WO2021085778A1 - 지능형 세탁기 - Google Patents

지능형 세탁기 Download PDF

Info

Publication number
WO2021085778A1
WO2021085778A1 PCT/KR2020/007003 KR2020007003W WO2021085778A1 WO 2021085778 A1 WO2021085778 A1 WO 2021085778A1 KR 2020007003 W KR2020007003 W KR 2020007003W WO 2021085778 A1 WO2021085778 A1 WO 2021085778A1
Authority
WO
WIPO (PCT)
Prior art keywords
washing machine
course
drum
processor
user
Prior art date
Application number
PCT/KR2020/007003
Other languages
English (en)
French (fr)
Inventor
윤진식
이병주
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to EP20881648.8A priority Critical patent/EP4053322A4/en
Priority to US17/773,340 priority patent/US20220349102A1/en
Priority to CN202080076077.0A priority patent/CN114729488A/zh
Publication of WO2021085778A1 publication Critical patent/WO2021085778A1/ko

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/52—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/47—Responding to irregular working conditions, e.g. malfunctioning of pumps 
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/16—Imbalance
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/04—Quantity, e.g. weight or variation of weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/06—Type or material
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/26—Unbalance; Noise level
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/64—Radiation, e.g. microwaves
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/46—Drum speed; Actuation of motors, e.g. starting or interrupting
    • D06F2105/48—Drum speed
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/52—Changing sequence of operational steps; Carrying out additional operational steps; Modifying operational steps, e.g. by extending duration of steps
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F23/00—Washing machines with receptacles, e.g. perforated, having a rotary movement, e.g. oscillatory movement, the receptacle serving both for washing and for centrifugally separating water from the laundry 
    • D06F23/02—Washing machines with receptacles, e.g. perforated, having a rotary movement, e.g. oscillatory movement, the receptacle serving both for washing and for centrifugally separating water from the laundry  and rotating or oscillating about a horizontal axis
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/43—Control of cleaning or disinfection of washing machine parts, e.g. of tubs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Definitions

