WO2021020633A1 - 인공 지능형 의류 처리 장치와 그 구동방법 - Google Patents

인공 지능형 의류 처리 장치와 그 구동방법 Download PDF

Info

Publication number
WO2021020633A1
WO2021020633A1 PCT/KR2019/009634 KR2019009634W WO2021020633A1 WO 2021020633 A1 WO2021020633 A1 WO 2021020633A1 KR 2019009634 W KR2019009634 W KR 2019009634W WO 2021020633 A1 WO2021020633 A1 WO 2021020633A1
Authority
WO
WIPO (PCT)
Prior art keywords
clothing
user
information
optimal
input factors
Prior art date
Application number
PCT/KR2019/009634
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 US16/490,058 priority Critical patent/US11591736B2/en
Priority to PCT/KR2019/009634 priority patent/WO2021020633A1/ko
Priority to KR1020190103595A priority patent/KR20190104949A/ko
Publication of WO2021020633A1 publication Critical patent/WO2021020633A1/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
    • 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
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • 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
    • D06F35/00—Washing machines, apparatus, or methods not otherwise provided for
    • 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
    • D06F58/00—Domestic laundry dryers
    • D06F58/30—Drying processes 
    • 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
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • D06F2101/00—User input 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
    • D06F2101/00—User input for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2101/20—Operation modes, e.g. delicate laundry washing programs, service modes or refreshment 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
    • 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
    • D06F2103/28—Air properties
    • D06F2103/32—Temperature
    • 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
    • D06F2103/28—Air properties
    • D06F2103/34—Humidity
    • 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
    • D06F2105/52—Changing sequence of operational steps; Carrying out additional operational steps; Modifying operational steps, e.g. by extending duration of steps
    • 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
    • D06F73/00—Apparatus for smoothing or removing creases from garments or other textile articles by formers, cores, stretchers, or internal frames, with the application of heat or steam 
    • D06F73/02—Apparatus for smoothing or removing creases from garments or other textile articles by formers, cores, stretchers, or internal frames, with the application of heat or steam  having one or more treatment chambers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present invention relates to an artificial intelligent clothing processing apparatus and a driving method thereof.
  • the laundry treatment device refers to a device that cleans clothes (removes dust, wrinkles, odors, and dries) by applying dry air or steam to clothes accommodated in a treatment room.
  • the clothes handling apparatus provides steam, drying, and moving hangers to clothes, so that clothes can be easily and efficiently reproduced.
  • the laundry treatment apparatus prepares a plurality of management courses related to the clean process in advance, and performs a laundry treatment operation according to the management course selected by the user.
  • a management course it is difficult for the user to know how much the clothing to be treated has been affected by the external environment. Therefore, it is impossible for the user to select an optimal management course related to the clothing treatment.
  • the present invention aims to solve the above-described problems.
  • An object of the present invention is an artificial intelligent clothing processing device capable of maximizing a clothing treatment effect by automatically setting an optimal clothing management course based on a result of a comprehensive determination of external environmental factors that may affect clothing And its driving method.
  • a clothing processing apparatus includes: a communication unit configured to receive big data on external environment information that may affect clothing and life log data including activity information of a user who wears the clothing; A control unit for automatically setting an optimum clothing management course for the clothing based on input factors including the big data and the life log data; And a driving unit that operates in accordance with the optimal clothing management course to clean the clothing.
  • a method of driving a clothing processing device receives big data on external environment information that may affect clothing and life log data including activity information of a user wearing the clothing. The step of doing; Automatically setting an optimal clothing management course for the clothing based on input factors including the big data and the life log data; And cleaning the clothes by operating in accordance with the optimal clothes management course.
  • an optimal clothing management course for clothing is automatically performed based on big data on external environment information that may affect clothing and life log data including activity information of a user wearing clothing.
  • the present invention can accurately determine the change in the state of the clothing according to the user's actual use environment, and automatically set an optimal clothing management course based on the determined result, thereby maximizing the clothing treatment effect.
  • the present invention automatically sets the optimal clothing management course by combining at least two previously stored clothing management courses based on the weight processing result of big data and life log data, the personalized clothing management course is more accurate and It can be set easily.
  • the error rate for the course setting can be reduced by further taking into account the time history in setting the optimal clothing management course.
  • the present invention can significantly reduce an error rate for course setting by constructing a learning model for each of a plurality of users in connection with setting a personalized clothing management course, and reflecting life log data for each user in the learning model.
  • the present invention may increase user satisfaction by further taking into account a preset user profile in setting an optimal clothing management course.
  • 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 is a diagram illustrating an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • FIG. 4 is an exemplary diagram of a clothes handling system including a clothes handling apparatus according to an embodiment of the present invention.
  • FIG. 5 is a front view showing a door of the laundry treatment apparatus according to an embodiment of the present invention in an open state.
  • FIG. 6 is a diagram schematically showing a clothing treatment apparatus according to an embodiment of the present invention.
  • FIG. 7 is a schematic block diagram of a laundry treatment apparatus according to an embodiment of the present invention.
  • FIG 8 is an exemplary view showing a control panel provided in the laundry treatment apparatus according to an embodiment of the present invention.
  • FIG. 9 is a block diagram illustrating an example configuration of the AI device of FIG. 7.
  • FIG. 10 is a diagram illustrating input factors and a user profile that are the basis for setting an optimal clothing management course in the clothing processing apparatus according to an embodiment of the present invention.
  • FIG. 11 is a diagram illustrating examples of combining at least two pre-stored clothing management courses based on a result of weighting input factors in the clothing processing apparatus according to an exemplary embodiment of the present invention.
  • FIG. 12 is a diagram illustrating examples of applying weights to time histories in the laundry treatment apparatus according to an embodiment of the present invention.
  • FIG. 13 and 14 are diagrams for explaining an example of a user input for automatic setting in the laundry treatment apparatus according to an embodiment of the present invention.
  • 15 and 16 are views for explaining a method of driving a laundry treatment apparatus 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 device for hearing aid or a procedure.
  • 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 Tx beam sweeping process of the BS 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 DCI format 2_1 for a 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 an exemplary diagram of a clothes handling system including a clothes handling apparatus according to an embodiment of the present invention.
  • a clothes handling system 1 may include a clothes handling apparatus 100, a user portable terminal 200, a server 300, and a communication network 400. .
  • the clothes treatment apparatus 100 removes soil contamination from clothes by applying water into a treatment chamber (110 in FIG. 2) in which clothes are accommodated, or drys wet clothes by applying dry air, or blows air or applies steam to remove clothes. It can be refreshed (for example, to remove wrinkles or odors).
  • the laundry treatment apparatus 100 is configured to apply dry air into the treatment chamber, and provides an air circulation system (not shown) that circulates the air discharged from the treatment chamber along a circulation flow path formed outside the treatment chamber, and then supplies it back into the treatment chamber. Can be equipped.
  • the laundry treatment apparatus 100 may include a heat pump on a circulation passage, and after heating, cooling, or dehumidifying circulating air by the heat pump according to a selected driving course, it may be supplied to the processing chamber.
  • the clothing treatment apparatus 100 may provide a function of dehumidifying the treatment room by utilizing a drying function. By allowing the drying function to be performed with the door open, indoor air flows into the circulation flow path through the treatment room and enters the heat pump. By the dehumidified, the air thus dehumidified can be discharged back into the room through the processing chamber.
  • the clothing processing device 100 receives big data on external environment information that may affect clothing from the server 300 through the communication network 400, and a life log including activity information of a user wearing the clothing (life log) data may be received from the user's portable terminal 200 through the communication network 400.
  • the clothing processing apparatus 100 In response to input of a user command for automatic course setting, the clothing processing apparatus 100 automatically determines an optimal clothing management course for the user's clothing based on input factors including big data and life log data related to the user. Can be set to At this time, the clothing processing apparatus 100 recognizes a plurality of pre-stored clothing management courses set in advance, and combines at least two pre-stored clothing management courses based on a weight processing result for the input factors to manage the optimal clothing. The course can be set automatically.
  • the clothes processing apparatus 100 may further refer to time histories of the input factors and a user profile in automatically setting an optimal clothes management course. The clothes processing apparatus 100 may individually set the optimal clothes management course for each of a plurality of users in setting the optimal clothes management course based on input factors.
  • a user command for automatic course setting may be input to the clothes processing apparatus 100 in various ways.
  • the clothing processing apparatus 100 recognizes a corresponding user from among a plurality of registered users through at least one user recognition method among a menu input-based user recognition method, a voice-based user recognition method, and a vision-based user recognition method. And, it is possible to automatically set an optimal clothing management course suitable for the state of clothing of the marine user.
  • the clothing processing apparatus 100 In order to automatically set an optimal clothing management course suitable for each user's clothing state, the clothing processing apparatus 100 individually constructs a learning model for input factors for each of the plurality of users, and corresponds to a learning model for each user. The user's life log data, time histories, and user profiles can be reflected. In constructing such a weight application-based learning model, the clothing processing apparatus 100 may utilize a pretrained deep neural network model.
  • a display unit 150 for user recognition based on a menu input and a sensor unit 160 for user recognition based on voice and/or vision may be installed on the front of the clothing processing apparatus 100.
  • the clothing processing apparatus 100 may be connected to the user's portable terminal 200 and the server 300 through a communication network 400.
  • the communication network 400 may utilize the 5G communication technology described above, but is not limited thereto.
  • the user's portable terminal 200 After the user's portable terminal 200 generates light log data based on at least one or more of location information for the user, surrounding image information based on the user's location, and ambient sound information based on the user's location, , It may be transmitted to the clothing processing apparatus 100 through the communication network 400.
  • the life log data includes information on the location where the user is located, information on the air pollution level of the location where the user is located, information on the user's transportation means, information on the exposure time of the user on the external environment, and information on the user's activity. It may include at least two or more.
  • the user portable terminal 200 may be provided with a service for driving or controlling the clothing processing device 100 through an authentication process after accessing the clothing processing device driving application or the clothing processing device driving site.
  • the user portable terminal 200 that has completed the authentication process may drive the clothes processing apparatus 100 and control the operation of the clothes processing apparatus 100.
  • the user's portable terminal 200 is a desktop computer operated by a user, a smartphone, a notebook computer, a tablet PC, a smart TV, a mobile phone, a personal digital assistant (PDA), a laptop, a media player, a micro server, and a global positioning system (GPS) device. , E-book terminals, digital broadcasting terminals, navigation, kiosks, MP3 players, digital cameras, home appliances, and other mobile or non-mobile computing devices, but are not limited thereto.
  • the user terminal 200 may be a wearable terminal such as a watch, glasses, hair band, and ring having a communication function and a data processing function.
  • the user portable terminal 200 is not limited to the above-described contents, and a terminal capable of web browsing may be applied without limitation.
  • the server 300 may include a weather server that transmits big data on external environment information that may affect clothing to the clothing processing apparatus 100 through the communication network 400.
  • the big data may include seasonal information and weather information about temperature and humidity.
  • the server 300 may be a database server that provides big data required to apply various artificial intelligence algorithms and data for operating the clothing processing apparatus 100.
  • the server 300 is a web server that enables remote control of the operation of the clothing processing device 100 using a clothing processing device driving application installed in the user's portable terminal 200 or a clothing processing device driving web browser. It may include an application server.
  • AI artificial intelligence
  • AI is a field of computer engineering and information technology that studies how computers can do the thinking, learning, and self-development that can be done with human intelligence. It could mean being able to imitate intelligent behavior.
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science. In particular, in modern times, attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • Machine learning is a branch of artificial intelligence, which can include a field of research that gives computers the ability to learn without explicit programming. Specifically, machine learning can be said to be a technology that studies and builds a system that learns based on empirical data, performs prediction, and improves its own performance, and algorithms for it. Machine learning algorithms can take a way to build specific models to derive predictions or decisions based on input data, rather than executing strictly defined static program instructions.
  • the network 400 may serve to connect the clothing processing apparatus 100, the user portable terminal 200, and the server 300.
  • Such networks 400 include wired networks such as LANs (local area networks), WANs (wide area networks), MANs (metropolitan area networks), ISDNs (integrated service digital networks), and wireless LANs, CDMA, Bluetooth, and satellite communications.
  • wired networks such as LANs (local area networks), WANs (wide area networks), MANs (metropolitan area networks), ISDNs (integrated service digital networks), and wireless LANs, CDMA, Bluetooth, and satellite communications.
  • a wireless network such as, etc. may be covered, but the scope of the present invention is not limited thereto.
  • the network 400 may transmit and receive information using short-range communication and/or long-distance communication.
  • short-range communication may include Bluetooth, radio frequency identification (RFID), infrared data association (IrDA), ultra-wideband (UWB), ZigBee, and wireless fidelity (Wi-Fi) technologies
  • RFID radio frequency identification
  • IrDA infrared data association
  • UWB ultra-wideband
  • ZigBee wireless fidelity
  • Communication may include code division multiple access (CDMA), frequency division multiple access (FDMA), time division multiple access (TDMA), orthogonal frequency division multiple access (OFDMA), single carrier frequency division multiple access (SC-FDMA).
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • Network 400 may include a connection of network elements such as hubs, bridges, routers, switches and gateways.
  • Network 400 may include one or more connected networks, such as a multi-network environment, including a public network such as the Internet and a private network such as a secure corporate private network. Access to network 400 may be provided through one or more wired or wireless access networks.
  • the network 400 may support an Internet of Things (IoT) network and/or 5G communication that exchanges and processes information between distributed components such as objects.
  • IoT Internet of Things
  • FIG. 5 is a front view showing a door of the laundry treatment apparatus according to an embodiment of the present invention in an open state.
  • Fig. 6 is a diagram schematically showing a clothing treatment apparatus according to an embodiment of the present invention.
