WO2021010504A1 - 지능형 세탁기 및 이의 제어방법 - Google Patents

지능형 세탁기 및 이의 제어방법 Download PDF

Info

Publication number
WO2021010504A1
WO2021010504A1 PCT/KR2019/008678 KR2019008678W WO2021010504A1 WO 2021010504 A1 WO2021010504 A1 WO 2021010504A1 KR 2019008678 W KR2019008678 W KR 2019008678W WO 2021010504 A1 WO2021010504 A1 WO 2021010504A1
Authority
WO
WIPO (PCT)
Prior art keywords
water supply
laundry
supply time
image
fabric
Prior art date
Application number
PCT/KR2019/008678
Other languages
English (en)
French (fr)
Inventor
박윤식
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/KR2019/008678 priority Critical patent/WO2021010504A1/ko
Priority to US16/490,052 priority patent/US20210332519A1/en
Priority to KR1020190103593A priority patent/KR20190104948A/ko
Publication of WO2021010504A1 publication Critical patent/WO2021010504A1/ko

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/34—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of water filling
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/36—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of washing
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/44—Control of the operating time, e.g. reduction of overall operating time
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F39/00—Details of washing machines not specific to a single type of machines covered by groups D06F9/00 - D06F27/00 
    • D06F39/08—Liquid supply or discharge arrangements
    • D06F39/088—Liquid supply arrangements
    • 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
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/06—Type or material
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/14—Supply, recirculation or draining of washing liquid
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/64—Radiation, e.g. microwaves
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/02—Water supply
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/56—Remaining operation time; Remaining operational cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/47—Responding to irregular working conditions, e.g. malfunctioning of pumps 

