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 오브젝트에 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 AI 장치(100)를 나타낸다.
도 1과 중복되는 설명은 생략한다.
도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 인공 지능 로봇의 동작 방법을 설명하기 위한 흐름도이다.
인공 지능 로봇(100-1)은 도 4의 구성 요소들을 포함한다.
도 5를 참조하면, 인공 지능 로봇(100-1)의 프로세서(180)는 음성 명령어를 획득한다(S501).
음성 명령어는 사용자가 발화한 명령어일 수 있다.
일 실시 예에서, 프로세서(180)는 사용자가 발화한 음성 명령어를 마이크로폰(122)을 통해 직접 획득할 수 있다.
또 다른 실시 예에서, 프로세서(180)는 사용자의 이동 단말기를 통해 음성 명령어를 획득할 수 있다. 구체적으로, 이동 단말기는 사용자의 음성 명령어를 획득하고, 획득된 음성 명령어를 인공 지능 로봇(100-1)에 전송할 수 있다.
이를 위해, 인공 지능 로봇(100-1)의 통신부(110)는 이동 단말기와 근거리 무선 통신을 수행할 수 있다. 즉, 통신부(110)는 와이파이, 블루투스 등과 같은 근거리 통신 규격을 따르는 근거리 통신 모듈을 구비할 수 있다.
프로세서(180)는 음성 명령어에 상응하는 음성 데이터를 획득할 수 있다.
도 6 및 도 7은 본 발명의 실시 예에 따라, 인공 지능 로봇이 사용자의 음성 명령어를 획득하는 과정을 설명하는 도면이다.
도 6은 인공 지능 로봇(100-1)이 사용자가 발화한 음성 명령어를 직접 획득하는 상황을 설명하는 도면이고, 도 7은 인공 지능 로봇이 이동 단말기로부터 음성 명령어를 수신하는 상황을 설명하는 도면이다.
도 6 및 도 7은 사용자가 <where is remote controller>이라는 음성을 발화한 것을 가정하여 설명한다.
도 6을 참조하면, 인공 지능 로봇(100-1)은 마이크로폰(미도시)를 통해 사용자의 음성 명령어를 수신할 수 있다.
도 7을 참조하면, 사용자의 이동 단말기(700)는 사용자가 발화한 음성 명령어를 수신하고, 수신된 음성 명령어를 인공 지능 로봇(100-1)에 전송할 수 있다.
이동 단말기(700)는 도 4의 구성 요소들을 모두 포함할 수 있다.
이동 단말기(700)는 음성 명령어의 의도를 직접 분석하고, 분석된 의도가 오브젝트 검색인 경우, 음성 명령어를 전송할 대상을 인공 지능 로봇(100-1)으로 결정할 수 있다.
다시, 도 5를 설명한다.
프로세서(180)는 획득된 음성 명령어의 의도를 분석하고, 분석 결과에 따라 음성 명령어의 의도가 오브젝트 검색인지를 판단한다(S503).
프로세서(180)는 음성 텍스트 변환 엔진을 이용하여, 음성 명령어에 상응하는 음성 데이터를 텍스트 데이터로 변환할 수 있다.
음성 텍스트 변환 엔진은 프로세서(180)에 포함될 수 있다.
프로세서(180)는 내부에 구비된 자연어 처리 엔진을 이용하여, 변환된 텍스트 데이터의 의도 분석을 수행할 수 있다.
프로세서(180)는 외부의 자연어 처리 서버에 음성 데이터를 전송하고, 자연어 처리 서버로부터, 음성 데이터의 의도 분석 결과를 수신할 수도 있다.
프로세서(180)는 음성 데이터의 의도 분석 결과에 기반하여, 음성 명령어의 의도가 오브젝트를 검색하기 위한 것인지를 판단할 수 있다.
프로세서(180)는 음성 명령어의 의도가 오브젝트 검색인 경우 , 음성 명령어의 의도에 상응하는 오브젝트 정보를 획득한다(S505).