  • the clothing treatment apparatus 100 includes a cabinet 101 forming a treatment chamber 110 in which clothes are accommodated, and a door rotatably coupled to the cabinet 101 to open and close the treatment chamber 110. (102) may be included.
  • the front of the treatment chamber 110 may be opened so that clothes may be put into the interior.
  • An opening (not shown) is formed in the front surface of the cabinet 101, and the processing chamber 110 may be formed by a space recessed from the opening to the rear.
  • the door 102 is rotatably coupled to one side of the cabinet 101 and can open and close the open front of the processing chamber 110.
  • the rear surface of the door 102 is in close contact with the front surface of the cabinet 101 (ie, a portion around the opening), and airtightness of the processing chamber 110 may be maintained.
  • a sealer that hermetically seals the processing chamber 110 may be interposed between the door 102 and the cabinet 101.
  • a hanger rod 112 may be provided in the processing chamber 110.
  • a hanger (not shown) in which clothes are inserted may be caught by the hanger rod 112.
  • the hanger rod 112 may be configured to enable a reciprocating movement left and right.
  • An electric drive mechanism (not shown) for automatically reciprocating the hanger rod 112 left and right according to a pre-programmed driving algorithm may be further provided.
  • the electric drive mechanism may include an electric motor (not shown) and a power transmission mechanism (not shown) for reciprocating the hanger rod 112 by converting a driving force of the motor.
  • the power transmission mechanism may be configured in various ways, including a crank, a rack and a pinion, and a cam.
  • the processing chamber 110 may be defined as a space limited by the inner surface of the cabinet 101.
  • An airflow inlet 113, an airflow outlet 114, and a steam outlet 115 may be formed on the inner side of the cabinet 101.
  • the inner surface of the cabinet 101 includes an upper surface (111U), a lower surface (111B), a left surface (111L), a right surface (111R) and a rear surface (111RE), and the lower surface (111B) of the processing chamber (110). It may include a horizontal surface 111H extending horizontally from the entrance to the rear, and an inclined surface 111I that is inclined upwardly from the horizontal surface 111H and connected to the rear surface 111B.
  • the inner surface of the cabinet 101 may be configured in various forms.
  • a machine room 120 may be formed below the processing room 110, and a heat pump 121, a blowing fan 122, a steam generator 123, and the like may be disposed in the machine room 120.
  • the heat pump 121 may dehumidify the air introduced from the treatment chamber 110 through the airflow inlet 113, and may lead to the treatment chamber 110 again through the airflow discharge port 114.
  • the present invention is not limited thereto, and the heat pump 121 may also serve as a function of supplying high-temperature dry air for drying clothes in the treatment chamber 110 by controlling the compressor () to be described later in an appropriate manner.
  • the circulation passage 124 may be configured to guide the air introduced through the airflow inlet 113 to the airflow outlet 114. It may be blown by the blowing fan 122 and discharged into the processing chamber 110 through the airflow discharge port 114.
  • the air in the processing chamber 110 can be purified along the circulation passage 124.
  • outside air flows into the treatment chamber 110 and flows into the air flow inlet 113, is transported along the circulation flow path 124, is discharged through the air flow discharge port 114, and is discharged. Part of the air may be discharged to the outside through the open front of the processing chamber 110.
  • the heat pump 121 absorbs heat from the air introduced into the circulation flow path 124 through the air flow inlet 113 from the processing chamber 110 in the process of circulating the refrigerant, and uses the absorbed heat to the air flow discharge port 114
  • the air before discharge can be heated through
  • the heat pump 121 may include an evaporator 126, a compressor 127, an expansion valve 128, and a condenser 129 connected through a refrigerant pipe 125 through which a refrigerant as a working fluid is circulated.
  • the evaporator 126 may include a heat exchanger including a tube having a fine diameter connected to the refrigerant pipe 125 and heat transfer plates of thermal conductivity through which heat is transferred between the tubes.
  • the evaporator 126 is provided on the circulation flow path 124 and may absorb heat from the circulation airflow.
  • the evaporator 126 absorbs heat from the airflow discharged from the processing chamber 110 (that is, the air introduced into the circulation flow path 124 through the airflow inlet 113), and the absorbed heat is transferred to the refrigerant in the tube.
  • the refrigerant may be evaporated. At this time, moisture in the air may be condensed while passing through the evaporator 126.
  • a condensate discharge pump 130 for discharging condensed water from the circulation passage 124 may be provided. The condensed water discharged through the condensate discharge pump 130 may be collected in the drain container 116.
  • the compressor 127 may compress the refrigerant that has passed through the evaporator 126.
  • the compressor 127 may be an inverter compressor capable of changing the number of revolutions (or compression capacity), but is not limited thereto.
  • the inverter compressor can change the compression capacity through the control of the number of revolutions, and thus the amount of heat generated by the condenser 129 can be controlled.
  • the inverter compressor uses DC power as a power source, and for this purpose, a driver (not shown) for converting AC power to DC power and converting it to a target frequency may be further provided.
  • the condenser 129 may have substantially the same configuration as the evaporator 126, but, as opposed to the evaporator 126, may condense the refrigerant. That is, the refrigerant compressed by the compressor 127 is condensed while passing through the condenser 129, and heat may be released to the surroundings during this process.
  • the condenser 129 may be located downstream of the evaporator 126 on the circulation passage 124. The air whose humidity is lowered while passing through the evaporator 126 may be heated this time while passing through the condenser 129.
  • the condenser 129 may act as a heater for heating the circulating air.
  • the refrigerant which has been deprived of heat by the circulation air while passing through the condenser 129, is filled while passing through the expansion valve 9128, and then flows back into the evaporator 126, thereby forming a refrigerant circulation circuit.
  • the drain container 116 may be detachably installed in the cabinet 101 to facilitate condensate treatment. After separating the drainage canister 116 from the cabinet 101, the user can discard the condensed water collected therein.
  • the water supply container 117 may contain water required to generate steam. Water from the water supply tank 117 may be supplied to the steam generator 123 and used to generate steam. To facilitate water replenishment, the water supply tank 117 may be detachably installed in the cabinet 101. The user can separate the water supply container 117 and fill it with water.
  • a door sensor 131 for detecting whether the door 102 is opened or closed may be further provided.
  • the controller 190 may determine whether the door 102 is opened or closed based on an output value of the door sensor 131.
  • the door sensor 131 may include a lead switch provided in either the cabinet 101 or the door 102, and a magnet provided in the other one of the cabinet 101 or the door 102. . Depending on the position of the door 102, the magnitude of the magnetic force acting on the reed switch by the magnet varies, and accordingly, the circuit connected to the reed switch may be opened or shorted.
  • the controller 190 may determine that the door 102 is in a closed state. Conversely, when the door 102 is open, since the signal applied to the control unit 190 is blocked, it can be determined that the door 102 is open.
  • the present invention is not limited thereto, and the door sensor 131 may be implemented in various ways.
  • a latch (not shown) is provided on the door 102, and a door lock is engaged in the cabinet 101 to lock the door 102 while the door 102 is closed.
  • a switch (not shown) contacted by a latch may be provided on the door lock.
  • the switch may be a door sensor 131 that detects opening and closing of the door 102.
  • FIG. 7 is a schematic block diagram of a laundry treatment apparatus according to an embodiment of the present invention.
  • 8 is an exemplary view showing a control panel provided in the laundry treatment apparatus according to an embodiment of the present invention.
  • FIG. 9 is a block diagram showing an example configuration of the AI device of FIG. 7.
  • a clothing processing apparatus 100 includes a communication unit 140, a display unit 150, a sensor unit 160, an AI device unit 180, and a control unit 190. can do.
  • the communication unit 140 may interwork with the network 400 to provide a communication interface necessary to provide a transmission/reception signal between the clothing processing device 100, the user portable terminal 200 and/or the server 300 in the form of packet data. .
  • the communication unit 140 may support various intelligent communication of things (internet of things (IoT), internet of everything (IoE), internet of small things (IoST), etc.)), and machine to machine (M2M) communication, V2X ( vehicle to everything communication) communication, device to device (D2D) communication, etc. may be supported.
  • IoT internet of things
  • IoE internet of everything
  • IoST internet of small things
  • M2M machine to machine
  • V2X vehicle to everything communication
  • D2D device to device
  • the display unit 150 may display an operating state of the laundry treatment apparatus 100 under the control of the controller 190.
  • the display unit 150 may include an operation mode control panel 151 as shown in FIG. 8.
  • the operation mode control panel 151 includes a power setting unit 152 for setting power on/off, a course setting unit 153 for selecting various preset clothes management courses, and a selected clothing.
  • An execution/stop selection unit 154 capable of selecting execution/stop of an operation according to a management course, and a status display unit 155 displaying an operating state of the laundry treatment apparatus 100 may be included.
  • the display unit 150 may further include an automatic course item (refer to FIG. 13) that is a user input menu in order to implement an automatic setting function.
  • the display unit 150 may perform a function of an input unit receiving a predetermined control command so that the user can control the overall operation of the clothing processing apparatus 100 in addition to a function of displaying various types of information.
  • the display unit 150 may be configured with a touch-sensitive display controller or various input/output controllers.
  • the touch-sensitive display controller may provide an output interface and an input interface between the device and the user.
  • the touch-sensitive display controller may transmit/receive electrical signals to and from the controller 190.
  • the touch-sensitive display controller displays a visual output to the user, and the visual output may include text, graphics, images, video, and combinations thereof.
  • the display unit 150 may be, for example, a predetermined display member such as an OLED (organic light emitting display) capable of touch recognition, a liquid crystal display (LCD), or a light emitting display (LED).
  • the display unit 150 may further include an audio output unit (not shown) that outputs all displayed information as an audio signal.
  • the audio output unit outputs notification messages such as warning sound, operation mode, operation status, and error status, information corresponding to the user's voice command, and processing results corresponding to the user's voice command as audio under the control of the control unit 190 can do.
  • the audio output unit may convert an electrical signal from the controller 190 into an audio signal and output it.
  • the clothing treatment apparatus 100 may include a speaker (not shown).
  • the clothing processing apparatus 100 may further include an audio input unit (not shown).
  • the audio input unit may receive a user's voice spoken toward the clothing processing apparatus 100 under the control of the controller 190.
  • the clothing processing apparatus 100 may include a plurality of microphones.
  • each of the plurality of microphones may be arranged to be spaced apart from each other, and the received user's spoken voice may be processed as an electrical signal.
  • the sensor unit 160 may be implemented as a vision sensor, a voice recognition sensor, or the like.
  • the vision sensor captures a subject in the photographing area using a complementary metal-oxide semiconductor (COMS) module (not shown) or a charge coupled device (CCD) module (not shown) capable of photographing the outer periphery of the clothing processing device 100
  • the camera may be a PTZ camera having a pan/tilt/zoom function.
  • an image signal processing unit (not shown) is provided to reduce noise for captured image frames, gamma correction, color filter array interpolation, and color matrix. matrix), color correction, color enhancement, and the like may perform image signal processing for image quality improvement.
  • the image signal processor may functionally perform color processing, blur processing, edge enhancement processing, image analysis processing, image recognition processing, and image effect processing. Face recognition, scene recognition processing, and the like can be performed by image recognition processing. For example, luminance level adjustment, color correction, contrast adjustment, outline enhancement adjustment, screen division processing, character image generation, and image synthesis processing may be performed.
  • the voice recognition sensor may be implemented with the above-described audio input unit, but is not limited thereto.
  • the sensor unit 160 may further include various sensors.
  • a sensor may sense at least one of information in the clothing processing device 100, information on surrounding environments surrounding the clothing processing device 100, and user information.
  • the sensor is an obstacle sensor (for example, a proximity sensor, a Lidar sensor, etc.), a weight detection sensor, an illumination sensor, a touch sensor, and an acceleration.
  • Sensor acceleration sensor
  • magnetic sensor G-sensor
  • gyroscope sensor gyroscope sensor
  • motion sensor motion sensor
  • RGB sensor infrared sensor
  • IR sensor infrared sensor
  • fingerprint Finger scan sensor ultrasonic sensor
  • ultrasonic sensor ultrasonic sensor
  • battery gauge environmental sensor
  • environmental sensor e.g., barometer, hygrometer, thermometer, radiation detection sensor, heat detection sensor, Gas detection sensor, etc.
  • environmental sensor e.g., barometer, hygrometer, thermometer, radiation detection sensor, heat detection sensor, Gas detection sensor, etc.
  • the clothing processing apparatus 100 includes such sensors. Among them, information sensed by at least two or more sensors may be combined and used.
  • the controller 190 may store information supporting various functions of the clothing processing apparatus 100 in a memory (420 of FIG. 8 ).
  • the memory 420 may store a plurality of application programs or applications driven by the clothing processing apparatus 100, information for the operation of the clothing processing apparatus 100, and instructions. At least some of these application programs may be downloaded from an external server through wireless communication.
  • the memory 420 may store information of one or more users who wish to interact with the clothing processing apparatus 100. Such user information may include user identification information through voice recognition, user identification information through vision recognition, user identification information through menu input, and the like.
  • the memory 420 may perform a function of temporarily or permanently storing data processed by the controller 190.
  • the memory 420 may include a magnetic storage medium or a flash storage medium, but the scope of the present invention is not limited thereto.
  • the memory 420 may include internal memory and/or external memory, and volatile memory such as DRAM, SRAM, or SDRAM, one time programmable ROM (OTPROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, Non-volatile memory such as NAND flash memory, or NOR flash memory, SSD. It may include a flash drive such as a compact flash (CF) card, an SD card, a Micro-SD card, a Mini-SD card, an Xd card, or a memory stick, or a storage device such as an HDD.
  • CF compact flash
  • the control unit 190 is a kind of central processing unit and may control the entire operation of the laundry treatment apparatus 100 by driving control software installed in the memory 420.
  • the controller 190 may automatically set an optimal clothing management course for the user's clothing based on input factors including big data and life log data related to the user.
  • the controller 190 recognizes a plurality of pre-stored clothing management courses set in advance, and automatically combines at least two pre-stored clothing management courses based on the weight processing result for the input factors to automatically determine the optimal clothing management course.
  • the controller 190 may further refer to time histories of the input factors and a user profile in automatically setting an optimal clothing management course. In setting the optimal clothing management course based on input factors, the controller 190 may individually set the optimal clothing management course for each of a plurality of users.
  • the controller 190 may further include a voice recognition unit (not shown) to control the operation of the clothing processing apparatus 100 with the user's spoken voice.
  • a speech recognition algorithm may be stored in the memory 420, and a starting word capable of driving the clothing processing apparatus 100 is stored.
  • the controller 190 operates the speech recognition unit.
  • the voice recognition unit may change the clothes processing apparatus 100 that was in an inactive state to an activated state.
  • the controller 190 may recognize a voice command from a user through an audio input unit and control an operation of the clothing processing apparatus 100 in response to the voice command.
  • the control unit 190 may include all types of devices capable of processing data, such as a processor.
  • the'processor' may refer to a data processing device embedded in hardware having a circuit physically structured to perform a function represented by a code or instruction included in a program.
  • a data processing device built into the hardware as described above a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, and an application-specific integrated (ASIC) circuit
