WO2021080108A1 - 전자 장치의 용도에 부적합한 물품의 검출 - Google Patents

전자 장치의 용도에 부적합한 물품의 검출 Download PDF

Info

Publication number
WO2021080108A1
WO2021080108A1 PCT/KR2020/006966 KR2020006966W WO2021080108A1 WO 2021080108 A1 WO2021080108 A1 WO 2021080108A1 KR 2020006966 W KR2020006966 W KR 2020006966W WO 2021080108 A1 WO2021080108 A1 WO 2021080108A1
Authority
WO
WIPO (PCT)
Prior art keywords
electronic device
image
item
detecting
detection model
Prior art date
Application number
PCT/KR2020/006966
Other languages
English (en)
French (fr)
Inventor
이현숙
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
Publication of WO2021080108A1 publication Critical patent/WO2021080108A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • the present specification relates to the detection of articles unsuitable for use in electronic devices.
  • the artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike the existing Rule-based smart system, the machine learns, judges, and becomes smarter by itself. As artificial intelligence systems are used, their recognition rate improves and users' tastes can be understood more accurately, and existing rule-based smart systems are gradually being replaced by deep learning-based artificial intelligence systems.
  • Machine learning Deep learning
  • component technologies using machine learning.
  • Home appliances have a specific use, and users insert items into the home appliances to suit the use of home appliances. However, if an article that does not fit the purpose of the home appliance is inserted due to the user's negligence or ignorance, a malfunction or failure may occur in the home appliance, or damage to the user's article may occur.
  • the present specification aims to solve the above-described necessity and/or problem.
  • the present specification aims to implement detection of an article unsuitable for the use of an electronic device capable of identifying an article that does not meet the function of the home appliance.
  • the present specification aims to implement detection of an article unsuitable for the use of an electronic device capable of guiding a user by grasping an object incorrectly placed inside a home appliance.
  • a method of detecting an article unsuitable for an electronic device may include generating an image inside the electronic device; Classifying at least one item included in the image into at least one or more groups by applying the image to a pre-learned artificial neural network-based detection model; And generating a guide message for the classified result; wherein the group includes a first group including first items that meet a purpose of the electronic device and a second group that does not meet the purpose of the electronic device. It may include a second group containing items.
  • the electronic device may be any one of a refrigerator, a washing machine, a dryer, or an oven.
  • the detection model may be a learning model based on an artificial neural network that is learned using a plurality of training images and group information labeled with respect to the plurality of training images.
  • the plurality of training images may include a first training image of a first item that meets the purpose of the electronic device and a second training image of a second item that does not meet the purpose of the electronic device.
  • generating the image may generate the image in response to the door being closed.
  • transmitting the generated guide message to a user terminal Receiving a response to the guidance message and updating a training image of the detection model according to the response content; And training the detection model using the updated training image and group information labeled with respect to the updated training image.
  • the detection model may be a learning model based on an artificial neural network personalized according to a user recognition result.
  • the user identification information may include at least one or more of the user's fingerprint, face, iris, or voice.
  • the guide message may be a message requesting group information on the unclassified item.
  • transmitting the generated guide message to a user terminal Receiving a response to the guidance message and updating a training image of the detection model according to the response content; And training the detection model using the updated training image and group information labeled with respect to the updated training image.
  • an apparatus for detecting an article unsuitable for use of an electronic device includes: a camera that generates an image inside the electronic device; By applying the image to a pre-learned artificial neural network-based detection model, classifying at least one item included in the image into at least one or more groups, and guiding the classified result
  • a processor for generating a message wherein the group comprises a first group including first items corresponding to a purpose of the electronic device and a second group including second items not conforming to the purpose of the electronic device.
  • This specification can identify articles that do not fit the function of the home appliance.
  • an object incorrectly placed inside the home appliance may be identified in advance and guided to the user.
  • 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 illustrating an example of a method of transmitting/receiving a signal in a wireless communication system.
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • FIG. 4 is a block diagram of an AI device according to an embodiment of the present specification.
  • FIG. 5 is a diagram illustrating a block diagram of an electronic device.
  • FIG. 6 is a sequence diagram of a method for detecting an article unsuitable for use of an electronic device according to the first exemplary embodiment of the present specification.
  • FIG. 7 is a sequence diagram of a method for detecting an article unsuitable for use of an electronic device according to a second exemplary embodiment of the present specification.
  • FIG. 8 is a flowchart of a method of detecting an article unsuitable for use of an electronic device according to various embodiments of the present specification.
  • FIG. 9 is a diagram for describing a method of detecting an article unsuitable for a refrigerator according to various embodiments of the present specification.
  • FIG. 10 is a diagram for describing a method of detecting an article unsuitable for use of a washing machine according to various embodiments of the present specification.
  • 11 is a view for explaining a method of detecting an article unsuitable for the use of an oven according to various embodiments of the present specification.
  • 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 a first communication device and an AI device may be referred to as a second communication device.
  • the first communication device or the second communication device may be a base station, a network node, a transmission terminal, a reception terminal, a wireless device, a wireless communication device, a vehicle, a vehicle equipped with an autonomous driving function, and a connected car.
  • drones 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 a 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 that can be worn 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 diagnosis (extra-corporeal), a device for hearing aids 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.
  • FIG. 2 is a diagram illustrating an example of a method of transmitting/receiving a signal 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 check a downlink channel state by receiving a downlink reference signal (DL RS) in the initial cell search step.
  • 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 to 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. If the UE succeeds in decoding one of the PDCCH candidates in the discovery 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 (ie, 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 ie, downlink grant; DL grant
  • uplink grant UL 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 a Synchronization Signal/Physical Broadcast Channel (SS/PBCH) block.
  • SS/PBCH Synchronization Signal/Physical Broadcast Channel
  • the SSB consists of PSS, SSS and PBCH.
  • the SSB is composed of four 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 the PDCCH that schedules the PDSCH carrying 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 of the random access procedure in the UL through the PRACH. Random access preamble sequences having two different lengths are supported.
  • the long sequence length 839 is applied for subcarrier spacing of 1.25 and 5 kHz, and the 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 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 there is a random access preamble ID for the preamble transmitted by the UE. 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 RSRP corresponding thereto to the BS. For example, when 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 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 BS's Tx beam sweeping process 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 to'beam management' (RRC parameter) from the BS.
  • SRS-Config IE is used for SRS transmission configuration.
  • the 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.
  • the 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 the beamforming 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, a beam failure is declared.
  • the UE triggers beam failure recovery by initiating a random access procedure 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, these are prioritized by the UE). Upon completion of the random access procedure, it is considered that the 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 another transmission
  • URLLC UE uses the corresponding resource for UL 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 corresponding 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 INT-ConfigurationPerServing Cell including a set of serving cell indexes provided by servingCellID and a corresponding set of positions for fields in DCI format 2_1 by positionInDCI, and dci-PayloadSize It is set with the information payload size for DCI format 2_1 by and is set with the indication granularity of time-frequency resources by timeFrequencySect.
  • the UE receives DCI format 2_1 from the BS based on the DownlinkPreemption IE.
  • the UE When the UE detects the DCI format 2_1 for the serving cell in the set set of serving cells, the UE is the DCI format among the set of PRBs and symbols of the monitoring period immediately preceding the monitoring period to which the DCI format 2_1 belongs. It may be assumed that there is no transmission to the UE in the PRBs and symbols indicated by 2_1. For example, the UE considers 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 5G scenarios to support hyper-connection services that communicate with a large number of UEs at the same time.
  • 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 for a long time.
  • 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), and PUSCH, 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
  • a 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, the 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 prior to step S1 of FIG. 3. 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 the process of receiving a signal from the 5G network by the UE 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.
  • the UE receives DCI format 2_1 including a pre-emption indication from the 5G network based on the DownlinkPreemption IE.
  • the UE does not perform (or expect or assume) the reception of eMBB data in the resource (PRB and/or OFDM symbol) indicated by the pre-emption indication. Thereafter, when the UE needs to transmit specific information, it may receive a UL grant from the 5G network.
  • the UE receives a UL grant from the 5G network to transmit specific information to the 5G network.
  • the UL grant includes information on the number of repetitions for transmission of the specific information, and the specific information may be repeatedly transmitted based on the information on the number of repetitions. That is, the UE transmits specific information to the 5G network based on the UL grant.
  • repetitive transmission of specific information may be performed through frequency hopping, transmission of first specific information may be transmitted in a first frequency resource, and transmission of second specific information may be transmitted in a second frequency resource.
  • the specific information may be transmitted through a narrowband of 6RB (Resource Block) or 1RB (Resource Block).
  • FIG. 4 is a block diagram of an AI device according to an embodiment of the present specification.
  • the AI device 20 may include an electronic device including an AI module capable of performing AI processing or a server including the AI module.
  • the AI apparatus 20 may be included as a component of at least a part of the device shown in FIG. 5 and may be provided to perform at least a part of AI processing together.
  • the AI processing may include all operations related to control of the device shown in FIG. 5.
  • the AI device 20 may include an AI processor 21, a memory 25 and/or a communication unit 27.
  • the AI device 20 is a computing device capable of learning a neural network, and may be implemented as various electronic devices such as a server, a desktop PC, a notebook PC, and a tablet PC.
  • the AI processor 21 may learn a neural network using a program stored in the memory 25.
  • the AI processor 21 may learn a neural network for recognizing device-related data.
  • the neural network for recognizing device-related data 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 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
  • a processor that performs the functions as described above may be a general-purpose processor (eg, a CPU), but may be an AI-only processor (eg, a GPU) for artificial intelligence learning.
  • a general-purpose processor eg, a CPU
  • an AI-only processor eg, a GPU
  • the memory 25 may store various programs and data required for the operation of the AI device 20.
  • the memory 25 may be implemented as a non-volatile memory, a volatile memory, a flash memory, a hard disk drive (HDD), or a solid state drive (SDD).
  • the memory 25 is accessed by the AI processor 21, and data read/write/edit/delete/update by the AI processor 21 may be performed.
  • the memory 25 may store a neural network model (eg, a deep learning model 26) generated through a learning algorithm for classifying/recognizing data according to an embodiment of the present specification.
  • the AI processor 21 may include a data learning unit 22 that learns a neural network for data classification/recognition.
  • the data learning unit 22 may learn a criterion for how to classify and recognize data using which training data to use in order to determine data classification/recognition.
  • the data learning unit 22 may learn the deep learning model by acquiring training data to be used for training and applying the acquired training data to the deep learning model.
  • the data learning unit 22 may be manufactured in the form of at least one hardware chip and mounted on the AI device 20.
  • the data learning unit 22 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be manufactured as a part of a general-purpose processor (CPU) or a dedicated graphics processor (GPU) to the AI device 20. It can also be mounted.
  • the data learning unit 22 may be implemented as a software module. When implemented as a software module (or a program module including an instruction), the software module may be stored in a computer-readable non-transitory computer readable media. In this case, at least one software module may be provided by an operating system (OS) or an application.
  • OS operating system
  • application application
  • the data learning unit 22 may include a learning data acquisition unit 23 and a model learning unit 24.