오브젝트 정보는 오브젝트를 식별하는 오브젝트 식별 정보일 수 있다.
오브젝트 식별 정보는 오브젝트의 명칭 또는 오브젝트의 타입일 수 있다.
프로세서(180)는 청소 경로를 따라 청소 중 기 저장된 오브젝트 인식 모델에 기반하여 , 오브젝트를 인식한다(S507).
인공 지능 로봇(100-1)은 기 설정된 청소 경로를 따라 주행하면서, 청소를 수행할 수 있다.
오브젝트 인식 모델은 딥 러닝 알고리즘 또는 머신 러닝 알고리즘을 이용하여, 학습된 인공 신경망 모델일 수 있다.
오브젝트 인식 모델은 카메라(121)를 통해 획득된 영상 데이터로부터, 특정 오브젝트를 인식할 수 있는 모델일 수 있다.
일 실시 예에서, 오브젝트 인식 모델은 도 2의 AI 서버(200)로부터 수신하여, 메모리(170)에 저장될 수 있다.
또 다른 실시 예에서, 오브젝트 인식 모델은 도 4의 러닝 프로세서(130)에 의해 학습된 모델일 수 있다.
한편, 프로세서(180)는 오브젝트가 인식된 경우, 해당 오브젝트의 위치를 오브젝트 식별 정보와 메모리(170)에 저장할 수 있다. 해당 오브젝트의 위치는 인공 지능 로봇(100-1)이 저장하고 있는 청소 지도 상에서, 해당 오브젝트가 위치한 좌표를 포함할 수 있다.
오브젝트 인식 모델에 대해서는 도 8 및 도 9를 참조하여 설명한다.
도 8 및 도 9는 본 발명의 일 실시 예에 따른 오브젝트 인식 모델의 학습 과정을 설명하는 도면이다.
오브젝트 인식 모델(800)은 머신 러닝 알고리즘 또는 딥 러닝 알고리즘에 의해 학습된 인공 신경망 모델일 수 있다.
오브젝트 인식 모델(800)은 지도 학습을 통해 학습될 수 있다.
오브젝트 인식 모델(800)의 학습에 사용되는 학습 데이터는 영상 데이터 및 레이블링 데이터를 포함할 수 있다.
레이블링 데이터는 오브젝트 인식 모델(900)이 추론해야 하는 정답 데이터로, 영상 데이터에 레이블된 데이터일 수 있다. 레이블링 데이터는 오브젝트를 식별하는 오브젝트 식별 정보일 수 있다.
오브젝트 식별 정보는 오브젝트가 속하는 클래스를 식별하는 정보일 수 있다. 예를 들어, 오브젝트 식별 정보는 귀중품, 핸드폰, 리모컨과 같은 오브젝트의 타입을 나타내는 정보일 수 있다.
오브젝트 인식 모델(800)은 영상 데이터를 입력 데이터로 하여, 특징점을 나타내는 오브젝트 식별 정보를 추론하도록 학습된 모델일 수 있다.
오브젝트 인식 모델의 손실 함수(loss function, cost function)는 각 영상 데이터에 상응하는 오브젝트 식별 정보인 라벨과 추론된 오브젝트 식별 정보 간 차이의 제곱 평균으로 표현될 수 있다.
학습용 영상 데이터에서, 입력 특징 벡터가 추출되어, 오브젝트 인식 모델(800)에 입력되면, 오브젝트 식별 정보에 대한 결정 결과가 대상 특징 벡터로서, 출력될 수 있다.
이 경우, 오브젝트 인식 모델(800)은 출력된 대상 특징 벡터와 레이블링된 데이터의 차이에 상응하는 손실 함수를 최소화하도록 학습될 수 있다.
오브젝트 인식 모델(800)은 도 2의 AI 서버(200)에 의해 학습되어, 인공 지능 로봇(100-1)에 탑재될 수 있다. 즉, AI 서버(200)는 학습된 오브젝트 인식 모델(200)을 인공 지능 로봇(100-1)에 전송할 수 있다.