  • the present invention relates to an intelligent washing machine.
  • 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.
  • Machine learning is an algorithm technology that classifies/learns the features of input data by itself
  • element technology is a technology that simulates functions such as cognition and judgment of the human brain using machine learning algorithms such as deep learning. It consists of technical fields such as understanding, reasoning/prediction, knowledge expression, and motion control.
  • the present invention aims to solve the above-described necessity and/or problem.
  • an object of the present invention is to implement an intelligent washing machine that determines and/or sets an optimal washing course according to a user.
  • an object of the present invention is to implement an intelligent washing machine that performs an additional control operation by analyzing a washing state.
  • an object of the present invention is to implement an intelligent washing machine that detects articles that do not meet the purpose of the washing machine.
  • an object of the present invention is to implement an intelligent washing machine that detects fabric entanglement and controls RPM of a motor according to the detection result.
  • a method of controlling an intelligent washing machine includes the steps of identifying the user from an image of the user; Predicting a first laundry course corresponding to the user information from the identified user information; Performing a control operation with the predicted first washing course; Collecting an image inside the drum through a camera while the control operation is being performed; Predicting a contamination level inside the drum using the image inside the drum and a predictive model learned in advance; And changing the first washing course to a second washing course according to the predicted contamination level.
  • the predicting of the first laundry course may include applying the user information to a pre-learned artificial neural network-based course recommendation model; determining the laundry course from an output value of the course recommendation model; I can.
  • the predicting of the first washing course may include collecting an image of the inside of the drum through the camera in response to the door being closed; Identifying the type of fabric from the image inside the drum; And determining the first washing course by applying the identified fabric type and the user information to a pre-learned artificial neural network-based course recommendation model.
  • the user's identification information may be stored in the form of an ID.
  • first and second laundry courses include at least one of a washing process, a rinsing process, and a spin-drying process
  • the process included in the second laundry course is an operation sequence and an operation compared to that of the first laundry course.
  • At least one of a pattern, operation time, or RPM may be different.
  • transmitting a message about the fabric entanglement to the user terminal may further include.
  • controlling the RPM of the tub to be controlled to be less than or equal to the speed of fabrication in the control operation; may further include.
  • controlling the RPM of the tub to be controlled at a constant speed equal to or higher than the foaming speed in the control operation.
  • the usage history may include at least one of user information, a type of cloth, a washing time, a washing frequency, a number of times of washing the tub, a frequency of washing the tub, or a course setting of an additional user among a control operation.
  • the method may further include reinforcement learning the prediction model based on the changed laundry course information.
  • An intelligent washing machine includes a communication module; Memory; A camera that captures an image including a user and an image inside the drum; And identifying the user from an image including the user, predicting a first washing course corresponding to the user information from the identified user information, and performing a control operation with the predicted first washing course.
  • the image inside the drum may be collected through the method, and the level of contamination inside the drum may be predicted using the image inside the drum and a pre-learned prediction model, and the first washing course may be determined according to the predicted level of contamination.
  • the present invention can determine and/or set the optimal washing course according to the user.
  • the present invention can implement an intelligent washing machine that performs an additional control operation by analyzing the washing state.
  • the present invention can detect articles that do not meet the use of the washing machine.
  • the present invention can detect the entanglement of the fabric and control the RPM of the motor according to the detection result.
  • 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 shows an example of a signal transmission/reception method in a wireless communication system.
  • FIG 3 shows an example of a basic operation of a user terminal and a 5G network in a 5G communication system.
  • FIG. 4 is a block diagram of an AI device according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating a block diagram of an electronic device.
  • FIG. 6 is a diagram for explaining the appearance of an intelligent washing machine.
  • FIG. 7 is a diagram illustrating a camera of an intelligent washing machine applied to an embodiment of the present specification.
  • FIG. 8 is a block diagram showing the configuration of an intelligent washing machine according to an embodiment of the present specification.
  • FIG. 9 is a schematic flowchart of a method for controlling an intelligent washing machine according to an embodiment of the present specification.
  • FIG. 10 is a diagram for describing S110 of FIG. 9.
  • FIG. 11 is a flowchart of a method for predicting a laundry course according to an embodiment of the present specification.
  • FIG. 13 is a flowchart of a method for predicting a laundry course according to another exemplary embodiment of the present specification.
  • FIG. 14 is an implementation example of a method for predicting a laundry course of FIG. 13.
  • 15 is a flowchart of a method for detecting a customary item according to an embodiment of the present specification.
  • 16 is an implementation example of a method for detecting a custom item in FIG. 15.
  • 17 is a flowchart of a method for controlling a washing machine according to an exemplary embodiment of the present specification.
  • 19 is a flowchart of a method for controlling fabric entanglement according to an embodiment of the present specification.
  • 20 is a flowchart illustrating a method of determining a drum cleaning timing according to an exemplary embodiment of the present specification.
  • 21 is an exemplary embodiment of a method of determining a drum cleaning timing of FIG. 20.
  • 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 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), memory (914,924), one or more Tx/Rx RF modules (radio frequency module, 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 a PDCCH and a corresponding PDSCH.
  • PRACH physical random access channel
  • RAR random access response to the preamble through a PDCCH and a corresponding PDSCH.
  • RAR random access response to the preamble through a PDCCH and a corresponding PDSCH.
  • RAR random access response to the preamble through a PDCCH and a corresponding PDSCH.
  • RAR random access response to the preamble through a PDCCH and a corresponding PDSCH.
  • 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 quasi co-located, QCL).
  • QCL-TypeD may mean that QCL is performed between antenna ports in terms of a spatial Rx parameter.
  • the Rx beam determination (or refinement) process of the UE using CSI-RS and the Tx beam sweeping process of the BS are sequentially described.
  • the repetition parameter is set to'ON'
  • the repetition parameter is set to'OFF'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'ON'.
  • the UE repeats signals on the resource(s) in the CSI-RS resource set in which the RRC parameter'repetition' is set to'ON' in different OFDM symbols through the same Tx beam (or DL spatial domain transmission filter) of the BS Receive.
  • the UE determines its own Rx beam.
  • the UE omits CSI reporting. That is, the UE may omit CSI reporting when the shopping price RRC parameter'repetition' is set to'ON'.
  • the UE receives the NZP CSI-RS resource set IE including the RRC parameter for'repetition' from the BS through RRC signaling.
  • the RRC parameter'repetition' is set to'OFF', and is related to the Tx beam sweeping process of the BS.
  • the UE receives signals on resources in the CSI-RS resource set in which the RRC parameter'repetition' is set to'OFF' through different Tx beams (DL spatial domain transmission filters) of the BS.
  • Tx beams DL spatial domain transmission filters
  • the UE selects (or determines) the best beam.
  • the UE reports the ID (eg, CRI) and related quality information (eg, RSRP) for the selected beam to the BS. That is, when the CSI-RS is transmitted for the BM, the UE reports the CRI and the RSRP for it to the BS.
  • ID eg, CRI
  • RSRP related quality information
  • the UE receives RRC signaling (eg, SRS-Config IE) including a usage parameter set 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 transmissions for a specific type of traffic
  • eMBB transmissions
  • information that a specific resource will be preempted is given to the previously scheduled UE, and the 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), PUSCH, and the like, 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 invention.
  • 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 device 20 may be included as a component of at least a part of the device 100 illustrated 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 100 shown in FIG. 5.
  • an autonomous vehicle may perform AI processing on sensing data or driver data to perform processing/decision and control signal generation operations.
  • the autonomous driving vehicle may perform autonomous driving control by AI processing data acquired through interactions with other electronic devices provided in the vehicle.
  • 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 the synaptic activity of neurons that send and receive signals through synapses.
  • the neural network may include a deep learning model developed from a neural network model. In a deep learning model, a plurality of network nodes may be located in different layers and exchange data according to a convolutional connection relationship.
  • neural network models include deep neural networks (DNN), convolutional deep neural networks (CNN), Recurrent Boltzmann Machine (RNN), Restricted Boltzmann Machine (RBM), and deep trust. It includes various deep learning techniques such as deep belief networks (DBN) and deep Q-network, and can be applied to fields such as computer vision, speech recognition, natural language processing, and speech/signal processing.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • RNN Recurrent Boltzmann Machine
  • RBM Restricted Boltzmann Machine
  • DNN deep trust
  • DNN deep belief networks
  • DNN deep Q-network
  • 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 data classification/recognition according to an embodiment of the present invention.
  • the AI processor 21 may include a data learning unit 22 that learns a neural network for data classification/recognition.
  • the data learning unit 22 may learn a criterion for how to classify and recognize data using which training data to use 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 be called as.
  • FIG. 5 is a diagram illustrating a block diagram of an electronic device.
  • the electronic device 100 includes at least one processor 110, a memory 120, an output device 130, an input device 140, an input/output interface 150, a sensor module 160, and It may include a communication module 170.
  • 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 internal memory is a volatile memory (e.g., dynamic RAM (DRAM), static RAM (SRAM), synchronous dynamic RAM (SDRAM), etc.)) or non-volatile memory non-volatile memory (e.g., one time programmable ROM (OTPROM), It may include at least one of programmable ROM (PROM), erasable and programmable ROM (EPROM), electrically erasable and programmable ROM (EEPROM), 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
  • xD
  • 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 a command 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 atmospheric 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.
  • FIG. 6 is a diagram for explaining the appearance of an intelligent washing machine.
  • the intelligent washing machine 10 implementing the control method according to the embodiment of the present specification includes a cabinet 402 forming an exterior, a drum 410 disposed inside a tub (not shown), and a drum.
  • a motor to rotate (not shown), a cabinet cover 416 mounted on the front of the cabinet 402, a door 418 coupled to the cabinet cover 416, a control panel for inputting an operation command of the intelligent washing machine 10 It may include 420.
  • the cabinet cover 416 is mounted in front of the cabinet 402 and a laundry entrance is formed in the center.
  • the door 418 is rotatably installed on the cabinet cover 416 to open and close the laundry entrance.
  • the control panel 420 is disposed above the cabinet cover 416 to display an operating state of the washing machine and includes an input key for an operation command of the washing machine.
  • FIG. 7 is a diagram illustrating a camera of an intelligent washing machine applied to an embodiment of the present specification.
  • the camera CAM1 may be disposed on the door 418 of the washing machine 10.
  • the camera CAM1 may be disposed between the outer cover 418A and the inner glass 418B, but is not limited thereto.
  • the camera CAM1 since the camera CAM1 is disposed in the space between the outer cover 418A and the inner glass 418B, there is no impact or foreign matter from the outside of the intelligent washing machine 10, or contamination by washing water or laundry in the drum 410. Contact can be effectively prevented.
  • the number of cameras CAM1 may be arranged at least one or more according to functions and uses of the intelligent washing machine 10.
  • the camera CAM1 may be implemented as a stereo camera (or 3D camera) including a plurality of image sensors, or may be implemented as a 2D camera including one image sensor, but is not limited thereto. In this way, the camera CAM1 photographing the inside of the drum 410 may be defined as the drum camera CAM1.
  • Each of the plurality of cameras CAM1 is disposed on the inner wall of the outer cover 418A so as to face the inner glass 418B, and image data including the inner glass 418B is acquired under the control of the processor (710 in FIG. 8). can do.
  • the processor (710 in FIG. 8) may process and merge door images acquired by each of the plurality of cameras CAM1, or select any one door image and apply it to any one of at least one artificial neural network-based learning model. have.
  • a gasket 416A may be formed on the circumferential surface of the laundry entrance to prevent the washing water in the drum from leaking out.
  • the gasket 416A may prevent washing water from leaking between the drum 410 and the cabinet, between the drum 410 and the door, and the like.
  • the gasket 416A may be implemented with a rubber material, but is not limited thereto.
  • any one of the plurality of cameras is arranged to photograph the gasket 416A, and image data including the gasket 416A may be obtained.
  • the inner glass 418B is positioned between the camera CAM2 and the gasket 416A, so the processor (710 in FIG. 8) controls to acquire the gasket image in the open state of the door 418. I can.
  • the camera CAM2 for photographing an image of the gasket 416A may be defined as the gasket camera CAM2.
  • FIG. 8 is a block diagram showing the configuration of an intelligent washing machine according to an embodiment of the present specification.
  • contents in common with the components described above in FIG. 5 will be omitted, and differences will be mainly described.
  • the intelligent washing machine 10 may include a processor 710, a memory 720, an output device 730, an input device 740, a sensor module 750, and a communication module 760. Meanwhile, the intelligent washing machine 10 may correspond to an example of the AI device described above in FIG. 4.
  • the output device 730 may include an output means for notifying a user of various information related to the operation of the intelligent washing machine 10.
  • the output device 730 may include a speaker or a buzzer as an audio output unit, and may include a display as a graphic or text output unit.
  • the output device 730 may be disposed on the control panel of FIG. 4, but is not limited thereto.
  • the input device 740 may include at least one input means for inputting a predetermined signal or data to the intelligent washing machine 10 by a user's manipulation.
  • the input device 740 may include a button, a dial, a touch pad, a microphone, and the like.
  • the input device 740 may be disposed on the control panel, but is not limited thereto.
  • the input device 740 may include at least one or more cameras CAM1 and CAM2, and the cameras CAM1 and CAM2 include the door camera CAM1 and the gasket camera CAM2 described above. Can include.
  • the processor 710 may control the overall operation of the intelligent washing machine 10.
  • the processor 710 may control a control operation including a washing process, a rinsing process, a spin-drying process, or a drying process.
  • the processor 710 may perform a control operation according to a preset algorithm, and may control operations such as the motor 773, the water supply valve 771, and the drain pump 772 according to each stroke.
  • the processor 710 may identify a user from a user's voice or image, and may predict a laundry course corresponding to the user information from the identified user information. In addition, the processor 710 may control the intelligent washing machine 10 according to the predicted washing course.
  • the processor 710 may collect the image inside the drum through the camera CAM while the control operation is being performed, and predict the contamination level inside the drum using a predictive model learned in advance.
  • the processor 710 may control the intelligent washing machine 10 to perform an additional control operation according to the predicted pollution level.
  • the processor 710 may detect fabric entanglement from the amount of eccentricity and the level of noise.
  • the processor 710 may collect noise generated as the tub rotates through the microphone, and may detect the amount of eccentricity from the amount of change in RPM. Based on the information collected and detected as described above, the processor 710 may detect the entanglement of the fabric.
  • the processor 710 may perform various control processes depending on whether or not fabric entanglement is detected.
  • the processor 710 may detect a custom item based on an image inside the drum.
  • the luxury item refers to an item that is not attached to a washing machine.
  • the processor 710 may reinforce the prediction model based on information on the additional control operation.
  • FIG. 9 is a schematic flowchart of a method for controlling an intelligent washing machine according to an embodiment of the present specification.
  • the processor 710 may identify a user from the user's voice or image (S110).
  • the intelligent washing machine 10 may receive a user's voice or video through a microphone or a camera.
  • the image may be understood to include both a still image or a moving image.
  • the processor 710 may learn a user identification model based on an artificial neural network by setting a user's voice or image and identification information labeled with the voice or image as a training dataset.
  • the processor 710 may apply the user's voice or image to the pre-learned identification model, and identify a user corresponding to the voice or image from an output value of the identification model.
  • the processor 710 may predict a washing course corresponding to the user information from the identified user information (S120).
  • a course recommendation model based on an artificial neural network may be used to predict the laundry course.
  • the first course recommendation model may be pre-trained by the processor 710 by setting user information and a laundry course labeled with the user information as a training dataset.
  • the processor 710 may apply the user information identified in S110 to the first course recommendation model, and predict a laundry course corresponding to the user information from the output value.