  • processing devices such as field programmable gate arrays (FPGAs), but the scope of the present invention is not limited thereto.
  • the controller 190 analyzes input factors, processes differential weights for input factors, processes differential weights for time histories of the input factors, and differentiates preset user profiles.
  • Machine learning such as deep learning, for an appropriate weight processing operation and an operation of setting an optimal clothing management course by combining at least two previously stored clothing management courses based on factors to which the weights are applied differentially.
  • the memory 420 may store data and result data used for machine learning.
  • the controller 190 may be interlocked with the AI device unit 180 for performing machine learning.
  • the AI device unit 180 may be implemented as shown in FIG. 9, but is not limited thereto.
  • the AI device unit 180 may include an electronic device including an AI module capable of performing artificial intelligence (AI) processing or a server including an AI module.
  • AI device unit 180 may be included as a component of at least a portion of the controller 190 and may be provided to perform at least a portion of AI processing together.
  • AI processing may include all operations related to the AI device unit 180.
  • the AI apparatus unit 180 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 unit 180 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 unit 180 may include an AI processor 410 and a memory 420.
  • the AI processor 410 may learn a neural network using a program stored in the memory 420.
  • the AI processor 410 may learn a neural network for recognizing laundry.
  • the neural network for recognizing laundry may be designed to simulate a human brain structure on a computer, and may include a plurality of network nodes having weights that simulate neurons of the human neural network.
  • the plurality of network modes can send and receive data according to their respective connection relationships so as 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 aforementioned AI processor 410 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 420 may store various programs and data required for the operation of the AI device unit 180.
  • the memory 420 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 420 is accessed by the AI processor 410, and data read/write/edit/delete/update by the AI processor 410 may be performed.
  • the memory 420 may store a neural network model (eg, a deep learning model 425) generated through a learning algorithm for classifying/recognizing data according to an embodiment of the present invention.
  • the AI processor 410 may include a data learning unit 412 for learning a neural network for data classification/recognition.
  • the data learning unit 412 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 412 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 412 may be manufactured in the form of at least one hardware chip and mounted on the AI device unit 180.
  • the data learning unit 412 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 graphics dedicated processor (GPU), and the AI device unit 180 It can also be mounted on.
  • the data learning unit 412 may be implemented as a software module.
  • the 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 412 may include a learning data acquisition unit 414 and a model learning unit 416.
  • the training data acquisition unit 414 may acquire training data necessary for a neural network model for classifying and recognizing data.
  • the model learning unit 416 may learn to have a criterion for determining how the neural network model classifies predetermined data by using the acquired training data.
  • the model learning unit 416 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 416 may train the neural network model through unsupervised learning that discovers a criterion by learning by itself using the training data without guidance.
  • the model learning unit 416 may train the neural network model through reinforcement learning by using feedback on whether the result of situation determination according to the learning is correct.
  • the model learning unit 416 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 416 may store the learned neural network model in the memory 420.
  • the model learning unit 416 may store the learned neural network model in a memory of a server connected to the AI device unit 180 through a wired or wireless network.
  • the data learning unit 412 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 416 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 obtained by the learning data acquisition unit 414 or the learning data preprocessed by the preprocessor.
  • the selected training data may be provided to the model learning unit 416.
  • the data learning unit 412 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 416 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 AI device unit 180 shown in FIG. 8 has been functionally divided into an AI processor 410 and a memory 420, etc., but the aforementioned components may be integrated into one module and referred to as an AI module. Make it clear.
  • 10 is a diagram illustrating input factors and a user profile that are the basis for setting an optimal clothing management course in the clothing processing apparatus according to an embodiment of the present invention.
  • 11 is a diagram illustrating examples of combining at least two pre-stored clothing management courses based on a result of weighting input factors in the clothing processing apparatus according to an embodiment of the present invention.
  • the big data may include seasonal information of spring, summer, autumn, and winter, as well as weather information about temperature and humidity such as sunny, rain, snow, and humidity.
  • Life log data includes information on the location where the user is located (indoor, outdoor, restaurant, office, street, cafe, etc.), information on the air pollution level of the location where the user is located (good, yellow sand, fine dust, ultrafine dust), and the movement of the user. It may include means information (subway, bus, car, walking, etc.), exposure time information (such as OO hours or more) of the user's external environment, and user activity information (static, dynamic, etc.).
  • the location information where the user is located and the user's activity information are based on at least one of location information about the user, surrounding image information based on the user's location, and ambient sound information based on the user's location. It can be created in the user's portable terminal.
  • the air pollution level information of the place where the user is located may be generated by the user's portable terminal based on at least one or more of location information for the user and ambient sound information based on the location of the user.
  • the user's moving means information may be generated in the user's portable terminal based on at least one or more of location information about the user and surrounding image information based on the user's location.
  • the exposure time information on the user's external environment may be generated in the user's portable terminal based on location information on the user.
  • the user profile may include clothing worn (school uniform, mink coat, etc.), gender, age, and the like.
  • input factors including the big data and the life log data may be divided into cases 1,2,3.
  • Case 1 can be composed of input factors including spring-sunny-fine dust-indoors-office-subway-more than X hours-static.
  • Case 2 can be composed of input factors including spring-sunny-ultrafine dust-outdoor-distance-walking-over Y hours-static.
  • Case 3 may be composed of input factors including winter-snow-good-outdoor-distance-walking-Z time or more-dynamic.
  • the clothing processing apparatus combines at least two previously stored clothing management courses based on the weight processing result for input factors as shown in FIG. Management courses can be set automatically.
  • the clothes handling device can set the optimal clothing management course for Case 1 by combining the standard course and the fine dust course, and can set the optimal clothing management course for Case 2 by combining the fine dust course and the strong course.
  • an optimal clothing management course for Case 3 can be set.
  • A, B, C, and D denote a standard course, a fine dust course, a snow/rain course, and a strong course, respectively, and pre-stored clothing management courses.
  • a personalized clothing management course can be more accurately and easily set.
  • FIG. 12 is a diagram illustrating examples of applying weights to time histories in the laundry treatment apparatus according to an embodiment of the present invention.
  • control unit 190 relatively increases the weight of an input factor having a relatively large influence on clothing, and an input having a relatively small influence on the clothing. By relatively lowering the weight of the factor, it is possible to increase the accuracy and reliability of setting for a medical management course.
  • control unit 190 increases the relative weight (B"') for air pollution the most, and then increases the relative weight (B") for weather,
  • the relative weight (B') for the season can be applied relatively low.
  • control unit 190 according to an embodiment of the present invention further refers to time histories for the input factors in automatically setting an optimal clothing management course, but applies a relatively large weight as the recent history can do.
  • the controller 190 increases the overall relative weight (A') for the input factors corresponding to the current history, and the relative weight (A") as a whole for the input factors corresponding to the history one day ago. It is increased, and a relatively low relative weight (A"') can be applied to the input factors corresponding to the history of two days ago. And, it is possible to apply a lower relative weight to the input factors corresponding to the history of 3 days ago compared to that of 2 days ago.
  • the temporal history may be extended in a certain period, such as one week or one month.
  • the controller 190 may differentially apply a weight to a preset user profile. For example, a weight for school uniform-male-10s may be applied higher than a weight for mink coat-female-50s. In this way, if the user profile is further taken into consideration and an optimal clothing management course is set, user satisfaction for clothing treatment can be greatly improved.
  • FIG. 13 and 14 are diagrams for explaining an example of a user input for automatic setting in the laundry treatment apparatus according to an embodiment of the present invention.
  • the control unit 190 includes a user command based on automatic menu input of FIG. 13, a voice based user command of FIG. 14 (Know Me!), and a vision based user command of FIG.
  • An operation of automatically setting an optimal clothing management course may be started through a hanger and facing the sensor unit 160 for a predetermined period of time).
  • the controller 190 may individually set the optimal clothing management course for each of a plurality of users.
  • control unit 190 individually builds a learning model for input factors for each of the plurality of users, and stores life log data, time histories, and user profiles in the learning model for each user. It can be applied with different weights.
  • 15 and 16 are views for explaining a method of driving a laundry treatment apparatus according to an embodiment of the present invention.
  • a life log including big data on external environment information that may affect clothing and activity information of a user wearing the clothing ( life log) data is received (S151).
  • the driving method of the clothing treatment apparatus operates in accordance with the optimum clothing management course to clean the clothing (S154).
  • a method of driving a laundry treatment apparatus may target a plurality of users.
  • a registration process for a plurality of users may be performed in the clothing processing apparatus (S161).
  • the user registration process may be performed through menu input (user can be classified by the number of automatic menu button touches, time, etc.), voice recognition, vision recognition, and the like.
  • a method of driving a clothing treatment apparatus receives input factors for a registered user. That is, the life log data generated by the mobile terminal of the registered user is received and big data sent from the server is received (S162, S163, S164).
  • a method of driving a clothing treatment apparatus undergoes a user recognition process (S165).
  • the user recognition process may also be performed through a menu input method, a voice recognition method, a vision recognition method, and the like.
  • recognition of the registered user is completed, it is determined whether a user command is input from the user.
  • a plurality of pre-stored clothing management courses are recognized, and based on the result of weighting the input factors of the user.
  • an optimal clothing management course tailored to the user is automatically set (S166).
  • the driving method of the clothing treatment apparatus operates in accordance with the optimum clothing management course to clean the clothing of the corresponding user (S167).
  • the present invention may include the following embodiments.
  • the clothing processing apparatus of the present invention includes: a communication unit configured to receive big data on external environment information that may affect clothing and life log data including activity information of a user wearing the clothing; A control unit for automatically setting an optimum clothing management course for the clothing based on input factors including the big data and the life log data; And a driving unit that operates in accordance with the optimal clothing management course to clean the clothing.
  • the control unit recognizes a plurality of pre-stored clothing management courses set in advance, and automatically sets the optimal clothing management course by combining at least two pre-stored clothing management courses based on a weight processing result for the input factors. .
  • the communication unit receives the life log data from the user's portable terminal through a communication network, and the life log data includes information about a place where the user is located, information about an air pollution level of a place where the user is located, information on a means of movement of the user, It includes at least two or more of the exposure time information on the user's external environment and the user's activity information.
  • the life log data is the user's portable terminal based on at least one or more of location information for the user, surrounding image information based on the user's location, and ambient sound information based on the user's location. Is generated from
  • the communication unit receives the big data from a weather server through a communication network, and the big data includes seasonal information and weather information about temperature and humidity.
  • the control unit may differentially apply weights to the input factors and combine at least two pre-stored clothing management courses based on the input factors to which the weights are differentially applied to automatically determine the optimal clothing management course. Set.
  • the control unit relatively increases a weight of an input factor having a relatively large influence on the clothing, and relatively decreases a weight of an input factor having a relatively small influence on the clothing.
  • the controller further refers to time histories for the input factors, but applies a relatively large weight as the recent histories are.
  • the control unit further refers to a preset user profile in automatically setting the optimal clothing management course, and differentially applies a weight to the user profile.
  • the user profile includes the user's worn clothing, the user's gender, and the user's age.
  • control unit In setting the optimal clothing management course based on the input factors, the control unit individually sets the optimal clothing management course for each of a plurality of users.
  • the control unit recognizes a corresponding user from among the plurality of users through at least one of a user recognition method based on a menu input, a user recognition method based on a voice, and a user recognition method based on a vision.
  • the control unit separately constructs a learning model for the input factors for each of the plurality of users, and each learning model reflects the life log data, the time histories, and the user profile for each of the plurality of users.
  • the driving method of the clothing processing apparatus of the present invention includes receiving big data on external environment information that may affect clothing, and life log data including activity information of a user wearing the clothing; Automatically setting an optimal clothing management course for the clothing based on input factors including the big data and the life log data; And cleaning the clothes by operating in accordance with the optimal clothes management course.
  • Automatically setting an optimal clothing management course for the clothing may include recognizing a plurality of pre-stored clothing management courses; Combining at least two pre-stored clothing management courses based on a weighting result of the input factors; And automatically setting the optimal clothing management course according to the combination.
  • the step of automatically setting the optimal clothing management course for the clothing further includes differentially applying weights to the input factors.
  • a weight of an input factor having a relatively large influence on the clothing is applied relatively high, and the influence on the clothing is relatively small.
  • the weight of the input factor is applied relatively low.
  • the step of automatically setting the optimal clothing management course for the clothing further includes referring to time histories for the input factors, and a relatively large weight is applied as the recent histories are.
  • the step of automatically setting the optimal clothing management course for the clothing further includes referring to a preset user profile, wherein weights are differentially applied to the user profile.
  • the optimal clothing management course is individually set for each of a plurality of users.
  • the driving method of the clothing processing apparatus of the present invention detects a corresponding user among the plurality of users through at least one user recognition method among a menu input-based user recognition method, a voice-based user recognition method, and a vision-based user recognition method. It further includes recognizing.
  • the driving method of the clothing processing apparatus of the present invention further comprises the step of individually building a learning model for the input factors for each of the plurality of users, and each learning model includes the life log data and the time for each of the plurality of users. The histories and the user profile are reflected.