Definitions

  • the present invention relates to an intelligent washing machine and a control method thereof, and in particular, to an intelligent washing machine capable of improving a phenomenon in which a water supply error occurs, and a control method thereof.
  • a washing machine refers to various devices for treating fabric by applying a physical and/or chemical action to laundry such as clothes and bedding.
  • the washing machine includes an outer tub containing washing water, and an inner tub containing cloth and rotatably installed in the outer tub.
  • a general washing method of a washing machine includes a washing process of washing the cloth by rotating the inner tub, and a dehydration process of dewatering the cloth using the centrifugal force of the inner tub.
  • the washing process of washing the fabric includes supplying washing water so that the laundry is immersed.
  • the water supply process of supplying the washing water is performed during a predetermined reference water supply time. Since the water supply amount per hour varies depending on the environment in which the washing machine is installed, the standard water supply time must be secured for a sufficiently long time in order to sufficiently supply the washing water. However, the reference water supply time is set too long, and there is a disadvantage in that the washing process must be prepared with the power of the washing machine turned on even when water supply is impossible due to a problem in the water supply process.
  • the reference water supply time is set too short, even if there is no problem in the water supply process, a water supply error occurs without coping with a situation in which a large amount of water is required depending on the laundry.
  • the present invention aims to solve the above-described problems.
  • the present invention is to provide an intelligent washing machine capable of efficiently adjusting the water supply time and a control method thereof.
  • the present invention is to provide an intelligent washing machine capable of reducing a water supply error phenomenon by controlling a water supply time according to laundry and a control method thereof.
  • An intelligent washing machine control method includes the steps of acquiring a cloth image for laundry placed in a washing tank; Extracting fabric classification information from the fabric image; Calculating an expected water supply time based on the fabric classification information; And extending the reference water supply time when the expected water supply time exceeds a preset reference water supply time, and supplying water to the washing tub during the extended reference water supply time.
  • the calculating of the expected water supply time may include calculating the expected water supply time to be greater than or equal to the reference water supply time when the cloth classification information includes error information indicating a history of water supply errors.
  • the extracting of the fabric classification information may include extracting a laundry object from the fabric image; It may include the step of searching for a moisture content weight for the laundry object from a look-up table in which the moisture content weight for the laundry object is stored.
  • Calculating the expected water supply time may include calculating the expected water supply time to be greater than or equal to the reference water supply time when the sum of the moisture content weights of the laundry belonging to the fabric image is greater than or equal to a preset threshold.
  • the control method of an intelligent washing machine further includes preparing a look-up table in which the moisture content weight for the laundry object is stored, wherein the moisture content weight for the laundry object is It can be set to be proportional to the degree belonging to the four image that caused the series error.
  • the setting of the moisture content weight for the laundry object may include: acquiring a first fabric image during a first washing process; Providing error information to the first fabric image when a water supply error occurs during the first washing process; acquiring an nth fabric image in the nth washing process; When a water supply error occurs in the nth washing process, providing error information to the nth fabric image; And setting a moisture content weight in proportion to a degree to which each of the laundry objects belong to the fabric image to which the error information is assigned.
  • the setting of the moisture content weight may include extracting overlapping laundry objects and non-overlapping laundry objects that do not overlap each other from among laundry objects belonging to the first to nth fabric images; And assigning the moisture content weight so that the overlapping laundry objects have a higher moisture content weight than the non-overlapping laundry objects.
  • the first to n-th fabric images may be obtained from image images of the laundry seated in the washing tub.
  • Each of the steps of acquiring the first to n-th fabric images may include obtaining a plurality of images while tumbling the washing tub.
  • the first to n-th fabric images may be obtained by monitoring a clothing bin disposed outside the washing tank.
  • DCI downlink control information
  • SSB Synchronization Signal Block
  • An intelligent washing machine includes a washing tub in which laundry is placed; An image acquisition unit that acquires an image of a cloth of laundry seated in the washing tub; A water supply valve for controlling to supply water to the washing tub during a reference water supply time in response to a washing command; And obtaining fabric classification information from the fabric image, calculating an expected water supply time based on the fabric classification information, and when the expected water supply time is greater than the reference water supply time, the water valve supplies water for a period greater than the reference water supply time. It includes a control unit for controlling to supply.
  • control unit may calculate the expected water supply time to be greater than or equal to the reference water supply time.
  • the control unit may extract a laundry object from the cloth image and search for a moisture content weight for the laundry object from a look-up table in which a moisture content weight for the laundry object is stored.
  • control unit may calculate the expected water supply time to be equal to or greater than the reference water supply time.
  • the present invention it is possible to reduce the water supply error phenomenon by controlling the water supply time according to the laundry.
  • the water supply time can be extended depending on the laundry, it is not necessary to set the reference water supply time too long in advance, so that the washing machine does not have to look at the water supply situation for a long time in a situation where a water supply problem occurs .
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • FIG. 2 is a diagram showing an example of a signal transmission/reception method in a wireless communication system.
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • FIG 4 and 5 are views showing an intelligent washing machine according to an embodiment of the present invention.
  • FIG. 6 is a block diagram showing the configuration of an intelligent washing machine according to an embodiment of the present invention.
  • FIG. 7 is a block diagram of an AI device according to an embodiment of the present invention.
  • FIG. 8 is a flowchart illustrating an intelligent washing machine control method according to an embodiment of the present invention.
  • FIG. 9 is a flowchart illustrating a method of assigning error information according to an embodiment of the present invention.
  • FIG. 10 is a flowchart illustrating a washing machine control method according to another embodiment of the present invention.
  • FIG. 11 is a flowchart illustrating a method of assigning a moisture content weight according to an embodiment of the present invention.
  • FIG. 12 is a flowchart illustrating a method for controlling a washing machine according to another embodiment of the present invention.
  • FIG. 13 is a diagram illustrating an example of assigning a moisture content weight according to an embodiment of the present invention.
  • FIG. 14 is a diagram illustrating a method of obtaining a four image according to an embodiment of the present invention.
  • 5G communication (5th generation mobile communication) required by a device and/or an AI processor requiring AI-processed information will be described through paragraphs A to G.
  • FIG. 1 illustrates a block diagram of a wireless communication system to which the methods proposed in the present specification can be applied.
  • a device including an AI module is defined as a first communication device (910 in FIG. 1 ), and a processor 911 may perform a detailed AI operation.
  • a 5G network including another device (AI server) that communicates with the AI device may be a second communication device (920 in FIG. 1), and the processor 921 may perform detailed AI operations.
  • the 5G network may be referred to as the first communication device and the AI device may be referred to as the second communication device.
  • the first communication device or the second communication device may be a base station, a network node, a transmission terminal, a receiving terminal, a wireless device, a wireless communication device, a vehicle, a vehicle equipped with an autonomous driving function, and a connected car.
  • drone Unmanned Aerial Vehicle, UAV
  • AI Artificial Intelligence
  • robot Robot
  • AR Algmented Reality
  • VR Virtual Reality
  • MR Magnetic
  • hologram device public safety device
  • MTC device IoT devices
  • medical devices fintech devices (or financial devices)
  • security devices climate/environment devices, devices related to 5G services, or other devices related to the 4th industrial revolution field.
  • a terminal or user equipment is a mobile phone, a smart phone, a laptop computer, a digital broadcasting terminal, a personal digital assistants (PDA), a portable multimedia player (PMP), a navigation system, and a slate PC.
  • PDA personal digital assistants
  • PMP portable multimedia player
  • slate PC slate PC
  • tablet PC ultrabook
  • wearable device e.g., smartwatch, smart glass
  • head mounted display HMD
  • the HMD may be a display device worn on the head.
  • HMD can be used to implement VR, AR or MR.
  • a drone may be a vehicle that is not human and is flying by a radio control signal.
  • the VR device may include a device that implements an object or a background of a virtual world.
  • the AR device may include a device that connects and implements an object or background of a virtual world, such as an object or background of the real world.
  • the MR device may include a device that combines and implements an object or background of a virtual world, such as an object or background of the real world.
  • the hologram device may include a device that implements a 360-degree stereoscopic image by recording and reproducing stereoscopic information by utilizing an interference phenomenon of light generated by the encounter of two laser lights called holography.
  • the public safety device may include an image relay device or an image device wearable on a user's human body.
  • the MTC device and the IoT device may be devices that do not require direct human intervention or manipulation.
  • the MTC device and the IoT device may include a smart meter, a bending machine, a thermometer, a smart light bulb, a door lock, or various sensors.
  • the medical device may be a device used for the purpose of diagnosing, treating, alleviating, treating or preventing a disease.
  • the medical device may be a device used for the purpose of diagnosing, treating, alleviating or correcting an injury or disorder.
  • a medical device may be a device used for the purpose of examining, replacing or modifying a structure or function.
  • the medical device may be a device used for the purpose of controlling pregnancy.
  • the medical device may include a device for treatment, a device for surgery, a device for (extra-corporeal) diagnosis, a hearing aid or a device for treatment.
  • the security device may be a device installed to prevent a risk that may occur and maintain safety.
  • the security device may be a camera, CCTV, recorder, or black box.
  • the fintech device may be a device capable of providing financial services such as mobile payment.
  • a first communication device 910 and a second communication device 920 include a processor (processor, 911,921), a memory (memory, 914,924), one or more Tx/Rx RF modules (radio frequency modules, 915,925). , Tx processors 912 and 922, Rx processors 913 and 923, and antennas 916 and 926.
  • the Tx/Rx module is also called a transceiver.
  • Each Tx/Rx module 915 transmits a signal through a respective antenna 926.
  • the processor implements the previously salpin functions, processes and/or methods.
  • the processor 921 may be associated with a memory 924 that stores program code and data.
  • the memory may be referred to as a computer-readable medium.
  • the transmission (TX) processor 912 implements various signal processing functions for the L1 layer (ie, the physical layer).
  • the receive (RX) processor implements the various signal processing functions of L1 (ie, the physical layer).
  • the UL (communication from the second communication device to the first communication device) is handled in the first communication device 910 in a manner similar to that described with respect to the receiver function in the second communication device 920.
  • Each Tx/Rx module 925 receives a signal through a respective antenna 926.
  • Each Tx/Rx module provides an RF carrier and information to the RX processor 923.
  • the processor 921 may be associated with a memory 924 that stores program code and data.
  • the memory may be referred to as a computer-readable medium.
  • the first communication device may be a vehicle
  • the second communication device may be a 5G network.
  • FIG. 2 is a diagram showing an example of a signal transmission/reception method in a wireless communication system.
  • the UE when the UE is powered on or newly enters a cell, the UE performs an initial cell search operation such as synchronizing with the BS (S201). To this end, the UE receives a primary synchronization channel (P-SCH) and a secondary synchronization channel (S-SCH) from the BS, synchronizes with the BS, and obtains information such as cell ID. can do.
  • P-SCH primary synchronization channel
  • S-SCH secondary synchronization channel
  • the UE may obtain intra-cell broadcast information by receiving a physical broadcast channel (PBCH) from the BS.
  • PBCH physical broadcast channel
  • the UE may receive a downlink reference signal (DL RS) in the initial cell search step to check the downlink channel state.
  • DL RS downlink reference signal
  • the UE acquires more detailed system information by receiving a physical downlink control channel (PDCCH) and a physical downlink shared channel (PDSCH) according to the information carried on the PDCCH. It can be done (S202).
  • PDCCH physical downlink control channel
  • PDSCH physical downlink shared channel
  • the UE may perform a random access procedure (RACH) for the BS (steps S203 to S206).
  • RACH random access procedure
  • the UE transmits a specific sequence as a preamble through a physical random access channel (PRACH) (S203 and S205), and a random access response for the preamble through the PDCCH and the corresponding PDSCH (random access response, RAR) message can be received (S204 and S206).
  • PRACH physical random access channel
  • RAR random access response
  • a contention resolution procedure may be additionally performed.
  • the UE receives PDCCH/PDSCH (S207) and physical uplink shared channel (PUSCH)/physical uplink control channel as a general uplink/downlink signal transmission process.
  • Uplink control channel, PUCCH) transmission (S208) may be performed.
  • the UE receives downlink control information (DCI) through the PDCCH.
  • DCI downlink control information
  • the UE monitors the set of PDCCH candidates from monitoring opportunities set in one or more control element sets (CORESET) on the serving cell according to the corresponding search space configurations.
  • the set of PDCCH candidates to be monitored by the UE is defined in terms of search space sets, and the search space set may be a common search space set or a UE-specific search space set.
  • the CORESET consists of a set of (physical) resource blocks with a time duration of 1 to 3 OFDM symbols.
  • the network can configure the UE to have multiple CORESETs.
  • the UE monitors PDCCH candidates in one or more search space sets. Here, monitoring means attempting to decode PDCCH candidate(s) in the search space.
  • the UE determines that the PDCCH is detected in the corresponding PDCCH candidate, and performs PDSCH reception or PUSCH transmission based on the detected DCI in the PDCCH.
  • the PDCCH can be used to schedule DL transmissions on the PDSCH and UL transmissions on the PUSCH.
  • the DCI on the PDCCH is a downlink assignment (i.e., downlink grant; DL grant) including at least information on modulation and coding format and resource allocation related to a downlink shared channel, or uplink It includes an uplink grant (UL grant) including modulation and coding format and resource allocation information related to the shared channel.
  • downlink grant i.e., downlink grant; DL grant
  • UL grant uplink grant
  • the UE may perform cell search, system information acquisition, beam alignment for initial access, and DL measurement based on the SSB.
  • SSB is used interchangeably with SS/PBCH (Synchronization Signal/Physical Broadcast Channel) block.
  • SS/PBCH Synchronization Signal/Physical Broadcast Channel
  • the SSB consists of PSS, SSS and PBCH.
  • the SSB is composed of 4 consecutive OFDM symbols, and PSS, PBCH, SSS/PBCH or PBCH are transmitted for each OFDM symbol.
  • the PSS and SSS are each composed of 1 OFDM symbol and 127 subcarriers, and the PBCH is composed of 3 OFDM symbols and 576 subcarriers.
  • Cell discovery refers to a process in which the UE acquires time/frequency synchronization of a cell and detects a cell identifier (eg, Physical layer Cell ID, PCI) of the cell.
  • PSS is used to detect a cell ID within a cell ID group
  • SSS is used to detect a cell ID group.
  • PBCH is used for SSB (time) index detection and half-frame detection.
  • 336 cell ID groups There are 336 cell ID groups, and 3 cell IDs exist for each cell ID group. There are a total of 1008 cell IDs. Information on the cell ID group to which the cell ID of the cell belongs is provided/obtained through the SSS of the cell, and information on the cell ID among 336 cells in the cell ID is provided/obtained through the PSS.
  • the SSB is transmitted periodically according to the SSB period.
  • the SSB basic period assumed by the UE during initial cell search is defined as 20 ms. After cell access, the SSB period may be set to one of ⁇ 5ms, 10ms, 20ms, 40ms, 80ms, 160ms ⁇ by the network (eg, BS).
  • SI is divided into a master information block (MIB) and a plurality of system information blocks (SIB). SI other than MIB may be referred to as RMSI (Remaining Minimum System Information).
  • the MIB includes information/parameters for monitoring a PDCCH scheduling a PDSCH carrying a System Information Block1 (SIB1), and is transmitted by the BS through the PBCH of the SSB.
  • SIB1 includes information related to availability and scheduling (eg, transmission period, SI-window size) of the remaining SIBs (hereinafter, SIBx, x is an integer greater than or equal to 2). SIBx is included in the SI message and is transmitted through the PDSCH. Each SI message is transmitted within a periodic time window (ie, SI-window).