  • the training data acquisition unit 23 may acquire training data necessary for a neural network model for classifying and recognizing data.
  • the training data acquisition unit 23 may acquire vehicle data and/or sample data for input into a neural network model as training data.
  • the model learning unit 24 may learn to have a criterion for determining how the neural network model classifies predetermined data by using the acquired training data.
  • the model learning unit 24 may train the neural network model through supervised learning using at least a portion of the training data as a criterion for determination.
  • the model learning unit 24 may train the neural network model through unsupervised learning to discover a criterion by self-learning using the training data without guidance.
  • the model learning unit 24 may train the neural network model through reinforcement learning by using feedback on whether the result of the situation determination according to the learning is correct.
  • the model learning unit 24 may train the neural network model by using a learning algorithm including an error back-propagation method or a gradient decent method.
  • the model learning unit 24 may store the learned neural network model in a memory.
  • the model learning unit 24 may store the learned neural network model in a memory of a server connected to the AI device 20 via a wired or wireless network.
  • the data learning unit 22 further includes a training data preprocessor (not shown) and a training data selection unit (not shown) to improve the analysis result of the recognition model or to save resources or time required for generating the recognition model. You may.
  • the learning data preprocessor may preprocess the acquired data so that the acquired data can be used for learning to determine a situation.
  • the training data preprocessor may process the acquired data into a preset format so that the model training unit 24 can use the training data acquired for learning for image recognition.
  • the learning data selection unit may select data necessary for learning from the learning data obtained by the learning data acquisition unit 23 or the learning data preprocessed by the preprocessor.
  • the selected training data may be provided to the model learning unit 24.
  • the learning data selection unit may select only data on an object included in the specific region as the learning data by detecting a specific region among images acquired through a camera of the vehicle.
  • the data learning unit 22 may further include a model evaluation unit (not shown) to improve the analysis result of the neural network model.
  • the model evaluation unit may input evaluation data to the neural network model, and when an analysis result output from the evaluation data does not satisfy a predetermined criterion, the model learning unit 22 may retrain.
  • the evaluation data may be predefined data for evaluating the recognition model.
  • the model evaluation unit may evaluate as not satisfying a predetermined criterion if the number or ratio of evaluation data whose analysis result is not accurate among the analysis results of the learned recognition model for evaluation data exceeds a threshold value. have.
  • the communication unit 27 may transmit the AI processing result by the AI processor 21 to an external electronic device.
  • the AI device 20 shown in FIG. 4 has been functionally divided into an AI processor 21, a memory 25, and a communication unit 27, but the above-described components are integrated into one module. It should be noted that it may also be called as.
  • FIG. 5 is a diagram illustrating a block diagram of an electronic device.
  • the electronic device 100 may include at least one processor, a memory, an output device, an input device, an input/output interface, a sensor, and a communication module.
  • the processor 110 may include one or more application processors (APs), one or more communication processors (CPs), or at least one or more artificial intelligence processors (AI processors).
  • APs application processors
  • CPs communication processors
  • AI processors artificial intelligence processors
  • the application processor, the communication processor, or the AI processor may be included in different integrated circuit (IC) packages, respectively, or may be included in one IC package.
  • the application processor may drive an operating system or an application program to control a plurality of hardware or software components connected to the application processor, and perform various data processing/operations including multimedia data.
  • the application processor may be implemented as a system on chip (SoC).
  • SoC system on chip
  • the processor 110 may further include a graphic processing unit (GPU) (not shown).
  • GPU graphic processing unit
  • the communication processor may manage a data link and convert a communication protocol in communication between the electronic device 100 and other electronic devices connected through a network.
  • the communication processor can be implemented as an SoC.
  • the communication processor may perform at least a part of the multimedia control function.
  • the communication processor may control data transmission/reception of the communication module 170.
  • the communication processor may be implemented to be included as at least a part of the application processor.
  • the application processor or the communication processor may load and process commands or data received from at least one of a nonvolatile memory or other components connected to each of the volatile memory.
  • the application processor or the communication processor may store data received from at least one of the other components or generated by at least one of the other components in the nonvolatile memory.
  • the memory 120 may include an internal memory or an external memory.
  • the built-in memory is a volatile memory (e.g., dynamic RAM (DRAM), static RAM (SRAM), synchronous dynamic RAM (SDRAM), etc.)) or a non-volatile memory non-volatile memory (e.g., one time programmable ROM (OTPROM), It may include at least one of PROM (programmable ROM), EPROM (erasable and programmable ROM), EEPROM (electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory, etc.).
  • the internal memory may take the form of a solid state drive (SSD).
  • the external memory is a flash drive, for example, compact flash (CF), secure digital (SD), micro secure digital (Micro-SD), mini secure digital (Mini-SD), and extreme digital (xD).
  • CF compact flash
  • SD secure digital
  • Micro-SD micro secure digital
  • mini secure digital mini secure digital
  • the output device 130 may include at least one of a display module and a speaker.
  • the output device 130 may display various types of data including multimedia data, text data, voice data, and the like to the user or output them as sound.
  • the input device 140 may include a touch panel, a digital pen sensor, a key, or an ultrasonic input device.
  • the input device 140 may be an input/output interface 150.
  • the touch panel may recognize a touch input using at least one of a capacitive type, a pressure sensitive type, an infrared type, or an ultrasonic type.
  • the touch panel may further include a controller (not shown). In the case of capacitive type, not only direct touch but also proximity recognition is possible.
  • the touch panel may further include a tactile layer. In this case, the touch panel may provide a tactile reaction to the user.
  • the digital pen sensor may be implemented using the same or similar method as receiving a user's touch input, or using a separate recognition layer.
  • the key may be a keypad or a touch key.
  • the ultrasonic input device is a device that can check data by detecting a micro sound wave in a terminal through a pen that generates an ultrasonic signal, and wireless recognition is possible.
  • the electronic device 100 may receive a user input from an external device (eg, a network, a computer, or a server) connected thereto by using the communication module 170.
  • an external device eg, a network, a computer, or a server
  • the input device 140 may further include a camera module and a microphone.
  • the camera module is a device capable of capturing images and moving pictures, and may include one or more image sensors, an image signal processor (ISP), or a flash LED.
  • the microphone can receive an audio signal and convert it into an electrical signal.
  • the input/output interface 150 may transmit commands or data input from a user through an input device or an output device through a bus (not shown), to the processor 110, the memory 120, the communication module 170, and the like.
  • the input/output interface 150 may provide data on a user's touch input input by opening a touch panel to the processor 110.
  • the input/output interface 150 may output commands or data received from the processor 110, the memory 120, the communication module 170, and the like through the output device 130 through a bus.
  • the input/output interface 150 may output voice data processed through the processor 110 to a user through a speaker.
  • the sensor module 160 includes a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a red, green, blue (RGB) sensor, a biometric sensor, a temperature/humidity sensor, an illuminance sensor, or a UV ( ultra violet) sensors.
  • the sensor module 160 may measure a physical quantity or detect an operating state of the electronic device 100 and convert the measured or sensed information into an electrical signal.
  • the sensor module 160 includes an olfactory sensor (E-nose sensor), an EMG sensor (electromyography sensor), an EEG sensor (electroencephalogram sensor, not shown), an ECG sensor (electrocardiogram sensor), a PPG sensor (photoplethysmography sensor). ), a heart rate monitor sensor, a perspiration sensor, or a fingerprint sensor.
  • the sensor module 160 may further include a control circuit for controlling at least one or more sensors included therein.
  • the communication module 170 may include a wireless communication module or an RF module.
  • the wireless communication module may include, for example, Wi-Fi, BT, GPS or NFC.
  • the wireless communication module may provide a wireless communication function using a radio frequency.
  • the wireless communication module provides a network interface or modem for connecting the electronic device 100 to a network (eg, Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS or 5G network, etc.).
  • a network eg, Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS or 5G network, etc.
  • the RF module may be responsible for transmitting and receiving data, for example, transmitting and receiving an RF signal or a called electronic signal.
  • the RF module may include a transceiver, a power amp module (PAM), a frequency filter, or a low noise amplifier (LNA).
  • the RF module may further include a component for transmitting and receiving an electromagnetic wave in a free space in wireless communication, for example, a conductor or a conducting wire.
  • the electronic device 100 includes at least one of a TV, a refrigerator, an oven, a clothing styler, a robot cleaner, a drone, an air conditioner, an air purifier, a PC, a speaker, a home CCTV, a lighting, a washing machine, and a smart plug. Can include. Since the components of the electronic device 100 described in FIG. 4 are examples of components generally included in the electronic device, the electronic device 100 according to the embodiment of the present specification is not limited to the above-described components, and is required. It may be omitted and/or added accordingly.
  • the electronic device 100 performs an artificial intelligence-based control operation by receiving an AI processing result from the AI device shown in FIG. 4, or includes an AI module in which the components of the AI device are integrated into one module. AI processing can be performed in an (on-device) manner.
  • FIGS. 6 and 7 are sequence diagram of a method for detecting an article unsuitable for use of an electronic device according to the first exemplary embodiment of the present specification.
  • '5G network' may be used interchangeably with'server' or'network'.
  • the electronic device UE2 is illustrated as representing a home appliance, but is not limited thereto.
  • the electronic device UE2 may detect the closing of the door (S110).
  • the electronic device UE2 may detect the closing of the door from an electric signal generated from the electronic device UE2 or a sensor provided in the door of the electronic device UE2.
  • the closing of the door may be detected from an electrical signal generated due to pressure generated when the door is closed.
  • the closing of the door may be detected from sound waves generated when the door is closed.
  • the sensing operation of detecting the closing of the door includes all operations that can be sensed through at least one sensor provided in the electronic device UE2, and is not limited to the above-described exemplary/enumerated case.
  • the electronic device UE2 may generate an image inside the electronic device (S120).
  • the electronic device UE2 may generate an image through the camera in response to the door being closed.
  • At least one camera may be disposed inside the electronic device.
  • a light source for capturing an image inside the electronic device may be disposed. The light source is turned on while capturing an image inside, and is turned off when the capturing operation is finished.
  • the electronic device UE2 may transmit the generated image to the server NET (S130).
  • the server NET may classify at least one or more items included in the image into at least one or more groups by applying the image to a detection model based on an artificial neural network.
  • the artificial neural network-based detection model may be an artificial neural network model that has been pre-trained in the server (NET).
  • the server NET may generate a detection model using a plurality of training images and group information labeled with respect to the plurality of training images.
  • the server NET may perform learning of the detection model. Learning of the detection model may be performed by applying a training image to the detection model, calculating an error by comparing the output value of the detection model with labeling data, and backpropagating the error.
  • the plurality of training images may include a first training image of a first item that meets the purpose of the electronic device UE2 and a second training image of a second item that does not meet the purpose of the electronic device UE2. .
  • the first and second items may be different according to the usage of the electronic device UE2.
  • the first and second items may be items set in advance in the learning step of the first detection model. Specific examples of the first and second items will be described later with reference to FIGS. 9 to 11.
  • the group may include a first item group that meets the purpose of the electronic device UE2 and a second item group that does not meet the use of the electronic device UE2.
  • the method of detecting an article unsuitable for the use of an electronic device may provide a personalized AI function using a database personalized according to a user.
  • the electronic device may receive user identification information to lighten the user through the sensor.
  • the user can be recognized from the user identification information.
  • the detection model may be a learning model based on an artificial neural network personalized according to a user recognition result.
  • the user identification information may include at least one of a user's fingerprint, face, iris, or voice.
  • the server NET may generate a guide message for the classified result.
  • the guide message may include at least one of an internal image, an attribute of an item included in the internal image, a creation time, or a type of the electronic device UE2 in which the image is generated.