  • the user information may be stored in an ID format.
  • user information may be stored in an ID format corresponding to a specific user, such as ID#01 for father ( ⁇ ), ID#02 for mother ( ⁇ ), and ID#03 for daughter ( ⁇ ).
  • ID#01 for father ( ⁇ ) a specific user
  • ID#02 for mother ( ⁇ ) a specific user
  • ID#03 for daughter ( ⁇ ) a specific user
  • At least one laundry course included in the class of the first course recommendation model may be determined through the user's usage history.
  • the usage history information may include at least one of user information, a type of cloth, a washing time, a washing frequency, or an additional user's course setting among control operations.
  • the laundry course labeled in the input data is set as a learning dataset, and is pre-trained by the processor 710.
  • the processor 710 may apply the user information identified in S110 and the type of the drum inner fabric identified through the drum camera CAM to the second course recommendation model, and predict the washing course from the output value.
  • the intelligent washing machine 10 may use either a first course recommendation model or a second course recommendation model, and may functionally connect and use the first and second course recommendation models.
  • the labeled laundry course may be determined based on the user's usage history.
  • the labeled laundry course may be set as the most used laundry course by analyzing the user's usage history.
  • the processor 710 may collect an image inside the drum through the camera CAM while the control operation is being performed (S130).
  • the processor 710 may generate an image inside the drum through the camera CAM while a control operation of the washing machine is performed. At this time, the generated image can be defined as a drum image.
  • the processor 710 may predict the contamination level inside the drum by using the predictive model learned in advance (S140).
  • At least one of a regression model, a neural network (NN), or a long-term memory-type long shor-term memory (LSTM) may be used to predict the pollution level.
  • the prediction model may be a training model trained by setting a feature value extracted from an image inside the drum and a contamination level labeled in correspondence with the feature value as training data.
  • the processor 710 may apply the image inside the drum to the prediction model and predict the contamination level inside the drum from the output value of the prediction model.
  • the processor 710 may perform an additional control operation according to the predicted pollution level (S150).
  • the processor may change the predicted first washing course to the second washing course according to user information identified according to the predicted pollution level.
  • the first and second washing courses may include at least one of a washing process, a rinsing process, and a spin-drying process.
  • the at least one stroke included in the second washing course may differ in at least one of an operation sequence, an operation pattern, an operation time, and an RPM compared to at least one stroke of a corresponding first washing course.
  • the processor 710 may control to perform an additional rinsing process.
  • the processor 710 may set the rinsing cycle to increase the number and time of rinsing in the rinsing cycle in proportion to the predicted contamination level.
  • FIG. 10 is a diagram for describing S110 of FIG. 9.
  • a camera CAM may be disposed on a door 418 of a washing machine.
  • the camera CAM may be disposed between the outer cover and the inner glass, but is not limited thereto.
  • the number of cameras CAM may be arranged at least one or more according to functions and uses of the intelligent washing machine 10.
  • the camera CAM may be implemented as a stereo camera (or 3D camera) including a plurality of image sensors, or may be implemented as a 2D camera including one image sensor, but is not limited thereto. In this way, a camera that photographs the inside of the drum can be defined as a drum camera.
  • the camera may generate an image of a user in response to opening of the door 418.
  • the camera CAM may have a wide angle set to capture a user's face area.
  • the processor 710 may generate a user's face image through the camera CAM, and identify who is the user who is currently inserting the cloth (or laundry) based on the face image.
  • the generated image may be applied to the learning model based on at least one artificial neural network described above in FIG. 8 and used to generate various inference results.
  • FIG. 11 is a flowchart of a method for predicting a laundry course according to an embodiment of the present specification.
  • the processor 710 may identify a user from a user's voice or image and apply the identified user information to a course recommendation model (S210).
  • the course recommendation model may be pre-trained by the processor 710 by setting user information and a laundry course labeled with the user information as a training dataset.
  • the processor 710 may apply the user information identified in S110 to the course recommendation model and predict a laundry course corresponding to the user information from the output value.
  • the intelligent washing machine 10 may use either a first course recommendation model or a second course recommendation model, and may functionally connect and use the first and second course recommendation models.
  • the processor 710 may determine a washing course from the output value of the course recommendation model (S220).
  • the processor 710 may recognize the user's face through the camera CAM. .
  • the processor 710 may inquire user information of the detected user according to the identification result.
  • User information may include the user's ID.
  • the processor 710 may apply user information to the course recommendation model.
  • the processor 710 may determine a washing course from an output value of a course recommendation model for user information.
  • the processor 710 may control the operation of the washing machine according to the determined washing course.
  • the user can be identified as ID#01 according to the user's face recognition result.
  • the course recommendation model may recommend a washing course in which the rinsing cycle is repeated three times for 30 minutes after the washing operation is performed when ID#01 is input.
  • FIG. 13 is a flowchart of a method for predicting a laundry course according to another exemplary embodiment of the present specification.
  • the processor 710 may generate an image inside the drum through the camera CAM in response to the door 418 being closed (S310).
  • the processor 710 may detect the closing of the door 418 through at least one sensor provided in the intelligent washing machine 10.
  • a pressure sensor provided in the door 418 may detect a pressure change at the moment the door 418 is closed, and generate a signal based on the pressure change.
  • the ultrasonic sensor provided in the door 418 may detect the closing of the door 418 based on a change in the amount of reception of the ultrasonic signal.
  • an optical sensor provided in the door 418 may detect the closing of the door 418 based on a change in illuminance around the sensor.
  • the sensor for sensing the closing of the door of the present specification is not limited to the above-described example.
  • the processor 710 When the processor 710 detects the door 418 is closed, the camera CAM can be controlled to generate an image inside the drum. As a result, the processor 710 can control the inside of the drum when the door 418 is closed. You can create an image.
  • the processor 710 may identify the type of fabric from the image inside the drum (S320).
  • the type of fabric may include silk, fur, cotton, and the like.
  • the processor 710 may extract feature information from an image inside the drum and identify the type of fabric using the extracted feature information.
  • the extracted feature information may include at least one or more of a cloth, a material, a weight, or an amount of the fabric.
  • the processor 710 may apply the identified type of fabric and user information to the course recommendation model, and determine a washing course from an output value of the course recommendation model (S330).
  • the user information and the type of fabric are set as input data, and the laundry course labeled in the input data is set as a training dataset, and the processor 710 is Can be learned in advance by The processor 710 may apply the user information identified in S110 and the type of the drum inner fabric identified through the drum camera to the course recommendation model, and predict the washing course from the output value.
  • FIG. 14 is an implementation example of a method for predicting a laundry course of FIG. 13.
  • the processor 710 may determine a washing course based on user information and an image inside the drum acquired through the camera CAM while the control operation is being performed.
  • the processor 710 may generate user information by identifying the user through the camera CAM of the door 418. In addition, the processor 710 may identify the type of fabric inside the drum through the camera CAM of the door 418.
  • the processor 710 may determine a washing course by using the identified fabric type and user information.
  • the processor 710 determines that the user is ID#02 based on the user's face recognition result, and the processor 710 determines the type of fabric located inside the drum at the moment the door 418 is closed. ) Can be identified.
  • the processor 710 may apply ID#02 and wool as input data to the laundry course recommendation model, and set the wool laundry course frequently used by the user as a control operation from the output value.
  • 15 is a flowchart of a method for detecting a customary item according to an embodiment of the present specification.
  • the processor 710 may generate an image inside the drum and identify at least one item included in the generated image inside the drum (S410 ).
  • the processor 710 may detect a cautionary item among at least one or more items included in the image inside the drum (S420).
  • the customary item refers to an item that does not meet the purpose of the washing machine.
  • the custom items may include items that are vulnerable to water, such as valuables and electronic devices. For example, when a smartphone is inserted into a washing machine, the processor 710 may detect the smartphone.
  • the processor 710 may detect a custom item by using a pre-learned artificial neural network-based classification model.
  • the pre-trained classification model may be a pre-trained learning model using a plurality of training images and labeling data corresponding to the plurality of images.
  • the labeling data may be information on a custom item.
  • the labeling data may be preset by the user.
  • the processor 710 may transmit a warning message to the user terminal 1500 when a custom item exists (S420: YES) (S430).
  • the warning message may include an image inside the drum and a text message notifying the existence of a custom item.
  • the image inside the drum may be an image in which only a region including a custom item is cropped.
  • the processor 710 may control the control operation of the intelligent washing machine 10 to be stopped.
  • the processor 710 may predict and/or determine the washing course by analyzing the image inside the drum.
  • 16 is an implementation example of a method for detecting a custom item in FIG. 15.
  • the processor 710 transmits a message regarding the detection fact of the smart phone 1500 to the user terminal 1500. I can.
  • detection of the customary item may be performed by analyzing an image inside the drum obtained at the moment when the door 418 of the intelligent washing machine 10 is closed. That is, it is possible to prevent damage to a user due to damage to the toiletry item by notifying the fact of the occurrence of damage to the toiletry item before the occurrence of damage due to the washing water by detecting the toiletry item before the washing operation is performed.
  • the customary item refers to an item that does not meet the purpose of the washing machine.
  • the custom items may include items that are vulnerable to water, such as valuables and electronic devices.
  • the processor 710 may detect the smartphone 1500.
  • 17 is a flowchart of a method for controlling a washing machine according to an exemplary embodiment of the present specification.
  • the processor 710 may receive an image inside the drum (S510 ).
  • the processor 710 may extract feature information from an image inside the drum and determine a contamination level using the extracted feature information (S520 and S530).
  • Image feature extraction may be performed using a convolutionary neural network (CNN) model.
  • the processor 710 may apply the image inside the drum to the CNN model and infer feature information from the output value of the CNN model.
  • the shape of the feature extracted from the input image may be a vector or a plurality of vectors.
  • the processor 710 may control the intelligent washing machine 10 to perform an additional rinsing process (S550).
  • the processor 710 may acquire an image inside the drum while performing at least one of a washing process, a rinsing process, and a spin-drying process through the camera CAM.
  • the processor 710 may obtain an image inside the drum while the washing process is being performed, and may predict the contamination level inside the drum by applying the obtained image to the prediction model. By predicting the contamination level during the washing operation as described above, the processor 710 may modify the control operation of the washing machine so that an additional washing operation is further performed or the time for the rinsing operation is increased.
  • the processor 710 may acquire an image inside the drum while the rinsing process is being performed, and apply the acquired image to a predictive model to obtain an image inside the drum. By predicting the contamination level during the rinsing cycle as described above, the processor 710 may modify the control operation of the washing machine so that the additional rinsing cycle is further performed.
  • the processor 710 may acquire an image inside the drum while the spin-drying process is being performed, and apply the acquired image to a predictive model to obtain an image inside the drum. By predicting the contamination level during the spin-drying process as described above, the processor 710 may modify the control operation of the washing machine so that additional washing hangers are further performed.
  • 19 is a flowchart of a method for controlling fabric entanglement according to an embodiment of the present specification.
  • the processor 710 rotates the motor 773 at high speed to dehydrate the fabric attached to the inner wall of the drum 410 by centrifugal force. . At this time, if the laundry is not evenly distributed in the drum, unbalance occurs and the tub vibrates excessively.
  • the noise level may be 58 dB or less during the washing and/or rinsing process, and 63 dB or less during the spin-drying process.
  • noise of 58 dB or more may be generated during the washing and/or rinsing process, and 63 dB or more during the spin-drying process.
  • the processor 710 may collect noise generated when the tub rotates through the microphone (S610).
  • the processor 710 may detect the amount of eccentricity from the amount of change in rate per minute (RPM) (S620).
  • the amount of eccentricity may be predicted from the amount of change in RPM, and in one embodiment of the present specification, the processor 710 may predict the amount of change in RPM using the UB prediction model.
  • the UB prediction model may be trained with labeling data corresponding to the amount of change in RPM and the amount of change in RMP.
  • the labeling data may be an eccentric amount. Accordingly, the processor 710 may measure the amount of change in RPM and detect the amount of eccentricity from the measured amount of change in RPM.
  • the processor 710 may detect fabric entanglement from the amount of eccentricity and the level of noise (S630).
  • the noise level of the tub increases, and the amount of eccentricity may increase due to poor dispersion of the fabric.
  • the noise level of the tub is within the normal range, and the amount of eccentricity is normal because the fabric is well distributed.
  • the amount of eccentricity and the level of noise may be set as input data, and a bubble entanglement detection model may be trained using labeling data corresponding to the input data.
  • the processor 710 may identify the fabric entanglement using the fabric entanglement detection model.
  • the processor 710 may transmit a message regarding the fabric entanglement to the user terminal 1500 (S651).
  • the message regarding the entanglement of the fabric may include at least one of a text message indicating that entanglement has occurred and an image inside the drum.
  • the processor 710 may control the RPM of the tub to be controlled to be less than the speed of the fabrication (S652).
  • the processor 710 may control the RPM of the tub to be controlled at a constant speed equal to or higher than the fabrication speed (S653).
  • the additional control operation when an additional control operation is performed in the control operation of the washing machine, reinforcement learning may be performed on a predictive model based on the additional control operation information.
  • the additional control operation may include at least one of an additional control operation according to whether the cloth is entangled or an additional control operation according to a contamination level inside the drum.
  • 20 is a flowchart illustrating a method of determining a drum cleaning timing according to an exemplary embodiment of the present specification.
  • the processor 710 may perform an additional control operation according to the predicted contamination level, and when the control operation ends, the gasket image may be collected through the camera CAM (S710 ).
  • the camera may be a gasket camera.
  • the processor 710 may search the user's usage history (S720).
  • the user's usage history may include at least one of user information, a type of cloth, a washing time, a washing frequency, a tub washing frequency, a tub washing frequency, or additional user's course setting information among a control operation.
  • the processor 710 may determine the cleaning timing of the drum 410 from the gasket image and usage history (S730).
  • the processor 710 may determine the cleaning timing of the drum 410 by using the feature information and usage history extracted from the gasket image.
  • the processor 710 may apply the gasket image and usage history to a predictive model of the drum cleaning timing learned in advance, and determine the cleaning timing of the drum 410 from an output value that is a result of the application.
  • the processor 710 may transmit a guide message to the user terminal 1500.
  • 21 is an exemplary embodiment of a method of determining a drum cleaning timing of FIG. 20.
  • the processor 710 may generate a gasket image.
  • the processor 710 may apply the gasket image to the contamination level detection model of the gasket 416A, extract feature information of the gasket image, and determine the cleaning timing of the drum 410 from the extracted feature information.
  • the weight of the contamination level detection model of the gasket 416A may be calculated by the processor 710 so that the cleaning timing of the drum 410 is inferred close to the current time in proportion to the contamination level of the gasket 416A. have.
  • the above-described specification has exemplified a drum washing machine in which a washing tub is horizontally arranged, it is not limited thereto and may be similarly applied to a tongdol washing machine.
  • it may be provided in at least one camera inside the door of the tongdol washing machine to perform the same AI processing.
  • at least one camera may be provided on a peripheral surface of a laundry entrance of a washing machine to perform AI processing that predicts the cleaning timing of the laundry tub. That is, the tongdol washing machine may also control and/or manage the washing machine according to various control methods described above in FIGS. 6 to 21.
  • the present invention described above can be implemented as a computer-readable code on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices that store data that can be read by a computer system. Examples of computer-readable media include 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 optical data storage devices
  • optical data storage devices etc.
  • carrier wave for example, transmission over the Internet