  • RA random access
  • the random access process is used for various purposes.
  • the random access procedure may be used for initial network access, handover, and UE-triggered UL data transmission.
  • the UE may acquire UL synchronization and UL transmission resources through a random access process.
  • the random access process is divided into a contention-based random access process and a contention free random access process.
  • the detailed procedure for the contention-based random access process is as follows.
  • the UE may transmit the random access preamble as Msg1 in the random access procedure in the UL through the PRACH.
  • Random access preamble sequences having two different lengths are supported. Long sequence length 839 is applied for subcarrier spacing of 1.25 and 5 kHz, and short sequence length 139 is applied for subcarrier spacing of 15, 30, 60 and 120 kHz.
  • the BS When the BS receives the random access preamble from the UE, the BS transmits a random access response (RAR) message (Msg2) to the UE.
  • RAR random access response
  • the PDCCH for scheduling the PDSCH carrying the RAR is transmitted after being CRC masked with a random access (RA) radio network temporary identifier (RNTI) (RA-RNTI).
  • RA-RNTI random access radio network temporary identifier
  • a UE that detects a PDCCH masked with RA-RNTI may receive an RAR from a PDSCH scheduled by a DCI carried by the PDCCH.
  • the UE checks whether the preamble transmitted by the UE, that is, random access response information for Msg1, is in the RAR.
  • Whether there is random access information for Msg1 transmitted by the UE may be determined based on whether a random access preamble ID for a preamble transmitted by the UE exists. If there is no response to Msg1, the UE may retransmit the RACH preamble within a predetermined number of times while performing power ramping. The UE calculates the PRACH transmission power for retransmission of the preamble based on the most recent path loss and power ramping counter.
  • the UE may transmit UL transmission as Msg3 in a random access procedure on an uplink shared channel based on random access response information.
  • Msg3 may include an RRC connection request and a UE identifier.
  • the network may send Msg4, which may be treated as a contention resolution message on the DL. By receiving Msg4, the UE can enter the RRC connected state.
  • the BM process may be divided into (1) a DL BM process using SSB or CSI-RS and (2) a UL BM process using a sounding reference signal (SRS).
  • each BM process may include Tx beam sweeping to determine the Tx beam and Rx beam sweeping to determine the Rx beam.
  • CSI channel state information
  • the UE receives a CSI-ResourceConfig IE including CSI-SSB-ResourceSetList for SSB resources used for BM from BS.
  • the RRC parameter csi-SSB-ResourceSetList represents a list of SSB resources used for beam management and reporting in one resource set.
  • the SSB resource set may be set to ⁇ SSBx1, SSBx2, SSBx3, SSBx4, ⁇ .
  • the SSB index may be defined from 0 to 63.
  • the UE receives signals on SSB resources from the BS based on the CSI-SSB-ResourceSetList.
  • the UE reports the best SSBRI and the corresponding RSRP to the BS.
  • the reportQuantity of the CSI-RS reportConfig IE is set to'ssb-Index-RSRP', the UE reports the best SSBRI and corresponding RSRP to the BS.
  • the UE When the UE is configured with CSI-RS resources in the same OFDM symbol(s) as the SSB, and'QCL-TypeD' is applicable, the UE is similarly co-located in terms of'QCL-TypeD' where the CSI-RS and SSB are ( quasi co-located, QCL).
  • QCL-TypeD may mean that QCL is performed between antenna ports in terms of a spatial Rx parameter.
  • the Rx beam determination (or refinement) process of the UE using CSI-RS and the Tx beam sweeping process of the BS are sequentially described.
  • the repetition parameter is set to'ON'
  • the repetition parameter is set to'OFF'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'ON'.
  • the UE repeats signals on the resource(s) in the CSI-RS resource set in which the RRC parameter'repetition' is set to'ON' in different OFDM symbols through the same Tx beam (or DL spatial domain transmission filter) of the BS Receive.
  • the UE determines its own Rx beam.
  • the UE omits CSI reporting. That is, the UE may omit CSI reporting when the shopping price RRC parameter'repetition' is set to'ON'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'OFF', and is related to the Tx beam sweeping process of the BS.
  • the UE receives signals on resources in the CSI-RS resource set in which the RRC parameter'repetition' is set to'OFF' through different Tx beams (DL spatial domain transmission filters) of the BS.
  • Tx beams DL spatial domain transmission filters
  • the UE selects (or determines) the best beam.
  • the UE reports the ID (eg, CRI) and related quality information (eg, RSRP) for the selected beam to the BS. That is, when the CSI-RS is transmitted for the BM, the UE reports the CRI and the RSRP for it to the BS.
  • ID eg, CRI
  • RSRP related quality information
  • the UE receives RRC signaling (eg, SRS-Config IE) including a usage parameter set as'beam management' (RRC parameter) from the BS.
  • SRS-Config IE is used for SRS transmission configuration.
  • SRS-Config IE includes a list of SRS-Resources and a list of SRS-ResourceSets. Each SRS resource set means a set of SRS-resources.
  • the UE determines Tx beamforming for the SRS resource to be transmitted based on the SRS-SpatialRelation Info included in the SRS-Config IE.
  • SRS-SpatialRelation Info is set for each SRS resource, and indicates whether to apply the same beamforming as the beamforming used in SSB, CSI-RS or SRS for each SRS resource.
  • SRS-SpatialRelationInfo is set in the SRS resource, the same beamforming as that used in SSB, CSI-RS or SRS is applied and transmitted. However, if SRS-SpatialRelationInfo is not set in the SRS resource, the UE randomly determines Tx beamforming and transmits the SRS through the determined Tx beamforming.
  • BFR beam failure recovery
  • Radio Link Failure may frequently occur due to rotation, movement, or beamforming blockage of the UE. Therefore, BFR is supported in NR to prevent frequent RLF from occurring. BFR is similar to the radio link failure recovery process, and may be supported when the UE knows the new candidate beam(s).
  • the BS sets beam failure detection reference signals to the UE, and the UE sets the number of beam failure indications from the physical layer of the UE within a period set by RRC signaling of the BS. When a threshold set by RRC signaling is reached (reach), a beam failure is declared.
  • the UE triggers beam failure recovery by initiating a random access process on the PCell; Beam failure recovery is performed by selecting a suitable beam (if the BS has provided dedicated random access resources for certain beams, they are prioritized by the UE). Upon completion of the random access procedure, it is considered that beam failure recovery is complete.
  • URLLC transmission as defined by NR is (1) relatively low traffic size, (2) relatively low arrival rate, (3) extremely low latency requirement (e.g. 0.5, 1ms), (4) It may mean a relatively short transmission duration (eg, 2 OFDM symbols), and (5) transmission of an urgent service/message.
  • transmission for a specific type of traffic e.g., URLLC
  • eMBB previously scheduled transmission
  • eMBB and URLLC services can be scheduled on non-overlapping time/frequency resources, and URLLC transmission can occur on resources scheduled for ongoing eMBB traffic.
  • the eMBB UE may not be able to know whether the PDSCH transmission of the UE is partially punctured, and the UE may not be able to decode the PDSCH due to corrupted coded bits.
  • the NR provides a preemption indication.
  • the preemption indication may be referred to as an interrupted transmission indication.
  • the UE receives the DownlinkPreemption IE through RRC signaling from the BS.
  • the UE is configured with the INT-RNTI provided by the parameter int-RNTI in the DownlinkPreemption IE for monitoring of the PDCCH carrying DCI format 2_1.
  • the UE is additionally configured with a set of serving cells by an INT-ConfigurationPerServing Cell including a set of serving cell indexes provided by servingCellID and a corresponding set of positions for fields in DCI format 2_1 by positionInDCI, and dci-PayloadSize It is set with the information payload size for DCI format 2_1 by, and is set with the indication granularity of time-frequency resources by timeFrequencySect.
  • the UE receives DCI format 2_1 from the BS based on the DownlinkPreemption IE.
  • the UE When the UE detects the DCI format 2_1 for the serving cell in the set set of serving cells, the UE is the DCI format among the set of PRBs and symbols in the monitoring period last monitoring period to which the DCI format 2_1 belongs. It can be assumed that there is no transmission to the UE in the PRBs and symbols indicated by 2_1. For example, the UE sees that the signal in the time-frequency resource indicated by the preemption is not a DL transmission scheduled to it, and decodes data based on the signals received in the remaining resource regions.
  • Massive Machine Type Communication is one of the 5G scenarios to support hyper-connection services that simultaneously communicate with a large number of UEs.
  • the UE communicates intermittently with a very low transmission rate and mobility. Therefore, mMTC aims at how long the UE can be driven at a low cost.
  • 3GPP deals with MTC and NB (NarrowBand)-IoT.
  • the mMTC technology has features such as repetitive transmission of PDCCH, PUCCH, physical downlink shared channel (PDSCH), PUSCH, etc., frequency hopping, retuning, and guard period.
  • a PUSCH (or PUCCH (especially, long PUCCH) or PRACH) including specific information and a PDSCH (or PDCCH) including a response to specific information are repeatedly transmitted.
  • Repetitive transmission is performed through frequency hopping, and for repetitive transmission, (RF) retuning is performed in a guard period from a first frequency resource to a second frequency resource, and specific information
  • RF repetitive transmission
  • the response to specific information may be transmitted/received through a narrowband (ex. 6 resource block (RB) or 1 RB).
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • the UE transmits specific information transmission to the 5G network (S1). And, the 5G network performs 5G processing on the specific information (S2). Here, 5G processing may include AI processing. Then, the 5G network transmits a response including the AI processing result to the UE (S3).
  • the UE performs an initial access procedure and random access with the 5G network before step S1 of FIG. random access) procedure.
  • the UE performs an initial access procedure with the 5G network based on the SSB to obtain DL synchronization and system information.
  • a beam management (BM) process and a beam failure recovery process may be added, and a QCL (quasi-co location) relationship in a process in which the UE receives a signal from the 5G network Can be added.
  • QCL quadsi-co location
  • the UE performs a random access procedure with the 5G network for UL synchronization acquisition and/or UL transmission.
  • the 5G network may transmit a UL grant for scheduling transmission of specific information to the UE. Therefore, the UE transmits specific information to the 5G network based on the UL grant.
  • the 5G network transmits a DL grant for scheduling transmission of the 5G processing result for the specific information to the UE. Accordingly, the 5G network may transmit a response including the AI processing result to the UE based on the DL grant.
  • the UE may receive a DownlinkPreemption IE from the 5G network. And, the UE receives a DCI format 2_1 including a pre-emption indication from the 5G network based on the DownlinkPreemption IE. In addition, the UE does not perform (or expect or assume) reception of eMBB data in the resource (PRB and/or OFDM symbol) indicated by the pre-emption indication. Thereafter, the UE may receive a UL grant from the 5G network when it is necessary to transmit specific information.
  • the UE receives a UL grant from the 5G network to transmit specific information to the 5G network.
  • the UL grant includes information on the number of repetitions for transmission of the specific information, and the specific information may be repeatedly transmitted based on the information on the number of repetitions. That is, the UE transmits specific information to the 5G network based on the UL grant.
  • repetitive transmission of specific information may be performed through frequency hopping, transmission of first specific information may be transmitted in a first frequency resource, and transmission of second specific information may be transmitted in a second frequency resource.
  • the specific information may be transmitted through a narrowband of 6RB (Resource Block) or 1RB (Resource Block).
  • FIG. 4 is a view showing an external perspective view of an intelligent washing machine according to an embodiment of the present invention
  • FIG. 5 is a view showing a cutaway view of the intelligent washing machine according to an embodiment of the present invention.
  • 6 is a block diagram showing a main configuration of the washing machine shown in FIGS. 4 and 5.
  • the washing machine 10 includes a control unit 100, a hardware unit 200, a sensing unit 300, a user interface 400, and a communication interface 500. Include.
  • the controller 100 controls the hardware 200 according to information input through the user interface 400 to control the overall driving of the washing machine 10.
  • control unit 100 may adjust the water supply time for supplying the washing water based on the cloth image of the laundry obtained through the image acquisition unit 310.
  • control unit 100 obtains the fabric classification information from the fabric image, calculates the expected water supply time based on the classification information, and if the expected water supply time is greater than the reference water supply time, the water valve supplies water for a period longer than the reference water supply time. Can be controlled to supply.
  • the reference water supply time corresponds to a time for supplying water sufficient to smoothly proceed with washing within the limit of the washing capacity, and may be set in advance in consideration of the capacity of the washing tub 210 and a general pipe capacity for supplying water.
  • the hardware 200 may include a washing tub 210, a motor 220, a water supply valve 230, and a heater 240.
  • the washing tub 210 includes an outer tub 213 accommodating washing water, and an inner tub 211 disposed inside the outer tub 213 so that laundry is seated and rotates using a rotational force provided from the motor 220.
  • the water supply valve 230 controls the supply of washing water.
  • the heater 240 heats the water supply in the washing tank.
  • the hardware 200 includes a drain pump 250, a bellows 251, a drain hose 252, and an air chamber 261, as shown in FIG. 5.
  • the drain pump 250 drains the washing water in the washing tub 210. Drainage pump 250 is provided at the bottom of the inner tank 211 and the outer tank 213, is connected to the outer tank 213 through the bellows 251, the washing water of the inner tank 211 and the outer tank 213 is a drain hose ( 252) to the outside.
  • the sensing unit 300 includes an image acquisition unit 310 and a water level detection unit 320.
  • the image acquisition unit 310 acquires an image of the laundry seated in the inner tub 211.
  • the image acquisition unit 310 may use at least one of a 2D or 3D camera, and may be disposed on the cover of the washing machine 10.
  • the water level sensing unit 320 detects the washing water supplied into the washing tub 210. In particular, the water level detection unit 320 detects whether the washing water reaches the reference water level.
  • the reference water level may be set in advance to an amount of water sufficient to facilitate the washing process.
  • the user interface 400 may include a power input unit 410, a start input unit 420, a course selection unit 430, an option selection unit 440, a display unit 450, and a speaker 460.
  • the power input unit 410 provides a means for controlling on/off of the main power of the washing machine.
  • the start input unit 420 provides a means for controlling the start of a washing process, a rinsing process, or a spinning process.
  • the course selection unit 430 provides a means for selecting a type of a washing process, a rinsing process, or a spinning process.
  • the option selection unit 440 provides a means for selecting detailed options for performing a washing process, a rinsing process, or a spinning process.
  • the option selector 440 may be a means for selecting options such as water temperature, time, and reservation.
  • the display unit 450 may display an operating state of the washing machine 10, or display information on a course selected by the user through the course selection unit 430 or information on an option selected through the option selection unit 440.
  • the speaker 460 outputs an operating state of the washing machine 10 or a state of a specific event as an audio signal.
  • a specific event may be a fabric dispersion control or RPM control and situation based on a fabric image.
  • the communication interface 500 not only receives signals/data from external inputs, but also has various additional configurations such as a wireless communication module (not shown) for wireless communication or a tuner (not shown) for tuning broadcast signals. It may contain more.
  • the communication interface 500 may transmit information/data/signal of the air purifier to the external device. That is, the communication interface 500 is not limited to a configuration that receives a signal from an external device, but may be implemented as an interface capable of bidirectional communication.
  • the communication interface 500 may receive a control signal for selecting a UI from a plurality of control devices.
  • the communication interface 500 is composed of a communication module for known short-range wireless communication such as wireless LAN (WiFi), Bluetooth, IR (Infrared), UWB (Ultra Wideband), Zigbee, or 3G, 4G, It may be configured with a mobile communication module such as LTE or 5G, and may also be configured with a known communication port for wired communication. In addition to a control signal for selecting a UI, the communication interface 500 may be used for various purposes, such as a command for manipulation of a display and transmission and reception of data.
  • FIG. 7 is a block diagram of an AI device according to an embodiment of the present invention.
  • the AI device 20 may include an electronic device including an AI module capable of performing AI processing or a server including an AI module.
  • the AI device 20 may be included as a component of at least a part of the washing machine 10 illustrated in FIGS. 4 and 5 and may be provided to perform at least a part of AI processing together.
  • AI processing may include all operations related to the control unit 100 of the washing machine 10 shown in FIG. 4.
  • the washing machine 10 may perform processing/determination and control signal generation operations by AI processing the laundry image, cloth classification information, or cloth distribution information.
  • the AI device 20 may be a client device that directly uses the AI processing result, or may be a device in a cloud environment that provides the AI processing result to other devices.
  • the AI device 20 is a computing device capable of learning a neural network, and may be implemented as various electronic devices such as a server, a desktop PC, a notebook PC, and a tablet PC.
  • the AI device 20 may include an AI processor 21, a memory 25 and/or a communication unit 27.