  • the server NET may transmit the generated guide message to the user terminal UE1 (S150).
  • the user terminal UE1 determines at least one of the internal image included in the guide message, the attribute of the item included in the internal image, the creation time, or the type of the electronic device UE2 in which the image was generated. Can be displayed through the display.
  • the user terminal UE1 may transmit a response to the guide message.
  • the server NET may update the training data set including the training image of the detection model and labeling data for the training image according to the response content to the guide message (S160 and S170).
  • the server NET may train the detection model using the updated training image and group information labeled with the updated training image. As a result, the detection model is trained to reflect the user's propensity, and after sufficient learning is achieved, the detection model is optimized for the user, so that a more accurate result value can be calculated.
  • FIG. 7 is a sequence diagram of a method for detecting an article unsuitable for use of the electronic device UE2 according to the second exemplary embodiment of the present specification.
  • FIG. 6 parts in common with the above-described contents will be omitted, and differences will be mainly described.
  • the electronic device UE2 may detect the closing of the door (S210).
  • the electronic device UE2 may generate an image inside the electronic device (S220).
  • the electronic device UE2 may generate an image through the camera in response to the door being closed.
  • the electronic device UE2 may classify at least one or more items included in the image into at least one or more groups by applying the image to the artificial neural network-based detection model (S230).
  • the group may include a first item group that meets the purpose of the electronic device UE2 and a second item group that does not meet the use of the electronic device UE2.
  • the electronic device UE2 may generate a guide message for the classified result.
  • the electronic device UE2 may transmit the generated guide message to the user terminal UE1 (S240).
  • the user terminal UE1 may transmit a response to the guide message (S250).
  • the electronic device UE2 may update the training dataset including the training image of the detection model and labeling data for the training image according to the response content to the guide message (S260).
  • the electronic device UE2 may train the detection model using the updated training image and group information labeled with the updated training image. As a result, the detection model is trained to reflect the user's propensity, and after sufficient learning is achieved, the detection model is optimized for the user, so that a more accurate result value can be calculated.
  • AI processing is performed in an on-device method through the processor 110 of the electronic device UE2, it is possible to prevent a problem in which the personal life information of the user is leaked to the outside.
  • FIGS. 6 and 7 are flowchart of a method of detecting an article unsuitable for use of an electronic device according to various embodiments of the present specification.
  • the above-described information in FIGS. 6 and 7 will be omitted, and differences will be mainly described.
  • the processor 110 may generate an image through the camera in response to the door being closed (S310).
  • the processor 110 may determine the possibility of classifying any one of at least one or more items included in the image (S320).
  • the processor 110 may analyze an output value of the detection model, and when the output value is less than an activation threshold value, may deactivate a neuron corresponding to the corresponding output value. When at least one neuron included in the output layer of the detection model is mode deactivated, the processor 110 may determine that the item cannot be classified.
  • the processor 110 when the accuracy of the classification result for at least one item included in the image from the output value of the detection model is less than a preset threshold, the processor 110 considers the classification result to be unreliable, and the processor 110 May determine that the item cannot be classified.
  • the guide message may be a message requesting group information on the unclassified item.
  • the group information refers to a response message indicating that the item corresponds to either a first item group or a second item group.
  • the processor 110 applies the image to the artificial neural network-based detection model, and applies the image to the image. At least one or more included items may be classified into at least one or more groups (S330).
  • the processor 110 may control the operation of the electronic device to be stopped (S331).
  • the processor 110 may generate a guide message for the classified result and transmit the generated guide message to the user terminal UE1 (S340).
  • the processor 110 may receive a response to the guide message and update a training dataset including a training image of the detection model and labeling data for the training image according to the response content (S350).
  • the processor 110 includes the training image of the detection model and labeling data for the training image according to the information of the unclassified item included in the response content. You can update the training data set.
  • the information on the unclassified item may include an image of the unclassified item and/or group information on the unclassified item.
  • the processor 110 may train the detection model using the updated training image and group information labeled with the updated training image (S351).
  • the processor 110 may train a detection model according to information on the unclassified item received from the user terminal UE1.
  • the training dataset may be updated to include an image of an unclassified item and group information labeled with an image of an unclassified item.
  • the processor 110 may control the electronic device UE2 to receive a response to the guide message and perform an additional operation according to the response content (S360).
  • the electronic device UE2 may stop its operation in S331. However, if the detected item does not significantly affect the control, or if the operation of the electronic device (UE2) is not likely to cause significant damage to the item, the electronic device (UE2) to continue the previous control operation or perform another control operation. ) Need to be controlled.
  • the guide message may include a message for controlling the electronic device UE2 to perform a specific operation.
  • the electronic device UE2 may receive a message for controlling to perform a specific operation, and the processor 110 may control the electronic device UE2 to perform a specific operation in response to the received message.
  • FIG. 9 is a diagram for describing a method of detecting an article unsuitable for a refrigerator according to various embodiments of the present specification.
  • FIG 9 illustrates a case in which a remote control and a mask pack are provided inside the refrigerator. Since the refrigerator 11 is generally used for storing food products, the remote control I1a and the mask pack I2a may be classified as items that do not meet the purpose of the refrigerator 11.
  • the refrigerator 11 may generate an image of an item located inside the refrigerator through a camera.
  • the refrigerator 11 may classify whether any one of at least one item included in the image belongs to an item group that meets the purpose of the refrigerator 11 or belongs to an item group that does not meet the purpose of the refrigerator 11. have.
  • the generated image may be updated in a database of items suitable for the purpose of the refrigerator 11.
  • the generated image may be updated in a database of items that do not meet the purpose of the refrigerator 11.
  • the refrigerator 11 may transmit a guide message to the user terminal UE1.
  • the user terminal UE1 may display an image of an item that does not meet the purpose of the refrigerator 11 and the electronic device UE2 in which the image is generated through the display.
  • the user terminal UE1 may display a text “there is a remote control in the refrigerator” because the remote control I1a is an item that does not match the purpose of the refrigerator 11 through the display.
  • the user terminal UE1 is an item that meets the main purpose of the refrigerator 11 through the display, but the mask pack I2a may conform to the function of the refrigerator 11 (for example, a cooling function). Because it is an item,'there is a mask pack in the refrigerator.' Or,'There is a mask pack in the refrigerator. You can display the text “Save in the refrigerator?”. In the case of the mask pack I2a, it may be stored in either the database of the first item group or the database of the second item group according to the content of the response message received from the user terminal UE1.
  • the mask pack I2a it may be stored in either the database of the first item group or the database of the second item group according to the content of the response message received from the user terminal UE1.
  • an item suitable for the purpose of the refrigerator 11 may include at least one of a refrigerated storage product and a frozen storage product. Items that do not meet the purpose of the refrigerator 11 may include precious metals, high-temperature storage items, and the like.
  • the user terminal UE1 displays information on the remote control I1a in the first area R1a of the display and the mask pack information in the second area R1a.
  • the first region R1a may include a first subregion R11a and a second subregion R12a.
  • the first sub-area R11a includes the image of the remote control I1a
  • the second sub-area R12a includes information about the refrigerator in which the image of the remote control I1a is captured.
  • FIG. 10 is a diagram for describing a method of detecting an article unsuitable for use of a washing machine according to various embodiments of the present specification.
  • the 10 illustrates a case in which a diaper and a T-shirt are provided inside a washing machine. Since the washing machine 12 is generally used for storing food products, the diaper I1b and the T-shirt I2b may be classified as items that do not meet the purpose of the washing machine 12.
  • the washing machine 12 may generate an image of an item located inside the washing machine through a camera.
  • the washing machine 12 may classify whether any one of at least one item included in the image belongs to an item group suitable for the purpose of the washing machine 12 or belongs to an item group that does not meet the purpose of the washing machine 12. have.
  • the generated image may be updated in a database of items that meet the purpose of the washing machine 12.
  • the generated image may be updated in a database of items that do not meet the purpose of the washing machine 12.
  • the washing machine 12 may transmit a guide message to the user terminal UE1.
  • the user terminal UE1 may display an image of an item that does not meet the purpose of the washing machine 12 and the electronic device UE2 in which the image is generated through the display.
  • the user terminal UE1 may display the text'There is a diaper in the washing machine' because the diaper I1b is an item that does not match the purpose of the washing machine 12 through the display.
  • the user terminal UE1 displays the T-shirt I2b through the display, so the T-shirt I2b is an item that meets the main purpose of the washing machine 12, so'there is a T-shirt in the washing machine.' Or'I have a T-shirt in the washing machine. Will you store it in the washing machine?' can be displayed.
  • the t-shirt I2b it may be stored in either the database of the diaper group or the database of the second item group according to the content of the response message received from the user terminal UE1.
  • items suitable for use of the washing machine 12 may include machine washable clothing including a T-shirt I2b, cotton pants, towels, underwear, and the like. Items that do not meet the purpose of the washing machine 12 may include precious metals, contaminants, and the like.
  • the user terminal UE1 displays diaper information in a first area R1b of the display and T-shirt information in a second area R1b.
  • the first region R1b may include a first sub-region R11b and a second sub-region R12b.
  • the first sub-area R11b includes an image of the diaper
  • the second sub-area R12b includes information on the washing machine in which the image of the diaper is captured.
  • 11 is a view for explaining a method of detecting an article unsuitable for the use of an oven according to various embodiments of the present specification.
  • FIG 11 illustrates a case in which a spoon I1c and a bread I2c are provided in the oven. Since the oven 13 is generally used for storing food products, the spoon I1c and the bread I2c may be classified as items that do not meet the purpose of the oven 13.
  • the oven 13 may generate an image of an item located inside the oven through a camera.
  • the oven 13 may classify whether any one of the at least one or more items included in the image belongs to an item group suitable for the purpose of the oven 13 or belongs to an item group not suitable for the purpose of the oven 13. have.
  • the generated image may be updated in a database of items suitable for the purpose of the oven 13.
  • the generated image may be updated in a database of items that do not meet the purpose of the oven 13.
  • the oven 13 may transmit a guide message to the user terminal UE1.
  • the user terminal UE1 may display an image of an item that does not meet the purpose of the oven 13 and the electronic device UE2 in which the image is generated through the display.
  • the user terminal UE1 may display the text'There is a spoon in the oven' through the display because the spoon I1c is an item that does not match the purpose of the oven 13.
  • the user terminal UE1 displays, and the bread I2c is an item suitable for the main purpose of the oven 13, so'there is bread in the oven.' Or,'There is bread in the oven. You can display the text “Save in the oven?”.
  • the bread may be stored in either the database of the first item group or the database of the second item group according to the content of the response message received from the user terminal UE1.
  • an item suitable for the use of the oven 13 may include flour kneading, food materials that can be cooked by heating, and the like. Items that do not meet the purpose of the oven 13 may include precious metals, flammable materials, and the like.
  • the user terminal UE1 displays spoon information in a first area R1c of the display and bread information in a second area R1c.
  • the first region R1c may include a first sub-region R11c and a second sub-region R12c.
  • the first sub-region R11c includes the image of the spoon I1c
  • the second sub-region R12c includes information about the oven in which the image of the spoon I1c is captured.
  • the foregoing specification can be implemented as computer-readable code on a medium in which a program is recorded.
  • the computer-readable medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable media include hard disk drives (HDDs), solid state disks (SSDs), silicon disk drives (SDDs), ROMs, RAM, CD-ROMs, magnetic tapes, floppy disks, optical data storage devices, etc.
  • HDDs hard disk drives
  • SSDs solid state disks
  • SDDs silicon disk drives
  • ROMs read-only memory
  • RAM compact disc drives
  • CD-ROMs compact discs
  • magnetic tapes magnetic tapes
  • floppy disks magnetic tapes
  • optical data storage devices etc.
  • carrier wave for example, transmission over the Internet