Abstract

지능형 세탁기가 개시된다. 본 발명의 일 실시예에 따른 지능형 세탁기의 제어 방법은, 사용자 정보로부터 세탁 코스를 예측하여, 예측된 세탁 코스로 세탁기를 제어하고, 세탁기가 제어되는 동안 카메라를 통해 드럼 내부의 이미지를 획득하고, 획득된 이미지를 이용하여 드럼 내부의 오염 레벨을 예측 및 예측 결과에 따른 추가 제어 동작을 수행할 수 있다. 본 발명의 지능형 세탁기는 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

지능형 세탁기
본 발명은 지능형 세탁기에 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.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
바쁜 현대 사회에서 집안일에 할애하는 시간은 매일 3시간 정도로서, 집안 일에 쓰이는 시간을 줄이고 휴식 시간을 늘리기 위하여 스스로 판단하고 제어하는 인공지능 기반의 지능형 세탁기의 필요성이 대두된다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은, 사용자에 따른 최적의 세탁 코스를 스스로 판단 및/또는 설정하는 지능형 세탁기를 구현하는 것을 목적으로 한다.
또한, 본 발명은, 세탁 상태를 분석하여 추가적인 제어 동작을 수행하는 지능형 세탁기를 구현하는 것을 목적으로 한다.
또한, 본 발명은, 세탁기의 용도에 부합하지 않는 물품을 검출하는 지능형 세탁기를 구현하는 것을 목적으로 한다.
또한, 본 발명은, 포 엉킴을 검출하고, 검출 결과에 따라 모터의 RPM을 제어하는 지능형 세탁기를 구현하는 것을 목적으로 한다.
본 명세서의 일 양상에 따른 지능형 세탁기의 제어 방법은 사용자의 이미지로부터 상기 사용자를 식별하는 단계; 식별된 사용자 정보로부터 상기 사용자 정보에 대응되는 제1 세탁 코스를 예측하는 단계; 상기 예측된 제1 세탁 코스로 제어 동작을 수행하는 단계; 상기 제어 동작이 수행되는 중 카메라를 통해 드럼 내부의 이미지를 수집하는 단계; 상기 드럼 내부의 이미지와 미리 학습된 예측 모델을 이용하여 상기 드럼 내부의 오염 레벨을 예측하는 단계; 및상기 예측된 오염 레벨에 따라 상기 제1 세탁 코스를 제2 세탁 코스로 변경하는 단계;를 포함한다.
또한, 상기 제1 세탁 코스를 예측하는 단계는, 상기 사용자 정보를 미리 학습된 인공 신경망 기반의 코스 추천 모델에 적용하는 단계;상기 코스 추천 모델의 출력값으로부터 상기 세탁 코스를 결정하는 단계;를 포함할 수 있다.
또한, 상기 제1 세탁 코스를 예측하는 단계는, 도어의 닫힘에 응답하여 상기 카메라를 통해 상기 드럼 내부의 이미지를 수집하는 단계; 상기 드럼 내부의 이미지로부터 포의 종류를 식별하는 단계; 상기 식별된 포의 종류와 상기 사용자 정보를 미리 학습된 인공 신경망 기반의 코스 추천 모델에 적용하여, 상기 제1 세탁 코스를 결정하는 단계;를 포함할 수 있다.
또한, 상기 사용자의 식별 정보는, ID 형태로 저장될 수 있다.
또한, 상기 제1, 제2 세탁 코스는, 세탁 행정, 헹굼 행정 또는 탈수 행정 중 적어도 하나를 포함하고, 상기 제2 세탁 코스에 포함된 행정은 상기 제1 세탁 코스의 행정과 비교하여 동작순서, 동작패턴, 동작시간 또는 RPM 중 적어도 하나가 다를 수 있다.
또한, 마이크로폰을 통해 터브(tub)가 회전하며 발생하는 소음을 수집하는 단계;RPM(rate per minute)의 변화량으로부터 편심량을 검출하는 단계; 및 상기 편심량 및 상기 소음의 레벨로부터 포 엉킴을 검출하는 단계;를 더 포함할 수 있다.
또한, 상기 포 엉킴이 감지되는 경우, 사용자 단말로 상기 포 엉킴에 관한 메시지를 전송하는 단계;를 더 포함할 수 있다.
또한, 상기 포 엉킴이 감지되는 경우, 상기 제어 동작에서 상기 터브의 RPM을 포 붙임 속도 이하로 제어되도록 제어하는 단계;를 더 포함할 수 있다.
또한, 상기 포 엉킴이 감지되지 않는 경우, 상기 제어 동작에서 상기 터브의 RPM을 포 붙임 속도 이상으로 정속 제어되도록 제어하는 단계;를 더 포함할 수 있다.
또한, 상기 제어 동작이 종료되면 개스킷(gasket)의 이미지를 수집하는 단계; 상기 사용자의 사용이력을 검색하는 단계; 및 상기 개스킷의 이미지와 상기 사용이력으로부터 드럼 세척 시기를 결정하는 단계;를 더 포함할 수 있다.
또한, 상기 사용이력은, 사용자 정보, 포의 종류, 세탁 시간, 세탁 빈도, 통 세척 횟수, 통 세척 빈도 또는 제어 동작 중 추가적인 사용자의 코스 설정 중 적어도 하나 이상을 포함할 수 있다.
또한, 상기 드럼 내부의 이미지를 분석하여, 상기 드럼 내부의 이미지에 포함된 적어도 하나 이상의 아이템 중 세탁기의 용도에 부합하지 않는 커셔너리 아이템(cautinary item)을 검출하는 단계; 및 상기 커셔너리 아이템이 검출되면 사용자 단말로 경고 메시지를 전송하는 단계;를 더 포함할 수 있다.
또한, 상기 변경된 세탁 코스의 정보에 기반하여 상기 예측 모델을 강화 학습(reinforcement learning)하는 단계;를 더 포함할 수 있다.
본 명세서의 다른 양상에 따른 지능형 세탁기는 통신모듈; 메모리; 사용자를 포함하는 이미지 및 드럼 내부의 이미지를 촬영하는 카메라; 및 상기 사용자를 포함하나느 이미지로부터 상기 사용자를 식별하고, 식별된 사용자 정보로부터 상기 사용자 정보에 대응되는 제1 세탁 코스를 예측하며, 상기 예측된 제1 세탁 코스로 제어 동작을 수행하는 동안에 상기 카메라를 통해 상기 드럼 내부의 이미지를 수집하고, 상기 드럼 내부의 이미지와 미리 학습된 예측 모델을 이용하여 상기 드럼 내부의 오염 레벨을 예측할 수 있고, 상기 예측된 오염 레벨에 따라 상기 제1 세탁 코스를 제2 세탁 코스로 변경하는 프로세서를 포함한다.
본 발명의 일 실시예에 따른 지능형 세탁기의 효과에 대해 설명하면 다음과 같다.
본 발명은 사용자에 따른 최적의 세탁 코스를 스스로 판단 및/또는 설정할 수 있다.
또한, 본 발명은 세탁 상태를 분석하여 추가적인 제어 동작을 수행하는 지능형 세탁기를 구현할 수 있다.
또한, 본 발명은 세탁기의 용도에 부합하지 않는 물품을 검출할 수 있다.
또한, 본 발명은 포 엉킴을 검출하고, 검출 결과에 따라 모터의 RPM을 제어할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 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 나타낸다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 전자 장치의 블록도를 나타내는 도면이다.
도 6은 지능형 세탁기의 외관을 설명하기 위한 도면이다.
도 7은 본 명세서의 일 실시예에 적용되는 지능형 세탁기의 카메라를 설명하기 위한 도면이다.
도 8은 본 명세서의 일 실시예에 따른 지능형 세탁기의 구성을 나타내는 블록도이다.
도 9는 본 명세서의 실시예에 따른 지능형 세탁기의 제어 방법의 개략적인 흐름도이다.
도 10은 도 9의 S110를 설명하기 위한 도면이다.
도 11은 본 명세서의 일 실시예에 따른 세탁 코스 예측 방법의 흐름도이다.
도 12는 도 11의 세탁 코스 예측 방법의 구현예이다.
도 13은 본 명세서의 다른 실시예에 따른 세탁 코스 예측 방법의 흐름도이다.
도 14는 도 13의 세탁 코스의 예측 방법의 구현예이다.
도 15는 본 명세서의 실시예에 따른 커셔너리 아이템 검출 방법의 흐름도이다.
도 16은 도 15의 커셔너리 아이템 검출 방법의 구현예이다.
도 17은 본 명세서의 일 실시예에 따른 세탁기의 제어 방법의 흐름도이다.
도 18은 도 17의 오염 레벨 측정 방법의 구현예이다.
도 19은 본 명세서의 일 실시예에 따른 포 엉킴에 대한 제어 방법의 흐름도이다.
도 20은 본 명세서의 일 실시예에 따른 드럼 세척 시기의 결정 방법에 관한 흐름도이다.
도 21은 도 20의 드럼 세척 시기의 결정 방법에 관한 구현예이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
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 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
AI 장치 블록도
도 4는 본 발명의 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 디바이스(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 5에 도시된 디바이스(100)의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 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 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 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(110), 메모리(120), 출력 장치(130), 입력 장치(140), 입출력 인터페이스(150), 센서 모듈(160), 통신 모듈(170)을 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 입력된 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.
도 6은 지능형 세탁기의 외관을 설명하기 위한 도면이다.
도 6을 참조하면, 본 명세서의 실시예에 따른 제어 방법이 구현되는 지능형 세탁기(10)는 외관을 형성하는 캐비닛(402), 터브(미도시)의 내측에 배치되는 드럼(410), 드럼을 회전시키는 모터(미도시), 캐비닛(402)의 전면에 장착되는 캐비닛 커버(416), 캐비닛 커버(416)에 결합되는 도어(418), 지능형 세탁기(10)의 작동 명령을 입력하기 위한 컨트롤 패널(420)을 포함할 수 있다.
캐비닛 커버(416)는 캐비닛(402)의 전방에 장착되고 중앙에 세탁물 출입구가 형성된다. 도어(418)는 캐비닛 커버(416)에 회동 가능하게 설치되어 세탁물 출입구를 개폐한다. 컨트롤 패널(420)은 캐비닛 커버(416)의 상측에 배치되어 세탁기의 작동 상태를 표시함과 아울러 세탁기의 작동 명령을 위한 입력키를 구비한다.
도 7은 본 명세서의 일 실시예에 적용되는 지능형 세탁기의 카메라를 설명하기 위한 도면이다.
본 명세서의 일 실시예에서, 세탁기(10)의 도어(418)에는 카메라(CAM1)가 배치될 수 있다. 카메라(CAM1)는 외부 커버(418A)와 내부 글라스(418B) 사이에 배치될 수 있으나, 이에 한정되는 것은 아니다. 일 례에서 카메라(CAM1)는 외부 커버(418A)와 내부 글라스(418B) 사이의 공간에 배치되므로 지능형 세탁기(10)의 외부로부터의 충격이나 이물, 드럼(410) 내의 세탁수나 세탁물에 의한 오염이나 접촉이 효과적으로 방지될 수 있다.
또한, 카메라(CAM1)의 개수는 지능형 세탁기(10)의 기능과 용도에 따라 적어도 하나 이상 배치될 수 있다. 일 례로, 카메라(CAM1)는 복수의 이미지 센서를 포함하는 스테레오 카메라(또는 3D 카메라)로 구현되거나 하나의 이미지 센서를 포함하는 2D 카메라로 구현될 수 있으나, 이에 한정되는 것은 아니다. 이처럼 드럼(410) 내부를 촬영하는 카메라(CAM1)를 드럼 카메라(CAM1)로 정의할 수 있다.
복수의 카메라(CAM1)는 각각 내부 글라스(418B)를 향하도록 외부 커버(418A)의 내벽에 배치되고, 프로세서(도 8의 710)의 제어에 따라 내부 글라스(418B)를 포함하는 영상 데이터를 획득할 수 있다. 프로세서(도 8의 710)는 복수의 카메라(CAM1) 각각에 의해 획득된 도어 이미지를 처리하여 병합하거나, 어느 하나의 도어 이미지를 선택하여 적어도 하나 이상의 인공 신경망 기반의 학습 모델 중 어느 하나로 적용할 수 있다.
본 명세서의 일 실시예에 따라 세탁물 출입구의 둘레면에는 드럼 내의 세탁수가 외부로 유출되는 것을 방지하기 위한 개스킷(416A)이 형성될 수 있다. 예를 들어, 캐스킷(416A)은 드럼(410)과 캐비닛 사이, 드럼(410)과 도어 사이 등으로 세탁수가 유출되는 것을 방지할 수 있다. 개스킷(416A)은 고무 소재로 구현될 수 있으나, 이에 한정되는 것은 아니다.
본 명세서의 일 실시예에 따라 복수의 카메라 중 어느 하나는 개스킷(416A)을 촬영하도록 배치되며, 개스킷(416A)을 포함하는 이미지 데이터를 획득할 수 있다. 도어(418)가 닫힌 상태에서는 카메라(CAM2)와 개스킷(416A) 사이에 내부 글라스(418B)가 위치하므로 프로세서(도 8의 710)는 도어(418)가 열린 상태에서 개스킷 이미지를 획득하도록 제어할 수 있다. 이처럼 개스킷(416A)의 이미지를 촬영하기 위한 카메라(CAM2)를 개스킷 카메라(CAM2)로 정의할 수 있다.
도 8은 본 명세서의 일 실시예에 따른 지능형 세탁기의 구성을 나타내는 블록도이다. 도 8의 지능형 세탁기(10)에 있어서, 도 5에서 전술한 구성요소와 공통되는 내용은 생략하고 차이점을 위주로 설명하도록 한다.