  • the AI processor 21 may learn a neural network using a program stored in the memory 25.
  • the AI processor 21 may learn a neural network for recognizing related data of the washing machine 10.
  • the neural network for recognizing the related data of the washing machine 10 may be designed to simulate a human brain structure on a computer, and includes a plurality of network nodes having weights that simulate neurons of the human neural network. can do.
  • the plurality of network modes can send and receive data according to their respective connection relationships to simulate the synaptic activity of neurons that send and receive signals through synapses.
  • the neural network may include a deep learning model developed from a neural network model. In a deep learning model, a plurality of network nodes may be located in different layers and exchange data according to a convolutional connection relationship.
  • neural network models include deep neural networks (DNN), convolutional deep neural networks (CNN), Recurrent Boltzmann Machine (RNN), Restricted Boltzmann Machine (RBM), and deep trust. It includes various deep learning techniques such as deep belief networks (DBN) and deep Q-network, and can be applied to fields such as computer vision, speech recognition, natural language processing, and speech/signal processing.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • RNN Recurrent Boltzmann Machine
  • RBM Restricted Boltzmann Machine
  • DNN deep trust
  • DNN deep belief networks
  • DNN deep Q-network
  • the processor performing the above-described function may be a general-purpose processor (eg, a CPU), but may be an AI-only processor (eg, a GPU) for artificial intelligence learning.
  • a general-purpose processor eg, a CPU
  • an AI-only processor eg, a GPU
  • the memory 25 may store various programs and data required for the operation of the AI device 20.
  • the memory 25 may be implemented as a non-volatile memory, a volatile memory, a flash memory, a hard disk drive (HDD), a solid state drive (SDD), or the like.
  • the memory 25 is accessed by the AI processor 21, and data read/write/edit/delete/update by the AI processor 21 may be performed.
  • the memory 25 may store a neural network model (eg, a deep learning model 26) generated through a learning algorithm for classifying/recognizing data according to an embodiment of the present invention.
  • the AI processor 21 may include a data learning unit 22 that learns a neural network for data classification/recognition.
  • the data learning unit 22 may learn a criterion for how to classify and recognize data using which training data to use to determine data classification/recognition.
  • the data learning unit 22 may learn the deep learning model by acquiring training data to be used for training and applying the acquired training data to the deep learning model.
  • the data learning unit 22 may be manufactured in the form of at least one hardware chip and mounted on the AI device 20.
  • the data learning unit 22 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be manufactured as a part of a general-purpose processor (CPU) or a dedicated graphics processor (GPU) to the AI device 20. It can also be mounted.
  • the data learning unit 22 may be implemented as a software module. When implemented as a software module (or a program module including an instruction), the software module may be stored in a computer-readable non-transitory computer readable media. In this case, at least one software module may be provided by an operating system (OS) or an application.
  • OS operating system
  • application application
  • the data learning unit 22 may include a learning data acquisition unit 23 and a model learning unit 24.
  • the training data acquisition unit 23 may acquire training data necessary for a neural network model for classifying and recognizing data.
  • the model learning unit 24 may learn to have a criterion for determining how the neural network model classifies predetermined data by using the acquired training data.
  • the model training unit 24 may train the neural network model through supervised learning using at least a portion of the training data as a criterion for determination.
  • the model learning unit 24 may train the neural network model through unsupervised learning for discovering a criterion by self-learning using the training data without guidance.
  • the model learning unit 24 may train the neural network model through reinforcement learning using feedback on whether the result of the situation determination according to the learning is correct.
  • the model learning unit 24 may train the neural network model by using a learning algorithm including an error back-propagation method or a gradient decent method.
  • the model learning unit 24 may store the learned neural network model in a memory.
  • the model learning unit 24 may store the learned neural network model in a memory of a server connected to the AI device 20 through a wired or wireless network.
  • the data learning unit 22 further includes a training data preprocessor (not shown) and a training data selection unit (not shown) to improve the analysis result of the recognition model or save resources or time required for generating the recognition model. You may.
  • the learning data preprocessor may preprocess the acquired data so that the acquired data can be used for learning to determine a situation.
  • the training data preprocessor may process the acquired data into a preset format so that the model training unit 24 can use the training data acquired for learning for image recognition.
  • the learning data selection unit may select data necessary for learning from the learning data acquired by the learning data acquisition unit 23 or the training data preprocessed by the preprocessor.
  • the selected training data may be provided to the model learning unit 24.
  • the learning data selection unit may select only data on an object included in the specific area as training data by detecting a specific area among images acquired through the photographing means of the washing machine 10.
  • the data learning unit 22 may further include a model evaluation unit (not shown) to improve the analysis result of the neural network model.
  • the model evaluation unit may input evaluation data to the neural network model, and when an analysis result output from the evaluation data does not satisfy a predetermined criterion, the model learning unit 22 may retrain.
  • the evaluation data may be predefined data for evaluating the recognition model.
  • the model evaluation unit may evaluate as not satisfying a predetermined criterion when the number or ratio of evaluation data in which the analysis result is inaccurate among the analysis results of the learned recognition model for evaluation data exceeds a threshold value. have.
  • the communication unit 27 may transmit the AI processing result by the AI processor 21 to an external electronic device.
  • external electronic devices may include Bluetooth devices, autonomous vehicles, robots, drones, AR devices, mobile devices, home appliances, and the like.
  • the AI device 20 shown in FIG. 6 has been functionally divided into an AI processor 21, a memory 25, and a communication unit 27, but the above-described components are integrated into one module. It should be noted that it may be called as.
  • FIG. 8 is a flow chart showing a control method of a washing machine according to the present invention.
  • a fabric image is obtained.
  • the image acquisition unit 310 may acquire an image of the laundry seated in the inner tub 211.
  • the controller 100 may extract fabric classification information from the fabric image.
  • the cloth classification information includes error information or moisture content information for each laundry.
  • the controller 100 may compare the image of the laundry or feature points of the image with a preset image or feature points to obtain information on the type, material, or moisture content of the laundry. As will be described later, the fabric classification information may be updated by learning whether a fabric image and a series error occurs.
  • the estimated water supply time is calculated based on the fabric classification information. Then, it is determined whether the expected water supply time is more than the reference water supply time.
  • the estimated watering time need not be in physical units of time.
  • the control unit 100 may only determine whether the estimated water supply time calculated based on the cloth classification information is equal to or greater than the reference water supply time.
  • the controller 100 may search for error information or a moisture content weight from the fabric classification information in order to calculate the expected water supply time.
  • the controller 100 may determine that the expected water supply time of the corresponding fabric image is greater than or equal to the reference water supply time.
  • the error information indicates a history of water supply errors, and indicates that an error has occurred when water supply is performed while the laundry corresponding to the cloth image is seated in the inner tank 211. A method of assigning error occurrence information will be described later with reference to FIG. 9.
  • the controller 100 may add up the moisture content of the laundry objects belonging to the cloth classification information, and determine that the expected water supply time is greater than or equal to the reference water supply time when the summed moisture content is greater than or equal to a preset threshold.
  • a specific embodiment of controlling the reference water supply time based on the moisture content weight will be described later with reference to FIG. 10.
  • the control unit 100 extends the reference water supply time to perform water supply during the extended water supply time. That is, the control unit 100 allows water to be supplied to the washing tub 210 for a longer time.
  • the controller 100 proceeds with water supply at a preset reference water supply time.
  • FIG. 9 is a flowchart illustrating a method of assigning error information according to an embodiment of the present invention.
  • the image acquisition unit 310 acquires a four image.
  • the method of acquiring the fore image may use the same method as in the first step S801 shown in FIG. 8.
  • control unit 100 performs a water supply operation in response to a washing start command.
  • the control unit 100 determines whether a water supply error occurs.
  • the water supply error means a situation in which water supply is not supplied to the washing tank 210 to a certain level during the reference time.
  • the control unit 100 assigns error information to the fabric image acquired in the first step (S901), matches the fabric image with the error information, and a database (not shown) ).
  • the control unit 100 assigns path information to the fore image acquired in the first step (S901), matches the fore image with the path information, and stores it in the database. do.
  • 10 is a flowchart illustrating a washing machine control method according to another embodiment of the present invention. 10 relates to a method of calculating an expected water supply time based on a moisture content weight.
  • the image acquisition unit 310 acquires a four image.
  • the method of acquiring the fore image may use the same method as in the first step S801 shown in FIG. 8.
  • the image acquisition unit 310 may acquire a plurality of fabric images.
  • laundry located on the bottom surface of the inner tub 211 may not be identified by taking a single image.
  • the control unit 100 may move the positions of the laundry disposed in the inner tub 211 by tumbling the washing tub 210. That is, the control unit 100 may acquire a plurality of fabric images using the image acquisition unit 310 while tumbling the washing tub 210.
  • the controller 100 may extract laundry objects from the fabric image.
  • a laundry object refers to an individual piece of laundry and can be a single piece of clothing.
  • a pair may be classified as a laundry object.
  • the controller 100 may extract an object that can be separated from a 2D or 3D image using an object extraction method of a known technology, and divide each object into a laundry object.
  • the control unit 100 searches a look-up table in which a moisture content weight for a laundry object is stored, and extracts a moisture content weight for each laundry object.
  • the moisture content weight is set to be proportional to the degree to which the laundry object belongs to the fabric image that caused the water supply error.
  • a third step the controller 100 compares the sum of the weights of the moisture content of the laundry object with a preset threshold.
  • the following [Table 1] is a table showing an example of a lookup table in which laundry objects and moisture content weights are matched.
  • the controller 100 searches the lookup table and calculates the sum of the moisture content weights as "Wa+Wb+Wc". can do. And, if the preset threshold weight is "Wref”, the controller 100 determines whether "Wa+Wb+Wc" corresponding to the sum of the moisture content weights is equal to or greater than "Wref".
  • the controller 100 when the sum of the moisture content weights is greater than or equal to the threshold weight, the controller 100 extends the reference water supply time. That is, the control unit 100 supplies water for a longer time than the reference water supply time.
  • the controller 100 when the sum of the moisture content weights is less than the threshold weight, the controller 100 provides the water supply during a preset reference water supply time.
  • 11 is a flowchart illustrating a method of setting a lookup table in which laundry objects and moisture content weights are matched.
  • the first fabric image refers to a fabric image obtained in the first washing process
  • the n-th fabric image refers to a fabric image obtained in the nth washing process. That is, each of the first to n-th fabric images may be obtained through the same method as in the previous embodiments.
  • a laundry object is extracted from each of the first to n-th fabric images.
  • the controller 100 extracts laundry objects belonging to the first fabric image. Then, the controller 100 extracts laundry objects belonging to the second fabric image. Similarly, the controller 100 extracts laundry objects belonging to the n-th fabric image.
  • the control unit 100 assigns a moisture content weight to the laundry objects extracted from each of the fabric images.
  • the control unit 100 may assign a moisture content weight to the laundry object in proportion to a degree belonging to the fabric image to which the error information is assigned.
  • control unit 100 stores information on laundry objects matching the moisture content weight in the database.
  • the flow chart shown in FIG. 11 is not limited to the order of time.
  • the first step (S1101) and the second step (S1102) may be simultaneously performed in parallel. Accordingly, it is possible to obtain a first cloth image and extract a laundry object from the first cloth images. Subsequently, a second cloth image may be obtained, and a laundry object may be extracted from the second cloth images.
  • the temporal order need not be limited.
  • FIG. 12 is a flow chart showing a washing paper control method according to another embodiment of the present invention.
  • the controller 100 may control the communication unit to transmit state information of the washing machine 10 to an AI processor included in a 5G network.
  • the controller 100 may control the communication unit to receive AI-processed information from the AI processor.
  • the AI-processed information may include fore image information and error information.
  • the controller 100 may transmit the four image information and the error information from the washing machine 10 to the network based on the DCI. Fore image information and error information are transmitted to the network through the PUSCH, and the SSB and the DM-RS of the PUSCH may be QCL for QCL type D.
  • the washing machine 10 may transmit short-circuit information along with image information or feature values to the 5G network (S1200).
  • the 5G network may include an AI processor or an AI system, and the AI system of the 5G network may perform AI processing based on the received image information.
  • the controller 100 When a short circuit occurs in the washing machine 10 during the washing or spinning process, the controller 100 generates short circuit information and transmits the short circuit information to the 5G network.
  • the AI system may input the fabric image information or error information received from the washing machine 10 to the ANN classifier (S1211).
  • the AI system may analyze the ANN output value (S1213), and calculate the moisture content weight for the laundry object from the ANN output value. Then, water supply time control information is generated (S1215).
  • the 5G network may transmit the water supply time control information determined by the AI system to the washing machine 10 through the wireless communication unit (S1220).
  • the water supply time control information may be information on whether to maintain the reference water supply time or extend the reference water supply time according to the moisture content weight.
  • 13 is a diagram for explaining an embodiment of assigning a moisture content weight.
  • the method of assigning the moisture content weight shown in FIG. 13 can be applied to the embodiments shown in FIGS. 11 and 12.
  • each of the first fabric images IMG1 to the nth fabric images IMGn includes laundry object information Ds and the presence or absence of error information.
  • the first fabric image IMG1 includes laundry objects of "a”, “b”, “c”, and “d”, and has error information.
  • the second fabric image IMG2 includes laundry objects of "a”, “b”, “d”, and “f” and does not have error information.
  • the n-th fabric image IMGn includes laundry objects of "b”, “c”, "f", and "i”, and has error information.
  • the control unit 100 extracts duplicate laundry objects and non-redundant laundry objects that do not overlap among laundry objects belonging to the first fabric images IMG1 to nth fabric images IMGn.
  • the controller 100 may set duplicate laundry objects to have a higher moisture content weight than non-redundant laundry line objects.
  • the controller 100 may assign a moisture content weight higher than “f” to “c” included in the error information.
  • FIG. 14 is a diagram illustrating a method of acquiring a fore image according to another embodiment of the present invention.
  • a fabric image may be obtained by monitoring a clothing bin disposed outside a washing machine.
  • the photographing apparatus 3 acquires a fabric image by monitoring the clothing box 5 and the like.
  • the photographing apparatus 3 may transmit the four image to the washing machine 10 through a communication means (not shown), or transmit the four image to a 5G network.
  • the processor of the washing machine 100 may provide water supply error information to the fabric image based on the previous embodiments. Moisture content weight can be assigned.
  • the controller 100 may transmit a specific event or an overall operating state of the washing machine 10 as a voice signal through the speaker 460.
  • the controller 100 may request the user to take additional measures by transmitting the water supply error event corresponding to the third step S903 shown in FIG. 9 as an audio signal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명의 실시 예에 따른 지능형 세탁기의 제어방법은 세탁조에 안착된 세탁물에 대한 포 이미지를 획득하는 단계; 상기 포 이미지로부터 포 분류 정보를 추출하는 단계; 상기 포 분류 정보를 바탕으로 예상 급수 시간을 산출하는 단계; 및 상기 예상 급수 시간이 미리 설정된 기준 급수 시간을 초과할 경우 상기 기준 급수 시간을 연장하고, 연장된 상기 기준 급수 시간 동안 상기 세탁조에 급수를 공급하는 단계를 포함한다. 본 발명의 세탁기는 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