Landscapes

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

Abstract

전자 장치의 용도에 부적한한 물품의 검출이 개시된다. 본 명세서의 일 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법은, 적어도 하나 이상의 아이템이 포함된 전자 장치 내부의 이미지와 검출 모델을 이용하여 전자 장치의 용도에 부적합한 물품을 검출할 수 있다. 본 명세서의 AI 장치는 인공 지능(Artificial Intelligence) 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

전자 장치의 용도에 부적합한 물품의 검출
본 명세서는 전자 장치의 용도에 부적한한 물품의 검출에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙(Rule) 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
가전은 특정한 쓰임새를 가지고 있으며, 사용자는 가전의 쓰임새에 맞도록 물품을 가전 내부에 투입한다. 다만, 사용자의 과실 또는 무지로 인하여 가전의 쓰임새에 맞지 않는 물품이 투입되는 경우, 가전에 오작동 또는 고장이 발생하거나 사용자의 물품에 손상이 발생할 수 있다.
본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 명세서는, 가전의 기능에 맞지 않는 물품을 식별할 수 있는 전자 장치의 용도에 부적한한 물품의 검출을 구현하는 것을 목적으로 한다.
또한, 본 명세서는, 가전 내부에 잘못 넣은 물체를 미리 파악하여 사용자에게 안내할 수 있는 전자 장치의 용도에 부적한한 물품의 검출을 구현하는 것을 목적으로 한다.
본 명세서의 일 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법은 전자 장치 내부의 이미지를 생성하는 단계; 상기 이미지를 미리 학습된 인공 신경망(artificial neural network) 기반의 검출 모델(detection model)에 적용하여, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류하는 단계; 및 상기 분류된 결과에 대한 안내 메시지를 생성하는 단계;를 포함하고, 상기 그룹은 상기 전자 장치의 용도에 부합하는 제1 아이템들을 포함하는 제1 그룹과 상기 전자 장치의 용도에 부합하지 않는 제2 아이템들을 포함하는 제2 그룹을 포함할 수 있다.
또한, 상기 전자 장치는, 냉장고, 세탁기, 건조기 또는 오븐 중 어느 하나일 수 있다.
또한, 상기 검출 모델은, 복수의 학습 이미지 및 상기 복수의 학습 이미지에 대해 레이블링된 그룹 정보를 이용하여 학습된 인공 신경망 기반의 학습 모델일 수 있다.
또한, 상기 복수의 학습 이미지는, 상기 전자 장치의 용도에 부합하는 제1 아이템의 제1 학습 이미지와 상기 전자 장치의 용도에 부합하지 않는 제2 아이템의 제2 학습 이미지를 포함할 수 있다.
또한, 상기 이미지를 생성하는 단계는, 도어의 닫힘에 응답하여 상기 이미지를 생성할 수 있다.
또한, 상기 생성된 안내 메시지를 사용자 단말로 전송하는 단계; 상기 안내 메시지에 대한 응답을 수신하고, 응답 내용에 따라 상기 검출 모델의 학습 이미지를 업데이트하는 단계; 및 상기 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 상기 검출 모델을 트레이닝하는 단계;를 더 포함할 수 있다.
또한, 센서를 통해 사용자를 식별하기 위한 사용자 식별 정보를 수신하는 단계; 상기 사용자 식별 정보로부터 사용자를 인식하는 단계; 를 더 포함하고, 상기 검출 모델은, 사용자 인식 결과에 따라 개인화된 인공 신경망 기반의 학습 모델일 수 있다.
또한, 상기 사용자 식별 정보는, 상기 사용자의 지문, 얼굴, 홍채 또는 음성 중 적어도 하나 이상을 포함할 수 있다.
또한, 상기 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 미분류 아이템으로 판단되는 경우, 상기 안내 메시지는, 상기 미분류 아이템에 대한 그룹 정보를 요청하는 메시지일 수 있다.
또한, 상기 생성된 안내 메시지를 사용자 단말로 전송하는 단계; 상기 안내 메시지에 대한 응답을 수신하고, 응답 내용에 따라 상기 검출 모델의 학습 이미지를 업데이트하는 단계; 및 상기 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 상기 검출 모델을 트레이닝하는 단계;를 더 포함할 수 있다.
본 명세서의 다른 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 장치는 전자 장치 내부의 이미지를 생성하는 카메라; 상기 이미지를 미리 학습된 인공 신경망(artificial neural network) 기반의 검출 모델(detection model)에 적용하여, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류하고, 상기 분류된 결과에 대한 안내 메시지를 생성하는 프로세서;를 포함하되, 상기 그룹은 상기 전자 장치의 용도에 부합하는 제1 아이템들을 포함하는 제1 그룹과 상기 전자 장치의 용도에 부합하지 않는 제2 아이템들을 포함하는 제2 그룹을 포함할 수 있다.
본 명세서의 일 실시예에 따른 전자 장치의 용도에 부적한한 물품의 검출의 효과에 대해 설명하면 다음과 같다.
본 명세서는 가전의 기능에 맞지 않는 물품을 식별할 수 있다.
또한, 본 명세서는 가전 내부에 잘못 넣은 물체를 미리 파악하여 사용자에게 안내할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 전자 장치의 블록도를 나타내는 도면이다.
도 6은 본 명세서의 제1 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법의 시퀀스 도면이다.
도 7은 본 명세서의 제2 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법의 시퀀스 도면이다.
도 8은 본 명세서의 다양한 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법의 흐름도이다.
도 9는 본 명세서의 다양한 실시예에 따른 냉장고의 용도에 부적합한 물품의 검출 방법을 설명하기 위한 도면이다.
도 10은 본 명세서의 다양한 실시예에 따른 세탁기의 용도에 부적합한 물품의 검출 방법을 설명하기 위한 도면이다.
도 11은 본 명세서의 다양한 실시예에 따른 오븐의 용도에 부적합한 물품의 검출 방법을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 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.
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.
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 명세서에서 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 명세서에서 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 명세서에서 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 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
AI 장치 블록도
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 5에 도시된 디바이스의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 5에 도시된 디바이스의 제어와 관련된 모든 동작들을 포함할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
한편, 도 4에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 5는 전자 장치의 블록도를 나타내는 도면이다.
도 5를 참조하면, 상기 전자 장치(100)는 적어도 하나 이상의 프로세서, 메모리, 출력 장치, 입력 장치, 입출력 인터페이스, 센서, 통신 모듈을 포함할 수 있다.
프로세서(110)는 하나 이상의 어플리케이션 프로세서(application processor, AP), 하나 이상의 커뮤니케이션 프로세서(communication processor, CP) 또는 적어도 하나 이상의 AI 프로세서(artificial intelligence processor)를 포함할 수 있다. 어플리케이션 프로세서, 커뮤니케이션 프로세서 또는 AI 프로세서는 서로 다른 IC(integrated circuit) 패키지들 내에 각각 포함되거나 하나의 IC 패키지 내에 포함될 수 있다.
어플리케이션 프로세서는 운영체제 또는 응용 프로그램을 구동하여 어플리케이션 프로세서에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어하고, 멀티미디어 데이터를 포함한 각종 데이터 처리/연산을 수행할 수 있다. 일 례로, 상기 어플리케이션 프로세서는 SoC(system on chip)로 구현될 수 있다. 프로세서(110)는 GPU(graphic prcessing unit, 미도시)를 더 포함할 수 있다.
커뮤니케이션 프로세서는 전자 장치(100)와 네트워크로 연결된 다른 전자 장치들 간의 통신에서 데이터 링크를 관리하고 통신 프로토콜을 변환하는 기능을 수행할 수 있다. 일 례로, 커뮤니케이션 프로세서는 SoC로 구현될 수 있다. 커뮤니케이션 프로세서는 멀티미디어 제어 기능의 적어도 일부를 수행할 수 있다.
또한, 커뮤니케이션 프로세서는 통신 모듈(170)의 데이터 송수신을 제어할 수 있다. 커뮤니케이션 프로세서는 어플리케이션 프로세서의 적어도 일부로 포함되도록 구현될 수도 있다.
어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 각각에 연결된 비휘발성 메모리 또는 다른 구성요소 중 적어도 하나로부터 수신한 명령 또는 데이터를 휘발성 메모리에 로드(load)하여 처리할 수 있다. 또한, 어플리케이션 프로세서 또는 커뮤니케이션 프로세서는 다른 구성요소 중 적어도 하나로부터 수신하거나 다른 구성요소 중 적어도 하나에 의해 생성된 데이터를 비휘발성 메모리에 저장할 수 있다.
메모리(120)는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리 비휘발성 메모리(예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등) 중 적어도 하나를 포함할 수 있다. 일 실시예에 따르면, 상기 내장 메모리는 SSD(solid state drive)의 형태를 취할 수도 있다. 상기 외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 메모리 스틱(memory stick) 등을 더 포함할 수 있다.
출력 장치(130)는 디스플레이 모듈 또는 스피커 중 적어도 하나 이상을 포함할 수 있다. 출력 장치(130)는 사용자에게 멀티미디어 데이터, 텍스트 데이터, 음성 데이터 등을 포함하는 각종 데이터를 표시하거나 소리로 출력할 수 있다.
입력 장치(140)는 터치 패널(touch panel), 디지털 펜 센서(pen sensor), 키(key), 또는 초음파 입력 장치 등을 포함할 수 있다. 일 례로, 입력 장치(140)는 입출력 인터페이스(150)일 수도 있다. 터치 패널은 정전식, 감압식, 적외선 방식 또는 초음파 방식 중 적어도 하나 이상의 방식으로 터치 입력을 인식할 수 있다. 또한, 터치 패널은 컨트롤러(미도시)를 더 포함할 수도 있다. 정전식의 경우에 직접 터치 뿐만 아니라 근접 인식도 가능하다. 터치 패널은 택타일 레이어(tactile layer)를 더 포함할 수도 있다. 이 경우, 터치 패널은 사용자에게 촉각 반응을 제공할 수 있다.
디지털 펜 센서는 사용자의 터치 입력을 받는 것과 동일 또는 유사한 방법 또는 별도의 인식용 레이어(layer)를 이용하여 구현될 수 있다. 키는 키패드 또는 터치키가 이용될 수 있다. 초음파 입력 장치는 초음파 신호를 발생하는 펜을 통해 단말에서 마이크로 음파를 감지하여 데이터를 확인할 수 있는 장치로서, 무선 인식이 가능하다. 전자 장치(100)는 통신 모듈(170)을 이용하여 이와 연결된 외부 장치(예를 들어, 네트워크, 컴퓨터 또는 서버)로부터 사용자 입력을 수신할 수도 있다.