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (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

인공 지능형 의류 처리 장치가 개시된다. 본 발명의 일 실시예에 따른 인공 지능형 의류 처리 장치는, 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 외부로부터 수신하고, 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정한다. 또한, 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리할 수 있다. 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

인공 지능형 의류 처리 장치와 그 구동방법
본 발명은 인공 지능형 의류 처리 장치와 그 구동방법에 관한 것이다.
의류 처리 장치는 처리실 내에 수용된 의류에 건조 공기나 스팀 등을 가하여 의류를 클린 처리(먼지, 주름, 냄새 제거, 건조 등)하는 장치를 말한다. 의류 처리 장치는 의류에 스팀과 건조 및 무빙 행어 등을 제공하여 의류를 간편하고 효율적으로 재생할 수 있다.
의류 처리 장치는 클린 처리와 관련된 복수의 관리 코스들을 미리 마련하고, 사용자에 의해 선택된 관리 코스에 따라 의류 처리 동작을 수행한다. 그런데, 사용자는 관리 코스를 선택함에 있어, 처리 대상이 되는 의류가 외부 환경에 의해 얼마나 영향을 받았는지를 알기 어렵다. 따라서, 사용자는 의류 처리와 관련된 최적 관리 코스를 선택하기가 불가능하다.
본 발명은 전술한 문제점을 해결하는 것을 목적으로 한다.
본 발명의 목적은 의류에 영향을 줄 수 있는 외부 환경 인자들에 대한 종합적인 판단 결과를 기반으로 최적의 의류 관리 코스를 자동으로 설정하여, 의류 처리 효과를 극대화할 수 있도록 한 인공 지능형 의류 처리 장치와 그 구동방법을 제공하는 데 있다.
본 발명의 실시 예에 따른 의류 처리 장치는 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 통신부; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 제어부; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 구동부;를 포함한다.
본 발명의 실시 예에 따른 의류 처리 장치의 구동방법은 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 단계; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 단계;를 포함한다.
본 발명에 의하면, 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 기반으로 의류에 대한 최적 의류 관리 코스를 자동으로 설정한다.
이를 통해 본 발명은 사용자의 실사용 환경에 따른 의류의 상태 변화를 정확히 판단할 수 있고, 판단된 결과를 기반으로 최적의 의류 관리 코스를 자동으로 설정함으로써, 의류 처리 효과를 극대화시킬 수 있다.
또한, 본 발명은 빅 데이터와 라이프 로그 데이터에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 최적 의류 관리 코스를 자동으로 설정하기 때문에, 개인 맞춤형 의류 관리 코스가 보다 정확하면서도 용이하게 설정될 수 있다.
또한, 본 발명은 최적 의류 관리 코스를 설정함에 있어 시간 이력을 더 참작함으로써, 코스 설정에 대한 에러율을 줄일 수 있다. 본 발명은 개인 맞춤형 의류 관리 코스 설정과 관련하여 복수의 사용자별로 학습 모델을 구축하고, 상기 학습 모델에 사용자별 라이프 로그 데이터 등을 반영함으로써, 코스 설정에 대한 에러율을 현저히 줄일 수 있다.
또한, 본 발명은 최적 의류 관리 코스를 설정함에 있어 미리 설정된 유저 프로파일을 더 참작함으로써, 사용자 만족도를 증대시킬 수 있다.
또한, 본 발명은 복수의 사용자별로 개인 맞춤형 의류 관리 코스를 설정하는 것이 가능하여 사용자 편의성을 증대시킬 수 있다.
본 발명의 일 실시예에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
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 도면이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 의류 처리 장치를 포함한 의류 처리 시스템의 일 예시도이다.
도 5는 본 발명의 실시예에 따른 의류 처리 장치의 도어가 열린 상태를 정면에서 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 의류 처리 장치를 모식적으로 도시한 도면이다.
도 7은 본 발명의 실시예에 따른 의류 처리 장치의 개략적인 블록도이다.
도 8은 본 발명의 실시예에 따른 의류 처리 장치에 구비된 콘트롤 패널을 도시한 예시도이다.
도 9는 도 7의 AI 장치부의 일 구성 예를 보여주는 블록도이다.
도 10은 본 발명의 실시예에 따른 의류 처리 장치에서 최적 의류 관리 코스를 설정하는 데 기반이 되는 입력 인자들과 유저 프로파일을 도시한 도면이다.
도 11은 본 발명의 실시예에 따른 의류 처리 장치에서 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 일 예시들을 보여주는 도면이다.
도 12는 본 발명의 실시예에 따른 의류 처리 장치에서 시간 이력들에 대한 가중치 적용 예들을 보여주는 도면이다.
도 13 및 도 14는 본 발명의 실시예에 따른 의류 처리 장치에서 자동 설정을 위한 사용자 입력 예를 설명하기 위한 도면들이다.
도 15 및 도 16은 본 발명의 실시예에 따른 의류 처리 장치의 구동방법을 설명하기 위한 도면들이다.
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.
인공 지능형 의류 처리 장치
도 4는 본 발명의 실시예에 따른 의류 처리 장치를 포함한 의류 처리 시스템의 일 예시도이다.
도 4를 참조하면, 본 발명의 실시예에 따른 의류 처리 시스템(1)은 의류 처리 장치(100), 사용자 휴대 단말기(200), 서버(300), 및 통신 네트워크(400)를 포함할 수 있다.
의류 처리 장치(100)는 의류가 수용된 처리실(도 2의 110) 내로 물을 가하여 의류에 뭍은 오염을 제거하거나, 건조 공기를 가하여 젖은 의류를 건조시키거나, 공기를 송풍하거나 증기를 가하여 의류를 재생(refresh, 예를 들어, 주름이나 냄새 제거)할 수 있다.
의류 처리 장치(100)는 처리실 내로 건조 공기를 가할 수 있도록 구성되어, 처리실로부터 배출된 공기를 처리실의 외부에 형성된 순환 유로를 따라 순환시킨 후, 다시 처리실 내로 공급하는 공기 순환 시스템(미도시)을 구비할 수 있다. 또한, 이러한 의류 처리 장치(100)는 순환 유로 상에 히트펌프를 구비하고, 선택된 운전 코스에 따라, 히트펌프에 의해 순환 공기가 가열, 냉각 또는 제습된 후, 처리실로 공급될 수 있다.
의류 처리 장치(100)는 건조 기능을 활용하여 처리실을 제습하는 기능을 제공할 수 있는데, 도어를 개방한 상태에서 건조 기능이 실시되도록 함으로써, 실내 공기가 처리실을 통해 순환 유로로 유입되어 히트펌프에 의해 제습되고, 이렇게 제습된 공기가 처리실을 거쳐 다시 실내로 토출되도록 할 수 있다.
의류 처리 장치(100)는, 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터를 통신 네트워크(400)을 통해 서버(300)으로부터 수신하고, 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 통신 네트워크(400)을 통해 사용자 휴대 단말기(200)로부터 수신할 수 있다.
의류 처리 장치(100)는, 코스 자동 설정을 위한 사용자 명령이 입력되는 것에 응답하여, 해당 사용자와 관련된 빅 데이터와 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 사용자 의류에 대한 최적 의류 관리 코스를 자동으로 설정할 수 있다. 이때, 의류 처리 장치(100)는, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정할 수 있다. 의류 처리 장치(100)는, 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들과 유저 프로파일을 더 참조할 수 있다. 의류 처리 장치(100)는, 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정할 수 있다.
코스 자동 설정을 위한 사용자 명령은 다양한 방법으로 의류 처리 장치(100)에 입력될 수 있다. 의류 처리 장치(100)는, 메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 복수의 등록 사용자들 중에서 해당 사용자를 인식하고, 상기 해상 사용자의 의류 상태에 맞는 최적 의류 관리 코스를 자동으로 설정할 수 있다.
의류 처리 장치(100)는 각 사용자의 의류 상태에 맞는 최적 의류 관리 코스를 자동으로 설정하기 위해, 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 각 사용자별 학습 모델에 해당 사용자의 라이프 로그 데이터와 시간 이력들과 유저 프로파일 등을 반영할 수 있다. 이러한 가중치 적용 기반의 학습 모델을 구축함에 있어, 의류 처리 장치(100)는 미리 훈련된 심층신경망 모델을 활용할 수 있다.
의류 처리 장치(100)의 전면에는, 메뉴 입력 기반의 사용자 인식을 위한 디스플레이부(150)와, 음성 및/또는 비젼 기반의 사용자 인식을 위한 센서부(160)가 설치될 수 있다.
의류 처리 장치(100)는 통신 네트워크(400)를 통해 사용자 휴대 단말기(200) 및 서버(300)와 연결될 수 있다. 통신 네트워크(400)는 전술한 5G 통신 기술을 활용할 수 있으나, 이에 한정되지 않는다.
사용자 휴대 단말기(200)는 사용자에 대한 위치 정보와, 사용자의 위치를 기준으로 한 주변 영상 정보와, 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 라이트 로그 데이터를 생성한 후에, 통신 네트워크(400)를 통해 의류 처리 장치(100)에 전송할 수 있다. 여기서, 상기 라이프 로그 데이터는, 상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함할 수 있다.
사용자 휴대 단말기(200)는 의류 처리 장치 구동 어플리케이션 또는 의류 처리 장치 구동 사이트에 접속한 후 인증과정을 통하여 의류 처리 장치(100)의 구동 또는 제어를 위한 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 휴대 단말기(200)는 의류 처리 장치(100)를 구동하고, 의류 처리 장치(100)의 동작을 제어할 수 있다.
사용자 휴대 단말기(200)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 휴대 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 적용될 수 있다.
서버(300)는 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터를 통신 네트워크(400)를 통해 의류 처리 장치(100)에 전송하는 기상 서버를 포함할 수 있다. 여기서, 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함할 수 있다.
서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 의류 처리 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 휴대 단말기(200)에 설치된 의류 처리 장치 구동 어플리케이션 또는 의류 처리 장치 구동 웹 브라우저를 이용하여 의류 처리 장치(100)의 동작을 원격에 서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다. 또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
네트워크(400)는 의류 처리 장치(100)와, 사용자 휴대 단말기(200)와, 서버(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access)을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 5는 본 발명의 실시예에 따른 의류 처리 장치의 도어가 열린 상태를 정면에서 도시한 도면이다. 그리고, 도 6은 본 발명의 실시예에 따른 의류 처리 장치를 모식적으로 도시한 도면이다.
도 4 내지 도 6을 참조하면, 의류 처리 장치(100)는 의류가 수용되는 처리실(110)을 형성하는 캐비닛(101)과, 캐비닛(101)에 회전 가능하게 결합되어 처리실(110)을 여닫는 도어(102)를 포함할 수 있다. 처리실(110)은 내측으로 의류가 투입될 수 있도록 전면이 개방될 수 있다. 캐비닛(101)의 전면에 개구부(미도시)가 형성되고, 개구부로부터 후방으로 함몰된 공간에 의해 처리실(110)이 형성될 수 있다.
도어(102)는 캐비닛(101)의 일측에 회전 가능하게 결합되며, 처리실(110)의 개방된 전면을 여닫을 수 있다. 도어(102)가 닫힌 상태에서, 도어(102)의 배면이 캐비닛(101)의 전면(즉, 개구부 둘레 부분)과 밀착되고, 처리실(110)의 기밀이 유지될 수 있다. 실시 예에 따라, 처리실(110)을 기밀하는 실러가 도어(102)와 캐비닛(101) 사이에 개재될 수 있다.
처리실(110) 내에는 옷걸이봉(112)이 구비될 수 있다. 의류가 끼워진 옷걸이(미도시)가 옷걸이봉(112)에 걸릴 수 있다. 옷걸이봉(112)은 좌우로 왕복 운동이 가능하도록 구성될 수 있다. 기 프로그래밍된 구동 알고리즘에 따라 자동으로 옷걸이봉(112)을 좌우로 왕복 운동시키기 위한 전동식 구동 기구(미도시)가 더 구비될 수 있다. 여기서 전동식 구동 기구는 전동모터(미도시)와, 모터의 구동력을 전환시켜 옷걸이봉(112)을 왕복 운동시키는 동력 전달 기구(미도시)를 포함할 수 있다. 여기서 동력 전달기구는 크랭크, 랙과 피니언, 캠 등을 포함하여 다양하게 구성될 수 있다.
처리실(110)은 캐비닛(101)의 내측면에 의해 한정된 공간으로 정의될 수 있다. 캐비닛(101)의 내측면에는 기류 유입구(113)와, 기류 토출구(114)와, 증기 토출구(115)가 형성될 수 있다. 실시 예에서는 캐비닛(101)의 내측면이 상면(111U), 하면(111B), 좌측면(111L), 우측면(111R) 및 배면(111RE)을 포함하고, 하면(111B)은 처리실(110)의 입구로부터 후방으로 수평하게 연장되는 수평면(111H)과, 수평면(111H)으로부터 후방으로 상향 경사져서 후면(111B)과 연결되는 경사면(111I)을 포함하여 구성될 수 있다. 그러나 실시 예에 따라 캐비닛(101)의 내측면은 다양한 형태로 구성될 수 있다.
처리실(110)의 하측에는 기계실(120)이 형성될 수 있으며, 기계실(120) 내에는 히트펌프(121), 송풍팬(122), 스팀 생성기(123) 등이 배치될 수 있다. 히트펌프(121)는 처리실(110)로부터 기류 유입구(113)를 통해 유입된 공기를 제습하여, 기류 토출구(114)를 통해 다시 처리실(110)로 도출할 수 있다. 그러나 이에 한정하지 않고 히트펌프(121)는 후술하는 압축기()를 적절한 방법으로 제어하여 처리실(110) 내의 의류 건조를 위해 고온의 건조 공기를 공급하는 기능을 겸할 수 있다.
순환 유로(124)는 기류 유입구(113)를 통해 유입된 공기를 기류 토출구(114)로 안내하도록 구성될 수 있다. 송풍팬(122)에 의해 송풍되어 기류 토출구(114)를 통해 처리실(110) 내부로 토출될 수 있다.
도어(102)가 닫힌 상태에서, 처리실(110)은 외기와 분리된 공간을 형성하기 때문에, 처리실(110) 내의 공기가 순환 유로(124)를 따라 순화될 수 있다. 그러나 도어(102)가 열린 상태에서, 외기가 처리실(110) 내로 유입되어 기류 유입구(113)로 유입된 후, 순환 유로(124)를 따라 이송되고, 기류 토출구(114)를 통해 토출되고, 토출된 공기 중 일부분은 처리실(110)의 개방된 전면을 통해 외부로 배출될 수 있다.
히트펌프(121)는 냉매가 순환되는 과정에서 처리실(110)로부터 기류 유입구(113)를 통해 순환 유로(124)로 유입된 공기로부터 열을 흡수하고, 흡수된 열을 이용하여 기류 토출구(114)를 통해 토출되기 전의 공기를 가열할 수 있다. 히트펌프(121)는 작동 유체인 냉매가 순환되는 냉매 배관(125)을 통해 연결된 증발기(126), 압축기(127), 팽창밸브(128) 및 응축기(129)를 포함할 수 있다.