도 8을 참조하면, 지능형 세탁기(10)는 프로세서(710), 메모리(720), 출력 장치(730), 입력 장치(740), 센서 모듈(750) 및 통신 모듈(760)을 포함할 수 있다. 한편, 지능형 세탁기(10)는 도 4에서 전술한 AI 장치의 일 례에 해당할 수 있다.
출력 장치(730)는 지능형 세탁기(10)의 동작과 관련된 다양한 정보를 사용자에게 알리기 위한 출력 수단을 구비할 수 있다. 일 예로, 출력 장치(730)는 오디오 출력 수단으로서 스피커(speaker)나 버저(buzzer) 등을 포함할 수 있고, 그래픽 또는 텍스트 출력 수단으로써 디스플레이를 포함할 수 있다. 일 예로, 출력 장치(730)는 도 4의 컨트롤 패널에 배치될 수 있으나, 이에 한정되는 것은 아니다.
입력 장치(740)는 사용자의 조작에 의해 소정의 신호 또는 데이터를 지능형 세탁기(10)로 입력하는 적어도 하나의 입력 수단을 포함할 수 있다. 일 예로, 입력 장치(740)는 버튼, 다이얼, 터치패드, 마이크로폰 등을 포함할 수 있다. 입력 장치(740)는 컨트롤 패널에 배치될 수 있으나, 이에 한정되는 것은 아니다.
본 명세서의 일 실시예에 따라 입력 장치(740)는 적어도 하나 이상의 카메라(CAM1, CAM2)를 포함할 수 있으며, 카메라(CAM1, CAM2)는 전술한 도어 카메라(CAM1), 개스킷 카메라(CAM2)를 포함할 수 있다.
프로세서(710)는 지능형 세탁기(10)의 전반적인 동작을 제어할 수 있다. 프로세서(710)는 세탁 행정, 헹굼 행정, 탈수 행정 또는 건조 행정을 포함하는 제어 동작을 제어할 수 있다. 프로세서(710)는 미리 설정된 알고리즘에 따라 제어 동작을 수행할 수 있고, 각 행정에 따라 모터(773), 급수 밸브(771), 배수 펌프(772) 등의 동작을 제어할 수 있다.
본 명세서의 일 실시예에서 프로세서(710)는 사용자의 음성 또는 이미지로부터 사용자를 식별할 수 있고, 식별된 사용자 정보로부터 사용자 정보에 대응되는 세탁 코스를 예측할 수 있다. 그리고, 프로세서(710)는 예측된 세탁 코스로 지능형 세탁기(10)를 제어할 수 있다.
또한, 프로세서(710)는 제어 동작이 수행되는 중 카메라(CAM)를 통해 드럼 내부의 이미지를 수집하고, 미리 학습된 예측 모델을 이용하여 드럼 내부의 오염 레벨을 예측할 수 있다. 프로세서(710)는 예측된 오염 레벨에 따라 추가적인 제어 동작을 수행하도록 지능형 세탁기(10)를 제어할 수 있다.
또한, 프로세서(710)는 편심량 및 소음의 레벨로부터 포 엉킴을 검출할 수 있다. 이때, 프로세서(710)는 마이크로폰을 통해 터브가 회전하며 발생하는 소음을 수집할 수 있으며, RPM의 변화량으로부터 편심량을 검출할 수 있다. 이처럼 수집 및 검출된 정보에 기반하여 프로세서(710)는 포 엉킴을 검출할 수 있다. 프로세서(710)는 포 엉킴의 검출 여부에 따라 다양한 제어 프로세스를 수행할 수 있다.
또한, 프로세서(710)는 드럼 내부의 이미지에 기반하여 커셔너리 아이템을 검출할 수도 있다. 커셔너리 아이템은 세탁기에 용도에 부함하지 않는 아이템을 지칭한다.
또한, 프로세서(710)는 추가적인 제어 동작의 정보에 기반하여 예측 모델을 강화 학습할 수도 있다.
이하 명세서에서 전술한 지능형 세탁기(10)의 제어 방법에 대하여 구체적으로 후술하도록 한다.
도 9는 본 명세서의 실시예에 따른 지능형 세탁기의 제어 방법의 개략적인 흐름도이다.
도 9를 참조하면, 프로세서(710)는 사용자의 음성 또는 이미지로부터 사용자를 식별할 수 있다(S110).
지능형 세탁기(10)는 마이크로폰 또는 카메를 통해 사용자의 음성 또는 영상을 수신할 수 있다. 이때, 이미지는 스틸 이미지(still image) 또는 동영상을 모두 포함하는 것으로 이해될 수 있다.
프로세서(710)는 사용자의 음성 또는 이미지와 상기 음성 또는 이미지에 레이블링된 식별 정보를 학습 데이터셋으로 설정하여 인공 신경망 기반의 사용자 식별 모델을 학습할 수 있다. 프로세서(710)는 미리 학습된 식별 모델에 상기 사용자의 음성 또는 이미지를 적용하고, 상기 식별 모델의 출력값으로부터 상기 음성 또는 이미지에 대응되는 사용자를 식별할 수 있다.
프로세서(710)는 식별된 사용자 정보로부터 사용자 정보에 대응되는 세탁 코스를 예측할 수 있다(S120).
세탁 코스의 예측에는 인공 신경망 기반의 코스 추천 모델이 이용될 수 있다.
본 명세서의 일 실시예에 따른 제1 코스 추천 모델은 사용자 정보와 사용자 정보에 레이블링된 세탁 코스를 학습 데이터셋으로 설정하여 프로세서(710)에 의해 미리 학습될 수 있다. 프로세서(710)는 S110에서 식별된 사용자 정보를 제1 코스 추천 모델에 적용하고, 출력값으로부터 사용자 정보에 대응되는 세탁 코스를 예측할 수 있다.
이때, 사용자 정보는 ID 포맷으로 저장될 수 있다. 일 례로, 사용자 정보는 아버지(ㅇㅇㅇ)은 ID#01, 어머니(△△△)은 ID#02, 딸(◇◇◇)은 ID#03 과 같이 특정 사용자에 대응하는 ID 포맷으로 저장될 수 있다. 제1 코스 추천 모델의 클래스에 포함된 적어도 하나 이상의 세탁 코스는 사용자의 사용이력을 통해 결정될 수 있다. 사용이력 정보는 사용자 정보, 포의 종류, 세탁 시간, 세탁 빈도 또는 제어 동작 중 추가적인 사용자의 코스 설정 중 적어도 하나 이상을 포함할 수 있다.
본 명세서의 다른 실시예에 따른 제2 코스 추천 모델은 사용자 정보 및 포의 종류를 입력 데이터로 설정하고, 상기 입력 데이터에 레이블링된 세탁 코스를 학습 데이터셋으로 설정하여 프로세서(710)에 의해 미리 학습될 수 있다. 프로세서(710)는 S110에서 식별된 사용자 정보와 드럼 카메라(CAM)를 통해 식별된 드럼 내 포의 종류를 제2 코스 추천 모델에 적용하고, 출력값으로부터 세탁 코스를 예측할 수 있다.
지능형 세탁기(10)는 제1 코스 추천 모델 또는 제2 코스 추천 모델 중 어느 하나를 이용할 수 있고, 제1, 제2 코스 추천 모델을 기능적으로 연결하여 함께 이용할 수도 있다.
본 명세서의 다양한 실시예에서 레이블링된 세탁 코스는 사용자의 사용이력에 기반하여 결정될 수 있다. 레이블링된 세탁 코스는 사용자의 사용이력을 분석하여 가장 많이 이용한 세탁 코스로 설정될 수 있다.
프로세서(710)는 제어 동작이 수행되는 중 카메라(CAM)를 통해 드럼 내부의 이미지를 수집할 수 있다(S130).
프로세서(710)는 세탁기의 제어 동작이 수행되는 동안 카메라(CAM)를 통해 드럼 내부의 이미지를 생성할 수 있다. 이때 생성된 이미지는 드럼 이미지로 정의할 수 있다.
프로세서(710)는 미리 학습된 예측 모델을 이용하여 드럼 내부의 오염 레벨을 예측할 수 있다(S140).
이때 오염 레벨을 예측하기 위하여 회귀 모델(regression model), 뉴럴 네트워크(neural network, NN) 또는 장단기 메모리 방식의 순환 신경망(long shor-term memory, LSTM) 중 적어도 하나를 이용할 수 있다.
예측 모델은 드럼 내부의 이미지로부터 추출된 특징값과 상기 특징값에 대응하여 레이블된 오염 레벨을 학습 데이터로 설정하여 훈련된 학습 모델일 수 있다. 프로세서(710)는 예측 모델에 드럼 내부의 이미지를 적용하고, 예측 모델의 출력값으로부터 드럼 내부의 오염 레벨을 예측할 수 있다.
프로세서(710)는 예측된 오염 레벨에 따라 추가적인 제어 동작을 수행할 수 있다(S150).
본 명세서의 일 실시예에서 프로세서는 예측된 오염 레벨에 따라 식별된 사용자 정보에 따라 예측된 제1 세탁 코스를 제2 세탁 코스로 변경할 수 있다. 이때, 제1, 제2 세탁 코스는 세탁 행정, 헹굼 행정 또는 탈수 행정 중 적어도 하나 이상을 포함할 수 있다. 또한, 제2 세탁 코스에 포함된 적어도 하나의 행정은 상응하는 제1 세탁 코스의 적어도 하나의 행정과 비교하여 동작순서, 동작패턴, 동작시간 또는 RPM 중 적어도 하나가 다를 수 있다. 본 명세서의 다양한 실시예에서 예측된 오염 레벨이 미리 설정된 임계치 이상인 경우에 프로세서(710)는 추가적인 헹굼 행정을 수행하도록 제어할 수 있다. 또한, 프로세서(710)는 예측된 오염 레벨에 비례하여 헹굼 행정의 헹굼 횟수 및 시간이 증가하도록 상기 헹굼 행정을 설정할 수 있다.
도 10은 도 9의 S110를 설명하기 위한 도면이다.
도 10을 참조하면, 세탁기의 도어(418)에는 카메라(CAM)가 배치될 수 있다. 카메라(CAM)는 외부 커버와 내부 글라스 사이에 배치될 수 있으나, 이에 한정되는 것은 아니다.
또한, 카메라(CAM)의 개수는 지능형 세탁기(10)의 기능과 용도에 따라 적어도 하나 이상 배치될 수 있다. 일 례로, 카메라(CAM)는 복수의 이미지 센서를 포함하는 스테레오 카메라(또는 3D 카메라)로 구현되거나 하나의 이미지 센서를 포함하는 2D 카메라로 구현될 수 있으나, 이에 한정되는 것은 아니다. 이처럼 드럼 내부를 촬영하는 카메라를 드럼 카메라로 정의할 수 있다.
본 명세서의 일 실시예에 따른 카메라는 도어(418)의 열림에 응답하여 사용자의 이미지를 생성할 수 있다. 특히, 카메라(CAM)는 사용자의 얼굴 영역을 촬영하도록 광각이 설정되어 있을 수 있다. 프로세서(710)는 카메라(CAM)를 통해 사용자의 얼굴 이미지를 생성하고, 상기 얼굴 이미지를 바탕으로 현재 포(또는 세탁물)을 투입하는 사용자가 누구인지를 식별할 수 있다.
이때 생성된 이미지는 도 8에서 전술한 적어도 하나 이상의 인공 신경망 기반의 학습 모델에 적용되어 다양한 추론 결과를 생성하는 데 이용될 수 있다.
도 11은 본 명세서의 일 실시예에 따른 세탁 코스 예측 방법의 흐름도이다.
도 11을 참조하면, 프로세서(710)는 사용자의 음성 또는 이미지로부터 사용자를 식별하고, 식별된 사용자 정보를 코스 추천 모델에 적용할 수 있다(S210).
전술한 바와 같이, 본 명세서의 일 실시예에 따른 코스 추천 모델은 사용자 정보와 사용자 정보에 레이블링된 세탁 코스를 학습 데이터셋으로 설정하여 프로세서(710)에 의해 미리 학습될 수 있다. 프로세서(710)는 S110에서 식별된 사용자 정보를 코스 추천 모델에 적용하고, 출력값으로부터 사용자 정보에 대응되는 세탁 코스를 예측할 수 있다.
지능형 세탁기(10)는 제1 코스 추천 모델 또는 제2 코스 추천 모델 중 어느 하나를 이용할 수 있고, 제1, 제2 코스 추천 모델을 기능적으로 연결하여 함께 이용할 수도 있다.
프로세서(710)는 코스 추천 모델의 출력값으로부터 세탁 코스를 결정할 수 있다(S220).
도 12는 도 11의 세탁 코스 예측 방법의 구현예이다.
도 12를 참조하면, 전술한 바와 같이, 지능형 세탁기(10)의 도어(418)가 열림 상태로 전환되는 이벤트가 발생하면 프로세서(710)는 카메라(CAM)를 통해 사용자의 얼굴을 인식할 수 있다. 프로세서(710)는 식별 결과에 따라 검출된 사용자의 사용자 정보를 조회할 수 있다. 사용자 정보는 사용자의 ID를 포함할 수 있다.
프로세서(710)는 도 11에서 전술한 바와 같이, 사용자 정보를 코스 추천 모델에 적용할 수 있다. 프로세서(710)는 사용자 정보에 대한 코스 추천 모델의 출력값으로부터 세탁 코스를 결정할 수 있다.
프로세서(710)는 결정된 세탁 코스에 따라 세탁기의 동작을 제어할 수 있다. 일 례로, 사용자의 얼굴 인식 결과에 따라서 사용자를 ID#01로 식별할 수 있다. 코스 추천 모델은 ID#01이 입력되는 경우에 세탁 행정이 수행된 후 헹굼 행정을 30분 간 3회 반복되는 세탁 코스를 추천할 수 있다.
도 13은 본 명세서의 다른 실시예에 따른 세탁 코스 예측 방법의 흐름도이다.
도 13을 참조하면, 프로세서(710)는 도어(418)의 닫힘에 응답하여 카메라(CAM)를 통해 드럼 내부의 이미지를 생성할 수 있다(S310).
지능형 세탁기(10)에 구비된 적어도 하나 이상의 센서를 통해 프로세서(710)는 도어(418)의 닫힘을 감지할 수 있다. 일 례로, 도어(418)에 구비된 압력 센서는 도어(418)의 닫히는 순간의 압력 변화를 감지하고, 압력 변화에 기반하여 신호를 생성할 수 있다. 일 례로, 도어(418)에 구비된 초음파 센서는 초음파 신호의 수신량 변화에 기반하여 도어(418)의 닫힘을 감지할 수 있다. 일 례로, 도어(418)에 구비된 광 센서는 센서 주변의 조도의 변화에 기반하여 도어(418)의 닫힘을 감지할 수 있다. 본 명세서의 도어 닫힘을 센싱하는 센서는 전술한 예에 한정되는 것은 아니다.
프로세서(710)는 도어(418)의 닫힘을 감지하면 드럼 내부의 이미지를 생성하도록 카메라(CAM)를 제어할 수 있으며, 그 결과 프로세서(710)는 도어(418)가 닫혔을 때의 드럼 내부의 이미지를 생성할 수 있다.
프로세서(710)는 드럼 내부의 이미지로부터 포의 종류를 식별할 수 있다(S320).
포의 종류는 실크, 모피, 면 등을 포함할 수 있다. 프로세서(710)는 드럼 내부의 이미지로부터 특징 정보를 추출하고, 추출된 특징 정보를 이용하여 포의 종류를 식별할 수 있다. 이때, 추출되는 특징 정보는 포의 옷감, 재질, 무게 또는 양 중 적어도 하나 이상을 포함할 수 있다.
프로세서(710)는 식별된 포의 종류와 사용자 정보를 코스 추천 모델에 적용하고, 코스 추천 모델의 출력값으로부터 세탁 코스를 결정할 수 있다(S330).