입력 장치(140)는 카메라 모듈, 마이크로폰을 더 포함할 수 있다. 카메라 모듈은 화상 및 동영상을 촬영할 수 있는 장치로서, 하나 이상의 이미지 센서, ISP(image signal processor) 또는 플래시 LED를 포함할 수 있다. 마이크로폰은 음성 신호를 수신하여 전기 신호로 변환시킬 수 있다.
입출력 인터페이스(150)는 입력장치 또는 출력장치를 통하여 사용자로부터 입려된 명령 또는 데이터를 버스(미도시)를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등에 전달할 수 있다. 일 예로, 입출력 인터페이스(150)는 터치 패널을 톻아여 입력된 사용자의 터치 입력에 대한 데이터를 프로세서(110)로 제공할 수 있다. 일 예로, 입출력 인터페이스(150)는 버스를 통하여 프로세서(110), 메모리(120), 통신 모듈(170) 등으로부터 수신된 명령 또는 데이터를 출력 장치(130)를 통하여 출력할 수 있다. 일 예로 입출력 인터페이스(150)는 프로세서(110)를 통하여 처리된 음성 데이터를 스피커를 통하여 사용자에게 출력할 수 있다.
센서 모듈(160)은 제스쳐 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, RGB(red, green, blue) 센서, 생체 센서, 온/습도 센서, 조도 센서 또는 UV(ultra violet) 센서 중의 적어도 하나 이상을 포함할 수 있다. 센서 모듈(160)은 물리량을 계측하거나 전자 장치(100)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(160)은, 후각 센서(E-nose sensor), EMG 센서(electromyography sensor), EEG 센서(electroencephalogram sensor, 미도시), ECG 센서(electrocardiogram sensor), PPG 센서 (photoplethysmography sensor), HRM 센서(heart rate monitor sensor), 땀 분비량 측정 센서(perspiration sensor), 또는 지문 센서(fingerprint sensor) 등을 포함할 수 있다. 센서 모듈(160)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어회로를 더 포함할 수 있다.
통신 모듈(170)은 무선 통신 모듈 또는 RF 모듈를 포함할 수 있다. 무선 통신 모듈은, 예를 들면, Wi-Fi, BT, GPS 또는 NFC를 포함할 수 있다. 예를 들면, 무선 통신 모듈은 무선 주파수를 이용하여 무선 통신 기능을 제공할 수 있다. 추가적으로 또는 대체적으로, 무선 통신 모듈은 전자 장치(100)를 네트워크(예: Internet, LAN, WAN, telecommunication network, cellular network, satellite network, POTS 또는 5G network 등)와 연결시키기 위한 네트워크 인터페이스 또는 모뎀 등을 포함할 수 있다.
RF 모듈은 데이터의 송수신, 예를 들면, RF 신호 또는 호출된 전자 신호의 송수신을 담당할 수 있다. 일 례로, RF 모듈는 트랜시버(transceiver), PAM(power amp module), 주파수 필터(frequency filter) 또는 LNA(low noise amplifier) 등을 포함할 수 있다. 또한, RF 모듈은 무선통신에서 자유공간상의 전자파를 송수신하기 위한 부품, 예를 들면, 도체 또는 도선 등을 더 포함할 수 있다.
본 명세서의 다양한 실시예에 따른 전자 장치(100)는 TV, 냉장고, 오븐,　의류 스타일러, 로봇 청소기, 드론, 에어컨, 공기 청정기, PC, 스피커, 홈 CCTV, 조명, 세탁기 및 스마트 플러그 중 적어도 하나를 포함할 수 있다. 도 4에서 설명한 전자 장치(100)의 구성요소는 일반적으로 전자 장치에 구비되는 구성요소를 예시한 것이므로, 본 명세서의 실시예에 따른 전자 장치(100)는 전술한 구성요소에 한정되지 않으며 필요에 따라 생략 및/또는 추가될 수 있다. 전자 장치(100)는 도 4에서 도시한 AI 장치로부터 AI 프로세싱 결과를 수신함으로서 인공 지능 기반의 제어 동작을 수행하거나, AI 장치의 구성요소들이 하나의 모듈로 통합된 AI 모듈을 구비하여 온-디바이스(on-device) 방식으로 AI 프로세싱을 수행할 수 있다.
이하 명세서에서 다양한 전자 장치(100)의 용도에 부적합한 물품의 검출 방법을 후술하도록 한다.
도 6은 본 명세서의 제1 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법의 시퀀스 도면이다. 도 6 및 도 7에서 '5G 네트워크'는 '서버' 또는 '네트워크'와 혼용되어 사용될 수 있다. 한편, 도 6 및 도 7에서 전자 장치(UE2)는 가전을 나타내는 것으로 예시하였으나, 이에 한정되는 것은 아니다.
전자 장치(UE2)는 도어의 닫힘을 감지할 수 있다(S110).
전자 장치(UE2) 또는 전자 장치(UE2)의 도어에 구비된 센서로부터 발생하는 전기 신호로부터 전자 장치(UE2)는 도어의 닫힘을 감지할 수 있다. 일 예로, 도어가 닫히는 순간 발생하는 압력으로 인해 생성된 전기 신호로부터 도어의 닫힘을 감지할 수 있다. 다른 예로, 도어가 닫히는 순간 발생하는 음파로부터 도어의 닫힘을 감지할 수도 있다. 도어의 닫힘을 감지하는 센싱 동작은 전자 장치(UE2)에 구비된 적어도 하나 이상의 센서를 통해 센싱할 수 있는 모든 동작을 포함하며, 전술한 예시적/열거적 경우에 한정할 것이 아니다.
전자 장치(UE2)는 전자 장치 내부의 이미지를 생성할 수 있다(S120).
전자 장치(UE2)는 도어의 닫힘에 응답하여 카메라를 통해 이미지를 생성할 수 있다. 전자 장치 내부에는 적어도 하나 이상의 카메라가 배치되어 있을 수 있다. 전자 장치 내부에는 내부의 이미지 촬영을 위한 광원이 배치될 수 있다. 광원은 내부의 이미지를 촬영하는 동안 턴온되고, 촬영 동작을 마치면 턴오프된다.
전자 장치(UE2)는 생성된 이미지를 서버(NET)로 전송할 수 있다(S130).
서버(NET)는 이미지를 인공 신경망 기반(artificial neural network)의 검출 모델(detection model)에 적용하여, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류할 수 있다.
인공 신경망 기반의 검출 모델은 서버(NET)에서 미리 학습된 인공 신경망 모델일 수 있다. 서버(NET)는 복수의 학습 이미지 및 상기 복수의 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 검출 모델을 생성할 수 있다.
서버(NET)는 검출 모델의 학습을 수행할 수 있다. 검출 모델의 학습은 학습 이미지를 검출 모델에 적용하고, 검출 모델의 출력값과 레이블링 데이터를 비교하여 오차를 산출한 후, 이를 역전파하는 방식으로 수행될 수 있다.
복수의 학습 이미지는 상기 전자 장치(UE2)의 용도에 부합하는 제1 아이템의 제1 학습 이미지, 상기 전자 장치(UE2)의 용도에 부합하지 않는 제2 아이템의 제2 학습 이미지를 포함할 수 있다. 제1, 제2 아이템은 전자 장치(UE2)의 용도에 따라 서로 다를 수 있다. 제1, 제2 아이템은 최초의 검출 모델의 학습 단계에서 미리 설정된 아이템일 수 있다. 구체적인 제1, 제2 아이템의 예는 도 9 내지 도 11에서 후술하도록 한다. 그룹은 전자 장치(UE2)의 용도에 부합하는 제1 아이템 그룹 및 전자 장치(UE2)의 용도에 부합하지 않는 제2 아이템 그룹을 포함할 수 있다.
본 명세서의 다양한 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법은 사용자에 따라 개인화된 데이터베이스를 이용하여 개인화된 AI 기능을 제공할 수 있다.
이때, 전자 장치는 센서를 통해 사용자를 식벼랗기 위한 사용자 식별 정보를 수신할 수 있다. 상기 사용자 식별정보로부터 사용자를 인식할 수 있다. 이때, 검출 모델은 사용자 인식 결과에 따라 개인화된 인공 신경망 기반의 학습 모델일 수 있다. 상기 사용자 식별 정보는 사용자의 지문, 얼굴, 홍채 또는 음성 중 적어도 하나 이상을 포함할 수 있다.
서버(NET)는 분류된 결과에 대한 안내 메시지를 생성할 수 있다. 일 예로, 안내 메시지는 내부의 이미지, 내부의 이미지에 포함된 아이템의 속성, 생성시간 또는 이미지가 생성된 전자 장치(UE2)의 종류 중 적어도 하나 이상을 포함할 수 있다.
서버(NET)는 생성된 안내 메시지를 사용자 단말(UE1)로 전송할 수 있다(S150).
사용자 단말(UE1)은 안내 메시지에 포함된 내부의 이미지, 내부의 이미지에 포함된 아이템의 속성, 생성시간 또는 이미지가 생성된 전자 장치(UE2)의 종류 중 적어도 하나 이상을 사용자 단말(UE1)의 디스플레이를 통해 표시할 수 있다.
사용자 단말(UE1)은 안내 메시지에 대한 응답을 전송할 수 있다.
서버(NET)는 안내 메시지에 대한 응답 내용에 따라 검출 모델의 학습 이미지 및 학습 이미지에 대한 레이블링 데이터를 포함하는 트레이닝 데이터셋을 업데이트할 수 있다(S160, S170).
서버(NET)는 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 검출 모델을 트레이닝할 수 있다. 그 결과, 검출 모델은 사용자의 성향이 반영되도록 트레이닝되어 충분한 학습이 이루어진 이후에는 사용자에 최적화되어 보다 정확한 결과값을 산출할 수 있다.
도 7은 본 명세서의 제2 실시예에 따른 전자 장치(UE2)의 용도에 부적합한 물품의 검출 방법의 시퀀스 도면이다. 도 6에서 전술한 내용과 공통되는 부분은 생략하고 차이점을 위주로 설명한다.
전자 장치(UE2)는 도어의 닫힘을 감지할 수 있다(S210).
전자 장치(UE2)는 전자 장치 내부의 이미지를 생성할 수 있다(S220).
전자 장치(UE2)는 도어의 닫힘에 응답하여 카메라를 통해 이미지를 생성할 수 있다.
전자 장치(UE2)는 이미지를 인공 신경망 기반의 검출 모델에 적용하여, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류할 수 있다(S230).
그룹은 전자 장치(UE2)의 용도에 부합하는 제1 아이템 그룹 및 전자 장치(UE2)의 용도에 부합하지 않는 제2 아이템 그룹을 포함할 수 있다. 전자 장치(UE2)는 분류된 결과에 대한 안내 메시지를 생성할 수 있다.
전자 장치(UE2)는 생성된 안내 메시지를 사용자 단말(UE1)로 전송할 수 있다(S240).
사용자 단말(UE1)은 안내 메시지에 대한 응답을 전송할 수 있다(S250).
전자 장치(UE2)는 안내 메시지에 대한 응답 내용에 따라 검출 모델의 학습 이미지 및 학습 이미지에 대한 레이블링 데이터를 포함하는 트레이닝 데이터셋을 업데이트할 수 있다(S260).
전자 장치(UE2)는 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 검출 모델을 트레이닝할 수 있다. 그 결과, 검출 모델은 사용자의 성향이 반영되도록 트레이닝되어 충분한 학습이 이루어진 이후에는 사용자에 최적화되어 보다 정확한 결과값을 산출할 수 있다.
전자 장치(UE2)의 프로세서(110)를 통해 온-디바이스(on-device) 방식으로 AI 프로세싱을 수행하는 경우에는 사용자의 사적인 생활 정보가 외부로 유출되는 문제를 미리 방지할 수 있다.
도 8은 본 명세서의 다양한 실시예에 따른 전자 장치의 용도에 부적합한 물품의 검출 방법의 흐름도이다. 도 6 및 도 7에서 전술한 내용은 생략하고, 차이점을 위주로 설명하도록 한다.
프로세서(110)는 도어의 닫힘에 응답하여 카메라를 통해 이미지를 생성할 수 있다(S310).
프로세서(110)는 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나에 대한 분류 가능성을 판단할 수 있다(S320).
일 예로, 프로세서(110)는 검출 모델의 출력값을 분석하고, 상기 출력값이 활성화 임계치에 미달되는 경우에 해당 출력값에 대응되는 뉴런을 비활성화시킬 수 있다. 검출 모델의 출력층에 포함된 적어도 하나 이상의 뉴런이 모드 비활성화되는 경우에 프로세서(110)는 아이템을 분류할 수 없는 것으로 판단할 수 있다.
다른 예로, 프로세서(110)는 검출 모델의 출력값으로부터 이미지에 포함된 적어도 하나 이상의 아이템에 대한 분류 결과의 정확도가 미리 설정된 임계치에 미달되는 경우에, 분류 결과를 신뢰할 수 없는 것으로 보아, 프로세서(110)는 아이템을 분류할 수 없는 것으로 판단할 수 있다.