증발기(126)는 냉매 배관(125)과 연결된 미세 직경의 튜브와, 튜브와의 사이에 열 전달이 이루어지는 열전도성의 열전달판들을 포함하여 구성되는 열교환기를 포함할 수 있다. 증발기(126)는 순환 유로(124) 상에 구비되어, 순환 기류로부터 열을 흡수할 수 있다. 증발기(126)는 처리실(110)로부터 토출된 기류(즉, 기류 유입구(113)를 통해 순환 유로(124) 내로 유입된 공기)로부터 열을 흡수하며, 이렇게 흡수된 열이 튜브 내의 냉매에 전달됨으로써, 냉매의 증발이 이루어 질 수 있다. 이때 공기 중의 습기는 증발기(126)를 지나면서 응축이 이루어 질 수 있다. 순환 유로(124)로부터 응측수를 배출하기 위한 응축수 배출 펌프(130)가 구비될 수 있다. 응축수 배출 펌프(130)를 통해 배출된 응축수는 배수통(116)에 모일 수 있다.
압축기(127)는 증발기(126)를 통과한 냉매를 압축할 수 있다. 압축기(127)는 회전수(또는 압축용량) 변경이 가능한 인버터 압축기(inverter compressor)일 수 있으나, 반드시 이에 한정되는 것은 아니다. 인버터 압축기는 회전 수 제어를 통해 압축 용량을 가변할 수 있고, 따라서 응축기(129)의 발열량이 제어될 수 있다. 인버터 압축기는 DC 전원을 동력원으로 사용하며, 이를 위해, AC 전원을 DC 전원으로 변환하여 목표한 주파수로 변환하는 드라이버(미도시)가 더 구비될 수 있다.
응축기(129)는 실질적으로 증발기(126)와 동일한 구성으로 이루어질 수 있으나, 증발기(126)와는 반대로 냉매를 응축시키는 작용을 할 수 있다. 즉, 압축기(127)에 의해 압축된 냉매가 응축기(129)를 통과하면서 응축되며, 이 과정에서 주변으로 열이 방출될 수 있다. 응축기(129)는 순환 유로(124) 상에서 증발기(126)보다 하류측에 위치할 수 있다. 증발기(126)를 지나면서 습도가 낮아진 공기가 응축기(129)를 지나면서 이번에는 가열될 수 있다. 응축기(129)가 순환 공기를 가열하는 히터로서 작용할 수 있다. 응축기(129)를 통과하면서 순환 공기에 열을 빼앗긴 냉매가 팽창 밸브9128)를 통과하면서 패창되고, 다시 증발기(126)로 유입됨으로써 냉매의 순환회로가 구성될 수 있다.
배수통(116)은 응축수 처리를 용이하게 할 수 있도록, 캐비닛(101)에 분리 가능하게 설치될 수 있다. 사용자는 배수통(116)을 캐비닛(101)으로부터 분리한 후, 그 안에 모인 응축수를 버릴 수 있다. 급수통(117)은 스팀을 생성하기 위해 필요한 물이 담길 수 있다. 급수통(117)의 물이 스팀 생성기(123)로 공급되어 스팀을 생성하는데 이용될 수 있다. 물 보충이 용이하도록, 급수통(117)은 캐비닛(101)에 분리 가능하게 설치될 수 있다. 사용자는 급수통(117)을 분리하여 그 안에 물을 채울 수 있다.
도어(102)의 개폐 여부를 감지하는 도어 센서(131)가 더 구비될 수 있다. 제어부(190)는 도어 센서(131)의 출력값을 바탕으로 도어(102)의 개폐 여부를 판단할 수 있다. 도어 센서(131)는 캐비닛(101) 또는 도어(102) 중 어느 하나에 구비되는 리드 스위치(lead switch)와, 캐비닛(101) 또는 도어(102) 중 다른 하나에 구비되는 자석을 포함할 수 있다. 도어(102)의 위치에 따라, 자석에 의해 리드 스위치에 작용하는 자기력의 크기가 달라지며, 그에 따라 리드 스위치에 연결된 회로가 개방 또는 단락될 수 있다. 예를 들어, 도어(102)가 닫힌 상태에서는 자석과 리드 스위치 간의 거리가 가깝기 때문에, 자기력에 의해 리드 스위치가 접점 되고, 그에 리드 스위치와 연결된 회로를 통해 제어부(도 7의 190)에 신호가 인가되고, 제어부(190)는 도어(102)가 닫힌 상태라고 판단할 수 있다. 반대로, 도어(102)가 열린 상태에서는 제어부(190)로 인가되던 신호가 차단되기 때문에, 도어(102)가 개방된 상태인 것을 판단할 수 있다.
다만, 이에 한정되지 않고, 도어 센서(131)는 다양한 실시가 가능할 수 있다. 예를 들어, 도어(102)에 래치(latch, 미도시)가 구비되고, 캐비닛(101)에는 도어(102)가 닫혀진 상태에서, 래치가 걸림되어 도어(102)가 잠기도록 하는 도어 락(lock)(미도시)이 구비될 수 있고, 도어 락에는 래치에 의해 접점되는 스위치(미도시)가 구비될 수 있다. 이 경우, 스위치가 도어(102)의 개폐를 감지하는 도어 센서(131)가 될 수 있다.
도 7은 본 발명의 실시예에 따른 의류 처리 장치의 개략적인 블록도이다. 도 8은 본 발명의 실시예에 따른 의류 처리 장치에 구비된 콘트롤 패널을 도시한 예시도이다. 그리고, 도 9는 도 7의 AI 장치부의 일 구성 예를 보여주는 블록도이다.
도 7을 참조하면, 본 발명의 실시예에 따른 의류 처리 장치(100)는 통신부(140), 디스플레이부(150), 센서부(160), AI 장치부(180) 및 제어부(190)를 포함할 수 있다.
통신부(140)는 네트워크(400)와 연동하여 의류 처리 장치(100), 사용자 휴대 단말기(200) 및/또는 서버(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(140)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
디스플레이부(150)는 제어부(190)의 제어 하에 의류 처리 장치(100)의 작동 상태를 표시할 수 있다. 본 실시예에서 디스플레이부(150)는 도 8과 같은 동작모드 컨트롤 패널(151)을 포함할 수 있다. 도 8을 참조하면, 동작모드 컨트롤 패널(151)은 전원의 온/오프를 설정하는 전원 설정부(152)와, 미리 설정된 각종 의류 관리 코스들을 선택할 수 있는 코스 설정부(153)와, 선택된 의류 관리 코스에 따라 동작을 실시/정지를 선택할 수 있는 실시/정지 선택부(154)와, 의류 처리 장치(100)의 작동 상태를 표시하는 상태 표시부(155)를 포함할 수 있다. 한편, 디스플레이부(150)는 자동 설정 기능이 구현될 수 있도록 하기 위해 사용자 입력 메뉴인 자동 코스 항목(도 13 참조)을 더 포함할 수도 있다.
본 실시 예에서 디스플레이부(150)는 각종 정보를 표시하는 기능 이외에 의류 처리 장치(100)의 동작 전반을 사용자가 제어할 수 있도록, 소정의 제어 명령을 입력 받는 입력부의 기능을 수행할 수 있다. 이를 위해 디스플레이부(150)는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다.
터치 인식 디스플레이 제어기는 전기 신호를 제어부(190)와 송수신할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. 이와 같은 디스플레이부(150)는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.
선택적 실시 예로 디스플레이부(150)는 표시되는 모든 정보를 오디오 신호로 출력하는 오디오 출력부(미도시)를 더 포함할 수 있다. 오디오 출력부는 제어부(190)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지와, 사용자의 음성 명령에 대응하는 정보, 사용자의 음성 명령에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 오디오 출력부는 제어부(190)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 본 실시 예에서 의류 처리 장치(100)는 스피커(미도시) 등을 구비할 수 있다. 또한 본 실시 예에서 의류 처리 장치(100)는 오디오 입력부(미도시)를 더 포함할 수 있다. 오디오 입력부(예를 들어, 마이크)는 제어부(190)의 제어 하에, 의류 처리 장치(100)를 향하여 발화된 사용자 음성을 입력 받을 수 있다. 또한 사용자의 발화 음성을 더 정확하게 수신하기 위해 의류 처리 장치(100)는 복수의 마이크를 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격되어 배치될 수 있고, 수신한 사용자의 발화 음성을 전기적인 신호로 처리할 수 있다.
센서부(160)는 비젼 센서, 음성 인식 센서 등으로 구현될 수 있다.
비젼 센서는 의류 처리 장치(100) 바깥 주변을 촬영할 수 있는 COMS(complementary metal-oxide semiconductor) 모듈(미도시) 또는 CCD(charge coupled device) 모듈(미도시) 등을 이용하여 촬영영역 내의 피사체를 촬영하는 카메라를 의미할 수 있다. 카메라는 팬(pan)/틸트(tilt)/줌(zoom) 기능을 구비한 PTZ 카메라 일 수 있다. 이와 같은 카메라 내부에는 영상 신호 처리부(미도시)가 구비되어 있어서, 촬영한 영상 프레임에 대하여 노이즈를 저감하고, 감마 보정(gamma correction), 색필터 배열보간(color filter array interpolation), 색 매트릭스(color matrix), 색보정(color correction), 색 향상(color enhancement) 등의 화질 개선을 위한 영상 신호 처리를 수행할 수 있다. 또한, 영상 신호 처리부는 기능적으로 색채 처리, 블러 처리, 에지 강조 처리, 영상 해석 처리, 영상 인식 처리, 영상 이펙트 처리 등도 수행할 수 있다. 영상 인식 처리로 얼굴 인식, 장면 인식 처리 등을 행할 수 있다. 예를 들어, 휘도 레벨 조정, 색 보정, 콘트라스트 조정, 윤곽 강조 조정, 화면 분할 처리, 캐릭터 영상 등 생성 및 영상의 합성 처리 등을 수행할 수 있다.
음성 인식 센서는 전술한 오디오 입력부로 구현될 수 있으나 이에 한정되지 않는다.
한편, 센서부(160)는 각종 센서를 더 포함할 수도 있다. 이러한 센서는 의류 처리 장치(100) 내의 정보, 의류 처리 장치(100)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱할 수 있다. 예를 들어, 센서는 장애물 센서(예를 들어, 근접센서(proximity sensor), 라이다 센서((Lidar sensor) 등), 무게 감지 센서, 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 실시 예에서 의류 처리 장치(100)는 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
제어부(190)는 의류 처리 장치(100)의 다양한 기능을 지원하는 정보를 메모리(도 8의 420)에 저장할 수 있다. 메모리(420)는 의류 처리 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 의류 처리 장치(100)의 동작을 위한 정보들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 메모리(420)는 의류 처리 장치(100)와 인터랙션을 수행하려는 한 명 이상의 사용자 정보를 저장할 수 있다. 이러한 사용자 정보는 음성 인식을 통한 사용자 식별 정보, 비젼 인식을 통한 사용자 식별 정보, 메뉴 입력을 통한 사용자 식별 정보 등을 포함할 수 있다. 이러한 메모리(420)는 제어부(190)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 메모리(420)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(420)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
제어부(190)는 일종의 중앙처리장치로서 메모리(420)에 탑재된 제어 소프트웨어를 구동하여 의류 처리 장치(100) 전체의 동작을 제어할 수 있다. 본 실시 예에서 제어부(190)는 사용자와 관련된 빅 데이터와 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 사용자 의류에 대한 최적 의류 관리 코스를 자동으로 설정할 수 있다. 이때, 제어부(190)는 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정할 수 있다. 제어부(190)는 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들과 유저 프로파일을 더 참조할 수 있다. 제어부(190)는 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정할 수 있다.
제어부(190)는 사용자의 발화 음성으로 의류 처리 장치(100)의 동작을 제어할 수 있도록 음성 인식부(미도시)를 더 포함할 수 있다. 이를 위해 메모리(420)에는 음성 인식 알고리즘이 저장될 수 있고, 의류 처리 장치(100)를 구동시킬 수 있는 기동어가 저장되어 있어서, 사용자가 기동어를 발화하면 제어부(190)가 음성 인식부를 동작시키고, 음성 인식부가 이를 인식하여 비활성화 상태였던 의류 처리 장치(100)를 활성화 상태로 변경할 수 있다. 의류 처리 장치(100)가 활성화 상태로 변경된 후, 제어부(190)는 오디오 입력부를 통하여 사용자로부터 음성 명령을 인식하고, 음성 명령에 대응하여 의류 처리 장치(100)의 동작을 제어할 수 있다.
제어부(190)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 실시 예에서 제어부(190)는 입력 인자들에 대한 분석 동작, 입력 인자들에 대한 차등적 가중치 처리 동작, 상기 입력 인자들의 시간 이력들에 대한 차등적 가중치 처리 동작, 미리 설정된 유저 프로파일에 대한 차등적 가중치 처리 동작, 상기 가중치가 차등적으로 적용된 요소들을 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 최적 의류 관리 코스를 설정하는 동작 등에 대하여, 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있다. 이때, 메모리(420)는 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
제어부(190)는 머신 러닝을 수행하기 위한 AI 장치부(180)와 연동될 수 있다. AI 장치부(180)는 도 9와 같이 구현될 수 있으나, 이에 한정되지 않는다.
도 9를 참조하면, AI 장치부(180)는 인공지능(AI) 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치부(180)는 제어부(190)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다. AI 프로세싱은 AI 장치부(180)와 관련된 모든 동작들을 포함할 수 있다.
AI 장치부(180)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. AI 장치부(180)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 장치부(180)는 AI 프로세서(410), 메모리(420)를 포함할 수 있다.
AI 프로세서(410)는 메모리(420)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(410)는 세탁물을 인식하기 위한 신경망을 학습할 수 있다. 여기서, 세탁물을 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 AI 프로세서(410)는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(420)는 AI 장치부(180)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(420)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(420)는 AI 프로세서(410)에 의해 액세스되며, AI 프로세서(410)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(420)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(425))을 저장할 수 있다.
한편, AI 프로세서(410)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(412)를 포함할 수 있다. 데이터 학습부(412)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(412)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(412)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치부(180)에 탑재될 수 있다. 예를 들어, 데이터 학습부(412)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치부(180)에 탑재될 수도 있다. 또한, 데이터 학습부(412)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(412)는 학습 데이터 획득부(414) 및 모델 학습부(416)를 포함할 수 있다.
학습 데이터 획득부(414)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다.