전술한 바와 같이, 본 명세서의 다른 실시예에 따른 코스 추천 모델은 사용자 정보 및 포의 종류를 입력 데이터로 설정하고, 상기 입력 데이터에 레이블링된 세탁 코스를 학습 데이터셋으로 설정하여 프로세서(710)에 의해 미리 학습될 수 있다. 프로세서(710)는 S110에서 식별된 사용자 정보와 드럼 카메라를 통해 식별된 드럼 내 포의 종류를 코스 추천 모델에 적용하고, 출력값으로부터 세탁 코스를 예측할 수 있다.
도 14는 도 13의 세탁 코스의 예측 방법의 구현예이다.
도 14를 참조하면, 전술한 바와 같이, 프로세서(710)는 사용자 정보와 제어 동작이 수행되는 동안 카메라(CAM)를 통해 획득된 드럼 내부 이미지를 통해 세탁 코스를 결정할 수 있다.
프로세서(710)는 도어(418)의 카메라(CAM)를 통해 사용자를 식별함으로써 사용자 정보를 생성할 수 있다. 또한, 프로세서(710)는 도어(418)의 카메라(CAM)를 통해 드럼 내부의 포의 종류를 식별할 수도 있다.
이처럼 식별된 포의 종류 및 사용자 정보를 이용하여 프로세서(710)는 세탁 코스를 결정할 수 있다.
일 예로, 프로세서(710)는 사용자의 얼굴 인식 결과에 기반하여 사용자는 ID#02로 판단하고, 또한 프로세서(710)는 도어(418)가 닫히는 순간에 드럼 내부에 위치한 포의 종류를 모직(wool)로 식별할 수 있다.
이때, 프로세서(710)는 세탁 코스 추천 모델에 ID#02 및 모직을 입력 데이터로서 적용할 수 있고, 출력값으로부터 사용자가 자주 사용하는 울 세탁 코스를 제어 동작으로 설정할 수 있다.
도 15는 본 명세서의 실시예에 따른 커셔너리 아이템 검출 방법의 흐름도이다.
도 15를 참조하면, 프로세서(710)는 드럼 내부의 이미지를 생성하고, 생성된 드럼 내부의 이미지에 포함된 적어도 하나 이상의 아이템을 식별할 수 있다(S410).
프로세서(710)는 드럼 내부의 이미지에 포함된 적어도 하나 이상의 아이템 중 커셔너리 아이템(cautionary item)을 검출할 수 있다(S420).
커셔너리 아이템은 세탁기의 용도에 부합하지 않는 아이템을 지칭한다. 커셔너리 아이템은 귀중품, 전자 기기 등 물에 취약한 아이템들을 포함할 수 있다. 일 예로, 세탁기에 스마트폰이 투입된 경우에 프로세서(710)는 스마트폰을 검출할 수 있다.
본 명세서의 일 실시예에서 프로세서(710)는 미리 학습된 인공 신경망 기반의 분류 모델을 이용하여 커셔너리 아이템을 검출할 수 있다. 미리 학습된 분류 모델은 복수의 학습 이미지 및 상기 복수의 이미지에 대응되는 레이블링 데이터를 이용하여 미리 학습된 학습 모델일 수 있다. 이때, 레이블링 데이터는 커셔너리 아이템 정보일 수 있다. 또한, 레이블링 데이터는 사용자에 의해 미리 설정될 수 있다.
프로세서(710)는 커셔너리 아이템이 존재하는 경우(S420:YES), 사용자 단말(1500)로 경고 메시지를 전송할 수 있다(S430).
경고 메시지는 드럼 내부의 이미지와 커셔너리 아이템의 존재를 알리는 텍스트 메시지를 포함할 수 있다. 이때, 드럼 내부의 이미지는 커셔너리 아이템을 포함하는 영역만이 크로핑된 이미지일 수 있다. 본 명세서의 실시예에서 커셔너리 아이템이 존재하는 경우에 프로세서(710)는 지능형 세탁기(10)의 제어 동작이 중지되도록 제어할 수 있다.
프로세서(710)는 커셔너리 아이템이 존재하지 않는 경우(S420:NO), 드럼 내부의 이미지를 분석하여 세탁 코스를 예측 및/또는 결정할 수 있다.
도 16은 도 15의 커셔너리 아이템 검출 방법의 구현예이다.
도 16을 참조하면, 프로세서(710)는 지능형 세탁기(10)의 드럼 내부에 스마트폰(1500)이 검출되는 경우에, 스마트폰(1500)의 검출 사실에 관한 메시지를 사용자 단말(1500)로 전송할 수 있다.
일 예로, 커셔너리 아이템의 검출은 지능형 세탁기(10)의 도어(418)가 닫히는 순간에 획득된 드럼 내부의 이미지를 분석함으로써 수행될 수 있다. 즉, 세탁 행정이 수행되기 전에 커셔너리 아이템을 검출함으로써 세탁수에 의하여 커셔너리 아이템의 손상이 발생하기 전에 발생 사실을 안내함으로써 커셔너리 아이템의 손상으로 인한 사용자의 손해를 방지할 수 있다.
커셔너리 아이템은, 전술한 바와 같이, 세탁기의 용도에 부합하지 않는 아이템을 지칭한다. 커셔너리 아이템은 귀중품, 전자 기기 등 물에 취약한 아이템들을 포함할 수 있다. 일 예로, 세탁기에 스마트폰(1500)이 투입된 경우에 프로세서(710)는 스마트폰(1500)을 검출할 수 있다.
도 17은 본 명세서의 일 실시예에 따른 세탁기의 제어 방법의 흐름도이다.
도 17을 참조하면, 프로세서(710)는 드럼 내부의 이미지를 수신할 수 있다(S510).
프로세서(710)는 드럼 내부의 이미지에서 특징 정보를 추출하고, 추출된 특징 정보를 이용하여 오염 레벨을 결정할 수 있다(S520, S530).
이미지의 특징 추출은 CNN(convolutionary neural network) 모델을 이용하여 수행될 수 있다. 프로세서(710)는 CNN 모델에 드럼 내부의 이미지를 적용하고, CNN 모델의 출력값으로부터 특징 정보를 추론할 수 있다. 입력되는 이미지로부터 추출된 특징의 형태는 벡터 또는 복수의 벡터 형태가 될 수 있다.
프로세서(710)는 오염 레벨이 미리 설정된 임계치를 초과하는 경우(S540:YES), 지능형 세탁기(10)가 추가적인 헹굼 행정을 수행하도록 제어할 수 있다(S550).
도 18은 도 17의 오염 레벨 측정 방법의 구현예이다.
도 18을 참조하면, 프로세서(710)는 카메라(CAM)를 통해 세탁 행정, 헹굼 행정, 또는 탈수 행정 중 적어도 어느 하나의 제어 동작을 수행하는 중의 드럼 내부의 이미지를 획득할 수 있다.
일 실시예에서, 프로세서(710)는 세탁 행정이 수행되는 중 드럼 내부의 이미지를 획득하여, 획득된 이미지를 예측 모델에 적용함으로써 드럼 내부의 오염 레벨을 예측할 수 있다. 이처럼 세탁 행정이 수행되는 동안의 오염 레벨을 예측함으로써, 프로세서(710)는 추가적인 세탁 행정이 더 수행되거나, 헹굼 행정의 시간이 늘어나도록 세탁기의 제어 동작을 수정할 수 있다.
다른 실시예에서, 프로세서(710)는 헹굼 행정이 수행되는 중 드럼 내부의 이미지를 획득하여, 획득된 이미지를 예측 모델에 적용함으로써 드럼 내부의 이미지를 획득할 수 있다. 이처럼 헹굼 행정이 수행되는 동안의 오염 레벨을 에측함으로써, 프로세서(710)는 추가적인 헹굼 행정이 더 수행되도록 세탁기의 제어 동작을 수정할 수 있다.
또 다른 실시예에서, 프로세서(710)는 탈수 행정이 수행되는 중 드럼 내부의 이미지를 획득하여, 획득된 이미지를 예측 모델에 적용함으로써 드럼 내부의 이미지를 획득할 수 있다. 이처럼 탈수 행정이 수행되는 동안의 오염 레벨을 예측함으로써, 프로세서(710)는 추가적인 세탁 행저잉 더 수행되도록 세탁기의 제어 동작을 수정할 수 있다.
도 19은 본 명세서의 일 실시예에 따른 포 엉킴에 대한 제어 방법의 흐름도이다.
세탁 후에 세탁에 사용된 세탁수가 외부로 배출되면 헹굼 행정이 수행되고, 프로세서(710)는 모터(773)를 고속으로 회전시켜 원심력에 의해 드럼(410)의 내측벽에 붙은 포를 탈수할 수 있다. 이때, 세탁물이 드럼 내에 고르게 분산되어 있지 않으면 편심(Unbalance)가 발생하여 터브가 과도하게 진동하게 된다.
대조적으로, 포 분산이 잘 이루어져 편심량이 적으면 드럼(410)의 회전이 고르게 되어 터브의 진동으로 인한 소음 레벨이 낮을 수 있다.
일 례로, 포 분산이 잘 이루어지면 소음 레벨은 세탁 및/또는 헹굼 행정 시에는 58dB 이하, 탈수 행정 시에는 63dB 이하일 수 있다. 일 례로, 포 분산이 잘 이루어지지 않은 경우에는 세탁 및/또는 헹굼 행정 시에는 58dB 이상, 탈수 행정 시에는 63 dB 이상의 소음이 발생될 수 있다.
이하 명세서에서 포 엉킴과 소음과 관련하여 본 명세서의 일 실시예에 따른 지능형 세탁기(10)의 제어 방법을 설명하도록 한다.
도 19을 참조하면, 프로세서(710)는 마이크로폰을 통해 터브가 회전하며 발생하는 소음을 수집할 수 있다(S610).
프로세서(710)는 RPM(rate per minute)의 변화량으로부터 편심량을 검출할 수 있다(S620). 편심량은 RPM의 변화량으로부터 예측될 수 있으며, 본 명세서의 일 실시예에서 프로세서(710)는 UB 예측 모델을 이용하여 RPM의 변화량을 예측할 수 있다. UB 예측 모델은 RPM의 변화량 및 RMP의 변화량에 대응되는 레이블링 데이터로 학습될 수 있다. 레이블링 데이터는 편심량일 수 있다. 따라서, 프로세서(710)는 RPM의 변화량을 측정하고, 측정된 RPM의 변화량으로부터 편심량을 검출할 수 있다.
프로세서(710)는 편심량 및 소음의 레벨로부터 포 엉킴을 검출할 수 있다(S630).
포 엉킴이 있으면 터브의 소음 레벨이 상승되고, 포 분산이 잘 이루어지지 않아 편심량이 상승할 수 있다. 대조적으로, 포 엉킴이 없으면 터브의 소음 레벨이 정상 범위 내이며, 포 분산이 잘 이루어지므로 편심량이 정상이다.
이러한 점에 기반하여, 편심량과 소음의 레벨을 입력 데이터로 설정하고, 상기 입력 데이터에 대응되는 레이블링 데이터로 포 엉킴 검출 모델을 학습할 수 있다. 프로세서(710)는 포 엉킴 검출 모델을 이용하여 포 엉킴을 식별할 수 있다.
프로세서(710)는 포 엉킴이 감지되는 경우(S640:YES), 사용자 단말(1500)로 포 엉킴에 관한 메시지를 전송할 수 있다(S651).
포 엉킴에 관한 메시지는 포 엉킴이 발생한 사실은 알리는 텍스트 메시지와 드럼 내부의 이미지 중 적어도 하나 이상을 포함할 수 있다.
프로세서(710)는 포 엉킴이 감지되는 경우(S640:YES), 터브의 RPM을 포 붙임 속도 이하로 제어되도록 제어할 수 있다(S652).
프로세서(710)는 포 엉킴이 감지되지 않는 경우(S640:NO), 상기 터브의 RPM을 포 붙임 속도 이상으로 정속 제어되도록 제어할 수 있다(S653).
본 명세서의 다양한 실시예에 따른 지능형 세탁기(10)의 제어 방법은 세탁기의 제어 동작에 있어서 추가적인 제어 동작이 수행되면, 추가적인 제어 동작 정보에 기반하여 예측 모델을 강화학습(reinforcement learning)할 수 있다. 이때 추가적인 제어 동작은 포 엉킴 여부에 따른 추가적인 제어 동작, 또는 드럼 내부의 오염 레벨에 따른 추가적인 제어 동작 중 적어도 하나 이상을 포함할 수 있다.
도 20는 본 명세서의 일 실시예에 따른 드럼 세척 시기의 결정 방법에 관한 흐름도이다.
도 20를 참조하면, 프로세서(710)는 예측된 오염 레벨에 따라 추가적인 제어 동작을 수행할 수 있으며, 제어 동작이 종료되면 카메라(CAM)를 통해 개스킷 이미지를 수집할 수 있다(S710).
본 명세서의 일 실시예에서 카메라는 개스킷 카메라일 수 있다.
프로세서(710)는 사용자의 사용이력을 검색할 수 있다(S720).
이때, 사용자의 사용이력은 사용자 정보, 포의 종류, 세탁 시간, 세탁 빈도, 통 세척 횟수, 통 세척 빈도 또는 제어 동작 중 추가적인 사용자의 코스 설정 정보 중 적어도 하나 이상을 포함할 수 있다.
프로세서(710)는 개스킷 이미지와 사용이력으로부터 드럼(410)의 세척 시기를 결정할 수 있다(S730).
프로세서(710)는 개스킷 이미지로부터 추출된 특징 정보와 사용이력을 이용하여 드럼(410)의 세척 시기를 결정할 수 있다. 프로세서(710)는 개스킷 이미지와 사용이력을 미리 학습된 드럼 세척 시기의 예측 모델에 적용할 수 있고, 적용 결과인 출력값으로부터 드럼(410)의 세척 시기를 결정할 수 있다.
본 명세서의 일 실시예에서 드럼(410)의 세척 시기가 결정되면, 프로세서(710)는 사용자 단말(1500)로 안내 메시지를 전송할 수 있다.
도 21은 도 20의 드럼 세척 시기의 결정 방법에 관한 구현예이다.
도 21을 참조하면, 지능형 세탁기(10)의 제어 동작이 종료되거나 도어(418)의 열림이 감지되면 프로세서(710)는 개스킷 이미지를 생성할 수 있다.
프로세서(710)는 개스킷 이미지를 개스킷(416A)의 오염 레벨 검출 모델에 적용할 수 있으며, 개스킷 이미지의 특징 정보를 추출하고, 추출된 특징 정보로부터 드럼(410)의 세척 시기를 결정할 수 있다.
일 례로, 개스킷(416A)의 오염 레벨 검출 모델의 가중치는, 프로세서(710)에 의해, 개스킷(416A)의 오염 레벨에 비례하여 드럼(410)의 세척 시기가 현재 시간에 가깝게 추론되도록 연산될 수 있다.
전술한 본 명세서는 세탁조가 가로로 배치되어 있는 드럼 세탁기로 예시하였으나, 이에 한정할 것은 아니며 통돌이 세탁기에도 마찬가지로 적용될 수 있다. 일 예로, 통돌이 세탁기의 도어의 내측에 적어도 하나의 카메라에 구비되어 동일한 AI 프로세싱을 수행할 수 있다. 일 예로, 통돌이 세탁기의 세탁물 출입구 둘레면에 적어도 하나의 카메라가 구비되어 세탁조의 세척 시기를 예측하는 AI 프로세싱을 수행할 수도 있다. 즉 통돌이 세탁기도 도 6 내지 21에서 전술한 다양한 제어 방법에 따라 세탁기를 제어 및/또는 관리할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 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 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (20)