도 9를 참조하면, 오브젝트 인식 모델(800)의 오브젝트 식별 과정이 도시되어 있다.
먼저, 오브젝트 식별 과정은 데이터 증강 과정(910), 특징 추출 과정(930) 및 분류 과정(950)를 포함할 수 있다.
데이터 증강 과정(910)은 특정 오브젝트를 포함하는 영상 데이터의 수를 증가시키는 과정일 수 있다.
데이터 증강 과정(910)은 영상 데이터를 변형하고, 변형된 영상 데이터를 입력 데이터로 생성하는 과정일 수 있다. 데이터 증강 과정(910)은 영상 데이터의 픽셀을 변화시켜, 새로운 영상 데이터를 획득하는 과정일 수 있다.
데이터 증강 과정(910)은 영상 이미지의 좌우를 반전하거나, 랜덤하게 자르거나, 스케일링하여, 새로운 영상 데이터를 획득하는 과정일 수 있다.
특징 추출 과정(930)은 데이터 증강 과정(910) 후, 영상 데이터로부터 입력 특징 벡터를 추출하는 과정일 수 있다.
분류 과정(950)은 추출된 입력 특징 벡터로부터, 대상 특징 벡터를 획득하고, 획득된 대상 특징 벡터를 통해 영상 데이터에 상응하는 오브젝트의 타입을 결정하는 과정일 수 있다.
다시, 도 5를 설명한다.
프로세서(180)는 인식된 오브젝트가 획득된 오브젝트 정보에 매칭되는지를 판단한다(S509).
프로세서(180)는 인식된 오브젝트가 음성 명령어의 의도에 부합하는 오브젝트와 동일한지를 판단할 수 있다.
프로세서(180)는 오브젝트 인식 모델(800)을 통해 결정된 오브젝트 식별 정보가 음성 명령어에 상응하는 오브젝트와 일치하는지를 판단할 수 있다.
프로세서(180)는 인식된 오브젝트가 오브젝트 정보에 매칭된다고 판단한 경우, 오브젝트를 검색했음을 알리는 알림을 출력한다(S511).
일 실시 예에서, 프로세서(180)는 음성 명령어에 상응하는 오브젝트가 검색되었음을 알리는 알림을 음향 출력부(152)를 통해 출력할 수 있다.
프로세서(180)는 음성 명령어에 상응하는 오브젝트가 검색되었음을 알리는 알림을 통신부(110)를 통해 사용자의 이동 단말기로 전송할 수 있다. 이 경우, 알림은 오브젝트가 검색되었음을 나타내는 메시지 및 청소 지도 상에서, 검색된 오브젝트의 위치 정보 중 하나 이상을 포함할 수 있다.
오브젝트가 검색되었음을 나타내는 메시지 및 검색된 오브젝트의 위치 정보는 이동 단말기의 디스플레이 상에 표시될 수 있다.
사용자는 인공 지능 로봇(100-1)으로부터 수신된 알림을 통해, 분실한 오브젝트의 위치를 손쉽게 확인할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 인공 지능 로봇(100-1)은 청소 중 떨어진 오브젝트를 인식하여, 사용자가 찾고자 하는 오브젝트를 손쉽게 찾을 수 있도록 도와줄 수 있다.
도 10은 본 발명의 인공 지능 로봇이 획득한 오브젝트 식별 정보와, 청소 지도상 오브젝트의 위치 정보를 포함하는 테이블을 설명하는 도면이다.
도 10을 참조하면, 테이블(1000)은 인공 지능 로봇(100-1)이 청소 경로를 따라 주행 중, 검색된 오브젝트의 식별 정보 및 좌표가 도시되어 있다.
프로세서(180)는 청소 중 획득한 오브젝트 정보를 메모리(170)에 저장할 수 있다.
테이블(1000)은 제1 내지 제3 오브젝트에 대한 정보를 포함할 수 있다.
제1 오브젝트 정보는 제1 오브젝트의 식별 정보인 리모컨 및 리모컨의 청소 지도 상의 제1 좌표를 포함할 수 있다.