모델 학습부(416)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(416)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(416)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(416)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(416)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(416)는 학습된 신경망 모델을 메모리(420)에 저장할 수 있다. 모델 학습부(416)는 학습된 신경망 모델을 AI 장치부(180)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(412)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(416)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(414)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(416)에 제공될 수 있다.
또한, 데이터 학습부(412)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(416)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.
한편, 도 8에 도시된 AI 장치부(180)는 AI 프로세서(410)와 메모리(420) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 10은 본 발명의 실시예에 따른 의류 처리 장치에서 최적 의류 관리 코스를 설정하는 데 기반이 되는 입력 인자들과 유저 프로파일을 도시한 도면이다. 그리고, 도 11은 본 발명의 실시예에 따른 의류 처리 장치에서 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 일 예시들을 보여주는 도면이다.
도 10을 참조하면, 빅 데이터는 봄, 여름, 가을, 겨울의 계절 정보를 포함함과 아울러, 맑음, 비, 눈, 습함 등의 온도 및 습도에 관한 날씨 정보를 포함할 수 있다.
라이프 로그 데이터는 사용자가 위치한 장소 정보(실내, 실외, 식당, 사무실, 거리, 카페 등)와, 사용자가 위치한 장소의 공기 오염도 정보(양호, 황사, 미세먼지, 초미세먼지)와, 사용자의 이동 수단 정보(지하철, 버스, 자동차, 도보 등)와, 사용자의 외부 환경에 대한 노출 시간 정보(OO시간 이상 등)와, 사용자의 활동성 정보(정적, 역동적 등)를 포함할 수 있다.
사용자가 위치한 장소 정보와 사용자의 활동성 정보는 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.
사용자가 위치한 장소의 공기 오염도 정보는 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.
사용자의 이동 수단 정보는 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.
사용자의 외부 환경에 대한 노출 시간 정보는 상기 사용자에 대한 위치 정보를 기반으로 상기 사용자의 휴대 단말기에서 생성될 수 있다.
그리고, 유저 프로파일은 착용 의류(교복, 밍크 코트 등), 성별, 나이 등을 포함할 수 있다.
일 예로서, 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들은 케이스 1,2,3으로 나뉘어 질 수 있다.
케이스1은 봄-맑음-미세먼지-실내-사무실-지하철-X시간 이상-정적을 포함한 입력 인자들로 구성될 수 있다. 케이스2는 봄-맑음-초 미세먼지-실외-거리-도보-Y시간 이상-정적을 포함한 입력 인자들로 구성될 수 있다. 그리고, 케이스3은 겨울-눈-양호-실외-거리-도보-Z시간 이상-역동적을 포함한 입력 인자들로 구성될 수 있다.
이러한 케이스 1,23에 대해, 본 발명의 실시예에 따른 의류 처리 장치는 도 11과 같이 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합함으로써, 케이스 별로 최적 의류 관리 코스를 자동으로 설정할 수 있다.
다시 말해, 의류 처리 장치는 표준 코스와 미세먼지 코스를 조합하여 케이스 1의 대한 최적 의류 관리 코스를 설정할 수 있고, 미세먼지 코스와 강력 코스를 조합하여 케이스 2에 대한 최적 의류 관리 코스를 설정할 수 있으며, 표준 코스와 눈/비 코스를 조합하여 케이스 3에 대한 최적 의류 관리 코스를 설정할 수 있다.
도 11에서, A,B,C,D는 각각 표준 코스, 미세먼지 코스, 눈/비 코스, 강력 코스로서, 기 저장 의류 관리 코스들이다. 본 발명과 같이 빅 데이터와 더불어 라이프 로그 데이터를 활용하면, 사용자의 실사용 환경에 따른 의류의 상태 변화를 정확히 판단할 수 있고, 판단된 결과를 기반으로 최적의 의류 관리 코스를 자동으로 설정함으로써, 의류 처리 효과를 극대화시킬 수 있다.
더욱이, 본 발명과 같이 2 이상의 기 저장 의류 관리 코스들을 조합하여 최적 의류 관리 코스를 설정하면, 개인 맞춤형 의류 관리 코스가 보다 정확하면서도 용이하게 설정될 수 있다.
도 12는 본 발명의 실시예에 따른 의류 처리 장치에서 시간 이력들에 대한 가중치 적용 예들을 보여주는 도면이다.
도 12를 참조하면, 본 발명의 실시예에 따른 제어부(190)는 입력 인자들 중에서, 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치를 상대적으로 높이고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치를 상대적으로 낮춤으로써, 의료 관리 코스에 대한 설정의 정확성과 신뢰성을 높일 수 있다.
예컨대, 제어부(190)는 각 시간적 이력에 해당되는 입력 인자들 중에서, 공기 오염도에 대한 상대적 가중치(B''')를 가장 높이고, 날씨에 대한 대한 상대적 가중치(B")를 그 다음으로 높이며, 계절에 대한 상대적 가중치(B')를 상대적으로 낮게 적용할 수 있다.
도 12를 참조하면, 본 발명의 실시예에 따른 제어부(190)는 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들을 더 참조하되, 최근 이력일수록 상대적으로 큰 가중치를 적용할 수 있다.
예컨대, 제어부(190)는 현재 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치(A')를 가장 높이고, 1일전 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치(A")를 그 다음으로 높이며, 2일전 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치(A"')를 상대적으로 낮게 적용할 수 있다. 그리고, 3일전 이력에 해당되는 입력 인자들에 대해 전체적으로 상대적 가중치를 2일전 그것에 비해 더 낮게 적용할 수 있다. 여기서, 1일 단위로 구분된 입력 인자들은 일 예시에 불과하기 때문에, 시간적 이력은 1주 또는 1달과 같이 일정 주기로 확장될 수 있음은 물론이다.
한편, 도면에 도시되지 않았지만, 제어부(190)는 미리 설정된 유저 프로파일에 가중치를 차등 적용할 수 있다. 일 예로, 교복-남-10대에 대한 가중치를 밍크 코트-여-50대에 대한 가중치에 비해 높게 적용할 수 있다. 이렇게 유저 프로파일을 더 참작하여 최적 의류 관리 코스를 설정하면, 의류 처리에 대한 사용자 만족도를 크게 향상시킬 수 있다.
도 13 및 도 14는 본 발명의 실시예에 따른 의류 처리 장치에서 자동 설정을 위한 사용자 입력 예를 설명하기 위한 도면들이다.
본 발명의 실시예에 따른 제어부(190)는 도 13의 자동 메뉴 입력 기반의 사용자 명령, 도 14의 음성 기반의 사용자 명령(알아서 해줘!), 도 14의 비젼 기반의 사용자 명령(착용했던 의류를 옷걸이에 건채로 소정 시간 동안 센서부(160)를 마주함)을 통해 최적 의류 관리 코스를 자동으로 설정하는 동작을 시작할 수 있다.
본 발명의 실시예에 따른 제어부(190)는 입력 인자들을 기반으로 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 최적 의류 관리 코스를 설정할 수 있다.
이를 위해, 본 발명의 실시예에 따른 제어부(190)는 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 라이프 로그 데이터와 시간 이력들과 유저 프로파일을 각 사용자별 학습 모델에 가중치를 다르게 해서 적용할 수 있다.
도 15 및 도 16은 본 발명의 실시예에 따른 의류 처리 장치의 구동방법을 설명하기 위한 도면들이다.
도 15를 참조하면, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신한다(S151).
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 자동으로 최적 의류 관리 코스를 설정하는 것을 지시하는 사용자 명령이 입력되었는지를 판단한다(S152).
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 사용자 명령이 감지되면, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 사용자 맞춤형 최적 의류 관리 코스를 자동으로 설정한다(S153).
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리한다(S154).
도 16을 참조하면, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 복수의 사용자를 대상으로 할 수 있다. 이를 위해, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 의류 처리 장치에 복수의 사용자들에 대한 등록 과정을 수행할 수 있다(S161). 사용자 등록 과정은 메뉴 입력(자동 메뉴 버튼 터치 횟수, 시간 등으로 사용자 구분 가능함), 음성 인식, 비젼 인식 등을 통해 수행될 수 있다.
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 등록된 사용자를 대상으로 입력 인자들을 수신한다. 즉, 등록 사용자의 휴대 단말기에서 생성된 라이프 로그 데이터를 수신함과 아울러 서버에서 보내주는 빅 데이터를 수신한다(S162,S163,S164).
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 사용자 인식 과정을 거친다(S165). 사용자 인식 과정도 메뉴 입력 방식, 음성 인식 방식, 비젼 인식 방식 등을 통해 이루어질 수 있다. 등록된 사용자 인식이 완료되면, 해당 사용자로부터 사용자 명령이 입력되었는지를 판단한다.
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 사용자 명령이 감지되면, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 사용자의 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 해당 사용자에 대한 맞춤형 최적 의류 관리 코스를 자동으로 설정한다(S166).
이어서, 본 발명의 실시예에 따른 의류 처리 장치의 구동방법은 상기 최적 의류 관리 코스에 맞게 동작하여 해당 사용자의 상기 의류를 클린(clean) 처리한다(S167).
전술한 바와 같이 본 발명은 다음과 같은 실시예를 포함할 수 있다.
본 발명의 의류 처리 장치는 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 통신부; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 제어부; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 구동부;를 포함한다.
상기 제어부는, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정한다.
상기 통신부는 통신 네트 워크를 통해 사용자의 휴대 단말기로부터 상기 라이프 로그 데이터를 수신하고, 상기 라이프 로그 데이터는 상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함한다.
상기 라이프 로그 데이터는, 상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성된다.
상기 통신부는, 통신 네트 워크를 통해 기상 서버로부터 상기 빅 데이터를 수신하고, 상기 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함한다.
상기 제어부는, 상기 입력 인자들에 가중치를 차등적으로 적용하고, 상기 가중치가 차등적으로 적용된 상기 입력 인자들을 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여, 상기 최적 의류 관리 코스를 자동으로 설정한다.
상기 제어부는, 상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치를 상대적으로 높이고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치를 상대적으로 낮춘다.
상기 제어부는, 상기 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들을 더 참조하되, 최근 이력일수록 상대적으로 큰 가중치를 적용한다.
상기 제어부는, 상기 최적 의류 관리 코스를 자동으로 설정함에 있어 미리 설정된 유저 프로파일을 더 참조하되, 상기 유저 프로파일에 가중치를 차등 적용한다.
상기 유저 프로파일은 상기 사용자의 착용 의류, 상기 사용자의 성별, 상기 사용자의 나이를 포함한다.
상기 제어부는, 상기 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정한다.
상기 제어부는, 메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 상기 복수의 사용자 중에서 해당 사용자를 인식한다.
상기 제어부는, 상기 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 각 학습 모델에는 상기 복수의 사용자별로 상기 라이프 로그 데이터와 상기 시간 이력들과 상기 유저 프로파일이 반영된다.
본 발명의 의류 처리 장치의 구동방법은 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 단계; 상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계; 및 상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 단계;를 포함한다.
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는, 미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하는 단계; 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 단계; 및 상기 조합에 따라 상기 최적 의류 관리 코스를 자동으로 설정하는 단계를 포함한다.
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는, 상기 입력 인자들에 가중치를 차등적으로 적용하는 단계를 더 포함한다.
상기 입력 인자들에 가중치를 차등적으로 적용하는 단계에서는, 상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치가 상대적으로 높게 적용되고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치가 상대적으로 낮게 적용된다.
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는, 상기 입력 인자들에 대한 시간 이력들을 참조하는 단계를 더 포함하고, 최근 이력일수록 상대적으로 큰 가중치가 적용된다.
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는, 미리 설정된 유저 프로파일을 참조하는 단계를 더 포함하고, 상기 유저 프로파일에는 가중치가 차등 적용된다.
상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계에서는,
복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스가 설정된다.
본 발명의 의류 처리 장치의 구동방법은 메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 상기 복수의 사용자 중에서 해당 사용자를 인식하는 단계를 더 포함한다.
본 발명의 의류 처리 장치의 구동방법은 상기 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하는 단계를 더 포함하고, 각 학습 모델에는 상기 복수의 사용자별로 상기 라이프 로그 데이터와 상기 시간 이력들과 상기 유저 프로파일이 반영된다.
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 (20)