이때, 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 미분류 아이템으로 판단되는 경우에 안내 메시지는 미분류 아이템에 대한 그룹 정보를 요청하는 메시지일 수 있다. 그룹 정보는 아이템이 제1 아이템 그룹 또는 제2 아이템 그룹 중 어느 하나에 해당함을 나타내는 응답 메시지를 지칭한다.
프로세서(110)는 검출 모델을 이용하여 이미지에 포함된 적어도 하나 이상의 아이템의 그룹을 분류할 수 있는 것으로 판단되는 경우(S330:YES), 이미지를 인공 신경망 기반의 검출 모델에 적용하고, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류할 수 있다(S330).
프로세서(110)는 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 제2 아이템 그룹에 포함되는 것으로 판단되는 경우(S330:NO), 상기 전자 기기의 동작이 중단되도록 제어할 수 있다(S331).
프로세서(110)는 분류된 결과에 대한 안내 메시지를 생성하고, 생성된 안내 메시지를 사용자 단말(UE1)로 전송할 수 있다(S340).
프로세서(110)는 안내 메시지에 대한 응답을 수신하고, 응답 내용에 따라 검출 모델의 학습 이미지 및 학습 이미지에 대한 레이블링 데이터를 포함하는 트레이닝 데이터셋을 업데이트할 수 있다(S350).
이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 미분류 아이템으로 판단되는 경우에 프로세서(110)는 응답 내용에 포함된 미분류 아이템의 정보에 따라 상기 검출 모델의 학습 이미지 및 학습 이미지에 대한 레이블링 데이터를 포함하는 트레이닝 데이터셋을 업데이트할 수 있다. 미분류 아이템의 정보는 미분류 아이템의 이미지 및/또는 미분류 아이템에 대한 그룹 정보를 포함할 수 있다.
프로세서(110)는 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 검출 모델을 트레이닝할 수 있다(S351).
미분류 아이템이 검출된 경우에 프로세서(110)는 사용자 단말(UE1)로부터 수신한 미분류 아이템의 정보에 따라 검출 모델을 트레이닝할 수 있다. 일 예로, 트레이닝 데이터셋은 미분류 아이템의 이미지 및 미분류 아이템의 이미지에 대해 레이블링 된 그룹 정보가 포함되도록 업데이트될 수 있다.
프로세서(110)는 안내 메시지에 대한 응답을 수신하고, 응답 내용에 따라 추가적인 동작을 수행하도록 전자 장치(UE2)를 제어할 수 있다(S360).
전자 장치(UE2)는 S331에서 그 동작이 중단될 수 있다. 다만, 검출된 아이템이 제어에 중대한 영향을 미치지 않거나, 전자 장치(UE2)의 동작이 아이템에 중대한 훼손을 일으킬 염려가 없는 경우에는 이전의 제어 동작을 속행하거나 다른 제어 동작을 수행하도록 전자 장치(UE2)를 제어할 필요가 있다.
안내 메시지는 전자 장치(UE2)가 특정 동작을 수행하도록 제어하는 메시지가 포함될 수 있다. 전자 장치(UE2)는 특정 동작을 수행하도록 제어하는 메시지를 수신하고, 프로세서(110)는 수신된 메시지에 응답하여 특정 동작을 수행하도록 전자 장치(UE2)를 제어할 수 있다.
도 9는 본 명세서의 다양한 실시예에 따른 냉장고의 용도에 부적합한 물품의 검출 방법을 설명하기 위한 도면이다.
도 9는 냉장고 내부에 리모콘 및 마스크팩이 구비되어 있는 경우를 예시한다. 냉장고(11)는 일반적으로 식용품을 저장하는 용도로 사용되므로 리모콘(I1a) 및 마스크팩(I2a)은 냉장고(11)의 용도에 부합하지 않는 아이템으로 분류될 수 있다.
냉장고 도어의 닫힘에 응답하여 냉장고(11)는 카메라를 통해 냉장고 내부에 위치한 아이템의 이미지를 생성할 수 있다.
냉장고(11)는 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 냉장고(11)의 용도에 부합하는 아이템 그룹에 속하는지, 냉장고(11)의 용도에 부합하지 않는 아이템 그룹에 속하는지 분류할 수 있다.
냉장고(11)는 냉장고(11)의 용도에 부합하는 물품으로 분류되는 경우, 생성된 이미지를 냉장고(11)의 용도에 부합하는 아이템의 데이터베이스에 업데이트할 수 있다. 냉장고(11)는 냉장고(11)의 용도에 부합하지 않는 물품으로 분류되는 경우, 생성된 이미지를 냉장고(11)의 용도에 부합하지 않는 아이템의 데이터베이스에 업데이트할 수 있다.
특히, 이미지에 포함된 아이템이 냉장고(11)의 용도에 부합하지 않는 아이템으로 분류되는 경우에 냉장고(11)는 사용자 단말(UE1)로 안내 메시지를 전송할 수 있다.
사용자 단말(UE1)은 안내 메시지를 수신하면, 디스플레이를 통해 냉장고(11)의 용도에 부합하지 않는 아이템의 이미지와 이미지가 생성된 전자 장치(UE2)를 표시할 수 있다.
일 례로, 사용자 단말(UE1)은 디스플레이를 통해 리모콘(I1a)은 냉장고(11)의 용도와 부합하지 않는 아이템이므로, '냉장고에 리모콘이 있습니다.'라는 텍스트를 표시할 수 있다.
일 례로, 사용자 단말(UE1)은 디스플레이를 통해 마스크팩(I2a)은 냉장고(11)의 주된 용도에 부합하는 아이템은 아니지만, 냉장고(11)의 기능(예를 들어, 냉각 기능)에 부합될 수 있는 물품이므로, '냉장고에 마스크팩이 있습니다.' 또는 '냉장고에 마스크팩이 있습니다. 냉장고에 저장할까요?'라는 텍스트를 표시할 수 있다. 마스크팩(I2a)의 경우, 사용자 단말(UE1)로부터 수신된 응답 메시지의 내용에 따라 제1 아이템 그룹의 데이터베이스 또는 제2 아이템 그룹의 데이터베이스 중 어느 하나에 저장될 수 있다.
일 례로, 냉장고(11)의 용도에 부합하는 아이템은 냉장 보관 제품 및 냉동 보관 제품 중 적어도 하나를 포함할 수 있다. 냉장고(11)의 용도에 부합하지 않는 아이템은 귀금속, 고온 보관 물품 등을 포함할 수 있다.
도 9를 참조하면 사용자 단말(UE1)은 디스플레이의 제1 영역(R1a)에 리모콘(I1a) 정보를 표시하고, 제2 영역(R1a)에 마스크팩 정보를 표시한다. 제1 영역(R1a)은 제1 서브영역(R11a), 제2 서브영역(R12a)을 포함할 수 있다. 제1 서브영역(R11a)은 리모콘(I1a)의 이미지가 포함하고, 제2 서브영역(R12a)은 상기 리모콘(I1a)의 이미지가 캡처된 냉장고 정보를 포함한다.
도 10은 본 명세서의 다양한 실시예에 따른 세탁기의 용도에 부적합한 물품의 검출 방법을 설명하기 위한 도면이다.
도 10는 세탁기 내부에 기저귀 및 티셔츠가 구비되어 있는 경우를 예시한다. 세탁기(12)는 일반적으로 식용품을 저장하는 용도로 사용되므로 기저귀(I1b) 및 티셔츠(I2b)는 세탁기(12)의 용도에 부합하지 않는 아이템으로 분류될 수 있다.
세탁기 도어의 닫힘에 응답하여 세탁기(12)는 카메라를 통해 세탁기 내부에 위치한 아이템의 이미지를 생성할 수 있다.
세탁기(12)는 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 세탁기(12)의 용도에 부합하는 아이템 그룹에 속하는지, 세탁기(12)의 용도에 부합하지 않는 아이템 그룹에 속하는지 분류할 수 있다.
세탁기(12)는 세탁기(12)의 용도에 부합하는 물품으로 분류되는 경우, 생성된 이미지를 세탁기(12)의 용도에 부합하는 아이템의 데이터베이스에 업데이트할 수 있다. 세탁기(12)는 세탁기(12)의 용도에 부합하지 않는 물품으로 분류되는 경우, 생성된 이미지를 세탁기(12)의 용도에 부합하지 않는 아이템의 데이터베이스에 업데이트할 수 있다.
특히, 이미지에 포함된 아이템이 세탁기(12)의 용도에 부합하지 않는 아이템으로 분류되는 경우에 세탁기(12)는 사용자 단말(UE1)로 안내 메시지를 전송할 수 있다.
사용자 단말(UE1)은 안내 메시지를 수신하면, 디스플레이를 통해 세탁기(12)의 용도에 부합하지 않는 아이템의 이미지와 이미지가 생성된 전자 장치(UE2)를 표시할 수 있다.
일 례로, 사용자 단말(UE1)은 디스플레이를 통해 기저귀(I1b)는 세탁기(12)의 용도와 부합하지 않는 아이템이므로, '세탁기에 기저귀가 있습니다.'라는 텍스트를 표시할 수 있다.
일 례로, 사용자 단말(UE1)은 디스플레이를 통해 티셔츠(I2b)는 세탁기(12)의 주된 용도에 부합하는 아이템이므로, '세탁기에 티셔츠가 있습니다.' 또는 '세탁기에 티셔츠가 있습니다. 세탁기에 저장할까요?'라는 텍스트를 표시할 수 있다. 티셔츠(I2b)의 경우, 사용자 단말(UE1)로부터 수신된 응답 메시지의 내용에 따라 기저귀 그룹의 데이터베이스 또는 제2 아이템 그룹의 데이터베이스 중 어느 하나에 저장될 수 있다.
일 례로, 세탁기(12)의 용도에 부합하는 아이템은 티셔츠(I2b), 면바지, 수건, 속옷 등을 포함하는 기계 세탁 가능한 의류를 포함할 수 있다. 세탁기(12)의 용도에 부합하지 않는 아이템은 귀금속, 오염물 등을 포함할 수 있다.
도 10를 참조하면 사용자 단말(UE1)은 디스플레이의 제1 영역(R1b)에 기저귀 정보를 표시하고, 제2 영역(R1b)에 티셔츠 정보를 표시한다. 제1 영역(R1b)은 제1 서브영역(R11b), 제2 서브영역(R12b)을 포함할 수 있다. 제1 서브영역(R11b)은 기저귀의 이미지가 포함하고, 제2 서브영역(R12b)은 상기 기저귀의 이미지가 캡처된 세탁기 정보를 포함한다.
도 11은 본 명세서의 다양한 실시예에 따른 오븐의 용도에 부적합한 물품의 검출 방법을 설명하기 위한 도면이다.
도 11는 오븐 내부에 숟가락(I1c) 및 빵(I2c)이 구비되어 있는 경우를 예시한다. 오븐(13)은 일반적으로 식용품을 저장하는 용도로 사용되므로 숟가락(I1c) 및 빵(I2c)은 오븐(13)의 용도에 부합하지 않는 아이템으로 분류될 수 있다.
오븐 도어의 닫힘에 응답하여 오븐(13)은 카메라를 통해 오븐 내부에 위치한 아이템의 이미지를 생성할 수 있다.
오븐(13)은 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 오븐(13)의 용도에 부합하는 아이템 그룹에 속하는지, 오븐(13)의 용도에 부합하지 않는 아이템 그룹에 속하는지 분류할 수 있다.
오븐(13)은 오븐(13)의 용도에 부합하는 물품으로 분류되는 경우, 생성된 이미지를 오븐(13)의 용도에 부합하는 아이템의 데이터베이스에 업데이트할 수 있다. 오븐(13)은 오븐(13)의 용도에 부합하지 않는 물품으로 분류되는 경우, 생성된 이미지를 오븐(13)의 용도에 부합하지 않는 아이템의 데이터베이스에 업데이트할 수 있다.
특히, 이미지에 포함된 아이템이 오븐(13)의 용도에 부합하지 않는 아이템으로 분류되는 경우에 오븐(13)은 사용자 단말(UE1)로 안내 메시지를 전송할 수 있다.
사용자 단말(UE1)은 안내 메시지를 수신하면, 디스플레이를 통해 오븐(13)의 용도에 부합하지 않는 아이템의 이미지와 이미지가 생성된 전자 장치(UE2)를 표시할 수 있다.
일 례로, 사용자 단말(UE1)은 디스플레이를 통해 숟가락(I1c)은 오븐(13)의 용도와 부합하지 않는 아이템이므로, '오븐에 숟가락이 있습니다.'라는 텍스트를 표시할 수 있다.
일 례로, 사용자 단말(UE1)은 디스플레이를 통해 빵(I2c)은 오븐(13)의 주된 용도에 부합하는 아이템이므로, '오븐에 빵이 있습니다.' 또는 '오븐에 빵이 있습니다. 오븐에 저장할까요?'라는 텍스트를 표시할 수 있다. 빵의 경우, 사용자 단말(UE1)로부터 수신된 응답 메시지의 내용에 따라 제1 아이템 그룹의 데이터베이스 또는 제2 아이템 그룹의 데이터베이스 중 어느 하나에 저장될 수 있다.
일 례로, 오븐(13)의 용도에 부합하는 아이템은 밀가루 반죽, 가열하여 요리할 수 있는 식재료 등을 포함할 수 있다. 오븐(13)의 용도에 부합하지 않는 아이템은 귀금속, 인화성 물질 등을 포함할 수 있다.
도 11를 참조하면 사용자 단말(UE1)은 디스플레이의 제1 영역(R1c)에 숟가락 정보를 표시하고, 제2 영역(R1c)에 빵 정보를 표시한다. 제1 영역(R1c)은 제1 서브영역(R11c), 제2 서브영역(R12c)을 포함할 수 있다. 제1 서브영역(R11c)은 숟가락(I1c)의 이미지가 포함하고, 제2 서브영역(R12c)은 상기 숟가락(I1c)의 이미지가 캡처된 오븐 정보를 포함한다.
전술한 도 9 내지 도 11은 본 명세서의 다양한 실시예에 따른 구현예들을 예시하는 것으로서, 설명된 내용에 따라 명세서를 한정하여 해석할 것은 아니다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.