제2 오브젝트 정보는 제2 오브젝트의 식별 정보인 반지 및 반지의 청소 지도 상의 제2 좌표를 포함할 수 있다.
제3 오브젝트 정보는 제3 오브젝트의 식별 정보인 리모컨 및 리모컨의 청소 지도 상의 제3 좌표를 포함할 수 있다.
도 11은 도 10에서 획득된 오브젝트의 위치를 청소 지도 상에 표시한 예를 설명하는 도면이다.
도 11을 참조하면, 인공 지능 로봇(100-1)이 저장하고 있는 청소 구역에 대한 청소 지도(1100)가 도시되어 있다.
프로세서(180)는 동시적 위치 추정 및 맵 작성(Simultaneous Localization And Mapping, 이하, SLAM이라 함)에 따라 청소 구역에 대한 청소 지도(1100)를 작성하고, 작성된 청소 지도(1100)를 메모리(170)에 저장할 수 있다.
프로세서(180)는 청소 지도(1100) 상에, 청소 중 검색된 오브젝트의 좌표를 식별할 수 있다.
예를 들어, 프로세서(180)는 도 10에 도시된 제1 오브젝트의 좌표(1101), 제2 오브젝트의 좌표(1103) 및 제3 오브젝트의 좌표(1105) 각각을 청소 지도(1100) 상에 식별할 수 있다.
한편, 청소 지도(1100) 상의 오브젝트의 위치들 중, 사용자가 찾고자 하는 오브젝트에 대응하는 오브젝트의 위치는 사용자의 이동 단말기(700)로 전송될 수 있다.
도 12 및 도 13은 본 발명의 실시 예에 따라, 사용자의 음성 명령어에 상응하는 오브젝트의 위치 정보를 사용자의 이동 단말기로 전송하는 과정을 설명하는 도면이다.
먼저, 도 12를 참조하면, 프로세서(180)는 청소 지도(1100) 상의 제1 내지 제3 좌표들(1101, 1103, 1105) 중 사용자의 음성 명령어에 상응하는 오브젝트의 좌표를 추출할 수 있다.
사용자가 리모컨을 찾아달라는 음성 명령어를 발화한 경우, 프로세서(180)는 청소 지도(1100) 상에 리모컨의 위치에 대응하는 제1 좌표(1101) 및 제2 좌표(1103)를 추출할 수 있다.
프로세서(180)는 청소 지도(1100) 및 청소 지도(1100) 상에 식별된 제1 좌표(1101) 및 제2 좌표(1103)를 통신부(110)를 통해 이동 단말기(700)에 전송할 수 있다.
도 13을 참조하면, 이동 단말기(700)는 인공 지능 로봇(100-1)으로부터 수신된 리모컨의 위치에 대한 정보를 표시할 수 있다.
즉, 이동 단말기(700)는 인공 지능 로봇(100-1)이 리모컨을 검색했음을 알리는 메시지(1310) 및 리모컨의 위치들(1101, 1103)을 포함하는 청소 지도(1100)를 표시할 수 있다.
메시지(1310)는 사용자의 음성 명령어에 상응하는 오브젝트의 개수, 오브젝트의 명칭을 포함할 수 있다.
사용자는 청소 지도(1100) 상에 식별된 리모컨의 위치들(1101, 1103)을 통해, 자신이 찾고자 하는 오브젝트를 손쉽게 파악할 수 있다.
즉, 사용자는 자신이 찾고자 하는 오브젝트를 찾아달라는 발화만으로, 손쉽게 오브젝트의 위치를 확인할 수 있다. 이에 따라, 사용자는 오브젝트를 잃어버리더라도, 빠르게, 잃어버린 오브젝트를 찾아낼 수 있어, 편의성이 극대화될 수 있다.
한편, 인공 지능 로봇(100-1)은 사용자의 검색 의도에 맞는 오브젝트를 인식한 경우, 청소 경로를 보정할 수 있다.