지능형 세탁기 및 이의 제어방법
본 발명은 지능형 세탁기 및 이의 제어방법에 관한 것으로, 특히 급수 에러가 발생하는 현상을 개선할 수 있는 지능형 세탁기 및 이의 제어방법에 관한 것이다.
일반적으로 세탁기는 의복, 침구 등의 세탁물에 물리적 작용 및/또는 화학적 작용을 가하여 포를 처리하는 각종 장치를 의미한다. 세탁기는 세탁수가 담기는 외조와, 포가 담기며 상기 외조 내에 회전 가능하게 설치되는 내조를 포함한다. 일반적인 세탁기의 세탁방법은 내조를 회전시켜서 포를 세탁하는 세탁 과정, 및 내조의 원심력을 이용하여 포를 탈수하는 탈수 과정을 포함한다.
포를 세탁하는 세탁 과정은 세탁물이 잠기도록 세탁수를 공급하는 과정을 포함한다. 세탁수를 공급하는 급수 과정은 미리 설정된 기준 급수 시간 동안 진행된다. 세탁기가 설치된 환경에 따라 시간 단위의 급수량은 차이가 발생하기 때문에, 세탁수를 충분히 공급하기 위해서는 기준 급수 시간이 충분히 긴 시간 동안 확보되어야 한다. 다만, 기준 급수 시간이 너무 길게 설정되며, 급수 과정의 문제점으로 인해서 급수가 불가능한 상태에서도 세탁기의 전원이 켜진 상태로 세탁 과정을 준비하여야 하는 단점이 생긴다.
또는 기준 급수 시간이 지나치게 짧게 설정되면, 급수 과정에 문제점이 없다고 할지라도 세탁물에 따라 급수량이 많이 소요되는 상황을 대처하지 못하고 급수 에러가 발생하는 문제점이 발생한다.
본 발명은 전술한 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 급수 시간을 효율적으로 조절할 수 있는 지능형 세탁기 및 이의 제어방법을 제공하기 위한 것이다.
또한, 본 발명은 세탁물에 따라 급수 시간을 조절함으로써 급수 에러 현상을 줄일 수 있는 지능형 세탁기 및 이의 제어방법을 제공하기 위한 것이다.
본 발명의 실시 예에 따른 지능형 세탁기의 제어방법은 세탁조에 안착된 세탁물에 대한 포 이미지를 획득하는 단계; 상기 포 이미지로부터 포 분류 정보를 추출하는 단계; 상기 포 분류 정보를 바탕으로 예상 급수 시간을 산출하는 단계; 및 상기 예상 급수 시간이 미리 설정된 기준 급수 시간을 초과할 경우 상기 기준 급수 시간을 연장하고, 연장된 상기 기준 급수 시간 동안 상기 세탁조에 급수를 공급하는 단계를 포함한다.
예상 급수 시간을 산출하는 단계는, 상기 포 분류 정보가 급수 에러 경력을 나타내는 에러 정보를 포함할 경우, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출하는 단계를 포함할 수 있다.
포 분류 정보를 추출하는 단계는, 상기 포 이미지에서 세탁물 객체를 추출하는 단계; 상기 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블에서, 상기 세탁물 객체에 대한 함수율 가중치를 검색하는 단계를 포함할 수 있다.
예상 급수 시간을 산출하는 단계는, 상기 포 이미지에 속한 상기 세탁물들의 상기 함수율 가중치의 합이 미리 설정된 임계치 이상일 경우에, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출하는 단계를 포함할 수 있다.
본 발명의 실시 예에 따른 지능형 세탁기의 제어방법은, 상기 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블을 마련하는 단계를 더 포함하고, 상기 세탁물 객체에 대한 상기 함수율 가중치는, 상기 세탁물 객체가 급수 에러를 유발한 포 이미지에 속한 정도에 비례하도록 설정될 수 있다.
세탁물 객체에 대한 상기 함수율 가중치를 설정하는 단계는, 1차 세탁 과정에서 제1 포 이미지를 획득하는 단계; 상기 1차 세탁 과정에서 급수 에러가 발생할 경우, 상기 제1 포 이미지에 에러 정보를 부여하는 단계; n차 세탁 과정에서 제n 포 이미지를 획득하는 단계; 상기 n차 세탁 과정에서 급수 에러가 발생할 경우, 상기 제n 포 이미지에 에러 정보를 부여하는 단계; 및 상기 세탁물 객체들 각각이 상기 에러 정보가 부여된 포 이미지에 속한 정도에 비례하도록 함수율 가중치를 설정하는 단계를 포함할 수 있다.
상기 함수율 가중치를 설정하는 단계는, 상기 제1 내지 제n 포 이미지들에 속한 세탁물 객체들 중에서, 서로 중복되는 중복 세탁물 객체, 및 서로 중복되지 않는 비중복 세탁물 객체들을 추출하는 단계; 및 상기 중복 세탁물 객체들이 상기 비중복 세탁물 객체들 보다 높은 함수율 가중치를 갖도록 상기 함수율 가중치를 부여하는 단계를 포함할 수 있다.
상기 제1 포 이미지 내지 상기 제n 포 이미지들은, 상기 세탁조 내에 안착된 상기 세탁물의 영상 이미지로부터 획득될 수 있다.
상기 제1 포 이미지 내지 상기 제n 포 이미지를 획득하는 단계들 각각은, 상기 세탁조를 텀블링하면서 복수의 이미지를 획득하는 단계를 포함할 수 있다.
상기 제1 포 이미지 내지 상기 제n 포 이미지들은, 상기 세탁조 외부에 배치된 의류함을 모니터링함으로써 획득될 수 있다.
상기 세탁물의 포 이미지 또는 상기 포 분류 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고, 상기 세탁물의 포 이미지 또는 상기 포 분류 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송될 수 있다.
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고, 상기 상기 세탁물의 포 이미지 또는 상기 포 분류 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있을 수 있다.
본 발명의 실시 예에 따른 지능형 세탁기는 세탁물이 안착되는 세탁조; 상기 세탁조 내부에 안착된 세탁물의 포 이미지를 획득하는 영상획득부; 세탁 명령에 응답하여, 기준 급수 시간 동안 상기 세탁조에 급수를 공급하도록 제어하는 급수 밸브; 및 상기 포 이미지로부터 포 분류 정보를 획득하고, 상기 포 분류 정보를 바탕으로 예상 급수 시간을 산출하며, 상기 예상 급수 시간이 상기 기준 급수 시간 이상일 경우, 상기 수 밸브가 상기 기준 급수 시간 이상의 기간 동안 급수를 공급하도록 제어하는 제어부를 포함한다.
제어부는 상기 포 분류 정보가 급수 에러 경력을 나타내는 에러 정보를 포함할 경우, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출할 수 있다.
제어부는 상기 포 이미지에서 세탁물 객체를 추출하고, 상기 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블에서, 상기 세탁물 객체에 대한 함수율 가중치를 검색할 수 있다.
제어부는 상기 포 이미지에 속한 상기 세탁물들의 상기 함수율 가중치의 합이 미리 설정된 임계치 이상일 경우에, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출할 수 있다.
본 발명에 의하면, 세탁물에 따라 급수 시간을 조절함으로써 급수 에러 현상을 줄일 수 있다.
또한, 본 발명에 의하면, 세탁물에 따라 급수 시간을 연장할 수 있기 때문에, 미리 지나치게 기준 급수 시간을 길게 설정할 필요가 없어서, 급수 문제가 발생한 상황에서 오랜 시간 동안 세탁기가 급수 상황을 살펴야 할 필요가 없다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4 및 도 5는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다.
도 6은 본 발명의 실시 예에 따른 지능형 세탁기의 구성을 나타내는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 8은 본 발명의 실시 예에 따른 지능형 세탁기 제어방법을 나타내는 순서도이다.
도 9는 본 발명의 실시 예에 따른 에러 정보를 부여하는 방법을 나타내는 순서도이다.
도 10은 본 발명의 다른 실시 예에 따른 세탁기 제어방법을 나타내는 순서도이다.
도 11은 본 발명의 실시 예에 따른 함수율 가중치를 부여하는 방법을 나타내는 순서도이다.
도 12는 본 발명의 또 다른 실시 예에 따른 세탁기 제어방법을 나타내는 순서도이다.
도 13은 본 발명의 실시 예에 따른 함수율 가중치를 부여하는 일례를 설명하는 도면이다.
도 14는 본 발명의 실시 예에 따른 포 이미지를 획득하는 방법을 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, 쪋}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
지능형 세탁기
도 4는 본 발명의 실시 예에 따른 지능형 세탁기의 외부 사시도를 나타내는 도면이고, 도 5는 본 발명의 실시 예에 따른 지능형 세탁기의 절단면도를 나타내는 도면이다. 도 6는 도 4 및 도 5에 도시된 세탁기의 주요 구성을 나타내는 블록도이다.
도 4 내지 도 6을 참조하면, 본 발명의 실시 예에 따른 세탁기(10)는 제어부(100), 하드웨어부(200), 센싱부(300), 사용자 인터페이스(400) 및 통신 인터페이스(500)를 포함한다.
제어부(100)는 사용자 인터페이스(400)를 통해서 입력되는 정보에 따라 하드웨어(200)를 제어함으로써, 세탁기(10) 전반의 구동을 제어한다.
특히, 제어부(100)는 영상획득부(310)를 통해서 획득되는 세탁물의 포 이미지를 바탕으로 세탁수를 공급하는 급수 시간을 조절할 수 있다.
하드웨어(200)의 동작을 제어한다. 보다 구체적으로 제어부(100)는 포 이미지로부터 포 분류 정보를 획득하고, 분류 정보를 바탕으로 예상 급수 시간을 산출하며, 예상 급수 시간이 기준 급수 시간 이상일 경우, 수 밸브가 기준 급수 시간 이상의 기간 동안 급수를 공급하도록 제어할 수 있다. 기준 급수 시간은 세탁 용량의 한계치에서 세탁을 원활히 진행할 수 있을 정도의 급수 공급을 위한 시간에 해당하며, 세탁조(210)의 용량 및 급수 공급을 위한 일반적인 배관 용량 등을 고려하여 미리 설정될 수 있다.
하드웨어(200)는 세탁조(210), 모터(220), 급수 밸브(230) 및 히터(240) 등을 포함할 수 있다.
세탁조(210)는 세탁수를 수용하는 외조(213), 및 외조(213)의 내측에 배치되어 세탁물이 안착되며 모터(220)로부터 제공받는 회전력을 이용하여 회전하는 내조(211)를 포함한다. 급수 밸브(230)는 세탁수의 공급을 제어한다. 히터(240)는 세탁조 내의 급수의 가열한다.
또한, 하드웨어(200)는 도 5에 도시된 바와 같이, 배수펌프(250), 벨로우즈(251), 배수호스(252), 및 에어챔버(261)를 포함한다. 배수펌프(250)는 세탁조(210) 내의 세탁수를 배수한다. 배수펌프(250)는 내조(211) 및 외조(213)의 하단에 구비되고, 벨로우즈(251)를 통해서 외조(213)와 연결되어, 내조(211) 및 외조(213)의 세탁수가 배수호스(252)를 통해서 외부로 배출되도록 한다.
센싱부(300)는 영상획득부(310) 및 수위감지부(320)를 포함한다.
영상획득부(310)는 내조(211)에 안착된 세탁물의 이미지를 획득한다. 영상획득부(310)는 2D 또는 3D 카메라 중에서 적어도 어느 하나를 이용할 수 있으며, 세탁기(10)의 덮개에 배치될 수 있다. 수위감지부(320)는 세탁조(210) 내에 공급된 세탁수을 감지한다. 특히, 수위감지부(320)는 세탁수가 기준 수위에 도달하는지 여부를 감지한다. 기준 수위는 세탁 진행이 원활히 진행될 수 있을 정도의 급수량으로 미리 설정될 수 있다.
사용자 인터페이스(400)는 전원 입력부(410), 시작 입력부(420), 코스 선택부(430), 옵션 선택부(440), 디스플레이부(450) 및 스피커(460)를 포함할 수 있다.
전원 입력부(410)는 세탁기의 메인 전원의 온/오프를 제어하기 위한 수단을 제공한다. 시작 입력부(420)는 세탁 과정, 헹굼 과정 또는 탈수 과정 등의 시작을 제어하기 위한 수단을 제공한다. 코스 선택부(430)는 세탁 과정, 헹굼 과정 또는 탈수 과정의 종류를 선택할 수 있는 수단을 제공한다. 옵션 선택부(440)는 세탁 과정, 헹굼 과정 또는 탈수 과정을 진행하기 위한 세부적인 옵션들을 선택할 수 있는 수단을 제공한다. 예를 들어, 옵션 선택부(440)는 물 온도, 시간, 예약 등의 옵션들을 선택하기 위한 수단이 될 수 있다. 디스플레이부(450)는 세탁기(10)의 동작 상태를 표시하거나, 사용자가 코스 선택부(430)를 통해서 선택한 코스 정보 또는 옵션 선택부(440)를 통해서 선택한 옵션 정보 등을 표시할 수 있다. 스피커(460)는 세탁기(10)의 동작 상태 또는 특정 이벤트에 대한 상황을 음성 신호로 출력한다. 특정 이벤트는 포 이미지를 바탕으로 포분산 제어 또는 RPM 제어와 상황이 될 수 있다.
통신 인터페이스(500)는 외부입력으로부터의 신호/데이터를 수신하는 구성뿐 아니라, 무선 통신을 위한 무선통신모듈(미도시)이나 방송신호의 튜닝을 위한 튜너(미도시)와 같은 다양한 부가적인 구성을 더 포함할 수 있다. 통신 인터페이스(500)는 외부장치로부터 신호를 수신하는 것 이외에도, 공기청정기의 정보/데이터/신호를 외부장치에 전송할 수도 있다. 즉, 통신 인터페이스(500)는 외부장치의 신호를 수신하는 구성으로만 한정할 수 없으며, 양방향 통신이 가능한 인터페이스(interface)로 구현될 수 있다. 통신 인터페이스(500)는 복수의 제어장치로부터 UI를 선택하기 위한 제어신호를 수신할 수 있다. 통신 인터페이스(500)는 무선랜 (WiFi), 블루투스(Bluetooth), IR(Infrared), UWB(Ultra Wideband), 지그비(Zigbee) 등 공지의 근거리 무선통신을 위한 통신모듈로 구성되거나, 3G, 4G, LTE, 5G 등의 이동통신 모듈로 구성될 수 있으며, 유선통신을 위한 공지의 통신포트로 구성될 수도 있다. 통신 인터페이스(500)는 UI를 선택하기 위한 제어신호 이외에, 디스플레이의 조작을 위한 명령, 데이터의 송수신 등 다양한 목적으로 활용될 수 있다.
도 7은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 7을 살펴보면, AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 4 및 도 5에 도시된 세탁기(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
AI 프로세싱은 도 4에 도시된 세탁기(10)의 제어부(100)와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 세탁기(10)는 세탁물 이미지 또는 포 분류 정보 또는 포 분산 정보를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다.