  1. 사용자의 이미지로부터 상기 사용자를 식별하는 단계;
    식별된 사용자 정보로부터 상기 사용자 정보에 대응되는 제1 세탁 코스를 예측하는 단계;
    상기 예측된 제1 세탁 코스로 제어 동작을 수행하는 단계;
    상기 제어 동작이 수행되는 중 카메라를 통해 드럼 내부의 이미지를 수집하는 단계;
    상기 드럼 내부의 이미지와 미리 학습된 예측 모델을 이용하여 상기 드럼 내부의 오염 레벨을 예측하는 단계; 및
    상기 예측된 오염 레벨에 따라 상기 제1 세탁 코스를 제2 세탁 코스로 변경하는 단계;
    를 포함하는 지능형 세탁기의 제어 방법.
  2. 제1 항에 있어서,
    상기 제1 세탁 코스를 예측하는 단계는,
    상기 사용자 정보를 미리 학습된 인공 신경망 기반의 코스 추천 모델에 적용하는 단계; 및
    상기 코스 추천 모델의 출력값으로부터 상기 세탁 코스를 결정하는 단계;
    를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  3. 제1 항에 있어서,
    상기 제1 세탁 코스를 예측하는 단계는,
    도어의 닫힘에 응답하여 상기 카메라를 통해 상기 드럼 내부의 이미지를 수집하는 단계;
    상기 드럼 내부의 이미지로부터 포의 종류를 식별하는 단계; 및
    상기 식별된 포의 종류와 상기 사용자 정보를 미리 학습된 인공 신경망 기반의 코스 추천 모델에 적용하여, 상기 제1 세탁 코스를 결정하는 단계;
    를 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  4. 제1 항에 있어서,
    상기 사용자의 식별 정보는,
    ID 형태로 저장되는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  5. 제1 항에 있어서,
    상기 제1, 제2 세탁 코스는,
    세탁 행정, 헹굼 행정 또는 탈수 행정 중 적어도 하나를 포함하고,
    상기 제2 세탁 코스에 포함된 행정은 상기 제1 세탁 코스의 행정과 비교하여 동작순서, 동작패턴, 동작시간 또는 RPM 중 적어도 하나가 다른 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  6. 제1 항에 있어서,
    마이크로폰을 통해 터브(tub)가 회전하며 발생하는 소음을 수집하는 단계;
    RPM(rate per minute)의 변화량으로부터 편심량을 검출하는 단계; 및
    상기 편심량 및 상기 소음의 레벨로부터 포 엉킴을 검출하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  7. 제6 항에 있어서,
    상기 포 엉킴이 감지되는 경우,
    사용자 단말로 상기 포 엉킴에 관한 메시지를 전송하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  8. 제6 항에 있어서,
    상기 포 엉킴이 감지되는 경우,
    상기 제어 동작에서 상기 터브의 RPM을 포 붙임 속도 이하로 제어하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  9. 제6 항에 있어서,
    상기 포 엉킴이 감지되지 않는 경우,
    상기 제어 동작에서 상기 터브의 RPM을 포 붙임 속도 이상으로 정속 제어하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  10. 제1 항에 있어서,
    상기 제어 동작이 종료되면 개스킷(gasket)의 이미지를 수집하는 단계;
    상기 사용자의 사용이력을 검색하는 단계; 및
    상기 개스킷의 이미지와 상기 사용이력으로부터 드럼 세척 시기를 결정하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  11. 제10 항에 있어서,
    상기 사용이력은,
    상기 사용자 정보, 포의 종류, 세탁 시간, 세탁 빈도, 통 세척 횟수, 통 세척 빈도 또는 제어 동작 중 추가적인 사용자의 코스 설정 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  12. 제1 항에 있어서,
    상기 드럼 내부의 이미지를 분석하여, 상기 드럼 내부의 이미지에 포함된 적어도 하나 이상의 아이템 중 세탁기의 용도에 부합하지 않는 커셔너리 아이템(cautinary item)을 검출하는 단계; 및
    상기 커셔너리 아이템이 검출되면 사용자 단말로 경고 메시지를 전송하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  13. 제1 항에 있어서,
    상기 변경된 세탁 코스의 정보에 기반하여 상기 예측 모델을 강화 학습(reinforcement learning)하는 단계;
    를 더 포함하는 것을 특징으로 하는 지능형 세탁기의 제어 방법.
  14. 통신모듈;
    메모리;
    사용자를 포함하는 이미지 및 드럼 내부의 이미지를 촬영하는 카메라; 및
    상기 사용자를 포함하는 이미지로부터 상기 사용자를 식별하고, 식별된 사용자 정보로부터 상기 사용자 정보에 대응되는 제1 세탁 코스를 예측하며, 상기 예측된 제1 세탁 코스로 제어 동작을 수행하는 동안에 상기 카메라를 통해 상기 드럼 내부의 이미지를 수집하고, 상기 드럼 내부의 이미지와 미리 학습된 예측 모델을 이용하여 상기 드럼 내부의 오염 레벨을 예측할 수 있고, 상기 예측된 오염 레벨에 따라 상기 제1 세탁 코스를 제2 세탁 코스로 변경하는 프로세서;
    를 포함하는 지능형 세탁기.
  15. 제14 항에 있어서,
    상기 사용자의 식별 정보는,
    ID 형태로 저장되는 것을 특징으로 하는 지능형 세탁기.
  16. 제14 항에 있어서,
    상기 제1, 제2 세탁 코스는,
    세탁 행정, 헹굼 행정 또는 탈수 행정 중 적어도 하나를 포함하고,
    상기 제2 세탁 코스에 포함된 행정은 상기 제1 세탁 코스의 행정과 비교하여 동작순서, 동작패턴, 동작시간 또는 RPM 중 적어도 하나가 다른 것을 특징으로 하는 지능형 세탁기.
  17. 제14 항에 있어서,
    터브(tub)가 회전하며 발생하는 소음을 수집하는 마이크로폰을 더 포함하되,
    상기 프로세서는,
    RPM(rate per minute)의 변화량으로부터 편심량을 검출하고, 상기 편심량 및 상기 소음의 레벨로부터 포 엉킴을 검출하는 것을 특징으로 하는 지능형 세탁기.
  18. 제17 항에 있어서,
    상기 포 엉킴이 감지되는 경우,
    상기 프로세서는,
    상기 통신 모듈을 통해 사용자 단말로 상기 포 엉킴에 관한 메시지를 전송하는 것을 특징으로 하는 지능형 세탁기.
  19. 제17 항에 있어서,
    상기 포 엉킴이 감지되는 경우,
    상기 프로세서는,
    상기 제어 동작에서 상기 터브의 RMP을 포 붙임 속도 이하로 제어하는 것을 특징으로 하는 지능형 세탁기.
  20. 제17 항에 있어서,
    상기 포 엉킴이 감지되지 않는 경우,
    상기 프로세서는,
    상기 제어 동작에서 상기 터브의 RPM을 포 붙임 속도 이상으로 정속 제어하는 것을 특징으로 하는 지능형 세탁기.
PCT/KR2020/007003 2019-11-01 2020-05-29 지능형 세탁기 WO2021085778A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20881648.8A EP4053322A4 (en) 2019-11-01 2020-05-29 INTELLIGENT WASHING MACHINE
US17/773,340 US20220349102A1 (en) 2019-11-01 2020-05-29 Intelligent washing machine
CN202080076077.0A CN114729488A (zh) 2019-11-01 2020-05-29 智能洗衣机