도 14는 본 발명의 실시 예에 따라, 사용자의 검색 의도에 맞는 오브젝트가 검색된 경우, 청소 경로를 재 생성하는 과정을 설명하는 도면이다.
도 14를 참조하면, 청소 지도(1400) 상에, 인공 지능 로봇(100-1)이 주행해야 하는 경로를 나타내는 제1 청소 경로(1410)가 도시되어 있다.
인공 지능 로봇(100-1)은 제1 청소 경로(1410)를 따라, 주행 중, 사용자의 검색 명령어에 맞는 오브젝트를 검색하고, 검색된 오브젝트의 위치(1411)를 획득할 수 있다.
프로세서(180)는 검색된 오브젝트의 위치(1411)를 포함하는 그리드 영역(1420)이 제1 청소 경로(1410)에 포함된 경우, 청소 경로를 재 생성할 수 있다.
구체적으로, 프로세서(180)는 제1 청소 경로(1410) 상의 오브젝트의 위치를 포함하는 그리드 영역(1420)를 경로 상에서 제거할 수 있다.
그 후, 프로세서(180)는 그리드 영역(1420)을 제거한 후, 제1 청소 경로(1410)를 제2 청소 경로(1430)로 변경할 수 있다.
프로세서(180)는 변경된 제2 청소 경로(1430)에 따라 주행할 수 있다.
이에 따라, 인공 지능 로봇(100-1)은 사용자가 찾고자 하는 오브젝트를 흡입하지 않을 수 있다.
다음으로, 도 15를 설명한다.
도 15는 본 발명의 또 다른 실시 예에 따른 인공 지능 로봇의 동작 방법을 설명하는 도면이다.
도 15는 인공 지능 로봇(100-1)이 청소 경로를 따라 인식된 오브젝트들에 대한 정보를 저장하고, 청소를 완료한 후, 사용자의 음성 명령어에 맞는 오브젝트의 정보를 제공할 수 있는 실시 예이다.
이에 반해, 기존에 설명한 도 5는 인공 지능 로봇(100-1)이 청소 경로를 따라 청소를 수행하는 중, 사용자의 음성 명령어에 맞는 오브젝트의 정보를 제공할 수 있는 실시 예이다.
도 15에서, 도 5와 중복된 내용에 대해서는 설명을 생략한다.
프로세서(180)는 오브젝트 인식 모델에 기반하여 , 청소 수행 중, 인식된 오브젝트들에 대한 각 정보를 메모리(170)에 저장한다(S1501).
프로세서(180)는 청소 경로를 따라 주행 중, 카메라(121)를 통해 촬영된 이미지 및 오브젝트 인식 모델에 기반하여, 오브젝트의 타입을 결정할 수 있다.
프로세서(180)는 결정된 오브젝트의 타입에 상응하는 오브젝트의 식별 정보 및 인식된 오브젝트의 청소 지도 상의 위치 정보를 메모리(170)에 저장할 수 있다.
도 10의 테이블(1000)은 인공 지능 로봇(100-1)이 청소 경로를 따라 주행 중 획득된 각 오브젝트에 대한 정보를 보여준다.
그 후, 프로세서(180)는 음성 명령어를 획득한다(S1503).
프로세서(180)는 획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단한다(S1505).
프로세서(180)는 획득된 음성 명령어의 의도가 오브젝트의 검색인 경우 , 검색을 위한 오브젝트의 정보를 획득한다(S1507).
오브젝트의 정보는 오브젝트를 식별하기 위한 정보로, 오브젝트의 명칭 또는 오브젝트의 타입 중 하나 이상을 포함할 수 있다.
프로세서(180)는 음성 명령어에 상응하는 오브젝트 정보가 저장되어 있는지를 판단한다(S1509).
프로세서(180)는 획득된 오브젝트의 정보와 메모리(170)에 기 저장된 각 오브젝트의 정보를 비교할 수 있다.
프로세서(180)는 획득된 오브젝트의 식별 정보가 메모리(170)에 저장되어 있는 경우, 오브젝트를 검색했음을 알리는 알림을 출력한다(S1511).