  1. 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 통신부;
    상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 제어부; 및
    상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 구동부;
    를 포함한 인공 지능형 의류 처리 장치.
  2. 제 1 항에 있어서,
    상기 제어부는,
    미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하고, 상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여 상기 최적 의류 관리 코스를 자동으로 설정하는 의류 처리 장치.
  3. 제 1 항에 있어서,
    상기 통신부는 통신 네트 워크를 통해 사용자의 휴대 단말기로부터 상기 라이프 로그 데이터를 수신하고,
    상기 라이프 로그 데이터는,
    상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함한 인공 지능형 의류 처리 장치.
  4. 제 3 항에 있어서,
    상기 라이프 로그 데이터는,
    상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성되는 인공 지능형 의류 처리 장치.
  5. 제 1 항에 있어서,
    상기 통신부는,
    통신 네트 워크를 통해 기상 서버로부터 상기 빅 데이터를 수신하고,
    상기 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함한 인공 지능형 의류 처리 장치.
  6. 제 2 항에 있어서,
    상기 제어부는,
    상기 입력 인자들에 가중치를 차등적으로 적용하고, 상기 가중치가 차등적으로 적용된 상기 입력 인자들을 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하여, 상기 최적 의류 관리 코스를 자동으로 설정하는 인공 지능형 의류 처리 장치.
  7. 제 6 항에 있어서,
    상기 제어부는,
    상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치를 상대적으로 높이고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치를 상대적으로 낮추는 인공 지능형 의류 처리 장치.
  8. 제 7 항에 있어서,
    상기 제어부는,
    상기 최적 의류 관리 코스를 자동으로 설정함에 있어 상기 입력 인자들에 대한 시간 이력들을 더 참조하되, 최근 이력일수록 상대적으로 큰 가중치를 적용하는 인공 지능형 의류 처리 장치.
  9. 제 8 항에 있어서,
    상기 제어부는,
    상기 최적 의류 관리 코스를 자동으로 설정함에 있어 미리 설정된 유저 프로파일을 더 참조하되, 상기 유저 프로파일에 가중치를 차등 적용하는 인공 지능형 의류 처리 장치.
  10. 제 9 항에 있어서,
    상기 유저 프로파일은 상기 사용자의 착용 의류, 상기 사용자의 성별, 상기 사용자의 나이를 포함한 인공 지능형 의류 처리 장치.
  11. 제 10 항에 있어서,
    상기 제어부는,
    상기 입력 인자들을 기반으로 상기 최적 의류 관리 코스를 설정함에 있어, 복수의 사용자별로 개별적으로 상기 최적 의류 관리 코스를 설정하는 인공 지능형 의류 처리 장치.
  12. 제 11 항에 있어서,
    상기 제어부는,
    메뉴 입력 기반의 사용자 인식 방법, 음성 기반의 사용자 인식 방법, 및 비젼 기반의 사용자 인식 방법 중에서 적어도 어느 하나의 사용자 인식 방법을 통해 상기 복수의 사용자 중에서 해당 사용자를 인식하는 인공 지능형 의류 처리 장치.
  13. 제 12 항에 있어서,
    상기 제어부는,
    상기 입력 인자들에 대한 학습 모델을 상기 복수의 사용자별로 개별적으로 구축하되, 각 학습 모델에는 상기 복수의 사용자별로 상기 라이프 로그 데이터와 상기 시간 이력들과 상기 유저 프로파일이 반영된 인공 지능형 의류 처리 장치.
  14. 의류에 영향을 줄 수 있는 외부 환경 정보에 대한 빅 데이터와, 상기 의류를 착용한 사용자의 활동 정보를 포함한 라이프 로그(life log) 데이터를 수신하는 단계;
    상기 빅 데이터와 상기 라이프 로그 데이터를 포함한 입력 인자들을 기반으로 상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계; 및
    상기 최적 의류 관리 코스에 맞게 동작하여 상기 의류를 클린(clean) 처리하는 단계;
    를 포함한 인공 지능형 의류 처리 장치의 구동방법.
  15. 제 14 항에 있어서,
    상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는,
    미리 설정된 복수의 기 저장 의류 관리 코스들을 인식하는 단계;
    상기 입력 인자들에 대한 가중치 처리 결과를 기반으로 적어도 2 이상의 기 저장 의류 관리 코스들을 조합하는 단계; 및
    상기 조합에 따라 상기 최적 의류 관리 코스를 자동으로 설정하는 단계를 포함한 의류 처리 장치의 구동방법.
  16. 제 14 항에 있어서,
    상기 라이프 로그 데이터는,
    상기 사용자가 위치한 장소 정보, 상기 사용자가 위치한 장소의 공기 오염도 정보, 상기 사용자의 이동 수단 정보, 상기 사용자의 외부 환경에 대한 노출 시간 정보, 및 상기 사용자의 활동성 정보 중에서 적어도 둘 이상을 포함하고, 사용자의 휴대 단말기로부터 수신되는 인공 지능형 의류 처리 장치의 구동방법
  17. 제 16 항에 있어서,
    상기 라이프 로그 데이터는,
    상기 사용자에 대한 위치 정보와, 상기 사용자의 위치를 기준으로 한 주변 영상 정보와, 상기 사용자의 위치를 기준으로 한 주변 음향 정보 중에서 적어도 하나 이상을 기반으로 상기 사용자의 휴대 단말기에서 생성되는 인공 지능형 의류 처리 장치의 구동방법.
  18. 제 14 항에 있어서,
    상기 빅 데이터는 계절 정보와, 온도 및 습도에 관한 날씨 정보를 포함하고, 기상 서버로부터 수신되는 인공 지능형 의류 처리 장치의 구동방법.
  19. 제 15 항에 있어서,
    상기 의류에 대한 최적 의류 관리 코스를 자동으로 설정하는 단계는,
    상기 입력 인자들에 가중치를 차등적으로 적용하는 단계를 더 포함한 의류 처리 장치의 구동방법.
  20. 제 19 항에 있어서,
    상기 입력 인자들에 가중치를 차등적으로 적용하는 단계에서는,
    상기 입력 인자들 중에서, 상기 의류에 대한 영향력이 상대적으로 큰 입력 인자의 가중치가 상대적으로 높게 적용되고, 상기 의류에 대한 영향력이 상대적으로 작은 입력 인자의 가중치가 상대적으로 낮게 적용되는 인공 지능형 의류 처리 장치의 구동방법.
PCT/KR2019/009634 2019-08-01 2019-08-01 인공 지능형 의류 처리 장치와 그 구동방법 WO2021020633A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/490,058 US11591736B2 (en) 2019-08-01 2019-08-01 Artificial intelligent based clothes handling apparatus and driving method of the same
PCT/KR2019/009634 WO2021020633A1 (ko) 2019-08-01 2019-08-01 인공 지능형 의류 처리 장치와 그 구동방법
KR1020190103595A KR20190104949A (ko) 2019-08-01 2019-08-23 인공 지능형 의류 처리 장치와 그 구동방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/009634 WO2021020633A1 (ko) 2019-08-01 2019-08-01 인공 지능형 의류 처리 장치와 그 구동방법