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190138525A KR20210052916A (ko) 2019-11-01 2019-11-01 지능형 세탁기
KR10-2019-0138525 2019-11-01

Publications (1)

Publication Number Publication Date
WO2021085778A1 true WO2021085778A1 (ko) 2021-05-06

Family

ID=75715287

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/007003 WO2021085778A1 (ko) 2019-11-01 2020-05-29 지능형 세탁기

Country Status (5)

Country Link
US (1) US20220349102A1 (ko)
EP (1) EP4053322A4 (ko)
KR (1) KR20210052916A (ko)
CN (1) CN114729488A (ko)
WO (1) WO2021085778A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4119714A1 (de) * 2021-07-14 2023-01-18 Miele & Cie. KG Verfahren und vorrichtung zum einstellen eines reinigungsprogramms für ein reinigungsgerät, reinigungsgerät mit einer vorrichtung und tragbares gerät mit einer vorrichtung
WO2024034829A1 (ko) * 2022-08-08 2024-02-15 삼성전자 주식회사 세탁기 및 세탁물과 관련된 정보를 제공하는 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11692301B2 (en) * 2020-10-16 2023-07-04 Haier Us Appliance Solutions, Inc. System and method for using sound to monitor the operation of a dryer appliance
US11941876B2 (en) * 2021-05-21 2024-03-26 Haier Us Appliance Solutions, Inc. Door status verification using a camera and artificial intelligence
US11946187B2 (en) * 2021-08-18 2024-04-02 Haier Us Appliance Solutions, Inc. Method for preventing accidental washing of electronic devices in a washing machine appliance
US20230124027A1 (en) * 2021-10-14 2023-04-20 Haier Us Appliance Solutions, Inc. Systems and methods for capturing images for use in artificial intelligence processes in a laundry appliance
CN116884147B (zh) * 2023-08-08 2024-04-02 杭州青橄榄物联科技有限公司 一种应用于智慧校园的宿舍自助洗衣系统与方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030037382A1 (en) * 2001-08-24 2003-02-27 Maytag Corporation Clothes washing machine incorporating noise reduction system
US20190169780A1 (en) * 2017-12-04 2019-06-06 Midea Group Co., Ltd. Personalized laundry appliance
KR20190098935A (ko) * 2019-06-13 2019-08-23 엘지전자 주식회사 인공지능 세탁물 처리 기기
KR20190109335A (ko) * 2019-05-09 2019-09-25 엘지전자 주식회사 세탁물 처리장치 및 세탁물 처리방법
KR101989177B1 (ko) * 2018-08-29 2019-09-30 엘지전자 주식회사 인공지능 기반의 세탁물 처리기기 및 그의 제어 방법

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06335591A (ja) * 1993-05-31 1994-12-06 Sharp Corp 洗濯機
KR100857781B1 (ko) * 2001-12-17 2008-09-09 엘지전자 주식회사 세탁기 및 그 세탁포 오염도 측정에 따른 세탁방법
KR20040059222A (ko) * 2002-12-28 2004-07-05 엘지전자 주식회사 세탁기의 탈수시 언밸런스 검출방법 및 그에 따른 세탁기운전 제어방법
JP5012237B2 (ja) * 2007-06-13 2012-08-29 パナソニック株式会社 洗濯機およびそのプログラム
KR20120038271A (ko) * 2010-10-13 2012-04-23 삼성전자주식회사 세탁기의 제어 방법
WO2016017925A1 (ko) * 2014-08-01 2016-02-04 엘지전자 주식회사 의류처리시스템 및 그 제어방법
KR102557391B1 (ko) * 2016-08-08 2023-07-19 삼성전자주식회사 세탁기 및 그 제어방법
CN106149288A (zh) * 2016-09-08 2016-11-23 北京小米移动软件有限公司 智能洗衣方法和装置
DE102017209862A1 (de) * 2017-06-12 2018-12-13 Henkel Ag & Co. Kgaa Bestimmen von Verunreinigungen
WO2019045373A1 (ko) * 2017-08-30 2019-03-07 삼성전자주식회사 전자 장치 및 그 제어 방법
CN108411565B (zh) * 2018-06-11 2020-06-16 珠海格力电器股份有限公司 洗衣机控制方法及装置
US20210324560A1 (en) * 2019-07-19 2021-10-21 Lg Electronics Inc. Intelligent washing machine and control method of the same
KR20190104283A (ko) * 2019-08-20 2019-09-09 엘지전자 주식회사 머신러닝 기반의 세탁기 언밸런스 에러 검출 방법 및 세탁기

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030037382A1 (en) * 2001-08-24 2003-02-27 Maytag Corporation Clothes washing machine incorporating noise reduction system
US20190169780A1 (en) * 2017-12-04 2019-06-06 Midea Group Co., Ltd. Personalized laundry appliance
KR101989177B1 (ko) * 2018-08-29 2019-09-30 엘지전자 주식회사 인공지능 기반의 세탁물 처리기기 및 그의 제어 방법
KR20190109335A (ko) * 2019-05-09 2019-09-25 엘지전자 주식회사 세탁물 처리장치 및 세탁물 처리방법
KR20190098935A (ko) * 2019-06-13 2019-08-23 엘지전자 주식회사 인공지능 세탁물 처리 기기

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4119714A1 (de) * 2021-07-14 2023-01-18 Miele & Cie. KG Verfahren und vorrichtung zum einstellen eines reinigungsprogramms für ein reinigungsgerät, reinigungsgerät mit einer vorrichtung und tragbares gerät mit einer vorrichtung
WO2024034829A1 (ko) * 2022-08-08 2024-02-15 삼성전자 주식회사 세탁기 및 세탁물과 관련된 정보를 제공하는 방법

Also Published As

Publication number Publication date
CN114729488A (zh) 2022-07-08
EP4053322A1 (en) 2022-09-07
KR20210052916A (ko) 2021-05-11
EP4053322A4 (en) 2023-11-15
US20220349102A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
WO2021085778A1 (ko) 지능형 세탁기
WO2021010505A1 (ko) 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2021010506A1 (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
WO2020251079A1 (ko) 지능형 세탁기 및 이의 제어방법
WO2020246649A1 (ko) 엣지 컴퓨팅 디바이스에서 음성 인식 방법
WO2020145736A1 (en) Method and apparatus for performing mobility related to dual connectivity in wireless communication system
WO2020230943A1 (ko) 3d 아바타를 이용한 의류 피팅 서비스 제공 방법과 그에 따른 시스템
WO2020262737A1 (ko) 지능형 로봇 청소기
WO2020251066A1 (ko) 지능형 로봇 디바이스
WO2021002486A1 (ko) 음성인식 방법 및 그 장치
WO2021251625A1 (en) Method and apparatus for handling master cell group failure in wireless communication system
WO2020076032A1 (en) Response to paging for data reception
WO2021015301A1 (ko) 지능형 세탁기와 그 제어방법
WO2022086082A1 (en) Method and apparatus for handling resource collision in wireless communication system
WO2021194134A1 (en) Method and apparatus for conditional mobility failure handling in wireless communication system
WO2021020633A1 (ko) 인공 지능형 의류 처리 장치와 그 구동방법
WO2021149879A1 (ko) 피접촉면의 재질에 따른 청소로봇 제어방법
WO2020246639A1 (ko) 증강현실 전자기기의 제어방법
WO2020138856A1 (en) Method and apparatus for cell reselection in wireless communication system
WO2022086221A1 (en) Method and apparatus for cell reselection in sliced network in wireless communication system
WO2021251685A1 (en) Method and apparatus for handling secondary cell group failure in wireless communication system
WO2021221319A1 (en) Method and apparatus for measurement failure reporting in a wireless communication system
EP4098026A1 (en) Method and apparatus for performing measurement in wireless communication system
WO2021167171A1 (ko) 지능형 조리장치의 제어
WO2021020629A1 (ko) 자율주행시스템에서 차량의 배차방법 및 이를 위한 장치

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: 20881648

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020881648

Country of ref document: EP

Effective date: 20220601