AI 장치(20)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 세탁기(10)의 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 세탁기(10)의 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다.
모델 학습부(24)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 세탁기(10)의 촬영수단을 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다. 예를 들어, 외부 전자 기기는 블루투스 장치, 자율주행 차량, 로봇, 드론, AR 기기, 모바일 기기, 가전 기기 등을 포함할 수 있다.
한편, 도 6에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
지능형 세탁기의 제어방법
도 8은 본 발명에 의한 세탁기의 제어방법을 나타내는 순서도이다.
도 8을 참조하면, 본 발명에 의한 세탁기의 제어방법은 제1 단계(S801)에서, 포 이미지를 획득한다. 세탁 시작 명령에 따라, 영상획득부(310)는 내조(211)에 안착된 세탁물의 이미지를 획득할 수 있다.
제2 단계(S802)에서, 포 이미지로부터 포 분류 정보를 추출한다.
제어부(100)는 포 이미지로부터 포 분류 정보를 추출할 수 있다. 포 분류 정보는 세탁물 각각에 대한 에러 정보 또는 함수율 정보를 포함한다. 제어부(100)는 세탁물의 이미지 또는 이미지의 특징점들을 미리 설정된 이미지 또는 특징점들과 비교하여, 세탁물의 종류, 재질 또는 함수율 정보를 획득할 수 있다. 후술하겠지만, 포 분류 정보는 포 이미지 및 급수 에러 발생 여부를 학습함으로써 업데이트될 수 있다.
제3 단계(S803) 및 제4 단계(S804)에서, 포 분류 정보를 바탕으로 예상 급수 시간을 산출한다. 그리고, 예상 급수 시간이 기준 급수 시간 이상인지를 판단한다. 예상 급수 시간은 물리적인 시간 단위일 필요는 없다. 제어부(100)는 포 분류 정보를 바탕으로 산출된 예상 급수 시간이 기준 급수 시간 이상인지 여부만을 판단할 수 있으면 무방한다.
제어부(100)는 예상 급수 시간을 산출하기 위해서, 포 분류 정보로부터 에러 정보 또는 함수율 가중치를 검색할 수 있다.
제어부(100)는 포 분류 정보가 에러 정보를 포함할 경우, 해당 포 이미지의 예상 급수 시간을 기준 급수 시간 이상인 것으로 판단할 수 있다. 에러 정보는 급수 에러 경력을 나타내는 것으로, 해당 포 이미지에 대응하는 세탁물이 내조(211)에 안착된 상태에서 급수를 진행하였을 경우에 에러가 발생하였다는 것을 나타낸다. 에러 발생 정보를 부여하는 방법은 도 9를 참조하여 후술하기로 한다.
제어부(100)는 포 분류 정보에 속한 세탁물 객체들의 함수율을 합산하고, 합산된 함수율이 미리 설정된 임계치 이상일 경우에 예상 급수 시간이 기준 급수 시간 이상이라고 판단할 수 있다. 함수율 가중치를 바탕으로 기준 급수 시간을 제어하는 구체적인 실시 예는 도 10을 참조하여 후술하기로 한다.
제5 단계(S805)에서, 예상 급수 시간이 기준 급수 시간 이상인 경우, 제어부(100) 기준 급수 시간을 연장하여 연장된 급수 시간 동안 급수를 진행한다. 즉, 제어부(100)는 세탁조(210)에 더 오랜 시간 동안 급수가 공급되도록 한다.
제6 단계(S806)에서, 예상 급수 시간이 기준 급수 시간 이상일 경우, 제어부(100)는 미리 설정된 기준 급수 시간으로 급수를 진행한다.
도 9는 본 발명의 실시 예에 따른 에러 정보를 부여하는 방법을 설명하는 순서도이다.
도 9를 참조하면, 제1 단계(S901)에서, 영상획득부(310)는 포 이미지를 획득한다. 포 이미지를 획득하는 방법은 도 8에 도시된 제1 단계(S801)와 동일한 방법을 이용할 수 있다.
제2 단계(S902)에서, 제어부(100)는 세탁 시작 명령에 응답하여 급수 동작을 진행한다.
제3 단계(S903)에서, 제어부(100)는 급수 오류가 발생하는지 여부를 판단한다. 급수 오류는 기준 시간 동안 세탁조(210)에 일정 수위까지 급수가 공급되지 못한 상황을 의미한다.
제4 단계(S904)에서, 급수 에러가 발생하였을 경우, 제어부(100)는 제1 단계(S901)에서 획득한 포 이미지에 에러 정보를 부여하고, 포 이미지와 에러 정보를 매칭하여 데이터베이스(미도시)에 저장한다.
제5 단계(S905)에서, 급수 에러가 발생하지 않았을 경우, 제어부(100)는 제1 단계(S901)에서 획득한 포 이미지에 패스 정보를 부여하고, 포 이미지와 패스 정보를 매칭하여 데이터베이스에 저장한다.
도 10은 본 발명의 다른 실시 예에 따른 세탁기 제어방법을 나타내는 순서도이다. 도 10은 함수율 가중치를 바탕으로 예상 급수 시간을 산출하는 방법에 관한 것이다.
도 10을 참조하면, 제1 단계(S1001)에서, 영상획득부(310)는 포 이미지를 획득한다. 포 이미지를 획득하는 방법은 도 8에 도시된 제1 단계(S801)와 동일한 방법을 이용할 수 있다.
또는, 포 이미지에서 세탁물 객체들을 분리하기 위해서, 영상획득부(310)는 다수의 포 이미지를 획득할 수 있다. 예를 들어, 내조(211)의 바닥면에 위치한 세탁물들은 한 번의 영상 촬영으로 확인되지 않을 수 있다. 이를 위해서, 제어부(100)는 세탁조(210)를 텀블링(tumbling)시킴으로써, 내조(211)에 배치된 세탁물들의 위치를 이동시킬 수 있다. 즉, 제어부(100)는 세탁조(210)를 텀블링시키면서, 영상획득부(310)를 이용하여 다수의 포 이미지를 획득할 수 있다.
제2 단계(S1002)에서, 포 이미지로부터 세탁물 객체의 함수율 가중치를 추출한다. 이를 위해서, 제어부(100)는 포 이미지로부터 세탁물 객체들을 추출할 수 있다. 세탁물 객체는 개별적인 세탁물을 지칭하며 단 벌의 의류가 될 수 있다. 또는 양말과 같이 쌍으로 구성되는 의류는 한 쌍이 하나의 세탁물 객체로 분류될 수 있다. 제어부(100)는 2D 또는 3D 영상으로부터 공지된 기술의 객체 추출 방법을 이용하여 분리될 수 있는 객체를 추출하고, 각각의 객체를 세탁물 객체로 구분할 수 있다.
제어부(100)는 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블을 검색하여, 각각의 세탁물 객체에 대한 함수율 가중치를 추출한다. 함수율 가중치는 세탁물 객체가 급수 에러를 유발한 포 이미지에 속한 정도에 비례하도록 설정된다.
제3 단계(S1003)에서, 제어부(100)는 세탁물 객체의 함수율 가중치 합과 미리 설정된 임계치를 비교한다. 다음의 [표 1]은 세탁물 객체들과 함수율 가중치가 매칭된 룩업 테이블의 일례를 나타내는 표이다.
세탁물 객체 함수율 가중치
a Wa
b Wb
c Wc
만약, 포 이미지로부터 추출된 세탁물 객체들이 "a", "b", "c"에 해당한다면, 제어부(100)는 룩업 테이블을 검색하여, 함수율 가중치의 합을 "Wa+Wb+Wc"로 연산할 수 있다. 그리고, 미리 설정된 임계 가중치가 "Wref"라고 한다면, 제어부(100)는 함수율 가중치의 합에 해당하는 "Wa+Wb+Wc"이 " Wref" 이상인지 여부를 판단한다.
제4 단계(S1004)에서, 함수율 가중치의 합이 임계 가중치 이상인 경우, 제어부(100)는 기준 급수 시간을 연장한다. 즉, 제어부(100)는 기준 급수 시간 보다 더 긴 시간 동안 급수를 공급한다.
제5 단계(S1005)에서, 함수율 가중치의 합이 임계 가중치 미만인 경우, 제어부(100)는 미리 설정된 기준 급수 시간 동안 급수를 제공한다.
도 11은 세탁물 객체와 함수율 가중치가 매칭되는 룩업 테이블을 설정하는 방법을 나타내는 순서도이다.
도 11을 참조하여 룩업 테이블을 설정하는 방법을 살펴보면 다음과 같다.
제1 단계(S1101)에서, 제1 내지 제n 포 이미지의 에러 정보를 부여하는 결정을 수행한다. 제1 포 이미지는 1차 세탁 과정에서 획득된 포 이미지를 지칭하고, 제n 포 이미지는 n차 세탁과정에서 획득된 포 이미지를 지칭한다. 즉, 제1 포 이미지 내지 제n 포 이미지들 각각은 앞선 실시 예들에서와 같은 방법을 통해서 획득될 수 있다.
제2 단계(S1102)에서, 제1 포 이미지 내지 제n 포 이미지들 각각으로부터 세탁물 객체를 추출한다. 제어부(100)는 제1 포 이미지에 속한 세탁물 객체들을 추출한다. 그리고, 제어부(100)는 제2 포 이미지에 속한 세탁물 객체들을 추출한다. 마찬가지로, 제어부(100)는 제n 포 이미지에 속한 세탁물 객체들을 추출한다.
제3 단계(S1103)에서, 제어부(100)는 포 이미지들 각각으로부터 추출된 세탁물 객체들에 대한 함수율 가중치를 부여한다. 제어부(100)는 에러 정보가 부여된 포 이미지에 속한 정도에 비례하도록 세탁물 객체에 함수율 가중치를 부여할 수 있다.
제4 단계(S1104)에서, 제어부(100)는 함수율 가중치가 매칭된 세탁물 객체들의 정보를 데이터베이스에 저장한다.
살펴본 바와 같이, 도 11에 도시된 순서도는 시간 흐름에 따른 순서에 한정되는 것이 아니다. 예를 들어, 제1 단계(S1101)와 제2 단계(S1102)는 병렬적으로 동시에 진행될 수 있다. 따라서, 제1 포 이미지를 획득하고, 제1 포 이미지들로부터 세탁물 객체를 추출할 수 있다. 이어서, 제2 포 이미지를 획득하고, 제2 포 이미지들로부터 세탁물 객체를 추출할 수도 있다.
마찬가지로 제3 단계(S1103) 또한 시간적 순서가 한정될 필요는 없다.
도 12는 본 발명의 다른 실시 에에 따른 세탁지 제어방법을 나타내는 순서도이다.
도 12를 참조하면, 제어부(100)는 세탁기(10)의 상태 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 제어부(100)는 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 통신부를 제어할 수 있다. AI 프로세싱된 정보는, 포 이미지 정보 및 에러 정보 등을 포함할 수 있다.
제어부(100)는 DCI에 기초하여 세탁기(10)로부터 포 이미지 정보 및 에러 정보를 네트워크로 전송할 수 있다. 포 이미지 정보 및 에러 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
구체적으로, 세탁기(10)는 이미지 정보 또는 특징값과 더불어 단락 정보를 5G 네트워크로 전송할 수 있다(S1200).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 이미지 정보에 기초하여 AI 프로세싱을 수행할 수 있다.
제어부(100)는 세탁기(10)가 세탁 과정 또는 탈수 과정에서 단락이 발생하였을 경우 단락 정보를 생성하고, 단락 정보를 5G 네트워크로 전송한다.
AI 시스템은, 세탁기(10)로부터 수신된 포 이미지 정보 또는 에러 정보들을 ANN 분류기에 입력할 수 있다(S1211). AI 시스템은 ANN 출력값을 분석하고(S1213), ANN 출력값으로부터 세탁물 객체에 대한 함수율 가중치를 산출할 수 있다. 그리고 급수 시간 제어정보를 생성한다(S1215).
5G 네트워크는 AI 시스템에서 판단한 급수시간 제어정보를 무선 통신부를 통해 세탁기(10)로 전송할 수 있다(S1220). 급수시간 제어정보는 함수율 가중치에 따라 기준 급수 시간을 유지할 것인지 또는 기준 급수 시간을 연장할 것인지에 대한 정보일 수 있다.
도 13은 함수율 가중치를 부여하는 실시 예를 설명하는 도면이다.
도 13에 도시된 함수율 가중치를 부여하는 방법은 도 11 및 도 12에 도시된 실시 에에 적용될 수 있다.
도 13을 참조하면, 제1 포 이미지(IMG1) 내지 제n 포 이미지(IMGn)들 각각은 세탁물 객체 정보(Ds) 및 에러 정보의 유무를 포함한다.
제1 포 이미지(IMG1)는 "a", "b", "c", "d"의 세탁물 객체들을 포함하고, 에러 정보를 갖는다. 제2 포 이미지(IMG2)는 "a", "b", "d", "f"의 세탁물 객체들을 포함하고, 에러 정보를 갖지 않는다. 제n 포 이미지(IMGn)는 "b", "c", "f", 'i"의 세탁물 객체들을 포함하고, 에러 정보를 갖는다.
제어부(100)는 제1 포 이미지(IMG1) 내지 제n 포 이미지(IMGn)들에 속한 세탁물 객체들 중에서 중복되는 중복 세탁물 객체와 중복되지 않는 비중복 세탁물 객체들을 추출한다. 그리고, 제어부(100)는 중복 세탁물 객체들이 비중복 세탁줄 객체들 보다 높은 함수율 가중치를 갖도록 설정할 수 있다.
예를 들어, 제1 포 이미지(IMG1)와 제2 포 이미지(IMG2)를 비교하면, 중복 세탁물 객체들은 "a", "b", "d" 이다. 그리고, 서로 중복되지 않는 비중복 세탁물 객체들은 "c"와 "f"이다. 제어부(100)는 세탁물 객체들의 함수율 가중치를 부여하는 과정에서, 에러 정보에 포함된 "c"에 대해서 "f" 보다 높은 함수율 가중치를 부여할 수 있다.
이와 같은 방식으로 다수의 포 이미지들에서 세탁물 객체들 간의 상대적 함수율 가중치를 연산함으로써, 전체 세탁물 객체들의 함수율 가중치를 부여할 수 있다.
도 14는 본 발명의 다른 실시 예에 따른 포 이미지를 획득하는 방법을 설명하는 도면이다.
도 14를 참조하면, 본 발명의 다른 실시 예는 포 이미지는 세탁기 외부에 배치된 의류함으로 모니터링함으로써 획득될 수도 있다.
예를 들어, 촬영장치(3)는 의류함(5) 등을 모니터링하여 포 이미지를 획득한다. 촬영장치(3)는 통신수단(미도시)을 통해서 세탁기(10)에 포 이미지를 전송하거나, 5G 네트워크 등에 포 이미지를 전송할 수 있다.
세탁기의 제어부(100)는 5G 네트워크의 프로세서는 촬영장치(3)로부터 제공받는 포 이미지에 해당하는 세탁물들이 급수 에러를 유발하였을 경우, 앞선 실시 예들을 바탕으로 해당 포 이미지에 급수 에러 정보를 부여하거나 함수율 가중치를 부여할 수 있다.
이벤트 알림
본 발명의 실시 예에서, 제어부(100)는 특정 이벤트가 발생하거나 세탁기(10)의 전반적인 동작 상태를 스피커(460)를 통해서 음성신호로 송출할 수 있다. 예를 들어, 제어부(100)는 도 9에 도시된 제3 단계(S903)에 해당하는 급수 오류 이벤트를 음성신호로 송출함으로써, 사용자에게 추가 조치를 취하도록 요구할 수 있다.
본 명세서에 기재된 구성들은 모든 면에서 제한적으로 해석되어서는 아니되고 예시 적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (16)