이에 대한 알림의 출력은 도 13에서 설명한 바와 같다.
프로세서(180)는 획득된 오브젝트의 식별 정보가 메모리(170)에 저장되어 있지 않은 경우 , 오브젝트가 검색되지 않았음을 알리는 알림을 출력한다(S1513).
프로세서(180)는 사용자의 음성 명령어에 상응하는 오브젝트 정보가 메모리(170)에 저장되어 있지 않은 경우, 해당 오브젝트가 검색되어 있지 않음을 나타내는 알림을 음향 출력부(152)를 통해 출력할 수 있다.
또 다른 예로, 프로세서(180)는 사용자의 음성 명령어에 상응하는 오브젝트 정보가 메모리(170)에 저장되어 있지 않은 경우, 해당 오브젝트가 검색되어 있지 않음을 나타내는 알림을 사용자의 이동 단말기(700)로 전송할 수 있다.
이와 같이, 본 발명의 실시 예에 따르면, 인공 지능 로봇(100-1)이 청소 중, 사용자가 분실한 오브젝트를 찾아줄 수 있어, 인공 지능 로봇(100-1)의 사용성이 다양해질 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 (13)

  1. 인공 지능 로봇에 있어서,
    영상 데이터를 획득하는 카메라;
    상기 영상 데이터로부터, 오브젝트를 인식하는데 사용되는 오브젝트 인식 모델을 저장하는 메모리; 및
    음성 명령어를 획득하고, 획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단하고, 상기 의도가 상기 오브젝트의 검색을 나타내는 경우, 주행 중 상기 오브젝트 인식 모델에 기반하여, 상기 영상 데이터로부터 오브젝트를 인식하고, 인식된 오브젝트가 상기 의도에 맞는 오브젝트인 경우, 오브젝트가 검색되었음을 알림을 출력하는 프로세서를 포함하는
    인공 지능 로봇.
  2. 제1항에 있어서,
    상기 프로세서는
    상기 의도에 맞는 오브젝트의 식별 정보를 획득하고,
    획득된 오브젝트의 식별 정보가 상기 인식된 오브젝트의 식별 정보와 매칭되는 경우, 상기 의도에 맞는 오브젝트가 검색된 것으로 판단하는
    인공 지능 로봇.
  3. 제2항에 있어서,
    상기 오브젝트의 식별 정보는
    상기 오브젝트의 명칭 또는 타입을 포함하는
    인공 지능 로봇.
  4. 제3항에 있어서,
    오디오를 출력하는 스피커를 더 포함하고,
    상기 프로세서는
    상기 알림을 스피커를 통해 출력하는
    인공 지능 로봇.
  5. 제1항에 있어서,
    이동 단말기와 무선으로 통신하는 근거리 무선 통신 모듈을 더 포함하고,
    상기 프로세서는
    상기 알림을 상기 근거리 무선 통신 모듈을 통해 상기 이동 단말기로 전송하고,
    상기 알림은
    상기 인공 지능 로봇의 청소 구역을 나타내는 청소 지도 상에서, 상기 인식된 오브젝트의 위치를 나타내는 위치 정보를 포함하는
    인공 지능 로봇.
  6. 제1항에 있어서,
    상기 오브젝트 인식 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 모델인
    인공 지능 로봇.
  7. 제6항에 있어서,
    상기 오브젝트 인식 모델은
    지도 학습을 통해 학습되며,
    학습용 영상 데이터 및 상기 학습용 영상 데이터에 레이블된 오브젝트 식별 데이터를 이용하여, 오브젝트의 식별 정보를 결정하는 모델인
    인공 지능 로봇.
  8. 제1항에 있어서,
    상기 프로세서는
    상기 영상 데이터로부터 오브젝트가 인식된 경우, 인식된 오브젝트의 위치를 청소 구역을 나타내는 청소 지도 상에 식별하는
    인공 지능 로봇.