Publications (1)

Publication Number Publication Date
WO2021020633A1 true WO2021020633A1 (ko) 2021-02-04

Family

ID=67949344

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/009634 WO2021020633A1 (ko) 2019-08-01 2019-08-01 인공 지능형 의류 처리 장치와 그 구동방법

Country Status (3)

Country Link
US (1) US11591736B2 (ko)
KR (1) KR20190104949A (ko)
WO (1) WO2021020633A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102536018B1 (ko) * 2018-03-07 2023-05-23 일렉트로룩스 어플라이언스 아크티에볼레그 사용자 감지 기능을 갖는 세탁 기기
KR20210081686A (ko) * 2019-12-24 2021-07-02 엘지전자 주식회사 의류의 움직임에 기반한 무빙행거 제어
KR102628670B1 (ko) * 2021-08-30 2024-01-25 신농(주) ＩｏＴ 기반의 스마트 의류 건조기 및 이를 포함하는 시스템
US20240026589A1 (en) * 2022-07-20 2024-01-25 Haier Us Appliance Solutions, Inc. Laundry appliances with customized features

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006288873A (ja) * 2005-04-13 2006-10-26 Toshiba Corp ランドリーシステム
KR20120038271A (ko) * 2010-10-13 2012-04-23 삼성전자주식회사 세탁기의 제어 방법
KR20180016599A (ko) * 2015-06-17 2018-02-14 칭다오 하이어 워싱 머신 캄파니 리미티드 지능형 의류 세탁 제어 시스템 및 제어 방법
KR20180119486A (ko) * 2017-04-25 2018-11-02 엘지전자 주식회사 사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템
KR20190087348A (ko) * 2019-07-04 2019-07-24 엘지전자 주식회사 의류처리장치 및 의류처리장치의 동작 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19855503B4 (de) * 1998-12-01 2006-12-28 BSH Bosch und Siemens Hausgeräte GmbH Wäschebehandlungsmaschine
US8713975B2 (en) * 2009-12-17 2014-05-06 Whirlpool Corporation Laundry treating appliance control system
US20170061009A1 (en) * 2015-08-24 2017-03-02 Linkedin Corporation Relationship temperature
DE102017202334A1 (de) * 2017-02-14 2018-08-16 BSH Hausgeräte GmbH Haushaltsgerät zur Behandlung von Wäschestücken mit verbesserter Bedienung, Verfahren zu seinem Betrieb und System umfassend ein solches Haushaltsgerät
US20200028703A1 (en) * 2018-07-19 2020-01-23 Rivieh Inc. Intelligent Environment Control Systems And Methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006288873A (ja) * 2005-04-13 2006-10-26 Toshiba Corp ランドリーシステム
KR20120038271A (ko) * 2010-10-13 2012-04-23 삼성전자주식회사 세탁기의 제어 방법
KR20180016599A (ko) * 2015-06-17 2018-02-14 칭다오 하이어 워싱 머신 캄파니 리미티드 지능형 의류 세탁 제어 시스템 및 제어 방법
KR20180119486A (ko) * 2017-04-25 2018-11-02 엘지전자 주식회사 사용자가 수행한 코스 및 옵션의 패턴을 인공지능을 통해 학습하여 맞춤형 코스와 옵션을 추천하는 의류처리장치와 그 제어방법 및 상기 의류처리장치를 포함하는 온라인 시스템
KR20190087348A (ko) * 2019-07-04 2019-07-24 엘지전자 주식회사 의류처리장치 및 의류처리장치의 동작 방법

Also Published As

Publication number Publication date
US11591736B2 (en) 2023-02-28
KR20190104949A (ko) 2019-09-11
US20210381149A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
WO2021020633A1 (ko) 인공 지능형 의류 처리 장치와 그 구동방법
WO2021010506A1 (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2021010505A1 (ko) 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2021085778A1 (ko) 지능형 세탁기
US20200092465A1 (en) Method for editing image based on artificial intelligent and artificial device
US11245544B2 (en) Intelligent washing machine and method for controlling washing timing using the same
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2020246649A1 (ko) 엣지 컴퓨팅 디바이스에서 음성 인식 방법
WO2018070768A1 (ko) 모니터링 시스템 제어 방법 및 이를 지원하는 전자 장치
KR20190090368A (ko) 지능적 가전 제어 방법, 가전을 제어하는 장치 및 지능형 컴퓨팅 디바이스
WO2021149879A1 (ko) 피접촉면의 재질에 따른 청소로봇 제어방법
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
WO2020262737A1 (ko) 지능형 로봇 청소기
WO2021010504A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2020251066A1 (ko) 지능형 로봇 디바이스
WO2021015301A1 (ko) 지능형 세탁기와 그 제어방법
WO2020251067A1 (ko) 인공 지능형 냉장고 및 이의 식품 보관 방법
WO2021132818A1 (ko) 의류의 움직임에 기반한 무빙행거 제어
KR20210052920A (ko) 무빙 행거를 이용한 의류 관리
WO2020246639A1 (ko) 증강현실 전자기기의 제어방법
KR20210054796A (ko) 지능형 디바이스의 도어 오픈 모니터링
WO2020138856A1 (en) Method and apparatus for cell reselection in wireless communication system
KR20190103085A (ko) 지능형 진단 디바이스
WO2021167171A1 (ko) 지능형 조리장치의 제어
WO2020017814A1 (ko) 이상 개체 검출 시스템 및 방법

Legal Events

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

Ref document number: 19939595

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: 19939595

Country of ref document: EP

Kind code of ref document: A1