Claims (20)

  1. 전자 장치 내부의 이미지를 생성하는 단계;
    상기 이미지를 미리 학습된 인공 신경망(artificial neural network) 기반의 검출 모델(detection model)에 적용하여, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류하는 단계; 및
    상기 분류된 결과에 대한 안내 메시지를 생성하는 단계;
    를 포함하고,
    상기 그룹은 상기 전자 장치의 용도에 부합하는 제1 아이템들을 포함하는 제1 그룹과 상기 전자 장치의 용도에 부합하지 않는 제2 아이템들을 포함하는 제2 그룹을 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  2. 제1 항에 있어서,
    상기 전자 장치는,
    냉장고, 세탁기, 건조기 또는 오븐 중 어느 하나인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  3. 제1 항에 있어서,
    상기 검출 모델은,
    복수의 학습 이미지 및 상기 복수의 학습 이미지에 대해 레이블링된 그룹 정보를 이용하여 학습된 인공 신경망 기반의 학습 모델인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  4. 제3 항에 있어서,
    상기 복수의 학습 이미지는,
    상기 전자 장치의 용도에 부합하는 제1 아이템의 제1 학습 이미지와 상기 전자 장치의 용도에 부합하지 않는 제2 아이템의 제2 학습 이미지를 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  5. 제1 항에 있어서,
    상기 이미지를 생성하는 단계는,
    도어의 닫힘에 응답하여 상기 이미지를 생성하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  6. 제1 항에 있어서,
    상기 생성된 안내 메시지를 사용자 단말로 전송하는 단계;
    상기 안내 메시지에 대한 응답을 수신하고, 응답 내용에 따라 상기 검출 모델의 학습 이미지를 업데이트하는 단계; 및
    상기 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 상기 검출 모델을 트레이닝하는 단계;
    를 더 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  7. 제1 항에 있어서,
    센서를 통해 사용자를 식별하기 위한 사용자 식별 정보를 수신하는 단계;
    상기 사용자 식별 정보로부터 사용자를 인식하는 단계;
    를 더 포함하고,
    상기 검출 모델은,
    사용자 인식 결과에 따라 개인화된 인공 신경망 기반의 학습 모델인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  8. 제7 항에 있어서,
    상기 사용자 식별 정보는,
    상기 사용자의 지문, 얼굴, 홍채 또는 음성 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  9. 제1 항에 있어서,
    상기 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 미분류 아이템으로 판단되는 경우,
    상기 안내 메시지는,
    상기 미분류 아이템에 대한 그룹 정보를 요청하는 메시지인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  10. 제9 항에 있어서,
    상기 생성된 안내 메시지를 사용자 단말로 전송하는 단계;
    상기 안내 메시지에 대한 응답을 수신하고, 응답 내용에 따라 상기 검출 모델의 학습 이미지를 업데이트하는 단계; 및
    상기 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 상기 검출 모델을 트레이닝하는 단계;
    를 더 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 방법.
  11. 전자 장치 내부의 이미지를 생성하는 카메라;
    상기 이미지를 미리 학습된 인공 신경망(artificial neural network) 기반의 검출 모델(detection model)에 적용하여, 상기 이미지에 포함된 적어도 하나 이상의 아이템을 적어도 하나 이상의 그룹으로 분류하고, 상기 분류된 결과에 대한 안내 메시지를 생성하는 프로세서;
    를 포함하되,
    상기 그룹은 상기 전자 장치의 용도에 부합하는 제1 아이템들을 포함하는 제1 그룹과 상기 전자 장치의 용도에 부합하지 않는 제2 아이템들을 포함하는 제2 그룹을 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  12. 제11 항에 있어서,
    상기 전자 장치는,
    냉장고, 세탁기, 건조기 또는 오븐 중 어느 하나인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  13. 제11 항에 있어서,
    상기 검출 모델은,
    복수의 학습 이미지 및 상기 복수의 학습 이미지에 대해 레이블링된 그룹 정보를 이용하여 학습된 인공 신경망 기반의 학습 모델인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  14. 제13 항에 있어서,
    상기 복수의 학습 이미지는,
    상기 전자 장치의 용도에 부합하는 제1 아이템의 제1 학습 이미지와 상기 전자 장치의 용도에 부합하지 않는 제2 아이템의 제2 학습 이미지를 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  15. 제11 항에 있어서,
    상기 이미지는,
    도어의 닫힘에 응답하여 생성되는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  16. 제11 항에 있어서,
    상기 생성된 안내 메시지를 사용자 단말로 전송하고, 상기 안내 메시지에 대한 응답을 수신하는 트랜시버(transceiver);
    를 더 포함하되,
    상기 프로세서는,
    응답 내용에 따라 상기 검출 모델의 학습 이미지를 업데이트하고, 상기 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 상기 검출 모델을 트레이닝하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  17. 제11 항에 있어서,
    사용자를 식별하기 위한 사용자 식별 정보를 수신하는 센서;
    를 더 포함하고,
    상기 프로세서는,
    상기 사용자 식별 정보로부터 사용자를 인식하고,
    상기 검출 모델은,
    사용자 인식 결과에 따라 개인화된 인공 신경망 기반의 학습 모델인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  18. 제17 항에 있어서,
    상기 사용자 식별 정보는,
    상기 사용자의 지문, 얼굴, 홍채 또는 음성 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  19. 제11 항에 있어서,
    상기 이미지에 포함된 적어도 하나 이상의 아이템 중 어느 하나가 미분류 아이템으로 판단되는 경우,
    상기 안내 메시지는,
    상기 미분류 아이템에 대한 그룹 정보를 요청하는 메시지인 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
  20. 제19 항에 있어서,
    상기 생성된 안내 메시지를 사용자 단말로 전송하고, 상기 안내 메시지에 대한 응답을 수신하는 통신 모듈;
    을 더 포함하되,
    상기 프로세서는,
    응답 내용에 따라 상기 검출 모델의 학습 이미지를 업데이트하고, 상기 업데이트된 학습 이미지 및 상기 업데이트된 학습 이미지에 대해 레이블링 된 그룹 정보를 이용하여 상기 검출 모델을 트레이닝하는 것을 특징으로 하는 전자 장치의 용도에 부적합한 물품의 검출 장치.
PCT/KR2020/006966 2019-10-24 2020-05-29 전자 장치의 용도에 부적합한 물품의 검출 WO2021080108A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0133143 2019-10-24
KR1020190133143A KR20210048896A (ko) 2019-10-24 2019-10-24 전자 장치의 용도에 부적합한 물품의 검출