  1. 세탁조에 안착된 세탁물에 대한 포 이미지를 획득하는 단계;
    상기 포 이미지로부터 포 분류 정보를 추출하는 단계;
    상기 포 분류 정보를 바탕으로 예상 급수 시간을 산출하는 단계; 및
    상기 예상 급수 시간이 미리 설정된 기준 급수 시간을 초과할 경우 상기 기준 급수 시간을 연장하고, 연장된 상기 기준 급수 시간 동안 상기 세탁조에 급수를 공급하는 단계;
    를 포함하는 지능형 세탁기의 제어방법.
  2. 제 1 항에 있어서,
    상기 예상 급수 시간을 산출하는 단계는
    상기 포 분류 정보가 급수 에러 경력을 나타내는 에러 정보를 포함할 경우, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  3. 제 1 항에 있어서,
    상기 포 분류 정보를 추출하는 단계는,
    상기 포 이미지에서 세탁물 객체를 추출하는 단계;
    상기 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블에서, 상기 세탁물 객체에 대한 함수율 가중치를 검색하는 단계를 포함하는 것을 특징으로 하는 특징으로 하는 지능형 세탁기의 제어방법.
  4. 제 3 항에 있어서,
    상기 예상 급수 시간을 산출하는 단계는
    상기 포 이미지에 속한 상기 세탁물들의 상기 함수율 가중치의 합이 미리 설정된 임계치 이상일 경우에, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  5. 제 3 항에 있어서,
    상기 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블을 마련하는 단계를 더 포함하고,
    상기 세탁물 객체에 대한 상기 함수율 가중치는, 상기 세탁물 객체가 급수 에러를 유발한 포 이미지에 속한 정도에 비례하도록 설정되는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  6. 제 5 항에 있어서,
    상기 세탁물 객체에 대한 상기 함수율 가중치를 설정하는 단계는,
    1차 세탁 과정에서 제1 포 이미지를 획득하는 단계;
    상기 1차 세탁 과정에서 급수 에러가 발생할 경우, 상기 제1 포 이미지에 에러 정보를 부여하는 단계;
    n차 세탁 과정에서 제n 포 이미지를 획득하는 단계;
    상기 n차 세탁 과정에서 급수 에러가 발생할 경우, 상기 제n 포 이미지에 에러 정보를 부여하는 단계; 및
    상기 세탁물 객체들 각각이 상기 에러 정보가 부여된 포 이미지에 속한 정도에 비례하도록 함수율 가중치를 설정하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  7. 제 6 항에 있어서,
    상기 함수율 가중치를 설정하는 단계는,
    상기 제1 내지 제n 포 이미지들에 속한 세탁물 객체들 중에서, 서로 중복되는 중복 세탁물 객체, 및 서로 중복되지 않는 비중복 세탁물 객체들을 추출하는 단계; 및
    상기 중복 세탁물 객체들이 상기 비중복 세탁물 객체들 보다 높은 함수율 가중치를 갖도록 상기 함수율 가중치를 부여하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  8. 제 6 항에 있어서,
    상기 제1 포 이미지 내지 상기 제n 포 이미지를 획득하는 단계들 각각은,
    상기 세탁조 내에 안착된 상기 세탁물의 영상 이미지로부터 획득되는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  9. 제 8 항에 있어서,
    상기 제1 포 이미지 내지 상기 제n 포 이미지를 획득하는 단계들 각각은,
    상기 세탁조를 텀블링하면서 복수의 이미지를 획득하는 단계를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  10. 제 8 항에 있어서,
    상기 제1 포 이미지 내지 상기 제n 포 이미지를 획득하는 단계들 각각은,
    상기 세탁조 외부에 배치된 의류함을 모니터링하여 획득되는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  11. 제 1 항에 있어서,
    상기 세탁물의 포 이미지 또는 상기 포 분류 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고,
    상기 세탁물의 포 이미지 또는 상기 포 분류 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  12. 제 11 항에 있어서,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고,
    상기 상기 세탁물의 포 이미지 또는 상기 포 분류 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는 지능형 세탁기의 제어방법.
  13. 세탁물이 안착되는 세탁조;
    상기 세탁조 내부에 안착된 세탁물의 포 이미지를 획득하는 영상획득부;
    세탁 명령에 응답하여, 기준 급수 시간 동안 상기 세탁조에 급수를 공급하도록 제어하는 급수 밸브; 및
    상기 포 이미지로부터 포 분류 정보를 획득하고, 상기 포 분류 정보를 바탕으로 예상 급수 시간을 산출하며, 상기 예상 급수 시간이 상기 기준 급수 시간 이상일 경우, 상기 수 밸브가 상기 기준 급수 시간 이상의 기간 동안 급수를 공급하도록 제어하는 제어부를 포함하는 지능형 세탁기.
  14. 제 13 항에 있어서,
    상기 제어부는
    상기 포 분류 정보가 급수 에러 경력을 나타내는 에러 정보를 포함할 경우, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출하는 것을 특징으로 하는 지능형 세탁기.
  15. 제 13 항에 있어서,
    상기 제어부는
    상기 포 이미지에서 세탁물 객체를 추출하고, 상기 세탁물 객체에 대한 함수율 가중치가 저장된 룩-업 테이블에서, 상기 세탁물 객체에 대한 함수율 가중치를 검색하는 것을 특징으로 하는 지능형 세탁기.
  16. 제 15 항에 있어서,
    상기 제어부는
    상기 포 이미지에 속한 상기 세탁물들의 상기 함수율 가중치의 합이 미리 설정된 임계치 이상일 경우에, 상기 예상 급수 시간을 상기 기준 급수 시간 이상으로 산출하는 것을 특징으로 하는 지능형 세탁기.
PCT/KR2019/008678 2019-07-12 2019-07-12 지능형 세탁기 및 이의 제어방법 WO2021010504A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/008678 WO2021010504A1 (ko) 2019-07-12 2019-07-12 지능형 세탁기 및 이의 제어방법
US16/490,052 US20210332519A1 (en) 2019-07-12 2019-07-12 Intelligent washing machine and control method thereof
KR1020190103593A KR20190104948A (ko) 2019-07-12 2019-08-23 지능형 세탁기 및 이의 제어방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/008678 WO2021010504A1 (ko) 2019-07-12 2019-07-12 지능형 세탁기 및 이의 제어방법