  9. 인공 지능 로봇의 동작 방법에 있어서,
    음성 명령어를 획득하는 단계;
    획득된 음성 명령어의 의도가 오브젝트의 검색인지를 판단하고, 상기 의도가 상기 오브젝트의 검색을 나타내는지 판단하는 단계;
    상기 의도가 상기 오브젝트의 검색을 나타내는 경우, 영상 데이터를 획득하는 단계;
    오브젝트 인식 모델에 기반하여, 상기 영상 데이터로부터 오브젝트를 인식하는 단계; 및
    인식된 오브젝트가 상기 의도에 맞는 오브젝트인 경우, 오브젝트가 검색되었음을 알림을 출력하는 단계를 포함하는
    인공 지능 로봇의 동작 방법.
  10. 제9항에 있어서,
    상기 의도에 맞는 오브젝트의 식별 정보를 획득하는 단계; 및
    획득된 오브젝트의 식별 정보가 상기 인식된 오브젝트의 식별 정보와 매칭되는 경우, 상기 의도에 맞는 오브젝트가 검색된 것으로 판단하는 단계를 더 포함하고,
    상기 오브젝트의 식별 정보는
    상기 오브젝트의 명칭 또는 타입을 포함하는
    인공 지능 로봇의 동작 방법.
  11. 제9항에 있어서,
    상기 알림을 상기 이동 단말기로 전송하는 단계를 더 포함하고,
    상기 알림은
    상기 인공 지능 로봇의 청소 구역을 나타내는 청소 지도 상에서, 상기 인식된 오브젝트의 위치를 나타내는 위치 정보를 포함하는
    인공 지능 로봇의 동작 방법.
  12. 제9항에 있어서,
    상기 오브젝트 인식 모델은
    딥 러닝 알고리즘 또는 머신 러닝 알고리즘에 의해 학습된 인공 신경망 모델이고,
    지도 학습을 통해 학습되며,
    학습용 영상 데이터 및 상기 학습용 영상 데이터에 레이블된 오브젝트 식별 데이터를 이용하여, 오브젝트의 식별 정보를 결정하는 모델인
    인공 지능 로봇의 동작 방법.
  13. 제9항에 있어서,
    상기 영상 데이터로부터 오브젝트가 인식된 경우, 인식된 오브젝트의 위치를 청소 구역을 나타내는 청소 지도 상에 식별하는 단계를 더 포함하는
    인공 지능 로봇의 동작 방법.
PCT/KR2019/007222 2019-06-14 2019-06-14 인공 지능 로봇 및 그의 동작 방법 WO2020251096A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/007222 WO2020251096A1 (ko) 2019-06-14 2019-06-14 인공 지능 로봇 및 그의 동작 방법
US16/963,822 US20210401255A1 (en) 2019-06-14 2019-06-14 Artificial intelligence robot and method of operating the same
KR1020190089822A KR20190094311A (ko) 2019-06-14 2019-07-24 인공 지능 로봇 및 그의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/007222 WO2020251096A1 (ko) 2019-06-14 2019-06-14 인공 지능 로봇 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
WO2020251096A1 true WO2020251096A1 (ko) 2020-12-17

Family

ID=67624341

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/007222 WO2020251096A1 (ko) 2019-06-14 2019-06-14 인공 지능 로봇 및 그의 동작 방법

Country Status (3)

Country Link
US (1) US20210401255A1 (ko)
KR (1) KR20190094311A (ko)
WO (1) WO2020251096A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283327A (zh) * 2021-12-24 2022-04-05 杭州电子科技大学 一种基于水下搜寻机器人的目标搜寻与抵近方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190104488A (ko) 2019-08-21 2019-09-10 엘지전자 주식회사 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법
KR102330435B1 (ko) * 2019-09-04 2021-11-23 동의대학교 산학협력단 서비스로봇 제어 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130030932A (ko) * 2011-09-20 2013-03-28 엘지전자 주식회사 로봇 청소기
KR101553522B1 (ko) * 2008-12-29 2015-09-16 삼성전자 주식회사 로봇 및 그 제어 방법
JP2018030223A (ja) * 2016-08-26 2018-03-01 株式会社メニコン 捜し物ロボット