Publications (1)

Publication Number Publication Date
WO2021080108A1 true WO2021080108A1 (ko) 2021-04-29

Family

ID=75620165

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/006966 WO2021080108A1 (ko) 2019-10-24 2020-05-29 전자 장치의 용도에 부적합한 물품의 검출

Country Status (2)

Country Link
KR (1) KR20210048896A (ko)
WO (1) WO2021080108A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150087690A (ko) * 2014-01-22 2015-07-30 엘지전자 주식회사 가전제품 보조장치
KR20170128483A (ko) * 2015-08-31 2017-11-22 시아오미 아이엔씨. 전자 레인지 및 전자레인지 제어 방법
KR20180080098A (ko) * 2017-01-03 2018-07-11 삼성전자주식회사 전자 장치 및 그 동작 방법
KR20180118596A (ko) * 2015-10-02 2018-10-31 트랙터블 리미티드 데이터세트들의 반-자동 라벨링
KR20190096879A (ko) * 2019-05-29 2019-08-20 엘지전자 주식회사 인공지능 기반의 세탁물 데이터 분석 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150087690A (ko) * 2014-01-22 2015-07-30 엘지전자 주식회사 가전제품 보조장치
KR20170128483A (ko) * 2015-08-31 2017-11-22 시아오미 아이엔씨. 전자 레인지 및 전자레인지 제어 방법
KR20180118596A (ko) * 2015-10-02 2018-10-31 트랙터블 리미티드 데이터세트들의 반-자동 라벨링
KR20180080098A (ko) * 2017-01-03 2018-07-11 삼성전자주식회사 전자 장치 및 그 동작 방법
KR20190096879A (ko) * 2019-05-29 2019-08-20 엘지전자 주식회사 인공지능 기반의 세탁물 데이터 분석 장치

Also Published As

Publication number Publication date
KR20210048896A (ko) 2021-05-04

Similar Documents

Publication Publication Date Title
WO2021085778A1 (ko) 지능형 세탁기
WO2021010506A1 (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2020246649A1 (ko) 엣지 컴퓨팅 디바이스에서 음성 인식 방법
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
US11073541B2 (en) Intelligent method for controlling home appliance, apparatus and intelligent computing device for controlling home appliance
WO2015137673A1 (en) Method for determining data source
WO2020251067A1 (ko) 인공 지능형 냉장고 및 이의 식품 보관 방법
WO2016036147A1 (en) Communication channel management method and electronic device supporting the same
WO2015167236A1 (en) Electronic device and method for providing emergency video call service
WO2020230943A1 (ko) 3d 아바타를 이용한 의류 피팅 서비스 제공 방법과 그에 따른 시스템
WO2020262737A1 (ko) 지능형 로봇 청소기
WO2018190650A1 (ko) 전자 장치 및 전자 장치에서 인증 정보 전송 및 수신 방법
WO2020246639A1 (ko) 증강현실 전자기기의 제어방법
WO2021015301A1 (ko) 지능형 세탁기와 그 제어방법
KR20190108086A (ko) 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스
WO2015152628A1 (en) Input device, method, and system for electronic device
US11615760B2 (en) Controlling of device based on user recognition utilizing vision and speech features
WO2021020633A1 (ko) 인공 지능형 의류 처리 장치와 그 구동방법
WO2018038526A1 (en) Electronic device and method for measuring heart rate based on infrared rays sensor using the same
WO2021149879A1 (ko) 피접촉면의 재질에 따른 청소로봇 제어방법
WO2016137160A1 (en) Power saving method in ad-hoc network, and electronic device performing the method
WO2021010504A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2018066882A1 (ko) 전자 장치 및 전자 장치에서의 무선 통신 방법
KR20210087792A (ko) 사용자 인증

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: 20879618

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: 20879618

Country of ref document: EP

Kind code of ref document: A1