Publications (1)

Publication Number Publication Date
WO2021010504A1 true WO2021010504A1 (ko) 2021-01-21

Family

ID=67949346

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/008678 WO2021010504A1 (ko) 2019-07-12 2019-07-12 지능형 세탁기 및 이의 제어방법

Country Status (3)

Country Link
US (1) US20210332519A1 (ko)
KR (1) KR20190104948A (ko)
WO (1) WO2021010504A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113529341B (zh) * 2020-04-21 2024-01-02 合肥海尔洗衣机有限公司 用于洗涤设备的进水量确定方法和洗涤设备
US11982035B2 (en) * 2020-11-16 2024-05-14 Haier Us Appliance Solutions, Inc. Method of using image recognition processes for improved operation of a laundry appliance

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140073197A (ko) * 2012-12-06 2014-06-16 삼성전기주식회사 이미지 인식을 이용한 세탁기 및 그 구동방법
US20170009390A1 (en) * 2014-03-10 2017-01-12 Lg Electronics Inc. Control device for washing machine and method therefor
KR20170090162A (ko) * 2016-01-28 2017-08-07 엘지전자 주식회사 세탁장치 및 제어방법
KR20190010507A (ko) * 2017-07-21 2019-01-30 엘지전자 주식회사 무선 통신 시스템에서 채널 상태 정보 참조 신호를 송수신하는 방법 및 이를 위한 장치
KR20190082695A (ko) * 2019-06-21 2019-07-10 엘지전자 주식회사 복합센서를 이용한 세탁조 오염 감지 방법, 장치 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140073197A (ko) * 2012-12-06 2014-06-16 삼성전기주식회사 이미지 인식을 이용한 세탁기 및 그 구동방법
US20170009390A1 (en) * 2014-03-10 2017-01-12 Lg Electronics Inc. Control device for washing machine and method therefor
KR20170090162A (ko) * 2016-01-28 2017-08-07 엘지전자 주식회사 세탁장치 및 제어방법
KR20190010507A (ko) * 2017-07-21 2019-01-30 엘지전자 주식회사 무선 통신 시스템에서 채널 상태 정보 참조 신호를 송수신하는 방법 및 이를 위한 장치
KR20190082695A (ko) * 2019-06-21 2019-07-10 엘지전자 주식회사 복합센서를 이용한 세탁조 오염 감지 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20190104948A (ko) 2019-09-11
US20210332519A1 (en) 2021-10-28

Similar Documents

Publication Publication Date Title
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2021085778A1 (ko) 지능형 세탁기
WO2021010505A1 (ko) 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
WO2020246649A1 (ko) 엣지 컴퓨팅 디바이스에서 음성 인식 방법
WO2019190036A1 (ko) 무선 통신 시스템에서 신경망 기반의 송신전력 제어 방법 및 장치
WO2020145701A1 (en) Method and apparatus for transmitting and receiving a signal in a wireless communication system
WO2020032730A1 (ko) 무선 통신 시스템에서 단말의 측정 성능을 향상시키기 위한 방법 및 이를 위한 장치
WO2020067820A1 (ko) 협대역 무선 통신 시스템에서 데이터를 송수신하는 방법 및 시스템
WO2020067822A1 (ko) Nb-iot를 지원하는 무선 통신 시스템에서 피드백을 송수신하는 방법 및 시스템
WO2020251067A1 (ko) 인공 지능형 냉장고 및 이의 식품 보관 방법
WO2020032733A1 (ko) 무선 통신 시스템에서 제어 정보를 송수신하기 위한 방법 및 이를 위한 장치
WO2021010504A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2021015301A1 (ko) 지능형 세탁기와 그 제어방법
KR20190108086A (ko) 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스
WO2020032736A1 (ko) Lte mtc 하향링크 제어채널의 송신 및 수신 성능 향상 방법 및 이를 위한 장치
WO2020262737A1 (ko) 지능형 로봇 청소기
WO2021020633A1 (ko) 인공 지능형 의류 처리 장치와 그 구동방법
WO2020105833A1 (ko) 차세대 통신 시스템에서 릴레이 노드를 위한 자원 할당 방법 및 이를 위한 장치
WO2020032507A1 (ko) 비면허 대역에서 무선 링크 모니터링을 위한 참조 신호를 송수신하는 방법 및 이를 위한 장치
WO2020197125A1 (en) Method and apparatus for performing measurement in wireless communication system
WO2021149879A1 (ko) 피접촉면의 재질에 따른 청소로봇 제어방법
WO2020138856A1 (en) Method and apparatus for cell reselection in wireless communication system
US20200024788A1 (en) Intelligent vibration predicting method, apparatus and intelligent computing device
KR20210062955A (ko) 사용자인식에 기반한 디바이스의 제어

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: 19937653

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: 19937653

Country of ref document: EP

Kind code of ref document: A1