KR20180058511A (ko) * 2016-11-24 2018-06-01 엘지전자 주식회사 이동 로봇 및 그 제어방법
KR20190056174A (ko) * 2017-11-16 2019-05-24 서울시립대학교 산학협력단 로봇 시스템 및 이의 제어 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10137567B2 (en) * 2016-09-20 2018-11-27 Toyota Motor Engineering & Manufacturing North America, Inc. Inventory robot

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101553522B1 (ko) * 2008-12-29 2015-09-16 삼성전자 주식회사 로봇 및 그 제어 방법
KR20130030932A (ko) * 2011-09-20 2013-03-28 엘지전자 주식회사 로봇 청소기
JP2018030223A (ja) * 2016-08-26 2018-03-01 株式会社メニコン 捜し物ロボット
KR20180058511A (ko) * 2016-11-24 2018-06-01 엘지전자 주식회사 이동 로봇 및 그 제어방법
KR20190056174A (ko) * 2017-11-16 2019-05-24 서울시립대학교 산학협력단 로봇 시스템 및 이의 제어 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283327A (zh) * 2021-12-24 2022-04-05 杭州电子科技大学 一种基于水下搜寻机器人的目标搜寻与抵近方法
CN114283327B (zh) * 2021-12-24 2024-04-05 杭州电子科技大学 一种基于水下搜寻机器人的目标搜寻与抵近方法

Also Published As

Publication number Publication date
KR20190094311A (ko) 2019-08-13
US20210401255A1 (en) 2021-12-30

Similar Documents

Publication Publication Date Title
WO2020246643A1 (ko) 서빙 로봇 및 그를 이용한 고객 접대 방법
WO2019132518A1 (en) Image acquisition device and method of controlling the same
WO2021010502A1 (ko) 로봇 및 그를 이용한 물품 관리 방법
WO2020251074A1 (ko) 음성 인식 기능을 제공하는 인공 지능 로봇 및 그의 동작 방법
WO2020246640A1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
WO2020251096A1 (ko) 인공 지능 로봇 및 그의 동작 방법
WO2020241929A1 (ko) 청소 로봇
WO2021006404A1 (ko) 인공지능 서버
WO2021006366A1 (ko) 디스플레이 패널의 색상을 조정하는 인공 지능 장치 및 그 방법
WO2019216578A1 (en) Method and apparatus for executing cleaning operation
WO2021215547A1 (ko) 스마트 홈 장치 및 방법
WO2020241920A1 (ko) 장치 정보에 기반하여, 다른 장치를 제어할 수 있는 인공 지능 장치
WO2020262746A1 (ko) 인공지능 기반의 세탁 코스 추천 장치 및 그 제어 방법
WO2020246647A1 (ko) 인공 지능 시스템의 동작을 관리하는 인공 지능 장치 및 그 방법
WO2019124963A1 (ko) 음성 인식 장치 및 방법
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
WO2020145625A1 (ko) 인공 지능 장치 및 그의 동작 방법
WO2019031825A1 (ko) 전자 장치 및 그 동작 방법
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
WO2020190082A1 (ko) 이동 단말기를 이용한 내비게이션 서비스 제공 방법 및 이동 단말기
WO2021172642A1 (ko) 장치 간 연동에 기초한 장치 제어 기능을 제공하는 인공 지능 장치 및 그 방법
WO2020256169A1 (ko) 인공 지능을 이용하여, 안내 서비스를 제공하는 로봇 및 그의 동작 방법
EP3773111A1 (en) Method and apparatus for executing cleaning operation
WO2020230928A1 (ko) 로봇 및 그의 제어 방법
WO2021040105A1 (ko) 개체명 테이블을 생성하는 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: 19932557

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: 19932557

Country of ref document: EP

Kind code of ref document: A1